¿Lavado verde en la industria metalúrgica estadounidense?
Sebastian Schmidt
Combinando datos de satélite e información de webAI, ISTARI.AI desarrolló una metodología para detectar el lavado verde en la industria metalúrgica estadounidense.
23. Febrero de 2022
Debido a las crecientes consecuencias del cambio climático y a movimientos políticos como "Viernes por el Futuro", la cuestión de la sostenibilidad ha cobrado gran importancia en los últimos años. Una consideración especialmente importante en el discurso colectivo es la emisión de contaminantes y la contaminación atmosférica asociada. Una de las sustancias más nocivas es el dióxido de azufre (SO2). Este gas es liberado por procesos de la industria metalúrgica, entre otros, y es un factor desencadenante de la formación de polvo fino y lluvia ácida.
La presión social y la necesidad de una "imagen verde" llevan a muchas empresas a presentarse como especialmente comprometidas con la "sostenibilidad". En este contexto, el "lavado verde" se refiere a la discrepancia entre la imagen positiva de una empresa y su impacto medioambiental real. Así, las empresas que practican el "greenwashing" ponen mucho énfasis en una imagen ecológica sin aplicar realmente medidas eficaces, lo que puede conllevar costes elevados. Sin embargo, una de las dificultades consiste en detectar este "lavado verde". Para ello, ISTARI.AI ha desarrollado un enfoque innovador en colaboración con investigadores de la Universidad de Salzburgo, la Universidad de Heidelberg, la Universidad de Giessen, el Centro de Investigación Económica Europea y la Universidad de Harvard. De este modo, la imagen que las empresas dan de sí mismas a través de sus páginas web se vincula a los datos sobre contaminantes disponibles a escala mundial procedentes del satélite Sentinel 5 de precursores.
Utilizando ISTARI webAI, examinamos las páginas web de unas 9.500 empresas del sector metalúrgico estadounidense y clasificamos la imagen que daban de sí mismas en dos categorías: empresas "sostenibles" y empresas "no sostenibles". Así, un total de 760 empresas fueron clasificadas como "sostenibles" (8,1%) y el 51,3% como "no sostenibles". Otro 40,6% de las empresas del sector metalúrgico estadounidense no tienen página web y, por tanto, no fueron evaluadas por webAI. El siguiente mapa muestra un ejemplo de la distribución de industrias metalúrgicas "sostenibles" y "no sostenibles" en el noreste de EE.UU.. Está claro que hay algunos "puntos calientes" con una elevada proporción de empresas sostenibles, sobre todo al norte de Chicago, pero también en Pittsburgh y Búfalo, por ejemplo.
Al cruzarlos con los datos de satélite, se comprobó que la industria metalúrgica, que es sostenible en su autoinforme, tiene en realidad un impacto menor en las concentraciones locales de SO2 que las empresas "no sostenibles". A partir de ahí, el equipo de investigación llegó a la conclusión de que, en efecto, no hay pruebas de lavado verde sistemático en la industria metalúrgica estadounidense. "Sin embargo, esta afirmación se refiere a la industria en su conjunto y no a empresas individuales. No cabe duda de que habrá casos individuales de lavado verde", afirma Sebastian Schmidt, autor principal del estudio.
El desarrollo y suministro de información detallada y actualizada de las empresas sobre el tema de la "sostenibilidad" se ampliará aún más en ISTARI.AI. "Por el momento, estamos trabajando para poder evaluar las empresas de toda Europa con respecto a su posicionamiento en el tema de la sostenibilidad. Para ello nos basamos en nuestra webAI multilingüe, que puede procesar más de 100 idiomas. Actualmente estamos probando los resultados en colaboración con la OCDE. El enlace con las mediciones por satélite también formará parte de la webAI de ISTARI", afirma el Dr. Jan Kinne, fundador de ISTARI.
Encontrará más información sobre nuestro proyecto en la siguiente publicación: ¿Blanqueo ecológico en la industria metalúrgica estadounidense? A novel approach combining SO2 emissions from satellite data, a plant-level firm database and web text mining.
Schmidt, S.; Kinne, J.; Lautenbach, S.; Blaschke, T.; Lenz, D. & Resch, B. (2022)
¿Le interesan los datos utilizados en este estudio?
Reserve una demostración gratuita.