本研究旨在探討企業的永續性表現（以TESG總體分數及環境、社會與公司治理三構面分數衡量）是否與其財務績效具有顯著關聯，並依據企業TESG得分高低，劃分為「永續先鋒型」、「永續實踐型」與「永續起步型」三大類別，進一步比較其在資產報酬率（ROA）、股東權益報酬率（ROE）、股價報酬率與夏普比例等財務指標上的差異。研究透過變異數分析（ANOVA）與多重比較法（Tukey HSD）進行統計推論，發現ESG表現佳者於ROA與ROE表現上具顯著優勢，特別是永續先鋒型企業，其平均績效顯著優於其他兩類型；但在報酬率與夏普比例，則未觀察到一致的顯著性。 
進一步地，研究引入多種機器學習技術，包括XGBoost、單純貝氏分類器、支持向量機、邏輯斯迴歸與隨機森林，建構財務績效的預測模型，探討永續性指標在模型中的預測能力與穩定性。結果發現，以XGBoost為基礎的模型在準確率、召回率、F1分數及AUC表現上均優於其他模型，尤其在預測永續實踐型企業的ROA與ROE時展現出極佳的識別能力。相對地，永續先鋒型企業在部分模型中的預測精準度略為下降，顯示不同永續類型企業的資料特性可能對模型預測效能產生影響。 
本研究之貢獻，在於實證證明ESG表現與企業財務績效間具有可觀察且具體的正向關聯性，並引入機器學習工具驗證其預測價值，提供學術研究與實務應用雙方面的重要參考依據。對投資者而言，ESG指標可作為風險控管與投資組合配置的重要因子；對企業而言，ESG經營不僅有助於強化企業韌性與價值創造，亦可提升其資本市場的吸引力。最後，對政策制定者而言，本研究結果支持推動ESG資訊揭露制度與標準化規範之必要性，以促進企業永續治理機制之健全發展。 

 This study investigates the relationship between ESG scores and corporate 
financial performance among Taiwan’s listed companies, focusing on 
profitability (ROA and ROE), stock returns, and Sharpe ratios. Firms are classified into three sustainability tiers—Pioneers, Practitioners, and Beginners—based on their total ESG scores (TESG). Empirical analysis, including ANOVA and post-hoc Tukey HSD tests, reveals that companies with higher ESG ratings exhibit significantly better ROA and ROE performance, especially those in the Pioneer group. However, the relationship between ESG scores and stock returns or risk-adjusted returns remains statistically inconclusive.
In addition to traditional statistical methods, this research applies machine learning models—namely XGBoost, Naive Bayes, Support Vector Machines, Logistic Regression, and Random Forest—to predict financial performance based on ESG indicators. Among these, XGBoost consistently outperforms other algorithms across multiple evaluation metrics (accuracy, recall, F1-score, and AUC), particularly in forecasting the performance of ESG Practitioner firms. 
The findings underscore the positive and measurable impact of ESG practices on corporate financial outcomes and demonstrate the predictive value of ESG indicators through advanced analytics. This study contributes to both academic literature and practical applications, offering actionable insights for investors, corporate managers, and policymakers. It supports the case for enhancing ESG disclosure standards and promoting sustainability integration into financial analysis and decision-making.

目錄
目錄	I
圖目錄	II
表目錄	III
第一章	緒論	1
第一節	研究背景與動機	1
第二節	研究目的	2
第三節	研究架構	3
第二章	文獻探討	5
第一節	ESG 分數與財務績效的關聯	5
第二節	ESG 與股市表現之研究	5
第三節	機器學習在 ESG 預測中的應用	7
第三章	研究方法	9
第一節	資料敘述	9
第二節	股市與財務績效指標	10
第三節	機器學習模型原理	12
第四節	評估準則	16
第四章	研究結果	19
第一節	各變數間相關性比較	19
第二節	不同永續性表現組別的財務績效差異	21
第三節	各種機器學習之表現比較	26
第四節	機器學習模型綜合效能評估	46
第五章	結論與建議	58
參考文獻	60
附錄	62
圖目錄
圖1  研究流程圖	4
圖2  相關係數熱圖	19
圖3  不同 TESG 分數組別的 ROA平均值比較	21
圖4  不同 TESG 分數組別的 ROE平均值比較	22
圖5  不同 TESG 分數組別的近一年報酬率平均值比較	24
圖6  不同 TESG 分數組別的夏普比例平均值比較	25
圖7   ROA在永續起步型分數下的各模型在不同指標上的表現	46
圖8   ROA在永續實踐型分數下的各模型在不同指標上的表現	47
圖9   ROA在永續先鋒型分數下的各模型在不同指標上的表現	48
圖10  ROE在永續起步型分數下的各模型在不同指標上的表現	49
圖11  ROE在永續實踐型分數下的各模型在不同指標上的表現	50
圖12  ROE在永續先鋒型分數下的各模型在不同指標上的表現	51
圖13  報酬率在永續起步型分數下的各模型在不同指標上的表現	52
圖14  報酬率在永續實踐型分數下的各模型在不同指標上的表現	53
圖15  報酬率在永續先鋒型分數下的各模型在不同指標上的表現	54
圖16  夏普比例在永續起步型分數下的各模型在不同指標上的表現	55
圖17  夏普比例在永續實踐型分數下的各模型在不同指標上的表現	56
圖 18  夏普比例在永續先鋒型分數下的各模型在不同指標上的表現	57
表目錄
表 1  混淆矩陣結構表	17
表2  TESG 分數組別對 ROA 影響的 ANOVA 統計結果	21
表3  TESG 分數組別對 ROA 的 TUKEY 多重比較結果	22
表 4  TESG 分數組別對 ROE 影響的 ANOVA 統計結果	23
表 5  TESG 分數組別對 ROE 的 TUKEY 多重比較結果	23
表 6  TESG 分數組別對近一年報酬率影響的 ANOVA 統計結果	24
表7  TESG 分數組別對夏普比例影響的 ANOVA 統計結果	25
表8  ROA 在使用XGBOOST的預測表現	26
表9  ROE在使用XGBOOST的預測表現	27
表10  報酬率在使用XGBOOST的預測表現	28
表11  夏普比例在使用XGBOOST的預測表現	29
表12  ROA 在使用貝氏的預測表現	30
表13  ROE在使用貝氏的預測表現	31
表14  報酬率在使用貝氏的預測表現	32
表15  夏普比例在使用貝氏的預測表現	33
表16  ROA 在使用SVM的預測表現	34
表17  ROE在使用SVM的預測表現	35
表18  報酬率在使用SVM的預測表現	36
表19  夏普比例在使用SVM的預測表現	37
表20  ROA 在使用邏輯斯迴歸的預測表現	38
表21  ROE在使用邏輯斯迴歸的預測表現	39
表22  報酬率在使用邏輯斯迴歸的預測表現	40
表23  夏普比例在使用邏輯斯迴歸的預測表現	41
表24  ROA在使用隨機森林的預測表現	42
表25  ROE在使用隨機森林的預測表現	43
表26  報酬率在使用隨機森林的預測表現	44
表27  夏普比例在使用隨機森林的預測表現	45

