JP7090936B2

JP7090936B2 - Ｅｓｇ基盤の企業評価遂行装置及びその作動方法

Info

Publication number: JP7090936B2
Application number: JP2020526369A
Authority: JP
Inventors: チャンユン、ドク; ワスンダラ、デヒヤ; ヨンイム、ジ; レクシコブ、セルゲイ
Original assignee: アイエスディーインコーポレーテッド
Priority date: 2017-11-23
Filing date: 2017-11-23
Publication date: 2022-06-27
Anticipated expiration: 2037-11-23
Also published as: KR20190059449A; EP3716165A4; WO2019103183A1; CN111630518A; US11449673B2; KR102026304B1; EP3716165A1; US20210365486A1; JP2021504789A

Description

本発明の多様な実施例は、ＥＳＧ基盤の企業評価遂行装置及びその作動方法に関し、インターネット上のニュース記事を収集し分析して企業が有する環境、社会または支配構造のイシューに関するリスクを分析し点数化する装置及びその作動方法に関する技術である。

最近、企業はリスト管理により注意を払っており、自企業と他企業を多方面で評価し、そのような評価の結果を投資、合併、生産ラインに対するリスク管理などに応用している。

一般に、企業は定量的に獲得する財務的なデータに基づいて企業を評価することが一般的であったが、最近は非財務的なデータに基づいて企業を評価しリスクを分析する方法論が注目を浴びている。企業が公開する財務的データには該当企業に不利な内容は反映されておらず、企業が提供する財務関連報告書に対する信頼性も疑われている実情である。非財務データを介した企業分析が必要な理由を調べると、インターネットを介する人々のＳＮＳ活動が活発になるにつれ、企業たは製品に対する特定な噂が広がるなどの事件などによって企業の評判が悪くなる場合もあり、オーナーの犯罪や健康に関する噂によって該当企業が有するリスクが高くなる場合もあるが、このような事件は財務的データを介して分析することが難しい実情である。よって、財務的データだけでなく、非財務的なデータを介して企業を分析することで、より細密な企業評価が可能になる。

このような流れから、非財務データをＥＳＧ（Ｅｎｖｉｒｏｎｍｅｎｔ、Ｓｏｃｉａｌ、Ｇｏｖｅｒｎａｎｃｅ）の３つのテーマに分けて分析する方法論が注目を浴びている。

ＥＳＧのような非財務データに基づいて企業に関する評価報告書を作成する企業が出ているが、非財務データは主観的な性格が強く、報告書が作成される速度も相対的に遅いため、企業がそれを活用しにくい点があった。このような短所を改善するために、コンピュータプログラムなどがインターネット上でＥＳＧに関するニュース記事を収集し自動的に分析して企業評価を行うに当たっても、ニュース記事は定型化されたデータではないため、ニュース記事の分類と評価を自動化する過程で多数の難点が存在していた。

本発明の多様な実施例は、前記のような問題点を解決するために導出されたものであり、インターネット上のニュース記事を収集し、それに基づいて企業に関する評価をＥＳＧ基盤で行うことを目的とする。

本発明の他の目的は、収取したニュース記事間の類似度分析を介して、同じ事件を扱っている記事をクラスタリングすることである。

本発明のまた他の目的は、ＥＳＧ企業評価を行う装置がマシンラーニングアルゴリズムを採択して学習を行うようにすることで、取集したニュースをカテゴリ化することの性能を向上させることである。

本発明が決意しようとする課題は上述した課題に限らず、上述されていない他の課題は以下の記載から通常の技術者に明確に理解されるはずである。

前記のような目的を達成するために、一実施例は、ＥＳＧの観点から企業を評価して点数を算出するＥＳＧ企業評価装置において、インターネット上で複数のニュース記事を収集して日付別または企業別に分類し、前記ニュース記事間の類似度分析を介して類似度が基準値以上のニュース記事に対するクラスタリングを行うニュース収集部と、前記ニュース記事それぞれを環境、社会、または支配構造のうちどのイシューに関するのか分類するニュース分類部と、クラスタ単位で該当クラスタに対するＥＳＧリスクを計算し、計算した値に基づいてＥＳＧ企業評価点数を算出する評価結果導出部と、を含む、ＥＳＧ企業評価装置を提供する。

前記ニュース収集部は、前記ニュース記事が作成された言語に当たる形態素分析機を利用して形態素分析を行い、形態素分析結果に基づいて前記ニュース記事それぞれに対するベクトル化を行い、前記類似度分析は、前記ニュース記事それぞれに対するコサイン類似度分析を介して行う。

前記ニュース収集部は、形態素分析の結果を介して前記ニュース記事それぞれに対するベクトル化を行うに当たって、ＴＦ－ＩＤＦ（ＴｅｒｍＦｒｅｑｕｅｎｃｙ－ＩｎｖｅｒｓｅＤｏｃｕｍｅｎｔＦｒｅｑｕｅｎｃｙ）値を利用する。

前記ニュース分類部は、前記ニュース記事それぞれを環境、社会、または支配構造のうちどのイシューに関するのか分類する前に、前記ニュース記事が環境、社会、または支配構造のうち少なくとも一つに関するのかを優先的に真偽方式で分類する。

前記ニュース分類部は、前記ニュース記事それぞれを環境、社会、または支配構造のうちどのイシューに関するのか分類した後、それぞれの前記イシューを細分化されたカテゴリに分けて前記ニュース記事それぞれを前記カテゴリに分類する。

