发明内容
本发明提供一种ESG评价方法、系统、电子设备及存储设备,用以解决现有技术中存在的缺陷。
本发明提供一种ESG评价方法,包括:
获取待评价企业的各评价指标的指标数据;所述各评价指标包括一级指标、所述一级指标下的二级指标以及所述二级指标下的三级指标,所述一级指标包括社会责任、环境保护以及公司治理;
基于所述指标数据以及所述各评价指标对应的权重,确定所述待评价企业的评价得分;所述各评价指标对应的权重采用层次分析法或统计建模法确定。
根据本发明提供的一种ESG评价方法,所述各评价指标对应的权重采用层次分析法确定,包括:
基于所述各评价指标,建立层次结构模型,并基于所述层次结构模型中各层次的评价指标的相对重要性,构造判断矩阵;
基于所述判断矩阵,分别对所述各层次的评价指标进行层次单排序及一致性检验,并分别对所述各层次的评价指标进行层次总排序及一致性检验,得到所述各评价指标对应的权重。
根据本发明提供的一种ESG评价方法,所述各评价指标对应的权重采用统计建模法确定,包括:
获取样本企业的各评价指标的样本指标数据,并确定所述样本企业的评价得分标签;
提取所述各评价指标的指标特征,并将每个指标特征进行分箱,得到多个特征箱;
计算所述多个特征箱的证据权重,基于所述多个特征箱的证据权重,对所述指标特征进行筛选,得到目标指标特征;
基于所述目标指标特征以及所述样本企业的评价得分标签,对逻辑分类模型进行训练,得到训练后的逻辑回归模型,并将所述训练后的逻辑回归模型中所述目标指标特征对应的权重作为相应评价指标对应的权重。
根据本发明提供的一种ESG评价方法,所述提取所述各评价指标的指标特征,包括:
基于LR模型以及GBDT模型,对所述各评价指标的样本指标数据进行特征提取,得到所述各评价指标的指标特征。
根据本发明提供的一种ESG评价方法,所述逻辑分类模型中的可调参数包括最大训练轮数、学习率、L1正则项系数以及L2正则项系数。
根据本发明提供的一种ESG评价方法,所述基于所述目标指标特征以及所述样本企业的评价得分标签,对逻辑分类模型进行训练,得到训练后的逻辑回归模型,包括:
基于所述目标指标特征以及所述评价得分标签,对逻辑分类模型进行多轮训练,每轮训练得到的逻辑回归模型均基于效果指标的取值进行分类性能评价,并确定所述效果指标的取值在预设范围内时的逻辑回归模型为所述训练后的逻辑回归模型;
其中,所述效果指标包括ROC曲线下与坐标轴围成的面积AUC和/或KS。
根据本发明提供的一种ESG评价方法,所述获取待评价企业的各评价指标的指标数据,包括:
采用爬虫程序、语义分析算法以及自然语言处理算法中的一种,从所述待评价企业的信息源中提取所述各评价指标的指标数据。
本发明还提供一种ESG评价系统,包括:
数据获取模块,用于获取待评价企业的各评价指标的指标数据;所述各评价指标包括一级指标、所述一级指标下的二级指标以及所述二级指标下的三级指标,所述一级指标包括社会责任、环境保护以及公司治理;
ESG评价模块,用于基于所述指标数据以及所述各评价指标对应的权重,确定所述待评价企业的评价得分;所述各评价指标对应的权重采用层次分析法或统计建模法确定。
本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述的ESG评价方法。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述的ESG评价方法。
本发明还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述任一种所述的ESG评价方法。
本发明提供的ESG评价方法、系统、电子设备及存储设备,首先获取待评价企业的各评价指标的指标数据;所述各评价指标包括一级指标、所述一级指标下的二级指标以及所述二级指标下的三级指标,所述一级指标包括社会责任、环境保护以及公司治理;然后基于所述指标数据以及所述各评价指标对应的权重,确定所述待评价企业的评价得分;所述各评价指标对应的权重采用层次分析法或统计建模法确定。通过层次分析法或统计建模法确定各评价指标对应的权重,可以不依赖于专家经验,避免引入人为参与,可以实现客观的对待评价企业进行评价,使得到的评价得分更加准确,进而有助于投资者对企业的真实判断。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
