Criando um Sistema Sistemático de Pontuação ESG: Conclusão e Bibliografia

Tabela de links

• Resumo e Introdução
• Trabalhos relacionados
• Propósito
• Métodos
• Resultados
• Discussão
• Conclusão e Bibliografia

7. Conclusão

O algoritmo de análise ESG proposto pode ajudar a padronizar a avaliação ESG para todas as empresas. Isso ocorre porque limita o preconceito de autorrelato, incorporando análises externas de redes sociais para obter resultados mais equilibrados. Um índice ESG baseado em redes sociais também pode mostrar diretamente quais áreas as pessoas desejam mudar, o que pode concentrar melhor os esforços executivos em mudanças significativas. Além disso, usando aprendizado de máquina, o modelo pode gerar uma proxy para a responsabilidade social de uma empresa, o que pode ajudar a determinar o ESG para empresas menores que não possuem cobertura de analistas. Isto ajudará mais empresas a receber classificações ESG de forma automatizada, o que pode criar condições de concorrência mais equitativas entre pequenas e grandes empresas e, em última análise, ajudar a prevalecer empresas mais socialmente responsáveis. No geral, o projeto pode ter amplas implicações para colmatar a lacuna em ESG. Isto ajudará a reorientar grandes quantidades de capital ESG para iniciativas mais sustentáveis e éticas.

Bibliografia

A Sokolov, J Mostovoy, J Ding, L Seco. 2021. Construindo Sistemas de Aprendizado de Máquina para Pontuação ESG Automatizada. The Journal of Impact e Investimento ESG 1 (3), 39-50

AM Shahi, B. Isaac e JR Modapothala. 2011. Análise de algoritmos de classificação de textos supervisionados em relatórios de sustentabilidade corporativa. Nos Anais da Conferência Internacional de 2011 sobre Ciência da Computação e Tecnologia de Rede, Vol. 1. 96–100

Akbik, Blythe e Vollgraf. “Incorporações contextuais de strings para rotulagem de sequências.” Anais da 27ª Conferência Internacional sobre Lingüística Computacional, páginas 1638–1649 Santa Fé, Novo México, EUA, 20 a 26 de agosto de 2018

Andrea Venturelli, Fabio Caputo, Rossella Leopizzi, Giovanni Mastroleo e Chiara Mio. 2017. Como avaliar a identidade da RSE? Um estudo piloto utilizando um Sistema Especialista Fuzzy. Jornal de Produção Mais Limpa 141 (2017), 1000 – 1010.

Awad, M., Khanna, R. (2015). Suporte à regressão vetorial. In: Máquinas de Aprendizagem Eficientes. Apress, Berkeley, CA. https://doi.org/10.1007/978-1-4302-5990-9_4

Berg, Florian et al. “Confusão agregada: a divergência das classificações ESG.” Revista Eletrônica SSRN, 2019, doi:10.2139/ssrn.3438533.

CDP. (2017, 10 de julho). Novo relatório mostra que apenas 100 empresas são fonte de mais de 70% das emissões. Recuperado em 24 de maio de 2022, em http://www.cdp.net/en/articles/media/new-report-shows-just-100-companies-are-source-of-over-70-of-emissions

Chen Tianqi e Guestrin Carlos. “XGBoost: um sistema escalonável de aumento de árvore.” KDD '16: Anais da 22ª Conferência Internacional ACM SIGKDD sobre Descoberta de Conhecimento e Mineração de Dados, agosto de 2016, páginas 785-794, doi: 10.1145/2939672.2939785

de Beer D, Matthee M. Abordagens para identificar notícias falsas: uma revisão sistemática da literatura. Ciência Integrada na Era Digital 2020. 5 de maio de 2020;136:13–22. doi: 10.1007/978-3-030-49264-9_2. PMCID: PMC7250114.

