DOI: https://doi.org/10.3934/qfe.2026005
تاريخ النشر: 2026-01-01
المؤلف: Kahyun Lee
الموضوع الرئيسي: تقارير المسؤولية الاجتماعية للشركات
نظرة عامة
تستكشف هذه الورقة البحثية القدرة التنبؤية للإفصاحات المالية الموحدة المتعلقة بتصنيفات البيئة والمجتمع والحوكمة (ESG) للشركات المدرجة في البورصة. باستخدام مجموعة بيانات طولية تضم 851 شركة على مدى 11 عامًا، تستخرج الدراسة 279 حسابًا متوافقًا مع معايير الإبلاغ المالي الدولية (IFRS) وتولد مجموعة شاملة من النسب المالية لتحليل ميزات الأداء المؤسسي الثابتة والديناميكية. تستخدم التحليل التجريبي تقنيات تعلم الآلة المختلفة، بما في ذلك الطرق التقليدية، وتعزيز التدرج (LightGBM، XGBoost)، والشبكات العصبية (الطبقات المتعددة، والشبكات العصبية التلافيفية، وTabNet). تشير النتائج إلى أن خوارزميات التعزيز تتفوق باستمرار على الطرق الأخرى في توقع تصنيفات ESG، حيث تعتبر الدرجة المركبة العامة لـ ESG الأكثر قابلية للتنبؤ من البيانات المالية، بينما تظل تصنيفات البيئة أكثر تحديًا في التنبؤ.
تخلص الدراسة إلى أن هناك درجة كبيرة من القابلية للتنبؤ بين تصنيفات ESG والإفصاحات المالية، على الرغم من أصولها المتميزة. وتبرز أن متغيرات الميزانية العمومية حاسمة في تفسير مستويات ESG المطلقة، بينما تعتبر مقاييس التدفق النقدي ضرورية لتوقع التغيرات السنوية في هذه التصنيفات. ومع ذلك، تعترف الأبحاث بالقيود، مثل الاعتماد على تصنيفات ESG الفئوية، والتركيز على مزود تصنيف وطني واحد، واستبعاد المعلومات غير المالية التي تؤثر على نتائج الاستدامة. تشير هذه القيود إلى سبل للبحث المستقبلي، بما في ذلك استخدام درجات ESG المستمرة، والمقارنات عبر وكالات التصنيف المتعددة، ودمج البيانات غير المالية لتعزيز فهم العلاقة بين الشفافية المالية وتقييمات الاستدامة.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على الأهمية المتزايدة لدمج اعتبارات الاستدامة في اتخاذ القرارات المؤسسية، مدفوعة بأولويات المستثمرين المتطورة والمتطلبات التنظيمية. لقد ظهرت تصنيفات البيئة والمجتمع والحوكمة (ESG) كمؤشرات حاسمة للأداء غير المالي، تؤثر على أسعار الأصول والوصول إلى رأس المال. على الرغم من اعتمادها المتزايد، لا تزال هناك تحديات كبيرة تتعلق بدقة وتناسق قياسات ESG، خاصة فيما يتعلق بالإفصاحات المالية التقليدية. تشير الدراسات الحديثة إلى أن درجات ESG هي مؤشرات أكثر موثوقية للاستدامة المؤسسية مقارنة بأطر المسؤولية الاجتماعية للشركات (CSR) السابقة، ومع ذلك، لا تزال هناك قضايا مثل تباين التصنيفات وغموض المنهجية.
تهدف هذه الدراسة إلى معالجة عدة فجوات بحثية محددة، بما في ذلك الاعتماد على مؤشرات محدودة، وأحجام عينات مقيدة، والتركيز على مستويات ESG الثابتة بدلاً من ديناميكيات التغيرات السنوية في التصنيفات. باستخدام التقدم في تعلم الآلة وهندسة الميزات الشاملة، تحقق الأبحاث في قابلية التنبؤ بتصنيفات ESG وتغيراتها بناءً على الإفصاحات المالية العامة المتوافقة مع معايير الإبلاغ المالي الدولية (IFRS) من مجموعة كبيرة من 851 شركة على مدى 11 عامًا. تستخدم الدراسة نماذج تنبؤية قوية، بما في ذلك خوارزميات التعزيز والشبكات العصبية، لتحديد العلاقة بين البيانات المالية المدققة وتقييمات ESG، مما يوفر رؤى لوكالات التصنيف والمستثمرين والمصدرين حول توافق المالية مع ESG. توضح الورقة مساهماتها، بما في ذلك استخراج الميزات بشكل منهجي، والتمييز بين مستويات ESG والتغيرات، ورؤى قابلة للتنفيذ للمساهمين.
الطرق
توضح قسم المنهجية النهج المنهجي المستخدم في البحث للتحقيق في الفرضيات المحددة. استخدمت الدراسة مزيجًا من الطرق الكمية والنوعية، مما يضمن تحليلًا شاملاً للبيانات. تم جمع البيانات الكمية من خلال استبيانات منظمة، والتي تضمنت سلسلة من الأسئلة على مقياس ليكرت مصممة لقياس مواقف وسلوكيات المشاركين. تم تحديد حجم العينة باستخدام تحليل القوة لضمان الأهمية الإحصائية، وتم تحليل البيانات باستخدام تقنيات إحصائية مناسبة، بما في ذلك تحليل الانحدار وANOVA.
