《Sustainable Environment》：Critical review of using artificial intelligence for environmental, social and governance (ESG) assessment in construction
编辑推荐：
人工智能（AI）在生活各个方面的应用日益增多，这既带来了益处，也伴随着制约因素，尤其是在非信息技术相关领域。本研究评估了建筑项目管理（PM）中用于环境、社会与治理（ESG）评估的人工智能（AI）技术、驱动因素和障碍的当前格局。研究采用了系统文献综述方法，包括制
人工智能（AI）在生活各个方面的应用日益增多，这既带来了益处，也伴随着制约因素，尤其是在非信息技术相关领域。本研究评估了建筑项目管理（PM）中用于环境、社会与治理（ESG）评估的人工智能（AI）技术、驱动因素和障碍的当前格局。研究采用了系统文献综述方法，包括制定研究问题、确定检索关键词、收集和筛选文章，并深入审查文献以确定新兴的AI技术、AI应用于ESG评估的关键驱动因素和障碍，以及提出未来研究方向。研究使用Scopus数据库，筛选出129篇相关论文进行综述。建筑PM中的ESG评估显著依赖机器学习（ML）技术，其中环境与治理领域是主要关注点。一些新兴技术包括用于图像识别的深度学习（DL）和用于文本分析的自然语言处理（NLP）。采用AI进行ESG评估的前三大驱动因素是减少ESG评估中的人为错误、提高ESG评估效率以及高效的数据管理。前三大障碍是缺乏关键的ESG数据/信息、AI建筑专业知识不足以及维护AI系统的高昂成本。本研究的发现将告知项目专业人士和政策制定者，使其了解可在项目中利用的创新且可靠的AI技术，以实现更可持续的成果。总体而言，本研究提出了一系列观察、主张和未来研究路径，以考察AI驱动的PM研究对ESG问题的贡献。
**Methodology**
本研究采用系统文献综述方法，遵循PRISMA（Preferred Reporting Items for Systematic Reviews and Meta-Analyses）指南。首先制定研究问题，确定检索关键词，分别代表人工智能（AI）、环境社会和治理（ESG）和项目管理（PM）三个领域。AI关键词包括“artificial intelligence”、“machine learning”、“natural language processing”、“computer vision”、“deep learning”、“neural networks”、“algorithm”等；ESG关键词包括“Environmental, Social and Governance”、“ESG*”、“social sustainability”、“Corporate Social Responsibility”等；PM关键词包括“project approach”、“project management”、“Construction*”、“construction project”等。在Scopus数据库中进行组合检索（使用OR和AND），检索时间为2024年10月至11月，初始获得549条记录。通过排除非英语书籍、会议论文、笔记、数据论文、撤稿作品、书章、短综述及重复文献，并限定影响因子大于1.70的期刊论文，得到212篇文章。再经摘要和全文阅读，最终保留129篇文章进入元数据提取与分析。采用内容分析技术对文献进行主题分析，提取AI技术、模型、数据源、任务以及在环境、社会、治理三个支柱中的分布情况。
**Results and discussions**
**3.1 Dominant AI techniques and tasks performed for ESG assessment**
表1列出了从所选文献中提取的各类AI技术的分布情况。结果显示，最广泛使用的AI技术是机器学习（Machine Learning, ML），其次是神经网络（Neural Networks, NN）、生成式人工智能（Generative AI）、启发式方法（Heuristics）、模糊逻辑（Fuzzy Logic）、自然语言处理（Natural Language Processing, NLP）、深度学习（Deep Learning, DL）和计算机视觉（Computer Vision）。机器学习方法在ESG评估中占据主导地位，特别是基于回归树的预测模型，因其能基于历史数据有效预测项目结果而受到关注。无监督学习中的聚类算法被用于对相似项目进行分组，或从大型数据集中识别项目特征与ESG绩效之间的联系。神经网络在管理可持续性指标相关的变量间非线性关系方面表现突出，例如使用反向传播神经网络构建了机会主义行为识别模型，用于检测项目治理中的机会主义行为风险。生成式AI用于合成、自动化和监控来自不同利益相关者的数据，例如来自项目利益相关者的反馈和项目报告，以识别ESG问题，并常用于自动化定期报告。NLP技术用于对利益相关者关于ESG举措的反馈进行情感分析，例如利用NLP中的情感分析和主题建模对水利工程公众舆论进行实时监测。
