DOI: https://doi.org/10.30574/wjarr.2026.29.1.0177
تاريخ النشر: 2026-01-24
المؤلف: Bernard Wilson وآخرون
الموضوع الرئيسي: التمويل المستدام والسندات الخضراء
نظرة عامة
تستكشف هذه الدراسة استخدام نماذج الذكاء الاصطناعي (AI) للكشف عن الغسل الأخضر في مشاريع البيئة والمجتمع والحوكمة (ESG) ومبادرات التمويل الأخضر في المملكة المتحدة، خاصة في ضوء لوائح هيئة السلوك المالي البريطانية لمكافحة الغسل الأخضر التي ستدخل حيز التنفيذ في مايو 2024. باستخدام نهج مختلط، تدمج الأبحاث تقنيات معالجة اللغة الطبيعية (NLP)، بما في ذلك النماذج المعتمدة على المحولات مثل BERT وClimateBERT، مع خوارزميات التعلم الآلي مثل XGBoost وRandom Forest. يعتمد التحليل على مجموعة بيانات تتكون من تقارير الاستدامة والإفصاحات ESG من 487 شركة بريطانية بين عامي 2018 و2024. تحقق الدراسة دقة تبلغ 86.34% في تحديد أنماط مخاطر الغسل الأخضر من خلال التحليل النصي وتظهر قيمة R² عالية تبلغ 0.9790 في التنبؤ بالانحراف المالي-ESG، مما يبرز فعالية الذكاء الاصطناعي في كشف التناقضات بين الدرجات المبلغ عنها في ESG والأداء البيئي الفعلي.
تؤكد النتائج على إمكانيات الأطر المدفوعة بالذكاء الاصطناعي لتعزيز الشفافية في التمويل المستدام، حيث تحدد حجم الشركة، وهيكل الحوكمة، والقيود المالية كمتنبئات هامة لسلوك الغسل الأخضر. تسهم الأبحاث في الأدبيات من خلال تقديم منهجية قابلة للتوسع للهيئات التنظيمية والمستثمرين، مما يسهل الامتثال للوائح مكافحة الغسل الأخضر. كما تؤكد على الجدوى العملية لأنظمة الكشف الآلي وأهمية الابتكار المستمر في منهجيات الذكاء الاصطناعي لمواكبة المشهد التنظيمي المتطور. تمهد هذه الدراسة الطريق للجهود المستقبلية في تطوير أنظمة التمويل المستدام الموثوقة، مما يدعم في النهاية أهداف المملكة المتحدة لتحقيق صافي انبعاثات صفرية وأهداف المناخ الأوسع.
مقدمة
تسلط المقدمة الضوء على النمو السريع لمنتجات الاستثمار في البيئة والمجتمع والحوكمة (ESG) والتمويل الأخضر، مما أدى إلى زيادة غير مسبوقة في أصول الاستثمار المستدام. ومع ذلك، أثار هذا التوسع مخاوف كبيرة بشأن الغسل الأخضر، وهو ممارسة تقديم ادعاءات مضللة حول الفوائد البيئية لتعزيز صورة الشركة. استجابةً لذلك، نفذت هيئة السلوك المالي البريطانية لوائح صارمة لمكافحة الغسل الأخضر تدخل حيز التنفيذ اعتبارًا من 31 مايو 2024، مما يفرض أن تكون ادعاءات الاستدامة عادلة وواضحة وغير مضللة. تهدف هذه المبادرة التنظيمية إلى وضع معايير قوية للإفصاحات المتعلقة بالاستثمار المستدام.
