Моделі оцінки ризиків зелених проєктів
DOI:
https://doi.org/10.35681/1560-9189.2024.26.1.308752Ключові слова:
зелені проєкти, оцінка ризиків, методологія, логістична регресія, дерева рішеньАнотація
Статтю присвячено прогнозуванню інвестиційних та кредитних ризиків зелених проєктів, особливістю яких є їхня екологічна спрямованість. Проведено дослідження існуючих підходів, методів і моделей оцінки ризиків як для класичного, економічного, випадку, так і з урахуванням екологічної компоненти. Запропоновано формування наборів даних економічних та екологічних показників. Шляхом моделювання на отриманих даних проаналізовано ефективність застосування різних методів оцінки ризиків: логістичної регресії, дерев рішень, випадкового лісу, AdaBoost та Extra Trees при використанні економічних та екологічних даних. Запропоновано ідею розробки спеціалізованих підходів оцінки ризиків зелених проєктів з урахуванням широкого набору визначених факторів, щоб під час інвестування та кредитування враховувати не лише вплив викидів вуглецю, а й інші типи забруднень, що дозволить, впроваджуючи зелені проєкти, покращити екосистему світу в цілому.
Посилання
Galan, J.E., Tan, Y. (2024). Green light for green credit? Evidence from its impact on bank efficiency. International Journal of Finance and Economics, 29(1), 531-550. https://doi.org/10.1002/ijfe.2697
Mondal, S., Faruk F.B., Rajbongshi, D., Efaz M.M.K., Islam M.M. (2023). GEECO: Green Data Centers for Energy Optimization and Carbon Footprint Reduction. Sustainability 15(21), 15249. https://doi.org/10.3390/su152115249
Li, Y., Lim, M.K., Wang, Ch. (2022). An intelligent model of green urban distribution in the blockchain environment. Resources, Conservation and Recycling, 176, 13. https://doi.org/10.1016/j.resconrec.2021.105925
Fan, X., Li, Qingguo, Xu Z. (2020). Green Credit Risk Assessment under the Background of Water Ecological Civilization City Construction – Based on BP Neural Network Model. IOP Conf. Series: Earth and Environmental Science, 032076. 446. doi:10.1088/1755-1315/446/3/032076
Zhao, Y., Chen, Y. (2022). Assessing and Predicting Green Credit Risk in the Paper Industry. International Journal of Environmental Research and Public Health, 19(22), 15373. https://doi.org/10.3390/ijerph192215373
Zhao, H. (2023). Risk Management of Supply Chain Green Finance Based on Sustainable Ecological Environment. Sustainability, 15(9), 7707 https://doi.org/10.3390/su15097707
Nabeeh, N.A., Abdel-Basset, M., Soliman G. (2021). A model for evaluating green credit rating and its impact on sustainability performance. Journal of Cleaner Production, 280(1), 124299. https://doi.org/10.1016/j.jclepro.2020.124299
Ari, I., Koc, M. (2019). Sustainable Financing for Sustainable Development: Agent-Based Modeling of Alternative Financing Models for Clean Energy Investments. Sustainablility, 11(7), 1967. https://doi.org/10.3390/su11071967
Florian, B., Gobet, E., Jiao, Y. (2021) Bridging socioeconomic pathways of CO2 emission and credit risk. Annals of Operations Research. https://hal.science/hal-03458299v2
Alogoskoufis, S., Dunz, N., Emambakhsh, T., Hennig, T., Kaijser, M., Kouratzoglou, Ch., Munoz, M.A., Parisi, L., Salleo, C. ECB economy-wide climate stress test: Methodology and results. European Central Bank. Occasional Paper Series, 281, 88. doi:10.2866/460490
United Nations. Paris Agreement. 2015. Retrieved from [https://unfccc.int/sites/default/files/english_paris_agreement.pdf]
Wang, Q., Lai, K., Niu, D. (2011). Green Credit Scoring System and its Risk Assessment Model with Support Vector Machine. Fourth International Joint Conference on Computational Sciences and Optimization, 284-287. http://dx.doi.org/10.1109/CSO.2011.143
Kuznietsova, N., Amoroso, R. (2021). An approach to green financial credit risks modeling, Selected Papers of the XXI International Scientific and Practical Conference "Information Technologies and Security", 181-192.
Freiberg D., DG Park, Serafeim G., Zochowski T. (2021). Corporate Environmental Impact: Measurement, Data and Information. Harvard Business School Accounting & Management Unit Working Paper No. 20-098. 42. http://dx.doi.org/10.2139/ssrn.3565533
Peng, C.Y.J., Lee, K.L., Ingersoll, G.M. (2002). An Introduction to Logistic Regression Analysis and Reporting. The Journal of Educational Research, 96(1), pp. 3–14.
Song Y.Y, Lu Y. (2015). Decision tree methods: applications for classification and prediction. Shanghai Arch Psychiatry, 27(2), 130-135. https://doi.org/10.11919%2Fj.issn.1002-0829.215044
Breiman, L. (2001). Random Forests. Machine Learning 45, 5–32. https://doi.org/10.1023/A:1010933404324
Schapire, R.E. (2013). Explaining AdaBoost. Empirical Inference.
Geurts, P., Ernst, D., Wehenkel, L. (2006). Extremely randomized trees. Mach Learn. 63, 3–42. https://doi.org/10.1007/s10994-006-6226-1
Corporate Credit Rating. Kaggle. URL: https://www.kaggle.com/datasets/agewerc/corporate-credit-rating (Last accesses: 03.01.2024)
Corporate Environmental Impact. Kaggle. URL: https://www.kaggle.com/datasets/mannmann2/ corporate-environmental-impact/data?select=final_raw_sample_3_percent.csv (Last accessed: 03.01.2024)
