Journal of Economics, Entrepreneurship and Law

Экономика, предпринимательство и право

2222-534X

BIBLIO-GLOBUS Publishing House

121296

10.18334/epp.14.8.121296

ARCCPT

Articles

Статьи

Research Article

Application of machine learning algorithms to predict companies' ESG rankings in the interest of value creation in financial management

Применение алгоритмов машинного обучения для прогнозирования ESG-рейтинга корпораций в интересах формирования стоимости в финансовом менеджменте

https://orcid.org/0000-0002-5285-8944

4395-6571

Ndzhoroge

Parmenas Kimani

Нджороге

Парменас Кимани

преподаватель факультета управления

ndzhoroge@sfedu.ru

South Federal University Южный федеральный университет

31 08 2024

14 8

VOL 14, NO8 (2024)

ТОМ 14, №8 (2024)

4227 4242 11 06 2024

2024

Ndzhoroge P.K.

Нджороге П.К.

https://1economic.ru/lib/121296

ESG rankings reveal the extent to which a firm is exposed to environmental, social, and governance risks, providing stakeholders with additional information for decision-making in financial management. Despite the stakeholders' growing attention to ESG factors, there are certain challenges that hinder effective assessment. Thus, there is inconsistency in the methodologies used by different ranking agencies and variability in the list of companies they analyze each year. As a result, some companies may lack available ESG rankings and assessments for all periods, making it difficult for stakeholders — including managers, investors, and shareholders — to effectively evaluate ESG risks. This study addresses this gap by proposing a new machine learning algorithm for predicting ESG rankings. The algorithm includes such factors as water consumption, environmental practices, labor standards, occupational safety, and human resource management. This algorithm can be transformed into a computer program with an interface that allows stakeholders to input variables and predict ESG rankings. This capability enables better assessment of companies' risk exposure, improving investment decisions and value creation for the company. The article will be of interest to researchers in corporate financial management with a value-based approach, as well as managers and business owners making decisions about company development considering the impact of ESG risks.

ESG-рейтинги раскрывают степень подверженности фирмы экологическим, социальным и управленческим рискам, представляя заинтересованным лицам дополнительную информацию для принятия решений в финансовом менеджменте. Несмотря на возрастающее внимание к факторам ESG со стороны заинтересованных сторон, существуют определенные проблемы, затрудняющие эффективную оценку. В частности, несогласованность методик, используемых различными рейтинговыми агентствами, а также изменчивость списка компаний, которые они анализируют каждый год. В результате некоторые компании могут не иметь доступных ESG-рейтингов и оценок за все периоды, что мешает заинтересованным сторонам — включая менеджеров, инвесторов и акционеров — эффективно оценивать ESG-риски. Настоящее исследование устраняет этот пробел, предлагая новый алгоритм машинного обучения для прогнозирования ESG-рейтингов, который использует такие факторы, как потребление воды, экологические практики, трудовые стандарты, охрана труда и управление человеческими ресурсами. Предложенный автором алгоритм может быть преобразован в компьютерную программу с интерфейсом, позволяющим заинтересованным сторонам вводить переменные и прогнозировать ESG-рейтинги, что позволит лучше оценивать подверженность компаний рискам, улучшая инвестиционные решения и формирование стоимости компании. Статья будет интересна исследователям финансового менеджмент корпораций в рамках стоимостного подхода, менеджерам и владельцам бизнеса, принимающим решения о развитии компаний с учетом влияния ESG-рисков.

ESG ranking machine learning artificial intelligence sustainable development ESG sustainable investments

рейтинг ESG Машинное обучение искусственный интеллект устойчивое развитие Экология социальная сфера и управление (ESG) устойчивое инвестирование

1. Абрамян Г.А., Шевченко Д.А. Оценка устойчивости инвестиционного развития Южно-российского приграничья в условиях социально-политической нестабильности // Modern Economy Success. – 2023. – № 1. – c. 89-95.

2. Калицева К.А., Чараева М.В. Систематизация индикаторов устойчивого развития южнороссийских регионов на основе концепции устойчивого развития // Финансы. Деньги. Инвестиции. – 2023. – № 3(87). – c. 3-19. – doi: 10.36992/2222-0917_2023_3_3.

3. Чараева М.В. ESG-инвестирование и развитие организаций: тенденции, перспективы, зарубежный опыт. / В книге: Современные тенденции и направления развития статистики и аналитики. - Москва: Кнорус, 2023. – 109-120 c.

4. Breiman L. Randomizing outputs to increase prediction accuracy // Machine Learning. – 2000. – № 3. – p. 229-242.

5. Carmine de F., Geissler C.J., Margot V., Monnier B. ESG Investments: Filtering versus Machine Learning Approaches // Applied Economics and Finance. – 2021. – № 2. – p. 1-16. – doi: 10.11114/aef.v8i2.5097.

6. Chong J., Phillips G. ESG investing: A simple approach // Journal of Wealth Management,. – 2016. – № 19(2). – p. 73-88.

7. Diamond D., Verrecchia R. Optimal managerial contracts and equilibrium security prices // The Journal of Finance. – 1982. – № 2. – p. 275-287. – doi: 10.1111/J.1540-6261.1982.TB03550.X.

8. ESG Corporate rankings. RAEX Europe. [Электронный ресурс]. URL: https://raexpert.eu/esg_corporate_ranking/ (дата обращения: 04.04.2023).

9. Friedman J. On bias, variance, 0/1-loss, and the curse-of-dimensionality // Data Mining and Knowledge Discovery. – 1997. – № 1. – p. 55-77.

10.

10. Geron A. Hands-On Machine Learning with Scikit - Learn TensorFlow. / 2nd edition. - Sebastopol O’Reilly Media, Inc., 2017. – 63 p.

11.

11. Geurts P., Ernst D., Wehenkel L. Extremely randomized trees // Machine Learning. – 2006. – № 1. – p. 3-42. – doi: 10.1007/s10994-006-6226-1.

12.

12. Geurts P., Wehenkel L. Investigation and reduction of discretization variance in decision tree induction // Lecture Notes in Computer Science. – 2000. – p. 162-170.

13.

13. Lee O., Joo H., Choi H., Cheon M. Proposing an integrated approach to analyzing ESG data via Machine Learning and deep learning algorithms // Sustainability. – 2022. – № 14. – p. 8745. – doi: 10.3390/su14148745.

14.

14. Methodology For Assigning Environmental, Social And Governance Ratings To Corporates. RAEX Europe. [Электронный ресурс]. URL: https://www.raexpert.eu/files/Methodology_ESG_Corporates_V3.pdf (дата обращения: 04.03.2023).

15.

15. Ndzhoroge P.K., Szczygiel N., Shevchenko D.A., Abramyan G.A. Impact of Unethical Behaviour on the Value of Firms in the Real Sector. / In book: Innovative Trends in International Business and Sustainable Management. Approaches to Global Sustainability, Markets, and Governance., 2023. – 391-400 p.

16.

16. Sharma U., Gupta A., Gupta S.K. The pertinence of incorporating ESG ratings to make investment decisions: a quantitative analysis using machine learning // Journal of Sustainable Finance and Investment. – 2024. – № 1. – p. 184-198. – doi: 10.1080/20430795.2021.2013151.

17.

17. Some infinity theory for predictor ensembles. University of California, Department of Statistics. [Электронный ресурс]. URL: https://www.stat.berkeley.edu/users/breiman/some_theory2000.pdf (дата обращения: 15.11.2023).