AI ve službách udržitelného reportingu
Hodnocení Scope 3 emisí v bankovním sektoru
Bankovní sektor se neustále adaptuje na rostoucí požadavky udržitelnosti a transparentnosti. Zvláštní pozornost je věnována Scope 3 emisím, které zahrnují všechny nepřímé emise spojené nejen s operacemi společnosti, ale také s jejími investičními a financovanými aktivitami. V kontextu bank a finančních institucí to znamená emise spojené s poskytnutými úvěry, investicemi a dalšími finančními službami. V tomto článku prozkoumáme, jak umělá inteligence (AI) transformuje proces reportování Scope 3 emisí, zejména v kontextu vlastního kapitálového přístupu.
Scope 3 emise zahrnují širokou škálu nepřímých emisí vznikajících v rámci hodnotového řetězce společnosti, včetně těch, které vyplynou z jejích investic. Tyto emise mohou představovat významnou část celkového environmentálního dopadu bank. V kontextu EU taxonomie a udržitelného financování se stává jejich správa a transparentní reporting nezbytností.
AI může vstupovat do procesu jako nástroj pro analyzování a klasifikaci expozic banky. Za pomoci pokročilých algoritmů strojového učení a schopnosti analyzovat obrovské objemy dat AI posuzuje účel financování, hospodářské činnosti emitentů cenných papírů a sektorové zařazení podniků, aby určila, které investice jsou způsobilé pro EU taxonomii.
Integrace metod pro výpočet emisí do reportingu Scope 3
Přesnost a efektivita reportingu Scope 3 emisí se mohou zlepšit začleněním specifických výpočetních metod, jak jsou popsány v přehledu metod pro kategorii 15 (Investments). Tyto metody poskytují bankám konkrétní návod, jak kvantifikovat emise z investic do vlastního kapitálu a z projektového financování. AI může tyto metody využít k automatizaci výpočtů a zefektivnění procesu reportingu.
Praktický příklad: V případě banky a jejích Scope 3 emisí jsou emise Scope 1 a Scope 2 investičních společností, do kterých banka investovala, považovány za součást banky vlastních Scope 3 emisí, pokud banka nemá nad těmito společnostmi kontrolu. AI může bankám pomoci analyzovat a tak určit, jaký podíl emisí Scope 1 a 2 investičních společností by měl být zahrnut do jejich vlastních Scope 3 emisí, na základě velikosti jejich investice.
AI využívá informace o úvěrech, investičních cenných papírech a dalších finančních produktech k modelování uhlíkové stopy. Proces zahrnuje detailní analýzu financování a jeho vlivu na emise skleníkových plynů, a to včetně úvěrů poskytnutých pro projekty v oblasti výstavby a energetiky. Analýza může zohledňovat, zda jsou tyto projekty v souladu s kritérii EU taxonomie pro udržitelné financování.
Implementace AI a strojového učení pro reportování emisí v bance
Proces zavádění AI a strojového učení pro účely analýzy a reportování emisí a udržitelnosti v bance začíná sestavením IT infrastruktury, která může být buď on-premise (umístěna přímo v prostorách banky), nebo cloudová (poskytnuta externím poskytovatelem cloudových služeb). Každé z těchto řešení má své výhody a nevýhody. On-premise infrastruktura poskytuje bankám vyšší kontrolu nad fyzickým umístěním a bezpečností dat, zatímco cloudové řešení nabízí větší flexibilitu a škálovatelnost. Vedle fyzické infrastruktury, která může být buď on-premise, nebo poskytnuta jako cloudové řešení, je důležitým krokem i výběr vhodných vývojových platforem. Tyto platformy mohou zahrnovat integrované vývojové prostředí (IDE), knihovny pro strojové učení, frameworky a další nástroje, které jsou klíčové pro vývoj, testování a nasazení AI modelů. Po zajištění vhodné infrastruktury a vývojových platforem lze použít různé nástroje pro analýzu dat a strojové učení, využít různé programovací jazyky a technologie, jako je Python s jeho knihovnami, R, Java nebo jiné. Výběr závisí na specifických požadavcích a preferencích dané banky. Konsolidace a integrace dat probíhá pomocí SQL dotazů a/nebo API, které poskytují interní systémy banky nebo externí poskytovatelé dat.
Následuje proces čištění dat, kde se odstraňují duplicitní záznamy a opravují chybné nebo chybějící údaje. Pro hlubší analytickou práci jsou využívány knihovny pro strojové učení, které umožňují vyvíjet prediktivní modely a odhalovat skryté vzory v datech. Tento proces může probíhat jak na interních serverech banky, tak v cloudovém prostředí, v závislosti na požadavcích na výkon a bezpečnost.
Konečným krokem je vizualizace získaných poznatků a generování reportů s využitím nástrojů. Pro tento účel lze využít různé nástroje a knihovny vizualizace, jako jsou např. Matplotlib a Seaborn pro Python, ggplot2 pro R, nebo další vizualizační nástroje kompatibilní s použitým programovacím jazykem a výpočetní platformou. Tyto nástroje umožňují přehledně prezentovat výsledky analýz a podporovat tak rozhodovací procesy banky v oblasti udržitelnosti a snižování emisí.
Závěr
Integrace AI do procesů reportování Scope 3 emisí představuje významný krok vpřed pro bankovní sektor. Nejenže to zlepšuje přesnost a efektivitu reportingu, ale také posiluje schopnost bank řídit svůj environmentální dopad a podporuje jejich cesty k dosažení cílů udržitelného rozvoje.
 |
Milena Štěpánová Autorka článku působí na pozici Senior Business Consultant ve společnosti Capgemini Česká republika. |
