Wie Data-Science-Methoden ESG-Ratings verbessern können

Was sind die wichtigsten Datenquellen und ‑technologien, auf die ESG-Ratingagenturen zurückgreifen? Und wie kann Data Science dazu beitragen, die Genauigkeit und Vergleichbarkeit von ESG-Ratings zu erhöhen? Einen Überblick und erste Antworten auf diese Fragen gibt Veton Biqkaj, der Gewinner unseres studentischen Kreativwettbewerbs „Nachhaltigkeit im Banking von morgen“, im Folgenden.

ESG-Ratings: Bedeutung und Herausforderungen

Die Bedeutung von ESG-Ratings (ESG = Environment, Social, Governance) hat in den letzten Jahren stark zugenommen. Diese Ratings helfen Investor:innen, Unternehmen hinsichtlich ihrer Nachhaltigkeitspraktiken zu bewerten und das Risiko von Investitionen in diese Unternehmen zu minimieren.[1] Allerdings sind sie oft uneinheitlich und können je nach Ratingagentur stark variieren. Dies ist auf die unterschiedlichen Datenquellen und ‑technologien zurückzuführen, auf denen die Bewertung von ESG-Faktoren basiert. Durch den Einsatz von Data-Science-Methoden können Ratingagenturen jedoch die Genauigkeit und Vergleichbarkeit von ESG-Ratings verbessern.[2]

Eine der wichtigsten Datenquellen, auf die ESG-Ratingagenturen zugreifen, sind Unternehmensberichte und Finanzdaten. Die manuelle Analyse dieser Berichte kann jedoch sehr zeitaufwendig sein und zu unterschiedlichen Ergebnissen führen. Hier kommen Natural Language Processing (NLP) und Machine Learning (ML) ins Spiel. Diese Technologien ermöglichen es, große Mengen an Textdaten automatisch zu analysieren und relevante Informationen zu extrahieren. Dadurch können ESG-Ratingagenturen effizienter arbeiten und genauere Bewertungen der Nachhaltigkeitsleistung von Unternehmen erstellen[3].

Data Science und ESG-Ratings

Eine Passage aus dem Buch „Sustainable Finance“, veröffentlicht von Alexandra Zoller und Marco Becker[4], beschreibt die überlegene Effizienz von NLP-basierten Bewertungen und deutet darauf hin, dass manuelle Bewertungen nicht in der Lage sind, eine vergleichbare Genauigkeit und Konsistenz zu erreichen. Ein weiterer Vorteil von NLP ist, dass es auch unstrukturierte Daten wie Social-Media-Beiträge und Pressemitteilungen in die Analyse einbeziehen kann. Das bedeutet, dass ESG-Ratingagenturen ein breiteres Spektrum an Datenquellen nutzen können, um ein umfassenderes Bild von einem Unternehmen zu erhalten.

Weitere wichtige Datenquellen sind ESG-Indikatoren. Diese umfassen eine Vielzahl von Faktoren wie CO2-Emissionen, Arbeitnehmerrechte und Vorstandsstruktur. ESG-Ratingagenturen können auf öffentliche Datenbanken zugreifen, um diese Indikatoren zu sammeln und zu analysieren. Ein Beispiel hierfür ist das Carbon Disclosure Project[5], das Daten über die Umweltauswirkungen von Unternehmen sammelt und diese Informationen an Investor:innen weitergibt.

Machine Learning kann unter anderem zur Verbesserung der Vergleichbarkeit von ESG-Ratings beitragen. Ein Artikel von Finbridge[6] zeigte, dass die Anwendung von Machine Learning zur Klassifizierung von Unternehmen nach ESG-Kriterien (hier wurden das LASSO-Regressionsverfahren und das Verfahren der kleinsten Quadrate benutzt) zu einer höheren Übereinstimmung zwischen verschiedenen Ratingagenturen führte. Mithilfe von Machine Learning können ESG-Ratingagenturen auch die Gewichtung der verschiedenen ESG-Kriterien automatisch anpassen, um sich einen detaillierteren Überblick über ein Unternehmen zu verschaffen.

