共生-第1部分：主要发现

共生计划第一部分：关键发现 探索人工智能在范围3会计和过渡金融中的应用 2025年10月 内容 摘要3 5 会计准则5计算方法6计算挑战7敲击的影响8探索使用人工智能及相关技术的动力9 3项目共生体：探索适用于范围3会计和转型金融的AI及相关技术 11 概述11用户组12探索方法及结果13数据收集13计算与报告14约简分析14应用实例16 致谢 19 摘要 共生项目——香港BIS创新枢纽与香港金融管理局(HKMA)的合作项目——开展了应用技术研究，包括开发净排放优化器(NEMO)概念验证(POC)，以展示新技术如何为利益相关者（包括企业、金融领域、中小型企业(SME)、人类和地球）提供可行的技术路径，通过减少阻碍气候转型的关键信息差距来产生积极影响。该研究背景是金融领域特有的挑战，其中超过95%的排放属于范围3类别，以及香港金融管理局(HKMA)的可持续金融行动计划。 如项目共生所展示的，人工智能及相关技术方法有潜力改善现状，无论是通过提高数据收集的速度、广度和质量，还是通过生成灵活适应多种数据可用性场景的智能环境影响结果，又或是通过生成可融资的减排机会。总体而言，所探索的方法表明人工智能有真实潜力帮助弥合当前阻碍必要转型资金提供的知识鸿沟。 项目共生体（Project Symbiosis）的学习，虽然应用于范围3报告的使用案例中，具有更广泛的意义，说明了随着其快速的发展，人工智能和相关技术可能如何应用于风险评估、供应链管理和报告自动化等一系列环境中。 项目名称“共生”之所以被选择，是因为能够更准确地计算范围3排放和影响数据，并结合资金来源来减少它们，从而在复杂的供应链中的核心利益相关者之间实现共生关系。 小丑鱼的形象被选中，因为它与它所栖息的海葵生活在共生关系中，过渡金融匹配引擎也以“新型排放优化器”或“尼摩”命名。 虽然对其他鱼类有毒，海葵为生活在其中的小丑鱼提供保护。1 一、引言 许多公司并不直接生产其提供给消费者的商品。相反，它们通过合同从第三方供应商处获取这些商品。这给了解商品不仅涉及温室气体（GHG）排放状况，也涉及可以采取的减少排放和影响行动带来了挑战。公司努力获取足够的数据来计算其直接业务运营（即其范围3排放）的“上游”和“下游”排放量，这些排放量通常占其公司总体排放量的90%以上。 在价值链的另一端是中小企业（SME），它们通常与需要进行排放核算的公司相隔数个层级（甚至数个洲），并且与能够提供转型融资的金融机构距离更远。尽管这些规模较小且较远的企业的确存在关键的减排机会（例如产品制造商、材料生产者），但它们的排放往往没有得到直接处理。其结果可能是对对那些本来就能正常运行的设备（例如使用化石燃料或能源效率低下的设备或电源）进行改造的意识或激励有限。 需要突破性技术解决方案，能够弥合这些差距，同时利用金融机构尚未开发出的力量来加速气候转型。 在此背景下，BIS 创新枢纽香港中心与香港金融管理局合作开展的共生项目 Symbiosis 设立，旨在评估人工智能及相关技术方法是否可以成为解决方案的一部分。 项目共生体的首要目标是为探索如何利用先进数据技术和人工智能更准确地收集、解释和计算企业供应链中的范围三排放及其他影响数据。 项目共生计划的第二目标是探索人工智能如何根据此类数据识别减排机会，从而为减少范围3排放奠定基础。 最后，共生项目旨在探索如何利用排放和减排数据来匹配供应商与资金来源，以实现供应链脱碳（即可融资的减排机会）。 项目共生体的应用技术研究开发了net排放优化器（nemо）的概念验证（poc）。该研究背景是金融行业独有的挑战，其中超过95%的排放属于范围3类别，以及香港金融管理局的可持续金融行动计划。2 该项目表明，人工智能及相关技术方法具有改善现状的潜力，无论是通过提高数据收集的速度、广度和质量，还是通过生成灵活适应多种数据可用性场景的智能环境影响结果，或是通过生成可融资的减排机会。