Framework Xai-ahp Gaussiano para Decisões Esge

Cesar Yoshio Machado Pedroza; Arthur Damasceno Vicente

DOI: 10.22167/2675-6528-202602779

Artigo derivado de Trabalho de Conclusão de Curso (TCC), com conteúdo baseado no trabalho original do aluno e adaptado ao formato editorial da Revista E&S com apoio da ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege para síntese e organização textual.

Resumo

A mensuração da performance ESG no setor minerário é um desafio complexo, dada a tensão entre a demanda por metais essenciais para a transição energética e os custos ambientais frequentemente subestimados. Para abordar essa questão, desenvolveu-se o framework XAI-AHP-Gaussiano, que integra aprendizado de máquina, explicabilidade por inteligência artificial (XAI) e o Processo Analítico Hierárquico (AHP) probabilístico. O objetivo foi não apenas predizer scores ESG, mas também compreender seus principais impulsionadores e o grau de confiança das explicações. O framework foi aplicado a 24 anos de dados históricos da Teck Resources Limited, uma mineradora canadense. Identificou-se uma quebra estrutural significativa no padrão de disclosure ESG da Teck em 2018, ano de adesão ao TCFD, com um aumento de 844,53% no ESG Disclosure Index, sugerindo que frameworks regulatórios voluntários podem alterar o comportamento corporativo. O modelo XGBoost apontou a Market Liquidity como preditor dominante (87,5% de importância SHAP), resultado interpretado com cautela por sua possível correlação com a escala empresarial. A triangulação SHAP-LIME demonstrou forte convergência descritiva (r=0,8580). O AHP-Gaussiano atribuiu peso dominante à dimensão Environmental (56,38%). Uma análise exploratória de evento em torno do desastre de Mount Polley (2014) registrou um retorno anormal de -60,03% para a Teck, lido como possível reflexo setorial. O estudo demonstrou a utilidade do framework para uma análise ESG rigorosa e interpretável, reforçando a relevância do conceito ESGE e a integração de XAI em sistemas de apoio à decisão.

Palavras-chave: AHP-Gaussiano; ESGE; Explainable AI; Machine Learning; Setor Minerário.

1. Introdução

O setor minerário enfrenta uma pressão crescente relacionada a fatores ambientais, sociais e de governança (ESG). Embora seja vital para a transição energética global, fornecendo metais como cobre, lítio e cobalto, essa indústria opera com custos ambientais significativos, frequentemente subestimados pelos métodos contábeis tradicionais (Hilson e Murck, 2000). A demanda por esses minerais críticos é projetada para um aumento substancial, entre 400% e 500% até 2050, para atender às metas do Acordo de Paris (Azadi et al., 2020). Essa dualidade posiciona a mineração como parte do problema e da solução climática, o que torna a governança ESG não apenas relevante, mas urgente para o setor.

A mensuração da performance ESG no setor minerário é dificultada por problemas metodológicos específicos. Primeiramente, observa-se inconsistência entre os ratings ESG fornecidos por diferentes agências, como MSCI, Sustainalytics e Bloomberg, devido à adoção de critérios e pesos distintos (Berg et al., 2022). Em segundo lugar, modelos preditivos de aprendizado de máquina, como XGBoost e Random Forest, embora atinjam alta acurácia, operam como “caixas-pretas”, dificultando a compreensão das razões por trás de suas predições (Chen e Ma, 2021). Por fim, há uma fragilidade nas ponderações em métodos de decisão multicritério, como o Processo Analítico Hierárquico (AHP) determinístico, que trata julgamentos de especialistas como pontos fixos, ignorando a incerteza inerente a essas avaliações.

Ferramentas para mitigar esses desafios já existem, mas raramente são combinadas de forma sistemática. Métodos como SHAP (Lundberg e Lee, 2017) e LIME (Ribeiro et al., 2016) oferecem explicabilidade para modelos complexos, enquanto DiCE (Mothilal et al., 2020) permite a geração de cenários contrafactuais. No domínio das ponderações, o AHP-Gaussiano (Saaty e Vargas, 1987; Hauser e Tadikamalla, 1996) aborda a incerteza ao substituir julgamentos pontuais por distribuições de probabilidade propagadas via simulação Monte Carlo. A lacuna reside na ausência de uma combinação sistemática dessas abordagens para a análise ESG longitudinal no setor minerário.