前記ニュース分類部は、前記ニュース記事それぞれを環境、社会、または支配構造のうちどのイシューに関するのか分類する前に、特定マシンラーニングアルゴリズムを採択し、練習用データを介して学習を行って分類能力を向上させる。

前記ニュース分類部が採択するマシンラーニングアルゴリズムは、ＭｕｌｔｉｎｏｍｉｎｌＢａｙｅｓ、ＢｅｒｎｏｕｌｌｉＢａｙｅｓ、ＳＧＤ（ＳｔｏｃｈａｓｔｉｃＧｒａｄｉｅｎｔＤｅｓｃｅｎｄ）、ＬｉｎｅａｒＳＶＣ、Ｐｅｒｃｅｐｔｒｏｎ、またはＲａｎｄｏｍＦｏｒｅｓｔのうちいずれか一つである。

前記評価結果導出部は、前記ニュース記事から抽出された名詞に対するカテゴリ化を行い、各カテゴリ項目に含まれる単語の頻度数に基づいて、前記カテゴリ項目に対する順位の設定または証拠レベルの算出をクラスタ単位で行う。

前記評価結果導出部は、算出された証拠レベル値に基づいて各クラスタが環境、社会、または支配構造のイシューに属する確率を計算する。

前記評価結果導出部は、前記ＥＳＧ企業評価点数を算出するに当たって、算出された証拠レベル値及び各クラスタが環境、社会、または支配構造に属する確率を利用する。

前記のような目的を達成するために、本発明の他の実施例は、ＥＳＧ企業評価装置がＥＳＧの観点から企業を評価して点数を算出する方法において、インターネット上で複数のニュース記事を収集して日付別または企業別に分類し、前記ニュース記事間の類似度分析を介して類似度が基準値以上のニュース記事に対するクラスタ化を行うステップと、前記ニュース記事それぞれを環境、社会、または支配構造のうちどのイシューに関するのか分類するステップと、クラスタ単位で該当クラスタに対するＥＳＧリスクを計算し、それに基づいてＥＳＧ企業評価点数を算出するステップと、を含む、ＥＳＧ企業評価装置の点数算出方法を提供する。

本発明の一実施例によると、ＥＳＧ企業評価が自動化されて行われることで、ＥＳＧ企業評価が導出される速度が向上される。

本発明の他の実施例によると、マシンラーニングによってニュース記事を分類する性能が継続的に向上される企業評価装置が提供される。

本発明のまた他の実施例によると、多様な種類の言語で作成されたニュース記事に対する分析を行い、それに基づいて企業を評価する。

本発明の効果は上述した効果に限らず、上述されていない他の効果は以下の記載から通常の技術者に明確に理解されるはずである。

本発明の一実施例によるＥＳＧ企業評価が行われる流れを概略的に示す概念図である。本発明の一実施例によるＥＳＧ企業評価モジュールの構成を概略的に示すブロック図である。証拠レベル算出部がニュース記事から抽出された名詞をカテゴリ化する方法を説明するための図表である。証拠レベル算出部がカテゴリ項目に含まれる単語の個数に基づいて項目の順位を設定して正規化し、正規化した数値に基づいて証拠レベルを算出する方法を説明するための図表である。本発明の一実施例によるＥＳＧ確率算出部が各クラスタに対するＥＳＧ確率算出を行った結果を示す図表である。本発明の一実施例によるＥＳＧ企業評価装置がニュース記事を収集する過程からＥＳＧ企業評価点数を導出する過程を概略的に示すブロック図である。

本明細書で使用された用語は実施例を説明するためのものであって、本発明を制限するものではない。本明細書において、単数形は文の中で特に言及されない限り複数形も含む。明細書で使用される「含む（ｃｏｍｐｒｉｓｅｓ）」及び／または「含む（ｃｏｍｐｒｉｓｉｎｇ）」は、言及された構成要素以外にも一つ以上の他の構成要素の存在または追加を排除しない。明細書全体にわたって、同じ図面符号は同じ構成要素を指し、「及び／または」は言及された構成要素のそれぞれ及び一つ以上の全ての組み合わせを含む。たとえ「第１」、「第２」などが多様な構成要素を述べるために使用されても、これらの構成要素はこれらの用語によって制限されないことはもちろんである。これらの用語は単に一つの構成要素を他の構成要素と区別するために使用するものである。よって、以下で言及する第１構成要素は、本発明の技術的思想内で第２構成要素であってもよいことはもちろんである。

明細書全体にわたって、ある部分がある構成要素を「含む」という際、これは特に反対する記載がない限り、他の構成要素を除くのではなく、他の構成要素を更に含むことを意味する。また、明細書に記載された「○○部」、「モジュール」などの用途は少なくとも一つの機能や動作を処理する単位を意味し、これはハードウェアまたはソフトウェアで具現されるかハードウェアとソフトウェアの結合で具現される。

図１は、本発明の一実施例によるＥＳＧ企業評価が行われる流れを概略的に示す概念図である。

本発明で開示するＥＳＧ企業評価は、コンピュータソフトウェアの形態に具現されたプログラムによって自動化されて行われる。つまり、図１で例示されるそれぞれの方法は、ＥＳＧ企業評価を行うＥＳＧ企業評価装置１００に搭載されたソフトウェアによって演算処理されることで行われる。

