Autores:  (1) Aarav Patel, Amity Regional High School – e-mail: aarav.dhp@gmail.com;  (2) Peter Gloor, Centro de Inteligência Coletiva, Instituto de Tecnologia de Massachusetts e autor correspondente – email: pgloor@mit.edu.  Tabela de links   Resumo e Introdução   Trabalhos relacionados   Propósito   Métodos   Resultados   Discussão   Conclusão e Bibliografia  2. Trabalhos Relacionados  A investigação existente relacionada com ESG enquadra-se em duas categorias principais. Alguns artigos visam correlacionar o desempenho ESG com o desempenho financeiro e verificar se a Responsabilidade Social Corporativa (RSC) de uma empresa pode ser usada para prever o desempenho futuro das ações (Jain et al., 2019). Outros artigos propõem novos métodos baseados em dados para melhorar e automatizar a medição da classificação ESG para evitar falácias/ineficiências 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; Este artigo se enquadrará nesta última categoria.  Como muitas empresas publicam relatórios de sustentabilidade anualmente, muitos investigadores utilizam este conteúdo para análise. Isso normalmente é feito usando mineração de texto para identificar tópicos e tendências ESG. Para analisar e aproveitar esses dados, os pesquisadores criaram modelos de classificação que podem classificar frases/parágrafos em várias subdimensões ESG (Liao et al., 2017; Lin et al., 2018). Além disso, alguns investigadores têm utilizado estes algoritmos de classificação de texto para analisar a integralidade dos relatórios de sustentabilidade (Shahi et al., 2011). Isso ocorre porque as empresas às vezes limitam a divulgação de aspectos ASG negativos em seus registros. Ambas as ferramentas podem auxiliar na pontuação ESG automática usando registros de empresas, o que aumenta o acesso para empresas sem cobertura ESG.  No entanto, existem deficiências em confiar exclusivamente em registos auto-relatados para análise, uma vez que não considera dados omitidos ou desenvolvimentos mais recentes. Como resultado, os pesquisadores têm testado métodos alternativos para resolver isso. Por exemplo, alguns investigadores utilizam o Fuzzy Expert System (FES) ou um Fuzzy Analytic Network Process (FANP), extraindo dados de indicadores quantitativos (ou seja, métricas fornecidas pela Global Reporting Initiative) e características qualitativas de inquéritos/entrevistas (Venturelli et al. , 2017; Outros recolheram dados de redes sociais online como o Twitter para analisar o perfil de sustentabilidade de uma empresa. Por exemplo, alguns usaram estruturas de Processamento de Linguagem Natural (PNL) para classificar Tweets em vários tópicos ESG e determinar se são positivos ou negativos (Sokolov et al., 2021). Além disso, alguns utilizaram redes de informação heterogéneas que combinaram dados de vários conjuntos de dados de notícias negativas e utilizaram aprendizagem automática para prever ESG (Hisano et al., 2020). Finalmente, outros exploraram a viabilidade de utilizar dados fundamentais, como o perfil e as finanças de uma empresa, para prever ESG (Krappel et al., 2021). No geral, todos estes métodos visavam melhorar os registos auto-relatados através da utilização de dados mais equilibrados, imparciais e em tempo real.  Este artigo está   sob licença CC BY-NC-ND 4.0 DEED. disponível no arxiv

Part of HackerNoon's growing list of open-source research papers, promoting free access to academic material.

Read My Stories

carbonization

Este áudio é produzido no idioma original da história!

Muito longo; Para ler

Boost your HackerNoon story @ $159.99! 🚀

Criando um Sistema Sistemático de Pontuação ESG: Trabalhos Relacionados

About Author

COMENTARIOS

Rótulos

ESTE ARTIGO FOI APRESENTADO EM

Related Stories

Telegram: a ponte da Crypto Island para o continente

Uma breve introdução à teoria do cérebro de Boltzmann

Criando produtos criptográficos centrados no usuário: a importância do feedback do cliente

Telegram: a ponte da Crypto Island para o continente

Uma breve introdução à teoria do cérebro de Boltzmann

Criando produtos criptográficos centrados no usuário: a importância do feedback do cliente

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps