Multimodal Temporal Deep Learning for ESG Assessment and Sustainability Forecasting: Implications for Responsible Business in Emerging Markets
تقترح هذه الورقة إطار عمل للتعلم العميق متعدد الطبقات (MTDLF) يجمع بين ترميز النصوص الفيتنامية القائم على نموذج PhoBERT والنمذجة المالية الزمنية للتنبؤ بدقة بعضوية مؤشر فيتنام للاستدامة لشركات الأسواق الناشئة، مما يعالج الفجوات الحرجة في معالجة بيانات الحوكمة البيئية والاجتماعية وحوكمة الشركات (ESG) غير المهيكلة وتحليل المسار الطولي.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
في عالم التمويل، كانت ثورة هادئة تجري على مدار العقدين الماضيين. لم يعد المستثمرون ينظرون فقط إلى مقدار المال الذي تجنيه الشركة، بل باتوا يتساءلون بشكل متزايد عن كيفية جني ذلك المال. هذا التحول، المعروف باسم المعايير البيئية والاجتماعية والحوكمة (ESG)، يسأل عما إذا كانت الشركة تعامل موظفيها بشكل جيد، وتحمي البيئة، وتدير شؤونها بنزاهة. لفترة طويلة، تمت الإجابة على هذه الأسئلة بآراء عامة وذاتية. ومع ذلك، ومع توجه العالم نحو مستقبل يكون فيه تغير المناخ والاستقرار الاجتماعي محورين للصحة الاقتصادية، أصبحت الحاجة إلى إجابات دقيقة قائمة على البيانات أمراً ملحاً. وفي الأسواق الناشئة مثل فيتنام، حيث تتبنى الشركات هذه المعايير الجديدة بسرعة، ظهرت فجوة كبيرة: لا توجد أدوات موثوقة للتنبؤ بالشركات التي تسير حقاً على طريق الاستدامة وتلك التي تكتفي بمجرد الكلام. وبدون وسيلة لقياس المستقبل، يطير المستثمرون في عماء، غير قادرين على التمييز بين التقدم الحقيقي والوعود الفارغة.
لقد خطى فريق من الباحثين من جامعة الاقتصاد والقانون في مدينة هو تشي منه هذه الخطوة لسد هذه الفجوة عبر نهج جديد يجمع بين تحليل اللغة والبيانات المالية. ركزوا على مؤشر فيتنام للاستدامة، وهو قائمة مرموقة تضم أفضل عشرين شركة أداءً في البلاد، والتي يتم تحديثها سنوياً من قبل البแทน البورصة. كان التحدي يكمن في أن المعلومات اللازمة للتنبؤ بمن سيظهر في هذه القائمة كانت محبوسة في مكانين صعبين. أولاً، تُكتب الغالبية العظمى من التقارير المؤسسية في فيتنام باللغة الفيتنامية، وهي لغة نغمية تجد البرامج الحاسوبية القياسية صعوبة في فهمها. ثانياً، كانت البيانات مبعثرة عبر آلاف الصفحات من النصوص وجداول البيانات المالية المنفصلة، مع عدم وجود طريقة واحدة لربط القصة التي ترويها الشركة بالأرقام التي تبلغ عنها. علاوة على ذلك، غالباً ما كانت الدراسات السابقة تنظر إلى الشركات سنة بسنة، معتبرة كل عام حدثاً معزولاً، مما يؤدي إلى تفويت القصة الجوهرية لكيفية تحسن الشركة أو تراجعها بمرور الوقت.
ولحل هذه المشكلة، بنى الباحثون نظام ذكاء اصطناعي يتكون من مرحلتين مصمم للقراءة والفهم والتنبؤ. تعمل المرحلة الأولى كقارئ عميق؛ حيث تأخذ النصوص الضخمة غير المهيكلة للتقارير السنوية ووثائق الاستدامة، والتي قد تصل إلى مئات الصفحات، وتقوم بتفكيكها إلى أجزاء يمكن إدارتها. وباستخدام نموذج لغوي متخصص تم تدريبه خصيصاً على اللغة الفيتنامية، يقوم النظام بمسح هذه الوثائق للعثور على الجمل التي تتحدث عن البيئة، أو القضاية الاجتماعية، أو الحوكمة. ثم يقوم بوزن هذه الجمل، مع إيلاء اهتمام وثيق للادعاءات المحددة والقابلة للقياس — مثل خفض انبعاثات الكربون — مع تجاهل العبارات الغامضة والفضفاضة مثل "نحن نهتم بالكوكب". ثم يتم دمج هذا النص مع أحد عشر رقماً مالياً رئيسياً، مثل نمو الأرباح ومستويات الديون، لإنشاء ملف رقمي مدمج لكل شركة لهذا العام المحدد. يلتقط هذا الملف كلاً من الصحة المالية للشركة وجوهر التزاماتها الأخلاقية.