図１を参照すると、ＥＳＧ企業評価装置１００は、３つのステップを介して最終企業評価結果を算出する。図１（ａ）を参照すると、ＥＳＧ企業評価装置１００は、優先的に企業評価を行う基本資料であるニュース記事をインターネット上で収集する。ＥＳＧ企業評価装置１００はニュース記事を収集するに当たって、形態素分析及び文書間類似度計算などを介してニュースがどの企業に関するのか、どのテーマに関するのかなどを判断し、一次的に類似した記事同士に分類するクラスタリングを行う。

図１（ｂ）を参照すると、ＥＳＧ企業評価装置１００は、収集されて一次的にクラスタリングされたニュース記事に基づいてより精密なニュース記事分類作業を行う。ＥＳＧ企業評価装置１００はニュース記事分類作業を行うに当たって、収集されたニュースがＥＳＧに関するのか、つまり、環境、社会、または支配構造のうち少なくともいずれか一つに関するのかを優先的に判断し、後に収集されたニュースが環境、社会、または支配構造のうちどのテーマに関するのかを判断して分類する。最終的に、ＥＳＧ企業評価装置１００は、環境、社会、支配構造の３つのテーマに分類されたニュース記事それぞれに対してより細密なカテゴリ分類を行う。

図１（ｃ）を参照すると、ＥＳＧ企業評価装置１００は、分類されたニュース記事に基づいて最終的な企業評価点数を導出する。この過程で、ＥＳＧ企業評価装置１００は、ニュース記事に含まれた主要単語に対する証拠レベルの算出、ニュース記事が環境、社会、支配構造のうちどのテーマに属するのかに対する確率の算出などをクラスタ単位で行う。

説明の便宜上、本発明のＥＳＧ企業評価装置１００が３つのステップを経て最終的なＥＳＧ企業評価点数を導出すると図示し説明したが、このようなステップは分割されるか統合されてこれより少ない数または多い数のステップで具現されてもよいことはもちろんである。

図２は、本発明の一実施例によるＥＳＧ企業評価モジュール１００の構成を概略的に示すブロック図である。

図２を参照すると、ＥＳＧ企業評価装置１００は、制御部１１０、ニュース収集部１２０、ニュース分類部１３０、評価結果導出部１４０、通信部１５０、及び貯蔵部１６０を含んで構成される。また、ニュース収集部１２０は形態素分析部１２１、企業及び日付分類部１２２、及びニュースクラスタリング部１２３を、ニュース分類部１３０は二元分類部１３１、ＥＳＧ分類部１３２、及びカテゴリ分類部１３３を、評価結果導出部１４０は証拠レベル算出部１４１、ＥＳＧ確率算出部１４２、及び点数算出部１４３をそれぞれ含む。

説明の便宜上、ＥＳＧ企業評価装置１００内でそれぞれの役割をする主体を○○部と示したが、それぞれの部分はＥＳＧ企業評価装置１００内で動作するサブプログラムモジュールである。このようなプログラムモジュールは、各動作を行うか、特定の抽象データ類型を行うルーティン、サブルーティン、プログラム、オブジェクト、コンポネント、データ構造などを包括する概念であるが、これに限らない。

一実施例による制御部１１０は、ニュース収集部１２０、形態素分析部１２１、企業及び日付分類部１２２、ニュースクラスタリング部１２３、ニュース分類部１３３、二元分類部１３１、ＥＳＧ分類部１３２、カテゴリ分類部１３３、評価結果導出部１４０、証拠レベル算出部１４１、ＥＳＧ確率算出部１４２、点数算出部１４３、通信部１５０、及び貯蔵部１６０間のデータの流れを制御する機能をする。つまり、本発明による制御部１１０は、ニュース収集部１２０、形態素分析部１２１、企業及び日付分類部１２２、ニュースクラスタリング部１２３、ニュース分類部１３３、二元分類部１３１、ＥＳＧ分類部１３２、カテゴリ分類部１３３、評価結果導出部１４０は、証拠レベル算出部１４１、ＥＳＧ確率算出部１４２、点数算出部１４３、通信部１５０、及び貯蔵部１６０でそれぞれ固有の機能をするように制御する。

一実施例によるニュース収集部１２０は、上述したように形態素分析部１２１、企業及び日付分類部１２２、及びニュースクラスタリング部１２３を含む。ＥＳＧ企業評価装置１００が企業評価を行うためには、インターネット上で発行される数多くのニュース記事のうちから企業の環境、社会、または支配構造に関するニュース記事のみを収集する必要があり、信頼できるリファレンス先からニュースを獲得しなければ、虚偽ニュースなどによる間違った評価をせざるを得ない。ニュース収集部１２０は、インターネット上でアップデートされるニュース記事を周期的時間間隔で収集し、ニュース記事を収集するに当たってそれぞれのニュース記事が発行された日付情報、該当ニュースを発光したメディア情報などを共に収集する。ニュース収集部１２０のニュース記事の収集は、ＥＳＧ企業評価装置１００内の通信部１５０を介して行われる。

形態素分析部１２１は、収集したニュース記事のテキスト全体を、意味を有する最小単位である形態素単位で分析する。一実施例による形態素分析部１２１は、韓国語で作成されたニュース記事を分析する場合、多様な韓国語形態素分析のうちから一つを選択し、それぞ介した分析を行う。一実施例によると、韓国語の形態素分析機としてはｋｉｗｉ、ＨＡＭ、ＨＬＸ、Ｍｅｃａｂなど多様な種類が存在するが、形態素分析部１２１はこのうちいずれか一つを利用して形態素分析を行って、その結果を活用する。他の実施例によると、形態素分析部１２１は韓国語ではない他言語で作成されたニュースを分析するに当たっては、該当言語に当たる形態素分析機を利用して形態素分析を行う。