O contexto regulatório, especialmente as recomendações da Task Force on Climate-related Financial Disclosures (TCFD), criada pelo Financial Stability Board em 2015, torna essa lacuna ainda mais premente. O modelo de divulgação do TCFD rapidamente se tornou uma expectativa de mercado, com reguladores financeiros no Canadá, onde a empresa estudada opera, sinalizando a adoção a partir de 2017-2018. A evidência sugere que a adesão precoce ao TCFD está associada a um menor custo de capital, possivelmente pela redução da assimetria informacional com investidores (Krueger et al., 2020). Este estudo se concentra na Teck Resources Limited (TSX: TECK-B), uma mineradora canadense diversificada, selecionada por sua relevância estratégica como uma das maiores do setor no Canadá e pela disponibilidade de dados que permitem observar sua transição e a evolução da importância dos fatores ESG em suas operações, incluindo a reação a eventos como o desastre de Mount Polley em 2014.

Diante dessa problemática e da necessidade de uma abordagem mais rigorosa e transparente para a avaliação ESG, o presente trabalho justifica-se por propor e testar empiricamente um framework que integra inteligência artificial explicável (XAI) e o Processo Analítico Hierárquico Gaussiano (AHP-Gaussiano) para a análise longitudinal da performance ESG no setor minerário. O objetivo geral deste estudo é construir um dataset longitudinal ESGE via text mining de relatórios corporativos e dados financeiros de mercado; testar quebra estrutural no ESG disclosure em 2018 via teste de Chow; desenvolver modelos preditivos com validação temporal; aplicar triangulação XAI validando convergência metodológica; implementar AHP-Gaussiano com análise de sensibilidade; realizar análise exploratória de evento em torno do desastre de Mount Polley (2014, Imperial Metals), investigando possível reflexo setorial sobre a Teck; e disponibilizar o framework em decision support system (Streamlit) e dashboard Power BI para aplicação executiva.

2. Material e Métodos

A pesquisa caracterizou-se como descritiva-explicativa, buscando descrever a evolução temporal da performance ESG da Teck Resources Limited por meio de estatísticas e explicar fenômenos como quebra estrutural e convergência de métodos de inteligência artificial explicável (XAI). Adotou-se uma abordagem de métodos mistos (mixed-methods), com predominância quantitativa, que incluiu modelagem de aprendizado de máquina (ML), testes estatísticos e simulações Monte Carlo, complementada por um componente qualitativo de mineração de texto (text mining) de relatórios corporativos.

O estudo empregou uma estratégia de caso único longitudinal, permitindo uma análise granular das dinâmicas ESG ao longo de um período de 24 anos. O objeto empírico foi a Teck Resources Limited (TSX: TECK-B; NYSE: TECK), uma mineradora canadense diversificada, fundada em 1913 e sediada em Vancouver, British Columbia. A empresa opera em quatro linhas de negócio: Cobre, Zinco, Carvão Metalúrgico e Energia.

A seleção da Teck Resources Limited justificou-se pela disponibilidade de dados públicos de alta qualidade, incluindo relatórios anuais e de sustentabilidade desde 2001, sua exposição a múltiplos desafios ESG e sua relevância setorial, sendo classificada entre as dez maiores empresas globais em cobre e as cinco maiores em carvão metalúrgico. Essa escolha permitiu observar a transição e a evolução da importância dos fatores ESG em suas operações.

A coleta de dados abrangeu o período de 2001 a 2024 e utilizou três fontes primárias. Primeiramente, foram baixados 24 relatórios anuais e de sustentabilidade do website corporativo da Teck. Esses documentos, em formato PDF, foram convertidos para texto plano utilizando a biblioteca pdfplumber, com PyPDF2 como método de contingência, para preservar a estrutura espacial dos blocos de texto.

