Multimodal Temporal Deep Learning for ESG Assessment and Sustainability Forecasting: Implications for Responsible Business in Emerging Markets
Dit artikel stelt een Multi-Tier Deep Learning Framework (MTDLF) voor dat PhoBERT-gebaseerde Vietnamese tekstcodering combineert met temporele financiële modellering om de lidmaatschapsstatus van de Vietnam Sustainability Index voor bedrijven op opkomende markten nauwkeurig te voorspellen, waarbij kritieke tekortkomingen in de verwerking van ongestructureerde ESG-data en longitudinale trajectanalyse worden aangepakt.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
In de wereld van de financiële sector heeft de afgelopen twee decennia een stille revolutie plaatsgevonden. Beleggers kijken niet langer uitsluitend naar hoeveel geld een bedrijf verdient; ze vragen zich steeds vaker af hoe dat geld wordt verdiend. Deze verschuiving, bekend als Environmental, Social, and Governance, of ESG, vraagt of een bedrijf zijn werknemers goed behandelt, het milieu beschermt en zijn zaken met eerlijkheid voert. Lange tijd werden deze vragen beantwoord met brede, subjectieve meningen. Echter, naarmate de wereld beweegt naar een toekomst waarin klimaatverandering en sociale stabiliteit centraal staan voor de economische gezondheid, is de behoefte aan precieze, op data gebaseerde antwoorden urgent geworden. In opkomende markten zoals Vietnam, waar bedrijven deze nieuwe standaarden snel adopteren, is er een aanzienlijke kloof ontstaan: er zijn geen betrouwbare instrumenten om te voorspellen welke bedrijven werkelijk op het pad van duurzaamheid liggen en welke slechts mooie woorden gebruiken. Zonder een manier om de toekomst te meten, vliegen beleggers blind rond, niet in staat om onderscheid te maken tussen oprechte vooruitgang en lege beloften.
Een team onderzoekers van de University of Economics and Law in Ho Chi Minhstad is deze kloof tegemoetgetreden met een nieuwe aanpak die taalanalyse combineert met financiële gegevens. Zij richtten zich op de Vietnam Sustainability Index, een prestigieuze lijst van de twintig best presterende bedrijven van het land, die jaarlijks door de effectenbeurs wordt bijgewerkt. De uitdaging was dat de informatie die nodig is om te voorspellen wie op deze lijst zou komen, verborgen lag op twee moeilijke plekken. Ten eerste zijn de overgrote meerderheid van de bedrijfsrapporten in Vietnam geschreven in het Vietnamees, een tonaal taal die standaard computerprogramma's moeite heeft te begrijpen. Ten tweede waren de gegevens verspreid over duizenden pagina's tekst en aparte financiële spreadsheets, zonder een enkele methode om het verhaal dat een bedrijf vertelt te verbinden met de cijfers die het rapporteert. Bovendien keken eerdere studies vaak naar bedrijven jaar voor jaar, waarbij elk jaar als een geïsoleerde gebeurtenis werd behandeld, waardoor het cruciale verhaal over hoe een bedrijf verbetert of achteruitgaat, werd gemist.
Om dit op te lossen, bouwden de onderzoekers een tweestaps kunstmatige intelligentie-systeem ontworpen om te lezen, te begrijpen en te voorspellen. De eerste fase fungeert als een diepe lezer. Het neemt de enorme, ongestructureerde tekst van jaarverslagen en duurzaamheidsdocumenten, die honderden pagina's kunnen beslaan, en breekt deze af in hanteerbare stukken. Met behulp van een gespecialiseerd taalmodel dat specifiek op het Vietnamees is getraind, scant het deze documenten om zinnen te vinden die gaan over het milieu, sociale kwesties of bestuur (governance). Vervolgens weegt het deze zinnen door nauwlettend te letten op specifie specifieke, meetbare claims — zoals een vermindering van de CO2-uitstoot — terwijl vage, oppervlakkige uitspraken zoals "wij geven om de planeet" worden genegeerd. Deze tekst wordt vervolgens samengevoegd met elf belangrijke financiële cijfers, zoals winstgroei en schuldenlast, om voor dat specifieke jaar een enkel, compact digitaal profiel voor elk bedrijf te creëren. Dit profiel legt zowel de financiële gezondheid als de inhoud van de ethische verplichtingen van het bedrijf vast.
