Transparent Environment, Social, and Governance (ESG) Risk Score Prediction Using Machine Learning and Explainable AI

في عالم المال الحديث، لم تعد قيمة الشركة تُقاس فقط بأرباحها. فالمستثمرون والمنظمون والجمهور يطالبون بشكل متزايد بمعرفة كيفية تعامل العمل التجاري مع الكوكب، وعماله، وقيادته الخاصة. يُعرف هذا التقييم الأوسع باسم "ESG"، وهو اختصار لـ: البيئية (Environmental)، والاجتماعية (Social)، والحوكمة (Governance). ينظر الركن البيئي إلى البصمة الإيكولوجية للشركة، مثل انبعاثات الكربون والنفايات. أما الركن الاجتماعي، فيفحص كيفية تفاعل المنظمة مع المجتمع، بما في ذلك معاملة الموظفين والمجتمعات المحلية. ويركز ركن الحوكمة على كيفية إدارة الشركة، مع مراعاة هيكل القيادة وتنوع مجلس الإدارة. وبينما تهدف هذه التصنيفات إلى توجيه الاستثمار الأخلاقي، فإن الأساليب المستخدمة لحسابها غالباً ما تكون سرية؛ إذ تحتفظ وكالات التصنيف الكبرى بمعادلاتها الخاصة، وتتعامل مع درجاتها كمنتجات مملوكة لها. وهذا النقص في الشفافية يعني أن حتى الأشخاص الذين يعتمدون على هذه الدرجات لا يمكنهم بسهولة رؤية كيفية استخلاص الأرقام، مما يحول هذه التصنيفات إلى "صناديق سوداء" يصعب الوثوق بها أو التحقق منها.

لقد سعى فريق من الباحثين من جنوب أفريقيا لفتح هذه الصناديق السوداء. أرادوا معرفة ما إذا كان بإمكانهم بناء نظام واضح وشفاف للتنبؤ بدرجات مخاطر ESG باستخدام المعلومات العامة فقط. وبدلاً من الاعتماد على قواعد بيانات خاصة ومكلفة، جمع الفريق بيانات من بوابة مالية مجانية تجمع المعلومات من خدمة تسمى "Sustainalytics". وجمعوا معلومات عن آلاف الشركات في أربع وعشرين دولة مختلفة، تغطي نطاقاً واسضا من الصناعات من التكنولوجيا إلى التعدين. كان هدفهم هو اختبار نوعين مختلفين من النماذج الحاسوبية. النوع الأول، المعروف بالنماذج "البيضاء" (white-box models)، وهي بسيطة وسهلة الفهم، مثل قائمة قواعد مباشرة. أما النوع الثاني، ويُسمى النماذج "السوداء" (black-box models)، فهي أكثر تعقيداً وقوة ولكنها عادة ما تكون مستحيلة التفسير لأنها تعمل مثل شبكة متشابكة من الحسابات. قام الباحثون بتدريب هذه النماذج لتخمين درجات مخاطر ESG بناءً على البيانات المالية وخصائص الشركة، ثم استخدموا أدوات خاصة لإجبار النماذج المعقدة على شرح منطقها الخاص.

أظهرت النتتائج أن النماذج الأكثر تعقيداً كانت أفضل بكثير في تقديم تنبؤات دقيقة. وكانت الأداة الأكثر نجاحاً هي خوارزمية متطورة تسمى "XGBoost"، والتي تعلمت كيفية رصد الأنماط الدقيقة في البيانات التي فاتت النماذج الأبسط. وبالنسبة للركن البيئي، تمكن هذا النموذج من تفسير 92 بالمائة من التباينات في الدرجات، وبالنسبة لركن الحوكمة، فسر 85 بالمائة. وقد ثبت أن الركن الاجتماعي هو الأصعب في التنبؤ، حيث فسر النموذج 78 بالمائة من التباينات، مما يشير إلى أن المخاطر الاجتماعية تتأثر بمجموعة أوسع وأكثر فوضوية من العوامل. ووجد الباحثون أن النماذج الأبسط والأكثر شفافية لم تستطع مضاهاة هذا المستوى من الدقة؛ فرغم أنها كانت أسهل في القراءة، إلا أنها فشلت في استيعاب العلاقات المعقدة بين مالية الشركة وأدائها في مجال الاستدامة. وهذا يشير إلى أنه لفهم مخاطر ESG حقاً، يجب استخدام أدوات قوية يمكنها التعامل مع الروابط المعقدة وغير الخطية، حتى لو تطلبت تلك الأدوات جهداً إضافياً لتفسيرها.