لمعالجة التحديات التي يطرحها الغسل الأخضر، تؤكد الورقة على إمكانيات تقنيات الذكاء الاصطناعي المتقدمة، وخاصة معالجة اللغة الطبيعية (NLP) والتعلم الآلي، في أتمتة الكشف عن ادعاءات الاستدامة المضللة. أظهرت الدراسات السابقة أن أدوات الذكاء الاصطناعي يمكن أن تحلل بفعالية تقارير الاستدامة والإفصاحات الشركات لتحديد التناقضات والادعاءات المبالغ فيها. تهدف هذه الأبحاث إلى سد فجوة حاسمة من خلال تطوير إطار عمل قائم على الذكاء الاصطناعي مصمم خصيصًا للسياق التنظيمي في المملكة المتحدة، مع دمج تقنيات معالجة اللغة الطبيعية المتطورة مع نماذج التعلم الآلي الكمية. من المتوقع أن تعزز النتائج إنفاذ اللوائح، وتوجه قرارات الاستثمار، وتحسن حوكمة الاستدامة في الشركات.
الطرق
تستخدم الأبحاث منهجية معالجة اللغة الطبيعية (NLP) لتحليل وتفسير البيانات النصية. يتضمن هذا النهج تطبيق خوارزميات ونماذج متنوعة مصممة لمعالجة وفهم اللغة البشرية. قد تشمل التقنيات الرئيسية المستخدمة تقسيم النص، ووضع علامات على أجزاء الكلام، والتعرف على الكيانات المسماة، مما يسهل استخراج الأنماط والمعاني الهامة من البيانات.
تم هيكلة المنهجية لضمان معالجة وتحليل البيانات بشكل قوي، مع إمكانية دمج نماذج التعلم الآلي لمهام مثل تحليل المشاعر أو نمذجة الموضوعات. من خلال الاستفادة من هذه التقنيات في معالجة اللغة الطبيعية، تهدف الدراسة إلى استخلاص نتائج هامة تسهم في فهم الهياكل اللغوية الأساسية وآثارها في سياق البحث.
النتائج
تتوقع الأبحاث نتائج هامة بشأن التنبؤ بسلوك الغسل الأخضر باستخدام نموذج XGBoost المحسن، المعزز بخوارزمية IHPO. من المتوقع أن يحقق هذا النموذج قيم R² تتجاوز 0.95، مع خطأ متوسط الجذر التربيعي (RMSE) أقل من 0.15 وخطأ مطلق متوسط (MAE) أقل من 0.11، متفوقًا على نماذج Random Forest الأساسية بحوالي 8-12%. تتماشى هذه النتائج مع الأدبيات الحالية التي تبرز فعالية طرق تعزيز التدرج لمهام التنبؤ بالبيئة والمجتمع والحوكمة (ESG). من المتوقع أن تكشف تحليل أهمية الميزات عبر SHAP عن حجم الشركة، والقيود المالية، وتركيز الملكية كمتنبئات رئيسية للغسل الأخضر، مما يدعم الأطر النظرية التي تقترح أن الشركات ذات الموارد المحدودة تحت مراقبة أصحاب المصلحة أكثر عرضة للانخراط في إدارة بيئية رمزية.
بالإضافة إلى ذلك، من المتوقع أن تحقق مكون معالجة اللغة الطبيعية (NLP) الذي يستخدم ClimateBERT دقة تتراوح بين 85-87% في التعرف على أنماط لغة الغسل الأخضر، خاصة في تحديد الادعاءات الغامضة والتصريحات غير المدعومة. من المتوقع أن ينتج الإطار المتكامل الذي يجمع بين التحليلات النصية والكمية دقة كشف إجمالية تتجاوز 90%، مع توازن بين الدقة والاسترجاع. من المتوقع أن تُظهر التحقق الزمني من الإفصاحات الشركات قبل وبعد تنفيذ لوائح FCA (بعد مايو 2024) تحسينات في جودة الإفصاح وتقليل حوادث الغسل الأخضر. ومع ذلك، قد تكشف التحليلات أيضًا عن ظهور تكتيكات غسيل أخضر متطورة، مثل زيادة استخدام المصطلحات الفنية والتصريحات المستقبلية غير القابلة للتحقق، مما يشير إلى سباق تسلح محتمل بين طرق الكشف واستراتيجيات التهرب.
