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

현대 금융 세계에서 기업의 가치는 더 이상 이익만으로 측정되지 않습니다. 투자자, 규제 기관, 그리고 대중은 기업이 지구, 노동자, 그리고 자체 경영진을 어떻게 대우하는지에 대해 점점 더 많은 정보를 요구하고 있습니다. 이러한 광범위한 평가는 ESG라는 약어로 알려져 있으며, 이는 환경(Environmental), 사회(Social), 지배구조(Governance)를 의미합니다. 환경 부문은 탄소 배출량이나 폐기물과 같은 기업의 생태학적 발자국을 살펴봅니다. 사회 부문은 직원에 대한 처우와 지역 사회와의 상호작용을 포함하여 조직이 사회와 어떻게 소통하는지를 조사합니다. 지배구조 부문은 리더십 구조와 이사회의 다양성을 고려하여 기업이 어떻게 운영되는지에 초점을 맞춥니다. 이러한 등급은 윤리적 투자를 안내하기 위한 목적을 가지고 있지만, 이를 계산하는 방법은 종종 비밀에 부쳐집니다. 주요 평가 기관들은 자신들의 공식을 독점적인 제품으로 취급하며 비공개로 유지합니다. 이러한 투명성의 결여는 이 점수에 의존하는 사람들조차 숫자가 어떻게 도출되었는지 쉽게 알 수 없게 만들며, 결국 등급을 신뢰하거나 검증하기 어려운 '블랙박스'로 만듭니다.

남아프리카 공화국의 한 연구팀은 이러한 블랙박스를 열기 위해 나섰습니다. 그들은 오직 공개된 정보만을 사용하여 이러한 ESG 리스크 점수를 예측할 수 있는 명확하고 투명한 시스템을 구축할 수 있는지 확인하고자 했습니다. 값비싼 사설 데이터베이스에 의존하는 대신, 연구팀은 서스테이널리틱스(Sustainalytics)라는 서비스의 정보를 취합하는 무료 금융 포털에서 데이터를 수집했습니다. 그들은 기술에서 광업에 이르기까지 다양한 산업 분야를 아우르는 24개국의 수천 개 기업에 대한 정보를 수집했습니다. 그들의 목표는 두 가지 유형의 컴퓨터 모델을 테스트하는 것이었습니다. 첫 번째 유형인 '화이트박스(white-box)' 모델은 단순하고 이해하기 쉬운, 마치 명확한 규칙 목록과 같은 형태입니다. 두 번째 유형인 '블랙박스(black-box)' 모델은 훨씬 더 복잡하고 강력하지만, 보통 얽히고설킨 계산의 그물망처럼 작동하기 때문에 해석이 불가능합니다. 연구진은 재무 데이터와 기업 특성을 바탕으로 ESG 리스크 점수를 추측하도록 이 모델들을 학습시킨 후, 특수 도구를 사용하여 복잡한 모델들이 스스로의 추론 과정을 설명하도록 강제했습니다.

결과에 따르면, 더 복잡한 모델들이 훨씬 더 정확한 예측을 수행하는 것으로 나타났습니다. 가장 성공적인 도구는 XGBoost라고 불리는 정교한 알고 알고리즘이었는데, 이 모델은 단순한 모델들이 놓친 데이터 속의 미묘한 패턴을 찾아내는 법을 배웠습니다. 환경 부문의 경우, 이 모델은 점수의 변동성을 92% 설명할 수 있었고, 지배구조 부문에 대해서는 85%를 설명했습니다. 사회 부문은 예측하기 가장 어려운 것으로 나타났으며, 모델은 변동성의 78%를 설명했는데, 이는 사회적 리스크가 더 넓고 혼란스러운 요인들에 의해 영향을 받는다는 것을 시사합니다. 연구진은 더 단순하고 투명한 모델들이 이 정도 수준의 정확도에 도달할 수 없음을 발견했습니다. 단순한 모델들은 읽기는 더 쉬웠지만, 기업의 재무 상태와 지속 가능성 성과 사이의 복잡한 관계를 포착하는 데 실패했습니다. 이는 기업의 ESG 리스크를 진정으로 이해하기 위해서는, 설령 그 도구들을 해석하는 데 추가적인 노력이 필요하더라도 강력한 도구를 사용하여 복잡하고 비선형적인 연결 고리를 다뤄야 함을 시사합니다.

