Marco Xai-ahp Gaussiano para Decisiones Esge

Cesar Yoshio Machado Pedroza; Arthur Damasceno Vicente

DOI: 10.22167/2675-6528-202602779

Artículo derivado de Trabajo de Fin de Curso (TCC), con contenido basado en el trabajo original del estudiante y adaptado al formato editorial de la Revista E&S con el apoyo de la herramienta ResumeAI, una solución de inteligencia artificial desarrollada por el Instituto Pecege para la síntesis y organización textual.

Resumen

La medición del desempeño ESG en el sector minero es un desafío complejo, dada la tensión entre la demanda de metales esenciales para la transición energética y los costos ambientales frecuentemente subestimados. Para abordar esta cuestión, se desarrolló el framework XAI-AHP-Gaussiano, que integra aprendizaje automático, explicabilidad por inteligencia artificial (XAI) y el Proceso Analítico Jerárquico (AHP) probabilístico. El objetivo no fue solo predecir puntuaciones ESG, sino también comprender sus principales impulsores y el grado de confianza de las explicaciones. El framework se aplicó a 24 años de datos históricos de Teck Resources Limited, una minera canadiense. Se identificó una ruptura estructural significativa en el patrón de divulgación ESG de Teck en 2018, año de adhesión al TCFD, con un aumento del 844,53% en el ESG Disclosure Index, sugiriendo que los frameworks regulatorios voluntarios pueden alterar el comportamiento corporativo. El modelo XGBoost señaló la Liquidez del Mercado como predictor dominante (87,5% de importancia SHAP), resultado interpretado con cautela por su posible correlación con la escala empresarial. La triangulación SHAP-LIME demostró una fuerte convergencia descriptiva (r=0,8580). El AHP-Gaussiano atribuyó un peso dominante a la dimensión Ambiental (56,38%). Un análisis exploratorio de eventos en torno al desastre de Mount Polley (2014) registró un retorno anormal del -60,03% para Teck, leído como un posible reflejo sectorial. El estudio demostró la utilidad del framework para un análisis ESG riguroso e interpretable, reforzando la relevancia del concepto ESGE y la integración de XAI en sistemas de apoyo a la decisión.

Palabras clave: AHP-Gaussiano; ESGE; IA Explicable; Machine Learning; Sector Minero.

1. Introducción

El sector minero se enfrenta a una creciente presión relacionada con factores ambientales, sociales y de gobernanza (ESG). Si bien es vital para la transición energética global, al proporcionar metales como cobre, litio y cobalto, esta industria opera con costos ambientales significativos, a menudo subestimados por los métodos contables tradicionales (Hilson y Murck, 2000). Se proyecta que la demanda de estos minerales críticos aumentará sustancialmente, entre un 400% y un 500% para 2050, para cumplir con los objetivos del Acuerdo de París (Azadi et al., 2020). Esta dualidad posiciona a la minería como parte del problema y de la solución climática, lo que hace que la gobernanza ESG no solo sea relevante, sino urgente para el sector.

La medición del desempeño ESG en el sector minero se ve dificultada por problemas metodológicos específicos. En primer lugar, se observa inconsistencia entre las calificaciones ESG proporcionadas por diferentes agencias, como MSCI, Sustainalytics y Bloomberg, debido a la adopción de criterios y ponderaciones distintos (Berg et al., 2022). En segundo lugar, los modelos predictivos de aprendizaje automático, como XGBoost y Random Forest, aunque alcanzan alta precisión, operan como “cajas negras”, dificultando la comprensión de las razones detrás de sus predicciones (Chen y Ma, 2021). Por último, existe una fragilidad en las ponderaciones en métodos de decisión multicriterio, como el Proceso Analítico Jerárquico (AHP) determinístico, que trata los juicios de expertos como puntos fijos, ignorando la incertidumbre inherente a estas evaluaciones.

