Autoren:  (1) Aarav Patel, Amity Regional High School – E-Mail: aarav.dhp@gmail.com;  (2) Peter Gloor, Center for Collective Intelligence, Massachusetts Institute of Technology und korrespondierender Autor – E-Mail: pgloor@mit.edu.  Linktabelle   Zusammenfassung und Einleitung   Verwandte Arbeiten   Zweck   Methoden   Ergebnisse   Diskussion   Schlussfolgerung und Bibliographie  7. Fazit  Der vorgeschlagene ESG-Analysealgorithmus kann dazu beitragen, die ESG-Bewertung für alle Unternehmen zu standardisieren. Dies liegt daran, dass er die Selbstberichterstattungsverzerrung begrenzt, indem er externe soziale Netzwerkanalysen einbezieht, um ausgewogenere Ergebnisse zu erzielen. Ein auf sozialen Netzwerken basierender ESG-Index kann auch direkt zeigen, in welchen Bereichen die Menschen Änderungen wünschen, wodurch die Bemühungen der Geschäftsleitung besser auf sinnvolle Änderungen ausgerichtet werden können. Darüber hinaus kann das Modell mithilfe von maschinellem Lernen einen Proxy für die soziale Verantwortung eines Unternehmens generieren, der dazu beitragen kann, ESG für kleinere Unternehmen zu bestimmen, die nicht von Analysten abgedeckt werden. Dies wird dazu beitragen, dass mehr Unternehmen ESG-Ratings auf automatisierte Weise erhalten, was zu ausgeglicheneren Wettbewerbsbedingungen zwischen kleinen und großen Unternehmen führen und letztendlich dazu beitragen kann, dass sich mehr sozial verantwortliche Unternehmen durchsetzen. Insgesamt kann das Projekt weitreichende Auswirkungen auf die Überbrückung der ESG-Lücke haben. Dies wird dazu beitragen, große Mengen ESG-Kapital in nachhaltigere und ethischere Initiativen umzulenken.  Literaturverzeichnis  A Sokolov, J Mostovoy, J Ding, L Seco. 2021. Aufbau maschineller Lernsysteme für automatisiertes ESG-Scoring. The Journal of Impact and ESG Investing 1 (3), 39-50  AM Shahi, B. Issac und JR Modapothala. 2011. Analyse von überwachten Textklassifizierungsalgorithmen für Unternehmensnachhaltigkeitsberichte. In Proceedings of 2011 International Conference on Computer Science and Network Technology, Vol. 1. 96–100  Akbik, Blythe und Vollgraf. „Contextual String Embeddings for Sequence Labeling.“ Proceedings der 27. Internationalen Konferenz für Computerlinguistik, Seiten 1638–1649 Santa Fe, New Mexico, USA, 20.–26. August 2018  Andrea Venturelli, Fabio Caputo, Rossella Leopizzi, Giovanni Mastroleo und Chiara Mio. 2017. Wie kann CSR-Identität bewertet werden? Eine Pilotstudie mit einem Fuzzy-Expertensystem. Journal of Cleaner Production 141 (2017), 1000 – 1010.  Awad, M., Khanna, R. (2015). Support Vector Regression. In: Effiziente Lernmaschinen. Apress, Berkeley, CA. https://doi.org/10.1007/978-1-4302-5990-9_4  Berg, Florian, et al. „Aggregate Confusion: Die Divergenz der ESG-Ratings.“ SSRN Electronic Journal, 2019, doi:10.2139/ssrn.3438533.  CDP. (10. Juli 2017). Neuer Bericht zeigt, dass nur 100 Unternehmen für über 70 % der Emissionen verantwortlich sind. Abgerufen am 24. Mai 2022 von http://www.cdp.net/en/articles/ media/new-report-shows-just-100-companies-are-source-of-over-70-of-emissions  Chen Tianqi und Guestrin Carlos. „XGBoost: Ein skalierbares Tree-Boosting-System.“ KDD '16: Proceedings der 22. ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, August 2016, Seiten 785-794, doi: 10.1145/2939672.2939785  de Beer D, Matthee M. Ansätze zur Identifizierung von Fake News: Eine systematische Literaturübersicht. Integrated Science in Digital Age 2020. 5. Mai 2020;136:13–22. doi: 10.1007/978-3-030- 49264-9_2. PMCID: PMC7250114.  Oliver Kramer. Dimensionsreduktion mit unüberwachten nächsten Nachbarn, 2013, Band 51, ISBN: 978-3-642-38651-0  Drempetic, Samuel, et al. „Der Einfluss der Unternehmensgröße auf den ESG-Score: Nachhaltigkeitsratings von Unternehmen im Blickpunkt.“ Journal of Business Ethics, Bd. 167, Nr. 2, 2019, S. 333–360., doi:10.1007/s10551-019-04164-1  Gloor, Peter A. et al. „Web Science 2.0: Trends erkennen durch semantische soziale Netzwerkanalyse.