Globalny zestaw współczynników emisji do zastosowań uczenia maszynowego w Scope 3

Dlaczego warto śledzić ukryty węgiel

Większość wpływu współczesnych firm na klimat nie pochodzi z ich własnych kominów, lecz z długich, splecionych łańcuchów dostaw — wszystkiego, co kupują, sprzedają, wysyłają i zlecają na zewnątrz. Tak zwane emisje „Scope 3” są znane z dużej trudności w śledzeniu. Artykuł przedstawia ExioML, otwarty globalny zestaw danych i narzędzie, które przekształca dekady złożonych zapisów gospodarczych i środowiskowych w dane gotowe do uczenia maszynowego. Ułatwia to badaczom, decydentom i firmom estymowanie, skąd naprawdę pochodzą emisje, rzetelne porównywanie metod i projektowanie lepszych rozwiązań klimatycznych.

Postrzeganie światowej gospodarki jako sieci

W sercu ExioML leży sposób patrzenia na gospodarkę światową jako olbrzymią sieć branż handlujących między sobą przez granice. Zamiast liczyć jedynie, ile dwutlenku węgla wypuszczono w danym kraju, podejście to śledzi ślady emisji wzdłuż łańcuchów dostaw: od surowców, przez fabryki i sklepy, aż po konsumentów. Istniejące bazy danych realizujące to zadanie są potężne, lecz często ukryte za paywallem, trudne w użyciu lub nieaktualne. Autorzy oparli się na jednym z najbardziej szczegółowych otwartych zasobów, EXIOBASE, i przeorganizowali go tak, by każdy mógł z łatwością zadawać pytania typu: ile gazów cieplarnianych wiąże się z produkcją stali w danym kraju i roku albo jak emisje w jednym regionie są zawarte w produktach konsumowanych gdzie indziej.

Przekształcanie surowych liczb w dane gotowe do użycia

Surowe pliki EXIOBASE są ogromne — ponad 40 gigabajtów tabel opisujących transakcje między setkami sektorów w kilkudziesięciu regionach, wraz z równoległymi zapisami emisji, zasobów i zużycia energii. Autorzy zaprojektowali ExioML tak, by destylował tę złożoność do dwóch głównych elementów. Pierwszym jest tabela „współczynników rachunkowości”: schludnie uporządkowany arkusz, w którym każdy wiersz to konkretny sektor w konkretnym regionie i roku, z kolumnami dla wartości dodanej, zatrudnienia, zużycia energii i emisji gazów cieplarnianych. Drugim jest „sieć śladu”: uproszczona mapa najsilniejszych powiązań handlowych między sektorami, pokazująca, jak pieniądze, energia i emisje przepływają przez globalną gospodarkę. Do ich wyliczenia wykorzystano wydajne procesory graficzne (GPU) do intensywnych obliczeń macierzowych śledzących emisje w łańcuchach dostaw, a także ustandaryzowano jednostki, kody sektorów i nazewnictwo, tak aby wszystkie 49 regionów i 28 lat można było porównać bezpośrednio.

Zaprojektowane pod kątem współczesnego uczenia maszynowego

ExioML jest zaprojektowany od podstaw z myślą o uczeniu maszynowym. Zestaw obejmuje 49 regionów w latach 1995–2022 i oferuje dwa zgodne widoki: jeden podzielony na 200 typów produktów, a drugi na 163 przemysły. Taka struktura pozwala badaczom traktować każdy sektor–region–rok jako punkt danych, łącząc proste cechy numeryczne — takie jak liczba ludności, dochód na osobę, energia na jednostkę produkcji czy emisje na jednostkę energii — z informacjami kategorialnymi o lokalizacji i rodzaju sektora. Autorzy publikują też otwartoźródłowe oprogramowanie, które potrafi załadować dane, wygenerować podsumowania sieci i nawet dostarczyć gotowe podziały na zestawy treningowe, walidacyjne i testowe. Obniża to barierę zarówno dla naukowców zajmujących się klimatem, jak i dla specjalistów od danych, którzy chcą budować modele bez konieczności najpierw stawania się ekspertami w specjalistycznej rachunkowości ekonomicznej.

Testowanie, jak dobrze modele potrafią przewidywać emisje

Aby pokazać zastosowanie ExioML, autorzy przygotowali zadanie benchmarkowe: przewidywanie emisji gazów cieplarnianych sektora na podstawie niewielkiego zestawu wskaźników ekonomicznych i związanych z energią. Porównali klasyczne modele uczenia maszynowego, takie jak najbliżsi sąsiedzi i zespoły oparte na drzewach, z nowoczesnymi podejściami głębokiego uczenia, które mogą automatycznie uczyć się kombinacji cech. Po starannym oczyszczeniu, skalowaniu i podziale danych okazało się, że proste modele liniowe zawodzą, potwierdzając, że relacja między produkcją, zatrudnieniem, zużyciem energii a emisjami jest silnie nieliniowa. Metody oparte na drzewach oraz sieci neuronowe radzą sobie dobrze, przy czym bramkowy model neuronowy osiąga najlepszą dokładność. Jednakże poprawa w stosunku do dobrze dostrojonych drzew gradientowych jest umiarkowana, podczas gdy modele głębokie wymagają znacznie dłuższego czasu treningu i są trudniejsze do dopracowania.

Co to oznacza dla pracy nad klimatem i danymi

Dla osób niezajmujących się specjalistycznie tematem kluczowe przesłanie jest takie, że ExioML przekształca nieprzejrzysty splot globalnych danych gospodarczych i środowiskowych w wspólną, otwartą podstawę, na której każdy może budować. Firmy próbujące zrozumieć wpływ zakupów na klimat, badacze projektujący algorytmy do wykrywania obszarów o wysokich emisjach oraz analitycy badający, jak zmiany polityczne lub technologiczne mogą przesunąć przyszłe emisje — wszyscy mogą pracować na tym samym przejrzystym zasobie. Badanie pokazuje, że przy odpowiedniej strukturze nawet stosunkowo proste narzędzia uczenia maszynowego potrafią uchwycić wiele ukrytych wzorców emisji w przekroju sektorów i regionów. Łącząc otwartość, rygor techniczny i praktyczne oprogramowanie, ExioML pomaga przesunąć rachunkowość węglową od patchworku prywatnych oszacowań w stronę bardziej powtarzalnej, opartej na danych nauki.

Cytowanie: Guo, Y., Guan, C. & Ma, J. Global emission factor dataset for Scope 3 machine learning applications. Sci Data 13, 348 (2026). https://doi.org/10.1038/s41597-026-06699-1

Słowa kluczowe: emisje Scope 3, rachunkowość węglowa, analiza input–output, uczenie maszynowe, emisje łańcucha dostaw