Las herramientas para mitigar estos desafíos ya existen, pero rara vez se combinan de forma sistemática. Métodos como SHAP (Lundberg y Lee, 2017) y LIME (Ribeiro et al., 2016) ofrecen explicabilidad para modelos complejos, mientras que DiCE (Mothilal et al., 2020) permite la generación de escenarios contrafactuales. En el dominio de las ponderaciones, el AHP-Gaussiano (Saaty y Vargas, 1987; Hauser y Tadikamalla, 1996) aborda la incertidumbre al sustituir juicios puntuales por distribuciones de probabilidad propagadas mediante simulación Monte Carlo. La brecha reside en la ausencia de una combinación sistemática de estos enfoques para el análisis ESG longitudinal en el sector minero.

El contexto regulatorio, especialmente las recomendaciones del Grupo de Trabajo sobre Divulgaciones Financieras relacionadas con el Clima (TCFD), creado por el Consejo de Estabilidad Financiera en 2015, hace que esta brecha sea aún más apremiante. El modelo de divulgación del TCFD se convirtió rápidamente en una expectativa del mercado, y los reguladores financieros en Canadá, donde opera la empresa estudiada, señalaron su adopción a partir de 2017-2018. La evidencia sugiere que la adhesión temprana al TCFD se asocia con un menor costo de capital, posiblemente debido a la reducción de la asimetría de la información con los inversores (Krueger et al., 2020). Este estudio se centra en Teck Resources Limited (TSX: TECK-B), una minera canadiense diversificada, seleccionada por su relevancia estratégica como una de las mayores del sector en Canadá y por la disponibilidad de datos que permiten observar su transición y la evolución de la importancia de los factores ESG en sus operaciones, incluida la reacción a eventos como el desastre de Mount Polley en 2014.

Ante esta problemática y la necesidad de un enfoque más riguroso y transparente para la evaluación ESG, el presente trabajo se justifica al proponer y probar empíricamente un framework que integra inteligencia artificial explicable (XAI) y el Proceso Analítico Jerárquico Gaussiano (AHP-Gaussiano) para el análisis longitudinal del desempeño ESG en el sector minero. El objetivo general de este estudio es construir un dataset longitudinal ESGE vía text mining de informes corporativos y datos financieros de mercado; probar quiebre estructural en el ESG disclosure en 2018 vía prueba de Chow; desarrollar modelos predictivos con validación temporal; aplicar triangulación XAI validando convergencia metodológica; implementar AHP-Gaussiano con análisis de sensibilidad; realizar análisis exploratorio de eventos en torno al desastre de Mount Polley (2014, Imperial Metals), investigando posible reflejo sectorial sobre Teck; y disponibilizar el framework en un decision support system (Streamlit) y dashboard Power BI para aplicación ejecutiva.

2. Material y Métodos

La investigación se caracterizó como descriptiva-explicativa, buscando describir la evolución temporal del desempeño ESG de Teck Resources Limited a través de estadísticas y explicar fenómenos como la ruptura estructural y la convergencia de métodos de inteligencia artificial explicable (XAI). Se adoptó un enfoque de métodos mixtos (mixed-methods), con predominancia cuantitativa, que incluyó modelado de aprendizaje automático (ML), pruebas estadísticas y simulaciones de Monte Carlo, complementado por un componente cualitativo de minería de texto (text mining) de informes corporativos.

El estudio empleó una estrategia de caso único longitudinal, permitiendo un análisis granular de las dinámicas ESG a lo largo de un período de 24 años. El objeto empírico fue Teck Resources Limited (TSX: TECK-B; NYSE: TECK), una minera canadiense diversificada, fundada en 1913 y con sede en Vancouver, British Columbia. La empresa opera en cuatro líneas de negocio: Cobre, Zinc, Carbón Metalúrgico y Energía.

La selección de Teck Resources Limited se justificó por la disponibilidad de datos públicos de alta calidad, incluidos informes anuales y de sostenibilidad desde 2001, su exposición a múltiples desafíos ESG y su relevancia sectorial, al ser clasificada entre las diez mayores empresas globales en cobre y las cinco mayores en carbón metalúrgico. Esta elección permitió observar la transición y la evolución de la importancia de los factores ESG en sus operaciones.

La recopilación de datos abarcó el período de 2001 a 2024 y utilizó tres fuentes primarias. En primer lugar, se descargaron 24 informes anuales y de sostenibilidad del sitio web corporativo de Teck. Estos documentos, en formato PDF, se convirtieron a texto plano utilizando la biblioteca pdfplumber, con PyPDF2 como método de contingencia, para preservar la estructura espacial de los bloques de texto.

