Wie Data Science die Berichterstattung ermöglichen kann SFDR
Bereitstellung einer SFDR Berichterstattungslösung, die SFDR PAI-Erfassungslücken mit zuverlässigen Daten überwindet
Die Verordnung der Europäischen Union über die Offenlegung von Informationen über nachhaltige Finanzierungen (SFDR) könnte die Nachhaltigkeitsberichterstattung revolutionieren - und im Gegenzug die Daten, die Unternehmen zur Messung ihrer ESG-Leistung verfolgen, neu ordnen.
Der Zweck von SFDR ist es, die Transparenz der ESG-Angaben von Finanzprodukt- und Dienstleistungsanbietern zu verbessern. Da noch nicht alle relevanten Daten in großem Umfang verfügbar sind, erfordert die Einhaltung von SFDR auch, dass die Finanzmarktteilnehmer erst einmal laufen, bevor sie gehen. In der Vermittlungsphase, wenn die Datenanbieter gerade dabei sind, ihr Angebot zu erweitern, könnte dies kontraproduktiv sein und zu mangelhafter oder falscher Berichterstattung führen. Die Datenwissenschaft kann helfen.
Um die richtigen Daten in großem Umfang verfügbar zu machen, müssen zwei Haupthindernisse überwunden werden:
- Geringe Zuverlässigkeit der gemeldeten Daten. Dies kann darauf zurückzuführen sein, dass die gemeldeten Unternehmensdaten fragmentiert und nicht standardisiert sind und dass es bei verschiedenen Anbietern widersprüchliche oder unzuverlässige Werte gibt.
- Unvollständige Datenerfassung von Metriken und Industriesektoren. Dies ist auf eine unvollständige oder nicht vorhandene Berichterstattung zurückzuführen.
Abbildung 1 zeigt SFDR Erfassungslücken bei den wichtigsten negativen impact (PAI) nach Land, Größe und ausgewählten Indikatoren auf der Grundlage einer Clarity AI datenwissenschaftlich gestützten Analyse von 29.000 Unternehmen.1 Weltweit haben nur 3 % der analysierten Unternehmen mehr als 70 % der 14 vorgeschriebenen PAI gemeldet. Europa ist mit 10 % der Unternehmen, die diese Schwelle erreichen, führend, während nur 3 % der US-Firmen und 1 % der APAC-Firmen dasselbe berichten. Ein Fünftel der Large-Cap-Unternehmen erfüllte die Schwelle, aber nur eines von 50 Small-Cap-Unternehmen. Auch bei den einzelnen Indikatoren gibt es große Unterschiede: 20 % der 29.000 Unternehmen legen Daten zu den Kohlendioxidemissionen offen, aber nur 3 % tun dies auch bei den Daten zum geschlechtsspezifischen Lohngefälle.
ABBILDUNG 1
Unsere Analyse zeigt erhebliche Lücken in der Berichterstattung über die SFDR wichtigsten negativen impact (PAI).
Unternehmen, die mehr als 70% der PAI melden (n = 29.000 Unternehmen), %.
Zusätzlich zur Erfüllung der PAI verlangt SFDR den Nachweis, dass die Unternehmen gute Governance-Praktiken einbeziehen und den Do Not Significant Harm (DNSH)-Test erfüllen - was jeweils mit eigenen Herausforderungen bei der Datenerfassung verbunden ist. Die Umsetzung der Richtlinie der Europäischen Kommission über die Nachhaltigkeitsberichterstattung von Unternehmen (CSRD) wird dazu beitragen, die Lücke zu schließen, und schließlich fast 50.000 Unternehmen dazu verpflichten, über ihre Nachhaltigkeitsleistung anhand einer umfassenden Reihe von Kennzahlen zu berichten. Die CSRD wird bis 2025 vollständig umgesetzt sein, und außereuropäische Länder werden wahrscheinlich noch weiter hinterherhinken.
Clarity AI ist ein Technologieunternehmen und eine Plattform für Nachhaltigkeit mit dem Ziel, gesellschaftliche impact auf den Markt zu bringen.