المناقشة
تسلط قسم المناقشة في هذه الورقة البحثية الضوء على القضية المتفشية للغسل الأخضر ضمن مجالات معايير البيئة والمجتمع والحوكمة (ESG) والتمويل الأخضر. يقوض الغسل الأخضر الثقة في منتجات ESG ويشكل مخاطر نظامية على الأسواق المالية، كما يتضح من استطلاع عام 2023 الذي يشير إلى أن أكثر من 70% من التنفيذيين يعتقدون أن نظراءهم يمارسون مثل هذه الممارسات. تؤكد الورقة على دور تقنيات معالجة اللغة الطبيعية (NLP) والتعلم الآلي في الكشف عن الغسل الأخضر، مع عرض تطبيقات ناجحة لنماذج المحولات مثل ClimateBERT وطرق التجميع مثل XGBoost في تحديد التناقضات بين الإفصاحات ESG والأداء الفعلي. لا تعزز هذه المنهجيات فقط دقة الكشف عن الغسل الأخضر ولكنها توفر أيضًا رؤى قابلة للتنفيذ للجهات التنظيمية والمستثمرين.
علاوة على ذلك، توضح الأبحاث الآثار المترتبة على نتائجها بالنسبة للأطر التنظيمية، وخاصة قواعد هيئة السلوك المالي البريطانية لمكافحة الغسل الأخضر. تدعو الدراسة إلى تنفيذ أنظمة الكشف المدفوعة بالذكاء الاصطناعي لتسهيل المراقبة المستمرة لادعاءات الاستدامة، مما يمكّن الجهات التنظيمية من تركيز الموارد على الكيانات عالية المخاطر. بالنسبة للمستثمرين، يعد الإطار المتكامل الذي تم تطويره في هذه الأبحاث أداة حيوية لتقييم مخاطر الغسل الأخضر، مما يعزز في النهاية تخصيص رأس المال بشكل أكثر وعيًا. تختتم الورقة بالتأكيد على أهمية حوكمة الشركات في تقارير الاستدامة، موصية بأن تتبنى الشركات ضوابط داخلية صارمة والتحقق من طرف ثالث لمواءمة اتصالاتها مع الأداء البيئي الفعلي، مما يقلل من المخاطر التنظيمية والسمعية.
القيود
تسلط قيود هذه الدراسة الضوء على عدة مجالات للبحث المستقبلي التي يمكن أن تعزز فهم ممارسات الغسل الأخضر. أولاً، يقتصر التركيز على الشركات البريطانية على قابلية تطبيق النتائج على مناطق أخرى ذات أطر تنظيمية وإدارية متنوعة. يمكن أن توضح الدراسات المقارنة عبر ولايات قضائية مختلفة، مثل الاتحاد الأوروبي والولايات المتحدة والأسواق الآسيوية، العوامل الثقافية والمؤسسية التي تؤثر على استراتيجيات الاتصال البيئي للشركات.
ثانيًا، يثير الاعتماد على تقييمات ESG من طرف ثالث لقياس الغسل الأخضر مخاوف بشأن اتساق ومنهجية هذه التقييمات. يمكن أن تستفيد الأبحاث المستقبلية من تطوير مقاييس بديلة تتضمن بيانات التأثير البيئي المباشر، مثل انبعاثات الكربون الموثقة وحوادث التلوث، مع إمكانية استخدام صور الأقمار الصناعية وبيانات أجهزة الاستشعار IoT لتقييمات أكثر موضوعية. بالإضافة إلى ذلك، يقتصر التحليل الحالي على تقارير الاستدامة والتقارير السنوية الرسمية، متجاهلاً قنوات الاتصال الأخرى مثل وسائل التواصل الاجتماعي والإعلانات. يمكن أن يكشف توسيع النطاق ليشمل هذه المنصات من خلال نهج الذكاء الاصطناعي متعدد الوسائط عن أنماط أوسع من الإفصاح الانتقائي. كما يُوصى بإجراء دراسات طولية لاستكشاف الديناميات الزمنية للغسل الأخضر استجابةً للضغوط التنظيمية. أخيرًا، بينما تظهر الدراسة أداءً تنبؤيًا قويًا، فإن إقامة علاقات سببية تتطلب اعتبارًا دقيقًا للداخلية والعلاقة العكسية، مما يشير إلى أن التصاميم التجريبية يمكن أن تعزز الادعاءات السببية. تعتبر التحديثات المستمرة والتحقق من نماذج الذكاء الاصطناعي ضرورية للتكيف مع استراتيجيات الشركات المتطورة وضمان الكشف الفعال عن الغسل الأخضر.
