Machine Learning Prediction of Environmental, Social and Governance Reporting Quality: A Global Cross‐Sectional Analysis

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

🔬研究者:ML手法の優位性とSHAPによる解釈可能性を確認し、ESG開示研究に新たな方法論的基盤を提供する。

🏢実務担当者:自社のESG報告品質をグローバルベンチマークと比較し、ガバナンス指標の改善点を特定するのに役立つ。

🏛政策担当者:開示品質予測モデルを規制監視ツールとして活用し、グリーンウォッシングリスクの高い企業を特定する手法として注目すべき。

ステークホルダーからの圧力が高まり、世界各国の規制環境が断片化する時代において、環境・社会・ガバナンス（ESG）報告の質は、企業評価、投資スクリーニング、規制監督の基盤となっている。本研究では、機械学習（ML）手法を用いて、世界規模での報告の質を予測し、先進国と新興国、および大陸法と英米法の法域における開示の質の決定要因がどのように異なるかを検討する。2022会計年度における50か国・5000社の上場企業の横断面サンプルを用いて、財務業績指標、コーポレート・ガバナンス指標、制度特性を予測変数として、Random ForestモデルとXGBoostモデルをパネル回帰ベンチマークとともに開発・評価する。本研究の主たる貢献は方法論的なものである：著者らは、ML手法が、世界規模でのESG開示決定を特徴づける非線形かつ高次元の相互作用を捉えることにより、従来の計量経済学的手法と比較して優れた予測力を発揮することを実証する——この能力は、従来の最小二乗法や固定効果回帰では構造的に再現できないものである。本研究は、シグナリング理論、正当性理論、エージェンシー理論を統合し、多様な制度的環境における企業の開示動機を説明する。結果は、特にエージェンシー理論が、取締役会の規模と取締役会の独立性が一貫して強い予測因子として浮上する理由を解明することを示している。独立したモニタリングが情報の非対称性を低減し、経営陣に透明な持続可能性開示へのコミットメントを促すからである。結果はML手法の優位性を確認し、XGBoostはパネル回帰の0.62に対してテストR²が0.78を達成した。SHapley Additive exPlanations（SHAP）分析は、企業規模、ガバナンス・スコア、取締役会の独立性を最も重要な予測因子として特定する。取締役会の独立性は閾値効果を示す：ESGの質の向上は、独立取締役が約65%～70%を超えると頭打ちになる。本研究は、ガバナンス指標プロファイリングを通じてグリーンウォッシングの高リスク企業を特定しようとする投資家や規制当局、および自組織の報告の質を世界の同業他社とベンチマークしようとするサステナビリティ担当役員に対して、実践的な洞察を提供する。

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。

In an era of growing stakeholder pressure and regulatory fragmentation across global jurisdictions, the quality of environmental, social and governance (ESG) reporting has become foundational to corporate valuation, investment screening and regulatory oversight. This study uses machine learning (ML) techniques to predict global reporting quality and examine how the determinants differ in disclosure quality in developed and emerging economies as well as civil and common law jurisdictions. Drawing on a cross‐sectional sample of 5000 publicly listed companies across 50 countries for the fiscal year 2022, we develop and evaluate Random Forest and XGBoost models alongside a panel regression benchmark, using financial performance metrics, corporate governance indicators and institutional characteristics as predictors. The primary contribution of this study is methodological: The authors demonstrate that ML techniques deliver superior predictive power compared to traditional econometric approaches by capturing the non‐linear, high‐dimensional interactions that characterise ESG disclosure decisions globally—a capacity that conventional ordinary least squares and fixed‐effects regressions structurally cannot replicate. The study integrates signalling theory, legitimacy theory and agency theory to explain corporate disclosure motivations across diverse institutional settings. The results show that agency theory, in particular, illuminates why board size and board independence consistently emerge as strong predictors, since independent monitoring reduces information asymmetry and incentivises management to commit to transparent sustainability disclosures. Results confirm the superiority of ML techniques, with XGBoost achieving a test R 2 of 0.78 compared to 0.62 for panel regression. SHapley Additive exPlanations (SHAP) analysis identifies firm size, governance score and board independence as the most consequential predictors. Board independence exhibits a threshold effect: ESG quality gains plateau beyond approximately 65%–70% independent directors. The study offers actionable insights for investors and regulators seeking to identify firms at high risk of greenwashing through governance‐marker profiling and sustainability officers benchmarking their organisations' reporting quality against global peers.

• semanticscholar https://doi.org/10.1002/csr.70732first seen 2026-06-10 05:20:28 · last seen 2026-07-25 05:54:37
• openaire https://doi.org/10.1002/csr.70732first seen 2026-08-04 04:50:32 · last seen 2026-08-11 04:30:40