A partir do texto integral dos relatórios, construíram-se duas variáveis: o Report Quality Score, definido como a contagem de caracteres como proxy da extensão do relatório, e o ESG Disclosure Index, que mensurou a frequência de menções a termos-âncora de sustentabilidade no corpo do documento. Este índice foi concebido para medir o volume de divulgação, e não o desempenho ESG efetivo, e a contagem foi absoluta, sem normalização pela extensão do documento.

Em segundo lugar, extraíram-se séries históricas para a Teck Resources (ticker TECK-B.TO) e para o índice S&P/TSX Composite (^GSPTSE), utilizado como benchmark de mercado. A extração foi realizada via API do Yahoo Finance, obtendo-se dados de preços de fechamento, volume de negociação e retornos anuais. Calcularam-se features adicionais como Market Liquidity (volume médio anual), Annual Return (variação percentual ano a ano) e métricas de risco-retorno, incluindo Sharpe Ratio, Beta, VaR 95% e Maximum Drawdown.

Em terceiro lugar, para a análise exploratória de evento em torno do desastre de Mount Polley, ocorrido em 4 de agosto de 2014, utilizou-se um modelo de mercado. Este modelo estimou o retorno esperado da Teck via regressão OLS em uma janela de estimação de 252 dias de negociação pré-evento, permitindo o cálculo do retorno anormal.

O dataset ESGE (Environmental, Social, Governance, Economic) foi construído normalizando as features via min-max scaling para o intervalo [0,1]. O dataset final compreendeu 23 observações anuais, referentes ao período de 2001 a 2024, após a remoção de uma observação com valor ausente. Quatro features foram utilizadas na etapa de modelagem: ESG Disclosure Index, Report Quality Score, Market Liquidity e Annual Return. Indicadores ESG ampliados foram mapeados, mas não integraram o recorte final devido à indisponibilidade de séries completas e comparáveis ao longo dos 24 anos.

O framework XAI-AHP-Gaussiano proposto integrou cinco módulos sequenciais. O Módulo 1, denominado Feature Engineering ESGE, construiu as features normalizadas a partir dos dados brutos. O Módulo 2, Modelagem Preditiva ML, treinou modelos utilizando ensemble methods com validação temporal. O Módulo 3, Triangulação XAI, aplicou SHAP global, LIME local e DiCE contrafactual para explicar as predições dos modelos.

O Módulo 4, Ponderação AHP-Gaussiano, implementou simulações Monte Carlo para a ponderação probabilística das dimensões ESGE. Por fim, o Módulo 5, Dashboard Executivo, materializou os insights obtidos em um sistema de apoio à decisão desenvolvido em Streamlit e um dashboard em Power BI para aplicação executiva.

Na análise estatística descritiva e inferencial, aplicaram-se estatísticas descritivas como média, desvio padrão, coeficiente de variação, skewness e kurtosis para caracterizar as distribuições das variáveis. A normalidade foi testada por meio dos testes de Shapiro-Wilk, Kolmogorov-Smirnov e D’Agostino-Pearson. Calcularam-se correlações de Pearson e Spearman entre as features, com teste de significância via p-values (α=0,05).

Para testar a quebra estrutural em 2018, empregou-se o teste de Chow, especificando um modelo de regressão linear. A magnitude da quebra foi quantificada pela variação percentual entre as médias dos períodos pré e pós-adoção do TCFD. Na modelagem de Machine Learning, o dataset foi dividido via TimeSeriesSplit (cinco folds), preservando a ordem temporal para evitar vazamento de dados.

Treinaram-se três modelos: Baseline (Mean Predictor), Random Forest e XGBoost. Os hiperparâmetros foram otimizados via GridSearchCV com validação cruzada. A performance foi avaliada por R² (coeficiente de determinação), RMSE (root mean squared error) e MAE (mean absolute error), com intervalos de confiança de 95% para R² estimados via bootstrap (N=1.000 reamostragens). A importância das features foi calculada via Gini importance (Random Forest), Gain importance (XGBoost) e Permutation importance (model-agnostic), e o overfitting foi verificado por meio de learning curves.