企業及び日付分類部１２２は、収集されたニュース記事を企業別及び日付別に分類する。企業及び日付分類部１２２は、企業名がデータベースの形態に構築されている企業辞書を活用して、特定記事がどの企業に関する記事であるのかを判断する。企業及び日付分類部１２２は、特定記事がどの企業に関する記事であるのかを判断した後、該当記事が発行された日付を確認して期間別にニュース記事を整理する。一実施例によると、企業及び日付分類部１２２は、企業別にニュース記事を分類した後、同じ企業に関するニュースを一週間ごとに、または一か月ごとに分類する。このような期間別分類は、ＥＳＧ企業評価装置１００が後に企業評価を行うに当たって、最新のニュース記事が加重値を有する方式で計算するのに活用される。

ニュースクラスタリング部１２３は、収集されたニュース記事から同じイシューを扱う関連ニュースを一つのクラスタに構成する。ニュースクラスタリング部１２３は、多数のニュース記事が同じイシューを扱う関連ニュースであるのかを確認するために、ニュース記事間の類似度を計算する。

一実施例によると、ニュースクラスタリング部１２３がニュース記事間の類似度を計算する方式は、各文書をベクトル化した後、各ベクトル間のコサイン類似度計算を介して行われる。

ニュースクラスタリング部１２３は、ＴＦ－ＩＤＦ(Term Frequency - Inverse Document Frequency)を利用して各ニュース記事をベクトル化する。ＴＦ（ＴｅｒｍＦｒｅｑｕｅｎｃｙ）は特定単語が文書内で登場する頻度数を示す値であり、この値が高いほど文書内で該当単語が重要であると考えられる。収集された複数のニュース記事内から特定単語が登場する頻度数をＤＦ（ＤｏｃｕｍｅｎｔＦｒｅｑｕｅｎｃｙ）と表すが、この値の逆数がＩＤＦ（ＩｎｖｅｒｓｅＤｏｃｕｍｅｎｔＦｒｅｑｕｅｎｃｙ）である。特定単語が複数のニュース記事から頻繁に登場するのであればその単語は常套的な単語になり、ニュース記事で核心的な単語になることはできないため、ＤＦではないＩＤＦを使用するのである。ＴＦ－ＩＤＦはＴＦとＩＤＦをかけた値と定義されるが、本発明の一実施例によるニュースクラスタリング部１２３がニュース記事に対するＴＦ－ＩＤＦを計算する方式は数式１を使用することである。

前記数式１において、ｔｆ_ｉ．ｊはニュース記事ｊで単語ｉが登場する頻度を示し、ｄｆ_ｉはニュース記事からなる集団で単語ｉを含んでいるニュース記事の数を示す。

ニュースクラスタリング部１２３は前記数式１に基づいてそれぞれのニュース記事をベクトル化し、それぞれのニュース記事のベクトル値に基づいてニュース記事間の類似度を計算する。

一実施例によると、ニュースクラスタリング部１２３は、前記数式２を介してニュース記事間の類似度を計算する。数式２において、ＡとＢはそれぞれのベクトルであり、Ａ_ｉとＢ_ｉはそれぞれＡとＢベクトルにおけるｉ番目の成分を意味する。ニュース記事間のコサイン類似度は０から１の間の数字で計算されるが、０はニュース記事がそれぞれ独立的である場合を、１はニュース記事が互いに完全に同じ場合を意味する。

ニュースクラスタリング部１２３は、ニュース記事間の類似度を計算した後、予め実験を介して設定された基準値に基づいてニュース記事が類似しているのか否かを判断し、類似していると判断したニュース記事を一つのクラスタに束ねる。以下、明細書における「クラスタ」とは、ニュースクラスタリング部１２３によって類似したニュースと判断されたニュース記事の集合を意味する。

一実施例によるニュース分類部１３０は、上述したように二元分類部１３１、ＥＳＧ分類部１３２、及びカテゴリ分類部１３３を含む。ニュース分類部１３０は、ニュース収集部１２０によって収集されたニュース記事を３つの基準によって分類する。ニュース分類部１３０は二元分類部１３１を介してニュース記事を一次的に分類し、次にＥＳＧ分類部１３２を介して分類し、最終的にカテゴリ分類部１３３を介して分類する。この過程で、ニュース記事はより細密な基準で分類される。

二元分類部１３１は収集されたニュース記事それぞれがＥＳＧに関するのかを判断し、真偽（Ｔｒｕｅｏｒｆａｌｓｅ）方式で分類する。つまり、二元分類部１３１は収集されたニュースがＥＳＧ企業評価に使用可能なデータであるのかを判断するが、環境、社会、支配構造のうち少なくとも一つに関連すると判断すればＴＲＵＥと分類し、そうでなければＦＡＬＳＥと分類する。よって、二元分類部１３１はスポーツ、芸能、政治、芸術のようにＥＳＧ企業評価において必要ではないニュース記事をＦＡＬＳＥと分類することで、ＥＳＧ企業評価装置１００が処理すべきニュース記事の量をかなり減少させる。