当前,大量公司已经建立了环境社会公司治理(Environmental SocialGovernance,ESG)评价体系,主要涉及三方面:制定关于ESG信息的披露和报告的原则及指引、评级机构对企业ESG的评级,以及投资机构发布的ESG投资指引。其中,ESG信息的披露是前提条件,ESG评估提供了评价和比较的方法,而ESG投资是基于两者的实践。
ESG评价体系的内容包括了企业在经营中需要考虑的多层次多维度的因素,这些因素主要包括:
环境方面(E):碳及温室气体排放、环境政策、废物污染及管理政策、能源使用/消费,自然资源(特别是水资源)使用和管理政策、生物多样性、合规性。
社会方面(S):性别及性别平衡政策、人权政策及违反情况、社团(或社区)、健康安全、管理培训、劳动规范、产品责任、合规性。
治理方面(G):公司治理、贪污受贿政策、反不公平竞争、风险管理、税收透明、公平的劳动实践、道德行为准则、合规性。
根据ESG评价公司关于ESG评价的披露信息来看,ESG评价公司的评价指标分别划入E、S、G三个方面,并涉及相应领域。
但是,已建立的ESG评价体系可能受地域限制,不具有普适性,并不能适应所有的企业评价。而且,现有技术中ESG的评价指标通常采用专家经验进行选择,ESG的评价指标的权重也是涉及专家评分,这将导致权重的确定主观性较强,容易受到人为因素的影响,无法客观的对待评价企业进行评价,使得到的评价得分不准确,进而影响投资者对企业的判断。为此,本发明实施例中提供了一种ESG评价方法。
图1为本发明实施例中提供的一种ESG评价方法的流程示意图,如图1所示,该方法包括:
S1,获取待评价企业的各评价指标的指标数据;所述各评价指标包括一级指标、所述一级指标下的二级指标以及所述二级指标下的三级指标,所述一级指标包括社会责任、环境保护以及公司治理;
S2,基于所述指标数据以及所述各评价指标对应的权重,确定所述待评价企业的评价得分;所述各评价指标对应的权重采用层次分析法或统计建模法确定。
具体地,本发明实施例中提供的ESG评价方法,其执行主体为ESG评价系统,该ESG评价系统可以配置于服务器内,该服务器可以是本地服务器,也可以是云端服务器,本地服务器具体可以是计算机以及平板电脑等,本发明实施例中对此不作具体限定。
首先执行步骤S1,获取待评价企业的各评价指标的指标数据。待评价企业是指需要确定其ESG评价得分的企业。各评价指标可以是预先确定的指标,可以包括一级指标、一级指标下的二级指标以及二级指标下的三级指标,一级指标包括社会责任(S)、环境保护(E)以及公司治理(G)。除此之外,一级指标还可以包括其他重大事件。此处,社会责任的权重可以直接设置为40%,环境保护的权重可以直接设置为30%,公司治理的权重可以直接设置为30%。在各评价指标中,还可以包括三级衍生指标。
各评价指标可以如表1所示:
表1各评价指标
待评价企业的各评价指标的指标数据的获取方式可以包括爬虫程序、语义分析算法以及自然语言处理(Natural Language Processing,NLP)算法中的一种。语义分析算法可以采用基于词向量的语义分析算法,准确率可以达到95%。可以采用上述获取方式,从待评价企业的信息源中提取各评价指标的指标数据。待评价企业的信息源可以是新闻、公告、企业网站、年报和半年报等。
可以理解的是,指标数据可以包括结构化数据、半结构化数据以及非结构化数据。
然后执行步骤S2,通过指标数据以及各评价指标对应的权重,确定待评价企业的评价得分。此处,可以将指标数据与各评价指标对应的权重进行加权求和,得到初始评价得分,基于该初始评价得分即得到待评价企业的评价得分。本发明实施例中,可以直接将该初始评价得分作为待评价企业的评价得分。
