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

In der modernen Finanzwelt wird der Wert eines Unternehmens nicht mehr ausschließlich an seinen Gewinnen gemessen. Investoren, Regulierungsbehörden und die Öffentlichkeit verlangen zunehmend zu wissen, wie ein Unternehmen mit dem Planeten, seinen Mitarbeitern und seiner eigenen Führung umgeht. Diese breitere Bewertung wird unter dem Akronym ESG bekannt, was für Environmental (Umwelt), Social (Soziales) und Governance (Unternehmensführung) steht. Die ökologische Säule betrachtet den ökologischen Fußabdruck eines Unternehmens, wie etwa dessen CO2-Emissionen und Abfall. Die soziale Säule untersucht, wie das Unternehmen mit der Gesellschaft interagiert, einschließlich des Umgangs mit Mitarbeitern und lokalen Gemeinschaften. Die Governance-Säule konzentriert sich darauf, wie das Unternehmen geführt wird, wobei die Führungsstruktur und die Vielfalt des Vorstands berücksichtigt werden. Während diese Bewertungen dazu dienen sollen, ethische Investitionen zu leiten, sind die Methoden, mit denen sie berechnet werden, oft geheim. Große Ratingagenturen halten ihre Formeln privat und behandeln ihre Scores als geschützte Produkte. Dieser Mangel an Transparenz bedeutet, dass selbst die Menschen, die auf diese Bewertungen angewiesen sind, nicht ohne Weiteres nachvollziehen können, wie die Zahlen zustande gekommen sind, was die Ratings in „Black Boxes“ verwandelt, die schwer zu vertrauen oder zu verifizieren sind.

Ein Team von Forschern aus Südafrika setzte sich zum Ziel, diese Black Boxes zu öffnen. Sie wollten sehen, ob sie ein klares, transparentes System aufbauen können, um diese ESG-Risiko-Scores allein mithilfe öffentlicher Informationen vorherzusagen. Anstatt sich auf teure, private Datenbanken zu verlassen, sammelte das Team Daten von einem kostenlosen Finanzportal, das Informationen von einem Dienst namens Sustainalytics aggregiert. Sie sammelten Informationen über Tausende von Unternehmen in vierundzwanzig verschiedenen Ländern, die ein breites Spektrum an Branchen von der Technologie bis zum Bergbau abdeckten. Ihr Ziel war es, zwei verschiedene Arten von Computermodellen zu testen. Der erste Typ, bekannt als White-Box-Modelle, ist einfach und leicht verständlich, vergleichbar mit einer geradlinigen Liste von Regeln. Der zweite Typ, sogenannte Black-Box-Modelle, ist weitaus komplexer und leistungsfähiger, aber normalerweise unmöglich zu interpretieren, da sie wie ein verschlungenes Netz aus Berechnungen funktionieren. Die Forscher trainierten diese Modelle darauf, die ESG-Risiko-Scores basierend auf Finanzdaten und Unternehmenseigenschaften zu erraten, und nutzten dann spezielle Werkzeuge, um die komplexen Modelle dazu zu zwingen, ihre eigene Logik zu erklären.

Die Ergebnisse zeigten, dass die komplexeren Modelle signifikant besser darin waren, genaue Vorhersagen zu treffen. Das erfolgreichste Werkzeug war ein hochentwickelter Algorithmus namens XGBoost, der lernte, subtile Muster in den Daten zu erkennen, die einfachere Modelle übersehen hatten. Für die ökologische Säule konnte dieses Modell 92 Prozent der Variationen in den Scores erklären, und für die Governance-Säule erklärte es 85 Prozent. Die soziale Säule erwies sich als am schwierigsten vorherzusagen, wobei das Modell 78 Prozent der Variationen erklärte, was darauf hindeutet, dass soziale Risiken durch einen breiteren und chaotischeren Satz an Faktoren beeinflusst werden. Die Forscher fanden heraus, dass die einfacheren, transparenten Modelle dieses Niveau an Genauigkeit nicht erreichen konnten. Obwohl sie leichter lesbar waren, gelang es ihnen nicht, die komplizierten Beziehungen zwischen der Finanzlage eines Unternehmens und seiner Nachhaltigkeitsleistung zu erfassen. Dies legt nahe, dass man, um ESG-Risiken wirklich zu verstehen, leistungsstarke Werkzeuge benötigt, die komplexe, nicht-lineare Verbindungen handhaben können, selbst wenn diese Werkzeuge einen zusätzlichen Interpretationsaufwand erfordern.

