Modèle prédictif interprétable pour le greenwashing ESG des entreprises cotées basé sur XGBoost et SHAP

Pourquoi les allégations « vertes » des entreprises comptent

Quand une entreprise vante ses réalisations environnementales ou sociales, les investisseurs et le grand public doivent se demander : s'agit-il d'un progrès réel ou d'un habile marketing ? Cet écart entre image et réalité s'appelle le greenwashing. À mesure que davantage de capitaux se dirigent vers des placements présentés comme responsables sur les plans environnemental et social, détecter tôt le greenwashing devient crucial pour protéger les investisseurs, orienter les politiques et récompenser les entreprises réellement responsables.

Regarder sous le capot des promesses écologiques

L'étude porte sur des entreprises cotées en Chine et examine leur comportement en matière d'Environnement, Social et Gouvernance (ESG) de 2009 à 2022. Plutôt que d'accepter sans critique les rapports de durabilité des entreprises, les auteurs comparent deux types indépendants de notations ESG. L'une, de Bloomberg, mesure la quantité d'informations ESG que l'entreprise divulgue dans ses rapports publics. L'autre, fournie par des agences de notation chinoises et internationales, évalue la performance effective de l'entreprise sur les enjeux ESG. En standardisant et en soustrayant ces scores, les chercheurs construisent un indice de greenwashing : les entreprises qui parlent beaucoup plus qu'elles n'agissent sont identifiées comme susceptibles de pratiquer le greenwashing.

Apprendre à un modèle à reconnaître les schémas de greenwashing

Pour aller au‑delà des moyennes simples et des règles empiriques, les auteurs utilisent une méthode moderne d'apprentissage automatique appelée XGBoost, particulièrement efficace pour déceler des motifs dans des données complexes et bruitées. Ils nourrissent le modèle avec 16 caractéristiques différentes pour chaque entreprise. Celles‑ci incluent la santé financière (telles que bénéfices, niveaux d'endettement, croissance et taille), la structure de gouvernance (telle que la concentration de l'actionnariat et le nombre d'administrateurs au conseil) et les pressions externes (telles que la sévérité de la réglementation locale, l'intensité de la surveillance médiatique et le degré de concurrence sur le marché). L'objectif est de vérifier si le modèle peut prédire avec précision quelles entreprises pratiqueront le greenwashing un ou deux ans plus tard.

Quelle précision pour prédire qui pratique le greenwashing ?

Le modèle le plus performant s'appuie sur les caractéristiques des entreprises de l'année précédente. Il identifie correctement environ 87 % des entreprises pratiquant le greenwashing et les distingue nettement mieux qu'un tirage au sort. Les indicateurs financiers s'avèrent particulièrement informatifs. Les entreprises présentant des charges d'endettement très élevées ou très faibles, une liquidité à court terme excessivement facile, ou des valorisations de marché anormalement élevées sont plus susceptibles d'être signalées comme pratiquant le greenwashing. En revanche, les entreprises plus grandes et à croissance plus rapide sont moins fréquemment prédictes comme greenwashers — possiblement parce que leur visibilité et leur horizon à long terme rendent la tromperie plus risquée. Les indicateurs de gouvernance ont également de l'importance : lorsque l'actionnaire majoritaire détient une part plus importante de l'entreprise, le greenwashing devient moins probable, mais des participations élevées des dirigeants supervisant l'entreprise sont associées à davantage de greenwashing.

Ouvrir la boîte noire de l'intelligence artificielle

Une inquiétude courante à propos de l'apprentissage automatique est qu'il peut être précis tout en restant opaque. Pour y répondre, l'étude utilise une technique appelée SHAP, qui permet aux chercheurs de décomposer chaque prédiction en contributions des variables individuelles. Concrètement, cela signifie qu'ils peuvent indiquer non seulement qu'une entreprise est susceptible de pratiquer le greenwashing, mais aussi que, par exemple, son ratio de liquidité courant exceptionnellement élevé et sa faible concentration de l'actionnariat ont été des facteurs déterminants. L'analyse confirme que les indicateurs financiers, en particulier le ratio de liquidité courant, les coûts d'agence et la répartition de l'actionnariat, pèsent davantage que le nombre de responsables de gouvernance ou la taille du conseil. Le modèle reste performant lorsque la performance ESG est mesurée par d'autres fournisseurs de notation et même lorsqu'il est appliqué à des entreprises cotées à Hong Kong, ce qui suggère que l'approche est robuste à travers différents systèmes de notation et environnements de divulgation.

Ce que cela implique pour les investisseurs et les autorités de contrôle

En termes concrets, l'étude montre qu'il est possible de construire un système d'alerte précoce fiable pour le greenwashing ESG en utilisant des informations déjà largement disponibles dans les bases de données financières. En combinant plusieurs notations ESG avec des données riches sur les entreprises et un modèle d'apprentissage automatique interprétable, les régulateurs pourraient cibler leur surveillance plus efficacement, les investisseurs mieux éviter les récits ESG brillants mais vides, et les entreprises subiraient une pression accrue pour étayer leurs affirmations par des actions réelles. Bien que le travail se concentre sur la Chine, la recette de base — comparer ce que les entreprises disent à ce qu'elles font et laisser des algorithmes transparents apprendre les schémas — offre une feuille de route pour assainir les déclarations ESG sur les marchés du monde entier.

Citation: 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

Mots-clés: greenwashing ESG, investissement durable, apprentissage automatique, gouvernance d'entreprise, divulgation financière