中文文獻
鄭莉螢（2025）。ESG揭露對企業財務績效之影響－以臺灣上市公司為例（碩士論文，國立臺灣大學）。國立臺灣大學博碩士論文知識加值系統。取自 http://tdr.lib.ntu.edu.tw/jspui/handle/123456789/97061
英文文獻
Agresti, A. (2018). An introduction to categorical data analysis (3rd ed.). Wiley.
Albuquerque, R., Koskinen, Y., Yang, S., & Zhang, C. (2020). Corporate social responsibility and firm risk: Theory and empirical evidence. Management Science, 65(10), 4451–4469.
Breiman, L. (2001). Random forests. Machine Learning, 45(1), 5–32.
Chen, T., & Guestrin, C. (2016). XGBoost: A scalable tree boosting system. In Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (pp. 785–794). ACM.
Chowdhury, M. A. F., Abdullah, M., Azad, M. A. K., Sulong, Z., & Islam, M. N. (2023). Environmental, social and governance (ESG) rating prediction using machine learning approaches. Annals of Operations Research, 1-25.
Cortes, C., & Vapnik, V. (1995). Support-vector networks. Machine Learning, 20(3), 273–297.
Das, N., Ruf, B., Chatterjee, S., & Sunder, A. (2018). Fund characteristics and performances of socially responsible mutual funds: Do ESG ratings play a role? arXiv preprint, arXiv:1806.09906.
Del Vitto, A., Marazzina, D., & Stocco, D. (2023). ESG ratings explainability through machine learning techniques. Annals of Operations Research, 1-30.
Fain, M. (2022). Performance of ESG investment strategies: Evidence from the 2015–2020 bull market and the impact of COVID-19. Sylff.org.
Friede, G., Busch, T., & Bassen, A. (2015). ESG and financial performance: Aggregated evidence from more than 2000 empirical studies. Journal of Sustainable Finance & Investment, 5(4), 210–233.
Hastie, T., Tibshirani, R., & Friedman, J. (2009). The elements of statistical learning (2nd ed.). Springer.
Hosmer, D. W., Lemeshow, S., & Sturdivant, R. X. (2013). Applied logistic regression (3rd ed.). Wiley.
Iannone, B., Duttilo, P., & Gattone, S. A. (2025). Evaluating the resilience of ESG investments in European markets during turmoil periods. arXiv preprint, arXiv:2501.03269.
James, G., Witten, D., Hastie, T., & Tibshirani, R. (2013). An introduction to statistical learning: with applications in R (Vol. 103). New York: springer.
Kumar, M., & Firoz, M. (2022). ESG disclosures and financial performance: Evidence from Indian firms. Indian Journal of Corporate Governance, 13(2), 157–174.
Krappel, T., Bogun, A., & Borth, D. (2021). Heterogeneous ensemble for ESG ratings prediction. arXiv preprint arXiv:2109.10085.
Le, T. Q. T. (2024). ESG practice and firm financial performance: The delayed effect of ESG in the COVID-19 context in ASEAN countries. Journal of Asian Business and Management, 11(1), Article 2379568.
Lin, Y.-J., & Hsu, C.-H. (2023). Forecasting ESG scores using machine learning techniques in the context of Taiwan. Sustainability, 15(19), 14106.
Lins, K. V., Servaes, H., & Tamayo, A. (2017). Social capital, trust, and firm performance: The value of corporate social responsibility during the financial crisis. The Journal of Finance, 72(4), 1785–1824.
Rish, I. (2001). An empirical study of the naive Bayes classifier. In IJCAI 2001 Workshop on Empirical Methods in Artificial Intelligence.
Schoenmaker, D., & Schramade, W. (2021). Corporate sustainability: Understanding and seizing the strategic opportunity. NYU Stern Report on ESG and Financial Performance. 
Vapnik, V. (1995). The nature of statistical learning theory. Springer-Verlag.