Créer un système de notation ESG systématique : conclusion et bibliographie

Tableau des liens

• Résumé et introduction
• Travaux connexes
• But
• Méthodes
• Résultats
• Discussion
• Conclusion et bibliographie

7. Conclusion

L’algorithme d’analyse ESG proposé peut contribuer à standardiser l’évaluation ESG pour toutes les entreprises. En effet, il limite les biais d’auto-déclaration en intégrant une analyse externe des réseaux sociaux pour des résultats plus équilibrés. Un indice ESG basé sur les réseaux sociaux peut également montrer directement les domaines dans lesquels les gens souhaitent changer, ce qui permet de mieux concentrer les efforts des dirigeants sur des changements significatifs. De plus, grâce à l'apprentissage automatique, le modèle peut générer un indicateur de la responsabilité sociale d'une entreprise, ce qui peut aider à déterminer l'ESG pour les petites entreprises qui ne bénéficient pas d'une couverture d'analystes. Cela aidera davantage d’entreprises à recevoir des notations ESG de manière automatisée, ce qui pourra créer des conditions de concurrence plus équitables entre les petites et les grandes entreprises et, à terme, aider les entreprises plus socialement responsables à s’imposer. Dans l’ensemble, le projet peut avoir de vastes implications pour combler le fossé en matière d’ESG. Cela contribuera à réorienter de grandes quantités de capital ESG vers des initiatives plus durables et éthiques.

Bibliographie

A. Sokolov, J. Mostovoy, J. Ding, L. Seco. 2021. Création de systèmes d'apprentissage automatique pour une notation ESG automatisée. Le Journal de l'impact et de l'investissement ESG 1 (3), 39-50

AM Shahi, B. Issac et JR Modapothala. 2011. Analyse des algorithmes de classification de textes supervisés sur les rapports de développement durable des entreprises. Dans Actes de la Conférence internationale 2011 sur l'informatique et la technologie des réseaux, Vol. 1. 96-100

Akbik, Blythe et Vollgraf. «Incorporations de chaînes contextuelles pour l'étiquetage de séquences». Actes de la 27e Conférence internationale sur la linguistique computationnelle, pages 1638-1649 Santa Fe, Nouveau-Mexique, États-Unis, 20-26 août 2018

Andrea Venturelli, Fabio Caputo, Rossella Leopizzi, Giovanni Mastroleo et Chiara Mio. 2017. Comment évaluer l’identité RSE ? Une étude pilote utilisant un système expert flou. Journal de production plus propre 141 (2017), 1000 – 1010.

Awad, M., Khanna, R. (2015). Prise en charge de la régression vectorielle. Dans : Machines d'apprentissage efficaces. Apress, Berkeley, Californie. https://doi.org/10.1007/978-1-4302-5990-9_4

Berg, Florian et coll. « Confusion globale : la divergence des notations ESG. » Journal électronique SSRN, 2019, est ce que je:10.2139/ssrn.3438533.

CDP. (10 juillet 2017). Un nouveau rapport montre que seulement 100 entreprises sont à l'origine de plus de 70 % des émissions. Consulté le 24 mai 2022 sur http://www.cdp.net/en/articles/media/new-report-shows-just-100-companies-are-source-of-over-70-of-emissions.

Chen Tianqi et Guestrin Carlos. « XGBoost : un système de boosting d'arbres évolutif. » KDD '16 : Actes de la 22e Conférence internationale ACM SIGKDD sur la découverte des connaissances et l'exploration de données, août 2016, pages 785-794, doi : 10.1145/2939672.2939785

de Beer D, Matthee M. Approches pour identifier les fausses nouvelles : une revue systématique de la littérature. Science intégrée à l’ère numérique 2020. 5 mai 2020 ; 136 : 13-22. est ce que je: 10.1007/978-3-030-49264-9_2. PMCID : PMC7250114.