“ 2009 Internationale Konferenz für Computerwissenschaften und Ingenieurwissenschaften, 2009, doi:10.1109/cse.2009.186.  Ho, TK (1995). Zufallsbasierte Entscheidungswälder. In Proceedings der 3. internationalen Konferenz zur Dokumentenanalyse und -erkennung (Vol. 1, S. 278–282).  Jain, M., Sharma, GD, & Srivastava, M. (2019). Können nachhaltige Investitionen bessere finanzielle Renditen bringen: Eine vergleichende Studie von ESG-Indizes und MSCI-Indizes. Risks, 7(1), 15. https://doi.org/10.3390/risks7010015  Kotsantonis, Sakis und George Serafeim. „Vier Dinge, die Ihnen niemand über ESG-Daten erzählt.“ Journal of Applied Corporate Finance, Bd. 31, Nr. 2, 2019, S. 50–58., doi:10.1111/jacf.12346  Pavel Wicher, František Zapletal und Radim Lenort. 2019. Bewertung der Nachhaltigkeitsleistung von Industrieunternehmen mithilfe des Fuzzy Analytic Network Process. Journal of Cleaner Production 241 (2019).  Pin-Chao Liao, Ni-Ni Xia, Chun-Lin Wu, Xiao-Ling Zhang und Jui-Lin Yeh. 2017. Kommunikation der Corporate Social Responsibility (CSR) internationaler Auftragnehmer: Inhaltsanalyse der CSR-Berichterstattung. Journal of Cleaner Production 156 (2017), 327–336.  Rao, Prashanth. „Feinkörnige Sentimentanalyse in Python (Teil 1).“ Medium, Towards Data Science, 9. September 2019, towarddatascience.com/fine-grained-sentiment-analysis-in-pythonpart-1-2697bb111ed4.  Ryohei Hisano, Didier Sornette und Takayuki Mizuno. 2020. Vorhersage der ESG-Konformität mithilfe eines heterogenen Informationsnetzwerks. Journal of Big Data 7, 1 (2020), 22  S.-J. Lin und M.-F. Hsu. 2018. Entscheidungsfindung durch Extraktion weicher Informationen aus CSR-Nachrichtenberichten. Technological and Economic Development of Economy 24, 4 (2018), 1344–1361.  S&P Global. (nd). ESG-Bewertung | S&P Global. Abgerufen am 24. Mai 2022 von http://www.spglobal.com/ratings/en/products-benefits/products/esg-evaluation  Stackpole, Beth. „Warum nachhaltige Unternehmen bessere ESG-Ratings brauchen.“ MIT Sloan, 6. Dezember 2021, mitsloan.mit.edu/ideas-made-to-matter/why-sustainable-business-needs-better-esgratings.  shweta-29. „Shweta-29/Companies_ESG_Scraper: Dieses Repository enthält ein Tool zum Extrahieren von ESG-Ratings und Finanzkennzahlen von Unternehmen und zum Laden dieser in SQL.“ GitHub, github.com/shweta-29/Companies_ESG_Scraper  T Krappel, A Bogun, D Borth. 2021. Heterogenes Ensemble zur Vorhersage von ESG-Ratings. KDD-Workshop zum Thema maschinelles Lernen im Finanzwesen  Global Compact der Vereinten Nationen. (2016). Die CEO-Studie „UN Global Compact-Accenture Strategy“ 2016. Abgerufen am 26. Mai 2022 von https://www.unglobalcompact.org/library/4331  Global Compact der Vereinten Nationen. (2019). UN Global Compact – Accenture Strategy 2019 CEO Study – The Decade to Deliver: A Call to Business Action. Abgerufen am 26. Mai 2022 von https://www.unglobalcompact.org/library/5715  Dieses Dokument ist   . auf arxiv unter der Lizenz CC BY-NC-ND 4.0 DEED verfügbar

Part of HackerNoon's growing list of open-source research papers, promoting free access to academic material.

Read My Stories

carbonization

Dieses Audio ist in der Originalsprache der Geschichte produziert!

Zu lang; Lesen

Boost your HackerNoon story @ $159.99! 🚀

Erstellen eines systematischen ESG-Bewertungssystems: Schlussfolgerung und Bibliographie

About Author

KOMMENTARE

Hängeetiketten

DIESER ARTIKEL WURDE VORGESTELLT IN

Related Stories

HackerNoon Decoded: The Top 10 Countries Where HackerNoon Is the Most Active

HackerNoon Decoded 2024: Celebrating Our Life Hacking Community!

HackerNoon Decoded 2024: Celebrating Our Data Science Community!

HackerNoon Decoded 2024: Celebrating Our Startups Community!

HackerNoon Decoded: The Top 10 Countries Where HackerNoon Is the Most Active

HackerNoon Decoded 2024: Celebrating Our Life Hacking Community!

HackerNoon Decoded 2024: Celebrating Our Data Science Community!

HackerNoon Decoded 2024: Celebrating Our Startups Community!

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps