Machine Learning-Based Classification and Feature Analysis of Heterogeneous Environmental Sustainability Disclosure

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

🔬研究者:Provides a reproducible ML methodology for analyzing environmental disclosure heterogeneity and feature importance.

🏢実務担当者:Offers a benchmark for using ML to evaluate and compare corporate environmental disclosure quality, useful for investment screening.

🏛政策担当者:Highlights which disclosure elements (carbon, energy, waste) are most discriminative, informing regulatory focus and standard-setting.

環境サステナビリティに関する情報開示は、気候リスクが激化し、透明性が高く意思決定に有用な情報に対する規制当局や投資家の需要が高まり続ける中で、ますます重要になっている。これは、情報の非対称性を低減し、資本配分、リスク評価、規制監督を支援する上で重要な役割を果たす。しかしながら、従来の研究は主に集計されたESG指標と線形モデルに依存しており、環境データに内在する構造的異質性や非線形関係を捉え損ねることが多い。本研究は、2022年から2024年までの台湾経済新報社（TEJ）の企業データを用いて、機械学習ベースの分析フレームワークを開発し、環境情報開示を調査する。ESGパフォーマンスの上位20%と下位20%の企業を選択する二極化サンプリングデザインを採用し、環境パフォーマンスの高い企業と低い企業の特徴的な開示特性を特定し比較する。5つのモデルが、Accuracy、Precision、Recall、F1-score、AUROCを用いて評価される。結果は、アンサンブルモデルが伝統的なアプローチを上回り、CatBoostが最も堅牢なパフォーマンスを達成することを示す。特徴量重要度分析は、炭素排出、エネルギー効率、廃棄物管理によって支配された集中構造を明らかにし、再生可能エネルギー変数の重要性は時間の経過とともに増加する。これらの発見は、環境情報開示の非線形かつ多次元的な性質を浮き彫りにし、環境サステナビリティ分析、投資意思決定、規制効果を高める上での機械学習の価値を実証する。本研究は単一国のデータセット（台湾）に基づいているため、今後の研究では、外的妥当性を向上させるために、複数国のデータセットを組み込む可能性がある。

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。

Environmental sustainability disclosure has become increasingly critical as climate risks intensify and regulatory and investor demands for transparent, decision-useful information continue to grow. It plays a key role in reducing information asymmetry and supporting capital allocation, risk assessment, and regulatory oversight. However, prior studies predominantly rely on aggregated ESG indicators and linear models, which often fail to capture the structural heterogeneity and nonlinear relationships inherent in environmental data. This study develops a machine learning-based analytical framework to examine environmental disclosure using corporate data from the Taiwan Economic Journal (TEJ) from 2022 to 2024. A polarized sampling design is employed by selecting firms in the top and bottom 20% of ESG performance to identify and compare the distinctive disclosure characteristics of companies with high versus low environmental performance. Five models are evaluated using Accuracy, Precision, Recall, F1-score, and AUROC. The results show that ensemble models outperform traditional approaches, with CatBoost achieving the most robust performance. Feature importance analysis reveals a concentrated structure dominated by carbon emissions, energy efficiency, and waste management, while the importance of renewable energy variables increases over time. These findings highlight the nonlinear and multidimensional nature of environmental disclosure and demonstrate the value of machine learning in enhancing environmental sustainability analysis, investment decision-making, and regulatory effectiveness. As this study is based on a single-country dataset (Taiwan), future research may incorporate cross-country datasets to improve external validity.

• semanticscholar https://www.mdpi.com/2071-1050/18/12/6206/pdf?version=1781619460first seen 2026-06-29 08:35:45 · last seen 2026-08-09 05:55:10