ESG披露与企业绩效关联的机器学习预测模型构建及解释性分析

本研究针对ESG（环境、社会与治理）披露与企业绩效关系存在争议的问题，采用15种机器学习模型（含Extra Trees、GB等）分析中国A股2012-2022年数据，结合SHAP、PDP等XAI工具揭示非线性关联。结果显示ESG整体披露与绩效呈弱正相关（贡献度0.02%），其中环境披露（Escr）影响最显著（0.1%），而治理（Gscr）和社会（Sscr）披露作用有限。研究为新兴市场ESG体系建设提供实证依据，并验证机器学习在金融领域的应用价值。

　　

在全球可持续发展浪潮下，企业环境、社会和治理（ESG）实践已成为投资者决策的重要指标。然而，ESG披露与企业绩效的关系长期存在"黑箱"——传统统计方法难以捕捉非线性关联，且中国等新兴市场的实证证据呈现矛盾结论：部分研究支持ESG能提升财务表现，另一些则指出其因成本过高反而损害盈利。这种分歧源于方法学局限，以及ESG三大维度（环境Environmental、社会Social、治理Governance）可能存在的差异化影响。

为破解这一难题，国内研究人员在《Innovation and Green Development》发表论文，创新性地采用15种机器学习模型（MLs）分析中国A股上市公司2012-2022年数据，结合可解释人工智能（XAI）工具揭示ESG与绩效的复杂关联。研究团队从CNRDS和CSMAR数据库获取ESG评分及财务数据，覆盖沪深交易所上市企业（剔除金融类和ST股），通过Python进行数据清洗和log转换后，重点选用预测R²>95%的Extra Trees、梯度提升（GB）和AdaBoost模型，并运用SHAP值、部分依赖图（PDP）和置换特征重要性（PFI）进行结果解读。

4.1 数据特征与模型优选
样本企业平均ESG得分为3.141，其中治理得分（Gscr=3.429）高于环境（Escr=2.019）和社会维度（Sscr=3.237）。Extra Trees模型以R²=0.9718、RMSE=0.0059的优异表现成为最佳预测工具，其预测曲线与实际值几乎重叠（图5），显著优于存在平滑效应的GB和AdaBoost模型（图6-7）。

4.2 ESG影响的非线性图谱
PDP分析（图8）显示环境披露（Escr）与绩效呈微幅正相关，而社会（Sscr）和治理（Gscr）披露的影响近乎水平线。PFI量化验证（图9）表明：ESG整体贡献仅0.02%，其中环境维度（0.1%）>社会（0.04%）>治理，远低于杠杆率（24.93%）等传统财务指标的影响。

4.3 机制解释与异常点检测
SHAP分析（图10-11）揭示环境披露的正向效应可能源于绿色生产带来的风险规避和资源效率提升。威廉姆斯图（图12）显示模型适用性良好，但存在少量高杠杆点提示潜在绿色washing（虚假环保宣传）现象。

这项研究首次系统验证了中国市场ESG披露与绩效的弱相关性（假设H1b/H2b成立），推翻"社会披露显著提升绩效"（H3）和"治理披露主导影响"（H4）的传统认知。其重要意义在于：

1. 方法论突破：通过Extra Trees模型捕捉到ESG各维度非线性效应，相较传统线性回归（R²=0.44）显著提升解释力；
2. 政策启示：监管部门需警惕"重披露轻实践"的绿色washing，建议建立环境维度披露的标准化评估体系；
3. 投资决策：投资者可优先关注环境实践优异的企业，并利用SHAP工具优化ESG因子权重；
4. 理论贡献：支持利益相关者理论中"ESG通过声誉资本间接影响绩效"的路径，但提示短期财务回报可能有限。

研究局限在于仅采用会计指标（ROA/ROE）和单一ESG评级源，未来可结合市场指标（如托宾Q值）和MSCI等多元评级数据拓展研究。该成果为新兴经济体ESG体系建设提供了关键基准，也为AI驱动的新型公司金融研究开辟了道路。