Scope 3 Emissions: Data Quality and Machine Learning Prediction Accuracy

Valeur des informations & solidité de l’argumentation

La valeur des informations est élevée : l’étude apporte des données chiffrées originales sur la divergence entre les principaux fournisseurs de données d’émissions Scope 3, un sujet crucial pour la finance climatique. L’argumentation est solide, s’appuyant sur une méthodologie claire et des comparaisons systématiques. Les auteurs présentent des résultats nuancés, reconnaissant les limites de leur approche. La démonstration de l’amélioration de la prédiction par catégorie est convaincante et bien étayée.

Rigueur scientifique, qualité des sources, adéquation du titre

La rigueur scientifique est bonne : l’étude utilise des données réelles de trois fournisseurs majeurs, avec une méthodologie transparente. Les sources sont principalement les données elles-mêmes et les travaux antérieurs des auteurs. Le titre est parfaitement adéquat au contenu. La présentation est de niveau académique, mais reste accessible. Les commentaires ne sont pas fournis, donc aucune analyse des tendances du public n’est possible.

Le titre correspond parfaitement au contenu : la présentation traite de la qualité des données Scope 3 et de la précision des prédictions par machine learning.

8/10

Présentation d'une étude originale par des chercheurs académiques, avec méthodologie détaillée et données réelles de trois fournisseurs. Les résultats sont présentés de manière transparente, avec des limites et des comparaisons. La fiabilité est élevée, bien que la présentation soit un webinaire et que l'étude ne soit pas encore publiée dans une revue à comité de lecture.

Repères établis par PSI à partir de la transcription : le créateur n'a pas défini de chapitres.

• 00:00Introduction par Rebecca Lillly de l'IAEE et présentation du modérateur Ivan Diaz-Rainey.
• 02:00Ivan Diaz-Rainey présente le contexte et les questions de recherche sur la qualité des données Scope 3.
• 05:00Explication des scopes 1, 2 et 3 du GHG Protocol et des défis spécifiques au Scope 3.
• 10:00Présentation des trois fournisseurs de données (Bloomberg, Refinitiv Eikon, ISS) et de la méthodologie de comparaison.
• 15:00Résultats sur la divergence des valeurs d'émissions entre les fournisseurs, avec des statistiques clés (68% d'identiques entre Bloomberg et Refinitiv, 0% avec ISS).
• 20:00Analyse de la composition des émissions Scope 3 : pertinence et complétude des catégories déclarées.
• 25:00Présentation des modèles de machine learning utilisés pour prédire les émissions Scope 3.
• 30:00Résultats des prédictions : amélioration de 6% pour l'agrégat, jusqu'à 25% pour les catégories individuelles.
• 35:00Discussion sur les limites de la prédiction et l'importance de la qualité des données.
• 40:00Conclusion et implications pour les investisseurs et les fournisseurs de données.

• IAEE - International Association for Energy Economics — Organisation hôte du webinaire, mentionnée en introduction.
• GHG Protocol — Référence au protocole standard pour la comptabilité des émissions de gaz à effet de serre, mentionné pour définir les scopes.
• Bloomberg — Fournisseur de données d'émissions Scope 3 utilisé dans l'étude.
• Refinitiv Eikon — Fournisseur de données d'émissions Scope 3 utilisé dans l'étude.
• ISS (Institutional Shareholder Services) — Fournisseur de données d'émissions Scope 3 utilisé dans l'étude.

• GHG Protocol — Cadre de référence pour la définition des scopes, cohérent avec l'étude.
• CDP — Source de données utilisée par les fournisseurs, cohérente avec les déclarations des entreprises.

• ISS — ISS ajuste les données déclarées avec ses modèles propriétaires, ce qui entraîne une divergence majeure avec les autres fournisseurs.