Sztuczna inteligencja – jak z niej skorzystać w zarządzaniu ryzykiem ESG? Sztuczna inteligencja – jak z niej skorzystać w zarządzaniu ryzykiem ESG?

Autor Tomasz Falkowski

EY Polska, Financial Risk & Analytics, Menedżer

Menedżer z dużym doświadczeniem w zakresie modelowania ryzyka kredytowego i analityki danych z wykorzystaniem technik uczenia maszynowego.

5 min. czytania 26 maj 2021

Wzrost znaczenia ESG w zakresie zarządzania ryzykiem instytucji finansowych wymusza opracowanie nowatorskich technik oceny. Sztuczna inteligencja może być odpowiedzią na rosnące potrzeby z zakresu analityki danych ESG

Ten artykuł wchodzi w skład 2/2021 wydania  Biuletynu Ryzyka

Obecnie coraz większa część globalnego systemu finansowego (wraz z podmiotami, które go tworzą) zwraca uwagę na istotny wpływ czynników ESG na działalność operacyjną. Nie bez powodu instytucje finansowe szacują ryzyko ESG, aby w większy sposób zabezpieczyć wartość długookresowych inwestycji, a także sprzyjać budowaniu zaufania obecnych oraz przyszłych inwestorów. Zagadnienia związane z obszarem ESG są obecnie wykorzystywane w ramach decyzji inwestycyjnych wykorzystujących czynniki środowiskowe (E), społeczne (S) oraz zasady ładu korporacyjnego (G). W ramach każdej z tych kategorii możemy wyróżnić główne wyzwania, takie jak: 

  • E - zmiany klimatyczne, emisja dwutlenku węgla, zanieczyszczenie, efektywność wykorzystania zasobów, 
  • S - prawa człowieka, standardy pracy, zdrowie i bezpieczeństwo, rozwój kapitału ludzkiego, 
  • G - ład korporacyjny, korupcja, przejrzystość prawa. 

Przykładami instytucji, które w szczególny sposób zwracają uwagę na zagadnienia ESG są banki, które coraz częściej w swoich ofertach uwzględniają produkty sprzyjające osiągnięciu celów zrównoważonego rozwoju. Jednym z przykładów takich działań może być stworzenie funduszu ESG przez globalny bank o korzeniach europejskich, gdzie na podstawie opracowanej metodologii wspiera się decyzje inwestycyjne. Wykonana ocena pozwala na wyodrębnienie finansowo atrakcyjnych inwestycji i zaliczenie ich do powstałego funduszu. Inwestycje te są oceniane na podstawie kilku czynników, takich jak(1): 

  • odpowiedzialność produktowa, 
  • zarządzanie i przejrzystość, 
  • ład korporacyjny, środowisko, 
  • zarządzanie ryzykiem,
  • relacje inwestorskie.

Bezpośrednio na maila

Bądź na bieżąco i subskrybuj newsletter EY

Subskrybuj

Obszar ESG to nie tylko środowisko. Budowa odpowiedniej polityki w zakresie governance stanowi równie istotny czynnik. Firma Pemex działająca w branży petrochemicznej po otrzymaniu negatywnych ratingów ESG nadawanych przez agencję Hermes Credit zobowiązała się do wdrożenia szerokiego programu zrównoważonego rozwoju. Biorąc pod uwagę 35% wzrost bezpieczeństwa pracowników oraz redukcję zasobów wodnych o 66% ocena firmy poprawiła się z 4 na 3 (w skali od 1 do 5, gdzie 5 jest oceną najgorszą). W efekcie spready obligacyjne umocniły się w granicach 80 punktów bazowych (znacznie powyżej globalnych indeksów środowiskowych (GI Grade Energy Index nawet o 45 punktów bazowych), co przekłada się wprost na wzrost bezpieczeństwa i stabilności działania firmy(2).  

Inny przykład dotyczy firmy RobecoSAM, która obniżyła rating europejskiej firmy telekomunikacyjnej do F, oznaczający duże ryzyko, argumentując zbytnią koncentracją funkcji wykonawczych na najwyższym szczeblu organizacji. CEO (założyciel) posiadał wyłączne prawo veta w zakresie podejmowanych decyzji, jak i mianowania osób na funkcje kierownicze. Taki podział budził wątpliwości z perspektywy ryzyka kredytowego dla posiadaczy obligacji. Obniżony rating spowodował wzrost spreadów obligacyjnych, a firma dwa lata później ogłosiła rozczarowujące wyniki finansowe i musiała poddać się restrukturyzacji(3). 

Pomimo bezpośredniego przełożenia czynników ESG na działalność firm, nie tylko na poziomie strategicznym, ale również coraz częściej na poziomie operacyjnym, brakuje obecnie zdefiniowanych oczekiwań regulatorów z zakresu szacowania i raportowania miar ESG. Obecnie wyspecjalizowane agencje ratingowe (np. Thomson Reuters, Vigeo Eiris, MSCI ESG Research, Sustainanalytics) opracowują niezależne ratingi, które maja na celu przybliżenie ryzyka ESG, przed którym musi stanąć dana organizacja.