总体而言，所探索的方法展示了人工智能在帮助弥合当前阻碍必要转型资金提供的知识鸿沟方面的真实潜力。3 项目共生体（Project Symbiosis）的工作建立在项目盖亚（Project Gaia）已完成的工作基础上，后者部署了基于人工智能的新颖解决方案，根据公共报告的企业环境、社会和治理（ESG）报告来评估与气候相关的金融风险。项目共生体关注这些数据的底层来源，探索制定报告排放结果的途径，并在大型跨国公司生产的排放报告中通常被忽略的行业和小规模企业中识别减排机会。最近启动的项目达努（Danu）借鉴了盖亚和共生体的项目，通过调查数字孪生技术的应用，进而利用人工智能和相关技术来衡量物理风险并评估其对金融稳定的影响。 项目共生体（Project Symbiosis）的学习成果，虽然应用于范围3报告的使用案例中，但具有更广泛的意义，说明了在其快速发展的同时，人工智能和相关技术如何在风险评估、供应链管理、报告自动化等一系列环境中得到应用。 II.范围3排放 A. 会计准则 范围3排放是指组织价值链中，在其所有权或控制之外的上游和下游活动中产生的间接温室气体排放。这种排放范围的框架源于温室气体排放计算方面的领先标准。温室气体（GHG）协议组织层面的排放。4 温室气体核算体系嵌入在全球主要的监管报告要求中，包括国际可持续发展准则委员会 (ISSB)5 计划在代表全球经济一半以上地区的司法管辖区采用的规范6欧盟企业可持续发展报告条例（CSRD），以及加利福尼亚州参议院第253号和第261号法案。尽管在一些报告管辖区存在简化报告要求的压力，但预计这些报告要求将随着时间的推移而增长。 在全球经济中，范围3排放约占企业报告排放的75%。而对于金融机构而言，这一比例超过95%，其中几乎所有排放都集中在其范围3，类别15的融资排放上。因此，范围3会计在应对气候影响方面至关重要，但挑战重重。 B. 计算方法 The将上游发生的排放分解GHG协议范围3标准以及公司直接拥有和控制的运营下游，分为15个不同的类别。7尽管范围3标准为每个此类类 别定义了严格的边界，但它允许在计算方法方面有显著灵活性，通常为每个类别建议三种以上的可选计算方法，以及采用混合方法的可能。 例如，就范围3、类别1（购买的货物和服务）而言，温室气体协议范围3标准和相关技术指南允许使用一系列量化排放的方法，包括： 供应商特定方法（直接来自供应商的数据）； ̵混合方法（供应商特定数据与二次数据的组合）； 平均数据法（一般数据如产品重量和次级数据）；和 基于支出的方法（将合格产品和服务的总支出乘以基于支出的二次排放因子）。8 使用相同的基础信息包计算结果可能导致排放结果出现显著差异——这不仅跨不同方法存在，在同一给定方法内部也存在，因为公司通常对相同材料和产品使用不同的次级数据和不同的排放估算。 这种灵活性的最终结果是企业库存数据缺乏真实可比性，并且在许多情况下难以洞察导致范围三排放的实际活动。 C. 计算挑战 公司管理供应链数据的方式差异很大，几乎总是使用并非主要设计用于跟踪和组织可持续发展报告所需关键信息的系统。其结果是，不同公司在质量、广度以及用于计算的 数据类型方面，其原始数据可用性差异巨大，甚至在企业集团内部也是如此。这些输入数据的差异进一步阻碍了计算方法的标准化。 在很多情况下，企业中专注于可持续发展的功能在收集和整理此类数据方面花费了不必要的时间，目的是进行排放核算和报告，并且它们自身的内部原始数据集中往往存在无法解决的差距。因此，企业常常被迫依赖不准确的中介数据（例如，使用原材料时，依赖全球平均排放量而非实际使用的具体供应链数据），或者更常见的是，花费为基础进行范围3的核算。 为什么基于支出的会计是不完善的 范围 3 排放核算最常见的回退方法是乘以企业支出乘以经济排放因子（例如“购买 100 万美元的零件 x 行业通用支出因子 = X 吨 CO₂”）。