《Heliyon》：“Machine learning analysis of ESG score and financial health in the USA”
编辑推荐：
专业术语翻译的论文摘要
本研究利用来自Refinitiv数据库的2612个公司-年度观测值（涵盖2019-2022年期间），考察了美国五大关键行业中企业层面财务健康与环境、社会和治理（ESG）绩效之间的关系。研究人员采用了一个可解释的机器学习框架，该框架结合了
专业术语翻译的论文摘要
本研究利用来自Refinitiv数据库的2612个公司-年度观测值（涵盖2019-2022年期间），考察了美国五大关键行业中企业层面财务健康与环境、社会和治理（ESG）绩效之间的关系。研究人员采用了一个可解释的机器学习框架，该框架结合了随机森林（Random Forests）、回归树基准模型、沙普利加法解释（SHAP）值、置换重要性（Permutation Importance）和偏依赖图（Partial Dependence），并采用了按公司分组和时间序列的验证方法。研究发现，企业规模（Firm Size）是所有行业中最一致的预测因子，而杠杆率（Leverage）、盈利能力（Profitability）和投资强度（Investment Intensity）的相关性则因行业而异。投资强度并非始终与更强的ESG绩效相关联，这突显了特定行业财务结构的重要性。总体而言，ESG绩效似乎由一个共同的规模相关成分和异质性的行业财务模式共同决定。
论文主体内容解读文章
研究背景与问题提出
在全球可持续发展转型成为战略优先事项的背景下，环境、社会和治理（ESG）标准已从自愿性基准演变为投资决策、企业估值和战略规划的核心组成部分。尽管欧洲在ESG监管方面处于领先地位，美国证券交易委员会（SEC）也通过其2024年气候相关信息披露规则推动了这一进程。然而，不同行业在整合ESG原则时面临着截然不同的监管、运营和社会压力。现有文献大多采用跨行业或聚合的方法进行研究，忽视了ESG与财务动态之间关系的行业异质性。此外，传统计量经济学模型通常施加线性假设，可能掩盖其中固有的复杂、非线性和阈值敏感性关系。因此，缺乏利用先进、可解释的机器学习技术，在不同产业背景下刻画财务指标如何与ESG评分相关联的、按行业细分的实证证据。
研究内容与结论
为填补上述空白，本研究分析了美国S&P 1500指数中能源（Energy）、基础材料（Basic Materials）、工业（Industrials）、公用事业（Utilities）和金融（Financials）五个关键行业的公司数据，时间跨度为2019年至2022年。最终的分析样本包含2612个公司-年度观测值。研究人员采用可解释的机器学习框架，旨在探究企业层面的财务健康状况与ESG绩效之间的关联。
研究得出的核心结论是：企业规模（Firm Size）是所有五个行业中最一致且最强大的ESG评分预测因子，表明更大的组织规模与更高的预测ESG得分相关联。然而，在规模效应之外，各行业呈现出显著的异质性。在资本密集型行业如能源和公用事业中，资本支出强度（Capital Expenditure Intensity, CE）是第二大重要预测因子，但其与ESG评分的关联主要为非线性负相关，意味着更高的投资水平并不总是对应更好的ESG表现。相比之下，工业和基础材料行业展现出更为多元化和非线性的预测结构，杠杆率（Leverage）、自由经营现金流（Free Operating Cash Flow, FR）和盈利能力等变量提供了重要的增量预测信息。金融行业的预测结构最为集中，企业规模占主导地位，盈利能力指标（如EBITDA/权益比ET和EBITDA/总资产比EBT）具有次要预测作用，而债务和投资变量的贡献相对较小。这些发现表明，ESG绩效是由一个共同的规模相关成分和各行业特有的财务模式共同决定的。
关键技术方法
研究人员为开展研究使用了以下关键技术方法：首先，构建了一个可解释的机器学习框架，核心预测模型为随机森林（Random Forests），并辅以回归树（Regression Trees） 作为基准模型进行比较。其次，为了增强模型的可解释性，应用了三种互补技术：置换重要性（Permutation Importance） 用于衡量全局预测因子相关性；沙普利加法解释（SHAP Values） 用于分解单个预测的因子贡献；偏依赖图（Partial Dependence Plots, PDPs） 用于总结模型隐含的非线性预测模式。此外，研究采用了严格的验证策略以防止数据泄露，包括按公司分组的80/20留出法验证、五折按公司分组的交叉验证（Group K-Fold Cross-Validation），以及将2019-2021年作为训练集、2022年作为测试集的严格时间序列留出法验证。所有数据均来源于Refinitiv Eikon数据库。
