The Quest for an ESG Country Rank: A Performance Contribution Analysis/MCDM Approach
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Utilizing Multi-Criteria Decision Analysis (MCDA) methods based on environmental, social, and governance (ESG) factors to rank countries according to these criteria aims to evaluate and prioritize countries based on their performance in environmental, social, and governance aspects. The contemporary world is influenced by a multitude of factors, which consequently impact our lives. Various models are devised to assess company performance, with the intention of enhancing quality of life. An exemplary case is the ESG framework, encompassing environmental, social, and governmental dimensions. Implementing this framework is intricate, and many nations are keen on understanding their global ranking and avenues for enhancement. Different statistical and mathematical methods have been employed to represent these rankings. This research endeavors to examine both types of methods to ascertain the one yielding the optimal outcome. The ESG model comprises eleven factors, each contributing to its efficacy. We employ the Performance Contribution Analysis (PCA), Clifford algebra method, and entropy weight technique to rank these factors, aiming to identify the most influential factor in countries’ ESG-based rankings. Based on prioritization results, political stability (PSAV) and the voice of accountability (VA) emerge as pivotal elements. In light of the ESG model and MCDA methods, the following countries exhibit significant societal impact: Sweden, Finland, New Zealand, Luxembourg, Switzerland, Denmark, India, Norway, Canada, Germany, Austria, and Australia. This research contributes in two distinct dimensions, considering the global context and MCDA methods employed. Undoubtedly, a research gap is identified, necessitating the development of a novel model for the comparative evaluation of countries in relation to prior studies.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,009 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle