STUDY ON IMPROVING THE QUALITY OF ENGLISH MAJORS’ GRADUATION THESIS AT LAC HONG UNIVERSITY

1. Thông tin Nghiên cứu khoa học

• Tên nghiên cứu (tiếng Anh): Applications of Intelligent Model to Analyze the Green Finance for Environmental Development in the Context of Artificial Intelligence
• Tên nghiên cứu (tiếng Việt): Ứng dụng Mô hình Thông minh để Phân tích Tài chính Xanh cho Phát triển Môi trường trong Bối cảnh Trí tuệ Nhân tạo
• Tác giả: D. Hemanand, Nilamadhab Mishra, G. Premalatha, Dinesh Mavaluru, Amit Vajpayee, Sumit Kushwaha, and Kibebe Sahile
• Số trang: 8
• Năm: 2022
• Nơi xuất bản: Computational Intelligence and Neuroscience, Volume 2022, Article ID 2977824
• Chuyên ngành học: Khoa học Máy tính và Kỹ thuật, Kỹ thuật Điện tử và Truyền thông, Công nghệ Thông tin, Ứng dụng Máy tính, Kỹ thuật Hóa học.
• Từ khoá: Tài chính xanh, trí tuệ nhân tạo, phát triển bền vững, năng lượng tái tạo, thuật toán lọc đồ thị tài chính tối đa (FMFG).

2. Nội dung chính

Bài viết này tập trung vào ứng dụng của trí tuệ nhân tạo (AI) trong việc phân tích tài chính xanh để thúc đẩy phát triển môi trường bền vững [https://luanvanaz.com/khai-niem-ve-phat-trien.html]. Tài chính xanh được định nghĩa là các khoản đầu tư tài chính vào các dự án và chính sách bền vững, tập trung vào một nền kinh tế bền vững, bao gồm thúc đẩy các nguồn năng lượng tái tạo, hiệu quả năng lượng, vệ sinh nước, kiểm soát ô nhiễm công nghiệp, kiểm soát ô nhiễm giao thông, giảm phá rừng và lượng khí thải carbon. Các tác giả nhấn mạnh vai trò quan trọng của tài chính xanh trong việc tạo ra tác động tích cực đến xã hội và dẫn đến sự phát triển môi trường.

Trong bối cảnh trí tuệ nhân tạo ngày càng được áp dụng rộng rãi trong các ngành công nghiệp, nghiên cứu này khám phá các ứng dụng của mô hình thông minh để kiểm tra tài chính xanh cho sự tiến bộ sinh thái. Vận tải khả thi và hiệu quả năng lượng, cùng với truyền tải điện năng, là hai lĩnh vực quan trọng cần được tập trung vào để giảm thiểu dấu chân carbon trong các ngành công nghiệp này. Việc nghiên cứu và phát triển (R&D) các nguồn năng lượng tái tạo như năng lượng mặt trời và xe điện đòi hỏi nguồn vốn đáng kể, và đây là nơi tài chính xanh đóng vai trò quan trọng.

Bài viết trích dẫn nghiên cứu của Zhang et al. [1], đề cập đến quy định của chính phủ Trung Quốc năm 2021 về tăng trưởng môi trường thông qua tài chính xanh, và chính sách tín dụng xanh (GCP) cung cấp ưu đãi cho các doanh nghiệp. Ngoài ra, Li và Li [2] giải thích sự khác biệt giữa cơ chế cụm và sự phát triển nhận thức của con người. Tác giả [3] cũng đề xuất một khả năng kinh tế để tăng hỗ trợ tài chính cho ngành điện gió và điện lực, đồng thời nhấn mạnh sự cần thiết giảm tiêu thụ nhiên liệu hóa thạch bằng cách tăng cường sản xuất điện gió và năng lượng mặt trời.

Các tác giả nhấn mạnh rằng sự phát triển của tài chính xanh đóng một vai trò then chốt trong việc đẩy nhanh sự phức tạp và không chắc chắn để tạo thành mối quan hệ đảm bảo giữa sự phát triển kinh tế xanh và các mạng lưới truyền thống của nó [5]. Các công ty đa quốc gia cũng cần thay đổi để tích hợp chi phí môi trường vào các quyết định tài chính của mình [6].

