DOI: https://doi.org/10.3389/frai.2025.1566197
PMID: https://pubmed.ncbi.nlm.nih.gov/40115117
تاريخ النشر: 2025-03-06
المؤلف: Paolo Giudici وآخرون
الموضوع الرئيسي: التمويل المستدام والسندات الخضراء
نظرة عامة
تتناول ورقة البحث استدامة الذكاء الاصطناعي (AI) فيما يتعلق بعوامل البيئة والمجتمع والحوكمة (ESG)، مع التركيز بشكل خاص على تأثيرها على تصنيفات الائتمان – وهو تطبيق مهم للذكاء الاصطناعي في المالية. يقترح المؤلفون عدة نماذج تعلم آلي تهدف إلى قياس هذا التأثير ويقدمون مجموعة من المقاييس المصممة لتعزيز فعالية النماذج. تسلط الدراسة الضوء على الإمكانية التي تتيحها قرارات التعلم الآلي المدفوعة بالذكاء الاصطناعي لتكون أكثر استدامة من خلال دمج اعتبارات ESG.
في الاستنتاجات، يؤكد المؤلفون صحة نموذجهم المقترح، المدعوم بأسس نظرية ونتائج تجريبية. يؤكدون فرضيتين رئيسيتين: (i) إمكانية تطوير نماذج تعلم آلي تقيم العلاقة بين درجات ESG وتصنيفات الائتمان، و(ii) القدرة على إنشاء نماذج تكون مستدامة ودقيقة وعادلة وقابلة للتفسير (S.A.F.E.). يتماشى النموذج مع أطر حوكمة الذكاء الاصطناعي الحالية، مثل إطار إدارة مخاطر الذكاء الاصطناعي الأمريكي NIST وقانون الذكاء الاصطناعي الأوروبي، مما يسهل مراقبة وتخفيف المخاطر المتعلقة بالذكاء الاصطناعي في تطبيقات تصنيف الائتمان. تشمل نقاط القوة الملحوظة في الاقتراح نمذجة التأثيرات غير الخطية لعوامل ESG واستخدام مجموعة متسقة من مقاييس S.A.F.E. للتقييم. ومع ذلك، يعترف المؤلفون بوجود قيد في مقاييسهم الحالية، التي تم تصميمها للمتغيرات الاستجابية أحادية البعد، مما يشير إلى أن الأبحاث المستقبلية يجب أن توسع هذا النهج لاستيعاب استجابات أكثر تعقيدًا ومتعددة الأبعاد.
مقدمة
تناقش مقدمة الورقة الطبيعة المزدوجة لتطبيقات الذكاء الاصطناعي (AI)، مع تسليط الضوء على إمكاناتها في تعزيز الكفاءة بينما تطرح أيضًا مخاطر على الأفراد والمجتمع والبيئة. تؤكد على القلق المتزايد بشأن استدامة الذكاء الاصطناعي، خاصة في القطاع المالي حيث يتم استخدام الذكاء الاصطناعي بشكل متزايد لتحديد تصنيفات الائتمان. يشير المؤلفون إلى أنه بينما ينبغي أن تتضمن تصنيفات الائتمان عوامل البيئة والمجتمع والحوكمة (ESG) بشكل مثالي، فإن الأدلة التجريبية الحالية غير حاسمة. تشمل التحديات التأثير غير الواضح لعوامل ESG على تصنيفات الائتمان على المدى القصير، والطبيعة غير الخطية لهذه العلاقات، ونقص التوحيد القياسي بين تصنيفات ESG من مزودين مختلفين.
لمعالجة هذه القضايا، يقترح المؤلفون استخدام نماذج تعلم آلي جماعية يمكن أن تلتقط بفعالية العلاقات غير الخطية بين درجات ESG وتصنيفات الائتمان بينما تقوم أيضًا بمتوسط النتائج من نماذج مختلفة لتخفيف مشكلات التوحيد القياسي. يعترفون بالعيوب المحتملة للتعلم الآلي، مثل نقص القابلية للتفسير والصلابة، ويشيرون إلى إطار التعلم الآلي SAFE كوسيلة لتعزيز هذه الجوانب. تهدف الورقة إلى استكشاف هذه العلاقات بشكل أعمق، مع تفصيل الأقسام اللاحقة الخلفيات النظرية، ومراجعات الأدبيات، والمنهجية، وتطبيقات نهجهم المقترح. يتم التأكيد على أهمية مقاييس ESG، حيث من المتوقع أن تؤثر بشكل متزايد على قرارات الاستثمار والتمويل المؤسسي، مما يجعل تأثيرها على الجدارة الائتمانية مجالًا حاسمًا للدراسة.
طرق
في هذا القسم، يحدد المنهج تطوير نماذج تعلم آلي مصممة لاستكشاف العلاقة بين درجات البيئة والمجتمع والحوكمة (ESG) وتصنيفات الائتمان. الهدف الأساسي هو تقييم هذه النماذج بناءً على أربعة معايير: الاستدامة، الدقة، العدالة، والقابلية للتفسير (S.A.F.E.). لتحقيق ذلك، يقترح المؤلفون استخدام أربع تقنيات تعلم آلي جماعية – الغابة العشوائية، تعزيز التدرج، التكديس، ونماذج التصويت – كل منها يعتبر مناسبًا نظرًا لأن درجات ESG مشتقة من مجموعة من المؤشرات المختلفة.
بعد ذلك، سيتفصيل القسم مقاييس S.A.F.E. المستخدمة لمقارنة النماذج، إلى جانب حزمة البرمجيات ذات الصلة المستخدمة للتنفيذ. يهدف هذا النهج المنظم إلى تقديم تقييم شامل لأداء النماذج فيما يتعلق بالمعايير المحددة، وبالتالي المساهمة في فهم درجات ESG في سياق تصنيفات الائتمان.
نتائج
في هذا القسم، يوضح المؤلفون إعداد البيانات والنتائج التجريبية من تطبيقهم لنماذج التعلم الآلي ومقاييس S.A.F.E. تم إجراء معالجة مسبقة شاملة، والتي تضمنت استخراج درجات البيئة والمجتمع والحوكمة (ESG) والمؤشرات المالية كمتغيرات تفسيرية، بينما كانت تصنيفات الائتمان تعمل كمتغير استجابة. خضعت المتغيرات الفئوية لترميز one-hot لتسهيل تفسير النموذج، وتم توحيد المتغيرات العددية لتخفيف التباينات في المقياس.
استخدمت الدراسة بيانات من عام 2020 للتنبؤ بتصنيفات الائتمان لعام 2021، وجمعت بيانات من عام 2020 و2021 للتنبؤ بتصنيفات عام 2022. كان الهدف من هذا النهج هو تقييم ما إذا كان دمج نقاط زمنية متعددة يمكن أن يحسن الدقة التنبؤية لتصنيفات عام 2022. علاوة على ذلك، استكشف المؤلفون استخدام بيانات عام 2020 فقط للتنبؤ بتصنيفات عام 2022، مما يوسع أفق التنبؤ لتقييم فعالية البيانات التاريخية في التنبؤ بتصنيفات الائتمان قبل عامين.
مناقشة
تسلط قسم المناقشة في ورقة البحث الضوء على المجال الناشئ للذكاء الاصطناعي المستدام (AI) وآثاره على معالجة التحديات الاجتماعية والبيئية. تشير إلى عدة دراسات تؤكد على قدرة الذكاء الاصطناعي في تعزيز الكفاءة في استخدام الموارد ودعم الحوكمة البيئية من خلال تحسين صياغة السياسات وتنفيذها. من الجدير بالذكر، أن Vinuesa وآخرون (2020) يحددون أنه بينما يمكن للذكاء الاصطناعي تسهيل تحقيق العديد من أهداف التنمية المستدامة (SDGs)، فإنه قد يعيق أيضًا التقدم في أهداف أخرى، مما يبرز الحاجة إلى أطر تنظيمية لضمان تطوير الذكاء الاصطناعي بشكل أخلاقي وشفاف.
