AIと炭素削減の促進：技術革新とグリーンファイナンス下でCO2排出を予測する最適深層学習モデルの探究
AI and promote carbon reduction: exploring an optimal deep learning model to predict CO2 emissions under technological innovations and green finance (原題)
Rabia Akram, Hafiz Muhammad Naveed, Muhammad Usman Anwer, Zhe Zhang, Jiayi Song, Muhammad Shahid, Zaiba Ali
🤖 gxceed AI 要約
日本語
RCEP15カ国の2000〜2024年データを四半期化・ICEEMDAN分解し、15種のニューラルネット／深層学習モデルでCO2排出を予測。RBFネットワークがMAE0.028等で最高性能を示した。SHAP分析により技術革新・R&D・特許は排出低減と、グリーンファイナンスは文脈依存的に関連することが示された。解釈可能なAIによる炭素管理の意思決定支援ツールを提案する。
English
Using quarterly-decomposed data (ICEEMDAN) for 15 RCEP economies (2000–2024), the study benchmarks 15 neural/deep-learning models to predict CO2 emissions; an RBF network performed best (MAE 0.028, RMSE 0.040). SHAP analysis shows patents and R&D associate with lower emissions, while green finance has context-dependent effects. The interpretable AI framework offers a decision-support tool for carbon management and climate policy.
Unofficial AI-generated summary based on the public title and abstract. Not an official translation.
📝 gxceed 編集解説 — Why this matters
日本のGX文脈において
日本企業・政策にとっては、SSBJ・TCFD開示で求められる将来排出予測やシナリオ分析に機械学習を活用する際の手法選択（モデル比較・説明可能性）の参考になる。特にSHAPによる要因分解は、移行計画の根拠づけや投資家説明に応用可能。
In the global GX context
For global disclosure scholarship, this work illustrates how explainable AI can strengthen forward-looking emissions projections and scenario analysis under TCFD/ISSB, and how green-finance effects on emissions are context-dependent—relevant to transition-finance and CSRD reporting debates.
👥 読者別の含意
🔬研究者:排出予測におけるモデル選択と説明可能AI（SHAP）の有効性を、マクロ要因と金融要因の非線形相互作用として検証する枠組みを提供する。
🏢実務担当者:自社の排出予測・シナリオ分析にRBF等の軽量モデルとSHAPによる要因分解を組み合わせ、移行計画の説明資料に活用できる。
🏛政策担当者:RCEP圏の炭素管理政策において、技術革新・グリーンファイナンスの効果が文脈依存である点を踏まえた的を絞った政策設計の示唆を得られる。
📄 Abstract（原文）
Accurate prediction of carbon dioxide (CO₂) emissions is essential for effective carbon management and evidence-based climate policy. However, emission dynamics are inherently nonlinear and arise from complex interactions among technological, financial, energy, economic and demographic factors. This study develops an interpretable artificial-intelligence framework to predict CO₂ emissions across 15 Regional Comprehensive Economic Partnership (RCEP) economies during 2000–2024. Annual data were converted to quarterly frequency and decomposed using Improved Complete Ensemble Empirical Mode Decomposition with Adaptive Noise. Fifteen neural-network and deep-learning architectures were evaluated using mean absolute error, mean squared error, root mean squared error, and training time. The Radial Basis Function network achieved the strongest overall performance, with MAE of 0.028, MSE of 0.002, RMSE of 0.040, and a training time of 00:01:12. Shapley Additive Explanations (SHAP) analysis and three-dimensional representation showed heterogeneous contributions from technological innovation, green finance for renewable energy, nonrenewable energy consumption, financial development, economic growth and population aging. Patent activity and R&D expenditure were predominantly associated with lower predicted CO₂ emissions, whereas green finance showed context-dependent predictive contributions. The findings demonstrate that a comparatively parsimonious RBF network can provide accurate and computationally efficient CO₂ prediction. By integrating signal decomposition, multi-model benchmarking and explainable AI, the proposed framework provides an interpretable decision-support tool for identifying emission patterns and informing targeted carbon-management and climate-mitigation strategies across RCEP economies.
🔗 Provenance — このレコードを発見したソース
- openalex https://doi.org/10.1186/s13021-026-00509-2first seen 2026-10-09 04:54:08
🔔 こうした論文の新着を逃したくない方は キーワードアラート に登録（無料・3キーワードまで）。
gxceed は公開メタデータに基づく研究支援データセットです。要約・翻訳・解説は AI 支援で生成されています。 最終的な解釈・検証は利用者が原典資料に基づいて行うことを前提とします。