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  Abstrakt  Environmental Social Governance (ESG) ist eine weit verbreitete Kennzahl, die die Nachhaltigkeit der Praktiken eines Unternehmens misst. Derzeit wird ESG anhand von Unternehmenseigenauskünften ermittelt, wodurch Unternehmen sich in einem künstlich positiven Licht darstellen können. Infolgedessen ist die ESG-Bewertung subjektiv und zwischen den Bewertern inkonsistent, was den Führungskräften gemischte Signale darüber gibt, was verbessert werden muss. Ziel dieses Projekts ist die Entwicklung eines datengesteuerten ESG-Bewertungssystems, das durch die Einbeziehung der sozialen Stimmung eine bessere Orientierung und systematischere Bewertungen bieten kann. Die soziale Stimmung ermöglicht ausgewogenere Perspektiven, die die öffentliche Meinung direkt widerspiegeln und Unternehmen dabei helfen, gezieltere und wirkungsvollere Initiativen zu entwickeln. Zu diesem Zweck wurden Python-Web-Scraper entwickelt, um Daten von Wikipedia, Twitter, LinkedIn und Google News für die S&P 500-Unternehmen zu sammeln. Die Daten wurden dann bereinigt und durch NLP-Algorithmen geleitet, um Stimmungswerte für ESG-Unterkategorien zu erhalten. Mithilfe dieser Funktionen wurden maschinelle Lernalgorithmen trainiert und auf S&P Global ESG Ratings kalibriert, um ihre Vorhersagefähigkeiten zu testen. Das Random-Forest-Modell war mit einem mittleren absoluten Fehler von 13,4 % und einer Korrelation von 26,1 % (p-Wert 0,0372) das stärkste Modell und zeigte ermutigende Ergebnisse. Insgesamt kann die Messung der sozialen Stimmung in Bezug auf ESG in Unterkategorien Führungskräften dabei helfen, ihre Bemühungen auf die Bereiche zu konzentrieren, die den Menschen am wichtigsten sind. Darüber hinaus kann diese datengesteuerte Methode Bewertungen für Unternehmen ohne Abdeckung liefern, wodurch sozial verantwortlichere Unternehmen erfolgreicher werden können.    : Umwelt- und Sozialmanagement, maschinelles Lernen, Analyse sozialer Netzwerke, soziale Unternehmensverantwortung, Verarbeitung natürlicher Sprache, Nachhaltigkeit, soziale Online-Medien Schlüsselwörter  1. Einleitung  Viele sind der Meinung, dass Unternehmen mehr Wert auf soziale Verantwortung legen sollten. So waren beispielsweise 100 Unternehmen seit 1998 für 71 % der weltweiten Treibhausgasemissionen verantwortlich (Carbon Majors Database[1]). Viele Unternehmensführer haben öffentlich erklärt, dass sie mit der Einführung von Nachhaltigkeitsmaßnahmen einverstanden sind. Eine UN-Umfrage aus dem Jahr 2016 ergab, dass 78 % der befragten CEOs der Meinung waren, dass die Bemühungen der Unternehmen zu den UN-Standardentwicklungszielen beitragen sollten. Diese Ziele wurden von den Vereinten Nationen als universeller Aufruf zum Handeln zur Beendigung der Armut und zum Schutz des Planeten verabschiedet (UN, 2016). Obwohl viele Führungskräfte versprachen, sich stärker auf diese Problembereiche zu konzentrieren, ergriffen nur wenige spürbare konkrete Maßnahmen. In einer aktuelleren UN-Umfrage aus dem Jahr 2019 waren nur etwa 20 % der befragten CEOs der Meinung, dass Unternehmen einen Unterschied in der weltweiten Nachhaltigkeitsagenda machten (UN, 2019). Diese Umfragen zeigen eine Diskrepanz zwischen Nachhaltigkeitszielen und Nachhaltigkeitsmaßnahmen auf. Sie zeigen auch Ineffizienzen bei den aktuellen Maßnahmen der Führungskräfte auf, da viele der Meinung sind, dass sie in Richtung sozialer Verantwortung nicht genügend Fortschritte machen.   