DOI: https://doi.org/10.30574/wjarr.2026.29.1.0177
Publication Date: 2026-01-24
Author(s): Bernard Wilson et al.
Primary Topic: Sustainable Finance and Green Bonds
Overview
This study investigates the use of artificial intelligence (AI) models to detect greenwashing in UK Environmental, Social, and Governance (ESG) projects and green finance initiatives, particularly in light of the UK Financial Conduct Authority’s anti-greenwashing regulations set to take effect in May 2024. Utilizing a mixed-methods approach, the research integrates Natural Language Processing (NLP) techniques, including transformer-based models like BERT and ClimateBERT, with machine learning algorithms such as XGBoost and Random Forest. The analysis is based on a dataset comprising sustainability reports and ESG disclosures from 487 UK companies between 2018 and 2024. The study achieves an accuracy of 86.34% in identifying greenwashing risk patterns through textual analysis and demonstrates a high R² value of 0.9790 in predicting financial-ESG divergence, highlighting the effectiveness of AI in revealing discrepancies between reported ESG scores and actual environmental performance.
The findings underscore the potential of AI-driven frameworks for enhancing transparency in sustainable finance, identifying firm size, governance structure, and financial constraints as significant predictors of greenwashing behavior. The research contributes to the literature by offering a scalable methodology for regulatory bodies and investors, facilitating compliance with anti-greenwashing regulations. It emphasizes the practical viability of automated detection systems and the importance of continuous innovation in AI methodologies to keep pace with evolving regulatory landscapes. This work lays the groundwork for future efforts in developing trustworthy sustainable finance ecosystems, ultimately supporting the UK’s net-zero emissions targets and broader climate objectives.
Introduction
The introduction highlights the rapid growth of Environmental, Social, and Governance (ESG) investment products and green finance, which has led to an unprecedented increase in sustainable investment assets. However, this expansion has raised significant concerns regarding greenwashing, the practice of making misleading claims about environmental benefits to enhance corporate image. In response, the UK’s Financial Conduct Authority has implemented stringent anti-greenwashing regulations effective from May 31, 2024, mandating that sustainability claims be fair, clear, and not misleading. This regulatory initiative aims to establish robust standards for sustainable investment disclosures.
To address the challenges posed by greenwashing, the paper emphasizes the potential of advanced artificial intelligence technologies, particularly Natural Language Processing (NLP) and machine learning, in automating the detection of misleading sustainability claims. Previous studies have shown that AI tools can effectively analyze sustainability reports and corporate disclosures to identify inconsistencies and exaggerated claims. This research aims to fill a critical gap by developing an AI-based framework tailored to the UK regulatory context, integrating state-of-the-art NLP techniques with quantitative machine learning models. The findings are expected to enhance regulatory enforcement, inform investment decisions, and improve corporate sustainability governance.
Methods
The research employs a Natural Language Processing (NLP) methodology to analyze and interpret textual data. This approach involves the application of various algorithms and models designed to process and understand human language. Key techniques utilized may include tokenization, part-of-speech tagging, and named entity recognition, which facilitate the extraction of meaningful patterns and insights from the data.
The methodology is structured to ensure robust data handling and analysis, potentially incorporating machine learning models for tasks such as sentiment analysis or topic modeling. By leveraging these NLP techniques, the study aims to derive significant findings that contribute to the understanding of the underlying linguistic structures and their implications in the research context.
