Tolkbar prediktiv modell för börsnoterade företags ESG-greenwashing baserad på XGBoost och SHAP

Varför företags "gröna" påståenden spelar roll

När ett företag skryter om sina miljömässiga eller sociala framsteg måste investerare och allmänhet fråga sig: är detta verklig förbättring eller bara skicklig marknadsföring? Detta gap mellan image och verklighet kallas greenwashing. I takt med att mer kapital strömmar in i investeringar som påstår sig vara miljömässigt och socialt ansvarstagande blir förmågan att upptäcka greenwashing tidigt avgörande för att skydda investerare, vägleda politik och belöna verkligt ansvarstagande företag.

Att titta under huven på gröna löften

Studien fokuserar på företag noterade i Kina och granskar deras beteende inom miljö, socialt ansvar och bolagsstyrning (ESG) från 2009 till 2022. Istället för att ta företagens hållbarhetsrapporter för givna jämför författarna två oberoende typer av ESG-betyg. Ett från Bloomberg fångar hur mycket ESG-information ett företag offentliggör i sina rapporter. Det andra, från kinesiska och internationella ratingbyråer, fångar hur väl företaget faktiskt presterar i praktiken i ESG-frågor. Genom att standardisera och subtrahera dessa poäng bygger forskarna ett index för greenwashing: företag som talar mycket mer än de agerar markeras som sannolika greenwashare.

Att lära en modell känna igen greenwashing-mönster

För att gå bortom enkla medelvärden och tumregler använder författarna en modern maskininlärningsmetod kallad XGBoost, som är särskilt bra på att hitta mönster i komplexa, stökiga data. De matar modellen med 16 olika karaktäristika för varje företag. Dessa inkluderar finansiell hälsa (såsom vinster, skuldsättningsnivåer, tillväxt och storlek), styrningsstruktur (såsom hur koncentrerat ägandet är och hur många styrelseledamöter som sitter i styrelsen) och yttre påtryckningar (såsom hur strikt lokal reglering är, hur intensiv mediebevakningen verkar vara och hur konkurrensutsatt företagets marknad är). Målet är att se om modellen kan förutsäga exakt vilka företag som kommer att greenwasha ett eller två år senare.

Hur väl kan vi förutsäga vem som greenwashar?

Den modell som presterar bäst förlitar sig på företagskarakteristika från föregående år. Den identifierar korrekt omkring 87 % av greenwashing-företagen och skiljer dem från icke-greenwashare mycket bättre än slumpen. Finansiella indikatorer visar sig vara särskilt informativa. Företag med extremt höga eller låga skuldbördor, mycket lätt kortfristig likviditet eller ovanligt höga marknadsvärderingar löper större risk att flaggas som greenwashare. Större och snabbväxande företag är däremot mindre benägna att förutses som greenwashare — möjligen eftersom deras synlighet och långsiktiga utsikter gör vilseledande signaler mer riskfyllda. Styrningsindikatorer spelar också roll: när den största aktieägaren äger en större andel av företaget blir greenwashing mindre sannolikt, men högre andelar bland övervakande insiders är förknippade med mer greenwashing.

Att öppna den svarta lådan i artificiell intelligens

En vanlig oro kring maskininlärning är att den kan vara korrekt men ogenomskinlig. För att hantera detta använder studien en teknik kallad SHAP, som gör det möjligt för forskarna att dekomponera varje prediktion i bidrag från enskilda egenskaper. I praktiska termer innebär detta att de kan säga inte bara att ett visst företag sannolikt greenwashar, utan också att exempelvis dess ovanligt höga kassalikviditet och låga ägarkoncentration var nyckelorsaker. Analysen bekräftar att finansiella indikatorer, särskilt kassalikviditet, principal-agentkostnader och hur ägandet är fördelat, har större betydelse än styrningsstorlek eller styrelsens sammansättning. Modellen fungerar fortfarande väl när ESG-prestation mäts av alternativa ratingleverantörer och till och med när den appliceras på företag noterade i Hongkong, vilket tyder på att angreppssättet är robust över olika ratingsystem och rapporteringsmiljöer.

Vad detta betyder för investerare och tillsynsmyndigheter

I vardagstermer visar studien att det är möjligt att bygga ett pålitligt tidigt varningssystem för ESG-greenwashing med information som redan finns brett tillgänglig i finansiella databaser. Genom att kombinera flera ESG-bedömningar med rik företagsdata och en tolkbar maskininlärningsmodell kan tillsynsmyndigheter rikta sin granskning mer effektivt, investerare undvika blanka men glänsande ESG-berättelser och företag utsättas för starkare press att backa upp sina påståenden med verkliga åtgärder. Även om arbetet fokuserar på Kina erbjuder den grundläggande metoden — jämför vad företag säger med vad de gör och låt transparenta algoritmer lära sig mönstren — en mall för att rensa upp i ESG-påståenden på marknader runt om i världen.

Citering: 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

Nyckelord: ESG-greenwashing, hållbart investerande, maskininlärning, företagsstyrning, finansiell rapportering