پیش‌بینی پذیرش خوداظهاری‌شده ESG در بنگاه‌های کوچک و متوسط مالزی با استفاده از یادگیری ماشین تبیین‌پذیر
بنگاه‌های کوچک و متوسط (SME) بخش عمده واحدهای کسب‌وکار مالزی را تشکیل می‌دهند و سهم قابل‌توجهی در اشتغال این کشور دارند؛ بااین‌حال، میزان پذیرش معیارهای زیست‌محیطی، اجتماعی و حاکمیتی (ESG) در میان آن‌ها یکسان نیست. در پژوهشی مبتنی بر داده‌های نظرسنجی ۴۵۷ بنگاه کوچک و متوسط رسمی که با شبکه بانکی ارتباط داشتند، محققان بررسی کردند چه ویژگی‌هایی با پذیرش خوداظهاری‌شده ESG ارتباط دارند. این تحلیل ماهیتی پیش‌بینانه دارد و ثابت نمی‌کند که هیچ‌یک از این ویژگی‌ها علت پذیرش این معیارهاست.
نظرسنجی از طریق شبکه‌ای از ذی‌نفعان مرتبط با یک بانک توزیع شد و بنگاه‌های فعال در بخش‌های تولید، تجارت، خدمات، کشاورزی، ساخت‌وساز و سایر حوزه‌ها را دربر گرفت. مالکان و تصمیم‌گیرندگان پرسش‌نامه را تکمیل کردند و ۲۸۵ نفر از پاسخ‌دهندگان، معادل ۶۲٫۳۶ درصد، خود را تنها تصمیم‌گیرنده بنگاه معرفی کردند. این نظرسنجی به زبان‌های انگلیسی، مالایی و ماندارین انجام شد و اطلاعاتی درباره ویژگی‌های بنگاه، جهت‌گیری بازار، آگاهی از ESG، شناخت برنامه‌های حمایتی، منابع دریافت مشاوره، اقدامات عملیاتی، موانع و رویه‌های گزارش‌شده گردآوری کرد.
متغیر پیامد بر اساس پاسخ به این پرسش تعیین شد: «آیا شرکت شما در حال حاضر هیچ‌گونه ابتکار مرتبط با ESG را اجرا می‌کند؟» پاسخ‌دهندگان یکی از چهار گزینه اجرای کامل، اجرای جزئی، برنامه‌ریزی برای اجرا یا عدم اجرا را انتخاب کردند. در تحلیل اصلی، اجرای کامل یا جزئی به‌عنوان پذیرش ESG و برنامه‌ریزی برای اجرا یا عدم اجرا به‌عنوان عدم پذیرش طبقه‌بندی شد. این متغیر وضعیت پذیرش اعلام‌شده از سوی خود بنگاه را نشان می‌دهد، نه عملکرد تأییدشده ESG، کیفیت اجرای آن یا نتایج حاصل از پایداری.
برای کاهش خطر پیش‌بینی دوری، در الگوی اصلی تمام متغیرهای مربوط به اقدامات زیست‌محیطی، اجتماعی و حاکمیتی که بخشی از تعریف پیامد پذیرش را تشکیل می‌دادند، کنار گذاشته شدند. در عوض، ۳۵ متغیر پیش‌بین غیرمرتبط با اقدامات اجرایی حفظ شدند که ویژگی‌های بنگاه، آگاهی از برنامه‌های حمایتی، میزان حضور در بازار، منابع مشاوره و گرایش به تأمین مالی یا ورود به بورس را شامل می‌شدند. پس از پیش‌پردازش و کدگذاری یک‌داغ، این متغیرها به ۱۱۲ ستون ورودی مدل تبدیل شدند. مدیریت مقادیر گمشده و تمام تبدیل‌های وابسته به توزیع داده‌ها نیز درون هر بخش آموزشی انجام شد.
