Interpretierbares Vorhersagemodell für ESG-Greenwashing börsennotierter Unternehmen basierend auf XGBoost und SHAP

Warum die „grünen“ Behauptungen von Unternehmen wichtig sind

Wenn ein Unternehmen seine ökologischen oder sozialen Leistungen rühmt, müssen Anleger und die Öffentlichkeit fragen: Ist das echter Fortschritt oder nur geschicktes Marketing? Diese Diskrepanz zwischen Image und Wirklichkeit nennt man Greenwashing. Da immer mehr Kapital in Anlagen fließt, die sich als ökologisch und sozial verantwortlich präsentieren, wird die frühzeitige Erkennung von Greenwashing entscheidend, um Anleger zu schützen, die Politik zu steuern und wirklich verantwortungsvolle Unternehmen zu belohnen.

Unter die Haube der grünen Versprechen schauen

Die Studie konzentriert sich auf börsennotierte Unternehmen in China und betrachtet ihr Umwelt-, Sozial- und Governance-Verhalten (ESG) von 2009 bis 2022. Anstatt Nachhaltigkeitsberichte der Firmen ungeprüft zu übernehmen, vergleichen die Autoren zwei unabhängige Typen von ESG-Bewertungen. Die eine, von Bloomberg, erfasst, wie viel ESG-Informationen ein Unternehmen in öffentlichen Berichten offenlegt. Die andere, von chinesischen und internationalen Ratingagenturen, misst, wie gut das Unternehmen tatsächlich in der Praxis in ESG-Fragen abschneidet. Durch Standardisierung und Subtraktion dieser Werte erstellen die Forschenden einen Greenwashing-Index: Unternehmen, die deutlich mehr reden als sie handeln, werden als wahrscheinliche Greenwasher markiert.

Ein Modell trainieren, um Greenwashing-Muster zu erkennen

Um über einfache Durchschnitte und Faustregeln hinauszugehen, verwenden die Autoren eine moderne Methode des maschinellen Lernens namens XGBoost, die besonders gut darin ist, Muster in komplexen, unordentlichen Daten zu finden. Sie füttern das Modell mit 16 verschiedenen Merkmalen pro Unternehmen. Dazu gehören die finanzielle Lage (wie Gewinne, Verschuldungsgrad, Wachstum und Größe), die Governance-Struktur (etwa Konzentration des Eigentums und Anzahl der Direktoren im Vorstand) sowie externe Zwänge (wie die Strenge der lokalen Regulierung, die Intensität der Medienbeobachtung und wie wettbewerbsintensiv der Markt des Unternehmens ist). Ziel ist es zu prüfen, ob das Modell zuverlässig vorhersagen kann, welche Unternehmen ein oder zwei Jahre später Greenwashing betreiben werden.

Wie gut können wir vorhersagen, wer Greenwashing betreibt?

Das am besten abschneidende Modell stützt sich auf Unternehmensmerkmale aus dem Vorjahr. Es identifiziert etwa 87 % der Greenwashing-Unternehmen korrekt und unterscheidet sie deutlich besser von Nicht-Greenwashern als reines Raten. Finanzielle Indikatoren erweisen sich als besonders aussagekräftig. Firmen mit extrem hoher oder sehr niedriger Verschuldung, sehr leichter kurzfristiger Liquidität oder ungewöhnlich hohen Marktbewertungen werden eher als Greenwasher eingestuft. Größere und schneller wachsende Unternehmen hingegen werden seltener als Greenwasher vorhergesagt — möglicherweise, weil ihre Sichtbarkeit und langfristige Perspektive täuschende Signale riskanter machen. Auch Governance-Indikatoren sind relevant: Wenn der größte Anteilseigner einen größeren Anteil hält, sinkt die Wahrscheinlichkeit von Greenwashing, während höhere Anteile von überwachten Insidern mit mehr Greenwashing einhergehen.

Die Black Box der künstlichen Intelligenz öffnen

Ein verbreitetes Anliegen bei maschinellem Lernen ist, dass es zwar genau, aber undurchsichtig sein kann. Um dem entgegenzuwirken, nutzt die Studie eine Technik namens SHAP, die es den Forschenden erlaubt, jede Vorhersage in Beiträge einzelner Merkmale zu zerlegen. Praktisch bedeutet das, dass sie nicht nur sagen können, dass ein bestimmtes Unternehmen wahrscheinlich Greenwashing betreibt, sondern auch, dass beispielsweise sein ungewöhnlich hoher Current Ratio und die niedrige Eigentumskonzentration Schlüsselfaktoren waren. Die Analyse bestätigt, dass finanzielle Indikatoren — insbesondere der Current Ratio, Agenturkosten und die Verteilung des Eigentums — stärker ins Gewicht fallen als Kopfzahl der Governance oder die Board-Größe. Das Modell funktioniert weiterhin gut, wenn die ESG-Leistung durch alternative Ratinganbieter gemessen wird und sogar bei Anwendung auf in Hongkong gelistete Unternehmen, was darauf hindeutet, dass der Ansatz über verschiedene Bewertungssysteme und Offenlegungsumgebungen hinweg robust ist.

Was das für Anleger und Kontrollinstanzen bedeutet

Alltagslich zeigt die Studie, dass es möglich ist, ein zuverlässiges Frühwarnsystem für ESG-Greenwashing zu bauen, das Informationen nutzt, die bereits in Finanzdatenbanken weit verbreitet sind. Durch die Kombination mehrerer ESG-Ratings mit umfangreichen Unternehmensdaten und einem interpretierbaren ML-Modell könnten Regulierer ihre Aufsicht gezielter ausrichten, Anleger besser glänzende, aber hohle ESG-Erzählungen vermeiden und Unternehmen stärker unter Druck setzen, ihre Behauptungen durch echte Maßnahmen zu untermauern. Obwohl die Arbeit China fokussiert, liefert das Grundrezept — Vergleiche zwischen dem, was Unternehmen sagen, und dem, was sie tun, und lasse transparente Algorithmen die Muster lernen — eine Blaupause zur Bereinigung von ESG-Aussagen in Märkten weltweit.

Zitation: Jianfeng, Z., Tiantian, Q. Interpretable predictive model for listed companies ESG greenwashing based on XGBoost and SHAP. Sci Rep 16, 12899 (2026). https://doi.org/10.1038/s41598-026-42004-1

Schlüsselwörter: ESG-Greenwashing, nachhaltiges Investieren, maschinelles Lernen, Unternehmensführung, finanzielle Berichterstattung