A partir del texto íntegro de los informes, se construyeron dos variables: el Report Quality Score, definido como el recuento de caracteres como proxy de la extensión del informe, y el ESG Disclosure Index, que midió la frecuencia de menciones a términos clave de sostenibilidad en el cuerpo del documento. Este índice fue concebido para medir el volumen de divulgación, y no el rendimiento ESG efectivo, y el recuento fue absoluto, sin normalización por la extensión del documento.

En segundo lugar, se extrajeron series históricas para Teck Resources (ticker TECK-B.TO) y para el índice S&P/TSX Composite (^GSPTSE), utilizado como benchmark de mercado. La extracción se realizó a través de la API de Yahoo Finance, obteniéndose datos de precios de cierre, volumen de negociación y retornos anuales. Se calcularon características adicionales como Market Liquidity (volumen promedio anual), Annual Return (variación porcentual año a año) y métricas de riesgo-retorno, incluyendo Sharpe Ratio, Beta, VaR 95% y Maximum Drawdown.

En tercer lugar, para el análisis exploratorio de eventos en torno al desastre de Mount Polley, ocurrido el 4 de agosto de 2014, se utilizó un modelo de mercado. Este modelo estimó el retorno esperado de Teck mediante regresión OLS en una ventana de estimación de 252 días de negociación previa al evento, permitiendo el cálculo del retorno anormal.

El conjunto de datos ESGE (Environmental, Social, Governance, Economic) se construyó normalizando las características mediante escalado min-max al intervalo [0,1]. El conjunto de datos final comprendió 23 observaciones anuales, correspondientes al período de 2001 a 2024, tras la eliminación de una observación con valor ausente. Se utilizaron cuatro características en la etapa de modelado: ESG Disclosure Index, Report Quality Score, Market Liquidity y Annual Return. Se mapearon indicadores ESG ampliados, pero no se integraron en el recorte final debido a la indisponibilidad de series completas y comparables a lo largo de los 24 años.

El framework XAI-AHP-Gaussiano propuesto integró cinco módulos secuenciales. El Módulo 1, denominado Feature Engineering ESGE, construyó las características normalizadas a partir de los datos brutos. El Módulo 2, Modelado Predictivo ML, entrenó modelos utilizando métodos de ensemble con validación temporal. El Módulo 3, Triangulación XAI, aplicó SHAP global, LIME local y DiCE contrafactual para explicar las predicciones de los modelos.

El Módulo 4, Ponderación AHP-Gaussiano, implementó simulaciones de Monte Carlo para la ponderación probabilística de las dimensiones ESGE. Finalmente, el Módulo 5, Dashboard Ejecutivo, materializó los insights obtenidos en un sistema de apoyo a la decisión desarrollado en Streamlit y un dashboard en Power BI para aplicación ejecutiva.

En el análisis estadístico descriptivo e inferencial, se aplicaron estadísticas descriptivas como media, desviación estándar, coeficiente de variación, asimetría y curtosis para caracterizar las distribuciones de las variables. La normalidad se probó mediante las pruebas de Shapiro-Wilk, Kolmogorov-Smirnov y D’Agostino-Pearson. Se calcularon correlaciones de Pearson y Spearman entre las características, con prueba de significancia a través de p-values (α=0,05).

Para probar la ruptura estructural en 2018, se empleó la prueba de Chow, especificando un modelo de regresión lineal. La magnitud de la ruptura se cuantificó mediante la variación porcentual entre las medias de los períodos pre y post adopción del TCFD. En el modelado de Machine Learning, el conjunto de datos se dividió mediante TimeSeriesSplit (cinco folds), preservando el orden temporal para evitar fugas de datos.

Se entrenaron tres modelos: Baseline (Mean Predictor), Random Forest y XGBoost. Los hiperparámetros se optimizaron mediante GridSearchCV con validación cruzada. El rendimiento se evaluó por R² (coeficiente de determinación), RMSE (root mean squared error) y MAE (mean absolute error), con intervalos de confianza del 95% para R² estimados mediante bootstrap (N=1.000 remuestreos). La importancia de las características se calculó mediante Gini importance (Random Forest), Gain importance (XGBoost) y Permutation importance (model-agnostic), y el sobreajuste se verificó mediante curvas de aprendizaje.

