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

Dans le monde financier moderne, la valeur d'une entreprise ne se mesure plus uniquement par ses profits. Les investisseurs, les régulateurs et le public exigent de plus en plus de savoir comment une entreprise traite la planète, ses travailleurs et sa propre direction. Cette évaluation plus large est connue sous l'acronyme ESG, qui signifie Environnement, Social et Gouvernance. Le pilier environnemental examine l'empreinte écologique d'une entreprise, telles que ses émissions de carbone et ses déchets. Le pilier social examine la façon dont l'organisation interagit avec la société, y compris le traitement de ses employés et des communautés locales. Le pilier de la gouvernance se concentre sur la manière dont l'entreprise est dirigée, en tenant compte de sa structure de direction et de la diversité de son conseil d'administration. Bien que ces évaluations soient destinées à guider l'investissement éthique, les méthodes utilisées pour les calculer sont souvent secrètes. Les principales agences de notation gardent leurs formules privées, traitant leurs scores comme des produits propriétaires. Ce manque de transparence signifie que même les personnes qui s'appuient sur ces scores ne peuvent pas facilement voir comment les chiffres ont été dérivés, transformant les évaluations en boîtes noires difficiles à croire ou à vérifier.

Une équipe de chercheurs d'Afrique du Sud s'est donné pour mission d'ouvrir ces boîtes noires. Ils voulaient voir s'ils pouvaient construire un système clair et transparent pour prédire ces scores de risque ESG en utilisant uniquement des informations publiques. Au lieu de s'appuyer sur des bases de données privées et coûteuses, l'équipe a recueilli des données à partir d'un portail financier gratuit qui agrège les informations d'un service appelé Sustainalytics. Ils ont collecté des informations sur des milliers d'entreprises dans vingt-quatre pays différents, couvrant un large éventail d'industries, de la technologie aux mines. Leur objectif était de tester deux types différents de modèles informatiques. Le premier type, connu sous le nom de modèles « boîte blanche », est simple et facile à comprendre, comme une liste de règles directes. Le second type, appelé modèle « boîte noire », est beaucoup plus complexe et puissant mais généralement impossible à interpréter car il fonctionne comme un réseau de calculs entremêlés. Les chercheurs ont entraîné ces modèles pour deviner les scores de risque ESG sur la base de données financières et de caractéristiques de l'entreprise, puis ont utilisé des outils spéciaux pour forcer les modèles complexes à expliquer leur propre raisonnement.

Les résultats ont montré que les modèles les plus complexes étaient nettement meilleurs pour faire des prédictions précises. L'outil le plus performant était un algorithme sophistiqué appelé XGBoost, qui a appris à repérer des motifs subtils dans les données que les modèles plus simples avaient manqués. Pour le pilier environnemental, ce modèle a pu expliquer 92 % des variations des scores, et pour le pilier de la gouvernance, il en a expliqué 85 %. Le pilier social s'est avéré le plus difficile à prédire, le modèle expliquant 78 % des variations, ce qui suggère que les risques sociaux sont influencés par un ensemble de facteurs plus large et plus chaotique. Les chercheurs ont constaté que les modèles plus simples et transparents ne pouvaient pas égaler ce niveau de précision. Bien qu'ils soient plus faciles à lire, ils ne parvenaient pas à capturer les relations complexes entre les finances d'une entreprise et sa performance en matière de durabilité. Cela suggère que pour véritablement comprendre les risques ESG, il faut utiliser des outils puissants capables de gérer des connexions complexes et non linéaires, même si ces outils nécessitent un effort supplémentaire d'interprétation.

Pour résoudre le problème de la complexité de ces modèles puissants, les chercheurs ont appliqué une technique appelée IA explicable (Explainable AI). Cette méthode agit comme un projecteur, illuminant exactement quels facteurs ont piloté une prédiction spécifique. Lorsqu'ils ont braqué ce projecteur sur leur meilleur modèle, un tableau clair est apparu. Le facteur le plus influent pour prédire le risque d'une entreprise n'était pas une mesure interne unique, mais plutôt le niveau de risque moyen de ses pairs du même secteur. En d'autres termes, le score d'une entreprise était fortement influencé par le comportement typique des autres entreprises du même secteur. Si une entreprise opérait dans un secteur où le risque environnemental élevé était la norme, le modèle prédisait un risque plus élevé pour cette entreprise également. La santé financière jouait aussi un rôle majeur ; les entreprises dotées de profits solides et de structures de dette stables avaient tendance à avoir des scores de risque de gouvernance et de social plus faibles. Les chercheurs ont également constaté que des controverses spécifiques, telles que des scandales impliquant le travail ou la sécurité, faisaient grimper brusquement les scores de risque.

L'étude a en outre révélé que ces prédictions n'étaient pas également précises pour chaque type d'entreprise. Les modèles fonctionnaient exceptionnellement bien pour les entreprises des secteurs de la finance et de la consommation, où les données étaient cohérentes et les modèles clairs. Cependant, les modèles éprouvaient plus de difficultés avec les entreprises des secteurs de l'énergie, des matériaux et du transport industriel. Ces industries présentaient des erreurs de prédiction plus élevées, probablement parce que leurs données ESG sont plus complexes, incohérentes ou difficiles à standardiser à travers différents pays. Les chercheurs ont également observé des entreprises spécifiques en Afrique du Sud pour voir comment le modèle se comportait dans des scénarios réels. Ils ont constaté qu'une entreprise financière ayant le score de risque environnemental le plus bas était correctement identifiée comme telle parce que le secteur possède naturellement une petite empreinte physique. Inversement, une entreprise du secteur de l'énergie avec le score de risque le plus élevé a été signalée en raison de sa forte dépendance à des opérations gourmandes en ressources. Curieusement, le modèle a également identifié une entreprise financière présentant un risque de gouvernance étonnamment élevé, suggérant que même dans des secteurs hautement réglementés, des irrégularités internes spécifiques peuvent faire augmenter les scores de risque.

En fin de compte, cette recherche démontre qu'il est possible de créer un système transparent et reproductible pour évaluer la durabilité des entreprises sans dépendre de formules propriétaires secrètes. En utilisant des données publiques et l'apprentissage automatique avancé, les chercheurs ont montré qu'ils pouvaient prédire les scores de risque ESG avec une grande précision. Ils ont prouvé que, bien que des modèles complexes soient nécessaires pour saisir l'image complète du risque d'entreprise, des outils existent pour rendre leurs décisions compréhensibles. Les conclusions suggèrent que la position ESG d'une entreprise est profondément liée aux normes de son industrie et à sa propre stabilité financière. Pour les investisseurs et les régulateurs, ce travail offre une nouvelle façon d'envisager la responsabilité des entreprises, passant de notations opaques vers un système où les raisons derrière un score sont claires, logiques et ouvertes à l'examen.