基于XGBoost和SHAP的上市公司ESG绿色洗的可解释预测模型
1School of Economics and Management, Xi'an University of Technology, Xi'an, China. 527802384@qq.com.
Scientific reports
|March 11, 2026
概括
这项研究使用增强的XGBoost模型预测企业ESG绿色洗,达到86.82%的准确度. 企业财务因素显著影响预测,超过治理因素.
科学领域:
- 环境,社会和治理 (ESG) 研究
- 企业金融公司财务
- 机器学习应用 机器学习应用
背景情况:
- 关于ESG的绿色洗对投资者构成风险,需要有效的预测方法.
- 对于ESG绿色洗现有的机器学习模型缺乏可解释性.
- 预测欺骗性的ESG披露对于风险管理至关重要.
研究的目的:
- 开发一种可解释的机器学习模型,用于预测上市公司的ESG绿色洗.
- 确定影响ESG绿色洗的关键企业和外部因素.
- 提高ESG绿色洗预测的准确性和可靠性.
主要方法:
- 使用了增强的XGBoost算法与SHAP解释方法相结合.
- 采用了16个输入指标的中国上市公司 (2009-2022) 数据集.
- 实现了五倍交叉验证和网格搜索以进行参数调整.
主要成果:
- 通过一期滞后的企业特征模型,实现了86.82%的预测准确度.
- 在预测中,企业财务特征比治理特征更具影响力.
- 该模型在非重污染行业和国有企业中表现出卓越的表现.
结论:
- 增强的XGBoost-SHAP模型提供了一个准确和可解释的方法来预测ESG绿色洗.
- 财务指标是企业ESG绿色洗的关键预测指标.
- 模型的有效性因行业和企业类型而异,表明可能需要量身定制的方法.
