Modellazione quantitativa dei rischi ESG nelle istituzioni finanziarie: un quadro per la valutzione e la mitigazione del rischio

Abstract This thesis presents a comprehensive framework for assessing and predicting ESG (Environmental, Social, and Governance) risks in financial institutions using quantitative methods. The study constructs a data-driven ESG risk scoring model by integrating statistical techniques and machine learning algorithms with structured ESG datasets spanning various sectors and regions. Key components of the methodology include data normalization, ESG factor weighting, risk clustering, and time-series forecasting. The study further incorporates geospatial visualizations, such as heatmaps and choropleth maps, to reveal regional disparities in ESG risks and inform policy-making. Predictive models—including ARIMA, regression analysis, and deep learning—forecast future ESG vulnerabilities, enhancing early warning systems for regulators and investors. Empirical results show significant correlations between ESG scores and financial stability, affirming the model’s validity. The findings support the development of risk-adjusted investment strategies, sustainable lending practices, and regulatory oversight, while also identifying limitations related to data quality, regulatory divergence, and model interpretability. This work contributes to the advancement of scalable and transparent ESG risk assessment tools essential for sustainable finance. Keywords: ESG Risk Scoring; Financial Institutions; Predictive Modeling; Sustainable Finance; Machine Learning; Regulatory Compliance; Banking Sector; Climate Risk

Abstract (Italiano) Questa tesi presenta un quadro metodologico completo per la valutazione e la previsione dei rischi ESG (ambientali, sociali e di governance) nelle istituzioni finanziarie, attraverso l’integrazione di tecniche statistiche e algoritmi di apprendimento automatico. Il modello di scoring sviluppato è basato su dati strutturati ESG provenienti da diversi settori e aree geografiche, e include componenti fondamentali come la normalizzazione dei dati, la ponderazione dei fattori ESG, il clustering dei rischi e la previsione tramite serie temporali. Il lavoro integra inoltre visualizzazioni geospaziali — come mappe di calore e mappe coropletiche — per evidenziare le disparità regionali nei rischi ESG e supportare i processi decisionali politici. I modelli predittivi utilizzati, tra cui ARIMA, analisi di regressione e reti neurali profonde, permettono di anticipare le vulnerabilità ESG future e migliorare i sistemi di allerta precoce per investitori e regolatori. I risultati empirici evidenziano correlazioni significative tra i punteggi ESG e la stabilità finanziaria, confermando la validità del modello. Le conclusioni offrono strumenti utili per lo sviluppo di strategie di investimento a rischio controllato, pratiche di credito sostenibile e supervisione normativa. Infine, vengono identificati i limiti relativi alla qualità dei dati, alla frammentazione regolamentare e all’interpretabilità dei modelli. Il lavoro contribuisce allo sviluppo di strumenti scalabili e trasparenti per la valutazione del rischio ESG, essenziali per la finanza sostenibile. Parole chiave: Valutazione del rischio ESG; Istituzioni finanziarie; Modellazione predittiva; Finanza sostenibile; Apprendimento automatico; Conformità normativa; Settore bancario; Rischio climatico