ESG performance prediction by machine learning

Son yıllarda çevresel, sosyal ve yönetişim (ESG) performansı, şirketlerin sürdürülebilirlik ve etik sorumluluklar açısından değerlendirilmesinde önemli bir ölçüt haline gelmiştir. ESG puanlarının finansal performansla olan ilişkisini anlamaya yönelik artan ilgi, bu alanda kullanılan ölçümleme yöntemlerinin geliştirilmesini zorunlu kılmaktadır. Ancak mevcut ESG derecelendirme sistemlerinde karşılaşılan metodolojik farklılıklar ve veri tutarsızlıkları, değerlendirmelerin güvenilirliğini azaltmakta ve yatırım kararlarını güçleştirmektedir. ESG performansına yönelik artan toplumsal, çevresel ve yatırımcı beklentileri ise, sürdürülebilirlik temelli yatırım kararlarında veri odaklı analiz ve tahmin modellerine olan ihtiyacı artırmaktadır. Bu tez çalışmasının temel amacı, şirketlerin ESG skorlarının yalnızca kurumsal itibar açısından değil, aynı zamanda yatırımcı kararlarını etkileyen stratejik bir unsur olarak ele alınması gerektiği varsayımından hareketle, ESG skorlarının finansal göstergeler aracılığıyla tahmin edilebilirliğini analiz etmektir. Ayrıca, ESG skorları üzerinde etkili olan finansal değişkenlerin belirlenmesi ve bu ilişkinin kuramsal temellerle açıklanması da çalışmanın hedefleri arasındadır. İlgili hedefe ulaşmak amacıyla, Borsa İstanbul'da (BIST) faaliyet gösteren şirketlerin 2008–2023 dönemine ait ESG skorları ile kârlılık, likidite, borçluluk ve faaliyet verimliliği gibi çeşitli finansal göstergelerden oluşan bir veri seti kullanılmıştır. Random Forest (RF), Gradient Boosting, Extreme Gradient Boosting (XGBoost), Light Gradient Boosting Machine (LightGBM), Ridge ve K-Nearest Neighbors (KNN) algoritmaları ile regresyon modelleri oluşturulmuş; modellerin performansı Root Mean Squared Error (RMSE), Mean Absolute Error (MAE), Mean Squared Error (MSE) ve Determination coefficient (R²) metrikleriyle değerlendirilmiştir. Model yorumlanabilirliğini artırmak amacıyla SHAP (SHapley Additive exPlanations) yöntemi uygulanmış, ESG skorlarını en yüksek doğrulukla tahmin eden finansal değişkenler belirlenmiştir. Ayrıca, çapraz doğrulama ve hiperparametre optimizasyonu süreçleriyle model güvenilirliği sağlanmıştır. Kuramsal çerçevede ise paydaş teorisi, meşruiyet teorisi ve atıl kaynaklar teorisi temel alınarak ESG ile finansal yapı arasındaki ilişki açıklanmıştır. Araştırmanın temel bulguları, ESG skorlarının yalnızca birkaç temel finansal göstergeden değil, şirketlerin genel mali yapısı, stratejik harcama tercihleri ve bilanço bileşenlerinden de önemli ölçüde etkilendiğini göstermektedir. Analiz sonuçları, özellikle maddi olmayan varlıklar, dönemsel etkiler, hisse başına kâr oranları, operasyonel gider kalemleri ve uzun vadeli borçluluğun ESG skorlarının öngörülmesinde belirleyici rol oynadığını ortaya koymuştur. Bu durum, ESG performansının sadece çevresel ya da sosyal politikalara bağlı olmadığını; aynı zamanda şirketlerin kaynak kullanımı, yatırım stratejisi ve finansal sürdürülebilirlik düzeyleriyle yakından ilişkili olduğunu göstermektedir. Bu tez çalışması, ESG skorlarının tahmin edilmesine yönelik literatüre hem teorik hem de metodolojik katkılar sunmaktadır. Gelişmekte olan bir piyasa olan Türkiye özelinde, uzun dönemli ve sektör çeşitliliği içeren bir örneklem kullanılarak yürütülen bu araştırma; yatırımcılar, politika yapıcılar ve şirket yöneticileri açısından karar destek sistemlerinin geliştirilmesine katkı sağlamaktadır. Anahtar Kelimeler: ESG, ESG Skoru Tahmini, Finansal Göstergeler, Makine Öğrenmesi, SHAP Analizi