Πώς η Επιστήμη Δεδομένων μπορεί να επιτρέψει την υποβολή εκθέσεων SFDR
Παροχή μιας λύσης υποβολής εκθέσεων SFDR η οποία ξεπερνά τα κενά κάλυψης SFDR PAIs με αξιόπιστα δεδομένα
Ο κανονισμός της Ευρωπαϊκής Ένωσης για τη γνωστοποίηση της βιώσιμης χρηματοδότησης (SFDR) θα μπορούσε να φέρει επανάσταση στην υποβολή εκθέσεων βιωσιμότητας - και, με τη σειρά του, να επαναπροσδιορίσει τα δεδομένα που παρακολουθούν οι εταιρείες για τη μέτρηση των επιδόσεών τους στον τομέα της ESG.
Ο σκοπός της SFDR είναι να βελτιώσει τη διαφάνεια των γνωστοποιήσεων ESG από τους παρόχους χρηματοοικονομικών προϊόντων και υπηρεσιών. Καθώς δεν είναι ακόμη διαθέσιμο κάθε σχετικό στοιχείο σε κλίμακα, η συμμόρφωση με το SFDR απαιτεί επίσης από τους συμμετέχοντες στη χρηματοπιστωτική αγορά να τρέξουν με κάποιο τρόπο πριν περπατήσουν. Στη φάση της διαμεσολάβησης, όταν οι πάροχοι δεδομένων βρίσκονται στη διαδικασία αναβάθμισης της προσφοράς τους, αυτό θα μπορούσε να είναι αντιπαραγωγικό και να οδηγήσει σε ανεπαρκή ή λανθασμένη πληροφόρηση. Η επιστήμη των δεδομένων μπορεί να βοηθήσει.
Η διάθεση των σωστών δεδομένων σε μεγάλη κλίμακα απαιτεί την υπέρβαση δύο βασικών εμποδίων:
- Χαμηλή αξιοπιστία των αναφερόμενων δεδομένων. Αυτό μπορεί να συμβεί επειδή τα αναφερόμενα εταιρικά δεδομένα είναι κατακερματισμένα και μη τυποποιημένα και υπάρχουν αντικρουόμενες ή αναξιόπιστες τιμές σε διαφορετικές υπηρεσίες παροχής.
- Ελλιπής κάλυψη δεδομένων των μετρήσεων και των τομέων της βιομηχανίας. Αυτό συμβαίνει λόγω μερικής ή ανύπαρκτης αναφοράς.
Το Σχήμα 1 απεικονίζει τα κενά κάλυψης των κύριων δυσμενών επιπτώσεων (PAI) του SFDR ανά γεωγραφική περιοχή, μέγεθος και επιλεγμένους δείκτες, με βάση μια ανάλυση 29.000 εταιρειών με βάση την επιστήμη των δεδομένων του Clarity AI .1 Σε παγκόσμιο επίπεδο, μόνο το 3% των εταιρειών που αναλύθηκαν ανέφεραν πάνω από το 70% των 14 υποχρεωτικών PAI. Η Ευρώπη προηγείται με το 10% των εταιρειών να πληροί αυτό το όριο κάλυψης, ενώ μόλις το 3% των εταιρειών των ΗΠΑ και το 1% των εταιρειών της APAC ανέφεραν το ίδιο. Μία στις πέντε εταιρείες μεγάλης κεφαλαιοποίησης πληρούσε το όριο, αλλά μόλις μία στις 50 εταιρείες μικρής κεφαλαιοποίησης. Η κάλυψη ποικίλλει επίσης σε μεγάλο βαθμό ανά δείκτη: το 20% των 29.000 επιχειρήσεων δημοσιοποιεί δεδομένα για τις εκπομπές διοξειδίου του άνθρακα, αλλά μόλις το 3% κάνει το ίδιο για τα δεδομένα σχετικά με το μισθολογικό χάσμα μεταξύ των φύλων.
ΣΧΗΜΑ 1
Η ανάλυσή μας υποδεικνύει σημαντικά κενά κάλυψης στη διεύθυνση SFDR κύριες δυσμενείς επιπτώσεις (PAI).
Εταιρείες που αναφέρουν πάνω από το 70% των PAIs (n = 29.000 εταιρείες), %
Εκτός από την εκπλήρωση των PAIs, το SFDR απαιτεί αποδείξεις για τη συμπερίληψη πρακτικών χρηστής διακυβέρνησης και ότι οι εταιρείες ανταποκρίνονται στο τεστ Do Not Significant Harm (DNSH) - το καθένα από τα οποία συνεπάγεται τις δικές του προκλήσεις όσον αφορά την κάλυψη των δεδομένων. Η εφαρμογή της οδηγίας της Ευρωπαϊκής Επιτροπής για την υποβολή εκθέσεων εταιρικής βιωσιμότητας (CSRD) θα συμβάλει στη γεφύρωση του χάσματος, υποχρεώνοντας τελικά σχεδόν 50.000 εταιρείες να υποβάλλουν εκθέσεις για τις επιδόσεις βιωσιμότητας σε ένα ολοκληρωμένο σύνολο μετρήσεων. Η CSRD θα εφαρμοστεί πλήρως έως το 2025, και οι μη ευρωπαϊκές δικαιοδοσίες είναι πιθανό να υστερήσουν ακόμη περισσότερο.
Clarity AI είναι μια τεχνολογική εταιρεία και πλατφόρμα για τη βιωσιμότητα με αποστολή να φέρει τον κοινωνικό αντίκτυπο στις αγορές.
SFDR οι απαιτήσεις υποβολής εκθέσεων προσθέτουν ένα ακόμη επίπεδο δεδομένων στις 200 μετρήσεις που ήδη παρέχει η Clarity AI για την απόδειξη των επιδόσεων όσον αφορά τους κινδύνους ESG και τον αντίκτυπο στον κόσμο, καθώς και την ευθυγράμμιση με τους κλιματικούς στόχους (συμπεριλαμβανομένων εκείνων της Task Force on Climate-related Financial Disclosures) και την ευθυγράμμιση με τους Στόχους Βιώσιμης Ανάπτυξης (SDGs) του ΟΗΕ. Ως one-stop shop, το Clarity AI παρέχει επίσης στους πελάτες του ισχυρές και ολοκληρωμένες λύσεις για την κάλυψη των απαιτήσεων γνωστοποίησης SFDR και σχεδιασμού προϊόντων, αξιοποιώντας τις ικανότητές μας στην επιστήμη των δεδομένων.
Στο παρόν έγγραφο, παρέχουμε συγκεκριμένα παραδείγματα των πλεονεκτημάτων της προσέγγισής μας στην επιστήμη των δεδομένων για SFDR
την υποβολή εκθέσεων. Ασχολούμαστε με την προϋπόθεση για την ορθή μοντελοποίηση και τις συστάσεις σχετικά με τον τρόπο χρήσης των δεδομένων. Επισημαίνουμε επίσης τους σημερινούς περιορισμούς και τον τρόπο με τον οποίο σκοπεύουμε να αναπτύξουμε περαιτέρω την ενότητα ανάλυσης και υποβολής εκθέσεων SFDR τους επόμενους μήνες. Το έγγραφο διαμορφώνεται γύρω από τρεις συγκεκριμένες περιπτώσεις χρήσης που αξιοποιούν διαφορετικές τεχνικές επιστήμης δεδομένων, οι οποίες απεικονίζονται μέσω των απαιτήσεων του SFDR :
- Πώς η επιστήμη δεδομένων μπορεί να βελτιώσει την αξιοπιστία των αναφερόμενων δεδομένων
- Πώς η μηχανική εκμάθηση μπορεί να επεκτείνει την κάλυψη δεδομένων
- Πώς η επεξεργασία φυσικής γλώσσας μπορεί να ενημερώσει τη μετρική ανάπτυξη
Ενώ το SFDR καλύπτει διάφορες κατηγορίες περιουσιακών στοιχείων, συμπεριλαμβανομένων των κρατικών ομολόγων και των ακινήτων, εμείς θα επικεντρωθούμε στις επιχειρήσεις.
ΣΧΗΜΑ 2
Clarity AI επιτυγχάνει βελτιστοποιημένα αποτελέσματα χάρη σε τρεις βασικούς παράγοντες διαφοροποίησης.