一実施例によると、ＥＳＧ分類部１３２は二元分類部１３１でＴＲＵＥと分類されたニュース記事を環境、社会、支配構造の３つのイシューに分類する。次に、分類されたニュース記事はカテゴリ分類部１３３によってより細分化されたカテゴリに分類される。つまり、環境、社会、支配構造のイシューがそれぞれより細密なカテゴリに分けられ、一つのニュース記事はカテゴリ分類部１３０によって下部カテゴリのうちいずれか一つに属するようになる。

一実施例によると、二元分類部１３１、ＥＳＧ分類部１３２、及びカテゴリ分類部１３３は、マシンラーニングアルゴリズムを利用してニュース記事を分類する。

二元分類部１３１、ＥＳＧ分類部１３２、及びカテゴリ分類部１３３がマシンラーニングアルゴリズムを利用して分類を行う方式を調べると、優先的に自然語分析を介してニュース記事から名詞のみを抽出する。一実施例によると、二元分類部１３１、ＥＳＧ分類部１３２、及びカテゴリ分類部１３３は韓国語のみからなるニュース記事から名詞のみを抽出するに当たって、自然語分析パッケージの一種であるＫｏＮＬＰを使用する。他の実施例によると、二元分類部１３１、ＥＳＧ分類部１３２、及びカテゴリ分類部１３３は、他言語からなるニュース記事から名詞を抽出するために該当言語に適合した分析ツールを使用する。

二元分類部１３１、ＥＳＧ分類部１３２、及びカテゴリ分類部１３３は、ニュース記事から名詞のみを抽出した後、数式１を介して上述したＴＦ－ＩＤＦを利用して行列を生成する。ＴＦ－ＩＤＦを利用して生成される行列は、ニュースクラスタリング部１２３によって分類されたクラスタ別に生成される。一実施例によると、生成された行列において、行にはそれぞれのニュース記事に含まれている単語（名詞）が並べられ、列にはそれぞれの単語（名詞）に対して該当単語が含まれているニュース記事が並べられる。

二元分類部１３１、ＥＳＧ分類部１３２、及びカテゴリ分類部１３３は、次にＴＦ－ＩＤＦを利用して生成した行列に基づき、マシンラーニングアルゴリズムを介してそれぞれの分類部の役割に合わせた分類を行う。一実施例によると、二元分類部１３１、ＥＳＧ分類部１３２、及びカテゴリ分類部１３３は、特定のマシンラーニングアルゴリズムを採用した後、ユーザが予め分類しておいた練習用データを入力されて学習を行うことで分類能力が向上される。次に、練習用データを介してある程度学習を行ってからの二元分類部１３１、ＥＳＧ分類部１３２、及びカテゴリ分類部１３３にはテストデータが入力されるが、テストに通った各分類部は該当マシンラーニングアルゴリズムを介してニュース記事の分類を行う。

一実施例によると、二元分類部１３１、ＥＳＧ分類部１３２、及びカテゴリ分類部１３３は、ＭｕｌｔｉｎｏｍｉａｌＢａｙｅｓ、ＢｅｒｎｏｕｌｌｉＢａｙｅｓ、ＳＧＤ(Stochastic Gradient Descend)、ＬｉｎｅａｒＳＶＣ、Ｐｅｒｃｅｐｔｒｏｎ、ＲａｎｄｏｍＦｏｒｅｓｔなどのマシンラーニングアルゴリズムのうち一つを選択して採用する。

一実施例による評価結果導出部１４０は、ニュース収集部１２０によって収集されてニュース分類部１３０によってカテゴリ別に分類されたニュース記事に基づいてＥＳＧ企業評価を行う。つまり、評価結果導出部１４０はＥＳＧ関連記事に基づいて企業別点数化を行い、点数を介して企業評価を行う。上述したように、評価結果導出部１４０は、証拠レベル算出部１４１、ＥＳＧ確率算出部１４２、及び点数算出部１４３を含む。

証拠レベル算出部１４１は、ニュース記事から抽出された名詞を複数個の単語カテゴリに分類する。一実施例によると、証拠レベル算出部１４１は、環境被害（ＥｎｖｉｒｏｎｍｅｎｔＤｅｍａｇｅ、Ｄ＿Ｅｎｖ）、会社の利害関係人（ＣｏｍｐａｎｙＳｔａｋｅｈｏｌｄｅｒ、Ｓ＿Ｃｏｍｐａｎｙ）、一般的な被害（ＧｅｎｅｒａｌＤａｇｍａｅ、Ｄ＿ｇｅｎ）などに名詞を分類する。

図３は、証拠レベル算出部１４１がニュース記事から抽出された名詞をカテゴリ化する方法を説明するための図表である。

図３を参照すると、証拠レベル算出部１４１は、抽出された名詞がＥＳＧのうちどの項目に当たるのかと、該当項目でもどの要素に関連するのかを判断して最終的にカテゴリ化を行う。このような名詞のカテゴリ化は、上述したカテゴリ分類部１３３が行うカテゴリ化とは異なる。つまり、カテゴリ分類部１３３が行うカテゴリ化は各ニュースを環境、社会、支配構造のイシューより細密な下部カテゴリに分類することであり、証拠レベル算出部１４１が行うカテゴリ化はニュース記事から抽出された名詞に対するカテゴリ化である。つまり、カテゴリ分類部１３３はニュース記事それぞれに対するカテゴリ化を行うことであり、証拠レベル算出部１４１は名詞に対するカテゴリ化を行うことであって、カテゴリに属する個体がそれぞれニュース記事と名詞で異なる。

