Создание систематической системы оценки ESG: сопутствующие работы

Таблица ссылок

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

2. Сопутствующие работы

Существующие исследования, связанные с ESG, делятся на две основные категории. Некоторые статьи направлены на то, чтобы сопоставить показатели ESG с финансовыми показателями и посмотреть, можно ли использовать корпоративную социальную ответственность (КСО) компании для прогнозирования будущих показателей акций (Jain et al., 2019). В других статьях предлагаются новые методы на основе данных для улучшения и автоматизации измерения рейтинга ESG, чтобы избежать существующих ошибок/неэффективности (Hisano et al., 2020; Krappel et al., 2021; Liao et al., 2017; Lin et al., 2018; Шахи и др., 2011; Соколов и др., 2021; Вентурелли и др., 2017; Данная статья относится к последней категории.

Поскольку многие фирмы ежегодно публикуют отчеты об устойчивом развитии, многие исследователи используют этот контент для анализа. Обычно это делается с помощью анализа текста для выявления тем и тенденций ESG. Чтобы проанализировать и использовать эти данные, исследователи создали модели классификации, которые могут классифицировать предложения/абзацы по различным подизмерениям ESG (Liao et al., 2017; Lin et al., 2018). Кроме того, некоторые исследователи использовали эти алгоритмы классификации текста для анализа полноты отчетов об устойчивом развитии (Shahi et al., 2011). Это связано с тем, что компании иногда ограничивают раскрытие негативных аспектов ESG в своих документах. Оба инструмента могут помочь в автоматической оценке ESG с использованием отчетов компаний, что расширяет доступ для компаний, не охватывающих ESG.

Тем не менее, существуют недостатки в использовании для анализа исключительно данных, предоставленных самими пользователями, поскольку при этом не учитываются пропущенные данные или новые разработки. В результате исследователи тестируют альтернативные методы решения этой проблемы. Например, некоторые исследователи используют нечеткую экспертную систему (FES) или нечеткий аналитический сетевой процесс (FANP), извлекая данные из количественных показателей (т. е. показателей, предоставленных Global Reporting Initiative) и качественных характеристик из опросов/интервью (Venturelli et al. , 2017; Вичер и др., 2019). Другие собирали данные из социальных сетей, таких как Twitter, для анализа профиля устойчивого развития компании. Например, некоторые использовали системы обработки естественного языка (NLP) для классификации твитов по различным ESG-темам и определения того, являются ли они положительными или отрицательными (Соколов и др., 2021). Более того, некоторые использовали гетерогенные информационные сети, которые объединяли данные из различных наборов данных негативных новостей, и использовали машинное обучение для прогнозирования ESG (Hisano et al., 2020). Наконец, другие исследовали целесообразность использования фундаментальных данных, таких как профиль компании и финансовые показатели, для прогнозирования ESG (Krappel et al., 2021). В целом, все эти методы были направлены на улучшение самоотчетов за счет использования более сбалансированных, объективных данных в режиме реального времени.