En el análisis XAI mediante triangulación SHAP-LIME-DICE, se aplicaron tres métodos complementarios al modelo XGBoost. SHAP (TreeExplainer) calculó los valores de Shapley para todas las características e instancias, agregándolos mediante la media absoluta para obtener la importancia global. LIME (LimeTabularExplainer) seleccionó diez instancias representativas mediante clustering k-medoids, generando mil perturbaciones por instancia para explicaciones locales, con coeficientes agregados mediante la media ponderada.

DiCE (framework DiceML) generó cinco contrafactuales por instancia a través de optimización basada en gradiente, especificando un aumento del 10% en la puntuación ESGE como resultado deseado, y analizó la viabilidad de los contrafactuales. La convergencia SHAP-LIME se validó mediante la correlación de Pearson entre vectores de importancia normalizados, con umbrales definidos para convergencia fuerte, moderada y débil. También se calculó la Diferencia Absoluta Media entre las importancias SHAP y LIME.

Para el AHP-Gaussiano Monte Carlo, se construyó una matriz paritaria de 4×4 para los criterios ESGE, utilizando la escala de Saaty (1-9). Los juicios centrales (µ_ij) fueron definidos a priori por el autor, basándose en las prioridades ESG reportadas en la literatura para el sector minero (Kumari y Behera, 2021). Cada elemento a_ij fue modelado como una variable aleatoria gaussiana a_ij ~ N(μ_ij, σ²), donde µ_ij representó el juicio central y σ controló la incertidumbre.

Se ejecutaron 10.000 simulaciones de Monte Carlo. En cada iteración, se muestreó una matriz estocástica, se calculó el autovector principal (pesos) y el Consistency Ratio (CR), aceptando la iteración si CR era inferior a 0,10. Se probaron cuatro niveles de ruido σe {0,05; 0,10; 0,15; 0,20}, y se seleccionó σ=0,10 como línea base por equilibrar realismo y robustez.

El benchmarking financiero comparó a Teck Resources con el S&P/TSX Composite utilizando métricas de riesgo-retorno, como Retorno Promedio, Volatilidad, Sharpe Ratio, Sortino Ratio, Beta, VaR 95%, CVaR 95% y Maximum Drawdown. La diferencia de retornos promedio se probó mediante una prueba t independiente. Para el análisis de eventos del desastre de Mount Polley (2014), se estimó el retorno anormal (AR) y el retorno anormal acumulado (CAR[0,+2]) para Teck, utilizando un modelo de mercado vía OLS en una ventana de estimación de 252 días de negociación previos al evento.

3. Resultados y Discusión

El análisis de los datos longitudinales de Teck Resources Limited reveló una dinámica compleja en la evolución del desempeño ESG, con hallazgos que subrayan la importancia de enfoques metodológicos robustos e interpretables. Los resultados indican una heterogeneidad sustancial en las variables ESGE a lo largo del período de 24 años, reflejando la volatilidad inherente al sector minero y a las prácticas de divulgación corporativa. La aplicación del marco XAI-AHP-Gaussiano permitió no solo la predicción de puntuaciones ESG, sino también la identificación de los principales impulsores y la evaluación de la confianza en las explicaciones, según lo propuesto por el objetivo general del estudio.

Estadística descriptiva y quiebre estructural en 2018

El conjunto de datos ESGE, compuesto por 23 observaciones anuales tras la eliminación de un valor faltante, demostró una considerable heterogeneidad entre las variables. El ESG Disclosure Index, por ejemplo, presentó un coeficiente de variación del 131,10%, lo que indica una marcada volatilidad temporal en las prácticas de transparencia de Teck. La Market Liquidity también mostró un coeficiente de variación elevado del 95,27%, un resultado que puede atribuirse a los ciclos de liquidez de las acciones que a menudo acompañan las fluctuaciones en los precios de los productos básicos metálicos. El Annual Return, por su parte, registró una desviación estándar de 81,79%, con un coeficiente de variación del -170,22% calculado sobre el valor absoluto de la media, lo que refleja la significativa exposición de Teck a las variaciones de precios del carbón metalúrgico y del cobre en el mercado global.