بالإضافة إلى ذلك، يناقش القسم دور التعلم الآلي (ML) في التخفيف من آثار تغير المناخ، كما أوضح Rolnick وآخرون (2022)، وأهمية التعاون متعدد التخصصات لمواجهة الاحتباس الحراري. يستكشف Alzoubi وMishra (2024) المزيد من التحديات المتعلقة باستهلاك الطاقة المرتبط بتقنيات الذكاء الاصطناعي، مصنفين مبادرات الذكاء الاصطناعي الخضراء المختلفة التي تهدف إلى تعزيز الاستدامة. تختتم المناقشة بتحديد فرضيات البحث التي تفترض وجود علاقة إيجابية بين عوامل ESG وتصنيفات الائتمان، جنبًا إلى جنب مع تطوير نماذج التعلم الآلي التي تم تقييمها من خلال إطار S.A.F.E. المستدام والدقيق والعادل والقابل للتفسير، والذي يهدف إلى تعزيز موثوقية مخرجات الذكاء الاصطناعي.
القيود
القيود الرئيسية لهذه الدراسة هي أن مقاييس S.A.F.E. المقترحة مصممة خصيصًا لنماذج الذكاء الاصطناعي التي تتعامل مع الاستجابات أحادية البعد التي تكون إما عددية أو ترتيبية أو ثنائية. قد يحد هذا القيد من قابلية تطبيق المقاييس في سيناريوهات أكثر تعقيدًا.
يجب أن تركز الأبحاث المستقبلية على توسيع هذه المقاييس لاستيعاب الاستجابات متعددة الأبعاد واستكشاف قابليتها للتطبيق على البيانات غير الجدولية، وخاصة المخرجات الناتجة عن نماذج اللغة الكبيرة. يمكن أن تعزز هذه التطورات من صلابة ومرونة مقاييس S.A.F.E. في تقييم مجموعة أوسع من نماذج الذكاء الاصطناعي.
DOI: https://doi.org/10.3389/frai.2025.1566197
PMID: https://pubmed.ncbi.nlm.nih.gov/40115117
Publication Date: 2025-03-06
Author(s): Paolo Giudici et al.
Primary Topic: Sustainable Finance and Green Bonds
Overview
The research paper addresses the sustainability of artificial intelligence (AI) in relation to Environmental, Social, and Governance (ESG) factors, specifically focusing on their impact on credit ratings—a significant application of AI in finance. The authors propose several machine learning models aimed at quantifying this impact and introduce a set of metrics designed to enhance the models’ effectiveness. The study highlights the potential for machine learning and AI-driven decisions to be more sustainable by integrating ESG considerations.
In the conclusions, the authors assert the validity of their proposed model, supported by both theoretical foundations and empirical results. They confirm two key hypotheses: (i) the feasibility of developing machine learning models that assess the relationship between ESG scores and credit ratings, and (ii) the ability to create models that are sustainable, accurate, fair, and explainable (S.A.F.E.). The model aligns with existing AI governance frameworks, such as the American NIST AI Risk Management Framework and the European Artificial Intelligence Act, facilitating the monitoring and mitigation of AI-related risks in credit rating applications. Notable strengths of the proposal include the modeling of nonlinear effects of ESG factors and the use of a consistent set of S.A.F.E. metrics for evaluation. However, the authors acknowledge a limitation in their current metrics, which are designed for unidimensional tabular response variables, suggesting that future research should extend this approach to accommodate more complex, multidimensional responses.
Introduction
The introduction of the paper discusses the dual nature of artificial intelligence (AI) applications, highlighting their potential to enhance efficiency while also posing risks to individuals, society, and the environment. It emphasizes the growing concern regarding the sustainability of AI, particularly in the financial sector where AI is increasingly utilized for determining credit ratings. The authors note that while credit ratings should ideally incorporate Environmental, Social, and Governance (ESG) factors, existing empirical evidence is inconclusive. Challenges include the unclear short-term impact of ESG factors on credit ratings, the non-linear nature of these relationships, and the lack of standardization among ESG ratings from different providers.
