nopperl/corporate-emission-reports

该数据集包含100份企业可持续发展报告，其中手动提取了范围1、2和3的温室气体排放值。数据集旨在评估自动信息提取系统，并鼓励研究解决从可持续发展报告中提取机器可读的温室气体排放数据的任务。数据集的结构包括唯一的实例ID、排放年份、不同范围的排放值、包含排放数据的页码、报告PDF的URL和SHA-256哈希值等字段。数据集的创建基于欧洲、北美和亚洲企业的可持续发展报告，确保地理多样性。数据集仅包含报告PDF的URL，并提供了一个帮助脚本以下载这些文件。

原始信息汇总

数据集卡片 for Dataset Name

数据集描述

该数据集包含100份企业可持续发展报告，手动提取了范围1、2和3的温室气体排放值。企业温室气体排放数据通常仅作为可持续发展报告PDF的一部分发布，这不是机器可读的格式。感兴趣的参与者必须手动从这些报告中提取排放数据，这是一个繁琐且耗时的过程。自动信息提取系统可以解决这个问题。

为了评估此类信息提取系统并鼓励解决这一任务的研究，创建并发布了一个包含可持续发展报告和手动提取排放值的数据集。

数据集结构

• id (string): 唯一实例ID，例如 "0012"。
• emission_year (int): 提取排放的年份，这在包含多年信息的报告中很有用。
• scope_1 (double): 范围1排放总量，以二氧化碳当量吨计。
• scope_2_market (double): 市场基础的范围2排放总量，以二氧化碳当量吨计。
• scope_2_location (double): 地点基础的范围2排放总量，以二氧化碳当量吨计。
• scope_3 (double): 范围3排放总量，以二氧化碳当量吨计。
• scope_1_page (list<int>): 包含范围1排放数据的总页数集合。
• scope_2_market_page (list<int>): 包含市场基础范围2排放数据的总页数集合。
• scope_2_location_page (list<int>): 包含地点基础范围2排放数据的总页数集合。
• scope_3_page (list<int>): 包含范围3排放数据的总页数集合。
• url (string): 可持续发展报告PDF的URL。
• sha256 (string): 报告PDF的SHA-256哈希字符串，以确保下载文件的完整性。
• subset (string): 指示报告来自Euro Stoxx 50 (eurostoxx)、NYSE (nyse) 或 Nikkei 225 (tyo) 公司的集合。

其余15个字段包含每个15个范围3排放类别的数据。

数据集创建

数据收集和处理

为了确保地理多样性，可持续发展报告来自欧洲、北美和亚洲的三个公司集合。第一个集合包含2023年9月18日追踪的Euro Stoxx 50股票指数的39家公司。第二个集合是2023年12月纽约证券交易所上市的39家公司的随机选择。第三个集合是2023年10月追踪Nikkei 225指数的22家公司的随机选择。

对于每个公司，从官方来源下载最新的可持续发展报告。在某些情况下，可持续发展报告是更大年度报告的一部分。

基于碳披露项目或全球报告倡议模板的可持续发展报告不被考虑，因为它们已经遵循一致的结构。

数据来源

可持续发展报告由公司自己生产，并可选由第三方验证。因此，它们仅包含自我报告的排放信息。

注释

可持续发展报告通过手动提取的排放数据进行注释，这是该数据集的主要目的。

注释过程

注释基于GHG协议企业标准的温室气体排放定义：

• 范围1：报告组织的直接温室气体排放。
• 范围2：报告组织与购买用于自身消费的电力、加热/冷却或蒸汽生成相关的排放。
• 范围3：报告组织的间接排放，不包括范围2中涵盖的排放。

仅提取关于报告组织的排放数据，子公司的个别值被忽略。

如果报告中没有关于计算方法的指示，范围2排放默认注释为市场基础。

无法明确提取的值被标记为缺失。

提取过程中未使用自动工具。

提取的数据未经第三方验证或与其他数据源核对。

注释者

数据由一个没有可持续发展报告专业知识的人注释。

偏差、风险和限制

排放信息由一个非专家提取。无法保证数据完全正确。

数据集不包含小型企业或非营利组织的可持续发展报告。

尽管采取了某些措施以确保地理多样性，但数据集不包括世界大部分地区的可持续发展报告。

搜集汇总

数据集介绍

构建方式

在全球应对气候变化的背景下，企业温室气体排放数据的公开与利用至关重要，然而这些数据通常以PDF格式的可持续发展报告形式存在，缺乏机器可读性。为促进自动信息提取系统的研发与评估，本数据集应运而生。其构建过程严谨且具有地理多样性：数据源自欧洲斯托克50指数、纽约证券交易所及日经225指数涵盖的企业，共计100份最新可持续发展报告。为确保数据质量，排除了基于碳披露项目或全球报告倡议模板的报告，以避免结构一致性带来的偏差。所有排放数据均由人工依据温室气体核算体系企业标准手动提取，仅关注企业整体的排放值，忽略子公司数据，且未借助任何自动化工具，从而保证了标注的原始性与可靠性。

