Divergenz bei Scope-3-Emissionsdaten
Ein Autorenteam um Quyen Nguyen von der University of Otago in Neuseeland hat in einem Research Paper die Divergenz von Scope-3-Emissionsdaten verschiedener Daten-Anbieter sowie die Qualität von Machine-Learning-Modellen zur Vorhersage von Scope-3-Emissionen untersucht.
Scope-3-Emissionen beschreiben die Treibhausgasemissionen entlang der Wertschöpfungskette eines Unternehmens. Die Anzahl der Unternehmen, die diese reporten, ist gestiegen. In der Regel sind Unternehmen verpflichtet, über Scope-1- und Scope-2-Emissionen zu berichten, für Scope-3-Emissionen und die zu berichtenden Kategorien gibt es keine verbindlichen Regelungen, was zu großen Unterschieden in der Berichterstattung führt. Beispielsweise werden "Geschäftsreisen" häufig berichtet, machen aber weniger als 1% der gesamten Scope-3-Emissionen aus. Im Gegensatz dazu werden wichtige Kategorien wie "Verwendung verkaufter Produkte" und "Verarbeitung verkaufter Produkte" oft vernachlässigt.
Quelle: Nguyen, Diaz-Rainey, Kitto, McNeil, Pittman, Zhang (2022)
Die Qualität und Genauigkeit der freiwilligen Unternehmensangaben variierten aufgrund der Komplexität der Scope-3-Messung und der uneinheitlichen und unsystematischen Offenlegung. Dies erschwert es Drittanbietern, von Scope-3-Daten zu liefern.
Die Autoren nutzen die aggregierten Scope-3-Emissionsdaten von Bloomberg, ISS und Refinitiv Eikon und berechneten den Anteil der Datenpunkte, die zwischen allen drei Anbietern identisch sind. Die Autoren stellten eine signifikante Divergenz fest. Beispielsweise wiesen Bloomberg und Refinitiv einen Anteil von nur 68% identischer Datenpunkte trotz hoher Korrelationswerte (95%) auf. ISS verwendet, anders als die anderen beiden Anbieter nicht nur gemeldete Emissionswerte, sondern proprietäre Modelle. Daher war hier keiner der Datenpunkte identisch mit Bloomberg oder Refinitiv bei einer Korrelation von 55% bzw. 56% mit den beiden anderen Datensätzen. Solche Diskrepanzen erschweren es Investoren, das tatsächliche Klimarisiko zu identifizieren.
Quelle: Nguyen, Diaz-Rainey, Kitto, McNeil, Pittman, Zhang (2022)
Die Autoren untersuchten auch das Potenzial von Machine-Learning-Modellen für die Vorhersage von Scope-3-Emissionen. Sie stellten fest, dass die Vorhersagegenauigkeit für Scope-3-Emissionen gering ist, selbst wenn hochentwickelte maschinelle Lernalgorithmen verwendet werden. Nach Ansicht der Autoren ist es im Allgemeinen einfacher, die Upstream-Emissionen zu prognostizieren als Downstream-Emissionen.
Aufgrund der Divergenzen betonen die Autoren die Bedeutung einer transparenten Offenlegung der Schätzmethoden der Datenanbieter für institutionelle Investoren.
Mit der Publikation Absolut|impact zeigt Absolut Research das Spektrum nachhaltiger Investments für institutionelle Investoren auf. Anleger erfahren durch Fachbeiträge zu Strategien, Trends, Methoden und Regulierung, wie sie nicht nur ihr Portfolio, sondern auch gesellschaftliche Veränderungen (mit)gestalten können.
