Anais
Resumo do trabalho
Gestão Socioambiental · Sustentabilidade e Desempenho das Organizações
Título
DESEMPENHO FINANCEIRO E ESG: UMA ABORDAGEM COMPARATIVA POR MEIO DE APRENDIZADO DE MÁQUINA
Palavras-chave
ESG
desempenho financeiro
aprendizado de máquina
Agradecimento:
Agradecimento à Secretaria da Ciência, Tecnologia, Inovação e Ensino Superior (Secties) e à Fundação de Apoio à Pesquisa do Estado da Paraíba (FAPESQ)
Autores
-
Maria Clara de Oliveira RamosUNIVERSIDADE ESTADUAL DA PARAÍBA (UEPB)
-
Allisson Silva dos SantosUNIVERSIDADE ESTADUAL DA PARAÍBA (UEPB)
Resumo
Introdução
Os princípios ESG (Environmental, Social and Governance) podem ser entendidos como um guia de políticas para as empresas se tornarem mais responsáveis sobre esses três eixos da sigla. Além dos impactos ambientais e sociais, a implementação do ESG pode influenciar diretamente o desempenho financeiro das empresas (Ou et al., 2023).
Problema de Pesquisa e Objetivo
O problema que esse trabalho visa responder é: Como os indicadores ESG (ambiental, social e de governança) contribuem para a predição do desempenho financeiro (ROA) das empresas? Assim, este trabalho tem como objetivo compreender como os indicadores ESG (ambiental, social e de governança) são capazes de contribuir para a predição do desempenho financeiro (ROA) das empresas, utilizando-os como variáveis preditoras, em diferentes modelos de aprendizado de máquina.
Fundamentação Teórica
Existem indicadores que apoiam a análise do desempenho e dos intuitos organizacionais, mas é importante compreender como eles serão interpretados, já que podem ser categorizados de maneira diferente. Entre os mais relevantes estão giro do ativo (GA), retorno sobre o ativo (ROA), retorno sobre o patrimônio líquido (ROE), margem líquida (ML), EBITDA e margem EBITDA (Oliveira et al., 2017). Os princípios ESG permitem avaliar e classificar empresas com base em ações que impactam o meio ambiente, a sociedade e a governança (Amaral; Willerding; Lapolli, 2023), e podem influenciar esse desempenho.
Metodologia
Para a análise dos dados, foram escolhidos sete algoritmos de classificação passíveis de implementação em aprendizado de máquina: Random Forest, K-Nearest Neighbors (KNN), Naïve Bayes, Regressão Logística (Logit), Support Vector Machine (SVM) linear, Bagging e Gradient Boosting Machine (GBM). A avaliação dos modelos foi realizada em etapas, considerando o valor da acurácia e a curva ROC e o valor de AUC.
Análise dos Resultados
Um padrão consistente entre a maioria dos modelos foi a alta taxa da variável ambiental, com exceção do modelo bagging, como principal elemento na relevância do impacto no ROA, seguida pela variável social, enquanto a governança apresentou menor relevância. dentre os modelos testados, o Gradient Boosting se destacou com a maior acurácia no conjunto de teste (67,5%). Isso significa que este modelo foi capaz de classificar corretamente 67,5% das observações entre os dois grupos de desempenho do ROA (menor e maior desempenho).
Conclusão
Verificou-se que, apesar de alguns modelos apresentarem alta acurácia durante o treinamento, sua performance no conjunto de teste indica problemas de overfitting, especialmente quando se considera a baixa sensibilidade para detectar a classe positiva. Assim, o Gradient Boosting obteve o melhor desempenho. O fator ambiental mostrou maior relevância na explicação do ROA, enquanto os indicadores sociais e de governança tiveram menor impacto.
Contribuição / Impacto
Ao explorar a aplicação de modelos de machine learning nessas três dimensões, o trabalho preenche uma lacuna na literatura, que ainda conta com poucas pesquisas integrando ESG, performance financeira e aprendizado de máquina. Para o mercado, esses achados sugerem que iniciativas ambientais não devem ser encaradas apenas como custos, mas sim como investimentos capazes de gerar retorno. Assim, o estudo pode incentivar as empresas a adotarem políticas alinhadas aos princípios ESG e reforçar a importância da coleta e divulgação transparentes de informações socioambientais.
Referências Bibliográficas
OLIVEIRA, J. F. da R.; VIANA JUNIOR, D. B. C.; PONTE, V. M. R.; DOMINGOS, S. R. M. Indicadores de desempenho e valor de mercado: uma análise nas empresas listadas na BM&FBOVESPA. Revista Ambiente Contábil, Natal, v. 9, n. 2, p. 240–258, 2017.
OU, L.; ZHANG, Z.; LI, R.; CHEN, Z. Economic policy uncertainty and business performance: the moderating role of service transformation. International Review of Economics & Finance, v. 88, p. 531-546, nov. 2023.
OU, L.; ZHANG, Z.; LI, R.; CHEN, Z. Economic policy uncertainty and business performance: the moderating role of service transformation. International Review of Economics & Finance, v. 88, p. 531-546, nov. 2023.