特点

该数据集的核心特点在于其聚焦于企业温室气体排放三大范围——范围1、范围2（市场法与位置法）及范围3的精确数值，以二氧化碳当量公吨为单位记录。每个实例均包含排放年份、报告来源URL及SHA-256哈希值以确保文件完整性，并标注了数据所属的企业子集（欧洲、北美或亚洲）。特别地，数据集还详细记录了各排放值在报告中的页码位置，以及范围3的15个细分类别数据，为深入分析提供了结构化支持。其局限性在于标注由单一非专家完成，未经过第三方验证，且样本偏向大型企业，地理覆盖有限，但正是这些特征使其成为评估信息提取系统鲁棒性的理想基准。

使用方法

本数据集专为评估从可持续发展报告中自动提取温室气体排放数据的系统而设计。使用者可将其作为测试集，搭配配套的训练数据集（如sustainability-report-emissions）以训练模型。使用流程包括：通过提供的辅助脚本从URL下载原始PDF报告，利用SHA-256哈希校验文件完整性，随后基于数据集中的结构化字段（如排放值、页码）验证提取算法的准确性。数据集以HuggingFace格式发布，各字段类型明确（如双精度浮点数、整数列表），便于直接加载至Python环境。值得注意的是，由于数据仅含报告链接而非内容，用户需自行处理PDF解析与文本提取，从而灵活适配不同的自然语言处理或计算机视觉模型架构。

背景与挑战

背景概述

在全球应对气候变化的背景下，企业温室气体排放数据的透明化与可获取性成为推动低碳转型的关键。然而，这些数据通常仅以非结构化PDF格式的可持续发展报告发布，严重阻碍了自动化分析与大规模研究。为此，由研究者nopperl于2023年创建的企业排放报告数据集（Corporate Emission Reports）应运而生，旨在填补公开可用的人工标注排放数据集的空白。该数据集涵盖来自欧洲斯托克50、纽约证券交易所及日经225指数的100家企业，聚焦范围一、二、三的温室气体排放值，为评估信息提取系统提供了标准化基准，对推动自然语言处理技术在气候金融领域的应用具有奠基性意义。

当前挑战

该数据集面临的核心挑战源于领域问题的复杂性：企业排放数据分散于风格迥异的PDF报告中，缺乏统一格式与机器可读性，导致自动提取系统需应对多语言、多模板及非结构化文本的干扰。构建过程中，研究者遭遇多重困难：首先，排放值定义需严格遵循GHG协议标准，但不同企业对范围二的市场法与定位法计算方式表述模糊，导致歧义；其次，人工标注由单一非专家完成，缺乏第三方验证，数据准确性存疑；此外，样本偏向大型企业，忽略了中小型组织及全球地域多样性，限制了模型泛化能力。这些挑战凸显了数据稀缺性与标注可靠性之间的张力，亟需更严谨的标注流程与更广泛的数据覆盖来突破瓶颈。

常用场景

经典使用场景

该数据集的核心应用场景在于评估与验证从非结构化PDF格式的企业可持续发展报告中自动提取温室气体排放信息的系统性能。通过提供100份经过人工精确标注的Scope 1、Scope 2与Scope 3排放值，它为信息抽取模型提供了标准化的测试基准，尤其适用于衡量模型在复杂文档结构下对多层级排放数据的识别与解析能力。

实际应用

在实际应用中，该数据集助力金融机构、监管机构与环保组织构建自动化碳排放数据采集管线。通过训练和验证模型，可显著降低人工从数百页PDF报告中手动提取排放数据的时间成本与错误率，支持企业碳足迹的规模化追踪、ESG评级自动化以及气候相关财务披露的合规性审查，加速低碳转型决策的数据驱动进程。

衍生相关工作

该数据集催生了多个相关研究方向的经典工作，包括基于预训练语言模型（如BERT、LayoutLM）的文档级排放实体识别与关系抽取方法、跨文档排放值一致性校验算法，以及面向多语言与多格式可持续发展报告的领域自适应迁移学习框架。此外，它与配套的sustainability-report-emissions训练数据集协同，形成了完整的“训练-评估”研究范式，为后续企业气候信息披露的自动化分析奠定了坚实基础。