체계적인 ESG 채점 시스템 구축: 결론 및 참고문헌

링크 표

• 개요 및 소개
• 관련 작품
• 목적
• 행동 양식
• 결과
• 논의
• 결론 및 참고문헌

7. 결론

제안된 ESG 분석 알고리즘은 모든 기업의 ESG 평가를 표준화하는 데 도움이 될 수 있습니다. 보다 균형 잡힌 결과를 위해 외부 소셜 네트워크 분석을 통합하여 자기 보고 편향을 제한하기 때문입니다. 소셜 네트워크 기반 ESG 지수는 사람들이 어떤 영역을 바꾸고 싶어하는지 직접적으로 보여줄 수도 있어 의미 있는 변화에 경영진의 노력을 더 집중할 수 있습니다. 또한 이 모델은 기계 학습을 사용하여 기업의 사회적 책임에 대한 프록시를 생성할 수 있으며, 이는 분석가가 적용되지 않는 소규모 기업의 ESG를 결정하는 데 도움이 될 수 있습니다. 이는 더 많은 기업이 자동화된 방식으로 ESG 등급을 받는 데 도움이 될 것이며, 이는 중소기업과 대기업 사이에 보다 공평한 경쟁의 장을 조성하고 궁극적으로 더 많은 사회적 책임 기업이 승리하는 데 도움이 될 것입니다. 전반적으로 이 프로젝트는 ESG의 격차를 해소하는 데 광범위한 영향을 미칠 수 있습니다. 이는 대량의 ESG 자본을 보다 지속 가능하고 윤리적인 이니셔티브에 다시 연결하는 데 도움이 될 것입니다.

서지

A Sokolov, J Mostovoy, J Ding, L Seco. 2021. 자동화된 ESG 점수 산정을 위한 기계 학습 시스템 구축. 임팩트 저널 및 ESG 투자 1 (3), 39-50

AM Shahi, B. Issac 및 JR Modapothala. 2011. 기업 지속가능성 보고서의 지도 텍스트 분류 알고리즘 분석. 2011년 컴퓨터 과학 및 네트워크 기술에 관한 국제 컨퍼런스 진행 중, Vol. 1. 96~100

Akbik, Blythe 및 Vollgraf. “시퀀스 라벨링을 위한 상황별 문자열 임베딩.” 제27차 전산언어학 국제회의 간행물, 페이지 1638-1649, 미국 뉴멕시코주 산타페, 2018년 8월 20-26일

안드레아 벤투렐리, 파비오 카푸토, 로셀라 레오피치, 조반니 마스트롤레오, 키아라 미오. 2017. CSR 정체성은 어떻게 평가할 수 있나요? 퍼지 전문가 시스템을 사용한 파일럿 연구. 청정 생산 저널 141(2017), 1000 – 1010.

Awad, M., 칸나, R. (2015). 벡터 회귀를 지원합니다. 에서: 효율적인 학습 기계. Apress, 버클리, 캘리포니아. https://doi.org/10.1007/978-1-4302-5990-9_4

버그, 플로리안, 그 외 여러분. “총체적인 혼란: ESG 등급의 차이.” SSRN 전자 저널, 2019, doi:10.2139/ssrn.3438533.

CDP. (2017년 7월 10일). 새로운 보고서에 따르면 단 100개 기업만이 배출량의 70% 이상을 배출하고 있습니다. 2022년 5월 24일, http://www.cdp.net/en/articles/media/new-report-shows-just-100-companies-are-source-of-over-70-of-emissions에서 검색함

Chen Tianqi, 게스트린 카를로스. “XGBoost: 확장 가능한 트리 부스팅 시스템.” KDD '16: 지식 발견 및 데이터 마이닝에 관한 제22회 ACM SIGKDD 국제 컨퍼런스 간행물, 2016년 8월, 페이지 785-794, doi: 10.1145/2939672.2939785

de Beer D, Matthee M. 가짜 뉴스 식별을 위한 접근 방식: 체계적인 문헌 검토. 디지털 시대의 통합과학 2020. 2020 5월 5일;136:13–22. 도이: 10.1007/978-3-030-49264-9_2. PMCID: PMC7250114.