La aplicación de la prueba de Chow para identificar una ruptura estructural en 2018 reveló un resultado estadísticamente robusto para el ESG Disclosure Index, con un valor F de 53,94 y p<0,0001. Este hallazgo rechazó la hipótesis nula de estabilidad de los parámetros, indicando un cambio significativo en el patrón de reporte de la empresa, que coincidió con la adopción de las recomendaciones de la Task Force on Climate-related Financial Disclosures (TCFD) ese año. La magnitud de esta ruptura fue notable, con un aumento del 844,53% en la media del ESG Disclosure Index entre el período pre-TCFD (media de 21,21) y el post-TCFD (media de 200,43).

Este resultado corrobora la hipótesis de que los marcos regulatorios voluntarios pueden influir sustancialmente en el comportamiento corporativo en términos de transparencia. Sin embargo, es fundamental interpretar este hallazgo con cautela, ya que el diseño del estudio no permite establecer una relación causal directa. Factores concurrentes, como la creciente presión de los stakeholders y las expectativas del mercado por una mayor divulgación ESG, pueden haber operado simultáneamente, contribuyendo al cambio observado. La Market Liquidity también presentó una ruptura estructural estadísticamente significativa en 2018, con F=28,37 (p<0,0001) y un aumento del 115,73%, sugiriendo una posible asociación con el mayor interés de los inversores en empresas con prácticas de divulgación robustas, aunque otras explicaciones siguen siendo plausibles.

En contraste, el Annual Return no demostró una quiebra estructural estadísticamente significativa (F=0,54, p=0,4705) en el mismo período. Este dato sugiere que, a pesar del aumento expresivo en la transparencia ESG de Teck tras la adopción del TCFD, este cambio no se tradujo en un rendimiento financiero superior a corto plazo. Esta observación es crucial para comprender la complejidad de la relación entre disclosure ESG y valor para el accionista, indicando que los beneficios financieros pueden ser a largo plazo o mediados por otros factores no capturados directamente en este análisis.

Modelado predictivo vía Machine Learning

En la etapa de modelado predictivo, el modelo XGBoost demostró un rendimiento superior en comparación con Random Forest y el modelo base. El coeficiente de determinación (R²) de XGBoost fue de 0,9999, con un intervalo de confianza del 95% entre 0,9996 y 1,0000. Aunque este valor indica un ajuste casi perfecto a los datos dentro de la muestra, es imperativo interpretar este resultado con cautela. El tamaño reducido de la muestra (n=23) puede llevar a métricas de ajuste infladas, que no necesariamente reflejan una capacidad predictiva generalizable a datos fuera de la muestra. En contextos de muestras pequeñas, los modelos complejos tienden a memorizar la señal de entrenamiento, lo que puede generar un ajuste aparente sin valor predictivo real.

A pesar de no haberse identificado una divergencia relevante entre las puntuaciones de entrenamiento y prueba en el recorte evaluado vía TimeSeriesSplit, la muestra limitada impide descartar definitivamente la ocurrencia de overfitting. El error cuadrático medio (RMSE) del XGBoost fue significativamente menor (3,275) en comparación con el Random Forest (82,973), lo que refuerza el mejor ajuste relativo del XGBoost dentro de la muestra analizada. Sin embargo, esta superioridad no se extiende automáticamente a la capacidad predictiva generalizable. La Market Liquidity emergió como la característica dominante, con 87,5% de importancia vía Gain importance y 67,6% vía Permutation importance.

La prominencia de la Liquidez del Mercado como predictor principal exige una interpretación cuidadosa. Es posible que la liquidez de las acciones esté capturando la escala empresarial, que a su vez puede estar correlacionada con inversiones en ESG, en lugar de un compromiso ESG directo de la empresa. Ambas dimensiones, liquidez e inversiones ESG, frecuentemente se correlacionan con el tamaño de la firma, lo que introduce una ambigüedad que los datos disponibles no resuelven de forma concluyente. Por lo tanto, el enfoque analítico de este trabajo recae más sobre los insights generados por los métodos de XAI y por el framework AHP-Gaussiano, cuya robustez metodológica, demostrada por las simulaciones Monte Carlo, independe del grado de ajuste predictivo del modelo subyacente. Para futuras aplicaciones predictivas, se recomienda la ampliación del panel de datos y la adopción de estrategias de regularización más restrictivas.

