ИНДЕКС ЭТИЧНОСТИ РОССИЙСКИХ БАНКОВ НА ОСНОВЕ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Только для подписчиков

Аннотация

Измерение этичности компании является важным элементом в механизме регулирования поведения участников рынка, поскольку позволяет потребителям и регулирующим органам принимать более эффективные решения, что оказывает дисциплинирующее воздействие на компании. Мы протестировали различные способы машинного анализа отзывов потребителей российских банков и разработали Индекс этичности, который позволяет на основе отзывов потребителей рассчитывать количественную оценку этичности трех сотен российских банков за разные периоды времени с 2005 по 2022 г. Мы использовали метод “мешка слов” на основе Moral Foundations Dictionary (MFD) и обучение модели BERT на основе размеченной экспертами выборки 3 тыс. и 10 тыс. предложений. Полученный индекс был валидизирован на основе количества арбитражных дел с 2005 по 2022 г. (более этичные компании вовлечены в меньшее количество арбитражных дел в качестве ответчика), при этом только модель BERT прошла валидизацию, а модель на основе MFD –– нет. Индекс этичности будет полезен как альтернативная метрика по отношению к популярным рейтингам ESG как для теоретических исследований о поведении компаний, так и для практических задач управления репутацией компании и формирования политики регулирования поведения участников рынка.

Об авторах

М. А. Сторчевой

Санкт-Петербургская школа экономики и менеджмента, НИУ ВШЭ в Санкт-Петербурге

Санкт-Петербург, Россия

П. А. Паршаков

Международная лаборатория экономики нематериальных активов, НИУ ВШЭ в Перми; Московская школа управления СКОЛКОВО

Пермь, Россия; Москва, Россия

С. Н. Паклина

Международная лаборатория экономики нематериальных активов, НИУ ВШЭ в Перми

Пермь, Россия

А. В. Бузмаков

Международная лаборатория экономики нематериальных активов, НИУ ВШЭ в Перми

Пермь, Россия

В. В. Кракович

Санкт-Петербургская школа экономики и менеджмента, НИУ ВШЭ в Санкт-Петербурге; Международная лаборатория экономики нематериальных активов, НИУ ВШЭ в Перми

Email: mstorchevoy@hse.ru
Санкт-Петербург, Россия; Пермь, Россия

Список литературы

  1. Гришанкова C. Д. Рейтинги ESG. ESGтрансформация как вектор устойчивого развития: В трех томах. Том 2. Под общ. ред. К. Е. Турбиной и И. Ю. Юргенса. М.: Издательство “Аспект Пресс”, 2022.
  2. La Torre M., Cardi M., Leo S., & Schettini Gherardini J. ESG Ratings, Scores, and Opinions: The State of the Art in Literature. Contemporary Issues in Sustainable Finance, 2023. С. 61–102.
  3. Игнатова О. В. ESG-рейтинги российского бизнеса. РИСК: Ресурсы, Информация, Снабжение, Конкуренция. 2022. № 1.
  4. Петров В. О., Стариков И. В., Фурщик М. А. Особенности отечественных ESG-рейтингов // Журнал Бюджет. 2022. № 4.
  5. Казаков А., Денисова С., Барсола И., Калугина Е., Молчанова И., Егоров И., Костерина А. et al. ESGify: автоматизированная классификация экологических, социальных и управленческих рисков // Доклады Российской академии наук. 2023. Т. 514. № 2.
  6. Brown T. J., & Dacin P. A. The company and the product: Corporate associations and consumer product responses. Journal of marketing, 61(1), 1997.
  7. Folkes V. S., & Kamins M. A. Effects of information about firms’ ethical and unethical actions on consumers’ attitudes. Journal of consumer psychology, 8(3), 1999.
  8. Sen S., & Bhattacharya C. B. Does doing good always lead to doing better? Consumer reactions to corporate social responsibility. Journal of marketing Research, 38(2), 2001.
  9. Brunk K.H. Exploring origins of ethical company/brand perceptions—A consumer perspective of corporate ethics. Journal of business research, 63(3), 2010.
  10. Khan I., & Fatma M. Understanding the Influence of CPE on Brand Image and Brand Commitment: The Mediating Role of Brand Identification. Sustainability, 15(3), 2023.
  11. Fombrun C. J., Gardberg N. A., & Sever J. M. The Reputation Quotient SM: A multi-stakeholder measure of corporate reputation. Journal of brand management, 7, 2000.
  12. Yang C. C., Tang X., Wong Y. C., & Wei C. P. Understanding online consumer review opinions with sentiment analysis using machine learning. Pacific Asia Journal of the Association for Information Systems, 2(3), 2010.
  13. Sokolov A., Mostovoy J., Ding J., & Seco L. ESG Index from Tweets and News Articles. Proceedings of the 2020 Workshop on NLP Business Applications. 2020.
  14. Briscoe-Tran H. Do employees have useful information about firms’ ESG practices? Fisher College of Business Working Paper, 2023.
  15. Jain P. K., Pamula R., & Srivastava G. A systematic literature review on machine learning applications for consumer sentiment analysis using online reviews. Computer science review, 41(1), 2021.
  16. Wankhade M., Rao A. C. S., & Kulkarni C. A survey on sentiment analysis methods, applications, and challenges. Artificial Intelligence Review, 55(7), 2022.
  17. Rantanen A., Salminen J., Ginter F., & Jansen B. J. Classifying online corporate reputation with machine learning: a study in the banking domain. Internet Research, 30(1), 2020.
  18. Agrawal S. R., & Mittal D. Optimizing customer engagement content strategy in retail and E-tail: Available on online product review videos. Journal of Retailing and Consumer Services, 67, 2022.
  19. de Kok S., Punt L., van den Puttelaar R., Ranta K., Schouten K., & Frasincar F. Review-Aggregated Aspect-Based Sentiment Analysis with Ontology Features. Progress in Artificial Intelligence, 7(4), 2018.
  20. https://doi.org/10.1007/s13748-018-0163-7
  21. Sanei A., Сheng J., Adams B. The Impacts of Sentiments and Tones in Community-Generated Issue Discussions. IEEE/ACM 13th International Workshop on Cooperative and Human Aspects of Software Engineering, CHASE, 2021. https://doi.org/10.1109/CHASE52884.2021. 00009
  22. Mirtalaie M. A., Hussain О. K. Sentiment Aggregation of Targeted Features by Capturing Their Dependencies: Making Sense from Customer Reviews. International Journal of Information Management, 53, 2020. https://doi.org/10.1016/j.ijinfomgt.2020.102097. 2020
  23. Basiri M. E., Kabiri A., Abdar M., Mashwani W. K., Yen N. Y., Hung J. C. The Effect of Aggregation Methods on Sentiment Classification in Persian Reviews. Enterprise Information Systems, 14(9–10), 2020. https://doi.org/10.1080/17517575.2019.1669829
  24. Graham J., Haidt J., & Nosek B. A. Liberals and conservatives rely on different sets of moral foundations. Journal of personality and social psychology, 96(5), 2009.
  25. Halamka R., & Teplý P. The effect of ethics on banks’ financial performance. Prague Economic Papers, 26(3), 2017.
  26. Alotaibi K. O., Mubarak I. A. S., & Alhammadi S. Perceptions of Concerned Parties about Governance and Business Ethics in Kuwaiti Banks, June, 2020.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML

© Российская академия наук, 2024

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».