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

In de moderne financiële wereld wordt de waarde van een bedrijf niet langer uitsluitend gemeten aan de hand van winst. Investeerders, toezichthouders en het publiek eisen steeds vaker te weten hoe een bedrijf omgaat met de planeet, zijn werknemers en zijn eigen leiderschap. Deze bredere beoordeling staat bekend onder het acroniem ESG, wat staat voor Environmental (Milieu), Social (Sociaal) en Governance (Bestuur). De milieu-pijler kijkt naar de ecologische voetafdruk van een bedrijf, zoals de CO2-uitstoot en afval. De sociale pijler onderzoekt hoe de organisatie met de samenleving omgaat, inclusief de behandeling van werknemers en lokale gemeenschappen. De governance-pijler richt zich op hoe het bedrijf wordt gerund, waarbij gekeken wordt naar de leiderschapsstructuur en de diversiteit in de raad van bestuur. Hoewel deze ratings bedoeld zijn om ethische investeringen te sturen, zijn de methoden die worden gebruikt om ze te berekenen vaak geheim. Grote beoordelingsinstanties houden hun formules privé en behandelen hun scores als propriëtaire producten. Dit gebrek aan transparantie betekent dat zelfs de mensen die op deze scores vertrouwen, niet gemakkelijk kunnen zien hoe de cijfers tot stand zijn gekomen, waardoor de ratings veranderen in 'black boxes' die moeilijk te vertrouwen of te verifiëren zijn.

Een team onderzoekers uit Zuid-Afrika zette zich in om deze black boxes te openen. Ze wilden zien of ze een helder, transparant systeem konden bouwen om deze ESG-risicoscores te voorspellen met alleen publieke informatie. In plaats van te vertrouwen op dure, private databases, verzamelde het team gegevens van een gratis financieel portaal dat informatie aggregeert van een dienst genaamd Sustainalytics. Ze verzamelden informatie over duizenden bedrijven in vierentwintig verschillende landen, variërend van sectoren zoals technologie tot mijnbouw. Hun doel was om twee verschillende soorten computermodellen te testen. Het eerste type, bekend als white-box modellen, zijn eenvoudig en gemakkelijk te begrijpen, zoals een rechtlijstige lijst met regels. Het tweede type, de black-box modellen, is veel complexer en krachtiger, maar meestal onmogelijk te interpreteren omdat ze werken als een verstrengeld web van berekeningen. De onderzoekers trainden deze modellen om de ESG-risicoscores te raden op basis van financiële gegevens en bedrijfs kenmerken, en gebruikten vervolgens speciale tools om de complexe modellen hun eigen redenering te laten uitleggen.

De resultaten toonden aan dat de complexere modellen aanzienlijk beter waren in het maken van nauwkeurige voorspellingen. De meest succesvolle tool was een geavanceerd algoritme genaamd XGBoost, dat leerde om subtiele patronen in de data te herkennen die simpelere modellen misten. Voor de milieu-pijler was dit model in staat om 92 procent van de variaties in de scores te verklaren, en voor de governance-pijler verklaarde het 85 procent. De sociale pijler bleek het moeilijkst te voorspellen, waarbij het model 78 procent van de variaties verklaarde, wat suggereert dat sociale risico's worden beïnvloed door een breder en chaotischer scala aan factoren. De onderzoekers ontdekten dat de eenvoudigere, transparante modellen dit niveau van nauwkeurigheid niet konden evenaren. Hoewel ze makkelijker te lezen waren, slaagden ze er niet in om de ingewikkelde relaties tussen de financiën van een bedrijf en de duurzaamheidsprestaties vast te leggen. Dit suggereert dat men, om ESG-risico's echt te begrijpen, krachtige tools moet gebruiken die complexe, niet-lineaire verbindingen kunnen verwerken, zelfs als die tools extra inspanning vereisen om te interpreteren.

Om het probleem op te lossen dat deze krachtige modellen te complex zijn om te begrijpen, pasten de onderzoekers een techniek toe die Explainable AI wordt genoemd. Deze methode werkt als een spotlight die precies verlicht welke factoren een specifieke voorspelling hebben gedreven. Wanneer ze deze spotlight op hun best presterende model richtten, kwam er een duidelijk beeld naar voren. De meest invloedrijke factor voor het voorspellen van het risico van een bedrijf was niet een enkele interne metriek, maar eerder het gemiddelde risiconiveau van zijn sectorgenoten. Met andere woorden, de score van een bedrijf werd zwaar beïnvloed door het typische gedrag van andere bedrijven in dezelfde sector. Als een bedrijf opereerde in een industrie waar een hoog milieurisico de norm was, voorspelde het model een hoger risico voor dat bedrijf ook. Financiële gezondheid speelde evene kind een grote rol; bedrijven met sterke winsten en stabiele schuldenstructuren hadden de neiging lagere governance- en sociale risicoscores te hebben. De onderzoekers ontdekten ook dat specifieke controverses, zoals schandalen rondom arbeid of veiligheid, de risicoscores scherp omhoog stuwing.

De studie onthulde verder dat deze voorspellingen niet even nauwkeurig waren voor elk type bedrijf. De modellen werkten uitzonderlijk goed voor bedrijven in de financiële sector en de consumptiegoederensector, waar de data consistent en de patronen duidelijk waren. Echter, de modellen hadden meer moeite met bedrijven in de sectoren energie, grondstoffen en industriële transport. Deze industrieën vertoonden hogere fouten in de voorspelling, waarschijnlijk omdat hun ESG-data complexer, inconsistent of moeilijker te standaardiseren zijn over verschillende landen. De onderzoekers keken ook naar specifieke bedrijven in Zuid-Afrika om te zien hoe het model zich in de echte wereld gedroeg. Ze vonden dat een financieel bedrijf met de laagste milieuriscoscore correct als zodanig werd geïdentificeerd, omdat de sector van nature een kleine fysieke voetafdruk heeft. Omgekeerd werd een bedrijf in de energiesector met de hoogste risicoscore gemarkeerd vanwege de zware afhankelijkheid van hulpbronnenintensieve operaties. Interessant genoeg identificeerde het model ook een financieel bedrijf met een verrassend hoog governance-risico, wat suggereert dat zelfs in sterk gereguleerde sectoren specifieke interne onregelmatigheden de risicoscores omhoog kunnen drijven.

Uiteindelijk demonstreert dit onderzoek dat het mogelijk is om een transparant en reproduceerbaar systeem te creëren voor het beoordelen van bedrijfsduurzaamheid zonder afhankelijk te zijn van geheime, propriëtaire formules. Door gebruik te maken van publiekelijk beschikbare gegevens en geavanceerde machine learning, lieten de onderzoekers zien dat zij ESG-risicoscores met een hoge nauwkeurigheid konden voorspellen. Ze bewezen dat hoewel complexe modellen noodzakelijk zijn om het volledige beeld van bedrijfsrisico te vatten, er tools bestaan om hun beslissingen begrijpelijk te maken. De bevindingen suggereren dat de ESG-status van een bedrijf diep geworteld is in de normen van zijn sector en zijn eigen financiële stabiliteit. Voor investeerders en toezichthouders biedt dit werk een nieuwe manier om naar bedrijfsverantwoordelijkheid te kijken, waarbij de focus verschuift van ondoorzichtige ratings naar een systeem waarin de redenen achter een score duidelijk, logisch en open voor controle zijn.