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

Nel mondo finanziario moderno, il valore di un'azienda non si misura più esclusivamente attraverso i suoi profitti. Gli investitori, i regolatori e il pubblico richiedono sempre più di sapere come un'impresa tratta il pianeta, i propri lavoratori e la propria leadership. Questa valutazione più ampia è nota con l'acronimo ESG, che sta per Environmental, Social, and Governance (Ambientale, Sociale e Governance). Il pilastro ambientale esamina l'impronta ecologica di un'azienda, come le sue emissioni di carbonio e i rifiuti. Il pilastro sociale esamina il modo in in cui l'organizzazione interagisce con la società, incluso il trattamento dei dipendenti e delle comunità locali. Il pilastro della governance si concentra su come l'azienda viene gestita, considerando la struttura della leadership e la diversità del consiglio di amministrazione. Sebbene questi rating siano destinati a guidare l'investimento etico, i metodi utilizzati per calcolarli sono spesso segreti. Le principali agenzie di rating mantengono private le loro formule, trattando i loro punteggi come prodotti proprietari. Questa mancanza di trasparenza significa che anche le persone che si affidano a questi punteggi non possono facilmente vedere come siano stati derivati, trasformando i rating in scatole nere difficili da fidarsi o verificare.

Un team di ricercatori sudafricani si è posto l'obiettivo di aprire queste scatole nere. Volevano vedere se fossero in grado di costruire un sistema chiaro e trasparente per prevedere questi punteggi di rischio ESG utilizzando solo informazioni pubbliche. Invece di affidarsi a database privati ed costosi, il team ha raccolto dati da un portale finanziario gratuito che aggrega informazioni da un servizio chiamato Sustainalytics. Hanno raccolto informazioni su migliaia di aziende in ventiquattro paesi diversi, coprendo una vasta gamma di settori, dalla tecnologia all'estrazione mineraria. Il loro obiettivo era testare due diversi tipi di modelli informatici. Il primo tipo, noto come modelli "white-box" (scatola bianca), sono semplici e facili da comprendere, come un elenco diretto di regole. Il secondo tipo, chiamato modelli "black-box" (scatola nera), sono molto più complessi e potenti ma solitamente impossibili da interpretare perché funzionano come una rete intricata di calcoli. I ricercatori hanno addestrato questi modelli per indovinare i punteggi di rischio ESG basandosi su dati finanziari e caratteristiche aziendali, per poi utilizzare strumenti speciali per costringere i modelli complessi a spiegare il proprio ragionamento.

I risultati hanno mostrato che i modelli più complessi erano significativamente migliori nel fare previsioni accurate. Lo strumento di maggior successo è stato un algoritmo sofisticato chiamato XGBoost, che ha imparato a individuare schemi sottili nei dati che i modelli più semplici avevano mancato. Per il pilastro ambientale, questo modello è stato in grado di spiegare il 92 percento delle variazioni nei punteggi, e per il pilastro della governance ha spiegato l'85 percento. Il pilastro sociale si è rivelato il più difficile da prevedere, con il modello che spiegava il 78 percento delle variazioni, suggerendo che i rischi sociali siano influenzati da un insieme di fattori più ampio e caotico. I ricercatori hanno scoperto che i modelli più semplici e trasparenti non potevano eguagliare questo livello di accuratezza. Sebbene fossero più facili da leggere, non riuscivano a catturare le intricate relazioni tra le finanze di un'azienda e la sua performance di sostenibilità. Ciò suggerisce che per comprendere veramente i rischi ESG, sia necessario utilizzare strumenti potenti in grado di gestire connessioni complesse e non lineari, anche se tali strumenti richiedono uno sforzo supplementare per essere interpretati.

Per risolvere il problema della complessità di questi modelli potenti, i ricercatori hanno applicato una tecnica chiamata Explainable AI (IA spiegabile). Questo metodo agisce come un riflettore, illuminando esattamente quali fattori abbiano guidato una specifica previsione. Quando hanno puntato questo riflettore sul loro modello con le migliori prestazioni, è emersa un'immagine chiara. Il fattore più influente per prevedere il rischio di un'azienda non era una singola metrica interna, bensì il livello di rischio medio dei suoi pari nel settore. In altre parole, il punteggio di un'azienda era pesantemente influenzato dal comportamento tipico di altre aziende nello stesso settore. Se un'azienda operava in un settore in cui l'alto rischio ambientale era la norma, il modello prevedeva un rischio più elevato anche per quell'azienda. Anche la salute finanziaria giocava un ruolo importante: le aziende con profitti solidi e strutture del debito stabili tendevano ad avere punteggi di rischio di governance e sociali più bassi. I ricercatori hanno anche scoperto che specifiche controversie, come scandali riguardanti il lavoro o la sicurezza, facevano salire bruscamente i punteggi di rischio.

Lo studio ha inoltre rivelato che queste previsioni non erano ugualmente accurate per ogni tipo di attività. I modelli funzionavano eccezionalmente bene per le aziende nei settori finanziario e dei consumi, dove i dati erano coerenti e gli schemi chiari. Tuttavia, i modelli faticavano di più con le aziende nei settori dell'energia, dei materiali e del trasporto industriale. Questi settori mostravano errori di previsione più elevati, probabilmente perché i loro dati ESG sono più complessi, incoerenti o difficili da standardizzare tra i diversi paesi. I ricercatori hanno anche osservato aziende specifiche in Sudafrica per vedere come si comportava il modello in scenari reali. Hanno scoperto che un'azienda finanziaria con il punteggio di rischio ambientale più basso è stata correttamente identificata come tale perché il settore ha naturalmente un'impronta fisica ridotta. Al contrario, un'azienda nel settore energetico con il punteggio di rischio più alto è stata segnalata a causa della sua forte dipendenza da operazioni ad uso intensivo di risorse. Interessante è stato notare che il modello ha identificato un'azienda finanziaria con un rischio di governance sorprendentemente alto, suggerendo che anche in settori altamente regolamentati, specifiche irregolarità interne possono far aumentare i punteggi di rischio.

In definitiva, questa ricerca dimostra che è possibile creare un sistema trasparente e riproducibile per valutare la sostenibilità aziendale senza fare affidamento su formule proprietarie e segrete. Utilizzando dati pubblicamente disponibili e l'apprendimento automatico avanzato, i ricercatori hanno dimostrato di poter prevedere i punteggi di rischio ESG con un'elevata precisione. Hanno provato che, sebbene i modelli complessi siano necessari per catturare l'immagine completa del rischio aziendale, esistono strumenti per rendere comprensibili le loro decisioni. Le conclusioni suggeriscono che la posizione ESG di un'azienda è profondamente legata alle norme del suo settore e alla propria stabilità finanziaria. Per gli investitori e i regolatori, questo lavoro offre un nuovo modo di guardare alla responsabilità aziendale, passando da rating opachi verso un sistema in cui le ragioni dietro un punteggio siano chiare, logiche e aperte al controllo.