Um das Problem zu lösen, dass diese leistungsstarken Modelle zu komplex sind, um verstanden zu werden, wandten die Forscher eine Technik namens Explainable AI (Erklärbare KI) an. Diese Methode wirkt wie ein Scheinwerfer, der genau beleuchtet, welche Faktoren eine spezifische Vorhersage vorangetrieben haben. Als sie diesen Scheinwerfer auf ihr leistungsfähigstes Modell richteten, zeichnete sich ein klares Bild ab. Der einflussreichste Faktor für die Vorhersage des Risikos eines Unternehmens war nicht eine einzelne interne Kennzahl, sondern vielmehr das durchschnittliche Risikoniveau seiner Branchenkollegen. Mit anderen Worten: Der Score eines Unternehmens wurde stark durch das typische Verhalten anderer Unternehmen im gleichen Sektor beeinflusst. Wenn ein Unternehmen in einer Branche tätig war, in der ein hohes ökologisches Risiko die Norm war, sagte das Modell auch für dieses Unternehmen ein höheres Risiko voraus. Auch die finanzielle Gesundheit spielte eine große Rolle; Unternehmen mit starken Gewinnen und stabilen Schuldenstrukturen neigten zu niedrigeren Governance- und Sozialrisiko-Scores. Die Forscher fanden auch heraus, dass spezifische Kontroversen, wie Skandale im Bereich Arbeit oder Sicherheit, die Risiko-Scores drastisch nach oben trieben.

Die Studie zeigte zudem, dass diese Vorhersagen nicht für jede Art von Geschäft gleichermaßen genau waren. Die Modelle funktionierten außergewöhnlich gut für Unternehmen im Finanz- und Konsumgütersektor, in denen die Daten konsistent und die Muster klar waren. Bei Unternehmen aus den Bereichen Energie, Rohstoffe und industrielle Transportwesen hatten die Modelle jedoch größere Schwierigkeiten. Diese Branchen wiesen höhere Vorhersagefehler auf, wahrscheinlich weil ihre ESG-Daten komplexer, inkonsistenter oder schwieriger über verschiedene Länder hinweg zu standardisieren sind. Die Forscher untersuchten auch spezifische Unternehmen in Südafrika, um zu sehen, wie sich das Modell in realen Szenarien verhält. Sie fanden heraus, dass ein Finanzunternehmen mit dem niedrigsten ökologischen Risiko-Score korrekt als solches identifiziert wurde, da dieser Sektor von Natur aus einen geringen physischen Fußabdruck hat. Umgekehrt wurde ein Unternehmen aus dem Energiesektor mit dem höchsten Risiko-Score markiert, da es eine starke Abhängigkeit von ressourcenintensiven Operationen aufwies. Interessanterweise identifizierte das Modell auch ein Finanzunternehmen mit einem überraschend hohen Governance-Risiko, was darauf hindeutet, dass selbst in hochregulierten Sekten spezifische interne Unregelmäßigkeiten die Risiko-Scores in die Höhe treiben können.

Letztlich zeigt diese Forschung, dass es möglich ist, ein transparentes und reproduzierbares System zur Bewertung der unternehmerischen Nachhaltigkeit zu schaffen, ohne auf geheime, proprietäre Formeln zurückzugreifen. Durch die Verwendung öffentlich zugänglicher Daten und fortschrittlichem maschinellem Lernen zeigten die Forscher, dass sie ESG-Risiko-Scores mit hoher Genauigkeit vorhersagen konnten. Sie bewiesen, dass zwar komplexe Modelle notwendig sind, um das vollständige Bild der Unternehmensrisiken zu erfassen, es jedoch Werkzeuge gibt, um deren Entscheidungen verständlich zu machen. Die Ergebnisse legen nahe, dass der ESG-Status eines Unternehmens eng mit den Normen seiner Branche und seiner eigenen finanziellen Stabilität verknüpft ist. Für Investoren und Regulierungsbehörden bietet diese Arbeit einen neuen Weg, die unternehmerische Verantwortung zu betrachten – weg von undurchsichtigen Bewertungen hin zu einem System, in dem die Gründe hinter einem Score klar, logisch und offen für eine Überprüfung sind.