Triangulación XAI y convergencia SHAP-LIME

La triangulación de los métodos de Inteligencia Artificial Explicable (XAI) reveló una fuerte convergencia descriptiva entre las explicaciones generadas por SHAP y LIME, con un coeficiente de correlación de Pearson de 0,8580. Este valor, aunque elevado, debe ser matizado. La correlación se calculó sobre solo cuatro pares de importancia (uno para cada característica), lo que resulta en pocos grados de libertad (gl=2) e impide la atribución de significancia estadística inferencial (p≈0,14). Así, el coeficiente se trata como un indicador descriptivo de concordancia ordinal entre los métodos, y no como una evidencia inferencial de causalidad o generalización. Este resultado, sin embargo, es compatible con la estabilidad interpretativa relativa del modelo XGBoost en el recorte evaluado, sugiriendo que las explicaciones del modelo son consistentes.

La liquidez del mercado se destacó nuevamente como la característica más dominante, tanto en el análisis SHAP global (con un valor de 192.357) como en el LIME agregado (con 254.931). El Rendimiento Anual ocupó la segunda posición en importancia, con valores de 101.641 para SHAP y 81.452 para LIME. Se observó una discrepancia notable en el Índice de Divulgación ESG, donde SHAP le asignó 5.932 y LIME 19.949. Esta diferencia sugiere que LIME puede sobreestimar la importancia local de esta característica, posiblemente debido a correlaciones espurias identificadas en submuestras específicas, un comportamiento que puede ocurrir en métodos de explicabilidad local.

Adicionalmente, la herramienta DiCE fue utilizada para generar escenarios contrafactuales. Los resultados indicaron que mejoras incrementales en el ESGE score exigirían aumentos simultáneos y de magnitudes imprácticas (superiores a 200%) tanto en la Market Liquidity como en el Annual Return. Este hallazgo es sugestivo de una saturación del modelo en los niveles actuales de performance de la Teck. La interpretación es que el framework ESGE, conforme aplicado, puede estar operando próximo al techo de performance observado para la empresa en el período analizado, indicando que grandes saltos en el score exigirían cambios de magnitud irrealista en las variables de entrada.

Ponderación probabilística vía AHP-Gaussiano

La implementación del AHP-Gaussiano con una desviación estándar (σ) de 0,10 demostró robustez en la ponderación de las dimensiones ESGE. La dimensión Environmental recibió el mayor peso promedio, correspondiente a 56,38%, con un intervalo de confianza del 95% entre 52,93% y 59,54%. Este resultado es altamente compatible con la centralidad atribuida a los desafíos ambientales en el sector minero, que incluyen cuestiones críticas como las emisiones de gases de efecto invernadero, el uso del agua y la gestión de residuos, según lo ampliamente discutido en la literatura (Kumari y Behera, 2021).

Las demás dimensiones se ponderaron de la siguiente manera: Social obtuvo 26,25%, Governance 11,80% y Economic solo 5,57%. Este patrón de priorización es consistente con las prioridades ESG frecuentemente reportadas para el sector de la minería, donde los impactos ambientales se perciben como los más significativos. La proporción de simulaciones consistentes, con P(CR<0,10) de 98,78%, refuerza la estabilidad de las ponderaciones obtenidas, incluso bajo incertidumbre moderada en los juicios paritarios. La ausencia de rank reversal para σ=0,10 y una tasa mínima de 0,03% para σ=0,20 sugieren una estabilidad ordinal de las dimensiones, incluso ante incertidumbres más sustanciales en los juicios.

El enfoque probabilístico del AHP Gaussiano, al modelar los juicios como variables aleatorias gaussianas, mitigó la limitación de no contar con un panel formal de expertos para definir las prioridades. En lugar de asumir juicios puntuales y exactos, la incertidumbre inherente a estas evaluaciones fue modelada y propagada mediante simulación de Monte Carlo. Esto confiere mayor robustez metodológica al framework, permitiendo que las ponderaciones reflejen un espectro de posibilidades y la confianza asociada a cada una de ellas, alineándose con la necesidad de un análisis ESG más riguroso y transparente.

