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

En el mundo financiero moderno, el valor de una empresa ya no se mide únicamente por sus beneficios. Los inversores, los reguladores y el público exigen cada vez más saber cómo una empresa trata al planeta, a sus trabajadores y a su propio liderazgo. Esta evaluación más amplia se conoce por el acrónimo ESG, que significa Ambiental, Social y de Gobernanza (Environmental, Social, and Governance). El pilar ambiental analiza la huella ecológica de una empresa, como sus emisiones de carbono y sus residuos. El pilar social examina cómo la organización interactúa con la sociedad, incluyendo el trato a sus empleados y a las comunidades locales. El pilar de gobernanza se centra en cómo se dirige la empresa, considerando su estructura de liderazgo y la diversidad de su junta directiva. Si bien estas calificaciones tienen como objetivo guiar la inversión ética, los métodos utilizados para calcularlas suelen ser secretos. Las principales agencias de calificación mantienen sus fórmulas en privado, tratando sus puntuaciones como productos patentados. Esta falta de transparencia significa que incluso las personas que dependen de estas puntuaciones no pueden ver fácilmente cómo se derivaron los números, convirtiendo las calificaciones en cajas negras que son difíciles de confiar o verificar.

Un equipo de investigadores de Sudáfrica se propuso abrir estas cajas negras. Querían ver si podían construir un sistema claro y transparente para predecir estas puntuaciones de riesgo ESG utilizando únicamente información pública. En lugar de depender de bases de datos privadas y costosas, el equipo recopiló datos de un portal financiero gratuito que agrega información de un servicio llamado Sustainalytics. Recopilaron información sobre miles de empresas en veinticuatro países diferentes, cubriendo una amplia gama de industrias, desde la tecnología hasta la minería. Su objetivo era probar dos tipos diferentes de modelos informáticos. El primer tipo, conocido como modelos de caja blanca, son simples y fáciles de entender, como una lista directa de reglas. El segundo tipo, llamado modelos de caja negra, es mucho más complejo y potente, pero generalmente imposible de interpretar porque funciona como una red enmarañada de cálculos. Los investigadores entrenaron estos modelos para adivinar las puntuaciones de riesgo ESG basándose en datos financieros y características de la empresa, y luego utilizaron herramientas especiales para obligar a los modelos complejos a explicar su propio razonamiento.

Los resultados mostraron que los modelos más complejos eran significativamente mejores para realizar predicciones precisas. La herramienta más exitosa fue un algoritmo sofisticado llamado XGBoost, que aprendió a detectar patrones sutiles en los datos que los modelos más simples pasaron por alto. Para el pilar ambiental, este modelo pudo explicar el 92 por ciento de las variaciones en las puntuaciones, y para el pilar de gobernanza, explicó el 85 por ciento. El pilar social resultó ser el más difícil de predecir, con el modelo explicando el 78 por ciento de las variaciones, lo que sugiere que los riesgos sociales están influenciados por un conjunto de factores más amplio y caótico. Los investigadores descubrieron que los modelos más simples y transparentes no podían igualar este nivel de precisión. Aunque eran más fáciles de leer, no lograban capturar las relaciones intrincadas entre las finanzas de una empresa y su desempeño en materia de sostenibilidad. Esto sugiere que para comprender verdaderamente los riesgos ESG, uno debe utilizar herramientas potentes que puedan manejar conexiones complejas y no lineales, incluso si esas herramientas requieren un esfuerzo adicional para ser interpretadas.

Para resolver el problema de que estos modelos potentes sean demasiado complejos de entender, los investigadores aplicaron una técnica llamada IA Explicable (Explainable AI). Este método actúa como un reflector, iluminando exactamente qué factores impulsaron una predicción específica. Cuando encendieron este reflector en su mejor modelo, surgió una imagen clara. El factor más influyente para predecir el riesgo de una empresa no fue una métrica interna única, sino más bien el nivel de riesgo promedio de sus pares de la industria. En otras palabras, la puntuación de una empresa estaba fuertemente influenciada por el comportamiento típico de otras empresas en el mismo sector. Si una empresa operaba en una industria donde el alto riesgo ambiental era la norma, el modelo predecía un riesgo mayor para esa empresa también. La salud financiera también desempeñó un papel importante; las empresas con beneficios sólidos y estructuras de deuda estables tendían a tener puntuaciones de riesgo de gobernanza y sociales más bajas. Los investigadores también descubrieron que controversias específicas, como escándalos relacionados con el trabajo o la seguridad, elevaban drásticamente las puntuaciones de riesgo.

El estudio también reveló que estas predicciones no eran igualmente precisas para cada tipo de negocio. Los modelos funcionaron excepcionalmente bien para empresas de los sectores financiero y de consumo, donde los datos son consistentes y los patrones son claros. Sin embargo, los modelos tuvieron más dificultades con empresas de los sectores de energía, materiales y transporte industrial. Estas industrias mostraron errores de predicción más altos, probablemente debido a que sus datos ESG son más complejos, inconsistentes o difíciles de estandarizar en diferentes países. Los investigadores también observaron empresas específicas en Sudáfrica para ver cómo se comportaba el modelo en escenarios del mundo real. Encontraron que una empresa financiera con la puntuación de riesgo ambiental más baja fue identificada correctamente como tal porque el sector tiene naturalmente una huella física pequeña. Por el contrario, una empresa del sector energético con la puntuación de riesgo más alta fue señalada debido a su fuerte dependencia de operaciones intensivas en recursos. Curiosamente, el modelo también identificó una empresa financiera con un riesgo de gobernanza sorprendentemente alto, sugiriendo que incluso en sectores altamente regulados, irregularidades internas específicas pueden elevar las puntuaciones de riesgo.

En última instancia, esta investigación demuestra que es posible crear un sistema transparente y reproducible para evaluar la sostenibilidad corporativa sin depender de fórmulas secretas y patentadas. Al utilizar datos disponibles públicamente y aprendizaje automático avanzado, los investigadores demostraron que podían predecir las puntuaciones de riesgo ESG con alta precisión. Demostraron que, si bien los modelos complejos son necesarios para capturar la imagen completa del riesgo corporativo, existen herramientas para hacer comprensibles sus decisiones. Los hallazgos sugieren que la posición ESG de una empresa está profundamente ligada a las normas de su industria y a su propia estabilidad financiera. Para los inversores y reguladores, este trabajo ofrece una nueva forma de mirar la responsabilidad corporativa, alejándose de las calificaciones opacas hacia un sistema donde las razones detrás de una puntuación son claras, lógicas y abiertas al escrutinio.