SFDR Die Anforderungen an die Berichterstattung fügen eine weitere Datenebene zu den 200 Metriken hinzu, die Clarity AI bereits zur Verfügung stellt, um die Leistung in Bezug auf ESG-Risiken und impact auf die Welt sowie die Ausrichtung auf Klimaziele (einschließlich derjenigen der Task Force on Climate-related Financial Disclosures) und die Ausrichtung auf die Ziele für nachhaltige Entwicklung der Vereinten Nationen (SDGs) nachzuweisen. Als One-Stop-Shop bietet Clarity AI seinen Kunden robuste und umfassende Lösungen, um ihre SFDR Offenlegungs- und Produktgestaltungsanforderungen zu erfüllen, indem wir unsere datenwissenschaftlichen Fähigkeiten nutzen.
In diesem Papier stellen wir konkrete Beispiele für die Vorzüge unseres datenwissenschaftlichen Ansatzes für SFDR
Berichterstattung. Wir befassen uns mit den Voraussetzungen für eine solide Modellierung und mit Empfehlungen für die Nutzung der Daten. Außerdem zeigen wir die derzeitigen Einschränkungen auf und erläutern, wie wir das Analyse- und Berichtsmodul SFDR in den kommenden Monaten weiterentwickeln wollen. Der Beitrag befasst sich mit drei spezifischen Anwendungsfällen, bei denen verschiedene Data-Science-Techniken zum Einsatz kommen, die durch die Anforderungen von SFDR veranschaulicht werden:
- Wie die Datenwissenschaft die Zuverlässigkeit der gemeldeten Daten verbessern kann
- Wie maschinelles Lernen die Datenerfassung erweitern kann
- Wie die Verarbeitung natürlicher Sprache die Entwicklung von Metriken unterstützen kann
Während SFDR mehrere Anlageklassen abdeckt, darunter Staatsanleihen und Immobilien, werden wir uns auf Unternehmen konzentrieren.
ABBILDUNG 2
Clarity AI erzielt dank dreier wichtiger Unterscheidungsmerkmale optimale Ergebnisse.
DATENQUELLEN
Zusammenstellung der größten Sammlung strukturierter und unstrukturierter Quellen zur Abdeckung aller wichtigen Themen und Branchen
FACHWISSEN ÜBER TECHNISCHE DATEN
Zusammenführung, Bereinigung und Standardisierung der gesammelten Daten zur Verbesserung der Datenqualität und kontinuierliche Verbesserung der Modelle durch internes und externes Fachwissen (Partnerschaften mit Hochschulen und Beratungsunternehmen)
KÜNSTLICHE INTELLIGENZ
Implementierung modernster Techniken des maschinellen Lernens und der Datenwissenschaft unter Berücksichtigung der Skalierbarkeit für die automatische Auswahl der besten Quellen und zur Ermittlung genauer Schätzungen für nicht gemeldete Daten, um die Zuverlässigkeit und den Erfassungsbereich zu erhöhen
Inwieweit können modellierte Daten in der Berichterstattung von SFDR verwendet werden?
Die erste Frage auf unserer Reise war herauszufinden, inwieweit SFDR den Finanzmarktteilnehmern die Nutzung modellierter Daten ermöglicht. Um diese grundlegende Frage zu beantworten, wandten wir uns an unseren externen Berater und Partner für nachhaltige Regulierung Eco:Fact.
Eines der Hauptziele der SFDR und anderer Vorschriften für nachhaltige Finanzen ist es, die Informationsasymmetrie zwischen Finanzmarktteilnehmern und Investoren zu verringern. Folglich wird von den Finanzmarktteilnehmern erwartet, dass sie ihre Berichterstattung unterstützen und Entscheidungen auf der Grundlage von Daten treffen, die möglicherweise noch nicht zur Verfügung stehen. Dies lässt sich zum Beispiel feststellen, als die innovativen EU-Verordnungen für nachhaltige Finanzen Anforderungen für die Berichterstattung über Nachhaltigkeitsrisiken und negative impact auf Nachhaltigkeitsfaktoren einführten.
