環境・社会・ガバナンス（ESG）要素を統合した金融リスク予測モデル：系統的レビュー

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

🔬研究者:Provides a comprehensive taxonomy of methodologies (ML, NLP, LLM) and identifies key gaps like emerging market coverage and data inconsistency.

🏢実務担当者:Offers insights on which ML models (ensemble, neural nets) improve credit risk prediction using ESG data, useful for building internal risk models.

🏛政策担当者:Highlights the need for standardized ESG data and consistent ratings to enable effective integration into financial risk models.

本系統的レビューは、財務リスク予測モデルにおける環境・社会・ガバナンス（ESG）要因の組み込みを調査するものであり、特に機械学習（ML）、自然言語処理（NLP）、大規模言語モデル（LLM）に焦点を当てている。系統的レビューおよびメタ分析のための優先報告項目（PRISMA）およびPICOCフレームワークに従い、Scopusデータベースから2009年から2025年3月までの間に発表された74件の査読付き出版物を特定した。エビデンスの二重計上を避けるため、10件の系統的レビューおよび文献レビューを除外した後、64件の実証研究に対して定量分析を実施した。調査結果は、伝統的な計量経済学的手法が引き続き優勢であり（48%）、次いでML戦略（39%）、NLP手法（8%）、その他（5%）であることを示している。ESGの3つの側面すべてに同時に焦点を当てた研究が最も大きなカテゴリーを構成しており（44%）、一方で社会側面のみに焦点を当てた研究は最小限である（5%）。地理的分析により、研究活動は中国（13件）、イタリア（10件）、米国およびインド（各6件）に集中していることが明らかになった。カイ二乗検定では、採用された方法論的アプローチと検討されたESG側面との間に統計的に有意な関係は認められなかった（p = 0.62）。主な調査結果は、MLモデル—特にアンサンブル手法およびニューラルネットワーク—が信用リスクおよびデフォルト確率の文脈において向上した予測精度を示す一方、NLP手法は非構造化ESG開示情報の分析において有意な可能性を明らかにすることを示している。本レビューは、ESGデータの不整合、プロバイダー間での格付けのばらつき、新興市場のカバレッジ不足、およびモデル実装における学術研究と実務適用との間の乖離を含む、継続的な課題を浮き彫りにした。

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 systematic review explores the incorporation of Environmental, Social, and Governance (ESG) factors within financial risk prediction models, with a particular focus on Machine Learning (ML), Natural Language Processing (NLP), and Large Language Models (LLM). Adhering to the Preferred Reporting Items for Systematic Reviews and the Meta-Analyses (PRISMA) and PICOC frameworks, we identified 74 peer-reviewed publications disseminated between 2009 and March 2025 from the Scopus database. After excluding 10 systematic and literature reviews to avoid double-counting of evidence, we conducted quantitative analysis on 64 empirical studies. The findings indicate that traditional econometric methodologies continue to prevail (48%), followed by ML strategies (39%), NLP methodologies (8%), and Other (5%). Research that concurrently focuses on all three dimensions of ESG constitutes the most substantial category (44%), whereas the Social dimension, in isolation, receives minimal focus (5%). A geographic analysis reveals a concentration of research activity in China (13 studies), Italy (10), and the United States and India (6 each). Chi-square tests reveal no statistically significant relationship between the methodological approaches employed and the ESG dimensions examined (p = 0.62). The principal findings indicate that ML models—particularly ensemble methodologies and neural networks—exhibit enhanced predictive accuracy in the context of credit risk and default probability, whereas NLP methodologies reveal significant potential for the analysis of unstructured ESG disclosures. The review highlighted ongoing challenges, including inconsistencies in ESG data, variability in ratings across different providers, insufficient coverage of emerging markets, and the disparity between academic research and practical application in model implementation.

• semanticscholar https://www.mdpi.com/2227-7072/14/2/31/pdf?version=1770081655first seen 2026-07-18 08:26:35 · last seen 2026-07-30 06:21:50