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
DOI:
https://doi.org/10.24311/jabes/2025.36.1.03Keywords:
ESG risk analysis, XAI, SHAP, ESG investment, Sustainable investmentAbstract
Environmental, Social, and Governance (ESG) factors have become crucial in assessing corporate performance and risks. This study examines the application of explainable artificial intelligence (XAI) to enhance interpretability and improve trustworthiness in ESG risk analysis. By experimenting with ESG data from S&P 500 companies, this study shows that the LightGBM model achieves the highest accuracy, outperforming XGBoost and Random Forest. SHAP value analysis indicates that ESG risks are primarily driven by three key factors: environmental risk, social risk, and governance risk. Additionally, the overall ESG risk level of the company also plays an important role. The findings highlight the potential of XAI models to enhance ESG reporting and compliance while providing valuable insights for investors and policymakers. Furthermore, this study demonstrates the viability of integrating explainable ML/AI approaches into organizational risk management, thereby fostering transparency, accountability, and trust in ESG assessments.
References
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.
Downloads
Published
Issue
Section
License
Copyright (c) 2025 JOURNAL OF ASIAN BUSINESS AND ECONOMIC STUDIES
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
