体系的なESGスコアリングシステムの構築：関連研究

リンク一覧

• 概要と序論
• 関連事業
• 目的
• 方法
• 結果
• 議論
• 結論と参考文献

2. 関連研究

既存の ESG 関連研究は、主に 2 つのカテゴリに分類されます。一部の論文は、ESG パフォーマンスと財務パフォーマンスを相関させ、企業の企業の社会的責任 (CSR) を使用して将来の株価パフォーマンスを予測できるかどうかを確認することを目的としています (Jain ら、2019 年)。その他の論文では、既存の誤謬や非効率性を回避するために、ESG 格付け測定を強化および自動化するための新しいデータ駆動型手法を提案しています (Hisano ら、2020 年、Krappel ら、2021 年、Liao ら、2017 年、Lin ら、2018 年、Shahi ら、2011 年、Sokolov ら、2021 年、Venturelli ら、2017 年、Wicher ら、2019 年)。この論文は後者のカテゴリに分類されます。

多くの企業が毎年サステナビリティレポートを発行しているため、多くの研究者がこのコンテンツを分析に使用しています。これは通常、テキストマイニングを使用してESGのトピックとトレンドを特定することで行われます。このデータを解析して活用するために、研究者は文章/段落をさまざまなESGサブディメンションに分類できる分類モデルを作成しました（Liao et al.、2017、Lin et al.、2018）。さらに、一部の研究者はこれらのテキスト分類アルゴリズムを使用して、サステナビリティレポートの完全性を分析しています（Shahi et al.、2011）。これは、企業が提出書類内でESGの否定的な側面に関する開示を制限することがあるためです。どちらのツールも、企業の提出書類を使用して自動ESGスコアリングを支援できるため、ESGをカバーしていない企業のアクセスが向上します。

しかし、分析のために自己申告の提出書類のみに頼ることには、省略されたデータや新しい展開を考慮に入れていないという欠点があります。そのため、研究者たちはこれを解決するための代替方法をテストしてきました。たとえば、一部の研究者はファジーエキスパートシステム（FES）またはファジー分析ネットワークプロセス（FANP）を利用して、定量的指標（つまり、Global Reporting Initiativeが提供する指標）からデータを引き出し、アンケート/インタビューから定性的な特徴を引き出します（Venturelli et al., 2017; Wicher et al., 2019）。他の研究者は、Twitterなどのオンラインソーシャルネットワークからデータを収集して、企業のサステナビリティプロファイルを分析しました。たとえば、自然言語処理（NLP）フレームワークを使用してツイートをさまざまなESGトピックに分類し、それらがポジティブかネガティブかを判断する研究者もいました（Sokolov et al., 2021）。さらに、さまざまなネガティブニュースデータセットのデータを組み合わせた異種情報ネットワークを使用し、機械学習を使用してESGを予測する研究者もいました（Hisano et al., 2020）。最後に、企業のプロフィールや財務状況などの基礎データを使用して ESG を予測する可能性を検討した研究者もいます (Krappel ら、2021 年)。全体として、これらの方法はすべて、よりバランスのとれた、偏りのない、リアルタイムのデータを使用することで、自己申告の提出書類を改善することを目的としていました。