Oliver Kramer. Redução de Dimensionalidade com Vizinhos Mais Próximos Não Supervisionados, 2013, Volume 51, ISBN: 978-3-642-38651-0

Drempetic, Samuel, et al. “A influência do tamanho da empresa na pontuação ESG: classificações de sustentabilidade corporativa em revisão.” Jornal de Ética Empresarial, vol. 167, não. 2, 2019, pp.

Gloor, Peter A., et al. “Web Science 2.0: Identificando Tendências por meio da Análise Semântica de Redes Sociais.” Conferência Internacional de Ciência e Engenharia Computacional de 2009, 2009, doi:10.1109/cse.2009.186.

Ho, TK (1995). Florestas de decisão aleatória. Em Anais da 3ª conferência internacional sobre análise e reconhecimento de documentos (Vol. 1, pp. 278–282).

Jain, M., Sharma, GD e Srivastava, M. (2019). O investimento sustentável pode gerar melhores retornos financeiros: um estudo comparativo entre índices ESG e índices MSCI. Riscos, 7(1), 15. https://doi.org/10.3390/risks7010015

Kotsantonis, Sakis e George Serafeim. “Quatro coisas que ninguém lhe dirá sobre dados ESG.” Jornal de Finanças Corporativas Aplicadas, vol. 31, não. 2, 2019, pp. 50–58., doi:10.1111/jacf.12346

Pavel Wicher, František Zapletal e Radim Lenort. 2019. Avaliação de desempenho de sustentabilidade de corporação industrial usando Processo de Rede Analítica Fuzzy. Jornal de Produção Mais Limpa 241 (2019).

Pin-Chao Liao, Ni-Ni Xia, Chun-Lin Wu, Xiao-Ling Zhang e Jui-Lin Yeh. 2017. Comunicação da responsabilidade social corporativa (RSE) de empreiteiros internacionais: Análise de conteúdo dos relatórios de RSE. Journal of Cleaner Production 156 (2017), 327–336.

Rao, Prashanth. “Análise refinada de sentimentos em Python (Parte 1).” Médio, Rumo à Ciência de Dados, 9 de setembro de 2019, em direção a datascience.com/fine-grained-sentiment-análise-in-pythonpart-1-2697bb111ed4.

Ryohei Hisano, Didier Sornette e Takayuki Mizuno. 2020. Previsão de conformidade ESG utilizando uma rede de informações heterogênea. Jornal de Big Data 7, 1 (2020), 22

S.-J. Lin e M.‑F. Hsu. 2018. Tomada de decisão extraindo informações leves de reportagens de RSC. Desenvolvimento Tecnológico e Econômico da Economia 24, 4 (2018), 1344–1361.

S&P Global. (nd). Avaliação ASG | S&P Global. Recuperado em 24 de maio de 2022, em http://www.spglobal.com/ratings/en/products-benefits/products/esg-evaluation

Stackpole, Beth. “Por que as empresas sustentáveis precisam de melhores classificações ESG.” MIT Sloan, 6 de dezembro de 2021, mitsloan.mit.edu/ideas-made-to-matter/why-sustainable-business-needs-better-esgratings.

shweta-29. “Shweta-29/Companies_ESG_Scraper: Este repositório inclui uma ferramenta para extrair classificações ESG e métricas financeiras de empresas e carregá-las em SQL.” GitHub, github.com/shweta-29/Companies_ESG_Scraper

T Krappel, A Bogun, D Borth. 2021. Conjunto heterogêneo para previsão de classificações ESG. Workshop KDD sobre aprendizado de máquina em finanças

Pacto Global das Nações Unidas. (2016). Estudo de CEO da Estratégia Pacto Global-Accenture da ONU de 2016. Recuperado em 26 de maio de 2022, em https://www.unglobalcompact.org/library/4331

Pacto Global das Nações Unidas. (2019). Pacto Global da ONU - Estudo de CEO da Estratégia Accenture 2019 – A Década para Entregar: Um Chamado à Ação Empresarial. Recuperado em 26 de maio de 2022, em https://www.unglobalcompact.org/library/5715