본 연구는 자연어 처리(NLP) 기술과 산업별 맞춤 설정을 활용하여 ESG 평가의 새로운 패러다임을 ESG-KIBERT(ESG-Keyword Integrated BERT) 라는 모델로 제안하고 있다. 기존 ESG 평가 시스템의 투명성 부족과 일관성 결여 문제를 해결하기 위해 개발된 이 모델은, BERT 기반의 언어 모델에 ESG 관련 텍스트 데이터를 추가로 학습시켜 ESG 관련 문장 요소들을 E(환경), S(사회), G(지배구조) 또는 비ESG로 분류하는 성능을 향상시켰다는 데 의의가 있다.

기존 ESG 평가 기관들이 평가 기준을 명확히 공개하지 않아 발생했던 불투명성 문제를 해결하고자, 본 연구는 자연어 처리 기법을 기반으로 독자 모델을 개발하여 ESG 분류 성능을 크게 향상시키고, ESG 자동 분석의 새로운 기준을 제시하였다.

특히 Sustainability Accounting Standards Board(SASB)의 중요성(materiality) 지도를 반영해 산업별 특성을 고려한 맞춤형 평가를 수행하고, 시장과 투자자 인식을 반영한 감성 분석을 통해 ESG 평가지표와 점수를 도출했다. 이러한 접근은 평가의 깊이와 투명성을 한층 강화하는 데 기여했다.

주요 기여는 다음과 같다.

ESG-KIBERT 모델 개발: ESG 관련 뉴스 기사와 어닝 콜 내용을 이용하여 BERT 모델을 사전 훈련하고, 하드 어텐션 메커니즘을 적용하여 중요한 ESG 정보에 집중함으로써 ESG 분류의 정확성과 신뢰성을 높였다.

산업별 가중치 적용: SASB의 산업별 중요도 지도를 활용하여 S&P 500 기업의 ESG 성과를 산업 특성에 맞춰 평가하는 체계를 구축했다. 각 산업의 E, S, G 요소에 대한 가중치를 다르게 적용하여 더욱 정확한 평가를 가능하게 했다.

감정 분석 통합: FinBERT를 이용한 감정 분석을 통합하여 시장과 투자자들의 ESG 활동에 대한 인식을 반영함으로써 더욱 투명한 평가를 제공한다.

MSCI 평가와의 비교: 개발된 ESG 평가 체계를 통해 산출된 ESG 점수를 MSCI의 평가와 비교 분석하여, 제시된 방법론의 유효성과 실용성을 검증했다.


본 연구를 지도한 김장현 교수는 “ESG-KIBERT는 평가 기준을 투명하게 공개하면서도 MSCI 등급과 유사한 수준의 분류 성능을 달성해, 투자자·정책입안자가 신뢰할 수 있는 대안 지표가 될 것”이라며 “향후 그린워싱 탐지를 위한 사전 구축과 음성 데이터 추가 학습을 통해 모델을 더욱 고도화할 계획”이라고 밝혔다. 이 연구 외에도 김장현 교수 연구팀은 ESG 평가의 자동화 관련 논문을 다수 발표 한 바 있어, 인공지능과 도메인(ESG)의 결합을 하는 연구사례로서 주목받고 있다.

이 연구는 ESG 평가의 투명성, 일관성, 신뢰성을 향상시키는 새로운 접근 방식을 제시하며, 투자자, 기업, 정책 입안자들에게 유용한 의사결정 지원 도구를 제공한다. 향후 연구에서는 음성 데이터 통합, 분석 대상 확장, 그린워싱 감지 기능 개선 등을 통해 더욱 완성도 높은 ESG 평가 시스템을 구축할 수 있을 것으로 기대된다.

*논문명 : ESG-KIBERT: A new paradigm in ESG evaluation using NLP and industry-specific customization

*저널명 : DECISION SUPPORT SYSTEMS

*DOI : https://doi.org/10.1016/j.dss.2025.114440