作者：  （1）Aarav Patel，阿米蒂地区高中，电子邮箱：aarav.dhp@gmail.com;  （2）Peter Gloor，麻省理工学院集体智慧中心，通讯作者——电子邮箱：pgloor@mit.edu。 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 2.相关工作 现有的 ESG 相关研究主要分为两类。一些论文旨在将 ESG 绩效与财务绩效关联起来，看看公司的企业社会责任 (CSR) 是否可用于预测未来的股票表现 (Jain 等人，2019 年)。其他论文提出了新的数据驱动方法来增强和自动化 ESG 评级测量，以避免现有的谬误/低效率 (Hisano 等人，2020 年；Krappel 等人，2021 年；Liao 等人，2017 年；Lin 等人，2018 年；Shahi 等人，2011 年；Sokolov 等人，2021 年；Venturelli 等人，2017 年；Wicher 等人，2019 年)。本文将属于后一类。 由于许多公司每年都会发布可持续发展报告，因此许多研究人员会利用这些内容进行分析。分析通常使用文本挖掘来确定 ESG 主题和趋势。为了解析和利用这些数据，研究人员创建了分类模型，可以将句子/段落分类为各种 ESG 子维度（Liao 等人，2017 年；Lin 等人，2018 年）。此外，一些研究人员还使用这些文本分类算法来分析可持续发展报告的完整性（Shahi 等人，2011 年）。这是因为公司有时会限制其文件中有关负面 ESG 方面的披露。这两种工具都可以帮助使用公司文件自动进行 ESG 评分，从而增加没有 ESG 覆盖的公司访问的机会。 然而，仅仅依靠自报文件进行分析存在缺陷，因为它没有考虑遗漏的数据或较新的发展。因此，研究人员一直在测试替代方法来解决这个问题。例如，一些研究人员利用模糊专家系统 (FES) 或模糊分析网络过程 (FANP)，从定量指标（即全球报告倡议提供的指标）和调查/访谈中的定性特征中提取数据 (Venturelli 等人，2017 年；Wicher 等人，2019 年)。其他人从 Twitter 等在线社交网络收集数据来分析公司的可持续性状况。例如，一些人使用自然语言处理 (NLP) 框架将推文分类为各种 ESG 主题并确定它们是正面的还是负面的 (Sokolov 等人，2021 年)。此外，一些人使用结合了各种负面新闻数据集数据的异构信息网络并使用机器学习来预测 ESG (Hisano 等人，2020 年)。最后，其他人探索了使用公司概况和财务状况等基本数据来预测 ESG 的可行性 (Krappel 等人，2021 年)。总体而言，所有这些方法都旨在通过使用更平衡、更公正和实时的数据来改进自我报告文件。 该论文 。 可在 arxiv 上根据 CC BY-NC-ND 4.0 DEED 许可获取

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

Read My Stories

carbonization

該音頻是用故事的原始語言製作的！

太長; 讀書

Boost your HackerNoon story @ $159.99! 🚀

创建系统的 ESG 评分体系：相关工作

About Author

註釋

標籤

这篇文章刊登在

Related Stories

扬帆起航：利用数据湖开发生产级 RAG 应用程序

架构师指南：构建 AI/ML 数据湖参考架构

数字游民请注意：您需要了解泰国新推出的 DTV 签证

扬帆起航：利用数据湖开发生产级 RAG 应用程序

架构师指南：构建 AI/ML 数据湖参考架构

数字游民请注意：您需要了解泰国新推出的 DTV 签证

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps