Geri Dön

ESG performance prediction by machine learning

Makine öğrenmesi kullanılarak ESG puan tahminlemesi

PDF İndir

  1. Tez No: 978455
  2. Yazar: ÇİSEM TURĞAY
  3. Danışmanlar: DOÇ. DR. SİNEM ATEŞ
  4. Tez Türü: Yüksek Lisans
  5. Konular: İşletme, Business Administration
  6. Anahtar Kelimeler: ESG, ESG Skoru Tahmini, Finansal Göstergeler, Makine Öğrenmesi, SHAP Analizi, ESG, ESG Score Prediction, Financial Indicators, Machine Learning, SHAP Analysis
  7. Yıl: 2025
  8. Dil: İngilizce
  9. Üniversite: Yalova Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: İşletme Ana Bilim Dalı
  12. Bilim Dalı: İşletme Bilim Dalı
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

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.

Özet (Çeviri)

In recent years, Environmental, Social, and Governance (ESG) performance has emerged as an significant criterion for assessing companies commitment to sustainability and ethical practices. The growing interest in understanding the relationship of ESG scores with financial performance necessitates the improvement of measurement methodologies used in this field. However, methodological discrepancies and data inconsistencies in current ESG rating systems undermine the reliability of assessments and complicate investment decisions. Meanwhile, rising societal, environmental, and investor expectations regarding ESG performance have amplified the need for data-driven analysis and predictive models in sustainability-oriented investment decision-making. The main purpose of this thesis study is to analyze the predictability of companies' ESG scores through financial indicators, based on the assumption that ESG performance should be considered not only as a component of corporate reputation but also as a strategic factor influencing investor decisions. In addition, identifying the financial variables that significantly impact ESG scores and explaining this relationship with theoretical framework are also among the objectives of the study. In pursuit of this aim, a dataset comprising ESG scores and various financial indicators, like profitability, liquidity, leverage, and operational efficiency, of companies listed on Borsa Istanbul (BIST) for the period 2008–2023 was utilized. Regression models were developed using Random Forest (RF), Gradient Boosting, Extreme Gradient Boosting (XGBoost), Light Gradient Boosting Machine (LightGBM), Ridge, and K-Nearest Neighbors (KNN) algorithms, and their performance was assessed using Root Mean Squared Error (RMSE), Mean Absolute Error (MAE), Mean Squared Error (MSE), and Determination coefficient (R²) metrics. To enhance model interpretability, the SHAP (SHapley Additive exPlanations) method was applied, and the financial variables with the greatest influence on ESG score predictions were identified. In addition, model reliability was ensured through cross-validation and hyperparameter optimization processes. From a theoretical perspective, the relationship between ESG and financial structure was explained based on stakeholder theory, legitimacy theory, and theory of slack resources. The main findings of the study show that ESG scores are significantly influenced not only by a few key financial indicators, but also by companies' overall financial structure, strategic spending preferences, and balance sheet components. The analysis results reveal that variables such as intangible assets, period-specific effects, earnings per share, operational expense items, and long-term debt play a decisive role in predicting ESG scores. This situation demonstrates that ESG performance is not only dependent on environmental or social policies, but is also closely linked to companies' resource utilization, investment strategy, and financial sustainability. This thesis study provides both theoretical and methodological contributions to the literature on the prediction of ESG scores. This research, based on a long-term and sector-diverse sample, particularly focused on Turkey as an emerging market, contributes to the development of decision support systems for investors, policy makers, and company managers.

Benzer Tezler

  1. Tez No

    956242

    Makine Öğrenmesi Kullanılarak Çevresel, Sosyal, Yönetişim ve Finansal Performans Tahmini için Hibrit Özellik Seçim Çerçevesi

    Hybrid Feature Selection Framework for Environmental, Social, Governance and Financial Performance Prediction Using Machine Learning

    ALI TAHSEEN ALI RAJAB

    Yüksek Lisans

    Türkçe

    Türkçe

    2025

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÇankırı Karatekin Üniversitesi

    Bilgisayar Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ SEDA ŞAHİN

  2. Tez No

    776439

    Sürdürülebilirlik temelli firma değeri tahmin modelinin geliştirilmesinde makine öğrenmesi tabanlı yaklaşım: OECD ülkeleri bankacılık sektörü uygulaması

    Sustainability-based firm value prediction model development using machine learning approaches: Evidence from the banking sector in OECD countries

    EVRİM HACIOĞLU KAZAK

    Doktora

    Türkçe

    Türkçe

    2023

    BankacılıkYıldız Teknik Üniversitesi

    İşletme Ana Bilim Dalı

    PROF. DR. GÜLER ARAS

  3. Tez No

    967801

    Freezing fog microphysics and visibility over complex terrain based on cfact field campaign

    Donan sis mikrofiziğinin ve görüş mesafesinin dağlik alanlarda cfact proje verileri kullanilarak analizi

    ONUR DURMUŞ

    Doktora

    İngilizce

    İngilizce

    2025

    Meteorolojiİstanbul Teknik Üniversitesi

    Meteoroloji Mühendisliği Ana Bilim Dalı

    PROF. DR. ORHAN ŞEN

  4. Tez No

    879699

    Machine learning assisted force field development for nucleic acids

    Nükleik asitler için makine öğrenimi destekli kuvvet alanı geliştirilmesi

    GÖZDE İNİŞ DEMİR

    Doktora

    İngilizce

    İngilizce

    2024

    Kimyaİstanbul Teknik Üniversitesi

    Hesaplamalı Bilim ve Mühendislik Ana Bilim Dalı (disiplinlerarası)

    PROF. DR. ADEM TEKİN

  5. Tez No

    997647

    The impact of ESG scores on financial performance with a comparative analysis of traditional, machine learning and fuzzy logic approaches in BIST 100 companies

    BIST 100 şirketlerinde ESG skorlarının finansal performans üzerindeki etkisi: Geleneksel, makine öğrenmesi ve bulanık mantık yaklaşımlarının karşılaştırmalı bir analizi

    CANSU ERGENÇ ÖZDAŞ

    Doktora

    İngilizce

    İngilizce

    2025

    İşletmeAnkara Yıldırım Beyazıt Üniversitesi

    İşletme Ana Bilim Dalı

    PROF. DR. RAFET AKTAŞ

Geri Dön