Integração de indicadores ESG na avaliação de risco de crédito: Uma abordagem analítica

Abstract

A crescente integração de fatores Environmental, Social and Governance (Ambiental, Social e de Governação) (ESG) no setor financeiro tem impulsionado o desenvolvimento de modelos de risco de crédito mais abrangentes e alinhados com as exigências regulatórias europeias. Neste contexto, a presente dissertação analisa o contributo da incorporação de indicadores ESG no risco de crédito, avaliando o seu impacto no desempenho dos modelos, na explicação do risco e na transparência das decisões. A análise empírica baseia-se numa base de dados com 35 100 observações de empresas, referente ao período de 2022 a 2024, integrando indicadores financeiros e métricas ESG. O risco de crédito é modelado através de classes associadas a níveis de probabilidade de incumprimento. São aplicados modelos de aprendizagem automática, incluindo métodos de ensemble learning, redes neuronais e modelos estatísticos tradicionais, complementados por técnicas de Explainable Artificial Intelligence (Inteligência Artificial Explicável) (XAI). Os resultados evidenciam que os indicadores ESG contribuem positivamente para a avaliação do risco de crédito, embora de forma incremental, reforçando o desempenho dos modelos quando combinados com variáveis financeiras. Destaca-se, ainda, o pilar Social como o principal determinante do risco entre os fatores ESG. O estudo demonstra que a integração de dados ESG, aliada a modelos avançados e técnicas de explicabilidade, melhora a qualidade das decisões de crédito, contribuindo para sistemas mais transparentes, robustos e alinhados com o enquadramento regulatório europeu. Estas evidências reforçam o papel dos fatores ESG na evolução dos modelos de risco e na promoção da estabilidade e sustentabilidade do sistema financeiro.

The growing integration of ESG factors in the financial sector has driven the development of more comprehensive credit risk models, aligned with European regulatory requirements. In this context, this dissertation examines the contribution of ESG indicators to corporate credit risk assessment, focusing on their impact on model performance, risk explanation, and decision transparency. The empirical analysis is based on a dataset of 35,100 firm-level observations covering the period from 2022 to 2024, combining financial variables with ESG metrics. Credit risk is modelled through categorical classes associated with different levels of default probability. A range of machine learning techniques is applied, including ensemble methods, neural networks, and traditional statistical models, complemented by explainable artificial intelligence (XAI) approaches. The results show that ESG indicators provide a positive, although incremental, contribution to credit risk assessment, improving model performance when combined with financial variables. Among ESG dimensions, the Social pillar emerges as the most relevant predictor. Overall, the findings suggest that integrating ESG data, together with advanced modelling techniques and explainability tools, enhances the quality and transparency of credit risk decisions, supporting more robust and sustainable financial systems.