財務特徴量とランダムフォレストを統合した企業ESG格付予測モデルに関する研究
Research on Enterprise Environmental, Social, and Governance Rating Prediction Model Integrating Financial Features and Random Forest (原題)
Liang-Shun Mo, Yu-Jiang Xie
🤖 gxceed AI 要約
日本語
財務特徴量とランダムフォレスト（RF）を組み合わせ、中国CSIのESG格付データで予測モデルを構築した研究。決定木数300・深さ10等の条件下で精度0.8414、AUC0.8971を達成し、LLR・SVM・XGBoostを上回った。独立取締役比率、グリーン特許数、情報開示違反、ROEが重要特徴量であり、財務特徴量の追加が予測性能を有意に向上させることをアブレーション実験で示した。
English
This study builds an ESG rating prediction model combining financial features with a random forest (RF) algorithm, tested on China's CSI ESG dataset. RF achieved precision 0.8414 and AUC 0.8971, outperforming logistic regression, SVM, and XGBoost. Independent director ratio, green patents, disclosure violations, and ROE were the most important predictors, and ablation confirmed financial features significantly boost performance.
Unofficial AI-generated summary based on the public title and abstract. Not an official translation.
📝 gxceed 編集解説 — Why this matters
日本のGX文脈において
SSBJ基準や有報でのESG開示が進む日本では、ESG格付を財務・非財務データから予測する手法は、投資家対応や格付機関評価の説明責任に直結する。特に独立取締役比率や情報開示違反が重要特徴量である点は、コーポレートガバナンス改革を進める日本企業の開示戦略に示唆を与える。
In the global GX context
As global disclosure frameworks (ISSB, CSRD, SEC climate) expand, ML-based ESG rating prediction offers a way to test which disclosed metrics actually drive ratings. The finding that governance and disclosure-violation features dominate is relevant to the global debate on rating methodology transparency and greenwashing detection.
👥 読者別の含意
🔬研究者:ESG格付予測における財務特徴量の寄与とRFの有効性を定量化したベンチマークを提供する。
🏢実務担当者:開示データと財務指標から自社ESG格付を予測・改善する際の重要指標（独立取締役比率、グリーン特許、開示違反）を把握できる。
🏛政策担当者:ESG格付手法の透明性や、開示違反・ガバナンス指標が格付に与える影響を規制設計に反映する際の参考になる。
📄 Abstract（原文）
This paper briefly introduces the enterprise environmental, social, and governance (ESG) rating and the random forest (RF) model for ESG rating prediction. The China Securities Index (CSI) ESG rating dataset is selected for simulation experiments. During the experiments, the effects of the number of decision trees, maximum tree depth, maximum number of features, and minimum number of samples per node on the RF model are first examined. The RF model is then compared with the linear logistic regression (LLR), Support Vector Machine (SVM), and eXtreme Gradient Boosting (XGBoost) algorithms. Finally, the importance of the feature indicators for predicting the ESG rating is analyzed. Furthermore, ablation experiments and cross‐data generalization control experiments are conducted. The RF model exhibits the best predictive performance, with a precision of 0.8414, a recall of 0.8463, an F ‐score of 0.8442, and an area under the curve (AUC) of 0.8971, when the number of decision trees is 300, the maximum tree depth is 10, the maximum number of features is 6, and the minimum number of samples per node is 3. The RF model has better predictive performance than the LLR, SVM, and XGBoost algorithms. The proportion of independent directors is the most important (218.74), followed by the number of green patents (196.32), information disclosure violations (182.59), and return on net assets (167.81). The results of the ablation experiment show that the RF model incorporating financial features performs significantly superior to the RF model that only uses non‐financial features; the cross‐data generalization control experiment verifies the generalization performance of the RF model.
🔗 Provenance — このレコードを発見したソース
- semanticscholar https://onlinelibrary.wiley.com/doi/pdfdirect/10.1002/eng2.71101first seen 2026-10-16 05:54:59 · last seen 2026-11-06 05:49:28
🔔 こうした論文の新着を逃したくない方は キーワードアラート に登録（無料・3キーワードまで）。
gxceed は公開メタデータに基づく研究支援データセットです。要約・翻訳・解説は AI 支援で生成されています。 最終的な解釈・検証は利用者が原典資料に基づいて行うことを前提とします。