Sustainable SMEs and ESG scoring algorithms: an exploration with machine learning methodologies

Over the past two decades, interest in assessing business ESG performance has soared among companies, investors, and financial institutions, highlighting the importance of maintaining a sustainable reputation. However, the lack of standardized evaluation criteria by rating agencies presents challenges for firms. SMEs, constrained by resources, struggle to obtain accurate ESG ratings but are increasingly inclined towards sustainable practices due to regulatory pressures. Machine learning offers promise in enhancing ESG performance evaluation for SMEs, providing efficiency, accuracy, and data availability benefits. Our study compares traditional methodologies with machine learning algorithms for generating ESG ratings, using identical datasets. We benchmark our ratings against Refinitiv, an established ESG rating agency. Focusing on Italian SMEs listed on the stock exchange, we evaluated 226 elements for conventional rating and 115 for machine learning rating. Precision, recall, and F1-score are used as evaluation metrics. We conducted an additional analysis to explore the relationship between financial performance and ESG factors in Italian SMEs, identifying influential indicators through matrix analysis. The Random Forest algorithm outperforms other machine learning models in classifying ESG performance. Moreover, the comparison between traditional and Random Forest models confirms the superiority of machine learning in predicting ESG performance, notably in capturing true positives and reducing false positives. Machine learning adoption for ESG classification demonstrates better performance, increasing accuracy from 0.56 to 0.78 compared to traditional methods. These advantages can assist SMEs in evaluating and enhancing their ESG practices, advancing sustainability and corporate social responsibility goals.

Negli ultimi due decenni, l'interesse nel valutare le performance ESG delle imprese è cresciuto tra aziende, investitori e istituti finanziari, evidenziando l'importanza di mantenere una reputazione sostenibile. Tuttavia, l'assenza di criteri di valutazione standardizzati da parte delle agenzie di rating pone sfide alle imprese. Le PMI, vincolate dalle risorse, faticano ad ottenere valutazioni ESG accurate ma sono sempre più inclini verso pratiche sostenibili a causa delle pressioni regolamentari. Il machine learning offre promesse nel migliorare la valutazione delle performance ESG per le PMI, offrendo benefici in termini di efficienza, precisione e disponibilità dei dati. Il nostro studio, utilizzando dataset identici, confronta le metodologie tradizionali con gli algoritmi di machine learning per la generazione di valutazioni ESG. Abbiamo confrontato le nostre valutazioni rispetto a quelle fatte da Refinitiv, un'agenzia di rating ESG. Concentrandoci sulle PMI italiane quotate in borsa, abbiamo valutato 226 elementi per la valutazione tradizionale e 115 per quella del machine learning. Precision, recall e F1-score sono stati utilizzati come metriche di valutazione. Abbiamo condotto un'analisi aggiuntiva per esplorare la relazione tra prestazioni finanziarie e ESG nelle PMI italiane, identificando indicatori influenti attraverso l'analisi delle matrici. L'algoritmo Random Forest supera gli altri algoritmi di machine learning nella classificazione delle performance ESG. Inoltre, il confronto tra modelli tradizionali e Random Forest evidenzia la superiorità del machine learning nella previsione delle performance ESG, con particolare efficacia nel rilevare veri positivi e ridurre i falsi positivi. Questo ha un contributo significativo nel miglioramento dell'accuratezza, che passa da 0,56 con il metodo convenzionale a 0,78. Questi vantaggi possono aiutare le PMI a valutare e migliorare le loro pratiche ESG, promuovendo gli obiettivi di sostenibilità e responsabilità sociale d'impresa.