中東・北アフリカ地域の銀行は炭素エクスポージャーを価格設定しているか？

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

🔬研究者:Provides empirical evidence on carbon risk pricing in an understudied region and showcases ML methods for ESG analysis.

🏢実務担当者:Highlights that carbon exposure may not affect borrowing costs in MENA, but governance quality matters; useful for risk assessment in emerging markets.

🏛政策担当者:Suggests that regulatory frameworks and governance improvements are needed to integrate climate risk into financial pricing.

この研究は、中東・北アフリカ（MENA）地域において炭素エクスポージャーが企業の借入コストに織り込まれているかを検証するものである。2016年から2023年までの上場非金融企業771社・年のパネルデータを用い、炭素強度と企業の負債コストとの関係を、双方向固定効果推定、操作変数回帰、一般化モーメント法（GMM）、分位点回帰、機械学習手法を組み合わせた包括的な実証フレームワークによって分析する。ベースラインの固定効果結果は、炭素強度が負債コストに対して統計的に有意な影響を及ぼさないことを示している。この結果は、代替的な炭素指標や産業・年次の特定化においても頑健である。ガバナンスの質は、排出エクスポージャーと借入コストとの関係を部分的に調整しており、特にScope 3排出において顕著である。システムGMM推定は、有意なラグ付き従属変数の係数を通じて借入コストの持続性を確認する一方、炭素強度は非有意のままである。機械学習の結果は、 substantialな非線形の予測関係を明らかにしている。Random Forestが最も強いサンプル外パフォーマンスを達成し、XGBoostがそれに続く一方、Artificial Neural Network（ANN）はかなり弱いパフォーマンスを示す。Shapley Additive Explanations（SHAP）分析はさらに、レバレッジと炭素強度が借入コストの最も影響力のある予測因子の一部であることを特定している。全体として、これらの結果は、気候移行リスクがまだMENAの債務市場において体系的に価格付けされておらず、制度構造とガバナンスの質が環境エクスポージャーの資金調達条件への影響を形成していることを示唆している。

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。

ABSTRACT This study examines whether carbon exposure is incorporated into corporate borrowing costs within the Middle East and North Africa (MENA) region. Using a panel of 771 firm‐year observations from publicly listed non‐financial firms between 2016 and 2023, the analysis investigates the relationship between carbon intensity and firms' cost of debt using a comprehensive empirical framework that combines two‐way fixed effects estimation, instrumental‐variable regression, Generalized Method of Moments (GMM), quantile regression, and machine learning techniques. The baseline fixed effects results show that carbon intensity does not exert a statistically significant effect on the cost of debt. This finding remains robust across alternative carbon measures and industry‐year specifications. Governance quality partially moderates the relationship between emissions exposure and borrowing costs, particularly for Scope 3 emissions. System GMM estimation confirms the persistence of borrowing costs through a significant lagged dependent variable coefficient, whereas carbon intensity remains insignificant. Machine learning results reveal substantial nonlinear predictive relationships. Random Forest achieves the strongest out‐of‐sample performance, followed by XGBoost, whereas Artificial Neural Network (ANN) performs considerably weaker. Shapley Additive Explanations (SHAP) analysis further identifies leverage and carbon intensity as among the most influential predictors of borrowing costs. Overall, the findings suggest that climate transition risk is not yet systematically priced into MENA debt markets, with institutional structures and governance quality shaping how environmental exposure influences financing conditions.

• openalex https://doi.org/10.1002/bse.71303first seen 2026-08-08 04:52:00