To address these issues, the authors propose the use of ensemble machine learning models that can effectively capture the non-linear relationships between ESG scores and credit ratings while also averaging results from various models to mitigate standardization issues. They acknowledge the potential drawbacks of machine learning, such as lack of explainability and robustness, and reference the SAFE machine learning framework as a means to enhance these aspects. The paper aims to explore these relationships further, with subsequent sections detailing theoretical backgrounds, literature reviews, methodology, and applications of their proposed approach. The significance of ESG metrics is underscored, as they are expected to increasingly influence investment decisions and corporate financing, making their impact on creditworthiness a critical area of study.
Methods
In this section, the methodology outlines the development of machine learning models designed to explore the relationship between Environmental, Social, and Governance (ESG) scores and credit ratings. The primary objective is to evaluate these models based on four criteria: Sustainability, Accuracy, Fairness, and Explainability (S.A.F.E.). To achieve this, the authors propose utilizing four ensemble machine learning techniques—random forest, gradient boosting, stacking, and voting models—each of which is deemed appropriate given that ESG scores are derived from a combination of various indicators.
Subsequently, the section will detail the S.A.F.E. metrics employed for model comparison, alongside the relevant software package utilized for implementation. This structured approach aims to provide a comprehensive assessment of the models’ performance in relation to the specified criteria, thereby contributing to the understanding of ESG scores in the context of credit ratings.
Results
In this section, the authors detail the data preparation and empirical findings from their application of machine learning models and the S.A.F.E metrics. Extensive preprocessing was conducted, which involved extracting Environmental, Social, and Governance (ESG) scores and financial indicators as explanatory variables, while credit ratings served as the response variable. Categorical variables underwent one-hot encoding to facilitate model interpretation, and numerical variables were standardized to mitigate scale discrepancies.
The study utilized data from 2020 to predict credit ratings for 2021, and combined data from 2020 and 2021 to forecast ratings for 2022. This approach aimed to assess whether the integration of multiple time points could improve predictive accuracy for 2022 ratings. Furthermore, the authors explored the use of 2020 data alone to forecast 2022 ratings, thereby extending the prediction horizon to evaluate the efficacy of historical data in forecasting credit ratings two years ahead.
Discussion
The discussion section of the research paper highlights the emerging field of sustainable artificial intelligence (AI) and its implications for addressing societal and environmental challenges. It references several studies that emphasize AI’s potential to enhance efficiency in resource use and support environmental governance through improved policy formulation and implementation. Notably, Vinuesa et al. (2020) identify that while AI can facilitate the achievement of numerous Sustainable Development Goals (SDGs), it may also impede progress on others, underscoring the need for regulatory frameworks to ensure ethical and transparent AI development.
Additionally, the section discusses the role of machine learning (ML) in climate change mitigation, as outlined by Rolnick et al. (2022), and the importance of multidisciplinary collaboration to tackle global warming. Alzoubi and Mishra (2024) further explore the challenges of energy consumption associated with AI technologies, categorizing various green AI initiatives aimed at promoting sustainability. The discussion culminates in the identification of research hypotheses that posit a positive relationship between ESG factors and credit ratings, alongside the development of machine learning models evaluated through the Sustainable, Accurate, Fair, and Explainable (S.A.F.E.) framework, which aims to enhance the trustworthiness of AI outputs.
Limitations
The primary limitation of this study is that the proposed S.A.F.E. metrics are specifically designed for artificial intelligence models dealing with univariate responses that are either numerical, ordinal, or binary. This restriction may limit the applicability of the metrics in more complex scenarios.
Future research should focus on extending these metrics to accommodate multidimensional responses and exploring their applicability to non-tabular data, particularly outputs generated by large language models. Such advancements could enhance the robustness and versatility of the S.A.F.E. metrics in evaluating a broader range of AI models.