创建系统的 ESG 评分体系：结论和参考书目

链接表

• 摘要和引言
• 相关作品
• 目的
• 方法
• 结果
• 讨论
• 结论和参考书目

7. 结论

所提出的 ESG 分析算法有助于标准化所有公司的 ESG 评估。这是因为它通过结合外部社交网络分析来限制自我报告偏差，从而获得更均衡的结果。基于社交网络的 ESG 指数还可以直接显示人们希望改变哪些领域，从而可以更好地将高管的努力集中在有意义的变革上。此外，利用机器学习，该模型可以生成公司社会责任的代理，这可以帮助确定没有分析师覆盖的较小公司的 ESG。这将帮助更多公司以自动化方式获得 ESG 评级，从而可以在小公司和大公司之间创造更公平的竞争环境，并最终帮助更多承担社会责任的公司获胜。总体而言，该项目对弥合 ESG 差距具有广泛的影响。这将有助于将大量 ESG 资本重新投入到更可持续和更符合道德的举措中。

参考书目

A Sokolov、J Mostovoy、J Ding、L Seco。2021 年。构建用于自动 ESG 评分的机器学习系统。《影响力与 ESG 投资杂志》1 (3)，39-50

AM Shahi、B. Issac 和 JR Modapothala。2011 年。《企业可持续发展报告的监督文本分类算法分析》。《2011 年计算机科学与网络技术国际会议论文集》，第 1 卷。96–100

Akbik, Blythe 和 Vollgraf。“用于序列标记的上下文字符串嵌入。”第 27 届国际计算语言学会议论文集，第 1638-1649 页，美国新墨西哥州圣达菲，2018 年 8 月 20-26 日

Andrea Venturelli、Fabio Caputo、Rossella Leopizzi、Giovanni Mastroleo 和 Chiara Mio。2017 年。如何评估 CSR 身份？使用模糊专家系统的初步研究。清洁生产杂志 141（2017 年），1000 – 1010。

Awad, M.，Khanna, R. (2015)。支持向量回归。在：高效学习机器。Apress，加州伯克利。https://doi.org/10.1007/978-1-4302-5990-9_4

Berg, Florian 等人。“总体混乱：ESG 评级的分歧。” SSRN 电子期刊，2019 年，doi：10.2139/ssrn.3438533。

CDP。（2017 年 7 月 10 日）。新报告显示，仅 100 家公司就占了 70% 以上的排放源。检索日期：2022 年 5 月 24 日，来自 http://www.cdp.net/en/articles/media/new-report-shows-just-100-companies-are-source-of-over-70-of-emissions

陈天齐和 Guestrin Carlos。“XGBoost：可扩展的树提升系统。”KDD '16：第 22 届 ACM SIGKDD 国际知识发现和数据挖掘会议论文集，2016 年 8 月，第 785-794 页，doi：10.1145/2939672.2939785

de Beer D, Matthee M. 识别假新闻的方法：系统文献综述。数字时代综合科学 2020。2020 年 5 月 5 日；136：13–22。doi：10.1007/978-3-030-49264-9_2。PMCID：PMC7250114。

Oliver Kramer。《使用无监督最近邻进行降维》，2013 年，第 51 卷，ISBN：978-3-642-38651-0

Drempetic, Samuel 等人。“公司规模对 ESG 评分的影响：企业可持续性评级正在审查中。”《商业伦理杂志》，第 167 卷，第 2 期，2019 年，第 333-360 页。doi：10.1007/s10551-019-04164-1

Gloor, Peter A. 等。“Web Science 2.0：通过语义社会网络分析识别趋势。”2009 年国际计算科学与工程会议，2009 年，doi：10.1109/cse.2009.186。

Ho, TK (1995). 随机决策森林。第三届国际文档分析与识别会议论文集（第 1 卷，第 278-282 页）。

Jain, M.、Sharma, GD 和 Srivastava, M. (2019)。可持续投资能否产生更好的财务回报：ESG 指数和 MSCI 指数的比较研究。Risks，7(1)，15。https://doi.org/10.3390/risks7010015

Kotsantonis, Sakis 和 George Serafeim。“关于 ESG 数据，没人会告诉你的四件事。”《应用公司金融杂志》，第 31 卷，第 2 期，2019 年，第 50-58 页。doi：10.1111/jacf.12346

Pavel Wicher、František Zapletal 和 Radim Lenort。2019 年。使用模糊分析网络过程对工业企业可持续性绩效进行评估。《清洁生产杂志》241（2019 年）。

Pin-Chao Liao、Ni-Ni Xia、Chun-Lin Wu、Xiao-Ling Zhang 和 Jui-Lin Yeh。2017 年。《传达国际承包商的企业社会责任 (CSR)：CSR 报告的内容分析》。《清洁生产杂志》156（2017 年），第 327-336 页。

Rao, Prashanth。“Python 中的细粒度情感分析（第 1 部分）”。Medium，Towards Data Science，2019 年 9 月 9 日，towardsdatascience.com/fine-grained-sentiment-analysis-in-pythonpart-1-2697bb111ed4。

Ryohei Hisano、Didier Sornette 和 Takayuki Mizuno。2020 年。使用异构信息网络预测 ESG 合规性。大数据杂志 7, 1 (2020), 22

S.-J. Lin 和 M.-F. Hsu。2018 年。通过从 CSR 新闻报道中提取软信息进行决策。经济技术与经济发展 24, 4 (2018)，1344–1361。

标普全球。（第二版）。ESG 评估 | 标普全球。2022 年 5 月 24 日检索自 http://www.spglobal.com/ratings/en/products-benefits/products/esg-evaluation

Stackpole, Beth。“可持续企业为何需要更好的 ESG 评级。”麻省理工学院斯隆管理学院，2021 年 12 月 6 日，mitsloan.mit.edu/ideas-made-to-matter/why-sustainable-business-needs-better-esgratings。

shweta-29。“Shweta-29/Companies_ESG_Scraper：此存储库包含一个工具，用于提取公司的 ESG 评级和财务指标并将其加载到 SQL 中。” GitHub，github.com/shweta-29/Companies_ESG_Scraper

T Krappel、A Bogun、D Borth。2021 年。用于 ESG 评级预测的异构集成。金融机器学习 KDD 研讨会

联合国全球契约。（2016 年）。联合国全球契约-埃森哲战略首席执行官研究 2016。检索日期：2022 年 5 月 26 日，来自 https://www.unglobalcompact.org/library/4331

联合国全球契约。（2019 年）。联合国全球契约 - 埃森哲战略 2019 年 CEO 研究 - 十年行动：呼吁企业采取行动。检索日期：2022 年 5 月 26 日，来自 https://www.unglobalcompact.org/library/5715