ESG (Environmental Social Governance) ist ein häufig verwendeter Maßstab, der die Nachhaltigkeit und die gesellschaftlichen Auswirkungen der Praktiken eines Unternehmens bestimmt. ESG-Ratingagenturen wie MSCI (Morgan Stanley Capital International), S&P Global und FTSE (Financial Times Stock Exchange) messen dazu Unterkategorien wie Umweltverschmutzung, Vielfalt, Menschenrechte, Auswirkungen auf die Gemeinschaft usw. (Abbildung 1). Die Messung dieser Problembereiche ist notwendig, da sie Unternehmen dazu anregt, schlechte Praktiken zu korrigieren. Dies liegt daran, dass ESG-Ratings Faktoren wie Investorenkapital, öffentliche Wahrnehmung, Kreditratings usw. beeinflussen können. Darüber hinaus können ESG-Ratings Unternehmen spezifische Informationen darüber liefern, in welchen Schlüsselbereichen Verbesserungen erforderlich sind, was ihnen dabei helfen kann, ihre Initiativen besser auszurichten.  Derzeit wird ESG von Ratingagenturen anhand von Selbstauskünften der Unternehmen bewertet. Dadurch können sich Unternehmen oft in einem künstlich positiven Licht darstellen. Diese voreingenommenen Berichte haben zu subjektiven und inkonsistenten Analysen zwischen verschiedenen ESG-Ratingorganisationen geführt, obwohl sie dasselbe messen wollen (Kotsanonis et al., 2019). Beispielsweise beträgt die Korrelation zwischen sechs bekannten ESG-Ratingagenturen 0,54; im Vergleich dazu weisen Mainstream-Kreditratings eine stärkere Korrelation von 0,99 auf (Berg et al., 2019). Daher haben viele das Gefühl, dass zwischen ESG-Ratings und der wahren sozialen Verantwortung eines Unternehmens eine Diskrepanz besteht. Dies verdeutlicht, wie subjektive Einschätzungen und eingeschränkte Datentransparenz durch Selbstauskünfte zu inkonsistenten Ratings führen können.  Eine konsistentere und genauere ESG-Bewertung ist wichtig. Abweichungen und Ungenauigkeiten bei den ESG-Bewertungen behindern die Motivation der Unternehmen zur Verbesserung, da sie den Führungskräften widersprüchliche Signale darüber geben, was geändert werden muss (Stackpole, 2021). Infolgedessen wird es schwierig, gezieltere Nachhaltigkeitsinitiativen zu schaffen. Darüber hinaus ermöglicht die Selbstberichterstattung Unternehmen mit mehr Ressourcen, sich besser darzustellen. Aus diesem Grund besteht eine signifikante positive Korrelation zwischen der Größe eines Unternehmens, den verfügbaren Ressourcen und dem ESG-Score (Drempetic et al., 2019). Diese Probleme machen letztlich den Zweck von ESG zunichte, da sie Unternehmen nicht zu nachhaltigen Praktiken motivieren. Dies erfordert einen ganzheitlicheren und systematischeren Ansatz zur ESG-Bewertung, der die soziale Verantwortung eines Unternehmens genauer messen kann. Durch die Schaffung einer repräsentativeren Grundwahrheit können Unternehmensinitiativen besser in Richtung sozialer Verantwortung gelenkt und so die Wirkung von ESG erhöht werden.  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: Zusammenfassung und Einführung

About Author

KOMMENTARE

Hängeetiketten

DIESER ARTIKEL WURDE VORGESTELLT IN

Related Stories

HackerNoon Decoded 2024: Celebrating Our AI Community!

HackerNoon Decoded 2024: Celebrating Our Writing Community!

HackerNoon Decoded 2024: Celebrating Our Cybersecurity Community!

HackerNoon Decoded 2024: Celebrating Our Programming Community!

HackerNoon Decoded 2024: Celebrating Our AI Community!

HackerNoon Decoded 2024: Celebrating Our Writing Community!

HackerNoon Decoded 2024: Celebrating Our Cybersecurity Community!

HackerNoon Decoded 2024: Celebrating Our Programming Community!

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps