Nghiên cứu ứng dụng mô hình học máy khả diễn XAI trong phân tích rủi ro đầu tư ESG: Thông tin chi tiết từ các doanh nghiệp S&P 500

Abstract

Các yếu tố Môi trường, Xã hội, và Quản trị trở nên quan trọng trong việc đánh giá hiệu suất và rủi ro của doanh nghiệp. Nghiên cứu này khám phá ứng dụng các mô hình học máy khả diễn XAI nhằm cải thiện khả năng diễn giải, tăng độ tin cậy trong phân tích rủi ro ESG. Thực nghiệm dữ liệu ESG của các doanh nghiệp S&P 500, cho thấy mô hình LightGBM có độ chính xác cao nhất với MAE (0.9233), MSE (1.7696), RMSE (1.3303), MAPE (4.21%), so với XGBoost và Random Forest. Phân tích giá trị SHAP chỉ ra rằng rủi ro ESG bị chi phối chủ yếu bởi ba yếu tố chính: rủi ro môi trường (Environment_Risk_Score - 3.34), rủi ro xã hội (Social_Risk_Score - 2.36) và rủi ro quản trị (Governance_Risk_Score - 1.39). Ngoài ra, mức độ rủi ro ESG tổng thể của doanh nghiệp (ESG_Risk_Level_Low - 1.04, ESG_Risk_Level_High - 0.39) cũng đóng vai trò quan trọng. Kết quả nghiên cứu làm nổi bật tiềm năng của các mô hình XAI trong việc tăng cường báo cáo và tuân thủ ESG, đồng thời cung cấp thông tin chi tiết cho các nhà đầu tư và nhà hoạch định chính sách. Hơn nữa, nghiên cứu này minh chứng cho việc tích hợp ML/AI khả diễn vào qui trình quản lý rủi ro của tổ chức, thúc đẩy tính minh bạch, trách nhiệm giải trình, và sự tin tưởng vào các đánh giá ESG.