L’impatto del fattore ESG sulla performance industriale
Un'analisi con tecniche di machine learning

M. Palynska, F. Medda, V. Caivano, G. Di Stefano, F. Scalese

Quaderno di finanza sostenibile n. 4 - giugno 2024 [formato PDF]
 

Sintesi del lavoro
La transizione verso un modello economico più sostenibile ha assunto, negli anni recenti, una rilevanza crescente sia per i soggetti che operano sui mercati finanziari sia per le autorità di vigilanza e regolamentazione. In un contesto in cui la normativa è in continua evoluzione e l’ecosistema delle informazioni si va progressivamente perfezionando, le analisi empiriche sulle tematiche ESG fanno sempre più ricorso a tecniche di intelligenza artificiale. Questo studio mostra come modelli di machine learning possano aiutare a comprendere quale relazione sussista tra performance ESG e performance reddituale delle imprese. Il lavoro si basa su dati riferiti a oltre 850 imprese europee e statunitensi nel periodo 2007- 2021 e analizza il legame tra lo score ESG (che sintetizza il profilo di sostenibilità dell’impresa) e l’EBIT (che sintetizza il profilo reddituale), verificando l’impatto dei tre pilastri E, S e G sulle performance reddituali delle imprese. I risultati mostrano che lo score riferito alla sostenibilità ambientale (pilastro E) risulta associato positivamente alle performance reddituali in maniera più netta rispetto agli score riferiti agli altri due pilastri (S e G). Il lavoro evidenzia, altresì, talune differenze nei risultati relativi alle imprese europee rispetto a quelle statunitensi, presumibilmente derivanti dal diverso assetto normativo che caratterizza le due giurisdizioni. La ricerca fornisce un contributo alla letteratura relativa all’utilizzo di modelli di machine learning per l’analisi di tematiche di finanza sostenibile mostrando come tali metodi possano rappresentare un valore aggiunto per l’attività di ricerca in questi ambiti. L’utilizzo di tecniche di machine learning consente, tuttavia, di superare solo in parte le criticità connesse alla qualità delle metriche ESG attualmente a disposizione. La progressiva definizione di standard e metriche di sostenibilità faciliterà la raccolta e l’analisi dei dati strutturati e l’evoluzione normativa in materia di rating ESG aumenterà la trasparenza circa le sottostanti metodologie.  
 

Autori
Marta Palinska - (nel corso di un tirocinio presso la CONSOB al momento della ricerca)
Francesca Medda - (CONSOB al momento della ricerca)
Valeria Caivano - CONSOB, Divisione Studi (v.caivano@consob.it)
Giovanna Di Stefano - CONSOB, Divisione Studi (g.distefano@consob.it)
Francesco Scalese - CONSOB, Divisione Studi (f.scalese@consob.it)

Le opinioni espresse sono attribuibili esclusivamente agli autori e non impegnano in alcun modo la responsabilità dell'Istituto. Nel citare il presente lavoro, non è, pertanto, corretto attribuire le argomentazioni ivi espresse alla Consob o ai suoi Vertici.