Dow Jones opublikował pierwszy rating w 1999 roku. Indeks obejmuje 10%-20% największych organizacji zaliczanych do S&P Global Index w zależności od regionu świata. Skala ratingu jest z przedziału od 1 do 100, a ocena odbywa się na zasadzie kwestionariusza, gdzie zaproszone instytucje odpowiadają na pytania z zakresu ładu ekonomicznego, społecznego oraz korporacyjnego. Zakres pytań dotyczy świadomości czynników ESG na przyszłe wyniki organizacji, ekspozycji organizacji na czynniki ESG, mierzalności wskaźników KPI w kwestii oceny komunikacji odnośnie wypełnionych celów korporacyjnych strategii zrównoważonego rozwoju(4).

Innym przykładem jest rating MSCI, który bierze pod uwagę 37 miar skupionych wokół już wspomnianych czynników E, S, G w podziale na 10 sekcji m.in. zmiany klimatu, kapitał ludzki, ład korporacyjny. Dane pochodzą bezpośrednio od rządów, sprawozdań organizacji oraz bazy NGO. Skala ratingowa oscyluje między najlepszym ratingiem AAA, a najgorszym CCC(5). 

Naprzeciw wyzwaniom w zakresie harmonizacji miar wyszła OECD publikując w roku 2020 badanie pokazujące dysproporcje w kwestiach konstrukcji oraz zdolności interpretacyjnych wykorzystywanych miar(6). OECD porównało ratingi trzech dostawców pod kątem korelacji dostarczanych ratingów. Pomimo wykorzystywania podobnych informacji bezpośrednio od zewnętrznych partnerów oraz zbliżonych danych, ratingi ESG nadal mogą znacznie odbiegać od siebie. Obecnie ratingi te są szeroko krytykowane ze względu na adopcję różnych metodologii, co powoduje, że inwestorzy korzystający z takich usług muszą ograniczać się tylko do jednego dostawcy (w przeciwieństwie do „tradycyjnych” ratingów kredytowych, gdzie różnice są marginalne).

Nie ulega wątpliwości, że ilościowa i jakościowa ocena czynników prowadzących do powstania ratingu stanowi wyzwanie dla instytucji finansowych ze względu na procesy skupione wokół zarządzania danymi, identyfikację oraz kwantyfikację. Szczególnym zagadnieniem jest poziom niepewności oszacowania ratingu, związany z oceną kwestii społecznych oraz trudnościami oszacowania poszczególnych miar (w szczególności, gdy wykorzystywane są wyniki finansowe kontrahenta oraz inne obszary działalności, które bezpośrednio mają wpływ na organizacje – np. wpływ na środowisko). 

Jako odpowiedź na powyższe zagadnienia można wskazać współczesne techniki i metody modelowania ilościowego – często nazywane łącznie metodami Sztucznej Inteligencji (Artificial Intelligence – AI). Modele tej klasy pozwalają uwzględniać wielowymiarowe, złożone problemy przy jednoczesnym zachowaniu wysokich zdolności interpretacyjnych (tzw. AI wspierane podejściami XAI). W ramach opracowania i wdrożenia takich rozwiązań, organizacje mogą wspierać się wytycznymi Komisji Europejskiej z 2019 r. w zakresie Godnej Zaufania Sztucznej Inteligencji. Dostarcza ona horyzontalnych standardów dla rozwiązań AI. Dokument może służyć jako wytyczne dla banków, aby wdrażać narzędzia dedykowane problemom ESG w oparciu o zgodność z prawem, etykę oraz solidność tworzonych rozwiązań. Podjęcie próby wyjaśnienia wpływu CO2 na wartość portfela kredytowego, czy też ocena wpływu ryzyka klimatycznego na część portfela kredytowego związanego z sektorem rolnym stanowią przykłady problemów, które mogą zostać rozwiązane za pomocą metod sztucznej inteligencji(7).

Pobierz prezentację

  • Źródła

    (1)  CFA Institute, Guidance and case studies for ESG integration: Equities and fixed income, str. 95

    (2)  CFA Institute, Guidance and case studies for ESG integration: Equities and fixed income, str. 108

    (3) CFA Institute, Guidance and case studies for ESG integration: Equities and fixed income, str. 124, 125

    (4)  FAQ: S&P DJI ESG Scores (spglobal.com)

    (5)  ESG Reports and Ratings: What They Are, Why They Matter (harvard.edu)

    (6)  OECD Business and Finance Outlook 2020: Sustainable and Resilient Finance | OECD iLibrary (oecd-ilibrary.org) (Chapter 2.3)

    (7)  Credit_scoring_in_the_context_of_interpretable_machine_learning.pdf (sgh.waw.pl)

Podsumowanie

Inwestowanie w zrównoważony rozwój ewoluowało przez ostatnie trzy dekady. Rozwój w zakresie ESG skutkował opracowaniem metod, które pozwalają na jego kwantyfikację. Niestety liczba dostarczanych miar wymaga standaryzacji i harmonizacji w celu wspierania odpowiedzialnych inwestycji. Sztuczna inteligencja może wspomóc proces budowania odpowiedzialnego sektora ESG w zakresie zwiększenia zaufania do obsługi procesów.

Kontakt

Chcesz dowiedzieć się więcej? Skontaktuj się z nami.

Informacje

Autor Tomasz Falkowski

EY Polska, Financial Risk & Analytics, Menedżer

Menedżer z dużym doświadczeniem w zakresie modelowania ryzyka kredytowego i analityki danych z wykorzystaniem technik uczenia maszynowego.