أما المرحلة الثانية من النظام، فتنظر إلى الصورة الكبيرة بمرور الوقت. فبدلاً من الحكم على الشركة بناءً على لقطة واحدة، يفحص هذا الجزء من النموذج التاريخ الممتد لثلاث سنوات للملف الرقمي للشركة. يتعلم النظام التعرف على أنماط التحسن الحقيقي، والتمييز بين شركة تتحسن باطراد وأخرى قد تمر بسنة جيدة واحدة تليها فترة ركود. ومن خلال تحليل هذا المسار، يمكن للنظام التنبؤ بما إذا كان من المرجح اختيار الشركة في مؤشر الاستدامة في العام المقبل. اختبر الباحثون هذا النظام على بيانات من 123 شركة مدرجة في سوق الأوراق المالية الفيتنامية على مدى ثماني سنوات، وهي مجموعة بيانات تضمنت ما يقرب من ألف ملاحظة. قاموا بتدريب النموذج على جزء من هذه البيانات ثم طلبوا منه التنبؤ بالنتائج لمجموعة من الشركات التي لم يسبق له رؤيتها من قبل.
كانت النتائج مذهلة. فقد نجح النظام في تحديد الشركات التي ستُدرج في مؤشر الاستدامة بدرجة عالية من الدقة، حيث حدد ما يقرب من تسعين بالمائة من الشركات المؤهلة بشكل صحيح. كان هذا المستوى من الأداء أفضل بكثير من التخمين العشوائي، ومتفوقاً بمراحل على الأساليب التي نظرت إلى الأرقام المالية أو النصوص وحدها. تشير الدراسة إلى أن النصوص التي تكتبها الشركات في تقاريرها تحمل قوة تنبؤية حقيقية، ولكن فقط عندما يتم تحليل هذا النص بالأدوات اللغوية المناسبة ودمجه مع البيانات المالية على مدار فترة زمنية. كما بنى الباحثون ميزة تعمل كمحاكي لسيناريوهات "ماذا لو". تتيح هذه الأداة للشركة أن تسأل: "إذا حسنّا هوامش أرباحنا بمقدار معين، فبكم تزداد فرصنا في دخول المؤشر؟" أو "إذا خفضنا ديوننا، فهل يساعد ذلك أكثر من خفض الانبعاثات؟". هذا يحول النموذج من مجرد متنبئ بسيط إلى دليل، يوضح للشركات بالضبط أي الروافع التي يتعين عليهن تحريكها ليصبحن أكثر استدامة.
تتحدى هذه النتائج الفكرة القائلة بأن الاستدامة هي مجرد مسألة علاقات عامة أو قائمة مهام بسيطة. يثبت البحث أن الاستدامة الحقيقية هي عملية معقدة ومتطورة تتطلب الكلمات الصحيحة والأفعال الصحيحة معاً، ويتم تتبعها باستمرار على مر السنين. وفي سوق تندر فيه التصنيفات الدولية ولا تزال معايير التقارير المحلية في طور النضج، يوفر هذا النهج طريقة جديدة لجلب الوضوح. ويشير إلى أنه من خلال الاستماع بعناية لما تقوله الشركات في لغتها الخاصة ومراقبة كيفية تغيرها بمرور الوقت، فمن الممكن رؤية مستقبل الأعمال المسؤولة بوضوة أكبر بكثير. لا تدعي الدراسة أنها حلت كل مشكلات قياس الأخلاق، مشيرة إلى أن النظام يعتمد على صدق التقارير ولا يمكنه اكتشاف ما إذا كانت الشركة تكذب بشأن أرقامها. ومع ذلك، فهي توفر عدسة جديدة قوية للمستثمرين والمنظمين لرؤية ما وراء السطح، والتمييز بين الشركات التي تبني حقاً مستقبلاً أفضل وتلك التي تحاول فقط الظهور بمظهر مناسب.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.