XGBoostとSHAPに基づく上場企業のESGグリーンウォッシングの解釈可能な予測モデル

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

🔬研究者:Provides a robust, interpretable ML framework for greenwashing prediction with feature importance analysis.

🏢実務担当者:Offers a tool to assess greenwashing risk in portfolio companies or internal disclosures.

🏛政策担当者:Demonstrates feasibility of automated greenwashing detection for regulatory oversight.

上場企業のESGグリーンウォッシングの予測は、企業による欺瞞的なESG情報開示の事前統制と、ESG投資リスクの早期警告にとって極めて重要である。機械学習技術は企業行動の予測に一般的に用いられているが、ESGグリーンウォッシングへの応用は限定的であり、解釈可能性を欠いている。本研究は、拡張されたXGBoostアルゴリズムとSHAP解釈手法を用いた上場企業のESGグリーンウォッシング予測モデルを提案する。2009年から2022年までの中国上場企業のデータセットを用い、企業特性と外部圧力特性の16の指標をモデルの入力変数として選択し、5分割交差検証とグリッドサーチによるパラメータ調整を組み合わせ、2つの企業ESGグリーンウォッシング予測モデルを構築する。予測性能は、Random Forest、SVM、LightGBM、BPニューラルネットワーク、および3つのXGBoost手法と比較される。SHAP手法を用いて、企業のESGグリーンウォッシング予測における主要指標の貢献を説明する。結果は、1期ラグの企業特性モデルが86.82%の予測精度を達成し、企業の財務特性が企業統治特性よりも予測結果に大きな影響を与えることを示している。さらなる分析により、1期ラグの企業特性モデルは、非重汚染産業および国有企業においてより良い性能を発揮することが示されている。補足情報 オンライン版には、10.1038/s41598-026-42004-1で入手可能な補足資料が含まれている。

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。

The prediction of ESG greenwashing among listed companies is crucial for ex-ante control of deceptive ESG information disclosures by companies and for early warning of ESG investment risks. Machine learning techniques are commonly used to predict corporate behavior, but their application in ESG greenwashing is limited and lacks interpretability. This study proposes a predictive model for ESG greenwashing in listed companies using the enhanced XGBoost algorithm and SHAP interpretation method. Using a dataset of Chinese listed companies from 2009 to 2022, this study selects 16 indicators of corporate and external pressure characteristics as the model’s input variables, combines five-fold cross-validation and grid search parameter tuning, and constructs two company ESG greenwashing prediction models. The prediction performance is compared with Random Forest, SVM, LightGBM, BP neural network, and three XGBoost methods. The SHAP method is used to explain the contribution of the main indicators in predicting the company’s ESG greenwashing. The results show that the one-period-lagged corporate characteristics model achieves 86.82% prediction accuracy, and corporate financial characteristics have a greater impact on prediction results than corporate governance characteristics. Further analysis shows that the one-period-lagged corporate characteristics model performs better in non-heavy-pollution industries and state-owned enterprises. Supplementary Information The online version contains supplementary material available at 10.1038/s41598-026-42004-1.

• semanticscholar https://doi.org/10.1038/s41598-026-42004-1first seen 2026-07-18 08:23:22 · last seen 2026-08-06 05:46:32