ΠΗΓΕΣ ΔΕΔΟΜΕΝΩΝ
Συγκεντρώστε τη μεγαλύτερη συλλογή δομημένων και μη δομημένων πηγών για να καλύψετε όλα τα βασικά θέματα και τους τομείς της βιομηχανίας
ΕΜΠΕΙΡΟΓΝΩΣΙΑ ΣΕ ΤΕΧΝΙΚΑ ΔΕΔΟΜΕΝΑ
Συγκεντρώστε, καθαρίστε και τυποποιήστε τη συγκεντρωμένη βάση δεδομένων για να βελτιώσετε την ποιότητα των δεδομένων και να βελτιώσετε συνεχώς τα μοντέλα μέσω εσωτερικής και εξωτερικής εμπειρογνωμοσύνης (συνεργασίες με ακαδημαϊκούς και συμβουλευτικές εταιρείες)
ΤΕΧΝΗΤΉ ΝΟΗΜΟΣΎΝΗ
Εφαρμογή σύγχρονων τεχνικών μηχανικής μάθησης και επιστήμης δεδομένων με γνώμονα την επεκτασιμότητα για αυτόματη καλύτερη επιλογή πηγής και για τη λήψη ακριβών εκτιμήσεων για μη αναφερόμενα δεδομένα, αυξάνοντας την αξιοπιστία και την κάλυψη
Σε ποιο βαθμό μπορούν να χρησιμοποιηθούν τα μοντελοποιημένα δεδομένα στις εκθέσεις SFDR ;
Το πρώτο ερώτημα στο ταξίδι μας ήταν να καταλάβουμε σε ποιο βαθμό το SFDR επιτρέπει στους συμμετέχοντες στις χρηματοπιστωτικές αγορές να χρησιμοποιούν μοντελοποιημένα δεδομένα. Για να απαντήσουμε σε αυτό το θεμελιώδες ερώτημα, απευθυνθήκαμε στον εξωτερικό σύμβουλο και συνεργάτη μας Eco:Fact για τη βιώσιμη ρύθμιση.
Ένας από τους βασικούς στόχους του SFDR, καθώς και άλλων κανονισμών για τη βιώσιμη χρηματοδότηση, είναι η μείωση της ασυμμετρίας των πληροφοριών μεταξύ των συμμετεχόντων στη χρηματοπιστωτική αγορά και των επενδυτών. Κατά συνέπεια, οι συμμετέχοντες στη χρηματοπιστωτική αγορά αναμένεται να υποστηρίζουν την υποβολή εκθέσεων και να λαμβάνουν αποφάσεις με βάση δεδομένα που ενδέχεται να μην είναι ακόμη διαθέσιμα. Για παράδειγμα, αυτό μπορεί να σημειωθεί όταν οι καινοτόμοι κανονισμοί της ΕΕ για τη βιώσιμη χρηματοδότηση εισήγαγαν απαιτήσεις για την υποβολή εκθέσεων σχετικά με τους κινδύνους βιωσιμότητας και τις δυσμενείς επιπτώσεις σε παράγοντες βιωσιμότητας.
Αν και αυτές οι δύο κατηγορίες συνδέονται στενά, απαιτούν από τους συμμετέχοντες στις χρηματοπιστωτικές αγορές να αξιολογούν θέματα βιωσιμότητας, όπως η κλιματική αλλαγή και οι παραβιάσεις των ανθρωπίνων δικαιωμάτων, από διαφορετικές οπτικές γωνίες:
- η ανάλυση του «κινδύνου βιωσιμότητας» επικεντρώνεται σε πιθανές σημαντικές αρνητικές επιπτώσεις στην αξία μιας επένδυσης που απορρέουν από παράγοντες αειφορίας (π.χ. ο αντίκτυπος της ανόδου της στάθμης της θάλασσας στις αξίες των ακινήτων).
- η εξέταση των «δυσμενών επιπτώσεων βιωσιμότητας» επικεντρώνεται στις αρνητικές επιπτώσεις μιας επένδυσης στις επιπτώσεις της βιωσιμότητας (π.χ. επενδύσεις σε εξαιρετικά ρυπογόνες εταιρείες που επηρεάζουν αρνητικά τα οικοσυστήματα και την υγεία των ατόμων).
