创建系统的 ESG 评分体系：讨论

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

6.讨论

随机森林回归模型可能表现最佳，因为它通过组合多个决策树的预测来工作。这使它可以提高其准确性并减少对一棵特定树的过度拟合，从而产生更好的结果。随机森林回归算法具有统计上显着的 R2 相关性 26.1%（p 值 <0.05），并且 MAAE 较低，为 13.4%。这些结果与使用其他数据来源完成的类似工作一致（Krappel 等人，2021 年）。例如，Krappel 等人的一篇论文通过将基本数据（即公司周围的财务数据和一般信息）输入集成机器学习算法来创建 ESG 预测系统。他们最准确的模型获得了 54% 的 R2 相关性和 11.3% 的 MAAE。虽然提出的算法相关性不如 Krappel 等人的模型，可能是因为它利用了定性数据，但它仍然凸显了使用社会情绪作为 ESG 代理的可行性。

所提出的算法显示出令人鼓舞的结果，凸显了其在 ESG 评级预测中的可行性。与使用自我披露的可持续性报告确定 ESG 的当前 ESG 评级者不同，所提出的算法的数据驱动方法可以进行更全面和平衡的评估。利用社会情绪还可以让高管衡量人们希望公司在哪些方面有所改进，从而帮助将行动集中在变革上。此外，该系统的架构允许在短时间内更新分数。最后，高管可以通过将其他关键字输入算法来测试它们。这些属性展示了该系统的灵活性以及相对于传统方法的优势。

然而，结果的一个局限性在于它是在标准普尔 500 指数公司中测试的。因此，结果可能不会适用于低于该指数的较小公司。另一个限制可能是社交网络数据中的错误信息。虽然这应该被其他评论所淡化，但它可能会改变算法的评级。此外，Flair 情绪分析算法有时会错误分类帖子/文章情绪，特别是当帖子/文章带有讽刺态度时。最后，对于这项研究，无法访问某些付费原生 API。因此，由于速率限制，收集的数据可能无法涵盖关键字的所有可用数据。

虽然该算法显示出了统计上显著的结果，但在未来的研究中仍有改进的空间。其中一些改进包括收集更多数据。这可以通过分析标准普尔 500 指数以外的更多公司或收集更多关键词和 ESG 子主题的数据来实现。这也可以通过使用本机 API 为每个单个关键词收集更多数据点来实现。此外，可以将更多数据源纳入模型。这可以通过整合其他社交网络（即 Reddit、Glassdoor）或包括来自公司报告和政府数据库的定量数据/统计数据（即女性担任董事会成员的百分比、范围 1 碳排放量等）来实现。

此外，为了更好地完成手头的任务，可以专门为 ESG 创建 NLP 算法。例如，虽然当前方法过滤了大量不相关的数据，但仍有一些不相关的数据会通过。因此，为了解决这个问题，可以训练一种新的监督学习算法，使用 TF-IDF 矢量化来识别相关文本主体。可以通过手动标记已经收集的数据来训练该算法。此外，长文/短文 NLP 算法也可以进一步优化。虽然 Flair 已经可以提供令人满意的结果，但有些文章似乎被错误分类，这可能是算法的错误来源。通过创建专门针对 ESG 分类的情绪分析算法，可以进一步提高长文和短文 NLP 算法的准确性。这可以通过创建带有权重的自定义 ESG 词典或针对分类的 ESG 数据训练新的 NLP 算法来实现。

最后，另一个需要改进的领域是帖子可信度：虽然少量的虚假信息不会显著改变结果，但最好还是尽可能降低这种风险。越来越多的文献探讨了社交网络上的虚假新闻识别。因此，这些方法可能用于识别虚假帖子/文章（de Beer 等人，2020 年）。此外，将公司文件中的“硬”定量数据添加到算法中可以作为额外的保障。最后，该算法可以优先考虑更集中/可信的参与者，以产生更安全的输出。

总体而言，这项研究为基于社交网络的 ESG 评估系统提供了一个概念验证框架。这项工作可以作为社交情绪 ESG 产品的后端逻辑，最终可供高管使用。虽然预先打包的库用于原型设计目的，但在未来的研究中，项目的这些方面可以得到优化。与依赖公司自报的现有框架不同，所提出的模型对公司的 ESG 正面和负面因素采取了更平衡的看法。总的来说，这可以帮助接近 ESG 的基本事实，从而更好地影响公司实践，使其更加可持续。