ESGと財務危機: 予測精度における開示品質の役割

Unofficial AI-generated summary based on the public title and abstract. Not an official translation.

🔬研究者:Empirical evidence that disclosure quality moderates the predictive value of ESG for financial distress, reinforcing materiality theory.

🏢実務担当者:Highlights the necessity of consistent ESG reporting to enable reliable early-warning models for credit risk or investment decisions.

🏛政策担当者:Justifies regulations that mandate standardized, auditable ESG disclosure to unlock the financial system's ability to price sustainability risks.

本研究は、環境・社会・ガバナンス（ESG）指標が、従来の会計比率を超えて、多クラス財務危機の予測を改善するかどうかを調査する。スペインと英国の87,225社の非公開企業からなるクロスカントリーデータセットを用いて、多項ロジスティック回帰、ランダムフォレスト、多層パーセプトロンモデルを推定し、各モデルをESG情報の有無で評価する。我々は、ESG指標の予測価値は普遍的ではなく、開示の質に大きく依存することを示す。環境サブディメンションが断片的で欠損値を有するスペインでは、ESG変数は精度、再現率、F1スコアにおいて追加的な改善をもたらさない。対照的に、ESG報告が一貫性があり標準化されている英国では、ESG指標は全モデルにおいて明確かつ系統的な改善をもたらし、最大の改善は危機カテゴリーで観察される。機械学習モデル、特にニューラルネットワークは、多項ロジスティック回帰を上回り、開示が堅牢な場合にESG変数からより多くの予測価値を抽出する。これらの発見は、開示の質がESG情報に意味のある危機予測シグナルが含まれるための必要条件であることを実証し、サステナビリティ指標の財務的重要性に関する新たな実証的証拠を提供する。結果は規制当局と実務者に直接的な示唆を与え、ESGに基づく早期警戒モデルは、比較可能で高品質な非財務報告に裏付けられた場合にのみ有効であることを強調する。

AI 翻訳（deepseek-v4-flash）。 正確を期す場合は下の原文を参照してください。

This study investigates whether environmental, social, and governance (ESG) indicators improve the prediction of multiclass financial distress beyond traditional accounting ratios. Using a cross-country dataset of 87,225 privately held firms from Spain and the United Kingdom, we estimate multinomial logistic regression, random forest, and multilayer perceptron models, each evaluated with and without ESG information. We show that the predictive value of ESG indicators is not universal but seriously dependent on disclosure quality. In Spain, where environmental subdimensions are fragmented and exhibit missingness, ESG variables provide no incremental improvement in precision, recall, or F1‑scores. By contrast, in the United Kingdom, where ESG reporting is consistent and standardized, ESG indicators generate clear and systematic gains across all models, with the largest improvements observed in the distress category.Machine‑learning models, particularly neural networks, outperform multinomial logistic regression and extract more predictive value from ESG variables when disclosure is robust. These findings demonstrate that disclosure quality is a necessary condition for ESG information to contain meaningful distress prediction signals, offering new empirical evidence on the financial materiality of sustainability metrics. The results have direct implications for regulators and practitioners, highlighting that ESG-based early warning models are effective only when supported by comparable and high‑quality non‑financial reporting.

• openaire https://doi.org/10.2139/ssrn.6516488first seen 2026-06-11 05:08:39 · last seen 2026-09-21 04:31:30