Na análise XAI via triangulação SHAP-LIME-DICE, aplicaram-se três métodos complementares ao modelo XGBoost. SHAP (TreeExplainer) calculou Shapley values para todas as features e instâncias, agregando-os via média absoluta para obter a importância global. LIME (LimeTabularExplainer) selecionou dez instâncias representativas via k-medoids clustering, gerando mil perturbações por instância para explicações locais, com coeficientes agregados via média ponderada.

DiCE (DiceML framework) gerou cinco contrafactuais por instância via otimização baseada em gradiente, especificando um aumento de 10% no score ESGE como resultado desejado, e analisou a viabilidade dos contrafactuais. A convergência SHAP-LIME foi validada por meio da correlação de Pearson entre vetores de importância normalizados, com limiares definidos para convergência forte, moderada e fraca. Calculou-se também a Mean Absolute Difference entre as importâncias SHAP e LIME.

Para o AHP-Gaussiano Monte Carlo, construiu-se uma matriz paritária 4×4 para os critérios ESGE, utilizando a escala de Saaty (1-9). Os julgamentos centrais (µ_ij) foram definidos a priori pelo autor, com base nas prioridades ESG reportadas na literatura para o setor minerário (Kumari e Behera, 2021). Cada elemento a_ij foi modelado como uma variável aleatória gaussiana a_ij ~ N(μ_ij, σ²), onde µ_ij representou o julgamento central e σ controlou a incerteza.

Executaram-se 10.000 simulações Monte Carlo. Em cada iteração, amostrou-se uma matriz estocástica, calculou-se o autovetor principal (pesos) e o Consistency Ratio (CR), aceitando a iteração se CR fosse inferior a 0,10. Testaram-se quatro níveis de ruído σe {0,05; 0,10; 0,15; 0,20}, e selecionou-se σ=0,10 como baseline por equilibrar realismo e robustez.

O benchmarking financeiro comparou a Teck Resources com o S&P/TSX Composite utilizando métricas de risco-retorno, como Retorno Médio, Volatilidade, Sharpe Ratio, Sortino Ratio, Beta, VaR 95%, CVaR 95% e Maximum Drawdown. A diferença de retornos médios foi testada via t-test independente. Para a análise de evento do desastre de Mount Polley (2014), estimou-se o retorno anormal (AR) e o retorno anormal cumulativo (CAR[0,+2]) para a Teck, utilizando um modelo de mercado via OLS em uma janela de estimação de 252 dias de negociação pré-evento.

3. Resultados e Discussão

A análise dos dados longitudinais da Teck Resources Limited revelou uma dinâmica complexa na evolução da performance ESG, com achados que sublinham a importância de abordagens metodológicas robustas e interpretáveis. Os resultados indicam uma heterogeneidade substancial nas variáveis ESGE ao longo do período de 24 anos, refletindo a volatilidade inerente ao setor minerário e às práticas de divulgação corporativa. A aplicação do framework XAI-AHP-Gaussiano permitiu não apenas a predição de scores ESG, mas também a identificação dos principais impulsionadores e a avaliação da confiança nas explicações, conforme proposto pelo objetivo geral do estudo.

Estatística descritiva e quebra estrutural em 2018

O dataset ESGE, composto por 23 observações anuais após a remoção de um valor ausente, demonstrou uma heterogeneidade considerável entre as variáveis. O ESG Disclosure Index, por exemplo, apresentou um coeficiente de variação de 131,10%, indicando uma volatilidade temporal acentuada nas práticas de transparência da Teck. A Market Liquidity também exibiu um coeficiente de variação elevado de 95,27%, um resultado que pode ser atribuído aos ciclos de liquidez acionária que frequentemente acompanham as flutuações nos preços das commodities metálicas. O Annual Return, por sua vez, registrou um desvio padrão de 81,79%, com um coeficiente de variação de -170,22% calculado sobre o valor absoluto da média, refletindo a significativa exposição da Teck às variações de preços do carvão metalúrgico e do cobre no mercado global.

A aplicação do teste de Chow para identificar uma quebra estrutural em 2018 revelou um resultado estatisticamente robusto para o ESG Disclosure Index, com um valor F de 53,94 e p<0,0001. Este achado rejeitou a hipótese nula de estabilidade dos parâmetros, indicando uma alteração significativa no padrão de reporte da empresa, que coincidiu com a adoção das recomendações da Task Force on Climate-related Financial Disclosures (TCFD) naquele ano. A magnitude dessa quebra foi notável, com um aumento de 844,53% na média do ESG Disclosure Index entre o período pré-TCFD (média de 21,21) e o pós-TCFD (média de 200,43).

Este resultado corrobora a hipótese de que frameworks regulatórios voluntários podem influenciar substancialmente o comportamento corporativo em termos de transparência. Contudo, é fundamental interpretar este achado com cautela, pois o desenho do estudo não permite estabelecer uma relação causal direta. Fatores concorrentes, como a crescente pressão de stakeholders e as expectativas do mercado por maior disclosure ESG, podem ter operado simultaneamente, contribuindo para a mudança observada. A Market Liquidity também apresentou uma quebra estrutural estatisticamente significativa em 2018, com F=28,37 (p<0,0001) e um aumento de 115,73%, sugerindo uma possível associação com o maior interesse de investidores em empresas com práticas de divulgação robustas, embora outras explicações permaneçam plausíveis.

Em contraste, o Annual Return não demonstrou uma quebra estrutural estatisticamente significativa (F=0,54, p=0,4705) no mesmo período. Este dado sugere que, apesar do aumento expressivo na transparência ESG da Teck após a adoção do TCFD, essa mudança não se traduziu em uma performance financeira superior no curto prazo. Essa observação é crucial para compreender a complexidade da relação entre disclosure ESG e valor para o acionista, indicando que os benefícios financeiros podem ser de longo prazo ou mediados por outros fatores não capturados diretamente nesta análise.

Modelagem preditiva via Machine Learning

Na etapa de modelagem preditiva, o modelo XGBoost demonstrou um desempenho superior em comparação com o Random Forest e o modelo baseline. O coeficiente de determinação (R²) do XGBoost foi de 0,9999, com um intervalo de confiança de 95% entre 0,9996 e 1,0000. Embora este valor indique um ajuste quase perfeito aos dados dentro da amostra, é imperativo interpretar este resultado com cautela. O tamanho reduzido da amostra (n=23) pode levar a métricas de ajuste inflacionadas, que não necessariamente refletem uma capacidade preditiva generalizável para dados fora da amostra. Em contextos de amostras pequenas, modelos complexos tendem a memorizar o sinal de treinamento, o que pode gerar um ajuste aparente sem valor preditivo real.

Apesar de não ter sido identificada uma divergência relevante entre os scores de treinamento e teste no recorte avaliado via TimeSeriesSplit, a amostra limitada impede descartar definitivamente a ocorrência de overfitting. O erro quadrático médio (RMSE) do XGBoost foi significativamente menor (3,275) em comparação com o Random Forest (82,973), o que reforça o melhor ajuste relativo do XGBoost dentro da amostra analisada. Contudo, essa superioridade não se estende automaticamente à capacidade preditiva generalizável. A Market Liquidity emergiu como a feature dominante, com 87,5% de importância via Gain importance e 67,6% via Permutation importance.

A proeminência da Market Liquidity como preditor principal exige uma interpretação cuidadosa. É possível que a liquidez acionária esteja capturando a escala empresarial, que por sua vez pode estar correlacionada com investimentos em ESG, em vez de um compromisso ESG direto da empresa. Ambas as dimensões, liquidez e investimentos ESG, frequentemente se correlacionam com o tamanho da firma, o que introduz uma ambiguidade que os dados disponíveis não resolvem de forma conclusiva. Portanto, o foco analítico deste trabalho recai mais sobre os insights gerados pelos métodos de XAI e pelo framework AHP-Gaussiano, cuja robustez metodológica, demonstrada pelas simulações Monte Carlo, independe do grau de ajuste preditivo do modelo subjacente. Para futuras aplicações preditivas, recomenda-se a ampliação do painel de dados e a adoção de estratégias de regularização mais restritivas.