Benchmarking financiero y estudio de eventos Mount Polley

El benchmarking financiero de Teck Resources Limited en comparación con el índice S&P/TSX Composite, para el período de 2001 a 2024, reveló un patrón de retorno superior, pero acompañado de una volatilidad significativamente más alta. Teck registró un retorno promedio aritmético del 48,23%, en contraste con el 16,44% del S&P/TSX Composite, una diferencia estadísticamente significativa (p=0,0089). Sin embargo, la volatilidad de Teck fue aproximadamente tres veces mayor (135,16% frente al 27,67% del índice). El Sharpe Ratio de Teck (0,3346) fue inferior al del S&P/TSX Composite (0,4857), lo que indica que el retorno adicional de la empresa no compensó el riesgo incremental en una base ajustada al riesgo.

La Beta de Teck, de 0,7738, sugiere una exposición sistemática moderada al mercado de acciones canadiense. Sin embargo, cuando se combina con la volatilidad total, que es aproximadamente cinco veces superior a la del índice, este patrón apunta a un predominio de riesgo idiosincrásico, es decir, específico de la firma, en Teck. Esto implica que gran parte de la variabilidad en los rendimientos de Teck no está ligada a movimientos generales del mercado, sino a factores intrínsecos a la empresa o al sector.

El análisis exploratorio de eventos en torno al desastre de la presa de relaves de Mount Polley, ocurrido en 2014 en una operación de Imperial Metals en la misma jurisdicción, registró un retorno anormal de -60,03% para Teck ese año (p=0,0305). Este resultado se interpreta como un posible reflejo de un shock regulatorio sectorial en British Columbia, que afectó a Teck indirectamente. Es importante notar, sin embargo, que esta interpretación tiene tres salvedades cruciales. En primer lugar, el retorno anormal se midió contra un benchmark de mercado, que ya absorbe parte de un efecto puramente sectorial, dificultando el aislamiento del impacto específico del evento.

En segundo lugar, la granularidad anual del análisis difiere de los estudios de eventos convencionales, que utilizan ventanas de tiempo más cortas, aproximando este análisis a un estudio de residuo anual (Campbell et al., 1997). Finalmente, el año 2014 también estuvo marcado por una fuerte caída en el precio del carbón metalúrgico, uno de los principales productos de Teck, lo que significa que los efectos no son separables en este diseño de estudio. El Retorno Anormal Acumulado (CAR[0,+2]) de +381,92% observado en los años subsiguientes es compatible con una recuperación gradual a partir de una base deprimida, pero no permite atribuir causalidad a acciones específicas de la compañía. Estos hallazgos, en conjunto, indican que la materialidad de eventos ESG extremos puede no ser lineal, siendo valorada de forma distinta a deterioros graduales, con implicaciones para modelos de riesgo utilizados por inversores institucionales.

En resumen, los resultados obtenidos demuestran la utilidad del framework XAI-AHP-Gaussiano para un análisis ESG riguroso e interpretable en el sector minero, conforme al objetivo del estudio. La identificación de una ruptura estructural significativa en el disclosure ESG de Teck en 2018, la dominancia de la Market Liquidity como predictor (con las debidas cautelas interpretativas), la convergencia descriptiva de las explicaciones XAI, la priorización de la dimensión Environmental en el AHP-Gaussiano y el impacto sectorial del desastre de Mount Polley proporcionan insights valiosos. Aunque el estudio presenta limitaciones inherentes al tamaño de la muestra y al alcance de caso único, refuerza la relevancia del concepto ESGE y la integración de XAI y métodos de decisión multicriterio probabilísticos para sistemas de apoyo a la decisión.