ولحل مشكلة كون هذه النماذج القوية معقدة للغاية بحيث يصعب فهمها، طبق الباحثون تقنية تسمى "الذكاء الاصطناعي القابل للتفسير" (Explainable AI). تعمل هذه الطريقة مثل "كشاف الضوء"، حيث تسلط الضوء على العوامل التي دفعت تنبؤاً معيناً بدقة. وعندما وجهوا هذا الكشاف نحو نموذجهم الأفضل أداءً، ظهرت صورة واضحة. فلم يكن العامل الأكثر تأثيراً في التنبؤ بمخاطر شركة ما هو مقياس داخلي واحد، بل كان متوسط مستوى المخاطر لأقرانها في نفس القطاع. بعبارة أخرى، تأثرت درجة الشركة بشدة بالسلوك النموذجي للشركات الأخرى في نفس القطاع. فإذا كانت الشركة تعمل في صناعة يسود فيها ارتفاع المخاطر البيئية، يتنبأ النموذج بمخاطر أعلى لهذه الشركة أيضاً. كما لعبت الصحة المالية دوراً رئيسياً؛ فالشركات ذات الأرباح القوية وهياكل الديون المستقرة تميل إلى امتلاك درجات أقل في مخاطر الحوكمة والمخاطر الاجتماعية. ووجد الباحثون أيضاً أن حوادث معينة، مثل الفضائح المتعلقة بالعمالة أو السلامة، تدفع درجات المخاطر صعوداً بشكل حاد.

كما كشفت الدراسة أن هذه التنبؤات لم تكن دقيقة بالتساوي لكل نوع من أنواع الأعمال. فقد عملت النماذج بشكل استثنائي جيد مع شركات التمويل وقطاعات المستهلك، حيث تكون البيانات متسقة والأنماط واضحة. ومع ذلك، واجهت النماذج صعوبة أكبر مع شركات الطاقة والمواد والنقل الصناعي. أظهرت هذه الصناعات أخطاءً أعلى في التنبؤ، ويرجع ذلك على الأرجح إلى أن بيانات ESG الخاصة بها أكثر تعقيداً، أو غير متسقة، أو يصعب توحيد معاييرها عبر البلدان المختلفة. كما نظر الباحثون في شركات محددة في جنوب أفريقيا لمعرفة كيف يتصرف النموذج في سيناريوهات واقعية. ووجدوا أن شركة مالية سجلت أدنى درجة في المخاطر البيئية تم تحديدها بشكل صحيح على هذا النحو لأن القطاع بطبيعته له بصمة مادية صغيرة. وعلى العكس من ذلك، تم رصد شركة في قطاع الطاقة ذات أعلى درجة مخاطر بسبب اعتمادها الكبير على العمليات كثيفة استهلاك الموارد. ومن المثير للاهتمام أن النموذج حدد أيضاً شركة مالية ذات مخاطر حوكمة عالية بشكل مفاجئ، مما يشير إلى أنه حتى في القطاعات الخاضعة لرقابة شديدة، يمكن للاختلالات الداخلية المحددة أن ترفع درجات المخاطر.

في نهاية المطاف، يثبت هذا البحث أنه من الممكن إنشاء نظام شفاف وقابل للتكرار لتقييم استدامة الشركات دون الاعتماد على معادلات سرية ومملوكة لجهات معينة. فمن خلال استخدام البيانات المتاحة علناً والتعلم الآلي المتقدم، أظهر الباحثون أنه يمكنهم التنبؤ بدرجات مخاطر ESG بدقة عالية. لقد أثبتوا أنه بينما النماذج المعقدة ضرورية لالتقاط الصورة الكاملة لمخاطر الشركات، فإن هناك أدوات موجودة لجعل قراراتها مفهومة. وتشير النتائج إلى أن وضع شركة ما في مجال ESG مرتبط بعمق بالأعراف السائدة في صناعتها واستقرارها المالي الخاص. وبالنسبة للمستثمرين والمنظمين، يقدم هذا العمل طريقة جديدة للنظر إلى المسؤولية المؤسسية، بالانتقال من التصنيفات الغامضة نحو نظام تكون فيه الأسباب الكامنة وراء الدرجة واضحة، ومنطقية، ومفتوحة للتدقيق.