Бакалаврская ВКР "ESG Analysis of Russian Real Estate Developers Using Artificial Intelligence Tools" (М. Кулькова и др.)

Работа М. Кульковой, М. Аразамасцевой и В. Коротневой (науч. рук. М. А. Сторчевой, НИУ ВШЭ) посвящена оценке ESG-показателей российских строительных и девелоперских компаний с помощью искусственного интеллекта в условиях отсутствия сопоставимых официальных ESG-рейтингов и формальной отчётности в этой отрасли. Выборка охватывает 227 компаний Северо-Западного федерального округа; данные собраны из List-Org, СПАРК и Rusprofile и дополнены Python-скрапингом (арбитражные дела, число дочерних структур, объём строительства). Методология адаптирует фреймворк ESG AI Web (Сторчевой, 2024) к специфике стройотрасли: к 15 базовым индикаторам (E, Sc, Se, Ss, So, G) добавлены 5 отраслевых переменных — экологические характеристики готовых зданий, прозрачность хода строительства, безопасность на стройплощадке, влияние на инфраструктуру и антикоррупционные меры в закупках. Оценка сайтов компаний выполнялась двумя независимыми экземплярами LLM по шкале 0–3 с обязательной цитатой-доказательством и проверкой свежести (2023–2026 гг.), а разногласия между моделями разрешал третий арбитражный LLM.

Вторым источником данных стал news-пайплайн: новостные публикации группировались в события, классифицировались по 11 типам (авария, регуляторное, судебное, финансовое и др.) и оценивались по шкале ImpactScore (от -3 до +3) с поправкой на качество реакции компании (ResponseScore). Из 227 компаний удалось оценить сайты 199 (28 оказались недоступны), а новостной охват получили 137 компаний, из которых после очистки дублей осталось 122. Средний агрегированный балл по сайтам составил лишь 14,18 из 60 возможных (23,6%), при этом у 64,4% индикаторов доказательства полностью отсутствовали, а формальные документы (политики, KPI, отчёты) встретились лишь в 12,4% случаев — это подтверждает крайне низкий уровень формализации ESG-практик в отрасли. На основе сайтовых и новостных данных построено несколько композитных индексов (ESG_Standard_10, ESG_Plus_10, ESG_Extended_10 и их news-скорректированные версии), из которых основной зависимой переменной выбран ESG_Extended_10 как наиболее полная мера.

Шесть гипотез протестированы с помощью Tobit-регрессии (с проверкой через OLS и HC3-ошибки). Размер компании (логарифм числа сотрудников) оказался самым сильным и устойчивым предиктором ESG-формализации (коэф. 0,444, p<0,001) — H2 подтверждена. Вертикальная интеграция сама по себе значима лишь на грани (коэф. 0,313, p<0,1) и теряет значимость при контроле масштаба — H1 подтверждена частично, тогда как взаимодействие интеграции и выручки значимо и положительно (коэф. 0,214, p<0,01) — H3 подтверждена полностью. Организационная сложность (число сотрудников и дочерних структур), география присутствия и финансовые ресурсы (выручка) также положительно и значимо связаны с ESG-баллом (H4–H6 подтверждены, H5 — только в Tobit-модели). Авторы заключают, что ESG-формализация в российском девелопменте определяется не только внешним давлением устойчивого развития, но и внутренними организационными возможностями — ресурсами, масштабом и структурой управления компании.

Текст работы (PDF, 1.42 Мб)