一実施例によると、証拠レベル算出部１４１は前記のようなカテゴリ化を行った後、ニュースクラスタリング部１２３によって分類されたニュース記事の集合であるクラスタ別に各カテゴリ項目にいくつの単語が含まれるのかを計算する。このような単語は、図３に示したように証拠レベル算出部１４１によって抽出されてカテゴリ化が完了された名詞である。

証拠レベル算出部１４１は、カテゴリ項目に含まれる単語の個数に基づいて各カテゴリ項目の順位を設定し、単語の個数を正規化して正規化された数値に基づいて各カテゴリ項目の証拠レベルを算出する。

図４は、証拠レベル算出部１４１がカテゴリ項目に含まれる単語の個数に基づいて項目の順位を設定して正規化し、正規化した数値に基づいて証拠レベルを算出する方法を説明するための図表である。

図４を参照すると、一つのクラスタに対してそれぞれのカテゴリ別にいくつの単語が含まれているのか、どのような単語が含まれているのかが示されており、含まれている単語の個数に基づいてカテゴリ別順位が設定されている。また、各カテゴリ別に含まれている単語の個数が正規化された数値で示されており、このような正規化数値に基づいて証拠レベルが示されている。証拠レベル算出部１４１は、正規化された数値を一定基準値によって区間別に分類して証拠レベルを算出する。

ＥＳＧ確率算出部１４２は、証拠レベル算出部１４１で使用するカテゴリ項目に基づき、類似したニュースの集合である各クラスタが環境、社会、または支配構造のうちどのイシューに属するのかに対する確率を算出する。

ＥＳＧ確率算出部１４２は、各クラスタがＥＳＧのうちどのイシューに属するのかに対する確率を算出する前に、証拠レベル算出部１４１が使用したカテゴリ項目をより少ない数の集合に規定する。一実施例によると、このような集合は環境、社会、支配構造、企業リスク、及びその他の関連問題と分類される。

ＥＳＧ確率算出部１４２は、前記数式３を利用して特定クラスタに対する環境、社会、または支配構造のイシューに対する証拠レベルを算出する。ＥＳＧ確率算出部１４２が環境に対する証拠レベルを算出する方法を例に挙げると、数式３において、Ｃ_ｉは環境に対するカテゴリのうちｉ番目のカテゴリを意味し、ｎは環境に関するカテゴリの個数を意味し、Ｅ（Ｃ_ｉ－）は環境に対するｉ番目のカテゴリの証拠レベルであって、証拠レベル算出部１４１で上述したように算出されたものを意味する。つまり、証拠レベル算出部１４１で算出した証拠レベルは抽出された名詞を分類するのに利用したカテゴリに対する証拠レベルであり、ＥＳＧ確率算出部１４２が算出する証拠レベルは環境、社会、支配構造の３つのイシューに対する証拠レベルである。

ＥＳＧ確率算出部１４２は、各クラスタが環境、社会、支配構造の３つのうちどのイシューに関するのかに対する確率を算出する。

ＥＳＧ確率算出部１４２は、前記数式４を利用して各クラスタのＥＳＧ確率を算出する。

図５は、本発明の一実施例によるＥＳＧ確率算出部１４２が各クラスタに対するＥＳＧ確率算出を行った結果を示す図表である。

図５を参照すると、複数のクラスタに対して、環境、社会、支配構造の３つのイシューに対する証拠レベルとそれによるＥＳＧ確率が示されている。特定クラスタが環境、社会、支配構造のうちどのイシューに関するのかに対する確率を全部足すと１になることが分かる。

一実施例による点数算出部１４３は、ＥＳＧ企業評価の最終ステップであるＥＳＧ企業評価点数を計算する前に、各種補助指標を計算した後、計算された補助指標を利用してＥＳＧ企業評価点数を計算する。前記のような補助指標及びＥＳＧ企業評価点数は、上述したように計算された証拠レベル及びＥＳＧ確率を介して計算される。

一実施例によると、各種補助指標はＥＳＧリスク点数、企業リスク点数、及び関連性点数などからなる。このような補助指標は前記のような３種類に限らず、多様な数と計算方式で定義されてもよいことはもちろんである。

一実施例によると、点数算出部１４３は、最終的に前記数式５のような方式でＥＳＧ企業評価点数を算出する。数式５において、ＥＳＧｒｉｓｋ、ＣｏｍｐａｎｙＲｉｓｋ、Ｒｅｌｅｖａｎｃｅは各種補助指標を示す。数式５において、ＥＳＧｒｉｓｋ、ＣｏｍｐａｎｙＲｉｓｋ、Ｒｅｌｅｖａｎｃｅは各種補助指標を示す。ＥＳＧｒｉｓｋは特定クラスタに分類されたニュース記事の集合が環境、社会、企業構造に関してどれだけの危険性を有するのかをそれぞれ計算して合算した値であり、ＣｏｍｐａｎｙＲｉｓｋはＥＳＧ確率算出部１４２が規定した集合のうち企業リスクに関する集合と該当集合に分類された単語カテゴリに関する値であり、ＲｅｌｅｖａｎｃｅはＥＳＧ確率算出部１４２が規定した集合のうちその他と分類された集合と該当集合に分類された単語カテゴリに関する値である。

