একটি পদ্ধতিগত ESG স্কোরিং সিস্টেম তৈরি করা: সম্পর্কিত কাজ

লিঙ্কের টেবিল

• বিমূর্ত এবং ভূমিকা
• সম্পর্কিত কাজ
• উদ্দেশ্য
• পদ্ধতি
• ফলাফল
• আলোচনা
• উপসংহার এবং গ্রন্থপঞ্জি

2. সম্পর্কিত কাজ

বিদ্যমান ESG-সম্পর্কিত গবেষণা দুটি প্রধান বিভাগের অধীনে পড়ে। কিছু কাগজপত্র আর্থিক কর্মক্ষমতার সাথে ESG পারফরম্যান্সের সম্পর্ক স্থাপনের লক্ষ্য রাখে এবং ভবিষ্যতে স্টক পারফরম্যান্সের পূর্বাভাস দিতে একটি কোম্পানির কর্পোরেট সোশ্যাল রেসপনসিবিলিটি (CSR) ব্যবহার করা যেতে পারে কিনা (Jain et al., 2019)। অন্যান্য কাগজপত্র বিদ্যমান ভুল/অদক্ষতা এড়াতে ESG রেটিং পরিমাপকে উন্নত ও স্বয়ংক্রিয় করার জন্য নতুন ডেটা-চালিত পদ্ধতির প্রস্তাব করে (Hisano et al., 2020; Krappel et al., 2021; Liao et al., 2017; Lin et al., 2018; শাহী et al., 2011; Sokolov et al., 2017, Wicher et al. এই কাগজটি শেষের বিভাগে পড়বে।

যেহেতু অনেক সংস্থা বার্ষিক ভিত্তিতে টেকসই প্রতিবেদন প্রকাশ করে, তাই অনেক গবেষক বিশ্লেষণের জন্য এই বিষয়বস্তু ব্যবহার করেন। এটি সাধারণত ESG বিষয় এবং প্রবণতা সনাক্ত করতে টেক্সট মাইনিং ব্যবহার করে করা হয়। এই ডেটা পার্স আউট এবং লিভারেজ করার জন্য, গবেষকরা শ্রেণীবিন্যাস মডেল তৈরি করেছেন যা বাক্য/অনুচ্ছেদগুলিকে বিভিন্ন ESG সাবডাইমেনশনে শ্রেণীবদ্ধ করতে পারে (লিয়াও এট আল।, 2017; লিন এট আল।, 2018)। অতিরিক্তভাবে, কিছু গবেষক টেকসই প্রতিবেদনের সম্পূর্ণতা বিশ্লেষণ করতে এই পাঠ্য শ্রেণিবিন্যাস অ্যালগরিদমগুলি ব্যবহার করেছেন (শাহি এট আল।, 2011)। এর কারণ হল কোম্পানিগুলি কখনও কখনও তাদের ফাইলিংয়ের মধ্যে নেতিবাচক ESG দিকগুলির বিষয়ে প্রকাশকে সীমিত করে। উভয় সরঞ্জামই কোম্পানি ফাইলিং ব্যবহার করে স্বয়ংক্রিয় ESG স্কোরিংয়ে সহায়তা করতে পারে, যা ESG কভারেজ ছাড়াই কোম্পানির অ্যাক্সেস বাড়ায়।

যাইহোক, বিশ্লেষণের জন্য শুধুমাত্র স্ব-প্রতিবেদিত ফাইলিংয়ের উপর নির্ভর করার ঘাটতি রয়েছে কারণ এটি বাদ দেওয়া ডেটা বা নতুন উন্নয়ন বিবেচনা করতে ব্যর্থ হয়। ফলস্বরূপ, গবেষকরা এটি সমাধান করার জন্য বিকল্প পদ্ধতিগুলি পরীক্ষা করছেন। উদাহরণস্বরূপ, কিছু গবেষক ফাজি এক্সপার্ট সিস্টেম (এফইএস) বা ফাজি অ্যানালিটিক নেটওয়ার্ক প্রসেস (এফএএনপি), পরিমাণগত সূচক (অর্থাৎ, গ্লোবাল রিপোর্টিং ইনিশিয়েটিভ দ্বারা প্রদত্ত মেট্রিক্স) এবং সমীক্ষা/সাক্ষাৎকারের গুণগত বৈশিষ্ট্যগুলি থেকে ডেটা টেনে (ভেনচুরেলি এট আল। , 2017; Wicher et al., 2019)। অন্যরা একটি কোম্পানির স্থায়িত্ব প্রোফাইল বিশ্লেষণ করতে টুইটারের মতো অনলাইন সামাজিক নেটওয়ার্কগুলি থেকে ডেটা সংগ্রহ করেছে। উদাহরণ স্বরূপ, কেউ কেউ ন্যাচারাল ল্যাঙ্গুয়েজ প্রসেসিং (NLP) ফ্রেমওয়ার্ক ব্যবহার করে টুইটগুলিকে বিভিন্ন ESG বিষয়ের মধ্যে শ্রেণীবদ্ধ করতে এবং সেগুলি ইতিবাচক না নেতিবাচক কিনা তা নির্ধারণ করতে (Sokolov et al., 2021)। তদ্ব্যতীত, কিছু ভিন্নধর্মী তথ্য নেটওয়ার্ক ব্যবহার করেছে যা বিভিন্ন নেতিবাচক সংবাদ ডেটাসেট থেকে ডেটা একত্রিত করেছে এবং ESG (Hisano et al., 2020) ভবিষ্যদ্বাণী করতে মেশিন লার্নিং ব্যবহার করেছে। অবশেষে, অন্যরা ESG (Krappel et al., 2021) ভবিষ্যদ্বাণী করার জন্য একটি কোম্পানির প্রোফাইল এবং আর্থিক হিসাবে মৌলিক ডেটা ব্যবহার করার কার্যকারিতা অন্বেষণ করেছে। সামগ্রিকভাবে, এই সমস্ত পদ্ধতির লক্ষ্য আরও সুষম, নিরপেক্ষ, এবং রিয়েল-টাইম ডেটা ব্যবহার করে স্ব-প্রতিবেদিত ফাইলিংগুলিকে উন্নত করা।