De tweede fase van het systeem kijkt naar het grotere plaatje over de tijd heen. In plaats van een bedrijf te beoordelen op basis van een enkele momentopname, onderzoekt dit deel van het model de driejarige geschiedenis van het digitale profiel van het bedrijf. Het leert patronen van oprechte verbetering te herkennen, waarbij het onderscheid maakt tussen een bedrijf dat gestaag beter wordt en een bedrijf dat mogelijk één goed jaar heeft gevolgd door een terugval. Door deze trajectorie te analyseren, kan het systeem voorspellen of een bedrijf waarschijnlijk zal worden geselecteerd voor de duurzaamheidsindex in het komende jaar. De onderzoekers testten dit systeem op gegevens van 123 bedrijven die genoteerd staan aan de Vietnamese effectenbeurs over een periode van acht jaar, een dataset die bijna duizend observaties bevatte. Ze trainden het model op een deel van deze gegevens en vroegen het vervolgens om de uitkomsten te voorspellen voor een groep bedrijven die het nog nooit eerder had gezien.
De resultaten waren opmerkelijk. Het systeem identificeerde de bedrijven die in de duurzaamheidsindex zouden worden opgenomen met een hoge mate van nauwkeurigheid, waarbij het bijna negentig procent van de in aanmerking komende bedrijven correct markeerde. Dit prestatieniveau was aanzienlijk beter dan willekeurig gokken en veel superieur aan methoden die alleen naar financiële cijfers of tekst alleen keken. De studie suggereert dat de tekst die bedrijven in hun rapporten schrijven echte, voorspellende kracht bezit, maar alleen wanneer die tekst met de juiste taalhulpmiddelen wordt geanalyseerd en over een bepaalde periode wordt gecombineerd met financiële gegevens. De onderzoekers bouwden ook een functie die fungeert als een "wat als"-simulator. Dit hulpmiddel stelt een bedrijf in staat om te vragen: "Als we onze winstmarges met een bepaald bedrag verbeteren, hoeveel stijgt dan onze kans om de index te halen?" of "Als we onze schulden verlagen, helpt dat meer dan het verminderen van de uitstoot?" Dit verandert het model van een simpel voorspellingsinstrument in een gids, die bedrijven precies laat zien aan welke knoppen ze moeten draaien om duurzamer te worden.
De bevindingen dagen het idee uit dat duurzaamheid slechts een kwestie is van publieke relaties of een eenvoudige checklist. Het onderzoek toont aan dat echte duurzaamheid een complex, evoluerend proces is dat zowel de juiste woorden als de juiste acties vereist, die consistent over jaren worden gevolgd. In een markt waar internationale ratings schaars zijn en lokale rapportagestandaarden nog volwassenheid moeten bereiken, biedt deze aanpak een nieuwe manier om helderheid te brengen. Het suggereert dat door nauwgezet te luisteren naar wat bedrijven in hun eigen taal zeggen en te kijken hoe zij veranderen over de tijd, het mogelijk is om de toekomst van verantwoord ondernemen met veel meer helderheid te zien. De studie beweert niet elk probleem van het meten van ethiek te hebben opgelost, waarbij wordt opgemerkt dat het systeem afhankelijk is van de eerlijkheid van de rapporten en niet kan detecteren of een bedrijf liegt over zijn cijfers. Het biedt echter een krachtige nieuwe lens voor investeerders en regelgevers om voorbij de oppervlakte te kijken, om zo de bedrijven te onderscheiden die werkelijk aan een betere toekomst bouwen van de bedrijven die slechts proberen de schijn op te houden.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.