一実施例による通信部１５０は、ＥＳＧ企業評価装置１００と外部装置との間の通信を可能にする。詳しくは、ＥＳＧ企業評価装置１００が該当装置のユーザ端末機と通信可能にし、インターネット連結を介してニュース収集部１２０が発行するニュースを収集するようにする。

一実施例による貯蔵部１６０は、ＥＳＧ企業評価装置１００の動作に必要なデータを貯蔵する。貯蔵部１６０は、収集したニュース記事、ニュース記事に対する分類情報、点数化情報、マシンラーニングアルゴリズムの学習履歴などをデータの形式で保管する。

上述したような方式で、ＥＳＧ企業評価装置１００は類似した記事の集合である各クラスタ別にＥＳＧ企業評価点数を最終的に導出する。

図６は、本発明の一実施例によるＥＳＧ企業評価装置１００がニュース記事を収集する過程からＥＳＧ企業評価点数を導出する過程を概略的に示すブロック図である。

図６を参照すると、ＥＳＧ企業評価装置１００は、企業評価を行うに当たって基礎となるデータであるニュース記事をインターネット上で定期的に、または非定期的に時間間隔を置いて収集するＳ６０１。

次に、ＥＳＧ企業評価装置１００は収集したニュース記事を企業別及び日付別に分類しＳ６０３、収集したニュース記事が作成された言語に応じて適合した形態素分析機を使用して該当記事を分析するＳ６０５。

ＥＳＧ企業評価装置１００は、形態素分析が完了されたニュース記事に基づいて各ニュース記事をベクトル化した後、ベクトル間の類似度分析を介してニュース記事間の類似度を計算し、関連ニュース同士に集めてクラスタ化を行うＳ６０７。この過程で、ＥＳＧ企業評価装置１００はＴＦ－ＩＤＦを利用して各ニュース記事をベクトル化し、コサイン類似度計算を介して各ニュース間の類似度を計算する。

ＥＳＧ企業評価装置１００は、収集したニュース記事それぞれが環境、社会、及び支配構造のうちどのイシューに属するのかと、環境、社会、及び支配構造のイシューそれぞれに属する細部カテゴリのうちどのカテゴリに属するのかを分類するＳ６０９。この過程で、ＥＳＧ企業評価装置１００は、先決的に各ニュース記事がＥＳＧ企業評価を行うのに関連する記事であるのか否かをＴＲＵＥｏｒＦＡＬＳＥの形態に分類し、各分類ステップに適合したマシンラーニングアルゴリズムを採択し練習用データを生成して、ＥＳＧ企業評価装置１００が該当アルゴリズムを介して学習を行うようにする。ＥＳＧ企業評価装置１００のユーザはマシンラーニングアルゴリズムと練習用データを介して学習したＥＳＧ企業評価装置１００をテストデータを介して検証し、それを介してＳ６０９の各分類が行われるようにする。

ＥＳＧ企業評価装置１００は、Ｓ６０７で分類された各クラスタ単位で該当クラスタのＥＳＧイシューそれぞれに対する証拠レベル値を算出し、該当クラスタに対するＥＳＧ確率値を算出するＳ６１１。この過程で、ＥＳＧ企業評価装置１００はニュース記事から抽出された名詞を複数個の単語カテゴリに分類し、それを環境、社会、支配構造、企業リスク、その他の関連問題のような集合に分類する。次に、ＥＳＧ企業評価装置１００は、前記集合のうちから環境、社会、支配構造に対する証拠レベル値を算出し、ＥＳＧ確率値も算出する。

最終的に、ＥＳＧ企業評価装置１００は、Ｓ６１１で算出した証拠レベル値及びＥＳＧ確率値などに基づいて、最終的なＥＳＧ企業評価点数を算出するＳ６１３。この過程で、ＥＳＧ企業評価装置１００は、Ｓ６１１で算出したＥＳＧ確率値と、企業リスクと分類した集合の証拠レベル値などを活用する。

本発明の一実施例によると、ＥＳＧ企業評価装置１００は、ＥＳＧ企業評価結果を活用する個人または企業が特定企業に対して出た評価点数の根拠を要求する際、該当点数が出た根拠を提供する機能を含む。つまり、特定企業の記事に対する評価点数が算出された際、該当評価点数は記事に存在する特定単語の頻度数によって大きく影響を受けているとの情報を提供してもよく、該当単語が含まれている記事を検索して提供してもよい。

このように、本発明の実施例によって開示されたＥＳＧ企業評価装置１００が自動化された企業評価を行うことで、インターネット上で特定企業に関する類似したニュース記事が発行されている際、該当ニュース記事が環境、社会、支配構造のうちどのイシューに関するのか、該当イシューに対するリスクがどれだけ重大なのかを判断することができるようになる。

一方、本発明の一実施例によるＥＳＧ企業評価装置１００はまた、コンピュータで読取可能な記録媒体にコンピュータが読取可能なコードとして具現される。コンピュータが読取可能な記録媒体は、コンピュータシステムによって読み取られるデータが貯蔵される全種類の記録装置を含む。

例えば、コンピュータが読取可能な記録媒体としては、ＲＯＭ、ＲＡＭ、ＣＤ－ＲＯＭ、磁気テープ、ハードディスク、フロッピーディスク、移動式貯蔵装置、非揮発性メモリ（ＦｌａｓｈＭｅｍｏｒｙ）、光データ貯蔵装置などが挙げられる。

