Machine Learning spiegabile per il punteggio ESG

The purpose of this paper is to explain the interaction between environmental, social and governance (ESG) score and balance sheet items through explainable Machine Learning. Data is collected from Thomson Reuters Refinitiv ESG scores for the companies which constitute the STOXX 600 Index. Linear regression, Neural Network Analysis, Classification Tree, Random Forest, XGboost, and Shapley values were used to figure out the explainability of between ESG score and Total Asset, EBIT, Net Sales, Market Capitalization, Dividend Yield, Price to Earnings, Return on Equity, and Return on Assets. As a result, the balance sheet items have a statistically significant effect on Environmental, Social and Governance score (ESG score) in all models.

Lo scopo di questo documento è spiegare l'interazione tra il punteggio ambientale, sociale e di governance (ESG) e le voci di bilancio attraverso un Machine Learning spiegabile. I dati vengono raccolti dai punteggi ESG di Thomson Reuters Refinitiv per le società che costituiscono l'indice STOXX 600. La regressione lineare, l'analisi della rete neurale, l'albero di classificazione, la foresta casuale, l'XGboost e i valori di Shapley sono stati utilizzati per capire la spiegabilità tra il punteggio ESG e il patrimonio totale, l'EBIT, le vendite nette, la capitalizzazione di mercato, il rendimento da dividendi, il prezzo rispetto agli utili, il rendimento Equità e ritorno sugli asset. Di conseguenza, le voci di bilancio hanno un effetto statisticamente significativo sul punteggio ambientale, sociale e di governance (punteggio ESG) in tutti i modelli.