Olivier Kramer. Réduction de la dimensionnalité avec les voisins les plus proches non supervisés, 2013, volume 51, ISBN : 978-3-642-38651-0

Drempetic, Samuel et coll. « L'influence de la taille de l'entreprise sur le score ESG : les notes de durabilité des entreprises en cours de révision. » Journal d'éthique des affaires, vol. 167, non. 2, 2019, p. 333-360., est ce que je:10.1007/s10551-019-04164-1

Gloor, Peter A. et coll. « Web Science 2.0 : identification des tendances grâce à l'analyse sémantique des réseaux sociaux. » Conférence internationale 2009 sur la science et l'ingénierie informatiques, 2009, est ce que je:10.1109/cse.2009.186.

Ho, TK (1995). Forêts de décisions aléatoires. Dans Actes de la 3e conférence internationale sur l'analyse et la reconnaissance de documents (Vol. 1, pp. 278-282).

Jain, M., Sharma, GD et Srivastava, M. (2019). L’investissement durable peut-il générer de meilleurs rendements financiers : une étude comparative des indices ESG et des indices MSCI. Risques, 7(1), 15. https://doi.org/10.3390/risks7010015

Kotsantonis, Sakis et George Serafeim. "Quatre choses que personne ne vous dira sur les données ESG." Journal de finance d'entreprise appliquée, vol. 31, non. 2, 2019, p. 50-58., est ce que je:10.1111/jacf.12346

Pavel Wicher, František Zapletal et Radim Lenort. 2019. Évaluation des performances en matière de développement durable d'une entreprise industrielle à l'aide du processus de réseau analytique flou. Journal de production plus propre 241 (2019).

Pin-Chao Liao, Ni-Ni Xia, Chun-Lin Wu, Xiao-Ling Zhang et Jui-Lin Yeh. 2017. Communiquer sur la responsabilité sociale des entreprises (RSE) des entrepreneurs internationaux : analyse du contenu des rapports RSE. Journal de production plus propre 156 (2017), 327-336.

Rao, Prashanth. «Analyse fine des sentiments en Python (partie 1).» Medium, Towards Data Science, 9 septembre 2019, versdatascience.com/fine-grained-sentiment-analysis-in-pythonpart-1-2697bb111ed4.

Ryohei Hisano, Didier Sornette et Takayuki Mizuno. 2020. Prédiction de la conformité ESG à l'aide d'un réseau d'information hétérogène. Journal du Big Data 7, 1 (2020), 22

S.-J. Lin et M.-F. Hsu. 2018. Prise de décision en extrayant des informations douces à partir d'un reportage d'actualité RSE. Développement technologique et économique de l'économie 24, 4 (2018), 1344-1361.

S&P mondial. (sd). Évaluation ESG | S&P mondial. Consulté le 24 mai 2022 sur http://www.spglobal.com/ratings/en/products-benefits/products/esg-evaluation

Stackpole, Beth. «Pourquoi les entreprises durables ont besoin de meilleures notes ESG.» MIT Sloan, 6 décembre 2021, mitsloan.mit.edu/ideas-made-to-matter/why-sustainable-business-needs-better-esgratings.

shweta-29. "Shweta-29/Companies_ESG_Scraper : ce référentiel comprend un outil pour extraire les notes ESG et les mesures financières des entreprises et les charger sur SQL." GitHub, github.com/shweta-29/Companies_ESG_Scraper

T. Krappel, A. Bogun, D. Borth. 2021. Ensemble hétérogène pour la prévision des notations ESG. Atelier KDD sur l'apprentissage automatique en finance

Pacte mondial des Nations Unies. (2016). The UN Global Compact-Accenture Strategy CEO Study 2016. Consulté le 26 mai 2022 sur https://www.unglobalcompact.org/library/4331

Pacte mondial des Nations Unies. (2019). Pacte mondial des Nations Unies – Étude Accenture Strategy 2019 auprès des PDG – La décennie des résultats : un appel à l’action des entreprises. Récupéré le 26 mai 2022 sur https://www.unglobalcompact.org/library/5715