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

No mundo financeiro moderno, o valor de uma empresa não é mais medido apenas pelos seus lucros. Investidores, reguladores e o público exigem cada vez mais saber como uma empresa trata o planeta, seus trabalhadores e sua própria liderança. Essa avaliação mais ampla é conhecida pela sigla ESG, que significa Ambiental, Social e Governança (Environmental, Social, and Governance). O pilar ambiental observa a pegada ecológica de uma empresa, como suas emissões de carbono e resíduos. O pilar social examina como a organização interage com a sociedade, incluindo o tratamento de seus funcionários e comunidades locais. O pilar de governança foca em como a empresa é administrada, considerando sua estrutura de liderança e diversidade do conselho. Embora essas classificações visem orientar o investimento ético, os métodos usados para calculá-las são frequentemente secretos. As principais agências de classificação mantêm suas fórmulas privadas, tratando seus escores como produtos proprietários. Essa falta de transparência significa que até mesmo as pessoas que dependem desses escores não podem facilmente ver como os números foram derivados, transformando as classificações em "caixas pretas" difíceis de confiar ou verificar.

Uma equipe de pesquisadores da África do Sul partiu para abrir essas caixas pretas. Eles queriam ver se conseguiam construir um sistema claro e transparente para prever esses escores de risco ESG usando apenas informações públicas. Em vez de depender de bases de dados privadas e caras, a equipe coletou dados de um portal financeiro gratuito que agrega informações de um serviço chamado Sustainalytics. Eles coletaram informações sobre milhares de empresas em vinte e quatro países diferentes, cobrindo uma ampla gama de setores, da tecnologia à mineração. O objetivo deles era testar dois tipos diferentes de modelos computacionais. O primeiro tipo, conhecido como modelos de "caixa branca" (white-box), são simples e fáceis de entender, como uma lista direta de regras. O segundo tipo, chamado de modelos de "caixa preta" (black-box), é muito mais complexo e poderoso, mas geralmente impossível de interpretar porque funciona como uma teia emaranhada de cálculos. Os pesquisadores treinaram esses modelos para adivinhar os escores de risco ESG com base em dados financeiros e características da empresa e, em seguida, usaram ferramentas especiais para forçar os modelos complexos a explicar seu próprio raciocínio.

Os resultados mostraram que os modelos mais complexos eram significativamente melhores em fazer previsões precisas. A ferramenta de maior sucesso foi um algoritmo sofisticado chamado XGBoost, que aprendeu a detectar padrões sutis nos dados que os modelos mais simples perderam. Para o pilar ambiental, este modelo foi capaz de explicar 92 por cento das variações nos escores e, para o pilar de governança, explicou 85 por cento. O pilar social provou ser o mais difícil de prever, com o modelo explicando 78 por cento das variações, sugerindo que os riscos sociais são influenciados por um conjunto de fatores mais amplo e caótico. Os pesquisadores descobriram que os modelos mais simples e transparentes não conseguiam igualar esse nível de precisão. Embora fossem mais fáceis de ler, eles falharam em capturar as relações intrincadas entre as finanças de uma empresa e seu desempenho de sustentabilidade. Isso sugere que, para compreender verdadeiramente os riscos ESG, é necessário usar ferramentas poderosas que possam lidar com conexões complexas e não lineares, mesmo que essas ferramentas exijam um esforço extra de interpretação.

Para resolver o problema de esses modelos poderosos serem complexos demais para entender, os pesquisadores aplicaram uma técnica chamada IA Explicável (Explainable AI). Este método atua como um holofote, iluminando exatamente quais fatores impulsionaram uma previsão específica. Quando eles apontaram esse holofote para o seu melhor modelo, um quadro claro emergiu. O fator mais influente para prever o risco de uma empresa não foi uma métrica interna única, mas sim o nível médio de risco de seus pares do setor. Em outras palavras, o escore de uma empresa foi fortemente influenciado pelo comportamento típico de outras empresas no mesmo setor. Se uma empresa operava em um setor onde o alto risco ambiental era a norma, o modelo previa um risco maior para essa empresa também. A saúde financeira também desempenhou um papel importante; empresas com lucros fortes e estruturas de dívida estáveis tendiam a ter escores de risco de governança e social mais baixos. Os pesquisadores também descobriram que controvérsias específicas, como escândalos envolvendo trabalho ou segurança, elevavam drasticamente os escores de risco.

O estudo revelou ainda que essas previsões não eram igualmente precisas para todos os tipos de negócios. Os modelos funcionaram excepcionalmente bem para empresas dos setores financeiro e de consumo, onde os dados eram consistentes e os padrões claros. No entanto, os modelos tiveram mais dificuldades com empresas dos setores de energia, materiais e transporte industrial. Esses setores apresentaram erros de previsão mais altos, provavelmente porque seus dados ESG são mais complexos, inconsistentes ou difíceis de padronizar entre diferentes países. Os pesquisadores também observaram empresas específicas na África do Sul para ver como o modelo se comportava em cenários do mundo real. Eles descobriram que uma empresa financeira com o menor escore de risco ambiental foi corretamente identificada como tal porque o setor naturalmente possui uma pequena pegada física. Por outro lado, uma empresa no setor de energia com o maior escore de risco foi sinalizada devido à sua forte dependência de operações intensivas em recursos. Curiosamente, o modelo também identificou uma empresa financeira com um risco de governança surpreendentemente alto, sugerindo que, mesmo em setores altamente regulamentados, irregularidades internas específicas podem elevar os escores de risco.

Em última análise, esta pesquisa demonstra que é possível criar um sistema transparente e reproduzível para avaliar a sustentabilidade corporativa sem depender de fórmulas proprietárias e secretas. Ao utilizar dados publicamente disponíveis e aprendizado de máquina avançado, os pesquisadores mostraram que poderiam prever escores de risco ESG com alta precisão. Eles provaram que, embora modelos complexos sejam necessários para capturar o quadro completo do risco corporativo, existem ferramentas para tornar suas decisões compreensíveis. As descobertas sugerem que a posição ESG de uma empresa está profundamente ligada às normas de seu setor e à sua própria estabilidade financeira. Para investidores e reguladores, este trabalho oferece uma nova forma de olhar para a responsabilidade corporativa, afastando-se de classificações opacas em direção a um sistema onde as razões por trás de um escore são claras, lógicas e abertas ao escrutínio.