Obwohl diese beiden Kategorien eng miteinander verbunden sind, müssen die Finanzmarktteilnehmer Nachhaltigkeitsthemen wie Klimawandel und Menschenrechtsverletzungen aus unterschiedlichen Blickwinkeln beurteilen:
- Eine Analyse des "Nachhaltigkeitsrisikos" konzentriert sich auf potenzielle wesentliche negative impact auf den Wert einer Investition, die sich aus Nachhaltigkeitsfaktoren ergeben (z. B. die impact des Anstiegs des Meeresspiegels auf den Immobilienwert).
- Die Betrachtung "negativer Nachhaltigkeitsimpact" konzentriert sich auf die negativen impact einer Investition auf die Nachhaltigkeit (z. B. Investitionen in stark verschmutzende Unternehmen, die sich negativ auf Ökosysteme und die Gesundheit des Einzelnen auswirken).
Geeignete Daten werden benötigt, um Bewertungen wie die oben beschriebenen durchzuführen; Datenverfügbarkeit, -zugänglichkeit und -zuverlässigkeit sind von zentraler Bedeutung für die Bemühungen der Finanzinstitute, Fragen zu Nachhaltigkeitsrisiken und negativen impact zu beantworten und somit die Erwartungen von SFDRzu erfüllen. Die Regulierungsbehörden sind sich der datenbezogenen Herausforderungen bewusst, mit denen die Institute konfrontiert sind, und arbeiten derzeit an Lösungen, um diese Datenlücke zu schließen, z. B. durch die vorgeschlagene Richtlinie zur Nachhaltigkeitsberichterstattung von Unternehmen (CSRD). In der Zwischenzeit stellt die Regulierungsbehörde der Europäischen Union Instrumente zur Verfügung, die die Finanzmarktteilnehmer nutzen können, um das Problem der Datenverfügbarkeit zu lösen.
Ein Instrument wird in Artikel 7 Absatz 2 der technischen Regulierungsstandards (RTS) erwähnt (gemeinhin als Stufe 2 bezeichnet). (Die RTS unter SFDR werden voraussichtlich irgendwann im Jahr 2022 anwendbar sein.) Diese Bestimmung ist für Situationen relevant, in denen Finanzmarktteilnehmer aufgefordert werden, Daten zu den wichtigsten Indikatoren für negative impact offenzulegen, diese Daten aber nicht ohne weiteres verfügbar sind. In diesem Zusammenhang wird von den Finanzmarktteilnehmern erwartet, dass sie sich nach besten Kräften bemühen, die benötigten Informationen zu erhalten, entweder direkt von den Unternehmen, in die sie investieren, oder durch zusätzliche Recherchen. Sie können auch mit dritten Datenlieferanten oder externen Experten zusammenarbeiten oder angemessene Annahmen treffen. Es ist zu beachten, dass die Finanzmarktteilnehmer auch darüber berichten müssen, was sie nach bestem Bemühen tun.
In dieser Situation ist die Verwendung modellierter Daten durch die Finanzmarktteilnehmer eine Lösung, um das Problem der Datenlücken anzugehen - diese Strategie erfüllt das Kriterium der Erwartung, sich nach besten Kräften zu bemühen. So ermöglichen modellierte Daten den Finanzmarktteilnehmern, ihre Angaben auf einen Ansatz zu stützen, der überprüfbar ist und der von anderen Marktteilnehmern verwendet wird, um vernünftige Annahmen über die impact auf Nachhaltigkeitsfaktoren zu treffen.
Laden Sie den vollständigen Bericht herunter
_______________
1. Für den Schlüssel SFDR PAI konnten wir dank unserer datenwissenschaftlichen Kompetenz die Datenabdeckung im Durchschnitt etwa verfünffachen. In einigen Fällen, in denen keine Daten verfügbar waren, haben wir ganz neue Datensätze entwickelt. Neben Erfassungsproblemen sehen sich die Finanzmarktteilnehmer auch mit Problemen bei der Zuverlässigkeit der gemeldeten Daten konfrontiert, was ein weiterer Bereich ist, in dem unser Data-Science-Ansatz erhebliche Verbesserungen ermöglicht.