Data-Science-Methoden in der Praxis

Durch den Einsatz von NLP eröffnet sich die Möglichkeit, die Qualität von ESG-Ratings zu steigern. Das Unternehmen Arabesque AI beispielsweise verwendet auf künstlicher Intelligenz basierende Tools zur Analyse der ESG-Performance von Unternehmen. Große Mengen an Textdaten aus ESG-Berichten, Pressemitteilungen, Nachrichten und anderen Quellen werden gesammelt und untersucht, um so ein besseres Verständnis von der Nachhaltigkeitsleistung von Unternehmen zu gewinnen. Arabesque AI nutzt dabei NLP und die Sentimentanalyse (Teilbereich des Text Mining), um relevante Informationen aus unstrukturierten Daten herauszufiltern und sie in ESG-Ratings zu integrieren.[7]

Fazit

Zusammenfassend lässt sich sagen, dass Data-Science-Methoden – insbesondere die Nutzung von Big Data und Machine Learning, Natural Language Processing sowie alternativen Datenquellen wie Satellitenbildern oder IoT-Sensoren – ein vielversprechendes Mittel darstellen, um die Qualität und Vergleichbarkeit von ESG-Ratings zu erhöhen.

Allerdings ist es wichtig, dass diese Methoden nicht isoliert betrachtet, sondern in Kombination mit anderen Bewertungsverfahren und menschlicher Expertise eingesetzt werden, damit ein besseres Verständnis über die Nachhaltigkeitsleistung von Unternehmen gewonnen und genauere ESG-Ratings erzielt werden können.

Nachhaltigkeit im Banking von morgen: Gewinner des BankingHub-Kreativwettbewerbs 2023

1. Platz

2. Platz

3. Platz

Veton Biqkaj / Gewinner Kreativwettbewerb BankingHub

Veton Biqkaj

Katharina Hoffmann / Zweitplatzierte beim BankingHub-Kreativwettbewerb 2023

Katharina Hoffmann

Marcus Dörner / Drittplatzierter BankingHub-Kreativwettbewerb

Marcus Dörner

„Wie Data-Science-Methoden ESG-Ratings verbessern können“

„Green Bonds“

„Konzept für RWA-Allokation, um ESG-Ziele im Banking zu verbessern“

Die Gewinner unseres Schreibwettbewerbs 2022 finden Sie hier.

[1] Orecchio, A. (2022): ESG Rating and Rankings: meaning and definition – Finscience.
[2] investrends (2022): Wie künstliche Intelligenz die Datenlage bei ESG verbessert.
[3] Ebd.
[4] Zoller, A., & Becker, M. (2022). Nachhaltigkeitsbewertung im Fondsgeschäft mittels Natural Language Processing. In Abdel-Karim, B. M., & Kollmer, F. X. (Hrsg.), Sustainable Finance – Herausforderungen und technologische Lösungen für Banken und Finanzdienstleister (S. 121-130). Verlagsort: Springer.
[5] Carbon Disclosure Project (CDP): Das CDP ist eine Non-Profit-Organisation, die Unternehmen und Regierungen weltweit dabei unterstützt, ihre Umweltauswirkungen zu messen, zu offenbaren, zu verwalten und zu reduzieren. Es sammelt jährlich Daten von Unternehmen und Regierungsbehörden in Bezug auf ihre Klimaauswirkungen und veröffentlicht diese Informationen, um eine umfassende Transparenz und Offenlegung von Umweltdaten zu fördern.
[6] Finbridge (2022): NLP für Finance.
[7] Arabesque Group (2022): About the Arabesque Group.
[8] Vernon E. (2021): How can IoT help your business with ESG reporting and performance?
[9] Geospatial Insight (2023): Geospatial Insight.

Welches Zukunftsthema steht für Sie im Fokus?

Sprechen Sie uns gerne an!

Artikel teilen

Kommentare

Schreiben Sie einen Kommentar

Ihre E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert

BankingHub-Newsletter

Analysen, Artikel sowie Interviews rund um Trends und Innovationen
im Banking alle 2 Wochen direkt in Ihr Postfach