Skip to main content
Disciplines
Automotive Business IT + Informatics Construction + Real Estate Electrical Engineering + Electronics Energy + Sustainability Insurance + Risk Finance + Banking Management + Leadership Marketing + Sales Mechanical Engineering + Materials
Events
DE
EN
Books
Journals
Topic Page
Marketing
Start single access now
Access for companies
EXTENDED SEARCH
Log in
Top
Published in:
Künstliche Intelligenz im Spannungsfeld Innovation, Effizienz und gesellschaftliche Verantwortung Read chapter Read first chapter

2021 | OriginalPaper | Chapter

Environment-Social-Governance-Fingerprint – wie der Einsatz von Big Data und künstlicher Intelligenz Investoren, Unternehmen und Stakeholder unterstützen kann

Authors : Pajam Hassan, Frank Passing

Published in: CSR und Künstliche Intelligenz

Publisher: Springer Berlin Heidelberg

Log in

Activate our intelligent search to find suitable subject content or patents.

search-config
loading …

Zusammenfassung

Aktuelle Forschungsarbeiten untersuchen inwieweit  die Messungen von Nachhaltigkeit in Unternehmen durch Environment-Social-Governance(ESG)-Kontroversen einen Einfluss auf die Bewertung eines Unternehmens haben. Erste Investoren, Stakeholder und Unternehmen nutzen bereits die erzeugten ESG-Daten und Ratings für ihre Investitionen oder strategischen Entscheidungen in Unternehmen. Andererseits zeigt sich, dass Messungen häufig auf statischen, jährlich erhobenen Indikatoren aufbauen. Ferner haben Analysen ergeben, dass die gängigen ESG-Ratings kein einheitliches ESG-Framework. Ebenso sind Indikatoren für das ESG-Rating häufig vordefiniert und bieten dem Nutzer keine hinreichende Transparenz zur Integration in ihre Geschäftsprozesse. Hier setzt die vorliegende Arbeit an und entwickelt eine ESG-Taxonomie auf der Basis von historischen ESG-Ereignissen, aus der automatisiert Risikomuster, dem sogenannten ESG-Fingerprint, extrahiert werden. Diese tragen zur Komplexitätsreduktion bei und ermöglichen die Gestaltung von künstliche-Intelligenz-basierten ESG-Informationssystemen, die den Risikomanagementprozess phasenübergreifend abbilden.

Dont have a licence yet? Then find out more about our products and how to get one now:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

inform now

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

inform now
previous chapter Künstliche Intelligenz verantwortungsvoll entwickeln und einsetzen. Zur Bedeutung ethischer Leitlinien für Unternehmen
next chapter Datenwert und Datenminimalismus: Wege zu nachhaltiger künstlicher Intelligenz
Footnotes
2
Escrig-Olmedo, E.; Fernandez-Izquierdo, M.A.; Ferrero-Ferrero, I.; Rivera-Lirio, J.M.; Muñoz-Torres, M.J. Rating the raters: Evaluating how ESG rating agencies integrate sustainability principles. Sustainability2019, 11, 915.
 
3
Beispielsweise Refinitiv, MSCI, S&P, Morningstar.
 
4
Beispielsweise Arabesque, Sustainalytics, intuitive.AI, EcoVadis.
 
5
Nach eigenen Angaben oftmals KI.
 
6
Escrig-Olmedo, E., Muñoz-Torres, M.J. and Fernández-Izquierdo, M.Á. (2010) Socially responsible investing: sustainability indices, ESG rating and information provider agencies, Int. J. Sustainable Economy, Vol. 2, No. 4, pp.442–461.
 
10
D. Bogataj and M.Bogataj 2007. Measuring the supply chain risk and vulnerability in frequency space. International Journal Production Economics 108 (2007) 291–301.
 
11
Es wird dem Fall entgegengewirkt, dass beispielsweise bei einem Bericht über schlechte Arbeitsbedingungen in der n-Tier-Lieferkette eines Unternehmens herausgearbeitet werden muss, ob der n-Tier-Lieferant tatsächlicher Lieferant des risikobehafteten Unternehmens ist.
 
