Interpretowalny model predykcyjny dla zielonego mydlenia oczu w zakresie ESG w spółkach giełdowych oparty na XGBoost i SHAP

Dlaczego twierdzenia firm o byciu „zielonym” mają znaczenie

Kiedy firma chwali się osiągnięciami środowiskowymi lub społecznymi, inwestorzy i opinia publiczna muszą zadać pytanie: czy to rzeczywisty postęp, czy sprytne marketingowe zagranie? Ta rozbieżność między wizerunkiem a rzeczywistością nazywana jest greenwashingiem. W miarę napływu kapitału do inwestycji deklarujących odpowiedzialność środowiskową i społeczną, umiejętność wczesnego wykrywania greenwashingu staje się kluczowa dla ochrony inwestorów, kształtowania polityk i nagradzania rzeczywiście odpowiedzialnych firm.

Zaglądając pod maskę zielonych obietnic

Badanie koncentruje się na spółkach notowanych w Chinach i analizuje ich zachowania w zakresie środowiskowym, społecznym i ładu korporacyjnego (ESG) w latach 2009–2022. Zamiast przyjmować raporty zrównoważonego rozwoju firm za pewnik, autorzy porównują dwa niezależne typy ocen ESG. Pierwsza, od Bloomberga, odzwierciedla, ile informacji ESG firma ujawnia w raportach publicznych. Druga, od chińskich i międzynarodowych agencji ratingowych, mierzy, jak dobrze firma faktycznie radzi sobie z kwestiami ESG w praktyce. Poprzez standaryzację i odjęcie tych wyników badacze konstruują indeks greenwashingu: firmy, które dużo mówią, a mało robią, są wskazywane jako prawdopodobni „greenwasherzy”.

Nauczanie modelu rozpoznawania wzorców greenwashingu

Aby pójść dalej niż proste średnie i reguły empiryczne, autorzy wykorzystują nowoczesną metodę uczenia maszynowego o nazwie XGBoost, szczególnie skuteczną w wykrywaniu wzorców w złożonych, hałaśliwych danych. Do modelu podawanych jest 16 różnych cech każdej spółki. Należą do nich kondycja finansowa (takie jak zyski, poziomy zadłużenia, wzrost i wielkość), struktura ładu (np. koncentracja własności, liczba członków rady) oraz zewnętrzne naciski (np. surowość lokalnych regulacji, intensywność kontroli medialnej, stopień konkurencji na rynku spółki). Celem jest sprawdzenie, czy model potrafi dokładnie przewidzieć, które firmy będą stosować greenwashing za rok lub dwa.

Jak dobrze możemy przewidzieć, kto stosuje greenwashing?

Najlepszy model opiera się na cechach spółki z poprzedniego roku. Poprawnie identyfikuje około 87% firm stosujących greenwashing i rozróżnia je od nie-praktykujących znacznie lepiej niż losowe zgadywanie. Wskaźniki finansowe okazują się szczególnie informatywne. Firmy o wyjątkowo wysokim lub niskim obciążeniu długiem, bardzo łatwej płynności krótkoterminowej lub wyjątkowo wysokich wycenach rynkowych częściej są oznaczane jako potencjalni greenwasherzy. Z kolei większe i szybciej rosnące przedsiębiorstwa są mniej prawdopodobne do zaklasyfikowania jako greenwasherzy — być może dlatego, że ich widoczność i perspektywa długoterminowa czynią zwodnicze sygnały bardziej ryzykownymi. Wskaźniki ładu również mają znaczenie: gdy największy akcjonariusz posiada większy udział, greenwashing staje się mniej prawdopodobny, ale większe udziały nadzorujących insiderów wiążą się z większym prawdopodobieństwem greenwashingu.

Otwarcie czarnej skrzynki sztucznej inteligencji

Jednym z powszechnych zastrzeżeń wobec uczenia maszynowego jest to, że może być dokładne, lecz nieprzejrzyste. Aby temu zaradzić, badanie wykorzystuje technikę o nazwie SHAP, która pozwala badaczom rozłożyć każdą prognozę na wkłady poszczególnych cech. W praktyce oznacza to, że można wskazać nie tylko, że dana firma prawdopodobnie stosuje greenwashing, ale też które cechy — na przykład wyjątkowo wysoki wskaźnik płynności bieżącej i niska koncentracja własności — były kluczowymi powodami. Analiza potwierdza, że wskaźniki finansowe, zwłaszcza wskaźnik bieżącej płynności, koszty agencyjne i rozkład własności, mają większe znaczenie niż liczebność organów nadzorczych czy wielkość rady. Model nadal działa dobrze, gdy wydajność ESG mierzona jest przez alternatywnych dostawców ratingów, a nawet gdy stosuje się go do spółek notowanych w Hongkongu, co sugeruje, że podejście jest odporne na różnice w systemach oceny i środowiskach ujawniania informacji.

Co to oznacza dla inwestorów i organizacji nadzorczych

Mówiąc potocznie, badanie pokazuje, że możliwe jest zbudowanie wiarygodnego systemu wczesnego ostrzegania przed greenwashingiem ESG, wykorzystując informacje już powszechnie dostępne w bazach danych finansowych. Łącząc wielorakie oceny ESG z bogatymi danymi o spółkach i interpretowalnym modelem uczenia maszynowego, regulatorzy mogliby skuteczniej ukierunkować nadzór, inwestorzy lepiej unikać atrakcyjnych, lecz pustych historii ESG, a firmy odczuwałyby większą presję, by popierać swoje twierdzenia rzeczywistymi działaniami. Choć praca skupia się na Chinach, podstawowy przepis — porównuj, co firmy mówią, z tym, co robią, i pozwól przejrzystym algorytmom uczyć się wzorców — stanowi plan działania dla oczyszczenia roszczeń ESG na rynkach na całym świecie.

Cytowanie: 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

Słowa kluczowe: zielone mydlenie oczu ESG, zrównoważone inwestowanie, uczenie maszynowe, ład korporacyjny, ujawnienia finansowe