Créer un système de notation ESG systématique : travaux connexes

Tableau des liens

• Résumé et introduction
• Travaux connexes
• But
• Méthodes
• Résultats
• Discussion
• Conclusion et bibliographie

2. Travaux connexes

Les recherches existantes liées à l’ESG se répartissent en deux catégories principales. Certains articles visent à corréler les performances ESG avec les performances financières et à voir si la responsabilité sociale des entreprises (RSE) d'une entreprise peut être utilisée pour prédire la performance boursière future (Jain et al., 2019). D'autres articles proposent de nouvelles méthodes basées sur les données pour améliorer et automatiser la mesure de la notation ESG afin d'éviter les erreurs/inefficacités existantes (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 ; Cet article entrera dans cette dernière catégorie.

Étant donné que de nombreuses entreprises publient des rapports de développement durable sur une base annuelle, de nombreux chercheurs utilisent ce contenu à des fins d'analyse. Cela se fait généralement à l’aide d’exploration de texte pour identifier les sujets et tendances ESG. Afin d'analyser et d'exploiter ces données, les chercheurs ont créé des modèles de classification capables de classer les phrases/paragraphes dans diverses sous-dimensions ESG (Liao et al., 2017 ; Lin et al., 2018). De plus, certains chercheurs ont utilisé ces algorithmes de classification de texte pour analyser l'exhaustivité des rapports de développement durable (Shahi et al., 2011). En effet, les entreprises limitent parfois la divulgation des aspects ESG négatifs dans leurs documents. Les deux outils peuvent faciliter la notation ESG automatique à l’aide des documents déposés par les entreprises, ce qui augmente l’accès aux entreprises sans couverture ESG.

Cependant, le fait de s’appuyer uniquement sur les déclarations autodéclarées pour l’analyse présente des lacunes, car cela ne prend pas en compte les données omises ou les développements plus récents. En conséquence, les chercheurs ont testé des méthodes alternatives pour résoudre ce problème. Par exemple, certains chercheurs utilisent un système expert flou (FES) ou un processus de réseau analytique flou (FANP), extrayant des données d'indicateurs quantitatifs (c'est-à-dire des mesures fournies par la Global Reporting Initiative) et des caractéristiques qualitatives d'enquêtes/entretiens (Venturelli et al. , 2017 ; Wicher et coll., 2019). D'autres ont collecté des données sur les réseaux sociaux en ligne comme Twitter pour analyser le profil de durabilité d'une entreprise. Par exemple, certains ont utilisé des cadres de traitement du langage naturel (NLP) pour classer les Tweets selon divers sujets ESG et déterminer s'ils sont positifs ou négatifs (Sokolov et al., 2021). En outre, certains ont utilisé des réseaux d’information hétérogènes combinant des données provenant de divers ensembles de données d’actualités négatives et ont utilisé l’apprentissage automatique pour prédire l’ESG (Hisano et al., 2020). Enfin, d'autres ont exploré la viabilité de l'utilisation de données fondamentales telles que le profil et les données financières d'une entreprise pour prédire l'ESG (Krappel et al., 2021). Dans l’ensemble, toutes ces méthodes visaient à améliorer les déclarations autodéclarées en utilisant des données plus équilibrées, impartiales et en temps réel.