各评价指标对应的权重可以采用层次分析法或统计建模法确定。层次分析法(Analytic Hierarchy Process,AHP)是一种定性和定量相结合的、系统化、层次化的分析方法,强调人的思维判断在决策过程中的作用,通过一定模式使决策思维过程规范化,适合于定性与定量因素相结合、特别是定性因素起主导作用的问题。因此,可采用AHP方法确定模型中各指标的相对权重。层次分析法可以在样本数据不足的情况下实现快速上线应用,且业务可解释性强。
统计建模法可以是基于样本企业的各评价指标的样本指标数据,构建逻辑回归模型,进而实现各评价指标对应的权重的确定。通过逻辑回归模型确定各评价指标对应的权重,其稳健性及可解释性为业界广泛接受。
可以理解的是,本发明实施例中,在基于初始评价得分即得到待评价企业的评价得分时,还可以考虑企业是否存在减分项,该减分项可以是存在黑天鹅等其他重大事件。若存在其他重大事件,可以直接在初始评价得分的基础上减去一个给定分数,该给定分数可以根据需要进行设置,例如可以是50分,此处不作具体限定。
本发明实施例中提供的ESG评价方法,首先获取待评价企业的各评价指标的指标数据;所述各评价指标包括一级指标、所述一级指标下的二级指标以及所述二级指标下的三级指标,所述一级指标包括社会责任、环境保护以及公司治理;然后基于所述指标数据以及所述各评价指标对应的权重,确定所述待评价企业的评价得分;所述各评价指标对应的权重采用层次分析法或统计建模法确定。通过层次分析法或统计建模法确定各评价指标对应的权重,可以不依赖于专家经验,避免引入人为参与,可以实现客观的对待评价企业进行评价,使得到的评价得分更加准确,进而有助于投资者对企业的真实判断。
在上述实施例的基础上,本发明实施例中提供的ESG评价方法。所述各评价指标对应的权重采用层次分析法确定,包括:
基于所述各评价指标,建立层次结构模型,并基于所述层次结构模型中各层次的评价指标的相对重要性,构造判断矩阵;
基于所述判断矩阵,分别对所述各层次的评价指标进行层次单排序及一致性检验,并分别对所述各层次的评价指标进行层次总排序及一致性检验,得到所述各评价指标对应的权重。
具体地,本发明实施例中,在采用层次分析法确定各评价指标对应的权重时,可以先基于各评价指标,建立层次结构模型。即将决策的目标、考虑的因素(决策准则)和决策对象按它们之间的相互关系分为最高层、中间层和最低层,绘出层次结构图。此处可以将每级评价指标作为一个层次,此时三级衍生指标可以作为四级指标,对应于一个层次。
此后,根据层次结构模型中各层次的评价指标的相对重要性,构造判断矩阵。该过程中,可以采用一致矩阵法,即将各评价指标两两相互比较。比较时采用相对尺度,以尽可能减少性质不同评价指标相互比较的困难,以提高准确度。判断矩阵的填写可以通过业务专家或风控专家完成。具体来说,通过将各评价指标进行两两对比,对重要性程度按1-9赋值,并填写在判断矩阵中。
此后,根据判断矩阵,分别对各层次的评价指标进行层次单排序及一致性检验。层次单排序是指每一个判断矩阵中各因素是指不同评价指标之间的相对权重,所以本质上是计算权向量。常用的计算权向量的方法有特征根法、和法、根法、幂法等。以和法为例,对于一致性的判断矩阵,每一列归一化后就是相应的权重。对于非一致性的判断矩阵,每一列归一化后近似其相应的权重,在对这n个列向量求取算术平均值作为最后的权重。
判断矩阵的一致性检验是指判断思维的逻辑一致性检验。如,当甲比丙是强烈重要,而乙比丙是稍微重要时,显然甲一定比乙重要。只有通过检验,才能说明判断矩阵在逻辑上是合理的,才能继续对结果进行分析。
此后,根据判断矩阵,分别对各层次的评价指标进行层次总排序及一致性检验,得到各评价指标对应的权重。层次总排序是指确定某层所有评价指标对于总目标相对重要性的排序权重过程。这一过程是从最高层到最底层依次进行的。对于最高层而言,其层次单排序的结果也就是总排序的结果。