Triangulação XAI e convergência SHAP-LIME

A triangulação dos métodos de Inteligência Artificial Explicável (XAI) revelou uma forte convergência descritiva entre as explicações geradas por SHAP e LIME, com um coeficiente de correlação de Pearson de 0,8580. Este valor, embora elevado, deve ser qualificado. A correlação foi calculada sobre apenas quatro pares de importância (um para cada feature), o que resulta em poucos graus de liberdade (gl=2) e impede a atribuição de significância estatística inferencial (p≈0,14). Assim, o coeficiente é tratado como um indicador descritivo de concordância ordinal entre os métodos, e não como uma evidência inferencial de causalidade ou generalização. Este resultado, no entanto, é compatível com a estabilidade interpretativa relativa do modelo XGBoost no recorte avaliado, sugerindo que as explicações do modelo são consistentes.

A Market Liquidity novamente se destacou como a feature mais dominante, tanto na análise SHAP global (com um valor de 192.357) quanto no LIME agregado (com 254.931). O Annual Return ocupou a segunda posição em importância, com valores de 101.641 para SHAP e 81.452 para LIME. Uma discrepância notável foi observada no ESG Disclosure Index, onde SHAP atribuiu 5.932 e LIME 19.949. Essa diferença sugere que o LIME pode superestimar a importância local dessa feature, possivelmente devido a correlações espúrias identificadas em subamostras específicas, um comportamento que pode ocorrer em métodos de explicabilidade local.

Adicionalmente, a ferramenta DiCE foi utilizada para gerar cenários contrafactuais. Os resultados indicaram que melhorias incrementais no ESGE score exigiriam aumentos simultâneos e de magnitudes impraticáveis (superiores a 200%) tanto na Market Liquidity quanto no Annual Return. Este achado é sugestivo de uma saturação do modelo nos níveis atuais de performance da Teck. A interpretação é que o framework ESGE, conforme aplicado, pode estar operando próximo ao teto de performance observado para a empresa no período analisado, indicando que grandes saltos no score exigiriam mudanças de magnitude irrealista nas variáveis de entrada.

Ponderação probabilística via AHP-Gaussiano

A implementação do AHP-Gaussiano com um desvio padrão (σ) de 0,10 demonstrou robustez na ponderação das dimensões ESGE. A dimensão Environmental recebeu o maior peso médio, correspondendo a 56,38%, com um intervalo de confiança de 95% entre 52,93% e 59,54%. Este resultado é altamente compatível com a centralidade atribuída aos desafios ambientais no setor minerário, que incluem questões críticas como emissões de gases de efeito estufa, uso de água e gestão de rejeitos, conforme amplamente discutido na literatura (Kumari e Behera, 2021).

As demais dimensões foram ponderadas da seguinte forma: Social obteve 26,25%, Governance 11,80% e Economic apenas 5,57%. Este padrão de priorização é consistente com as prioridades ESG frequentemente reportadas para o setor de mineração, onde os impactos ambientais são percebidos como os mais significativos. A proporção de simulações consistentes, com P(CR<0,10) de 98,78%, reforça a estabilidade das ponderações obtidas, mesmo sob incerteza moderada nos julgamentos paritários. A ausência de rank reversal para σ=0,10 e uma taxa mínima de 0,03% para σ=0,20 sugerem uma estabilidade ordinal das dimensões, mesmo diante de incertezas mais substanciais nos julgamentos.

A abordagem probabilística do AHP-Gaussiano, ao modelar os julgamentos como variáveis aleatórias gaussianas, mitigou a limitação de não ter um painel formal de especialistas para definir as prioridades. Em vez de assumir julgamentos pontuais e exatos, a incerteza inerente a essas avaliações foi modelada e propagada via simulação Monte Carlo. Isso confere maior robustez metodológica ao framework, permitindo que as ponderações reflitam um espectro de possibilidades e a confiança associada a cada uma delas, alinhando-se com a necessidade de uma análise ESG mais rigorosa e transparente.

