Robust ESG data for biodiversity: towards a spatially-sensitive approach to Sustainable Finance
生物多样性的可靠 ESG 数据:采用空间敏感的可持续金融方法
基本信息
- 批准号:NE/X01634X/1
- 负责人:
- 金额:$ 20.1万
- 依托单位:
- 依托单位国家:英国
- 项目类别:Research Grant
- 财政年份:2023
- 资助国家:英国
- 起止时间:2023 至 无数据
- 项目状态:已结题
- 来源:
- 关键词:
项目摘要
This project seeks to construct an interdisciplinary expert and stakeholder community to uncover and pilot using 'discoverable' data to construct a usable and scientifically rigorous biodiversity dataset. To achieve that, the project will be led by the Oxford Sustainable Finance Group, in partnership with WCMC and Catapult, in four key stages: Stage One: Network buildingStage Two: construction of a strawman for integrating biodiversity in ESG metricsStage Three: Testing and revising the strawmanStage Four: White Paper, Next Steps and Capacity Building The project will result in:(1) a community of committed stakeholders; (2) a concept note of use cases of biodiversity metrics, existing data and capacity availability and gaps; (3) a tested blueprint of what a biodiversity finance database would look like; (4) an agreed-upon plan of next steps forward.
该项目旨在建立一个跨学科专家和利益相关者社区,以发现和试点使用“可发现”数据来构建可用且科学严谨的生物多样性数据集。为了实现这一目标,该项目将由牛津可持续金融集团牵头,与 WCMC 和 Catapult 合作,分四个关键阶段: 第一阶段:网络建设 第二阶段:构建将生物多样性纳入 ESG 指标的稻草人 第三阶段:测试和修订稻草人第四阶段:白皮书、后续步骤和能力建设 该项目将导致:(1) 一个由忠诚的利益相关者组成的社区; (2) 生物多样性指标用例、现有数据和能力可用性及差距的概念说明; (3) 经过测试的生物多样性金融数据库的蓝图; (4) 商定的下一步计划。
项目成果
期刊论文数量(0)
专著数量(0)
科研奖励数量(0)
会议论文数量(0)
专利数量(0)
数据更新时间:{{ journalArticles.updateTime }}
{{
item.title }}
{{ item.translation_title }}
- DOI:
{{ item.doi }} - 发表时间:
{{ item.publish_year }} - 期刊:
- 影响因子:{{ item.factor }}
- 作者:
{{ item.authors }} - 通讯作者:
{{ item.author }}
数据更新时间:{{ journalArticles.updateTime }}
{{ item.title }}
- 作者:
{{ item.author }}
数据更新时间:{{ monograph.updateTime }}
{{ item.title }}
- 作者:
{{ item.author }}
数据更新时间:{{ sciAawards.updateTime }}
{{ item.title }}
- 作者:
{{ item.author }}
数据更新时间:{{ conferencePapers.updateTime }}
{{ item.title }}
- 作者:
{{ item.author }}
数据更新时间:{{ patent.updateTime }}
Steven Reece其他文献
A Machine Learning Pipeline to Predict Vegetation Health
预测植被健康的机器学习管道
- DOI:
- 发表时间:
2020 - 期刊:
- 影响因子:0
- 作者:
Thomas Lees;Gabriel Tseng;Alex Hernandez;Clement Atzberger;Simon J. Dadson;Steven Reece - 通讯作者:
Steven Reece
Steven Reece的其他文献
{{
item.title }}
{{ item.translation_title }}
- DOI:
{{ item.doi }} - 发表时间:
{{ item.publish_year }} - 期刊:
- 影响因子:{{ item.factor }}
- 作者:
{{ item.authors }} - 通讯作者:
{{ item.author }}
{{ truncateString('Steven Reece', 18)}}的其他基金
Science-based Markets for Nature Recovery
基于科学的自然恢复市场
- 批准号:
NE/X016552/1 - 财政年份:2023
- 资助金额:
$ 20.1万 - 项目类别:
Research Grant
相似国自然基金
强制ESG信息披露的影响研究:基于资产收购与资产剥离的视角
- 批准号:72302196
- 批准年份:2023
- 资助金额:30 万元
- 项目类别:青年科学基金项目
ESG评级事件与企业资源配置效率的关系研究:影响机制、边界条件与经济后果
- 批准号:72302014
- 批准年份:2023
- 资助金额:30 万元
- 项目类别:青年科学基金项目
基于鲁棒非参数前沿的ESG基金漂绿行为测度与防范研究
- 批准号:72371100
- 批准年份:2023
- 资助金额:41 万元
- 项目类别:面上项目
环境、社会和治理(ESG)表现对企业韧性的影响研究
- 批准号:72362030
- 批准年份:2023
- 资助金额:27 万元
- 项目类别:地区科学基金项目
高管薪酬久期与ESG信息披露行为:作用机制与资本市场后果研究
- 批准号:72302085
- 批准年份:2023
- 资助金额:30 万元
- 项目类别:青年科学基金项目
相似海外基金
Seamless integration of Financial data into ESG data
将财务数据无缝集成到 ESG 数据中
- 批准号:
10099890 - 财政年份:2024
- 资助金额:
$ 20.1万 - 项目类别:
Collaborative R&D
Robust ESG data for biodiversity: towards a spatially-sensitive approach to Sustainable Finance
生物多样性的可靠 ESG 数据:采用空间敏感的可持续金融方法
- 批准号:
NE/X016471/1 - 财政年份:2023
- 资助金额:
$ 20.1万 - 项目类别:
Research Grant
Addressing The Deficiencies Of ESG Data Using Earth Observation Technologies
利用地球观测技术解决 ESG 数据的缺陷
- 批准号:
900264 - 财政年份:2023
- 资助金额:
$ 20.1万 - 项目类别:
Collaborative R&D
INNOV Phase I: Leverage artificial intelligence to improve Environmental, Social, and Governance (ESG) data
INNOV 第一阶段:利用人工智能改善环境、社会和治理 (ESG) 数据
- 批准号:
580663-2023 - 财政年份:2022
- 资助金额:
$ 20.1万 - 项目类别:
Idea to Innovation
Inventive AI/ML software, to improve ESG data management and increase disclosure, enabling companies to visualise impacts and improve their sustainability performance.
创造性的人工智能/机器学习软件,可改善 ESG 数据管理并增加披露,使公司能够可视化影响并提高其可持续发展绩效。
- 批准号:
10035663 - 财政年份:2022
- 资助金额:
$ 20.1万 - 项目类别:
Collaborative R&D