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

現代の金融界において、企業の価値はもはや利益のみで測られることはありません。投資家、規制当局、そして一般市民は、企業が地球、労働者、そして自らのリーダーシップをどのように扱っているかを知ることをますます求めるようになっています。この広範な評価は、ESGという略称で知られています。これは、環境（Environmental）、社会（Social）、ガバナンス（Governance）の頭文字をとったものです。「環境」の柱は、炭素排出量や廃棄物といった企業の生態学的足跡に焦点を当てます。「社会」の柱は、従業員や地域社会への接し方を含む、組織が社会とどのように関わるかを検証します。「ガバナンス」の柱は、リーダーシップの構造や取締役会の多様性を考慮し、企業がどのように運営されているかに焦点を当てます。これらの格付けは倫理的な投資を導くためのものですが、その算出方法はしばしば秘密にされています。主要な格付け機関は、自らの計算式を独自の製品として扱い、非公開にしています。この透明性の欠如により、これらのスコアを頼りにしている人々でさえ、数値がどのように導き出されたのかを容易に知ることができず、格付けは信頼や検証が困難な「ブラックボックス」と化しています。

南アフリカの研究チームは、これらのブラックボックスを解明しようと試みました。彼らは、公開情報のみを使用して、これらのESGリスクスコアを予測できる、明確で透明性の高いシステムを構築できるかどうかを確認したいと考えました。高価で民間のデータベースに頼る代わりに、チームはサステイナリティクス（Sustainalytics）というサービスからの情報を集約している無料の金融ポータルからデータを収集しました。彼らは、テクノロジーから採掘業に至るまで、24カ国にわたる数千の企業に関する情報を収集しました。彼らの目標は、2種類の異なるコンピュータモデルをテストすることでした。第一のタイプである「ホワイトボックス・モデル」は、単純で理解しやすく、分かりやすいルールのリストのようなものです。第二のタイプである「ブラックボックス・モデル」は、はるかに複雑で強力ですが、計算の入り組んだ網の目のように機能するため、通常は解釈が不可能です。研究者たちは、財務データと企業特性に基づいてESGリスクスコアを推測するようにこれらのモデルを学習させ、次に、複雑なモデル自身にその推論過程を説明させるための特別なツールを使用しました。

結果は、より複雑なモデルの方が、予測において著しく優れていることを示しました。最も成功したツールは、XGBoostと呼ばれる高度なアルゴリズムであり、これは単純なモデルが見逃してしまうデータの微妙なパターンを特定することを学習しました。環境の柱については、このモデルはスコアの変動の92パーセントを説明することができ、ガバナンスの柱については85パーセントを説明しました。社会の柱は予測が最も困難であり、モデルは変動の78パーセントを説明しましたが、これは社会的なリスクがより広く、混沌とした要因に影響されていることを示唆しています。研究者たちは、より単純で透明性の高いモデルでは、このレベルの精度には及ばないことを発見しました。それらは読みやすい一方で、企業の財務とサステナビリティ・パフォーマンスの間の複雑な関係を捉えることに失敗しました。このことは、ESGリスクを真に理解するためには、たとえそれらのツールに解釈のための追加の努力が必要であったとしても、複雑で非線形なつながりを扱うことができる強力なツールを使用しなければならないことを示唆しています。

これらの強力なモデルが複雑すぎて理解できないという問題を解決するために、研究者たちは「説明可能なAI（Explainable AI）」と呼ばれる手法を適用しました。この手法は、特定の予測を動かした要因を正確に照らし出すスポットライトのような役割を果たします。彼らがこのスポットライトを最も優れた性能を持つモデルに当てたとき、明確な姿が浮かび上がりました。企業のリスクを予測する上で最も影響力のある要因は、単一の内部指標ではなく、むしろその業界の同業他社の平均的なリスクレベルでした。言い換えれば、企業のスコアは、同じセクター内の他の企業の典型的な振る行動に大きく影響されていたのです。もしある企業が、高い環境リスクが常態化している業界で事業を行っていれば、モデルはその企業に対しても高いリスクを予測しました。財務の健全性も大きな役割を果たしており、高い利益と安定した負債構造を持つ企業は、ガバナンスおよび社会のリスクスコアが低い傾向にありました。また、研究者たちは、労働や安全に関するスキャンダルなどの特定の不祥事が、リスクスコアを急激に押し上げることも発見しました。

この研究はさらに、これらの予測がすべての種類のビジネスに対して等しく正確ではないことも明らかにしました。モデルは、データが一貫しておりパターンが明確な金融および消費セクターの企業に対しては非常にうまく機能しました。しかし、エネルギー、素材、および産業輸送のセクターの企業に対しては、より苦戦しました。これらの産業は予測におけるエラーが高く、それはおそらく、そのESGデータがより複雑で、一貫性がなく、あるいは異なる国々の間で標準化することが困難であるためと考えられます。研究者たちは、モデルが現実世界のシナリオでどのように振る舞うかを確認するために、南アフリカの特定の企業についても調査しました。彼らは、環境リスクスコアが最も低い金融会社が、そのセクターが自然と物理的な足跡が小さいために正しく特定されたことを見出しました。逆に、エネルギーセクターで最高のリスクスコアを持つ企業は、資源集約型の操業への強い依存によってフラグが立てられました。興味深いことに、モデルは驚くほど高いガバナンスリスクを持つ金融会社も特定しており、これは、高度に規制されたセクターであっても、特定の内部的な不規則性がリスクスコアを押し上げ得ることを示唆しています。

結局のところ、この研究は、秘密の独占的な計算式に頼ることなく、企業のサステナビリティを評価するための透明かつ再現可能なシステムを作成することが可能であることを証明しています。公開されているデータと高度な機械学習を使用することで、研究者たちは、高い精度でESGリスクスコアを予測できることを示しました。彼らは、企業の全体像を捉えるためには複雑なモデルが必要であるが、その決定を理解可能にするためのツールが存在することも証明しました。これらの知見は、企業のESGの立ち位置が、その業界の規範と自らの財務的安定性に深く結びついていることを示唆しています。投資家や規制当局にとって、この研究は、不透明な格付けから、スコアの背後にある理由が明確で論理的であり、精査が可能であるシステムへと、企業責任の捉え方を変える新たな道筋を提示しています。