Syftet med denna studie är att utveckla en metod för att bedöma social prestation. Traditionellt använder leverantörer av miljö, social och styrning (ESG) subjektivt viktade aritmetiska medelvärden för att kombinera en uppsättning sociala prestationsindikatorer (SP) till en enda värdering. För att övervinna detta problem undersöker denna studie förutsättningarna för en ny metodik för att klassificera SP-komponenten i ESG genom att tillämpa maskininlärning (ML) och artificiell intelligens (AI) förankrade i sociala kontroverser.

Den här studien föreslår användningen av en datadriven klassificeringsmetodik som härleder den relativa betydelsen av SP-egenskaper från deras bidrag till förutsägelsen av sociala kontroverser. Författarna använder den föreslagna metoden för att lösa viktningsproblemet med övergripande ESG-betyg och ytterligare undersöka om förutsägelse är möjlig.

Författarna finner att ML-modeller kan förutsäga kontroverser med hög prediktiv prestanda och validitet. Resultaten tyder på att viktningsproblemet med ESG-betygen kan lösas med ett datadrivet tillvägagångssätt. Den avgörande förutsättningen för den föreslagna ratingmetodiken är dock att sociala kontroverser förutsägs av en bred uppsättning SP-indikatorer. Resultaten tyder också på att prediktivt giltiga betyg kan utvecklas med denna ML-baserade AI-metod.

Praktiska konsekvenser

Denna studie erbjuder praktiska lösningar på ESG-ratingproblem som har konsekvenser för investerare, ESG-bedömare och socialt ansvarsfulla investeringar.

Den föreslagna ML-baserade AI-metoden kan bidra till att uppnå bättre ESG-betyg, vilket i sin tur kommer att bidra till att förbättra SP, vilket får konsekvenser för organisationer och samhällen genom hållbar utveckling.

Så vitt författarna vet är denna forskning en av de första studierna som erbjuder en unik metod för att ta itu med ESG-betygsproblemet och förbättra hållbarheten genom att fokusera på SP-indikatorer.

The purpose of this study is to develop a method to assess social performance. Traditionally, environment, social and governance (ESG) rating providers use subjectively weighted arithmetic averages to combine a set of social performance (SP) indicators into one single rating. To overcome this problem, this study investigates the preconditions for a new methodology for rating the SP component of the ESG by applying machine learning (ML) and artificial intelligence (AI) anchored to social controversies.

This study proposes the use of a data-driven rating methodology that derives the relative importance of SP features from their contribution to the prediction of social controversies. The authors use the proposed methodology to solve the weighting problem with overall ESG ratings and further investigate whether prediction is possible.

The authors find that ML models are able to predict controversies with high predictive performance and validity. The findings indicate that the weighting problem with the ESG ratings can be addressed with a data-driven approach. The decisive prerequisite, however, for the proposed rating methodology is that social controversies are predicted by a broad set of SP indicators. The results also suggest that predictively valid ratings can be developed with this ML-based AI method.

Practical implications

This study offers practical solutions to ESG rating problems that have implications for investors, ESG raters and socially responsible investments.

The proposed ML-based AI method can help to achieve better ESG ratings, which will in turn, help to improve SP, which has implications for organizations and societies through sustainable development.

To the best of the authors’ knowledge, this research is one of the first studies that offers a unique method to address the ESG rating problem and improve sustainability by focusing on SP indicators.