Creación de un sistema sistemático de puntuación ESG: conclusión y bibliografía

Tabla de enlaces

• Resumen e introducción
• Obras relacionadas
• Objetivo
• Métodos
• Resultados
• Discusión
• Conclusión y bibliografía

7. Conclusión

El algoritmo de análisis ESG propuesto puede ayudar a estandarizar la evaluación ESG para todas las empresas. Esto se debe a que limita el sesgo de autoinforme al incorporar análisis de redes sociales externos para obtener resultados más equilibrados. Un índice ESG basado en redes sociales también puede mostrar directamente qué áreas la gente quiere cambiar, lo que puede centrar mejor los esfuerzos ejecutivos en un cambio significativo. Además, utilizando el aprendizaje automático, el modelo puede generar un indicador de la responsabilidad social de una empresa, lo que puede ayudar a determinar ESG para empresas más pequeñas que no tienen cobertura de analistas. Esto ayudará a que más empresas reciban calificaciones ESG de forma automatizada, lo que puede crear unas condiciones más equitativas entre las pequeñas y las grandes empresas y, en última instancia, ayudar a que prevalezcan más empresas socialmente responsables. En general, el proyecto puede tener amplias implicaciones para cerrar la brecha en materia de ESG. Esto ayudará a reconvertir grandes cantidades de capital ESG en iniciativas más sostenibles y éticas.

Bibliografía

Sokolov A, Mostovoy J, Ding J, Seco L. 2021. Creación de sistemas de aprendizaje automático para la puntuación ESG automatizada. El Diario de Impacto e Inversión ESG 1 (3), 39-50

AM Shahi, B. Issac y JR Modapothala. 2011. Análisis de algoritmos de clasificación de textos supervisados en informes corporativos de sostenibilidad. En Actas de la Conferencia Internacional de 2011 sobre Ciencias de la Computación y Tecnología de Redes, vol. 1. 96-100

Akbik, Blythe y Vollgraf. "Incrustaciones de cadenas contextuales para etiquetado de secuencias". Actas de la 27.ª Conferencia Internacional sobre Lingüística Computacional, páginas 1638–1649 Santa Fe, Nuevo México, EE. UU., 20 al 26 de agosto de 2018

Andrea Venturelli, Fabio Caputo, Rossella Leopizzi, Giovanni Mastroleo y Chiara Mio. 2017. ¿Cómo se puede evaluar la identidad RSE? Un estudio piloto utilizando un sistema experto difuso. Revista de Producción Más Limpia 141 (2017), 1000 – 1010.

Awad, M., Khanna, R. (2015). Regresión de vectores de soporte. En: Máquinas de aprendizaje eficientes. Apress, Berkeley, CA. https://doi.org/10.1007/978-1-4302-5990-9_4

Berg, Florian, et al. "Confusión agregada: la divergencia de las calificaciones ESG". Revista Electrónica SSRN, 2019, doi:10.2139/ssrn.3438533.

CDP. (2017, 10 de julio). Un nuevo informe muestra que sólo 100 empresas son fuente de más del 70% de las emisiones. Obtenido el 24 de mayo de 2022 de http://www.cdp.net/en/articles/media/new-report-shows-just-100-companies-are-source-of-over-70-of-emissions.

Chen Tianqi y Guestrin Carlos. "XGBoost: un sistema escalable de impulso de árboles". KDD '16: Actas de la 22.ª Conferencia internacional ACM SIGKDD sobre descubrimiento de conocimientos y minería de datos, agosto de 2016, páginas 785-794, doi: 10.1145/2939672.2939785

de Beer D, Matthee M. Enfoques para identificar noticias falsas: una revisión sistemática de la literatura. Ciencia integrada en la era digital 2020. 5 de mayo de 2020; 136: 13–22. doi: 10.1007/978-3-030-49264-9_2. PMCID: PMC7250114.