13
Hill, J. Environmental, social, and governance (ESG) Investing. In A Balanced Analysis of the Theory and Practice of a Sustainable Portfolio; Academic Press: Kidlington, UK, 2020. 
 
14
Chatterji, A.K.; Durand, R.; Levine, D.I.; Touboul, S. Do ratings of firms converge? Implications for managers, investors and strategy researchers. Strateg. Manage. J. 2016, 37, 1597–1614.
 
15
Lozano, R. (2015). A holistic perspective on corporate sustainability drivers. Corporate Social Responsibility and Environmental Management,22(1), 32–44.
 
16
Beispielsweise Coqueret, G. (2020). ESG Equity Investing: A Short Survey.
 
17
Beispielsweise Zaccone, M. C.; Pedrini, M. (2020). ESG Factor Integration into Private Equity.
 
18
Nickerson, R.C., Varshney, U., Muntermann, J., 2013. A method for taxonomy development and its application in information systems. Eur. J. Inf. Syst. 22 (3), 336–359.
 
19
Yin, R.K., 2014. Case Study Research: Design and Methods, 5 ed. Sage publications, Thousand Oaks, CA.
 
20
Nickerson, R.C., Varshney, U., Muntermann, J., 2013. A method for taxonomy development and its application in information systems. Eur. J. Inf. Syst. 22 (3), 336–359.
 
21
Datenbanken: unter anderem ScienceDirect, IEEE Explore und das Web of Science, Google Search.
 
22
Praxisberichte: unter anderem MSCI, EcoVadis, Arabesque, intuitive.AI, McKinsey, BCG, Accenture, KPMG.
 
23
Source: intuitive.AI GmbH.
 
24
Datentriangulation durch unter anderem Newsartikel, Stellungnahmen und Pressemitteilungen, statistische Daten, Webseiten von Firmen oder NGO, Reports von Rating-Agenturen.
 
25
Remané, G., Nickerson, R.C., Hanelt, A., Tesch, J.F., Kolbe, L.M., 2016. A taxonomy of carsharing business models. In: Paper Presented at the Thirty Seventh International Conference on Information Systems (ICIS), Dublin, Ireland.
 
26
Miles, M.B., Huberman, A.M., Saldana, J., 2013. Qualitative Data Analysis: A Methods.
Sourcebook, vol. 3. Sage Publications, Los Angeles.
 
27
Yin, R.K., 2014. Case Study Research: Design and Methods, 5 ed. Sage publications, Thousand Oaks, CA.
 
28
Wilde, T., & Hess, T. (2006). Methodenspektrum der Wirtschaftsinformatik: Überblick und Portfoliobildung (No. 2/2006). Arbeitsbericht, Institut für Wirtschaftsinformatik und Neue Medien, Fakultät für Betriebswirtschaft, Ludwig-Maximilians-Universität.
 
32
Hassan (2019). Enhancing Supply Chain Risk Management by Applying Machine Learning to Identify Risks. Business Information Systems, 191-205.
 
33
Ajina, A. S., Japutra, A., Nguyen, B., Alwi, S. F. S., & Al-Hajla, A. H. (2019). The importance of CSR initiatives in building customer support and loyalty. Asia Pacific Journal of Marketing and Logistics.
 
34
Parcha, J. M. (2017). How much should a corporation communicate about corporate social responsibility? Reputation and amount of information effects on stakeholders’ CSR-induced attributions. Communication Research Reports, 34(3), 275–285.
 
Metadata
Title
Environment-Social-Governance-Fingerprint – wie der Einsatz von Big Data und künstlicher Intelligenz Investoren, Unternehmen und Stakeholder unterstützen kann
Authors
Pajam Hassan
Frank Passing
Copyright Year
2021
Publisher
Springer Berlin Heidelberg
Book
CSR und Künstliche Intelligenz

Print ISBN: 978-3-662-63222-2

Electronic ISBN: 978-3-662-63223-9

Copyright Year: 2021

DOI
https://doi.org/10.1007/978-3-662-63223-9_9