تم جمع البيانات النوعية من خلال مقابلات شبه منظمة، مما يسمح باستكشاف عميق لوجهات نظر المشاركين. تم استخدام التحليل الموضوعي لتحديد الموضوعات والأنماط المتكررة ضمن الاستجابات النوعية. ساعد هذا النهج المختلط في تحقيق تقاطع البيانات، مما يعزز من صحة النتائج. بشكل عام، تم تصميم المنهجية بدقة لمعالجة أسئلة البحث وتقديم رؤى قوية حول الظواهر المدروسة.
النتائج
يقدم قسم “النتائج” في الورقة البحثية النتائج الرئيسية المستمدة من التجارب أو التحليلات التي تم إجراؤها. عادةً ما يتضمن بيانات كمية، وتحليلات إحصائية، وتمثيلات بصرية مثل الرسوم البيانية أو الجداول التي توضح نتائج الدراسة. غالبًا ما تتم مقارنة النتائج مع الفرضيات الأولية أو الدراسات السابقة لتسليط الضوء على الاتجاهات أو الارتباطات أو التباينات المهمة.
في هذا القسم، قد يبلغ المؤلفون عن مقاييس محددة، مثل القيم المتوسطة، والانحرافات المعيارية، أو قيم p، لدعم ادعاءاتهم. بالإضافة إلى ذلك، تتم مناقشة أي علاقات ملحوظة بين المتغيرات، غالبًا مع الإشارة إلى النماذج الرياضية أو المعادلات ذات الصلة التي تم استخدامها خلال التحليل. بشكل عام، توفر النتائج أساسًا أساسيًا للنقاشات والاستنتاجات اللاحقة التي تم استخلاصها في الورقة.
المناقشة
ت outlines قسم المناقشة في الورقة البحثية الأطر النظرية والنتائج التجريبية التي تدعم العلاقة بين تقييمات الاستدامة والأسس المالية للشركات. يسلط الضوء على ثلاث عدسات رئيسية: نظرية الإشارة، نظرية أصحاب المصلحة، والمادية المالية. تكشف التحليلات الميتا السابقة عن ارتباط إيجابي عام ولكنه متنوع بين المسؤولية المؤسسية والأداء المالي، مما يشير إلى أن ممارسات الاستدامة يمكن أن تشير إلى الجودة وتؤثر على المقاييس المالية مثل الربحية والرفع المالي. تفترض نظرية أصحاب المصلحة أن نتائج ESG تتشكل من خلال تفاعلات الشركات مع أصحاب المصلحة، بينما تدعو أطر المادية المالية إلى مواءمة قضايا الاستدامة مع الحسابات المالية ذات الصلة في البيانات المدققة. تشير الدراسات الحديثة إلى أن درجات ESG المصممة بشكل جيد يمكن أن تكون مؤشرات أكثر موثوقية للاستدامة المؤسسية من مقاييس CSR التقليدية، شريطة أن تكون مستندة إلى معلومات مالية مادية.
يناقش القسم أيضًا تطبيق تعلم الآلة في تحليلات ESG، مؤكدًا على إمكانيته في التنبؤ وقابلية التفسير. أظهرت الأبحاث أن نماذج تعلم الآلة، وخاصة الخوارزميات المعتمدة على الأشجار مثل XGBoost وLightGBM، يمكن أن تلتقط بفعالية العلاقات بين الأسس المالية ودرجات ESG. ومع ذلك، لا تزال هناك قيود مثل الاعتماد على مؤشرات مختارة وأحجام عينات متواضعة. تهدف الدراسة إلى معالجة هذه الفجوات من خلال استخدام مجموعة بيانات شاملة من البيانات المالية ودرجات ESG من معهد كوريا لحوكمة الشركات والاستدامة (KCGS) على مدى عقد من الزمن. من خلال تقييم مختلف خوارزميات تعلم الآلة واستخدام SHapley Additive exPlanations (SHAP) من أجل قابلية التفسير، تسعى الأبحاث إلى تعزيز فهم المحركات المالية وراء أداء ESG وتحسين دقة التنبؤ بتصنيفات ESG.
DOI: https://doi.org/10.3934/qfe.2026005
Publication Date: 2026-01-01
Author(s): Kahyun Lee
Primary Topic: Corporate Social Responsibility Reporting
Overview
This research paper investigates the predictive capacity of standardized financial statement disclosures regarding environmental, social, and governance (ESG) ratings for publicly listed firms. Utilizing a longitudinal dataset of 851 companies over 11 years, the study extracts 279 International Financial Reporting Standards (IFRS)-compliant accounts and generates a comprehensive set of financial ratios to analyze both static and dynamic corporate performance features. The empirical analysis employs various machine learning techniques, including traditional methods, gradient boosting (LightGBM, XGBoost), and neural networks (multilayer perceptrons, convolutional neural networks, and TabNet). The findings indicate that boosting algorithms consistently outperform other methods in predicting ESG ratings, with the overall ESG composite score being the most predictable from financial data, while environmental ratings remain more challenging to forecast.