Η διαθεσιμότητα, η προσβασιμότητα και η αξιοπιστία των δεδομένων είναι κεντρικής σημασίας για τις προσπάθειες των χρηματοπιστωτικών ιδρυμάτων να απαντήσουν σε ερωτήματα σχετικά με τους κινδύνους βιωσιμότητας και τις αρνητικές επιπτώσεις και, ως εκ τούτου, να ανταποκριθούν στις προσδοκίες της ιστοσελίδας SFDR. Οι ρυθμιστικές αρχές έχουν επίγνωση των προκλήσεων που σχετίζονται με τα δεδομένα που αντιμετωπίζουν τα ιδρύματα και επί του παρόντος σχεδιάζουν λύσεις για τη γεφύρωση αυτού του κενού δεδομένων μέσω, για παράδειγμα, της προτεινόμενης οδηγίας για την υποβολή εκθέσεων εταιρικής βιωσιμότητας (CSRD). Εν τω μεταξύ, η ρυθμιστική αρχή της Ευρωπαϊκής Ένωσης παρέχει εργαλεία που μπορούν να χρησιμοποιήσουν οι συμμετέχοντες στη χρηματοπιστωτική αγορά για να αντιμετωπίσουν το ζήτημα της διαθεσιμότητας δεδομένων.
Ένα εργαλείο αναφέρεται στο άρθρο 7 παράγραφος 2 των ρυθμιστικών τεχνικών προτύπων (RTS) (συνήθως αναφέρεται ως επίπεδο 2). (Οι RTS στο πλαίσιο της ιστοσελίδας SFDR αναμένεται να τεθούν σε εφαρμογή κάποια στιγμή το 2022.) Η διάταξη αυτή έχει σημασία για τις περιπτώσεις στις οποίες οι συμμετέχοντες στη χρηματοπιστωτική αγορά καλούνται να δημοσιοποιήσουν δεδομένα σχετικά με τους κύριους δείκτες δυσμενών επιπτώσεων, αλλά τα δεδομένα αυτά δεν είναι άμεσα διαθέσιμα. Σε αυτό το πλαίσιο, οι συμμετέχοντες στη χρηματοπιστωτική αγορά αναμένεται να καταβάλλουν "κάθε δυνατή προσπάθεια" για να λάβουν τις πληροφορίες που χρειάζονται, είτε απευθείας από τις εταιρείες επενδύσεων είτε διεξάγοντας πρόσθετη έρευνα. Μπορούν επίσης να συνεργαστούν με τρίτους παρόχους δεδομένων ή εξωτερικούς εμπειρογνώμονες ή να κάνουν εύλογες υποθέσεις. Θα πρέπει να σημειωθεί ότι οι συμμετέχοντες στη χρηματοπιστωτική αγορά πρέπει επίσης να αναφέρουν τι συνιστά τις καλύτερες δυνατές προσπάθειές τους.
Σε αυτήν την περίπτωση, η χρήση μοντελοποιημένων δεδομένων από τους συμμετέχοντες στις χρηματοπιστωτικές αγορές είναι μια λύση για την αντιμετώπιση της πρόκλησης των κενών δεδομένων — αυτή η στρατηγική πληροί τα κριτήρια της προσδοκίας να καταβάλουν τις καλύτερες δυνατές προσπάθειες. Για παράδειγμα, τα μοντελοποιημένα δεδομένα επιτρέπουν στους συμμετέχοντες στις χρηματοπιστωτικές αγορές να βασίζουν τις γνωστοποιήσεις τους σε μια προσέγγιση που είναι επαληθεύσιμη και χρησιμοποιείται από άλλους συμμετέχοντες στην αγορά για να κάνουν εύλογες υποθέσεις σχετικά με τις επιπτώσεις στους παράγοντες αειφορίας.
_______________
1. Για τα βασικά SFDR PAI, η τεχνογνωσία μας στην επιστήμη των δεδομένων μας επέτρεψε να πολλαπλασιάσουμε την κάλυψη των δεδομένων κατά περίπου πέντε φορές, κατά μέσο όρο. Σε ορισμένες περιπτώσεις, όταν δεν υπήρχαν διαθέσιμα δεδομένα, αναπτύξαμε ολόκληρα νέα σύνολα δεδομένων. Παράλληλα με τα ζητήματα κάλυψης, οι συμμετέχοντες στη χρηματοπιστωτική αγορά αντιμετωπίζουν επίσης ζητήματα αξιοπιστίας των αναφερόμενων δεδομένων, το οποίο είναι ένας άλλος τομέας στον οποίο η προσέγγισή μας στην επιστήμη των δεδομένων παρέχει σημαντικές βελτιώσεις.
