Depuis l’accord de Paris qui vise à limiter le réchauffement climatique, des politiques sont progressivement mises en place pour orienter l’économie vers une transition bas-carbone. Notamment, les institutions financières cherchent à orienter les flux financiers vers des investissements responsables dans des entreprises et des activités vertes plutôt que brunes. A titre d’exemple, les banques commencent à intégrer progressivement des indicateurs climatiques dans leurs stratégies d’octroi de crédit. Ces institutions s’appuient généralement sur des indicateurs de risques physiques, qui mesurent l’impact direct du changement climatique sur les personnes et les biens (sécheresses, inondations, etc.), et de risques de transition, qui mesurent les effets de la mise en œuvre d’un modèle économique à faible émission de carbone visant à réduire les émissions de gaz à effet de serre. Ces institutions se basent également sur les scores ESG qui notent les entreprises en fonction de leur engagement sur les questions environnementales, sociales et de gouvernance (ESG). Ces scores sont fournis par différentes plateformes (par exemple S&P, Refinitiv ou Bloomberg) avec des critères d’évaluation qui varient entre les différentes plateformes.
Néanmoins, ces scores annuels, semestriels, ou trimestriels sur le développement durable et notamment l’engagement climatique sont très statiques ; Ils ne reflètent pas les changements survenus dans l’entreprise en temps réel, mais uniquement une accumulation de changements sur une période fixe. En outre, les scores sont généralement manquants pour les petites entreprises. Par ailleurs, les méthodes de calcul et les critères de notation sont généralement peu clairs et sans explication et ne parviennent pas à saisir toutes les dimensions ESG de manière fiable et objective.
D’un autre côté, des millions (voire des milliards) de documents textuels liés au climat et aux problématiques ESG sont disponibles en libre accès, e.g. rapports annuels des entreprises, les news, les articles scientifiques, les textes réglementaires, les textes des réseaux sociaux, etc. Ces documents contiennent des indicateurs précieux sur la performance et la réputation climatique des entreprises et qui ne sont pas disponibles dans les scores souvent utilisés par les institutions financières. En plus, ces documents, notamment les news et les réseaux sociaux, reflètent les changements qui se produisent dans les entreprises en temps réel.
Face à ce flux régulier de données textuelles qui nous arrivent en permanence, et de toute part, les algorithmes de traitement du langage naturel (NLP pour Natural Language Processing) joueront un rôle déterminant dans notre capacité de compréhension de ces documents. En revanche, la nature non structurée de ces textes rend l’extraction des informations une tâche ardue, ce qui n’est pas faisable en appliquant une tâche NLP standard, d’où la nécessité de concevoir un processus de tâches de NLP afin d’obtenir les résultats souhaités.

Pour remédier aux limites des scores ESG classiques, nous proposons une solution basée sur des algorithmes de NLP, en 4 étapes:

• Extraire les tendances (sujets) climatiques en temps réel à partir des “News” par entreprise.
• Calculer des scores de réputation climatique (négatifs, neutres ou positifs) par sujet et par entreprise à partir des “News”.
• Expliquer les scores attribués en se basant sur les parties des News qui auraient poussé notre modèle à générer une certaine prédiction.
• Montrer comment nos scores se comparent aux scores ESG existants et comment nos scores peuvent mieux refléter les changements en temps réel.