Results
The research anticipates significant findings regarding the prediction of greenwashing behavior using an optimized XGBoost model, enhanced by the IHPO algorithm. It is expected that this model will achieve R² values exceeding 0.95, with a Root Mean Square Error (RMSE) below 0.15 and Mean Absolute Error (MAE) below 0.11, outperforming baseline Random Forest models by approximately 8-12%. These results align with existing literature that highlights the effectiveness of gradient boosting methods for Environmental, Social, and Governance (ESG) prediction tasks. Feature importance analysis via SHAP is predicted to identify firm size, financial constraints, and ownership concentration as key predictors of greenwashing, supporting theoretical frameworks that suggest resource-constrained firms under stakeholder scrutiny are more likely to engage in symbolic environmental management.
Additionally, the Natural Language Processing (NLP) component utilizing ClimateBERT is projected to achieve an accuracy of 85-87% in recognizing greenwashing language patterns, particularly in identifying vague claims and unsubstantiated assertions. The integrated framework combining textual and quantitative analyses is expected to yield an overall detection accuracy exceeding 90%, with balanced precision and recall. Temporal validation of corporate disclosures before and after the implementation of FCA regulations (post-May 2024) is anticipated to show improvements in disclosure quality and a reduction in greenwashing incidents. However, the analysis may also uncover the emergence of sophisticated greenwashing tactics, such as the increased use of technical jargon and unverifiable forward-looking statements, indicating a potential arms race between detection methods and evasion strategies.
Discussion
The discussion section of this research paper highlights the pervasive issue of greenwashing within the realms of Environmental, Social, and Governance (ESG) criteria and green finance. Greenwashing undermines trust in ESG products and poses systemic risks to financial markets, as evidenced by a 2023 survey indicating that over 70% of executives believe their peers engage in such practices. The paper emphasizes the role of Natural Language Processing (NLP) and machine learning techniques in detecting greenwashing, showcasing successful applications of transformer models like ClimateBERT and ensemble methods such as XGBoost in identifying discrepancies between ESG disclosures and actual performance. These methodologies not only enhance the accuracy of greenwashing detection but also provide actionable insights for regulators and investors.
Furthermore, the research outlines the implications of its findings for regulatory frameworks, particularly the UK’s Financial Conduct Authority’s anti-greenwashing rules. The study advocates for the implementation of AI-driven detection systems to facilitate continuous monitoring of sustainability claims, thereby enabling regulators to focus resources on high-risk entities. For investors, the integrated framework developed in this research serves as a vital tool for assessing greenwashing risks, ultimately promoting more informed capital allocation. The paper concludes by stressing the importance of corporate governance in sustainability reporting, recommending that companies adopt rigorous internal controls and third-party verification to align their communications with actual environmental performance, thereby mitigating regulatory and reputational risks.
Limitations
The limitations of this study highlight several areas for future research that could enhance understanding of greenwashing practices. Firstly, the focus on UK-based companies restricts the applicability of findings to other regions with varying regulatory and governance frameworks. Comparative studies across different jurisdictions, such as the European Union, United States, and Asian markets, could elucidate the cultural and institutional factors influencing corporate environmental communication strategies.
Secondly, the reliance on third-party ESG ratings for measuring greenwashing raises concerns about the consistency and methodology of these ratings. Future research could benefit from developing alternative measures that incorporate direct environmental impact data, such as verified carbon emissions and pollution incidents, potentially utilizing satellite imagery and IoT sensor data for more objective assessments. Additionally, the current analysis is limited to formal sustainability and annual reports, neglecting other communication channels like social media and advertising. Expanding the scope to include these platforms through multimodal AI approaches could uncover broader patterns of selective disclosure. Longitudinal studies are also recommended to explore the temporal dynamics of greenwashing in response to regulatory pressures. Lastly, while the study shows strong predictive performance, establishing causal relationships necessitates careful consideration of endogeneity and reverse causality, suggesting that experimental designs could enhance causal claims. Continuous updates and validation of AI models are essential to adapt to evolving corporate strategies and ensure effective detection of greenwashing.