Để phân tích tài chính xanh, nghiên cứu này triển khai thuật toán lọc đồ thị tài chính tối đa (FMFG) trong các lĩnh vực khác nhau. Quy trình ứng dụng mô hình thông minh để phân tích tài chính xanh cho phát triển môi trường trong bối cảnh AI bao gồm các bước sau: (1) Thiếu dữ liệu: Giải quyết vấn đề thiếu dữ liệu bằng cách thu thập và phân tích dữ liệu từ các nguồn mở để đảm bảo tính tin cậy. (2) Thu thập và lưu trữ dữ liệu: Thu thập và lưu trữ dữ liệu môi trường, xã hội và quản trị (ESG) [https://luanvanaz.com/cac-quan-diem-ly-thuyet-ve-trach-nhiem-xa-hoi.html] của công ty từ các nguồn mở. (3) Phân tích dữ liệu: Mô hình AI so sánh dữ liệu từ các nguồn khác nhau về một khách hàng cụ thể và phân tích nó. (4) Xử lý ngôn ngữ tự nhiên (NLP): Sử dụng NLP để phân tích dữ liệu nguồn mở và cung cấp thông tin chi tiết về trạng thái của khách hàng và điểm ESG. (5) Quá trình ra quyết định: Dữ liệu thu thập được được xử lý ở giai đoạn cuối để đưa ra quyết định về đề xuất của khách hàng, sử dụng dữ liệu và điểm ESG.

Để điều tra các loại phụ thuộc lẫn nhau khác nhau trong cơ sở dữ liệu lớn, một nghiên cứu mạng lưới đa dạng được đề xuất, tập trung vào các mạng máy học với bốn lớp liên quan đến các mối quan hệ tuyến tính, không dừng và một phần giữa một loạt các chuỗi thời gian tài chính xanh. Quá trình blockchain lọc mạng tiêu chuẩn được sử dụng để xây dựng đồ thị thưa thớt trên mỗi lớp.

Mô hình đề xuất sử dụng thuật toán FMFG, một thuật toán học máy bao gồm một đơn vị ẩn của các nút đầu ra mạng. Sự khác biệt giữa FMFG truyền thống và mô hình được đề xuất là các phép đo đã được thay thế bằng các toán tử và các tham số ban đầu đã được thay thế bằng các toán tử. Các phương trình toán học (từ 1 đến 17) được sử dụng để mô tả các chức năng và quá trình học tập của mạng, bao gồm cả hàm sigmoid, hàm truyền, và cách xác định kết quả của các mạng thần kinh.

Nghiên cứu cũng trình bày kết quả phân tích hiệu suất về số lượng người dùng, quy mô tài chính xanh, thời gian xử lý, và so sánh các thuật toán khác nhau. Các kết quả cho thấy rằng mô hình đề xuất (FMFG) vượt trội hơn so với mô hình mạng thần kinh hiện có, đạt được độ chính xác cao hơn. Bằng cách liên kết mọi neuron từ bản đồ với một vectơ đầu vào nói chung, thước đo chiều dài ngắn nhất có thể được xác định. Sức mạnh đào tạo đã thay đổi kể từ khi thiết lập mạng thần kinh, và neuron thành tích hoặc các vùng lân cận của nó đã được kết nối với x.

Bài viết cũng thảo luận về tầm quan trọng của tài chính xanh trong việc giảm thiểu ô nhiễm và thúc đẩy phát triển bền vững, đồng thời nhấn mạnh vai trò quan trọng của các công ty tài chính, đặc biệt là các ngân hàng, trong việc đóng góp vào sự phát triển của một nền kinh tế giảm thiểu carbon.

Kết quả so sánh giữa thuật toán FMFG và mạng nơ-ron cho thấy FMFG có độ chính xác tổng thể là 98,85%, cao hơn so với 95,54% của mạng nơ-ron. Điều này cho thấy FMFG hiệu quả hơn trong việc phân tích tài chính xanh.

3. Kết luận

Nghiên cứu này kết luận rằng tài chính xanh là một quy trình hoặc mô hình được thiết kế để phân bổ các nguồn tài chính cho sự phát triển của môi trường, bao gồm bảo trì tài nguyên thiên nhiên, sinh thái và phát triển con người [https://luanvanaz.com/khai-niem-ve-phat-trien-du-lich-ben-vung.html]. Nó cũng tập trung vào việc giảm sự can thiệp của con người vào các thảm họa tự nhiên. Trong nghiên cứu này, việc phân bổ các nguồn tài chính xanh được xem xét để chia sẻ giữa giao thông vận tải, nhu cầu chăm sóc sức khỏe, các lĩnh vực công nghiệp và những người có nhu cầu quản lý tài chính.

Phân tích việc phân bổ nguồn lực dựa trên việc gửi yêu cầu trực tuyến và thời gian cần thiết để xử lý yêu cầu. Để phân tích này, nghiên cứu đã triển khai thuật toán lọc đồ thị tài chính tối đa (FMFG) và so sánh nó với mô hình mạng nơ-ron hiện có. Các kết quả cho thấy mô hình được đề xuất vượt trội hơn so với thuật toán hiện có bằng cách đạt được độ chính xác cao hơn 3,31% so với mô hình hiện có.

Trong tương lai, công việc có thể được tăng cường với các hệ thống thông minh để phát hiện và tham gia vào tất cả các quy trình của hệ thống phân bổ nguồn lực.