本发明实施例中,给出了层次分析法的具体过程,可以保证各评价指标对应的权重的准确性。
在上述实施例的基础上,本发明实施例中提供的ESG评价方法,所述各评价指标对应的权重采用统计建模法确定,包括:
获取样本企业的各评价指标的样本指标数据,并确定所述样本企业的评价得分标签;
提取所述各评价指标的指标特征,并将每个指标特征进行分箱,得到多个特征箱;
计算所述多个特征箱的证据权重,基于所述多个特征箱的证据权重,对所述指标特征进行筛选,得到目标指标特征;
基于所述目标指标特征以及所述样本企业的评价得分标签,对逻辑分类模型进行训练,得到训练后的逻辑回归模型,并将所述训练后的逻辑回归模型中所述目标指标特征对应的权重作为相应评价指标对应的权重。
具体地,在采用统计建模法确定各评价指标对应的权重时,可以先获取样本企业的各评价指标的样本指标数据,并确定样本企业的评价得分标签。该评价得分标签可以通过经验得到,此处不作具体限定。
然后提取各评价指标的指标特征,此处可以基于LR模型以及GBDT模型,对各评价指标的样本指标数据进行特征提取,得到各评价指标的指标特征。对于取值连续型的评价指标以及值空间不大的离散型的评价指标,其样本指标数据可以通过GBDT模型进行特征提取。对于值空间很大的离散型的评价指标等,其样本指标数据可以通过LR模型进行特征提取。如此,既可以得到高阶组合特征,也可以利用线性模型,具有易于处理大规模稀疏数据的优势。
GBDT模型采用的公式如下:
f(x)=Logistics(gbdt_tree1(x)+gbdt_tree2(x)+...)
其主要思想是GBDT每棵树的路径直接作为LR输入特征使用。
此处,可以用已有特征训练GBDT模型,然后利用GBDT模型学习到的树来构造新特征,最后把这些新特征加入原有特征一起训练模型。构造的新特征向量是取值0/1的,向量的每个元素对应于GBDT模型中树的叶子结点。当一个样本点通过某棵树最终落在这棵树的一个叶子结点上,那么在新特征向量中这个叶子结点对应的元素值为1,而这棵树的其他叶子结点对应的元素值为0。新特征向量的长度等于GBDT模型里所有树包含的叶子结点数之和。
GBDT模型可以发现多种有区分性的特征以及特征组合。
可以理解的是,各评价指标的指标特征可以包括线性组合特征和非线性组合特征和高阶非线性组合特征等。
此后,可以将每个指标特征进行分箱,得到多个特征箱。对连续特征采用卡方分箱将其分为k部分,对离散型特征的每个值对应分箱,如有缺失值,单独作为一箱。得到初步分箱结果后,合并全是正样本或全是负样本的分箱。经过分箱处理后,可有效处理缺失值和异常值,提高模型泛化能力。
此后,可以通过如下公式计算多个特征箱的证据权重:
WOE=log((B/BT)/(G/GT))
其中,WOE为每个特征箱的证据权重,B为该特征箱中正样本个数,BT为所有正样本个数,G为该特征箱中负样本个数,GT为所有负样本个数。WOE刻画当前特征箱内正样本和负样本数量比值,和所有样本的该比值的差异,因此WOE越大,当前特征箱内正样本可能性越大,反映各特征箱预测能力。
此后,可以将分箱后的指标特征转化为对应的WOE。
进而,可以根据多个特征箱的证据权重,对指标特征进行筛选,得到目标指标特征。此处可以通过相关性分析、XGBoost、因子分析等算法计算指标特征对标签的重要度或贡献度,剔除重要性或贡献度较低的指标特征,提高模型泛化能力。
最后,可以将目标指标特征以及样本企业的评价得分标签,对逻辑分类模型进行训练,得到训练后的逻辑回归模型。将目标指标特征以及样本企业的评价得分标签可以分为训练数据和测试数据,训练集用于对逻辑回归模型进行训练,训练的过程即调参的过程。此处,可以采用LR-二分类。测试数据用于对训练得到的逻辑回归模型进行分类性能测试。
此后,可以将训练后的逻辑回归模型中目标指标特征对应的权重作为相应评价指标对应的权重。可以理解的是,训练逻辑回归模型的目的仅在于通过弱监督二分类学习场景得到目标指标特征的权重,最终目标并非预测企业的分类,因此训练得到的逻辑回归模型并不追求预测分类的极致效果。而其他指标特征的权重均为0。
