La evaluación efectiva del riesgo crediticio de las empresas altamente contaminantes puede lograr un equilibrio entre beneficios ambientales y económicos. Requiere la consideración de indicadores de riesgo tanto para la dimensión de la información de carbono como para la dimensión de cumplimiento. Sin embargo, a medida que las dimensiones de las características del modelo continúan aumentando, también lo hace la característica irrelevante o el ruido. Por lo tanto, investigamos el uso de no enteros para la regularización de datos de alta dimensión bajo las condiciones de un gran número de características irrelevantes. En este documento, se propone un nuevo método de Aprendizaje Amplio y Profundo (WPDL) para la evaluación del riesgo crediticio, que podría proporcionar una solución dispersa. El componente Amplio permite la selección de características utilizando un modelo lineal con un mecanismo de regularización, donde 0 <