4. Conclusión

El presente estudio buscó desarrollar y aplicar un marco que integra inteligencia artificial explicable (XAI) y el Proceso Analítico Jerárquico Gaussiano (AHP-Gaussiano) para el análisis longitudinal del desempeño ESG en el sector minero. Se verificó una ruptura estructural significativa en el patrón de divulgación ESG de Teck Resources Limited en 2018, año de adhesión al TCFD, con un aumento del 844,53% en el ESG Disclosure Index, sugiriendo que los marcos regulatorios voluntarios pueden influir en el comportamiento corporativo. El modelo XGBoost identificó la Liquidez del Mercado como predictor dominante, resultado que se interpretó con cautela debido a la posible correlación con la escala empresarial. Se observó una fuerte convergencia descriptiva entre las explicaciones generadas por los métodos SHAP y LIME, y el AHP-Gaussiano atribuyó peso dominante a la dimensión Ambiental, con un 56,38%, alineado a la centralidad de los desafíos ambientales en la minería. Adicionalmente, el análisis exploratorio de eventos en torno al desastre de Mount Polley registró un retorno anormal del -60,03% para Teck, leído como un posible reflejo de shock regulatorio sectorial. La principal contribución del trabajo reside en la proposición y prueba empírica de un marco metodológicamente riguroso e interpretable, que integra XAI y métodos de decisión multicriterio probabilísticos, generando insumos para sistemas de apoyo a la decisión de gestores, reguladores e inversores, y reforzando la relevancia del concepto ESGE.

Las limitaciones del estudio incluyen el tamaño reducido de la muestra (n=23) y el enfoque en un único caso, lo que restringe la generalización de los hallazgos. El índice de divulgación, construido por términos ancla, representó un proxy para el volumen de divulgación, y no para el desempeño ESG efectivo, sin normalización por la extensión del documento. La matriz de juicios del AHP-Gaussiano fue definida por el autor, aunque el modelado probabilístico mitigó la subjetividad inherente. Para estudios futuros, se sugiere expandir el framework a un análisis multi-firma, lo que permitiría probar la generalización de los patrones observados. Se recomienda también mejorar el índice de divulgación, incluyendo normalización y el uso de modelos de lenguaje para capturar matices contextuales. Otra dirección prometedora es el desarrollo de una versión dinámica del AHP-Gaussiano, con pesos que se actualizan conforme a nueva información, aproximando el framework a las condiciones reales de decisión.

Referencias Bibliograficas

Azadi M., Northey S.A., Ali S.H., Edraki M. 2020. Transparencia en las emisiones de gases de efecto invernadero de la minería para permitir la mitigación del cambio climático. Nature Geoscience 13: 100-104.

Berg F., Koelbel J.F., Rigobon R. 2022. Confusión agregada: la divergencia de las calificaciones ESG. Review of Finance 26: 1315-1344.

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

Chen T., Ma X. 2021. Predicción del rendimiento ESG con métodos de machine learning. 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. Desarrollo sostenible en la industria minera: aclarando la perspectiva corporativa. Resources Policy 26: 227-238.

Krueger P., Sautner Z., Starks L.T. 2020. La importancia de los riesgos climáticos para los inversores institucionales. Review of Financial Studies 33: 1067-1111.

Kumari S., Behera B. 2021. Evaluación de la sostenibilidad en el sector minero indio utilizando la toma de decisiones multicriterio. Resources Policy 72: 102119.

Lundberg S.M., Lee S.I. 2017. Un enfoque unificado para interpretar las predicciones del modelo. Actas de la 31ª Conferencia Internacional sobre Sistemas de Procesamiento de Información Neuronal 30: 4768-4777.

Mothilal R.K., Sharma A., Tan C. 2020. Explicando clasificadores de aprendizaje automático a través de diversas explicaciones contrafactuales. Actas de la Conferencia de 2020 sobre Equidad, Responsabilidad y Transparencia: 607-617.

Ribeiro M.T., Singh S., Guestrin C. 2016. ¿Por qué debería confiar en ti? Explicando las predicciones de cualquier clasificador. Actas de la 22ª ACM SIGKDD International Conference on Knowledge Discovery and Data Mining: 1135-1144.

Saaty T.L., Vargas L.G. 1987. Incertidumbre y orden de rango en el proceso jerárquico analítico. European Journal of Operational Research 32: 107-117.

Artículo originario del Trabajo de Conclusión de Curso de la Especialización en Data Science y Analytics del MBA USP/Esalq

Para saber más sobre el curso, haga clic aquí y acceda a la plataforma MBX Academy