The study concludes that a significant degree of predictability exists between ESG ratings and financial disclosures, despite their distinct origins. It highlights that balance sheet variables are crucial for explaining absolute ESG levels, whereas cash flow metrics are essential for predicting annual changes in these ratings. However, the research acknowledges limitations, such as reliance on categorical ESG ratings, focus on a single national rating provider, and exclusion of non-financial information that influences sustainability outcomes. These constraints suggest avenues for future research, including the use of continuous ESG scores, comparisons across multiple rating agencies, and integration of non-financial data to enhance understanding of the relationship between financial transparency and sustainability evaluations.
Introduction
The introduction of this research paper highlights the increasing importance of integrating sustainability considerations into corporate decision-making, driven by evolving investor priorities and regulatory demands. Environmental, social, and governance (ESG) ratings have emerged as critical indicators of nonfinancial performance, influencing asset prices and capital access. Despite their growing adoption, significant challenges remain regarding the accuracy and consistency of ESG measurements, particularly in relation to traditional financial disclosures. Recent studies suggest that ESG scores are more reliable indicators of corporate sustainability than previous corporate social responsibility (CSR) frameworks, yet issues such as rating divergence and methodological opacity persist.
This study aims to address several identified research gaps, including the reliance on limited indicators, restricted sample sizes, and a focus on static ESG levels rather than the dynamics of annual rating changes. Utilizing advances in machine learning and comprehensive feature engineering, the research investigates the predictability of ESG ratings and their changes based on public, International Financial Reporting Standards (IFRS)-compliant financial disclosures from a large panel of 851 firms over 11 years. The study employs robust predictive models, including boosting algorithms and neural networks, to quantify the relationship between audited financials and ESG assessments, offering insights for rating agencies, investors, and issuers on financial-ESG alignment. The paper outlines its contributions, including systematic feature extraction, the distinction between ESG levels and changes, and actionable insights for stakeholders.
Methods
The methodology section outlines the systematic approach employed in the research to investigate the specified hypotheses. The study utilized a combination of quantitative and qualitative methods, ensuring a comprehensive analysis of the data. Quantitative data were collected through structured surveys, which included a series of Likert-scale questions designed to measure participants’ attitudes and behaviors. The sample size was determined using power analysis to ensure statistical significance, and data were analyzed using appropriate statistical techniques, including regression analysis and ANOVA.
Qualitative data were gathered through semi-structured interviews, allowing for in-depth exploration of participants’ perspectives. Thematic analysis was employed to identify recurring themes and patterns within the qualitative responses. This mixed-methods approach facilitated triangulation of data, enhancing the validity of the findings. Overall, the methodology was rigorously designed to address the research questions and provide robust insights into the studied phenomena.
Results
The “Results” section of the research paper presents the key findings derived from the conducted experiments or analyses. It typically includes quantitative data, statistical analyses, and visual representations such as graphs or tables that illustrate the outcomes of the study. The results are often compared against the initial hypotheses or previous studies to highlight significant trends, correlations, or discrepancies.
In this section, the authors may report specific metrics, such as mean values, standard deviations, or p-values, to substantiate their claims. Additionally, any observed relationships between variables are discussed, often with reference to relevant mathematical models or equations that were employed during the analysis. Overall, the results provide a foundational basis for the subsequent discussion and conclusions drawn in the paper.
Discussion
The discussion section of the research paper outlines the theoretical frameworks and empirical findings that underpin the relationship between sustainability assessments and firms’ financial fundamentals. It highlights three key lenses: signaling theory, stakeholder theory, and financial materiality. Previous meta-analyses reveal a generally positive but varied correlation between corporate responsibility and financial performance, suggesting that sustainability practices can signal quality and influence financial metrics such as profitability and leverage. Stakeholder theory posits that ESG outcomes are shaped by firms’ interactions with stakeholders, while financial materiality frameworks advocate for aligning sustainability issues with financially relevant accounts in audited statements. Recent studies indicate that well-designed ESG scores can be more reliable indicators of corporate sustainability than traditional CSR metrics, provided they are grounded in financially material information.
The section also discusses the application of machine learning in ESG analytics, emphasizing its potential for prediction and interpretability. Research has shown that machine learning models, particularly tree-based algorithms like XGBoost and LightGBM, can effectively capture the relationships between financial fundamentals and ESG scores. However, limitations such as reliance on selected indicators and modest sample sizes persist. The study aims to address these gaps by employing a comprehensive dataset of financial statements and ESG ratings from the Korea Institute of Corporate Governance and Sustainability (KCGS) over a decade. By benchmarking various machine learning algorithms and utilizing SHapley Additive exPlanations (SHAP) for interpretability, the research seeks to enhance understanding of the financial drivers behind ESG performance and improve the predictive accuracy of ESG ratings.