The relative importance of <scp>ESG</scp> pillars: A two‐step machine learning and analytical framework
Notice bibliographique
Résumé
Abstract This study aims to contribute to the ongoing and inconclusive debates regarding the relative significance of environmental, social, and governance (ESG) sustainability key performance indicators and their correlation with overall sustainability performance. We present a unique two‐step analytical framework to leverage Thomson Reuters' ESG Score (ASSET4) database to determine the most impactful ESG pillars and their subcomponents at both the firm and industry levels. This framework integrates the Method based on the Removal Effects of Criteria (MEREC) with K‐means cluster analysis. Through the MEREC‐K‐means framework, we determine the two most noteworthy ESG pillars within various industries, subsequently clustering them to form peer groups for comprehensive comparative analysis. We find that while the social and economic pillars are the two fundamental pillars of ESG performance in all industries in general, this prioritization sometimes differs from industry to industry. This research makes theoretical and practical contributions by introducing a novel dimensionality reduction technique in ESG pillars, offering valuable insights for strategic resource allocation in corporate social responsibility (CSR) and sustainability initiatives. The implications of our findings extend broadly to investors, policymakers, and practitioners, empowering them to make more informed decisions.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,014 | 0,036 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,012 | 0,007 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,006 | 0,003 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».