پژوهشگران چهار مدل رگرسیون لجستیک، جنگل تصادفی، XGBoost و ماشین تقویت‌شونده تبیین‌پذیر (EBM) را مقایسه کردند. داده‌ها با حفظ نسبت کلاس‌ها به دو بخش آموزش و آزمون، به‌ترتیب با سهم ۸۰ و ۲۰ درصد، تقسیم شدند. همچنین، اعتبارسنجی متقاطع بیرونی با پنج بخش و تنظیم ابرپارامترها با چهار بخش داخلی انجام گرفت. مجموعه آموزش شامل ۳۶۵ بنگاه و مجموعه آزمون مستقل شامل ۹۲ بنگاه بود. ارزیابی مدل‌ها با استفاده از دقت، امتیاز F1 برای هر کلاس، مساحت زیر منحنی مشخصه عملکرد گیرنده (ROC-AUC)، مساحت زیر منحنی دقت ـ فراخوانی (PR-AUC) با در نظر گرفتن هر دو کلاس به‌عنوان کلاس مثبت و امتیاز بریر انجام شد. برای برآورد عدم‌قطعیت معیارهای آزمون نیز از بوت‌استرپ طبقه‌بندی‌شده با ۱۰۰۰ بار بازنمونه‌گیری استفاده کردند.
مدل جنگل تصادفی در مجموعه آزمون بهترین برآوردهای نقطه‌ای را برای قدرت تفکیک کلاس‌ها به دست آورد؛ مقدار ROC-AUC آن ۰٫۸۵۳ و مقدار PR-AUC با در نظر گرفتن پذیرندگان به‌عنوان کلاس مثبت، ۰٫۹۰۴ بود. در مقایسه‌های زوجی مبتنی بر بوت‌استرپ، ROC-AUC جنگل تصادفی ۰٫۰۵۲ بیشتر از XGBoost بود؛ فاصله اطمینان ۹۵ درصد این اختلاف از ۰٫۰۱۲ تا ۰٫۰۹۳ برآورد شد. این مقدار در مقایسه با ماشین تقویت‌شونده تبیین‌پذیر نیز ۰٫۰۳۶ بیشتر بود و فاصله اطمینان آن از ۰٫۰۰۴ تا ۰٫۰۷۸ قرار داشت. جنگل تصادفی در هر دو معیار PR-AUC نیز عملکردی متمایز از این دو مدل نشان داد. بااین‌حال، در معیار ROC-AUC تفاوت معناداری میان جنگل تصادفی و رگرسیون لجستیک مشاهده نشد و هیچ مدلی در تمام معیارهای گزارش‌شده به‌طور یکپارچه برتر نبود.
تحلیل اهمیت متغیرها با روش جایگشت گروهی نشان داد که شش متغیر در میان ده متغیر مهم نخست هر چهار مدل، بر اساس رتبه‌بندی حاصل از یک مجموعه آزمون مستقل، مشترک بودند: نوع مالکیت، استفاده از مشاوران مالی به‌عنوان منبع اطلاعات ESG، آگاهی از تسهیلات گذار کم‌کربن بانک مرکزی مالزی، قصد ورود به بورس، آگاهی از ابزارهای تأمین مالی پایدار و قصد استفاده از منابع مالی خارجی. نوع مالکیت و استفاده از مشاوران مالی در رتبه‌بندی هر چهار مدل، به‌ترتیب جایگاه اول و دوم را داشتند. استفاده از مشاوران مالی با احتمال پیش‌بینی‌شده کمتر برای پذیرش ESG ارتباط داشت؛ اما به دلیل مقطعی بودن نظرسنجی، مشخص نشد که آیا مشاوران بر پذیرش این معیارها تأثیر می‌گذارند یا بنگاه‌هایی که آمادگی داخلی کمتری دارند، بیشتر به دنبال دریافت مشاوره هستند.
بااین‌حال، رتبه‌بندی متغیرها هنگام برازش مجدد مدل‌ها در بخش‌های مختلف اعتبارسنجی متقاطع ثبات نداشت. استفاده از مشاوران مالی در ۱۹ مورد از ۲۰ رتبه‌بندی ده متغیر برتر مدل ـ بخش، نوع مالکیت در ۱۸ مورد و نوع شرکت یا جهت‌گیری بازار نیز در ۱۸ مورد ظاهر شد. در مقابل، آگاهی از تسهیلات گذار کم‌کربن تنها در هفت رتبه‌بندی و قصد ورود به بورس در سه رتبه‌بندی حضور داشت. متغیرهای مرتبط با آگاهی از برنامه‌های حمایتی نیز ممکن است با یکدیگر همبستگی داشته باشند و بسته به مدل و روش تبیین، اهمیت را میان خود تقسیم کنند یا به متغیرهای دیگر منتقل سازند. بنابراین، نتایج از وجود نشانه‌های پیش‌بینانه‌ای حمایت می‌کنند که به‌طور مکرر دیده می‌شوند، اما ثبات کافی ندارند؛ این یافته‌ها مجموعه‌ای ثابت از عوامل تعیین‌کننده را مشخص نمی‌کنند.
چند محدودیت، دامنه تفسیر این یافته‌ها را مشخص می‌کند. نمونه انتخاب‌شده از شبکه بانکی احتمالاً بیش از حد نماینده بنگاه‌های کوچک و متوسط رسمی دارای روابط بانکی تثبیت‌شده است و نمی‌توان آن را نماینده کل کشور دانست. طراحی مقطعی پژوهش امکان استنباط علّی را فراهم نمی‌کند و سوگیری ناشی از روش مشترک گردآوری داده‌ها و تمایل به ارائه پاسخ‌های مطلوب اجتماعی ممکن است بر ارتباط میان متغیرهای خوداظهاری‌شده و پذیرش ESG تأثیر گذاشته باشد. تبدیل پیامد به یک متغیر دوحالتی نیز تفاوت میان مراحل مختلف اجرا را از بین می‌برد. افزون بر این، کوچک بودن مجموعه آزمون به فاصله‌های عدم‌قطعیت گسترده و برآوردهای نه‌چندان دقیق از کالیبراسیون مدل‌ها منجر شد. از آنجا که اعتبارسنجی خارجی انجام نشده است، این مدل‌ها هنوز برای تخصیص عملی منابع یا اجرای سیاست‌ها آماده نیستند. پژوهش‌های آینده به داده‌های طولی، نمونه‌گیری فراتر از بنگاه‌های مرتبط با بانک‌ها و اعتبارسنجی مدل‌ها با استفاده از سوابق عینی، مانند داده‌های انتشار آلاینده‌ها و نتایج ممیزی زنجیره تأمین، نیاز دارند.
موضوع پژوهش: طبقه‌بندی پذیرش خوداظهاری‌شده ESG در بنگاه‌های کوچک و متوسط رسمی و مرتبط با شبکه بانکی مالزی با استفاده از یادگیری ماشین تبیین‌پذیر
عنوان مقاله: پیش‌بینی پذیرش ESG در بنگاه‌های کوچک و متوسط مالزی با استفاده از یادگیری ماشین تبیین‌پذیر
مشخصات مقاله: Ad-Din, S., & Seera, M. (2026). Predicting ESG adoption among Malaysian SMEs using explainable machine learning. Discover Artificial Intelligence, 6(1), Article 1446. https://doi.org/10.1007/s44163-026-02136-9
اعتبار تصویر: تولیدشده با هوش مصنوعی
شناسه DOI: 10.1007/s44163-026-02136-9
کلیدواژه‌ها: پذیرش ESG، بنگاه‌های کوچک و متوسط مالزی، یادگیری ماشین تبیین‌پذیر، جنگل تصادفی، پژوهش پیمایشی، مدل‌سازی پیش‌بینانه، تأمین مالی پایدار، بنگاه‌های مرتبط با شبکه بانکی