Erstellen eines systematischen ESG-Bewertungssystems: Verwandte Arbeiten

Linktabelle

• Zusammenfassung und Einleitung
• Verwandte Arbeiten
• Zweck
• Methoden
• Ergebnisse
• Diskussion
• Schlussfolgerung und Bibliographie

2. Verwandte Werke

Bestehende ESG-bezogene Forschung lässt sich in zwei Hauptkategorien einteilen. Einige Arbeiten zielen darauf ab, die ESG-Leistung mit der finanziellen Leistung zu korrelieren und zu prüfen, ob die Corporate Social Responsibility (CSR) eines Unternehmens zur Vorhersage der zukünftigen Aktienperformance verwendet werden kann (Jain et al., 2019). Andere Arbeiten schlagen neue datengesteuerte Methoden zur Verbesserung und Automatisierung der ESG-Ratingmessung vor, um bestehende Irrtümer/Ineffizienzen zu vermeiden (Hisano et al., 2020; Krappel et al., 2021; Liao et al., 2017; Lin et al., 2018; Shahi et al., 2011; Sokolov et al., 2021; Venturelli et al., 2017; Wicher et al., 2019). Diese Arbeit fällt in die letztere Kategorie.

Da viele Unternehmen jährlich Nachhaltigkeitsberichte veröffentlichen, verwenden viele Forscher diese Inhalte zur Analyse. Dies geschieht normalerweise mithilfe von Text Mining, um ESG-Themen und -Trends zu identifizieren. Um diese Daten zu analysieren und zu nutzen, haben Forscher Klassifizierungsmodelle erstellt, die Sätze/Absätze in verschiedene ESG-Unterdimensionen klassifizieren können (Liao et al., 2017; Lin et al., 2018). Darüber hinaus haben einige Forscher diese Textklassifizierungsalgorithmen verwendet, um die Vollständigkeit von Nachhaltigkeitsberichten zu analysieren (Shahi et al., 2011). Dies liegt daran, dass Unternehmen die Offenlegung negativer ESG-Aspekte in ihren Unterlagen manchmal einschränken. Beide Tools können bei der automatischen ESG-Bewertung anhand von Unternehmensunterlagen helfen, was den Zugang für Unternehmen ohne ESG-Abdeckung verbessert.

Sich bei der Analyse ausschließlich auf selbst gemeldete Meldungen zu stützen, ist jedoch mit Nachteilen verbunden, da fehlende Daten oder neuere Entwicklungen dabei unberücksichtigt bleiben. Daher haben Forscher alternative Methoden getestet, um dieses Problem zu lösen. Einige Forscher verwenden beispielsweise ein Fuzzy Expert System (FES) oder einen Fuzzy Analytic Network Process (FANP), bei dem sie Daten aus quantitativen Indikatoren (d. h. von der Global Reporting Initiative bereitgestellte Kennzahlen) und qualitativen Merkmalen aus Umfragen/Interviews ziehen (Venturelli et al., 2017; Wicher et al., 2019). Andere sammelten Daten aus Online-Sozialen Netzwerken wie Twitter, um das Nachhaltigkeitsprofil eines Unternehmens zu analysieren. Einige verwendeten beispielsweise Frameworks zur Verarbeitung natürlicher Sprache (NLP), um Tweets in verschiedene ESG-Themen zu klassifizieren und zu bestimmen, ob sie positiv oder negativ sind (Sokolov et al., 2021). Darüber hinaus verwendeten einige heterogene Informationsnetzwerke, die Daten aus verschiedenen Datensätzen zu negativen Nachrichten kombinierten, und verwendeten maschinelles Lernen, um ESG vorherzusagen (Hisano et al., 2020). Schließlich untersuchten andere die Machbarkeit der Verwendung grundlegender Daten wie des Profils und der Finanzen eines Unternehmens zur Vorhersage von ESG (Krappel et al., 2021). Insgesamt zielten alle diese Methoden darauf ab, die Selbstauskunft durch die Verwendung ausgewogenerer, unvoreingenommenerer und aktuellerer Daten zu verbessern.