Nachhaltigkeitsbewertung von Start-ups mit dem ESG Starter und dem GHG & Impact-Estimator. Hintergrundpapier.
Bibliographic record
Abstract
Die Bewertung der ökologischen und gesellschaftlichen Wirkungen von Start-ups ist mit hohen Unsicherheiten und erheblichem Aufwand verbunden. Daher werden nachhaltigkeitsorientierte Aspekte in Investitionsentscheidungen oft nicht ausreichend berücksichtigt. Dies führt dazu, dass vielversprechende Start-ups mit hohem Nachhaltigkeitspotenzial und gesellschaftlichem Nutzen häufig nicht genug erkannt werden und keine ausreichende finanzielle Unterstützung erhalten (Fichter et al., 2024), während Kapital möglicherweise in weniger nachhaltige oder weniger wirkungsvolle Unternehmen oder gleich gar nicht in junge innovative Unternehmen fließt. Diese Fehlallokation von Kapital führt dazu, dass Startups mit hohem Nachhaltigkeitspotenzial aufgrund der nicht ausreichenden Würdigung ihrer positiven externen Wirkungen oft größere Herausforderungen haben, um ihre Ideen weiterzuentwickeln, zu skalieren und somit ihr Wirkungspotenzial auszuschöpfen. Eine richtungssichere Nachhaltigkeitsbewertung ermöglicht, Kapital besser in Richtung gesellschaftlicher Ziele und innovationspolitischer “Missionen” (BMBF, 2023) zu kanalisieren und die Chancen zu erhöhen, dass sich innovative Lösungen zur Bewältigung der ökologischen und gesellschaftlichen Herausforderungen erfolgreich im Markt etablieren.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.009 | 0.025 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.003 |
| Bibliometrics | 0.004 | 0.004 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.002 | 0.002 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.030 | 0.006 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".