은행 및 자산 운용사와 같은 금융기관의 간접 배출량 중 하나에 속하는 금융배출량은, 기관들이 대출 및 투자를 제공하는 기업들이 발생하는 배출량으로부터 유래한다. 현재 탄소회계금융협회(PCAF)의 표준안에 따라 계산되고 있는 금융배출량은 가장 낮은 데이터 품질 수준인 Option 3 의 방법론을 바탕으로 계산되고 있어 신뢰성이 떨어진다. 외부적으로 공개된 데이터들을 이용한 기업 배출량을 측정하는 선행 연구들은 기업의 에너지 소비량 데이터를 주 영향변수로 이용하였으나, 이는 Option 2 방법론에서 요구하는 정보로, 금융기관이 현실적으로 적용하기 어렵다는 제약이 있다. 따라서, 본 연구는 Option 2 방법론에서 요구하는 데이터인 기업의 에너지 소비량 데이터를 배제하고 금융기관이 일반적으로 접근 가능한 기업의 재무제표 데이터를 광범위하게 이용하여 분석을 진행한다. 연구 방법으로는 3 가지의 의사결정나무 기반 Gradient Boosting 모델과 PCAF 표준안 상 Option 3 방법론을 비교한다. 그 결과, 본 연구는 배출량 추정에 중요한 영향을 미치는 새로운 변수들을 식별하고, 제안한 머신러닝 모델이 '펄프 제지 산업'을 제외하고 타산업 들에서 기존 Option 3 방법론보다 우수함을 입증하였다. 현 연구의 발견들은 신러닝을 통한 현실적인 접근이, 금융기관의 기업의 에너지 소비량 데이터 없이 조금 더 정확한 배출량 추정이 가능하게 함으로써 지속 가능한 결정에 기여할 수 있음을 시사함과 함께, 향후 보다 견고한 연구를 위한 포괄적인 데이터 세트의 필요성을 강조한다.