サプライチェーンネットワーク特徴を用いた企業Scope 3排出量予測の改善

日本語

企業のScope 3排出量を、サプライチェーンネットワークの構造的特徴を用いた機械学習で予測精度向上させる研究。従来の企業属性のみのモデルに対し、取引関係のネットワーク情報を特徴量として加えることで予測性能の改善を狙う。Scope 3算定の実務的課題に対しデータサイエンスの手法で接近する。

English

This master's dissertation applies machine learning to predict corporate Scope 3 emissions, incorporating supply chain network features alongside firm attributes. It tests whether relational/network structure improves predictive accuracy over conventional firm-level models. The work connects data science methods to the practical challenge of Scope 3 estimation.

日本のGX文脈において

SSBJ基準や有報でのScope 3開示義務化が進む中、サプライヤー実データが揃わない日本企業にとって、ネットワーク特徴を用いた推計手法は開示実務の負担軽減に直結する。

In the global GX context

Scope 3 is the hardest and most material gap in ISSB/CSRD disclosure; ML-based estimation using supply chain network structure offers a scalable complement to slow primary-data collection, relevant to global Scope 3 accounting debates.