本发明实施例中,通过训练逻辑回归模型实现评价指标对应的权重的确定,不需要认为参与,可以使得到的权重更加客观准确。
在上述实施例的基础上,本发明实施例中提供的ESG评价方法,所述逻辑分类模型中的可调参数包括最大训练轮数、学习率、L1正则项系数以及L2正则项系数。
具体地,最大训练轮数是指对训练数据训练的最大次数,理论上值越大对训练数据的拟合会越好,同时也会耗费更多的计算资源或时间;该值不能设置太小,对训练数据的拟合会更差,可能会导致过拟合。本发明实施例中,可以设置为5。
学习率是指每轮训练的步长尺度,学习率越次训练就会越快完成,建议取值在0~1之间。本发明实施例中,可以设置为0.25。
L1正则项系数是指损失函数中的L1正则化项系数,该系数越大,学习得到的逻辑回归模型将会越稀疏(即更多的权重为0),但是对训练数据的拟合会更差;该系数越小,对训练数据的拟合会更好,但是同时逻辑回归模型中非0权重将会增加。本发明实施例中,可以设置为0。
L2正则项系数是指损失函数中的L2正则项系数,该系数越大,学习得到的逻辑回归模型越不容易过拟合到训练数据,但是会越容易过拟合;该系数越小,学习得到的逻辑回归模型对训练数据的拟合会更好,但是更容易过拟合。本发明实施例中,可以设置为1。
在上述实施例的基础上,本发明实施例中提供的ESG评价方法,所述基于所述目标指标特征以及所述样本企业的评价得分标签,对逻辑分类模型进行训练,得到训练后的逻辑回归模型,包括:
基于所述目标指标特征以及所述评价得分标签,对逻辑分类模型进行多轮训练,每轮训练得到的逻辑回归模型均基于效果指标的取值进行分类性能评价,并确定所述效果指标的取值在预设范围内时的逻辑回归模型为所述训练后的逻辑回归模型;
其中,所述效果指标包括ROC曲线下与坐标轴围成的面积AUC和/或KS。
具体地,本发明实施例中,AUC可以用于衡量训练得到的逻辑回归模型的全局分类性能,KS和AUC一样,都是利用TPR、FPR两个指标来评价训练得到的逻辑回归模型的整体训练效果,通过衡量好坏样本累计分布之间的差值,来评估训练得到的逻辑回归模型的风险区分能力,区分度越大,说明训练得到的逻辑回归模型的风险排序能力越强。
综上所述,本发明实施例中提供的ESG评价方法,采用层次分析法和统计建模法等AI算法,遵守了数据的客观性,极少加入主观因素,产生良好的建模效果。
由于ESG评价过程是一个较依赖客观标准及部分主观看法的过程,模型构建需要长期的迭代优化。本发明实施例中采用的逻辑回归模型可持续迭代优化的能力较强,能够通过数据增强和业务经验两个渠道持续提升模型效果。在数据侧,可通过获得更贴合、准确的ESG各指标体系数据和监督信息,优化模型输出的评分。此外,由于逻辑回归模型具有较好的解释性,能够转化为评分卡形式,可由业务人员根据业务经验更新、优化评分卡中的取值和分值项;逻辑回归模型也可以很好地与专家规则相结合,及时根据业务需求调整打分评级。
如图2所示,在上述实施例的基础上,本发明实施例中提供了一种ESG评价系统,包括:
数据获取模块21,用于获取待评价企业的各评价指标的指标数据;所述各评价指标包括一级指标、所述一级指标下的二级指标以及所述二级指标下的三级指标,所述一级指标包括社会责任、环境保护以及公司治理;
ESG评价模块22,用于基于所述指标数据以及所述各评价指标对应的权重,确定所述待评价企业的评价得分;所述各评价指标对应的权重采用层次分析法或统计建模法确定。
在上述实施例的基础上,本发明实施例中提供的ESG评价系统,还包括权重确定模块,用于:
基于所述各评价指标,建立层次结构模型,并基于所述层次结构模型中各层次的评价指标的相对重要性,构造判断矩阵;
基于所述判断矩阵,分别对所述各层次的评价指标进行层次单排序及一致性检验,并分别对所述各层次的评价指标进行层次总排序及一致性检验,得到所述各评价指标对应的权重。
在上述实施例的基础上,本发明实施例中提供的ESG评价系统,所述权重确定模块,还用于:
