Evaluating ESG efficiency using DEA an analysis of Dow Jones Industrial average companies
Notice bibliographique
Résumé
In today's investment climate, the integration of Environmental, Social, and Governance (ESG) factors into strategic decision-making is essential, particularly in industry performance analysis. The article employs Data Envelopment Analysis (DEA) to calculate and contrast ESG efficiency for a broad variety of industries represented in companies in the Dow Jones Industrial Average. Through adopting three other DEA methods—the Constant Returns to Scale (CCR) model and input- and output-oriented Banker, Charnes, and Cooper (BCC) models—we provide a comprehensive framework to analyze how ESG inputs are allocated across different industries to achieve stock price appreciation. The results have important variations in different sectors. For example, the Technology & Telecom, Financial Services, and Retail & Consumer Goods industries have efficiency scores calculated much higher using the input-oriented BCC approach (INBCC) compared to when the scores are derived from the CCR model. This indicates very efficient management of resources that is masked under the constant return assumption. In contrast, industries like Media and Entertainment have efficiency scores that are high across different models, while others like Aerospace and Defense perform better once, they change their priority to output maximization. The results show that the selection of DEA methodology has a strong impact on efficiency scores and that the impact differs by industry. These findings provide industry-specific benchmarks for corporate practitioners, investors, and policymakers in return for fostering sustainable practices and enhancing portfolio selection strategies.
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 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 | 0,012 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,003 | 0,015 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».