また、コンピュータで読取可能な記録媒体は、コンピュータ通信網で連結されたコンピュータシステムに分散されて、分散方式で読取可能なコードとして貯蔵され実行される。

これまで添付した図面を参照して本発明の実施例を説明したが、本発明が属する技術分野の通常の技術者は、本発明がその技術的思想や必須的特徴を変更せずも他の具体的な形態に実施され得ることを理解できるはずである。よって、上述した実施例は全ての面で例示的であって、制限的ではないと理解すべきである。

Claims

ＥＳＧ（Ｅｎｖｉｒｏｎｍｅｎｔ、Ｓｏｃｉａｌ、Ｇｏｖｅｒｎａｎｃｅ）の観点から企業を評価して点数を算出するＥＳＧ企業評価装置において、
インターネット上で複数のニュース記事を収集して日付別または企業別に分類し、前記ニュース記事間の類似度分析を介して類似度が基準値以上のニュース記事に対するクラスタリングを行うニュース収集部と、
前記ニュース記事それぞれを環境、社会、または支配構造のうちどのイシューに関するのか分類するニュース分類部と、
クラスタ単位で該当クラスタに分類された前記ニュース記事の集合が環境、社会、支配構造のイシューに属する確率を用いて所定の計算式に基づいてＥＳＧリスクを計算し、計算した値に基づいてＥＳＧ企業評価点数を算出する評価結果導出部と、を含む、ＥＳＧ企業評価装置。
前記ニュース収集部は、前記ニュース記事が作成された言語に当たる形態素分析機を利用して形態素分析を行い、形態素分析結果に基づいて前記ニュース記事それぞれに対するベクトル化を行い、前記類似度分析は、前記ニュース記事それぞれに対するコサイン類似度分析を介して行う、請求項１に記載のＥＳＧ企業評価装置。
前記ニュース収集部が形態素分析の結果を介して前記ニュース記事それぞれに対するベクトル化を行う方法は、ＴＦ－ＩＤＦ（ＴｅｒｍＦｒｅｑｕｅｎｃｙ－ＩｎｖｅｒｓｅＤｏｃｕｍｅｎｔＦｒｅｑｕｅｎｃｙ）値を利用することである、請求項２に記載のＥＳＧ企業評価装置。
前記ニュース分類部は、前記ニュース記事それぞれを環境、社会、または支配構造のうちどのイシューに関するのか分類する前に、前記ニュース記事が環境、社会、または支配構造のうち少なくとも一つに関するのか否かを所定の条件に従って真偽方式で先に分類してからどのイシューに関するのか分類する、請求項１に記載のＥＳＧ企業評価装置。
前記ニュース分類部は、前記ニュース記事それぞれを環境、社会、または支配構造のうちどのイシューに関するのか分類した後、前記イシューごとにさらに細分化して予め分類したカテゴリを用い、カテゴリ分類部が、前記カテゴリに分けて前記ニュース記事それぞれを前記カテゴリに分類する、請求項１に記載のＥＳＧ企業評価装置。
前記ニュース分類部は、前記ニュース記事それぞれを環境、社会、または支配構造のうちどのイシューに関するのか分類する前に、所定のマシンラーニングアルゴリズムによって予め用意された練習用データを用いて機械学習を行い、その学習結果に従って分類を行う、請求項１に記載のＥＳＧ企業評価装置。
前記ニュース分類部が採択するマシンラーニングアルゴリズムは、ＭｕｌｔｉｎｏｍｉａｌＢａｙｅｓ、ＢｅｒｎｏｕｌｌｉＢａｙｅｓ、ＳＧＤ（ＳｔｏｃｈａｓｔｉｃＧｒａｄｉｅｎｔＤｅｓｃｅｎｄ）、ＬｉｎｅａｒＳＶＣ、Ｐｅｒｃｅｐｔｒｏｎ、またはＲａｎｄｏｍＦｏｒｅｓｔのうちいずれか一つである、請求項６に記載のＥＳＧ企業評価装置。
前記評価結果導出部は、前記ニュース記事から抽出された名詞に対するカテゴリ化を行い、各カテゴリ項目に含まれる単語の個数に基づいて各カテゴリ項目の順位を設定し、単語の個数を正規化して正規化された数値を一定基準値によって区間別に分類し、各カテゴリ項目の証拠レベルを算出し、
算出された各カテゴリ項目の証拠レベル値から所定の計算式に従って、各カテゴリが属する前記イシューごとの証拠レベル値を算出し、全てのイシューの証拠レベル値の合計に対して各イシューの証拠レベル値の割合を確率として計算し、各クラスタが環境、社会、または支配構造のイシューに属する確率を計算する、請求項１に記載のＥＳＧ企業評価装置。
ＥＳＧ企業評価装置がＥＳＧ(Environmnet, Social, Governance)の観点から企業を評価して点数を算出する方法において、
インターネット上で複数のニュース記事を収集して日付別または企業別に分類し、前記ニュース記事間の類似度分析を介して類似度が基準値以上のニュース記事に対するクラスタ化を行うステップと、
前記ニュース記事それぞれを環境、社会、または支配構造のうちどのイシューに関するのか分類するステップと、
クラスタ単位で該当クラスタに分類された前記ニュース記事の集合が環境、社会、支配構造のイシューに属する確率を用いて所定の計算式に基づいてＥＳＧリスクを計算し、それに基づいてＥＳＧ企業評価点数を算出するステップと、を含む、ＥＳＧ企業評価装置の点数算出方法。