機械学習による不完全な自己申告データの補完を用いた米国病院の施設レベル温室効果ガス排出量の推計

日本語

米国病院の施設レベルGHG排出量を、不完全な自己申告データを機械学習で補完して推計する研究。報告漏れや欠損の多い医療セクターの排出データを補正し、施設単位の排出量把握を可能にする。AIによる欠損補完が排出量算定の精度・網羅性を高める手法を示す。

English

This study estimates facility-level greenhouse gas emissions for U.S. hospitals by using machine learning to impute incomplete self-reported data. It addresses the widespread missingness in healthcare emissions reporting, enabling more complete facility-level estimates. The work demonstrates how ML imputation can strengthen the accuracy and coverage of carbon accounting.

日本のGX文脈において

日本では病院等の非上場・報告負担の大きい主体の排出量把握がScope3・サプライチェーン開示の課題となる。自己申告データの欠損をAIで補完する手法は、SSBJ対応や中小・公共セクターの排出量推計に応用可能な示唆を持つ。

In the global GX context

As ISSB/CSRD and SEC climate rules push disclosure down to facility and supplier level, data gaps in self-reported emissions are a global bottleneck. ML imputation offers a scalable way to fill missing facility-level data, relevant to healthcare and other fragmented sectors under Scope 3 and financed-emissions accounting.