ランダムフォレストによるESGパフォーマンスと企業価値予測——中国A株上場企業の実証研究
ESG Performance and Firm Value Prediction Using Random Forest -- Empirical Evidence from A-share Listed Companies (原題)
Shi-Hong Wei, Kai-Ming Tan
🤖 gxceed AI 要約
日本語
中国A株上場企業の財務・ガバナンス指標から高ESG企業を予測する二値分類モデルを構築。2014〜2020年で学習し2021〜2022年で検証した結果、ランダムフォレストが正解率0.6734・F1 0.6186・ROC-AUC 0.7824でロジスティック回帰を上回った。機械学習がESG評価の識別と持続可能投資の意思決定支援に有効であることを示す。
English
This study builds a binary classifier predicting high-ESG Chinese A-share firms from financial and governance indicators (2014-2022). Random Forest outperformed Logistic Regression with accuracy 0.6734, F1 0.6186, and ROC-AUC 0.7824. It shows machine learning can support ESG performance identification and sustainable-investment decisions.
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
中国市場のESG評価予測は、日本企業のSSBJ・有報開示やESG格付対応を考える上で、データ駆動型の評価手法の応用例として参考になる。特に投資家・格付機関が財務指標からESGを推定する動きは、日本企業の開示戦略にも示唆を与える。
In the global GX context
This paper sits at the AI×ESG intersection, showing how ML can predict ESG performance from financial data—relevant to global disclosure scholarship as rating agencies and investors increasingly use quantitative models. It complements TCFD/ISSB work by demonstrating predictive analytics on ESG ratings, though limited to Chinese A-shares.
👥 読者別の含意
🔬研究者:機械学習によるESG評価予測の実証例として、特徴量設計や時系列ラグの扱いが参考になる。
🏢実務担当者:財務・ガバナンス指標から自社のESG格付を予測し、開示・改善の優先順位付けに活用できる可能性がある。
🏛政策担当者:ESG評価の透明性やデータ駆動型格付の限界を理解する上で、規制・監督の参考になる。
📄 Abstract（原文）
With the increasing importance of ESG disclosure in capital markets, identifying firms with strong ESG performance has become valuable for investors, creditors, and regulators. This study aims to predict high ESG performance among Chinese A-share listed companies using firm-level financial and governance indicators. Based on panel data from 2014 to 2022, this paper constructs a binary classification task in which firms with ESG ratings of 5 or above are classified as high-ESG firms. Logistic Regression and Random Forest are employed for machine learning modeling, and lagged ESG and financial variables are added to capture firm-level temporal characteristics. The models are trained on data from 2014 to 2020 and tested on data from 2021 to 2022. The results show that Random Forest achieves the best performance, with an accuracy of 0.6734, F1-score of 0.6186, and ROC-AUC of 0.7824, outperforming Logistic Regression. The findings indicate that machine learning can effectively support ESG performance identification and provide useful decision-making evidence for sustainable investment and corporate governance evaluation.
🔗 Provenance — このレコードを発見したソース
- semanticscholar https://doi.org/10.1145/3838938.3838997first seen 2026-10-12 05:26:14
🔔 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。