Benchmarking financeiro e event study Mount Polley

O benchmarking financeiro da Teck Resources Limited em comparação com o índice S&P/TSX Composite, para o período de 2001 a 2024, revelou um padrão de retorno superior, mas acompanhado de uma volatilidade significativamente mais alta. A Teck registrou um retorno médio aritmético de 48,23%, em contraste com os 16,44% do S&P/TSX Composite, uma diferença estatisticamente significativa (p=0,0089). No entanto, a volatilidade da Teck foi aproximadamente três vezes maior (135,16% versus 27,67% do índice). O Sharpe Ratio da Teck (0,3346) foi inferior ao do S&P/TSX Composite (0,4857), indicando que o retorno adicional da empresa não compensou o risco incremental em uma base ajustada ao risco.

O Beta da Teck, de 0,7738, sugere uma exposição sistemática moderada ao mercado acionário canadense. Contudo, quando combinado com a volatilidade total, que é cerca de cinco vezes superior à do índice, este padrão aponta para uma predominância de risco idiossincrático, ou seja, específico da firma, na Teck. Isso implica que grande parte da variabilidade nos retornos da Teck não está ligada a movimentos gerais do mercado, mas sim a fatores intrínsecos à empresa ou ao setor.

A análise exploratória de evento em torno do desastre da barragem de rejeitos de Mount Polley, ocorrido em 2014 em uma operação da Imperial Metals na mesma jurisdição, registrou um retorno anormal de -60,03% para a Teck naquele ano (p=0,0305). Este resultado é interpretado como um possível reflexo de um choque regulatório setorial em British Columbia, que afetou a Teck indiretamente. É importante notar, contudo, que essa interpretação possui três ressalvas cruciais. Primeiramente, o retorno anormal foi medido contra um benchmark de mercado, que já absorve parte de um efeito puramente setorial, dificultando a isolamento do impacto específico do evento.

Em segundo lugar, a granularidade anual da análise difere dos estudos de evento convencionais, que utilizam janelas de tempo mais curtas, aproximando esta análise de um estudo de resíduo anual (Campbell et al., 1997). Por fim, o ano de 2014 também foi marcado por uma forte queda no preço do carvão metalúrgico, um dos principais produtos da Teck, o que significa que os efeitos não são separáveis neste desenho de estudo. O Retorno Anormal Cumulativo (CAR[0,+2]) de +381,92% observado nos anos subsequentes é compatível com uma recuperação gradual a partir de uma base deprimida, mas não permite atribuir causalidade a ações específicas da companhia. Esses achados, em conjunto, indicam que a materialidade de eventos ESG extremos pode não ser linear, sendo precificada de forma distinta de deteriorações graduais, com implicações para modelos de risco utilizados por investidores institucionais.

Em síntese, os resultados obtidos demonstram a utilidade do framework XAI-AHP-Gaussiano para uma análise ESG rigorosa e interpretável no setor minerário, conforme o objetivo do estudo. A identificação de uma quebra estrutural significativa no disclosure ESG da Teck em 2018, a dominância da Market Liquidity como preditor (com as devidas cautelas interpretativas), a convergência descritiva das explicações XAI, a priorização da dimensão Environmental no AHP-Gaussiano e o impacto setorial do desastre de Mount Polley fornecem insights valiosos. Embora o estudo apresente limitações inerentes ao tamanho da amostra e ao escopo de caso único, ele reforça a relevância do conceito ESGE e a integração de XAI e métodos de decisão multicritério probabilísticos para sistemas de apoio à decisão.