Óliver Kramer. Reducción de dimensionalidad con vecinos más cercanos sin supervisión, 2013, volumen 51, ISBN: 978-3-642-38651-0

Drempetic, Samuel y col. "La influencia del tamaño de la empresa en la puntuación ESG: calificaciones de sostenibilidad corporativa en revisión". Revista de ética empresarial, vol. 167, núm. 2, 2019, págs. 333–360., doi:10.1007/s10551-019-04164-1

Gloor, Peter A., et al. "Ciencia web 2.0: identificación de tendencias a través del análisis semántico de redes sociales". Conferencia Internacional de 2009 sobre Ingeniería y Ciencias Computacionales, 2009, doi:10.1109/cse.2009.186.

Ho, TK (1995). Bosques de decisión aleatoria. En Actas de la tercera conferencia internacional sobre análisis y reconocimiento de documentos (Vol. 1, págs. 278–282).

Jain, M., Sharma, GD y Srivastava, M. (2019). ¿Puede la inversión sostenible generar mejores rendimientos financieros? Un estudio comparativo de los índices ESG y los índices MSCI. Riesgos, 7(1), 15. https://doi.org/10.3390/risks7010015

Kotsantonis, Sakis y George Serafeim. "Cuatro cosas que nadie le contará sobre los datos ESG". Revista de Finanzas Corporativas Aplicadas, vol. 31, núm. 2, 2019, págs. 50–58., doi:10.1111/jacf.12346

Pavel Wicher, František Zapletal y Radim Lenort. 2019. Evaluación del desempeño de sostenibilidad de una corporación industrial utilizando el proceso de red analítica difusa. Revista de Producción Más Limpia 241 (2019).

Pin-Chao Liao, Ni-Ni Xia, Chun-Lin Wu, Xiao-Ling Zhang y Jui-Lin Yeh. 2017. Comunicar la responsabilidad social corporativa (RSE) de los contratistas internacionales: análisis de contenido de los informes de RSE. Revista de Producción Más Limpia 156 (2017), 327–336.

Rao, Prashanth. "Análisis de sentimiento detallado en Python (Parte 1)". Medio, Towards Data Science, 9 de septiembre de 2019, forwarddatascience.com/fine-grained-sentiment-analysis-in-pythonpart-1-2697bb111ed4.

Ryohei Hisano, Didier Sornette y Takayuki Mizuno. 2020. Predicción del cumplimiento ESG mediante una red de información heterogénea. Revista de Big Data 7, 1 (2020), 22

S.-J. Lin y M.-F. Hsu. 2018. Toma de decisiones mediante la extracción de información blanda de un informe de noticias sobre RSE. Desarrollo tecnológico y económico de la economía 24, 4 (2018), 1344–1361.

S&P Global. (Dakota del Norte). Evaluación ESG | S&P Global. Recuperado el 24 de mayo de 2022 de http://www.spglobal.com/ratings/en/products-benefits/products/esg-evaluación

Stackpole, Beth. "Por qué las empresas sostenibles necesitan mejores calificaciones ESG". MIT Sloan, 6 de diciembre de 2021, mitsloan.mit.edu/ideas-made-to-matter/why-sustainable-business-needs-better-esgratings.

shweta-29. "Shweta-29/Companies_ESG_Scraper: este repositorio incluye una herramienta para extraer calificaciones ESG y métricas financieras de las empresas y cargarlas en SQL". GitHub, github.com/shweta-29/Companies_ESG_Scraper

Krappel T, Bogun A, Borth D. 2021. Conjunto heterogéneo para la predicción de calificaciones ESG. Taller KDD sobre aprendizaje automático en finanzas

Pacto Mundial de las Naciones Unidas. (2016). Estudio de directores ejecutivos de la estrategia Accenture del Pacto Mundial de las Naciones Unidas de 2016. Obtenido el 26 de mayo de 2022 de https://www.unglobalcompact.org/library/4331

Pacto Mundial de las Naciones Unidas. (2019). Pacto Mundial de las Naciones Unidas - Estudio de CEO de Accenture Strategy 2019 - La década para cumplir: un llamado a la acción empresarial. Obtenido el 26 de mayo de 2022 de https://www.unglobalcompact.org/library/5715