获取样本企业的各评价指标的样本指标数据,并确定所述样本企业的评价得分标签;
提取所述各评价指标的指标特征,并将每个指标特征进行分箱,得到多个特征箱;
计算所述多个特征箱的证据权重,基于所述多个特征箱的证据权重,对所述指标特征进行筛选,得到目标指标特征;
基于所述目标指标特征以及所述样本企业的评价得分标签,对逻辑分类模型进行训练,得到训练后的逻辑回归模型,并将所述训练后的逻辑回归模型中所述目标指标特征对应的权重作为相应评价指标对应的权重。
在上述实施例的基础上,本发明实施例中提供的ESG评价系统,所述权重确定模块,还用于:
基于LR模型以及GBDT模型,对所述各评价指标的样本指标数据进行特征提取,得到所述各评价指标的指标特征。
在上述实施例的基础上,本发明实施例中提供的ESG评价系统,所述逻辑分类模型中的可调参数包括最大训练轮数、学习率、L1正则项系数以及L2正则项系数。
在上述实施例的基础上,本发明实施例中提供的ESG评价系统,所述权重确定模块,还用于:
基于所述目标指标特征以及所述评价得分标签,对逻辑分类模型进行多轮训练,每轮训练得到的逻辑回归模型均基于效果指标的取值进行分类性能评价,并确定所述效果指标的取值在预设范围内时的逻辑回归模型为所述训练后的逻辑回归模型;
其中,所述效果指标包括ROC曲线下与坐标轴围成的面积AUC和/或KS。
在上述实施例的基础上,本发明实施例中提供的ESG评价系统,所述数据获取模块,用于:
采用爬虫程序、语义分析算法以及自然语言处理算法中的一种,从所述待评价企业的信息源中提取所述各评价指标的指标数据。
具体地,本发明实施例中提供的ESG评价系统中各模块的作用与上述方法类实施例中各步骤的操作流程是一一对应的,实现的效果也是一致的,具体参见上述实施例,本发明实施例中对此不再赘述。
图3示例了一种电子设备的实体结构示意图,如图3所示,该电子设备可以包括:处理器(Processor)310、通信接口(Communications Interface)320、存储器(Memory)330和通信总线340,其中,处理器310,通信接口320,存储器330通过通信总线340完成相互间的通信。处理器310可以调用存储器330中的逻辑指令,以执行上述各实施例中提供的ESG评价方法,该方法包括:获取待评价企业的各评价指标的指标数据;所述各评价指标包括一级指标、所述一级指标下的二级指标以及所述二级指标下的三级指标,所述一级指标包括社会责任、环境保护以及公司治理;基于所述指标数据以及所述各评价指标对应的权重,确定所述待评价企业的评价得分;所述各评价指标对应的权重采用层次分析法或统计建模法确定。
此外,上述的存储器330中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括计算机程序,计算机程序可存储在非暂态计算机可读存储介质上,所述计算机程序被处理器执行时,计算机能够执行上述各实施例中提供的ESG评价方法,该方法包括:获取待评价企业的各评价指标的指标数据;所述各评价指标包括一级指标、所述一级指标下的二级指标以及所述二级指标下的三级指标,所述一级指标包括社会责任、环境保护以及公司治理;基于所述指标数据以及所述各评价指标对应的权重,确定所述待评价企业的评价得分;所述各评价指标对应的权重采用层次分析法或统计建模法确定。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例中提供的ESG评价方法,该方法包括:获取待评价企业的各评价指标的指标数据;所述各评价指标包括一级指标、所述一级指标下的二级指标以及所述二级指标下的三级指标,所述一级指标包括社会责任、环境保护以及公司治理;基于所述指标数据以及所述各评价指标对应的权重,确定所述待评价企业的评价得分;所述各评价指标对应的权重采用层次分析法或统计建模法确定。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。