| Abstract : | During the recent decades a growing global focus on environmental pollution, social inequalities, and corporate governance, prompting increased initiatives towards responsible and sustainable practices has been witnessed. Sustainable Investment has emerged as critical concern for both investors and companies, driven by evolving regulations and government incentives. To ensure the effectiveness of sustainable development, quantification, measurement, and monitoring are imperative, leading to the development of Environmental, Social, and Governance (ESG) frameworks and metrics.However, the lack of a common ESG framework, even within specific regions or industries, coupled with the non-mandatory disclosure of information by companies, presents challenges for automated measurement and monitoring. Recognizing the potential of Artificial Intelligence (AI) and Large Language Models (LLMs), this thesis aimed to automate the collection of ESG information from publications of Energy Companies in the European Union (EU). The selected ESG metrics, spanning environmental, social, and governance scopes, were utilized for data collection through LLMs, leveraging prompt engineering for precise extraction.The project addressed the broader goal of integrating automated ESG reporting, details the challenges of ESG data collection, discusses EU regulations, and highlights widely used ESG standards and research providers. The majority of the paper delves into the project's methodology, explaining the chosen ESG metrics, the initial approach, and the subsequent shift to utilizing LLMs for automated data retrieval. Detailed descriptions of techniques for data collection, pre-processing and metrics standardization follow. The ultimate objective is the analysis of collected data and insights extraction through visualization tools, examining the maturity of the Energy sector in the EU regarding ESG information publication.The analysis occurs on two levels: a higher level assessing the overall maturity and a detailed level scrutinizing ESG metrics data. Tools used in the project are outlined, and potential future improvements are discussed, emphasizing the initiative's broader scope beyond its immediate timeframe.
Τις τελευταίες δεκαετίες έχει παρατηρηθεί ένα αυξανόμενο παγκόσμιο ενδιαφέρον στην περιβαλλοντική ρύπανση, τις κοινωνικές ανισότητες και την εταιρική διακυβέρνηση, προωθώντας πρωτοβουλίες για υπεύθυνες και βιώσιμες πρακτικές. Η Βιώσιμη Επένδυση έχει εμφανιστεί ως ένας κρίσιμος προβληματισμός τόσο για επενδυτές όσο και για εταιρείες, κινητοποιούμενος και από την εξέλιξη των κανονιστικών πλαισίων. Για να διασφαλιστεί η αποτελεσματικότητα της βιώσιμης ανάπτυξης, είναι απαραίτητη η ποσοτικοποίηση, η μέτρηση και η παρακολούθηση δεικτών Περιβαλλοντικής, Κοινωνικής και Διακυβέρνησης (ESG).Ωστόσο, η έλλειψη ενός κοινού πλαισίου ESG, ακόμη και μέσα σε συγκεκριμένους τομείς ή βιομηχανίες, σε συνδυασμό με τη μη υποχρεωτική δημοσιοποίηση πληροφοριών από τις εταιρείες, παρουσιάζει προκλήσεις για την μέτρηση και την παρακολούθησή τους. Αναγνωρίζοντας τη δυνατότητα της Τεχνητής Νοημοσύνης και των Large Language Models (LLMs), η εργασία αυτή δίνει έμφαση στην αυτοματοποιημένη συλλογή πληροφοριών ESG από δημοσιεύσεις Ενεργειακών Εταιρειών στην Ευρωπαϊκή Ένωση. Οι επιλεγμένοι δείκτες ESG, καλύπτοντας τους τομείς περιβάλλοντος, κοινωνικών και διακυβέρνησης, χρησιμοποιήθηκαν για τη συλλογή δεδομένων μέσω LLM με τη μεθοδολογία του prompt engineering.Η εργασία έχει τον ευρύτερο στόχο της δημιουργίας αυτοματοποιημένου ESG reporting, αναλύει τις προκλήσεις της συλλογής δεδομένων ESG, παραθέτει τους κανονισμούς της ΕΕ και επισημαίνει τα ευρέως χρησιμοποιούμενα πρότυπα ESG. Το κείμενο επικεντρώνεται στη μεθοδολογία της εργασίας, εξηγώντας τους επιλεγμένους δείκτες ESG και την χρήση LLM για την αυτοματοποιημένη ανάκτηση δεδομένων. Ακολουθούν λεπτομερείς περιγραφές τεχνικών για τη συλλογή και την επεξεργασία δεδομένων. Ο τελικός στόχος είναι η ανάλυση τoυς και η εξαγωγή πληροφοριών μέσω εργαλείων οπτικοποίησης, εξετάζοντας τη ωριμότητα του τομέα της Ενέργειας στην ΕΕ όσον αφορά τη δημοσίευση πληροφοριών ESG.Η ανάλυση γίνεται σε δύο επίπεδα, ένα γενικότερο επίπεδο που αξιολογεί τη συνολική ωριμότητα και ένα λεπτομερές επίπεδο που εξετάζει αναλυτικά τα δεδομένα δεικτών ESG. Παρουσιάζονται τα εργαλεία που χρησιμοποιήθηκαν στην εργασία, και συζητούνται πιθανές μελλοντικές βελτιώσεις που μπορούν να εξελίξουν το έργο.
|
|---|
Copyright © 2013 Library AUEB. All rights reserved.