研究结果
4.1 一般结果
通过对2019至2022年间ESG评分的演变与分布进行分析，研究人员观察到整体呈上升趋势，但行业间差异显著。能源行业在2019至2022年间ESG平均得分增长最快（+39%），而金融和公用事业改善幅度较小。同时，各行业ESG评分的变异系数下降，表明ESG实践趋于收敛，但金融和能源行业内部仍保持较高的离散度。在预测性能方面，随机森林在所有验证设计中均优于回归树基准模型，但预测准确性因行业而异。金融行业的模型泛化能力最稳定，其五折按公司分组交叉验证的平均R2最高（0.415），而基础材料的平均R2最低（0.120）。
4.2 行业结果
4.2.1 能源：企业规模（log_TA）是最主要的预测因子。资本支出强度（CE）是第二重要的预测因子，其偏依赖分析显示，超过中等投资阈值后，模型隐含的关联主要为负向。其他财务指标如自由经营现金流（FR）和再投资率（RR）在特定企业细分群体中呈现正向边际预测关联，而盈利价格比（HP）则为负向关联。
4.2.2 基础材料：企业规模仍是主导预测因子，但预测结构更具异质性。盈利能力指标，特别是EBITDA与权益之比（ET），显示出清晰的非线性模式。债务服务能力（DS）与预测的ESG结果在某些样本部分呈正相关，而长期债务（LT）则呈负相关。
4.2.3 工业：该行业呈现出最多样化和复杂的预测结构。除企业规模外，资产与权益之比（AE）是第二重要的预测因子，并与预测的ESG绩效表现出显著的非线性关联。自由经营现金流与收入之比（FR）在高值时主要呈负相关，而盈利能力指标如股本回报率（ROE）和EBITDA与总资产之比（EBT）在特定企业细分群体中呈正相关。
4.2.4 公用事业：企业规模再次主导预测。资本支出强度（CE）是第二大预测因子，在超过约5.5的水平后与预测的ESG绩效呈负相关。资产杠杆率（AE）表现出阈值依赖性非线性行为，而长期债务（LT）与预测的ESG得分呈正相关，总债务（TD）则在部分拟合响应中呈负相关。
4.2.5 金融：该行业的预测结构最为集中且稳定，企业规模（TA）压倒性地主导了所有分析。盈利能力指标如EBITDA与权益之比（ET）和EBITDA与总资产之比（EBT）在部分样本中提供正向预测贡献，但其全局重要性远低于企业规模。与资本密集型行业不同，债务相关变量的预测相关性相对有限。
4.3 可解释性稳健性与分组重要性
为应对多重共线性问题，研究人员对2022年时间序列留出集进行了联合分组置换重要性分析。结果显示，在所有行业中，规模（Size）组仍是主导预测模块（平均ΔR2范围为0.348至0.650）。杠杆率（Leverage）组在能源、工业、基础材料和公用事业中是第二大模块，而盈利能力（Profitability）组在金融行业中排名第二。流动性与效率（Liquidity/Efficiency）和市场估值（Market Valuation）组的增量贡献普遍最小。
讨论与结论总结
政策启示
由于研究设计是观察性的，以下政策启示属于解释性而非因果性。观察到的行业异质性表明，ESG监管框架可能需要更高的行业敏感性。企业规模的普遍主导作用暗示小型和中型企业可能面临不成比例的实施成本和调整障碍，这支持采取更成比例的披露和合规方法。非线性关系进一步表明，财务改善并不会自动转化为可持续性收益。在一些行业中，更高的投资强度反而与较弱的ESG结果相关联，这凸显了在设计可持续性激励措施和披露期望时，区分投资质量与投资数量的重要性。
研究结论
本研究表明，财务健康与ESG绩效之间的关系结合了一个共同的跨行业成分与显著的行业异质性。企业规模是所有五个行业中最一致的预测因子，表明ESG绩效与更广泛的组织和财务规模密切相关。然而，在规模之外，相关的财务特征因行业而异。杠杆率在能源、工业、基础材料和公用事业中尤其具有信息量，这与资产负债表结构在资本密集型活动中更重要的情况相符。在金融行业中，盈利能力扮演了相对更大的角色。投资变量也显示出异质性的非线性模式，表明更高的投资强度本身并不系统地与更强的ESG绩效相关联。总体而言，证据表明ESG绩效与一个共同的规模相关成分相关联，而在规模之外，重要的财务特征取决于特定行业的经济条件。这强调了应在每个行业的经济结构中解读ESG-财务关系，而非通过单一的、同质的财务概况。