이러한 강력한 모델들이 너무 복차서 이해하기 어렵다는 문제를 해결하기 위해, 연구진은 '설명 가능한 AI(Explainable AI)'라는 기법을 적용했습니다. 이 방법은 마치 스포트라이트처럼 작동하여, 특정 예측을 이끌어낸 정확한 요인이 무엇인지 밝혀줍니다. 연구진이 이 최고의 성능을 가진 모델에 스포트라이트를 비추었을 때, 명확한 그림이 드러났습니다. 기업의 리스크를 예측하는 데 있어 가장 영향력 있는 요인은 단일 내부 지표가 아니라, 해당 산업 내 동료 기업들의 평균 리스크 수준이었습니다. 즉, 기업의 점수는 동일 섹터 내 다른 기업들의 전형적인 행동에 크게 영향을 받았습니다. 만약 어떤 기업이 높은 환경 리스크가 일반적인 산업에서 운영된다면, 모델은 그 기업에 대해서도 높은 리스크를 예측했습니다. 재무 건전성 또한 중요한 역할을 했는데, 수익이 높고 부채 구조가 안정적인 기업들은 낮은 지배구조 및 사회적 리스크 점수를 갖는 경향이 있었습니다. 또한 연구진은 노동이나 안전 관련 스캔들과 같은 특정 논란들이 리스크 점수를 급격히 끌어올린다는 사실도 발견했습니다.

연구는 또한 이러한 예측이 모든 유형의 사업체에 대해 동일하게 정확하지는 않다는 점을 밝혔습니다. 모델은 데이터가 일관되고 패턴이 명확한 금융 및 소비재 부문의 기업들에 대해서는 매우 잘 작동했습니다. 그러나 에너지, 소재, 산업 운송 부문의 기업들에 대해서는 더 많은 어려움을 겪었습니다. 이 산업들은 예측 오류가 더 높게 나타났는데, 이는 이들의 ESG 데이터가 더 복잡하거나, 일관성이 없거나, 혹은 국가 간 표준화가 어렵기 때문인 것으로 보입니다. 연구진은 모델이 실제 상황에서 어떻게 작동하는지 확인하기 위해 남아프리카 공화국의 특정 기업들을 살펴보았습니다. 그들은 환경 리스크 점수가 가장 낮은 한 금융 회사가 해당 섹터의 특성상 물리적 발자국이 작기 때문에 올바르게 식별되었음을 발견했습니다. 반대로, 에너지 분야에서 가장 높은 리스크 점수를 받은 기업은 자원 집약적인 운영에 대한 높은 의존도 때문에 위험 신호가 포착되었습니다. 흥み롭게도, 모델은 놀랍게도 높은 지배구조 리스크를 가진 한 금융 회사를 식별해 냈는데, 이는 규제가 엄격한 섹터라 할지라도 특정 내부적 불규칙성이 리스크 점수를 높일 수 있음을 시사합니다.

궁극적으로, 이 연구는 비밀스럽고 독점적인 공식에 의존하지 않고도 기업의 지속 가능성을 평가할 수 있는 투명하고 재현 가능한 시스템을 만드는 것이 가능하다는 것을 보여줍니다. 공개적으로 사용 가능한 데이터와 고급 머신러닝을 사용함으로써, 연구진은 높은 정확도로 ESG 리스크 점수를 예측할 수 있음을 입증했습니다. 그들은 기업의 리스크라는 전체 그림을 포착하기 위해서는 복잡한 모델이 필요하지만, 그 결정 과정을 이해 가능하게 만드는 도구들이 존재한다는 것을 증명했습니다. 이 연구 결과는 기업의 ESG 현황이 산업의 규범 및 기업 자체의 재무적 안정성과 깊게 연관되어 있음을 시사합니다. 투자자와 규제 기관에게 이 연구는 불투명한 등급에서 벗어나, 점수의 근거가 명확하고 논리적이며 검토에 열려 있는 시스템으로 나아가는 새로운 관점을 제공합니다.