Создание систематической системы оценки ESG: заключение и библиография

Таблица ссылок

• Аннотация и введение
• Сопутствующие работы
• Цель
• Методы
• Полученные результаты
• Обсуждение
• Заключение и библиография

7. Заключение

Предлагаемый алгоритм анализа ESG может помочь стандартизировать оценку ESG для всех компаний. Это связано с тем, что это ограничивает предвзятость самоотчетов за счет включения внешнего анализа социальных сетей для получения более сбалансированных результатов. Индекс ESG, основанный на социальных сетях, также может напрямую показать, какие области люди хотят изменить, что может лучше сосредоточить усилия руководителей на значимых изменениях. Кроме того, с помощью машинного обучения модель может генерировать прокси-сервер социальной ответственности компании, что может помочь определить ESG для небольших компаний, не имеющих аналитического охвата. Это поможет большему количеству компаний автоматически получать рейтинги ESG, что может создать более равные условия для малых и крупных компаний и, в конечном итоге, помочь более социально ответственным фирмам преобладать. В целом, проект может иметь широкие последствия для устранения разрыва в ESG. Это поможет перенаправить большие объемы ESG-капитала на более устойчивые и этические инициативы.

Библиография

А. Соколов, Дж. Мостовой, Дж. Дин, Л. Секо. 2021. Создание систем машинного обучения для автоматизированной оценки ESG. Журнал Impact and ESG Investing 1 (3), 39-50

А. М. Шахи, Б. Иссак и Дж. Р. Модапотала. 2011. Анализ контролируемых алгоритмов классификации текста в корпоративных отчетах об устойчивом развитии. В материалах Международной конференции по компьютерным наукам и сетевым технологиям 2011 г., Vol. 1. 96–100

Акбик, Блайт и Воллграф. «Контекстные встраивания строк для маркировки последовательностей». Материалы 27-й Международной конференции по компьютерной лингвистике, страницы 1638–1649. Санта-Фе, Нью-Мексико, США, 20–26 августа 2018 г.

Андреа Вентурелли, Фабио Капуто, Росселла Леопицци, Джованни Мастролео и Кьяра Мио. 2017. Как можно оценить идентичность КСО? Пилотное исследование с использованием нечеткой экспертной системы. Журнал чистого производства 141 (2017), 1000–1010.

Авад М., Ханна Р. (2015). Регрессия опорных векторов. В: Эффективные обучающиеся машины. Апресс, Беркли, Калифорния. https://doi.org/10.1007/978-1-4302-5990-9_4

Берг, Флориан и др. «Совокупная путаница: расхождение рейтингов ESG». Электронный журнал ССРН, 2019, doi:10.2139/ssrn.3438533.

CDP. (2017, 10 июля). Новый отчет показывает, что всего 100 компаний являются источником более 70% выбросов. Получено 24 мая 2022 г. с http://www.cdp.net/en/articles/media/new-report-shows-just-100-companies-are-source-of-over-70-of-emissions.

Чэнь Тяньци и Гестрин Карлос. «XGBoost: масштабируемая система повышения качества деревьев». KDD '16: Материалы 22-й Международной конференции ACM SIGKDD по обнаружению знаний и интеллектуальному анализу данных, август 2016 г., страницы 785–794, doi: 10.1145/2939672.2939785

де Бир Д., Мэтти М. Подходы к выявлению фейковых новостей: систематический обзор литературы. Интегрированная наука в эпоху цифровых технологий 2020. 5 мая 2020 г.; 136: 13–22. дои: 10.1007/978-3-030-49264-9_2. PMCID: PMC7250114.

Оливер Крамер. Уменьшение размерности с помощью ближайших соседей без присмотра, 2013, том 51, ISBN: 978-3-642-38651-0

Дремпетик, Самуэль и др. «Влияние размера компании на показатель ESG: рейтинги корпоративной устойчивости на пересмотре». Журнал деловой этики, том. 167, нет. 2, 2019, стр. 333–360., doi:10.1007/s10551-019-04164-1.

Глор, Питер А. и др. «Веб-наука 2.0: выявление тенденций посредством семантического анализа социальных сетей». Международная конференция 2009 г. по вычислительной науке и инженерии, 2009 г., doi:10.1109/cse.2009.186.

Хо, ТК (1995). Леса случайных решений. В материалах 3-й международной конференции по анализу и распознаванию документов (Том 1, стр. 278–282).

Джайн М., Шарма Г.Д. и Шривастава М. (2019). Могут ли устойчивые инвестиции принести большую финансовую отдачу: сравнительное исследование индексов ESG и индексов MSCI. Риски, 7(1), 15. https://doi.org/10.3390/risks7010015.

Коцантонис, Сакис и Георгий Серафейм. «Четыре вещи, которые вам никто не скажет о данных ESG». Журнал прикладных корпоративных финансов, том. 31, нет. 2, 2019, стр. 50–58., doi:10.1111/jacf.12346.

Павел Вихер, Франтишек Заплетал и Радим Ленорт. 2019. Оценка эффективности устойчивого развития промышленной корпорации с использованием нечеткого аналитического сетевого процесса. Журнал чистого производства 241 (2019).

Пин-Чао Ляо, Ни-Ни Ся, Чунь-Лин Ву, Сяо-Лин Чжан и Цзюй-Лин Йе. 2017. Информирование о корпоративной социальной ответственности (КСО) международных подрядчиков: Контент-анализ отчетности о КСО. Журнал чистого производства 156 (2017), 327–336.

Рао, Прашант. «Детальный анализ настроений в Python (часть 1)». Medium, На пути к науке о данных, 9 сентября 2019 г.,wardsdatascience.com/fine-grained-sentiment-anaанализ-in-pythonpart-1-2697bb111ed4.

Рёхей Хисано, Дидье Сорнетт и Такаюки Мизуно. 2020. Прогнозирование соответствия ESG с использованием гетерогенной информационной сети. Журнал больших данных 7, 1 (2020), 22

С.-Ж. Лин и М.-Ф. Сюй. 2018. Принятие решений путем извлечения мягкой информации из новостного репортажа о КСО. Технологическое и экономическое развитие экономики 24, 4 (2018), 1344–1361.

S&P Global. (н-й). ESG-оценка | S&P Global. Получено 24 мая 2022 г. с http://www.spglobal.com/ratings/en/products-benefits/products/esg-evaluation.

Стэкпол, Бет. «Почему устойчивому бизнесу нужны лучшие ESG-рейтинги». Массачусетский технологический институт Слоан, 6 декабря 2021 г., mitsloan.mit.edu/ideas-made-to-matter/why-sustainable-business-need-better-esgratings.

Швета-29. «Shweta-29/Companies_ESG_Scraper: этот репозиторий включает в себя инструмент для извлечения ESG-рейтингов и финансовых показателей компаний и загрузки их в SQL». GitHub, github.com/shweta-29/Companies_ESG_Scraper

Т. Краппель, А. Богун, Д. Борт. 2021. Гетерогенный ансамбль для прогнозирования рейтингов ESG. Семинар KDD по машинному обучению в финансах

Глобальный договор ООН. (2016). Исследование генеральных директоров Глобального договора ООН – Стратегия Accenture, 2016 г. Получено 26 мая 2022 г. с https://www.unglobalcompact.org/library/4331.

Глобальный договор ООН. (2019). Глобальный договор ООН – Исследование генерального директора стратегии Accenture на 2019 год – Десятилетие достижений: призыв к бизнес-действиям. Получено 26 мая 2022 г. с https://www.unglobalcompact.org/library/5715.