4. Conclusão

O presente estudo buscou desenvolver e aplicar um framework que integra inteligência artificial explicável (XAI) e o Processo Analítico Hierárquico Gaussiano (AHP-Gaussiano) para a análise longitudinal da performance ESG no setor minerário. Verificou-se uma quebra estrutural significativa no padrão de disclosure ESG da Teck Resources Limited em 2018, ano de adesão ao TCFD, com um aumento de 844,53% no ESG Disclosure Index, sugerindo que frameworks regulatórios voluntários podem influenciar o comportamento corporativo. O modelo XGBoost identificou a Market Liquidity como preditor dominante, resultado que se interpretou com cautela devido à possível correlação com a escala empresarial. Observou-se forte convergência descritiva entre as explicações geradas pelos métodos SHAP e LIME, e o AHP-Gaussiano atribuiu peso dominante à dimensão Environmental, com 56,38%, alinhado à centralidade dos desafios ambientais na mineração. Adicionalmente, a análise exploratória de evento em torno do desastre de Mount Polley registrou um retorno anormal de -60,03% para a Teck, lido como um possível reflexo de choque regulatório setorial. A principal contribuição do trabalho reside na proposição e teste empírico de um framework metodologicamente rigoroso e interpretável, que integra XAI e métodos de decisão multicritério probabilísticos, gerando insumos para sistemas de apoio à decisão de gestores, reguladores e investidores, e reforçando a relevância do conceito ESGE.

As limitações do estudo incluem o tamanho reduzido da amostra (n=23) e o foco em um único caso, o que restringe a generalização dos achados. O índice de disclosure, construído por termos-âncora, representou uma proxy para o volume de divulgação, e não para o desempenho ESG efetivo, sem normalização pela extensão do documento. A matriz de julgamentos do AHP-Gaussiano foi definida pelo autor, embora a modelagem probabilística tenha mitigado a subjetividade inerente. Para estudos futuros, sugere-se expandir o framework para uma análise multi-firma, o que permitiria testar a generalização dos padrões observados. Recomenda-se também aprimorar o índice de disclosure, incluindo normalização e o uso de modelos de linguagem para capturar nuances contextuais. Outra direção promissora é o desenvolvimento de uma versão dinâmica do AHP-Gaussiano, com pesos que se atualizam conforme novas informações, aproximando o framework das condições reais de decisão.

Referências Bibliográficas

Azadi M., Northey S.A., Ali S.H., Edraki M. 2020. Transparency on greenhouse gas emissions from mining to enable climate change mitigation. Nature Geoscience 13: 100-104.

Berg F., Koelbel J.F., Rigobon R. 2022. Aggregate confusion: the divergence of ESG ratings. Review of Finance 26: 1315-1344.

Campbell J.Y., Lo A.W., MacKinlay A.C. 1997. The econometrics of financial markets. 2ed. Princeton University Press, Princeton, NJ, USA.

Chen T., Ma X. 2021. Predicting ESG performance with machine learning methods. Sustainability 13: 8677.

Hauser D., Tadikamalla P. 1996. The analytic hierarchy process in an uncertain environment: a simulation approach. European Journal of Operational Research 91: 27-37.

Hilson G., Murck B. 2000. Sustainable development in the mining industry: clarifying the corporate perspective. Resources Policy 26: 227-238.

Krueger P., Sautner Z., Starks L.T. 2020. The importance of climate risks for institutional investors. Review of Financial Studies 33: 1067-1111.

Kumari S., Behera B. 2021. Sustainability assessment in the Indian mining sector using multi-criteria decision making. Resources Policy 72: 102119.

Lundberg S.M., Lee S.I. 2017. A unified approach to interpreting model predictions. Proceedings of the 31st International Conference on Neural Information Processing Systems 30: 4768-4777.

Mothilal R.K., Sharma A., Tan C. 2020. Explaining machine learning classifiers through diverse counterfactual explanations. Proceedings of the 2020 Conference on Fairness, Accountability, and Transparency: 607-617.

Ribeiro M.T., Singh S., Guestrin C. 2016. Why should I trust you? Explaining the predictions of any classifier. Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining: 1135-1144.

Saaty T.L., Vargas L.G. 1987. Uncertainty and rank order in the analytic hierarchy process. European Journal of Operational Research 32: 107-117.

Artigo oriundo de Trabalho de Conclusão de Curso da Especialização em Data Science e Analytics do MBA USP/Esalq

Para saber mais sobre o curso, clique aqui e acesse a plataforma MBX Academy