InvestESG

InvestESG是一个用于研究气候投资作为社会困境的多智能体强化学习基准数据集。该数据集由华盛顿大学的研究人员创建，旨在模拟公司在环境、社会和治理（ESG）披露要求下的气候投资行为。数据集包含公司和投资者两类智能体，通过模拟复杂的交互过程，评估ESG披露政策对公司气候投资的影响。数据集的创建过程结合了PyTorch和JAX框架，支持高效的并行计算。该数据集的应用领域主要集中在气候变化政策的研究和设计，旨在通过模拟实验提供对大规模社会经济挑战的洞察。

InvestESG is a multi-agent reinforcement learning benchmark dataset for studying climate investment as a social dilemma. Developed by researchers at the University of Washington, it aims to simulate corporate climate investment behaviors under environmental, social, and governance (ESG) disclosure requirements. The dataset includes two types of AI Agents: firms and investors, and evaluates the impact of ESG disclosure policies on corporate climate investment by simulating complex interactive processes. Built using both PyTorch and JAX frameworks, it supports efficient parallel computing. Its application scenarios primarily focus on the research and design of climate change policies, with the goal of providing insights into large-scale socio-economic challenges through simulation experiments.

搜集汇总

数据集介绍

构建方式

InvestESG 数据集通过多智能体强化学习（MARL）框架构建，旨在模拟环境、社会和治理（ESG）披露指令对企业气候投资的影响。该数据集基于 PyTorch 和 GPU 加速的 JAX 框架，模拟了企业在短期利润损失与长期气候风险减少之间的权衡，同时考虑了 ESG 意识投资者通过投资决策影响企业行为的情况。企业将资本分配于减排、漂绿和气候适应性，不同策略影响气候结果和投资者偏好。实验表明，在没有足够资本的 ESG 意识投资者的情况下，披露指令下的企业减排努力有限。然而，当投资者群体中存在关键数量的 ESG 优先者时，企业合作增加，从而降低气候风险并增强长期财务稳定性。

使用方法

InvestESG 数据集适用于研究多智能体强化学习算法在解决社会困境中的应用，特别是在气候投资领域。研究人员可以使用该数据集来测试和开发新的 MARL 算法，以探索 ESG 披露政策对企业行为的影响。通过模拟企业与投资者之间的互动，研究人员可以评估不同政策设计的效果，并为实际政策制定提供依据。数据集的开源代码和基准算法为研究人员提供了灵活的实验平台，支持在不同假设和政策设置下进行高效测试和基准测试。

背景与挑战

背景概述

InvestESG数据集由华盛顿大学的Foster商学院和计算机科学与工程学院以及Google DeepMind的研究人员共同创建，旨在通过多智能体强化学习（MARL）研究环境、社会和治理（ESG）披露指令对企业气候投资的影响。该数据集构建了一个时间性的社会困境模型，企业在此模型中需权衡短期利润损失与长期气候风险降低的收益，而ESG意识投资者则通过投资决策影响企业行为。InvestESG的实验结果表明，在没有足够资本的ESG意识投资者的情况下，企业即使面临披露指令，其减排努力仍然有限。然而，当投资者群体中存在一定数量的ESG优先者时，企业间的合作增加，从而降低气候风险并增强长期财务稳定性。此外，提供更多关于全球气候风险的信息能够鼓励企业在无投资者干预的情况下增加减排投资。这些发现与使用真实世界数据的经验研究相一致，突显了MARL在通过高效测试替代政策和市场设计来洞察大规模社会经济挑战方面的潜力。

当前挑战

InvestESG数据集面临的挑战主要集中在解决气候投资作为社会困境的问题以及构建过程中的复杂性。首先，企业作为自利实体，在没有外部激励或法规的情况下，不太可能自愿减少排放，这构成了一个典型的社会困境。其次，构建过程中需要模拟复杂的交互关系，包括企业如何在减排、漂绿和气候韧性之间分配资本，以及投资者如何基于ESG评分做出投资决策。此外，数据集还需处理投资者对ESG评分的反应，以及企业通过漂绿行为虚假提升ESG评分的可能性。这些挑战要求数据集不仅能够准确反映现实世界中的复杂动态，还需具备足够的灵活性和扩展性，以适应未来可能的政策和市场设计变化。

常用场景

经典使用场景

InvestESG数据集的经典使用场景在于模拟多智能体强化学习（MARL）环境，以研究环境、社会和治理（ESG）披露指令对企业气候投资的影响。通过构建一个时间跨度的社会困境模型，企业在此模型中需要在短期利润损失与长期气候风险减少之间做出权衡，而ESG意识投资者则通过投资决策影响企业行为。企业将资本分配于减排、漂绿和气候适应性建设，不同策略影响气候结果和投资者偏好。

解决学术问题

InvestESG数据集解决了在气候变化背景下，企业如何通过ESG披露指令与投资者互动的学术研究问题。它提供了一个高效的测试平台，用于评估不同政策和市场设计的效果，从而为大规模社会经济挑战提供洞察。该数据集的意义在于，它不仅验证了MARL在复杂社会经济系统中的应用潜力，还为政策制定者提供了基于模拟实验的决策支持。

实际应用

InvestESG数据集在实际应用中为政策制定者提供了一个模拟环境，用于测试和优化ESG披露指令的效果。通过模拟企业与投资者的互动，政策制定者可以评估不同政策设计对企业气候投资行为的影响，从而制定更为有效的气候政策。此外，该数据集还可用于培训和教育，帮助企业和投资者更好地理解ESG披露的重要性及其对气候投资决策的影响。

数据集最近研究

最新研究方向

在环境、社会和治理（ESG）披露指令的背景下，InvestESG数据集通过多智能体强化学习（MARL）模型，深入研究了企业气候投资作为社会困境的影响。该研究不仅模拟了企业在短期利润损失与长期气候风险减少之间的权衡，还探讨了ESG意识投资者如何通过投资决策影响企业行为。研究发现，当投资者对ESG有足够高的关注度时，企业间的合作增加，从而降低气候风险并增强长期财务稳定性。此外，提供更多关于全球气候风险的信息也能激励企业增加减排投资，即使在没有投资者参与的情况下。这些发现不仅与使用真实世界数据的实证研究相一致，还突显了MARL在通过高效测试替代政策和市场设计来解决大规模社会经济挑战方面的潜力。

相关研究论文

• InvestESG: A multi-agent reinforcement learning benchmark for studying climate investment as a social dilemma

  华盛顿大学 · 2024年