올리버 크레이머. 감독되지 않은 가장 가까운 이웃을 사용한 차원 축소, 2013, 51권, ISBN: 978-3-642-38651-0

Drempetic, Samuel, 그 외 여러분. “ESG 점수에 대한 기업 규모의 영향: 검토 중인 기업 지속 가능성 등급.” 기업윤리저널, vol. 167, 아니. 2019년 2월 2일, pp. 333–360., doi:10.1007/s10551-019-04164-1

Gloor, 피터 A., 그 외 여러분. “웹사이언스 2.0: 의미론적 소셜 네트워크 분석을 통한 동향 파악.” 2009년 전산과학 및 공학 국제회의, 2009, doi:10.1109/cse.2009.186.

호태경(1995). 무작위 결정 포레스트. 문서 분석 및 인식에 관한 제3차 국제회의 논문집(Vol. 1, pp. 278–282).

Jain, M., Sharma, GD, & Srivastava, M. (2019). 지속 가능한 투자로 더 나은 재정적 수익을 얻을 수 있습니까? ESG 지수와 MSCI 지수에 대한 비교 연구. 위험, 7(1), 15. https://doi.org/10.3390/risks7010015

Kotsantonis, Sakis 및 George Serafeim. “ESG 데이터에 대해 누구도 알려주지 않는 4가지 사실.” 응용기업금융저널, vol. 31, 아니. 2019년 2월 2일, pp. 50–58., doi:10.1111/jacf.12346

파벨 비체르(Pavel Wicher), 프란티셰크 자플레탈(František Zapletal), 라딤 레노르트(Radim Lenort). 2019. 퍼지 분석 네트워크 프로세스를 활용한 산업 기업의 지속 가능성 성과 평가. 청정 생산 저널 241(2019).

Pin-Chao Liao, Ni-Ni Xia, Chun-Lin Wu, Xiao-Ling Zhang 및 Jui-Lin Yeh. 2017. 국제 계약자의 기업의 사회적 책임(CSR) 전달: CSR 보고 내용 분석. 청정 생산 저널 156(2017), 327–336.

라오, 프라샨스. “Python의 세밀한 감정 분석(1부).” Medium, 데이터 과학을 향하여, 2019년 9월 9일,warddatascience.com/fine-grained-sentiment-analytic-in-pythonpart-1-2697bb111ed4.

히사노 료헤이, 디디에 소네트, 미즈노 타카유키. 2020. 이기종 정보네트워크를 활용한 ESG 컴플라이언스 예측. 빅데이터연구 7권 1호(2020), 22

S.-J. 린과 M.-F. 슈. 2018. CSR 뉴스 보도에서 소프트 정보 추출을 통한 의사 결정. 경제의 기술 및 경제 발전 24, 4 (2018), 1344-1361.

S&P 글로벌. (nd). ESG 평가 | S&P 글로벌. 2022년 5월 24일, http://www.spglobal.com/atings/en/products-benefits/products/esg-evaluation에서 검색함

스택폴, 베스. “지속 가능한 비즈니스에 더 나은 ESG 등급이 필요한 이유.” MIT Sloan, 2021년 12월 6일, mitsloan.mit.edu/ideas-made-to-matter/why-sustainable-business-needs-better-esgratings.

shweta-29. "Shweta-29/Companies_ESG_Scraper: 이 저장소에는 회사의 ESG 등급 및 재무 지표를 추출하여 SQL에 로드하는 도구가 포함되어 있습니다." GitHub, github.com/shweta-29/Companies_ESG_Scraper

T 크라펠, A 보군, D 보스. 2021. ESG 등급 예측을 위한 이종 앙상블. 금융 머신러닝에 관한 KDD 워크숍

유엔글로벌콤팩트. (2016). UN Global Compact-Accenture 전략 CEO 연구 2016. 2022년 5월 26일에 검색함, https://www.unglobalcompact.org/library/4331

유엔글로벌콤팩트. (2019). UN 글로벌 콤팩트 - Accenture Strategy 2019 CEO Study – 10년의 성과: 비즈니스 행동 촉구. 2022년 5월 26일, https://www.unglobalcompact.org/library/5715에서 검색함