碳中和作为应对气候变化的关键策略,对利益相关者和国家可持续发展具有重要影响.鉴于此,为提高企业碳减排信用风险的预测准确性,本文以2003—2020年2939家上市企业为研究对象,并构建了一种融合熵权TOPSIS-Kmeans-BPNN的新型企业碳减排...碳中和作为应对气候变化的关键策略,对利益相关者和国家可持续发展具有重要影响.鉴于此,为提高企业碳减排信用风险的预测准确性,本文以2003—2020年2939家上市企业为研究对象,并构建了一种融合熵权TOPSIS-Kmeans-BPNN的新型企业碳减排信用风险预警模型.本文首先运用熵权TOPSIS(technique for order preference by similarity to ideal solution)对企业碳减排信用风险进行综合评分;然后对评估结果进行聚类,获得5种企业信用风险的等级,帮助BPNN(back propagation neural network)更好地进行监督学习;再是引入SMOTE算法(synthetic minority over-sampling technique),在少数等级企业样本中进行插值并生成新样本,以解决各等级企业样本不均衡问题;最后通过消融和多模型对比实验,验证本文所建模型的预测性能.结果表明:第一,各项碳减排指标对各信用风险等级企业的影响程度存在明显差异.其中,影响程度最高的是煤炭碳排放量指标,影响程度最低的是企业碳排放量指标;第二,利用XGBoost(extreme gradient boosting)算法筛选指标有效提高了模型的预测性能,平均提升了3.55%;第三,与其它模型相比,本文模型的预测准确率达99.05%,平均提升了17.38%,表明该模型是可行的,可为金融机构进行信用评级提供技术支撑.展开更多
文摘碳中和作为应对气候变化的关键策略,对利益相关者和国家可持续发展具有重要影响.鉴于此,为提高企业碳减排信用风险的预测准确性,本文以2003—2020年2939家上市企业为研究对象,并构建了一种融合熵权TOPSIS-Kmeans-BPNN的新型企业碳减排信用风险预警模型.本文首先运用熵权TOPSIS(technique for order preference by similarity to ideal solution)对企业碳减排信用风险进行综合评分;然后对评估结果进行聚类,获得5种企业信用风险的等级,帮助BPNN(back propagation neural network)更好地进行监督学习;再是引入SMOTE算法(synthetic minority over-sampling technique),在少数等级企业样本中进行插值并生成新样本,以解决各等级企业样本不均衡问题;最后通过消融和多模型对比实验,验证本文所建模型的预测性能.结果表明:第一,各项碳减排指标对各信用风险等级企业的影响程度存在明显差异.其中,影响程度最高的是煤炭碳排放量指标,影响程度最低的是企业碳排放量指标;第二,利用XGBoost(extreme gradient boosting)算法筛选指标有效提高了模型的预测性能,平均提升了3.55%;第三,与其它模型相比,本文模型的预测准确率达99.05%,平均提升了17.38%,表明该模型是可行的,可为金融机构进行信用评级提供技术支撑.
