Tạo hệ thống tính điểm ESG có hệ thống: Công việc liên quan

Bảng liên kết

• Tóm tắt và giới thiệu
• Tác phẩm liên quan
• Mục đích
• phương pháp
• Kết quả
• Cuộc thảo luận
• Kết luận và thư mục

2. Công trình liên quan

Nghiên cứu liên quan đến ESG hiện tại thuộc hai loại chính. Một số bài viết nhằm mục đích tương quan giữa hiệu suất ESG với hiệu quả tài chính và xem liệu Trách nhiệm xã hội doanh nghiệp (CSR) của công ty có thể được sử dụng để dự đoán hiệu suất cổ phiếu trong tương lai hay không (Jain et al., 2019). Các bài viết khác đề xuất các phương pháp mới dựa trên dữ liệu để tăng cường và tự động hóa việc đo lường xếp hạng ESG nhằm tránh những sai lầm/sự kém hiệu quả hiện có (Hisano và cộng sự, 2020; Krappel và cộng sự, 2021; Liao và cộng sự, 2017; Lin và cộng sự, 2018; Shahi và cộng sự, 2011; Sokolov và cộng sự, 2021; Venturelli và cộng sự, 2017; Bài viết này sẽ rơi vào loại sau.

Vì nhiều công ty xuất bản báo cáo phát triển bền vững hàng năm nên nhiều nhà nghiên cứu sử dụng nội dung này để phân tích. Điều này thường được thực hiện bằng cách sử dụng khai thác văn bản để xác định các chủ đề và xu hướng ESG. Để phân tích và tận dụng dữ liệu này, các nhà nghiên cứu đã tạo ra các mô hình phân loại có thể phân loại câu/đoạn văn thành nhiều phân khu ESG khác nhau (Liao et al., 2017; Lin et al., 2018). Ngoài ra, một số nhà nghiên cứu đã sử dụng các thuật toán phân loại văn bản này để phân tích tính đầy đủ của các báo cáo phát triển bền vững (Shahi và cộng sự, 2011). Điều này là do các công ty đôi khi hạn chế tiết lộ các khía cạnh tiêu cực về ESG trong hồ sơ của họ. Cả hai công cụ đều có thể hỗ trợ tính điểm ESG tự động bằng cách sử dụng hồ sơ của công ty, giúp tăng quyền truy cập cho các công ty không có phạm vi bảo hiểm ESG.

Tuy nhiên, có những thiếu sót khi chỉ dựa vào hồ sơ tự báo cáo để phân tích vì không xem xét được dữ liệu bị bỏ sót hoặc những phát triển mới hơn. Do đó, các nhà nghiên cứu đã thử nghiệm các phương pháp thay thế để giải quyết vấn đề này. Ví dụ: một số nhà nghiên cứu sử dụng Hệ thống chuyên gia mờ (FES) hoặc Quy trình mạng phân tích mờ (FANP), lấy dữ liệu từ các chỉ số định lượng (tức là số liệu do Sáng kiến báo cáo toàn cầu cung cấp) và các đặc điểm định tính từ khảo sát/phỏng vấn (Venturelli et al. , 2017; Wicher và cộng sự, 2019). Những người khác thu thập dữ liệu từ các mạng xã hội trực tuyến như Twitter để phân tích hồ sơ phát triển bền vững của công ty. Ví dụ: một số khung Xử lý ngôn ngữ tự nhiên (NLP) đã sử dụng để phân loại Tweet thành các chủ đề ESG khác nhau và xác định xem chúng là tích cực hay tiêu cực (Sokolov và cộng sự, 2021). Hơn nữa, một số mạng thông tin không đồng nhất đã sử dụng kết hợp dữ liệu từ nhiều bộ dữ liệu tin tức tiêu cực khác nhau và sử dụng công nghệ học máy để dự đoán ESG (Hisano và cộng sự, 2020). Cuối cùng, những người khác khám phá khả năng tồn tại của việc sử dụng dữ liệu cơ bản như hồ sơ và tài chính của công ty để dự đoán ESG (Krappel và cộng sự, 2021). Nhìn chung, tất cả các phương pháp này đều nhằm mục đích cải thiện việc tự báo cáo hồ sơ bằng cách sử dụng dữ liệu cân bằng hơn, không thiên vị và theo thời gian thực.