Utilising Natural Language Processing (NLP) to identify cherry-picking in environment related ESG disclosures

Abstract

In response to escalating environmental challenges, the notion of a green economy has emerged as a pivotal approach to address pressing climate-related issues. The green economy framework seeks to harmonise economic growth with environmental preservation and social well-being. In past few decades the environmental, social and governance (ESG) criteria has emerged as a pivotal assessment for private sector institution to address pressing climate-related issues and mitigate environment risks. The significance of ESG in the context of green finance is highlighted by the exponential growth of sustainable investments and ESG oriented funds, reaching €32 trillion globally in 2020. Despite serving as an important assessment measure to guide sustainable investments, the ESG data published by institutions often remains unaudited. The lack of extensive auditing of ESG disclosures poses significant challenges to the accurate evaluation of environmental impact and sustainability efforts undertaken by institutions. This discrepancy between the perceived importance of ESG considerations and the lack of auditing mechanism served as main motivation for this thesis project. Identifying the need for neutral and transparent assessment of ESG data, this thesis proposes a novel approach leveraging Artificial Intelligence (AI) and Natural Language Processing (NLP) to extract information on environmental disclosures from ESG publications. The thesis research aims to understand the complexity of the ESG data and present NLP methods to adequately address the challenges posed by lack of standardisation and diversity encountered in ESG reports. To address the research objective adequately, the thesis proposes a customised computational approach integrating state-of-art large language models and machine learning to analyse ESG reports published by non-financial institutions hailing from the EU region. Results from the analysis of 87 ESG reports spanning three consecutive years reveal insights into environmental disclosure practices across diverse sectors. Despite challenges and limitations, the thesis sheds light on transformative potential of AI and NLP in enhancing the efficiency and accuracy of ESG analysis.

Als Reaktion auf die eskalierenden Umweltprobleme hat sich das Konzept einer grünen Wirtschaft als zentraler Ansatz zur Bewältigung drängender klimabezogener Probleme herauskristallisiert. Das Konzept der grünen Wirtschaft zielt darauf ab, Wirtschaftswachstum mit dem Schutz der Umwelt und dem sozialen Wohlergehen in Einklang zu bringen. In den letzten Jahrzehnten haben sich Umwelt-, Sozial- und Governance-Kriterien (ESG-Kriterien) zu einem zentralen Beurteilungskriterium für Institutionen des Privatsektors entwickelt, um drängende klimabezogene Probleme anzugehen und Umweltrisiken zu mindern. Die Bedeutung von ESG-Kriterien im Zusammenhang mit grüner Finanzierung wird durch das exponentielle Wachstum nachhaltiger Investitionen und ESG-orientierter Fonds unterstrichen, die im Jahr 2020 weltweit 32 Billionen Euro erreichen werden. Obwohl sie als wichtiger Bewertungsmaßstab für nachhaltige Investitionen dienen, werden die von den Institutionen veröffentlichten ESG-Daten häufig nicht geprüft. Das Fehlen einer umfassenden Prüfung von ESG-Angaben stellt eine große Herausforderung für die genaue Bewertung der Umweltauswirkungen und der Nachhaltigkeitsbemühungen von Institutionen dar. Diese Diskrepanz zwischen der wahrgenommenen Bedeutung von ESG-Überlegungen und dem Mangel an Prüfmechanismen diente als Hauptmotivation für dieses Dissertationsprojekt. Um den Bedarf an einer neutralen und transparenten Bewertung von ESG-Daten zu ermitteln, wird in dieser Arbeit ein neuartiger Ansatz vorgeschlagen, der künstliche Intelligenz (KI) und natürliche Sprachverarbeitung (NLP) nutzt, um Informationen über Umweltangaben aus ESG-Veröffentlichungen zu extrahieren. Die Forschungsarbeit zielt darauf ab, die Komplexität der ESG-Daten zu verstehen und NLP-Methoden vorzustellen, um die Herausforderungen, die sich aus der mangelnden Standardisierung und der Vielfalt der ESG-Berichte ergeben, angemessen zu bewältigen. Um das Forschungsziel adäquat anzugehen, schlägt die Arbeit einen maßgeschneiderten Berechnungsansatz vor, der modernste große Sprachmodelle und maschinelles Lernen integriert, um ESG-Berichte zu analysieren, die von Nicht-Finanzinstituten aus dem EU-Raum veröffentlicht wurden. Die Ergebnisse der Analyse von 87 ESG-Berichten, die sich über drei aufeinanderfolgende Jahre erstrecken, geben Aufschluss über die Praktiken der Umweltberichterstattung in verschiedenen Sektoren. Trotz der Herausforderungen und Einschränkungen beleuchtet die Arbeit das transformative Potenzial von KI und NLP bei der Verbesserung der Effizienz und Genauigkeit der ESG-Analyse.