Interpreterend voorspellend model voor ESG-greenwashing van beursgenoteerde bedrijven gebaseerd op XGBoost en SHAP

Waarom de "groene" beweringen van bedrijven ertoe doen

Wanneer een bedrijf pronkt met zijn milieu- of sociale prestaties, moeten beleggers en het publiek zich afvragen: is dit echte vooruitgang of slimme marketing? Deze kloof tussen imago en realiteit wordt greenwashing genoemd. Nu er steeds meer geld stroomt naar beleggingen die zichzelf milieuvriendelijk en maatschappelijk verantwoord noemen, is het vroegtijdig kunnen herkennen van greenwashing cruciaal om beleggers te beschermen, beleid te sturen en echt verantwoorde bedrijven te belonen.

Onder de motorkap van groene beloften kijken

De studie richt zich op in China beursgenoteerde bedrijven en beschouwt hun Environmental, Social, and Governance (ESG)-gedrag van 2009 tot 2022. In plaats van de duurzaamheidsrapporten van bedrijven klakkeloos te geloven, vergelijken de auteurs twee onafhankelijke soorten ESG-beoordelingen. De ene, van Bloomberg, vangt in hoeverre een bedrijf ESG-informatie openbaar maakt in rapporten. De andere, van Chinese en internationale beoordelaars, meet hoe goed het bedrijf daadwerkelijk presteert op ESG-gebied in de praktijk. Door deze scores te standaardiseren en van elkaar af te trekken, construeren de onderzoekers een greenwashing-index: bedrijven die veel meer praten dan doen, worden als waarschijnlijk greenwashers aangemerkt.

Een model leren greenwashingpatronen te herkennen

Om verder te gaan dan simpele gemiddelden en vuistregels gebruiken de auteurs een moderne machine-learningmethode genaamd XGBoost, die uitermate geschikt is om patronen te vinden in complexe, rommelige data. Ze voeden het model met 16 verschillende kenmerken per bedrijf. Daarbij gaat het onder andere om financiële gezondheid (zoals winst, schuldenlast, groei en omvang), governance-structuur (zoals de concentratie van eigendom en het aantal bestuurders) en externe druk (zoals de strengheid van lokale regelgeving, de intensiteit van mediatoezicht en de concurrentiedruk in de markt van het bedrijf). Het doel is te onderzoeken of het model nauwkeurig kan voorspellen welke bedrijven één of twee jaar later aan greenwashing zullen doen.

Hoe goed kunnen we voorspellen wie greenwasht?

Het best presterende model baseert zich op bedrijfskenmerken van het voorgaande jaar. Het identificeert ongeveer 87% van de greenwashing-bedrijven correct en onderscheidt ze veel betrouwbaarder van niet-greenwashers dan willekeurig raden. Financiële indicatoren blijken bijzonder informatief. Bedrijven met extreem hoge of lage schulden, zeer gemakkelijke kortetermijnliquiditeit of ongewoon hoge marktwaarderingen worden vaker als greenwashers gemarkeerd. Grotere en sneller groeiende bedrijven daarentegen worden minder vaak als greenwasher voorspeld — mogelijk omdat hun zichtbaarheid en langetermijnperspectief misleidende signalen riskanter maken. Governance-indicatoren zijn ook van belang: wanneer de grootste aandeelhouder een groter aandeel bezit, wordt greenwashing minder waarschijnlijk, terwijl hogere deelnames van toezichthoudende insiders geassocieerd zijn met meer greenwashing.

De zwarte doos van kunstmatige intelligentie openen

Een veelgehoorde zorg over machine learning is dat het precies kan zijn maar ondoorzichtig. Om dit aan te pakken gebruikt de studie een techniek genaamd SHAP, die onderzoekers in staat stelt elke voorspelling op te splitsen in bijdragen van individuele kenmerken. In praktische termen betekent dit dat ze niet alleen kunnen zeggen dat een bepaald bedrijf waarschijnlijk greenwasht, maar ook dat bijvoorbeeld een uitzonderlijk hoge current ratio en lage eigendomsconcentratie belangrijke redenen waren. De analyse bevestigt dat financiële indicatoren, met name de current ratio, agency-kosten en de verdeling van eigendom, zwaarder wegen dan governance-aantallen of bestuursomvang. Het model werkt nog steeds goed wanneer ESG-prestaties worden gemeten door alternatieve beoordelaars en zelfs wanneer het wordt toegepast op bedrijven die in Hongkong genoteerd staan, wat suggereert dat de aanpak robuust is over verschillende beoordelingssystemen en openbaarmakingsomgevingen heen.

Wat dit betekent voor beleggers en waakhonden

Concreet laat de studie zien dat het mogelijk is een betrouwbaar vroegwaarschuwingssysteem voor ESG-greenwashing te bouwen met informatie die al breed beschikbaar is in financiële databases. Door meerdere ESG-beoordelingen te combineren met uitgebreide bedrijfsgegevens en een interpreteerbaar machine-learningmodel, kunnen toezichthouders hun controle efficiënter richten, kunnen beleggers beter glossy maar holle ESG-verhalen vermijden, en komen bedrijven onder grotere druk te staan om hun beweringen met echte actie te onderbouwen. Hoewel het werk zich op China concentreert, biedt het basisrecept — vergelijken wat bedrijven zeggen met wat ze doen, en transparante algoritmen patronen laten leren — een blauwdruk voor het schoonmaken van ESG-beweringen op markten wereldwijd.

Bronvermelding: 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

Trefwoorden: ESG-greenwashing, duurzaam beleggen, machine learning, corporate governance, financiële openbaarmaking