Nghiên cứu ứng dụng mô hình học máy khả diễn XAI trong phân tích rủi ro đầu tư ESG: Thông tin chi tiết từ các doanh nghiệp S&P 500

Anh Hoàng; Thanh Trương Chúc; Mai Lê Thị Tuyết

doi:10.24311/jabes/2025.36.1.03

Các tác giả

Hoàng Anh Đại học Kinh tế Thành phố Hồ Chí Minh Tác giả
Trương Chúc Thanh Đại học Kinh tế Thành phố Hồ Chí Minh Tác giả
Lê Thị Tuyết Mai Trường Đại học Khoa học tự nhiên, Đại học Quốc gia Thành phố Hồ Chí Minh Tác giả

DOI:

https://doi.org/10.24311/jabes/2025.36.1.03

Từ khóa:

Phân tích rủi ro ESG, XAI, SHAP, Đầu tư ESG, Đầu tư bền vững

Tóm tắt

Các yếu tố môi trường, xã hội, và quản trị trở nên quan trọng trong việc đánh giá hiệu suất và rủi ro của doanh nghiệp. Nghiên cứu này khám phá ứng dụng các mô hình học máy khả diễn XAI nhằm cải thiện khả năng diễn giải, tăng độ tin cậy trong phân tích rủi ro ESG. Thực nghiệm dữ liệu ESG của các doanh nghiệp S&P 500 cho thấy, mô hình LightGBM có độ chính xác cao nhất so với XGBoost và Random Forest. Phân tích giá trị SHAP chỉ ra rằng rủi ro ESG bị chi phối chủ yếu bởi ba yếu tố chính: rủi ro môi trường, rủi ro xã hội, và rủi ro quản trị. Ngoài ra, mức độ rủi ro ESG tổng thể của doanh nghiệp cũng đóng vai trò quan trọng. Kết quả nghiên cứu làm nổi bật tiềm năng của các mô hình XAI trong việc tăng cường báo cáo và tuân thủ ESG, đồng thời cung cấp thông tin chi tiết cho các nhà đầu tư và nhà hoạch định chính sách. Hơn nữa, nghiên cứu này minh chứng cho việc tích hợp ML/AI khả diễn vào quy trình quản lý rủi ro của tổ chức, thúc đẩy tính minh bạch, trách nhiệm giải trình, và sự tin tưởng vào các đánh giá ESG.

Tài liệu tham khảo

Assael, J., Carlier, L., & Challet, D. (2023). Dissecting the explanatory power of ESG features on equity returns by sector, capitalization, and year with interpretable machine learning. Journal of Risk and Financial Management, 16(3), 159.

Bùi Minh Tiến, Nguyễn Thị Thủy Tiên, & Đặng Thanh Tùng. (2024). Xu hướng áp dụng ESG và đề xuất cho Tập đoàn Dầu khí Việt Nam. Đặc san Dầu khí - Khoa học, Công nghệ và Đổi mới sáng tạo, 4, 6-16.

Chen, T., & Guestrin, C. (2016). Xgboost: A scalable tree boosting system. In Proceedings of the 22nd acm sigkdd international conference on knowledge discovery and data mining (pp. 785-794). https://doi.org/10.1145/2939672.2939785

Dwivedi, D., Batra, S., & Pathak, Y. K. (2023). A machine learning based approach to identify key drivers for improving corporate’s esg ratings. Journal of Law and Sustainable Development, 11(1), e0242-e0242.

Ernst, D., & Woithe, F. (2024). Impact of the environmental, social, and governance rating on the cost of capital: Evidence from the S&P 500. Journal of Risk and Financial Management, 17(3), 91.

Hồ Thị Hải Ly. (2024). Mối quan hệ giữa thực hiện trách nhiệm xã hội, mức độ nắm giữ tiền mặt, và khả năng tài chính của các doanh nghiệp ở khu vực Châu Á. Tạp chí Kinh tế và Phát triển, 319, 2-12.

Nguyễn Dương Hoa. (2024). Trở ngại với nhà đầu tư khi đánh giá các yếu tố ESG trong doanh nghiệp tại việt nam. Tạp chí Khoa học và Công nghệ Trường Đại học Hùng Vương, 36(3), 26-38.

Nguyễn Minh Phương, Trần Thúy Anh, Bùi Thị Dạ Lý, Trần Bình Minh, & Đinh Phương Hà. (2024). Tác động của công bố thông tin ESG tới khả năng sinh lời của ngân hàng thương mại Việt Nam. Tạp chí Kinh tế và Phát triển, 330, 23-33.

Nguyễn Quốc Huy, & Từ Lãng Phiêu. (2023). Giải thích đặc trưng thẻ tín dụng theo phương pháp lime và shap sau giai đoạn học sâu. Tạp chí Khoa học, 20(10), 1746-1760.

Nguyễn Thị Liên Hương. (2023). Nghiên cứu tác động của phát triển bền vững doanh nghiệp đến chi phí sử dụng vốn tại các doanh nghiệp niêm yết Việt Nam. Luận án Tiến sĩ kinh tế, Trường Đại học Thương mại.

Initiative, G. R. (2021). How to use the GRI Standards. Retrieved from https://www.globalreporting.org/how-to-use-the-gri-standards/gri-standards-english-language

Jain, Y., Gupta, S., Yalciner, S., Joglekar, Y. N., Khetan, P., & Zhang, T. (2023). Overcoming complexity in ESG investing: The role of generative AI integration in identifying contextual ESG factors. Available at SSRN: https://ssrn.com/abstract=4495647 or http://dx.doi.org/10.2139/ssrn.4495647

Ke, G., Meng, Q., Finley, T., Wang, T., Chen, W., Ma, W., ... & Liu, T. Y. (2017). Lightgbm: A highly efficient gradient boosting decision tree. Advances in neural information processing systems, 30. Retrieved from https://proceedings.neurips.cc/paper_files/paper/2017/file/6449f44a102fde848669bdd9eb6b76fa-Paper.pdf

Raza, H., Khan, M. A., Mazliham, M., Alam, M. M., Aman, N., & Abbas, K. (2022). Applying artificial intelligence techniques for predicting the environment, social, and governance (ESG) pillar score based on balance sheet and income statement data: A case of non-financial companies of USA, UK, and Germany. Frontiers in Environmental Science, 10, 975487. https://doi.org/10.3389/fenvs.2022.975487

Rigatti, S. J. (2017). Random forest. Journal of Insurance Medicine, 47(1), 31-39.

Shapley, L. (1953). A Value for n-Person Games. In: Kuhn, H., & Tucker, A. (Eds.), Contributions to the Theory of Games II. Princeton: Princeton University Press (pp.307-317).

https://doi.org/10.1515/9781400881970-018

Tiwari, R. (2023). Explainable ai (xai) and its applications in building trust and understanding in AI decision making. International Journal of Scientific Research in Engineering and Management, 7, 1-13.

Trần Ngọc Hùng. (2023). ESG Trong môi trường bất định Covid-19: Nghiên cứu thực nghiệm tại các doanh nghiệp Việt Nam. Tạp chí Kinh tế và Phát triển, 311(2), 44-53.

Veeramani, H., Thapa, S., & Naseem, U. (2024). Enhancing esg impact type identification through early fusion and multilingual models. arXiv preprint arXiv:2402.10772.

https://doi.org/10.48550/arXiv.2402.10772

Zhang, A. Y., & Zhang, J. H. (2024). Renovation in environmental, social and governance (ESG) research: the application of machine learning. Asian Review of Accounting, 32(4), 554-572.