Creación de un sistema sistemático de puntuación ESG: trabajos relacionados

Tabla de enlaces

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

2. Trabajos relacionados

Las investigaciones existentes relacionadas con ESG se dividen en dos categorías principales. Algunos artículos tienen como objetivo correlacionar el desempeño ESG con el desempeño financiero y ver si la Responsabilidad Social Corporativa (RSC) de una empresa se puede utilizar para predecir el desempeño futuro de las acciones (Jain et al., 2019). Otros artículos proponen nuevos métodos basados en datos para mejorar y automatizar la medición de las calificaciones ESG para evitar falacias/ineficiencias existentes (Hisano et al., 2020; Krappel et al., 2021; Liao et al., 2017; Lin et al., 2018; Shahi et al., 2011; Sokolov et al., 2021; Venturelli et al., 2017; Este artículo entrará en la última categoría.

Dado que muchas empresas publican informes de sostenibilidad anualmente, muchos investigadores utilizan este contenido para realizar análisis. Por lo general, esto se hace mediante minería de texto para identificar temas y tendencias ESG. Para analizar y aprovechar estos datos, los investigadores han creado modelos de clasificación que pueden clasificar oraciones/párrafos en varias subdimensiones ESG (Liao et al., 2017; Lin et al., 2018). Además, algunos investigadores han utilizado estos algoritmos de clasificación de textos para analizar la integridad de los informes de sostenibilidad (Shahi et al., 2011). Esto se debe a que las empresas a veces limitan la divulgación de aspectos ESG negativos en sus presentaciones. Ambas herramientas pueden ayudar en la puntuación ESG automática utilizando los registros de la empresa, lo que aumenta el acceso de las empresas sin cobertura ESG.

Sin embargo, existen deficiencias al basarse únicamente en las presentaciones autoinformadas para el análisis, ya que no tiene en cuenta los datos omitidos o los desarrollos más recientes. Como resultado, los investigadores han estado probando métodos alternativos para resolver este problema. Por ejemplo, algunos investigadores utilizan un sistema experto difuso (FES) o un proceso de red analítica difusa (FANP), extrayendo datos de indicadores cuantitativos (es decir, métricas proporcionadas por Global Reporting Initiative) y características cualitativas de encuestas/entrevistas (Venturelli et al. , 2017; Wicher et al., 2019). Otros recopilaron datos de redes sociales en línea como Twitter para analizar el perfil de sostenibilidad de una empresa. Por ejemplo, algunos utilizaron marcos de procesamiento del lenguaje natural (PLN) para clasificar los tuits en diversos temas ESG y determinar si son positivos o negativos (Sokolov et al., 2021). Además, algunos utilizaron redes de información heterogéneas que combinaron datos de varios conjuntos de datos de noticias negativas y utilizaron el aprendizaje automático para predecir ESG (Hisano et al., 2020). Finalmente, otros exploraron la viabilidad de utilizar datos fundamentales, como el perfil y las finanzas de una empresa, para predecir ESG (Krappel et al., 2021). En general, todos estos métodos tenían como objetivo mejorar las presentaciones autoinformadas mediante el uso de datos más equilibrados, imparciales y en tiempo real.