虽然易于实施和审计，但基于支出的方法是一种近似值，并非基于特定的排放足迹。换句话说，它无法识别实际的排放热点，例如特定供应商或工厂，并因此无法使转型资金瞄准这些热点。在共生项目中，我们研究是否可以通过使用人工智能来进行排放计算和转型资金匹配来改变这一点。 D. 敲击的影响 金融行业内的挑战更大，因为绝大多数排放集中在单一 scope 3 类别，即类别 15，投资排放。为提高方法一致性，已采用一系列碳核算财务伙伴关系 (PCAF)近年来，金融机构可以根据这些标准更一致地报告其与投资相关的排放。9图1.2记录了金融机构在这个框架中的位置。 然而，即使在最佳情况下，此类投资排放最终也由其被投资公司的报告排放按比例构成。鉴于被投资公司计算自身范围3排放所面临的困难，金融机构通常转而依靠基于经济活动的计算方法，用于类别15报告（即基于支出的方法）。 虽然这种方法对于保持会计一致性非常有用，但它以牺牲对供应链中实际排放源的可视性为代价，因为这种粒度被顶层排放因子所取代。 E. 探索使用人工智能及相关技术的动力 需要突破性的解决方案，该方案采用基于物理活动的办法，并结合实际供应链数据来生成排放计算（即识别实际中小型企业和其他上游来源及其排放影响的相对规模）。 这种技术解决方案，在规模化应用时，会暴露供应链排放的来源及其相对强度，从而为识别减排机会提供有价值的数据集。这将能够应用既定标准来评估机会，例如这些机会与财务盈利指标、政府融资项目要求或监管分类框架（如欧盟可持续活动分类法）的协调一致。 对这一领域内人工智能及相关技术的扫描突显了常见和细分用例的混合，其中许多用例都在本项目评估范围内。虽然通过市场扫描无法单独验证这些方法的实际效果，但看到人们愿意采用和探索这些技术如何解决广泛的问题令人鼓舞。 术语表 ̵生成式人工智能—— 一种基于从现有数据中学习的内容（如文本、图像、音乐或视频）创造新内容的AI，它为AI生成的艺术、聊天机器人和内容写作助手等工具提供支持。 ̵大型语言模型– 一种旨在理解和( 大型语言模型 )生成人类语言。大型语言模型在大量文本数据上进行训练，能够执行广泛的任务，如回 答问题、总结内容和翻译语言。它们是涉及文本的许多生成式人工智能应用的核心技术，例如聊天机器人和写作助手。虽然大型语言模型是生成式人工智能的一个子集，但并非所有生成式人工智能都依赖于语言——有些生成图像、音乐或代码。 ̵数据科学与分析——收集、分析并解释数据以发现模式、做出决策和解决问题的过程。它帮助企业了解趋势、改进运营并预测未来结果。 III.项目共生：探索人工智能及相关技术在范围3会计和转型金融中的应用 A. 概述 共生项目探讨了人工智能是否提供了以活动为基础而非以支出为基础、以供应商级别数据为类似实施便利性的途径。 项目共生体的首要目标是探索如何利用先进的数据技术和人工智能更准确地收集、解释和计算范围3以及企业供应链中的其他影响数据。为此排放 目标，该项目执行了应用技术研究，探讨和解释了可用于实现这一目标的AI技术。项目共生（Project Symbiosis）的第二个目标是探索AI如何识别减排机会基于此类数据并在此基础上为减少范围3排放奠定基础。最后，共生项目旨在探索如何利用排放和减排数据为了脱碳供应匹配供应商与资金来源链（简称可融资减排机会）。为了实现这些目标，该项目开发了一种名为新排放或优化 NEMO。 综合起来，应用技术研究与NEMO提供了一个旨在解决的蓝图前面概述的，具体的一些挑战关注： 减少涉及到的摩擦和费力要计算一个数据收集企业碳足迹（CCF）。高水平的摩擦始终导致碳足迹准确性降低，并减少对脱碳措施的重视。 提高排放精度通过利用更细粒度的计算排放因子的集合，并使用建模技术对缺失数据点进行有针对性的代理选择，以与一系列体制。报告 帮助用户识别和理解有影响力的还原能脱碳措施，能够预测并将预期排放与目标保持一致。 启用to计算并为价值链上的所有用户更准确地披露其排放到能导致糟糕的