ESG与财务困境：披露质量在预测准确性中的作用

《Finance Research Letters》：ESG and Financial Distress: The Role of Disclosure Quality in Predictive Accuracy

　　

本研究探讨了环境、社会和治理（ESG）指标是否能在传统会计比率之外提高多分类财务困境的预测能力。使用来自西班牙和英国的87,225家私营企业的跨国数据集，研究人员估计了包含和不包含ESG变量的多项逻辑回归（Multinomial Logistic Regression）、随机森林（Random Forest）和多层感知器（Multilayer Perceptron）模型。结果表明，ESG指标的预测价值取决于披露质量。在西班牙，ESG变量没有提供一致的改善，而在英国，它们提高了预测准确性，特别是对于逻辑回归和随机森林模型。这些发现表明，只有当披露是标准化和可靠时，ESG信息才有助于财务困境预测，并且其增量价值仍然具有操作相关性。通过将焦点从解释性关联转向预测有用性，该研究提供了关于ESG信息何时在财务困境预测中变得操作有用的证据。

企业财务困境预测是金融与信用风险建模的核心议题，传统方法依赖会计比率（如Altman Z^′-score），但此类指标通常在企业恶化后才显著变化。环境、社会和治理（ESG）指标作为潜在早期预警信号，能反映监管、运营和声誉风险，但其预测价值是否依赖披露质量尚不明确。现有研究多假设ESG在不同制度环境同样有效，却未充分检验披露标准化与可靠性的调节作用。针对此问题，研究人员利用Orbis数据库中西班牙（1996–2023年，77,140家）和英国（1985–2023年，10,085家）的私营企业数据，采用多分类财务困境框架（基于Altman Z^′-score阈值分为安全、中间、困境三类），比较不同披露环境下的ESG预测效能。该论文发表于《Finance Research Letters》。

研究人员采用三项监督分类算法：多项逻辑回归（Multinomial Logistic Regression, MLR）、随机森林（Random Forest, RF，1,000棵树）和多层感知器（Multilayer Perceptron, MLP，单隐藏层20个神经元，双曲正切激活函数，softmax输出）。每个国家内，模型分别估计仅含财务变量（52个预测因子，排除Altman Z^′-score直接构成变量）和加入ESG变量的版本。缺失ESG值通过分类回归树（C&RT）算法插补，变量集经跨国协调（仅保留西班牙与英国共同覆盖的指标）。数据按80%训练集、20%测试集划分，评估指标包括精确率、召回率、F1分数及总体准确率，并采用配对统计检验比较差异。

**一、ESG与困境预测：西班牙 vs. 英国**
通过比较加入ESG变量前后的分类性能变化（图1），结果显示：在西班牙，ESG变量未改善预测性能，甚至在某些模型中降低准确率（尤其破产类别）；在英国，ESG变量显著提升预测性能，逻辑回归和随机森林模型改善最明显，神经网络获益有限。这一结果与信号理论和制度理论一致：ESG信息仅在披露可信、可比且可靠时具有预测性。西班牙碎片化的ESG披露削弱了指标信息含量，而英国标准化报告框架使ESG变量成为更有效的风险信号。

**二、跨模型比较：机器学习 vs. 多项回归**
对比MLR、RF和MLP的总体分类性能，机器学习模型（RF和MLP）优于多项逻辑回归，但差异幅度适中。ESG变量的增量贡献在机器学习模型中更明显，尤其在英国，而在西班牙仍微弱且不一致。这支持了当数据来源更丰富、信息更充分时，机器学习算法更有效的观点。

**三、变量相关性与ESG指标的作用**
变量重要性分析显示，财务比率在所有模型中保持主导预测地位。在英国，部分ESG指标（尤其是治理和环境维度）对分类有次要贡献，但重要性仍低于财务变量；在西班牙，ESG变量相关性有限且不一致，与统计结果一致。

**四、ESG预测贡献的统计评估**
通过配对统计检验（表1）评估分类准确率变化：在英国，ESG显著提升逻辑回归（+5.6个百分点，p<0.001）和随机森林（+4.2个百分点，p<0.001）的准确率，神经网络无显著变化（-0.8个百分点，p=0.492）；在西班牙，ESG导致逻辑回归（-3.9个百分点，p<0.001）和神经网络（-1.5个百分点，p<0.001）显著下降，随机森林显著提升（+2.2个百分点，p<0.001）。结果证实ESG预测贡献依赖于建模方法和披露质量，但效应幅度中等。

**总结与讨论**
讨论部分指出，ESG信息在财务困境预测中的增值作用受披露质量调节。英国的高披露质量使ESG指标成为有效的补充信号，而西班牙的碎片化披露限制了其预测价值。研究强调，ESG指标应作为信用风险模型的补充输入而非替代，其有用性取决于数据标准化与可靠性。对于监管者，强制披露须配合有效执行与协调；对于金融机构，ESG变量在早期预警系统中可减少遗漏困境信号，即使性能提升幅度中等也具有经济意义。

**研究结论翻译**
本研究代表了金融与会计领域学术、监管者和从业者的进步。该研究考察了ESG指标是否改善多分类财务困境预测。结果表明，ESG变量在英国提升预测性能，而在西班牙贡献微弱且不一致，反映了披露质量的差异。这些发现表明，ESG信息仅在报告标准化且可靠时对信用风险评估有贡献。机器学习模型优于传统回归，ESG的增量价值在灵活模型设定中更明显。尽管预测指标的提升幅度中等，但在早期预警情境中具有经济意义——即使召回率小幅增加也能减少遗漏的困境信号，这对信用风险评估与监控至关重要。研究结果强调，ESG信息对财务风险评估有用性的前提是披露标准化、可靠且可比。对于监管者和标准制定者，这意味着仅强制ESG披露不够，还需有效执行与协调。数据质量提升增强了ESG指标在监管与风险监控中的实用性，尤其通过减少早期预警系统中的遗漏困境案例。对于金融机构和信用评级机构，ESG变量应视为信用风险模型的补充而非替代输入，其价值依赖于建模方法与披露质量。对于企业，透明且标准化的ESG报告可在合规之外增加可持续性披露的信息价值。总体而言，政策努力应优先考虑不仅扩大ESG披露，还要提高其标准化、可靠性及与信用风险评估框架的整合。需要强调的是，分析是预测性而非因果性。机器学习模型识别ESG特征与短期财务困境之间的关联，但不意味着ESG绩效降低困境概率。相反，结果仅表明在高ESG数据质量的报告环境中（如英国），ESG指标包含有助于分类企业财务健康状况的增量信息；在西班牙，ESG子维度严重缺失，模型未发现此类预测价值。因此，跨国差异反映披露质量变化，而非可持续实践的因果效应。研究局限性包括依赖会计基础的困境代理变量，以及Orbis ESG数据的高缺失率，这反映了标准化指标可用性的限制，而非披露缺失本身。未来研究可探索整合替代ESG数据源或文本披露（如You等，2025），利用自然语言处理技术评估叙事性可持续报告是否提供额外预测信息。