**3.2 Data sources for using AI in ESG assessment**
表2展示了AI在ESG评估中数据源的分布。最常见的数据源是项目数据，在129篇被检文章中42篇（32.6%）使用；多源数据（29篇，22.5%）；文献综述或案例研究（18篇，14.0%）；实验和环境数据占13.2%，提供如环境影响评估等具体情境的见解；数字媒体数据（15篇，11.6%）对AI在ESG评估中的应用有重要贡献；专家意见和访谈（8篇，6.2%）虽频率较低，但提供了来自实践者的宝贵视角，如Delphi调查或访谈研究。多源组合使研究者能够全面理解AI在PM中的采用、益处、障碍和最佳实践。
**3.3 AI techniques, their algorithms and application areas in ESG assessment**
表3列出了已识别的AI技术、其算法及其在ESG评估中应用的可持续性领域。机器学习算法广泛应用于ESG评价，例如使用专家调查数据和ML技术开发了承包商选择与订单分配框架，以减少时间和成本超支。还使用ML技术识别称职项目经理的特征。监督学习如随机森林被用于预测项目成功概率，无监督学习如关联规则挖掘用于项目启动阶段的需求获取。神经网络依赖于项目数据和多源数据，其算法包括反向传播NN、卷积NN、长短期记忆网络及混合版本，被证明能有效预测水质以监测水指标，提高可持续性标准。生成式AI属于深度学习类别，使用生成对抗网络、稳定扩散和基于变换器的算法，生成合成数据、人工图像或情境，用于模拟风险和评估项目绩效，在设计生成、图像质量增强、数据管理和安全改进方面有应用。启发式方法基于遗传算法等认知科学算法，在复杂动态系统中寻找近似解决方案，例如使用遗传算法分析建筑概念设计中安全、经济、低CO
2的选项，在短计算时间内产生可行解。还使用启发式方法安装地源热泵和热光伏系统，以实现净零能耗住宅。模糊逻辑基于模糊集理论，用于处理ESG评估中的不确定性和不精确性，例如使用模糊综合评价方法量化可持续建设项目的风险水平，为项目团队提供风险管理决策支持。NLP技术分析基于文本的数据，如项目报告或利益相关者反馈，例如使用NLP预测产品或服务的环境绩效，以辅助生命周期评估实践者。深度学习技术使用传感器数据、卫星图像等多源复杂数据，例如使用超声回弹增强方法结合DL算法，如遗传粒子群优化算法（GA-PSO）和反向传播神经网络，建立混凝土超声回弹综合强度模型。另有研究开发了一种DL框架，通过捕捉物体形状信息及附加属性特征，准确识别不同环境条件下的施工活动。计算机视觉分析图像和视频以提取环境影响相关信息，例如使用计算机视觉进行工地工人检测，实现可持续的施工现场监测；以及使用YOLOv8目标检测算法进行牡蛎检测，准确率达87.7%，以支持可持续牡蛎恢复项目管理。
**3.4 Drivers of AI adoption for ESG assessment**
通过对文献的批判性分析，确定了七个驱动因素。最主要的驱动因素是减少ESG评估中的人为错误（129篇中68篇），AI通过实时监控和分析历史数据，能更准确地预测风险并支持主动缓解策略，从而减少人为错误。第二个驱动因素是提高ESG评估效率（58篇）。第三个是有效的数据管理（47篇），随着项目产生海量数据，AI提供工具将原始数据转化为可操作情报。政策和法规是另一个关键驱动因素（45篇），组织为满足监管要求和保持竞争优势而采用AI。AI的预测分析和ESG评级估计能力也被认为是驱动因素（41篇）。此外，AI加快了项目各方之间的决策、协作和沟通（35篇），通过集中式数据共享平台和AI驱动聊天机器人促进信息交换。
**3.5 Barriers to AI adoption for ESG assessment**
确定了六个主要障碍。信息障碍包括缺乏关键数据或信息，许多中小型建筑组织缺乏足够的ESG数据，阻碍AI应用。技术障碍包括技能短缺和技术基础设施不足，难以维护和有效使用AI工具。经济障碍包括高昂的实施、维护和更新成本，以及项目预算限制。机构障碍包括组织缺乏清晰的AI整合路线图或战略，以及组织内部对变革的抵制。政治和文化障碍影响AI采用，如利益相关者对失业的担忧、社会规范和文化阻力。法律和伦理障碍涉及数据隐私、算法偏见、透明度和问责制问题，影响利益相关者信任。
**Directions for future research**
基于上述分析，未来研究应关注：第一，机器学习在项目风险分析中的应用，以及可解释AI（Explainable AI, XAI）、混合模型和基准数据集对ESG评估的支持；第二，使用真实数据和专家意见验证ESG评估实践，由于项目数据（如财务和会计信息）常因内部政策不公开，实际验证受限，生成式AI（如ChatGPT）的普及使专家意见和访谈成为重要研究方法；第三，加强AI在社会影响评估中的应用，目前研究多集中于环境和治理支柱，社会支柱被忽视；第四，针对已识别的驱动因素和障碍进行实证研究，采用案例研究探讨不同国家和背景下各驱动因素和障碍的影响。
**Conclusion**
通过对129篇文章的系统综述，研究考察了AI技术在ESG评估中的技术、算法、任务、数据源、驱动因素和障碍。结果表明，当前实践尚未充分发挥AI在ESG评估中的潜力，社会影响评估研究明显不足。研究贡献在于理论上将AI算法映射至ESG三大支柱，并通过可持续性理论拓展AI驱动的项目管理知识；政策上为决策者提供针对性干预建议。建议当地企业优先克服技术和信息障碍，投资AI建筑专业知识和数字基础设施；政策制定者应解决高维护成本问题，制定强制性披露要求和标准化报告；投资者可利用机器学习更准确预测环境影响；审计师可转向数据驱动的评估；项目经理可使用NLP算法自动分析文本数据以检测治理风险。
