"ESG", i nuovi fattori nella valutazione delle imprese

di Emanuele Davide Ruffino ed Elisa Gramaglia

Nel mondo economico sta prendendo sempre più consapevolezza che i prezzi dei prodotti e servizi e ancor più le quotazioni in borsa non possono più essere determinati dai meccanismi di domanda e offerta o dai soli parametri finanziari. La realtà sta dimostrando che anche fattori riconducibili all’Environmental, Social e Governance (ESG), ovvero fattori ambientali, sociali e socio-gestionali, risultano essere determinanti per il successo di un’impresa, consentendo un miglioramento delle condizioni economiche e della resilienza bancaria (condizione sempre più richiesta).

Valutazioni etiche per il business

La cultura che comincia ad informare gli investitori considera con sempre maggiore attenzione la gestione delle problematiche ambientali (concentrate sul modo in cui un'azienda si comporta a tutela della natura, dell'esaurimento delle risorse, della gestione dei rifiuti e dell'inquinamento), sociali (che determinano il modo in cui si gestiscono i rapporti interni all’azienda, migliorando il clima aziendale, ed esterni, fino a coinvolgere l’intera comunità di riferimento) e di governance (in grado di sviluppare una leadership interessando tutte le forze necessarie per raggiungere gli scopi prefissati migliorando il livello culturale).

Nelle scelte per destinare gli investimenti questi fattori possono e devono essere misurati con metodologie come il  Social Return on Investment (SROI), che compara i benefici sociali generati con le risorse investite. Oltre i rendimenti finanziari per la sopravvivenza e lo sviluppo di un’azienda occorre infatti considerare i "rendimenti sociali", intesi come miglioramenti allo sviluppo di una comunità, promuovendo la crescita economica, la coesione sociale e ambientale. 

Esaminando le tendenze registrate in questi ultimi periodi, nonostante l’accavallarsi di crisi epidemiche e guerre commerciali con i dazi, si rileva una correlazione positiva tra i rating ESG e gli indicatori di performance soprattutto se supportati da tecniche di machine learning e deep learning in grado di catturare informazioni dai bilanci di sostenibilità delle imprese. La valutazione dell’impatto sociale coinvolge molte più variabili e molto più instabili, analizzabili solo con l’intelligenza artificiale, permettendo di riconoscere i legami tra informazioni di carattere finanziario e non, soprattutto in una logica di lungo periodo.

A supportare questa tendenza è anche l’atteggiamento di banche ed agenzie di rating che si basano su performance ESG riconoscendo che gli investimenti in sostenibilità possono portare ad un aumento della solidità di bilancio e contribuire alla redditività degli investimenti (mentre quelle che si disinteressano del problema possono incorrere in difficoltà ed imprevisti tali da comprometterne la sopravvivenza). È importante comprendere come possano svilupparsi le correlazioni tra fattori finanziari e performance legate ad altri ambiti, in grado di generare un giudizio sulla qualità e sull’etica degli interventi. Va tuttavia evidenziato che, ancora oggi, i rating ESG non si basano su standard e metriche condivise. Proprio per questo motivo, l’impiego di tecniche di intelligenza artificiale può contribuire a colmare tale lacuna.

La formazione del punteggio

I fondi d’investimento e gli istituti bancari hanno percepito l’importanza d’inserire la sostenibilità tra i loro criteri di rating (già oggi vengono applicati tassi di interesse più alti per i prestiti bancari che comportano rischi ambientali), ma si riscontrano ancora parecchi limiti e difformità riconducibili alla carenza di dati sulla sostenibilità e all’incoerenza sui metodi usati.

La maggior parte delle società quotate in borsa sa che il punteggio ESG viene calcolato sulla base di informazioni recuperate da siti web o pubblicazioni pubbliche, consentendo di valutare la performance e il profilo di rischio di un’azienda attraverso il CSR (Corporate Social Responsibility) che valuta l’impatto nei confronti della società: basandosi sulle azioni che vengono intraprese attraverso una serie di investimenti che generano rendimenti e contributi positivi nel medio e lungo termine.

I principali metodi di riferimento sono il set di dati ESG score di Bloomberg (che fornisce metriche per misurare i punteggi), quelli di S&P (basati su una serie di informazioni aziendali ricavate da 62 questionari specifici per settore: tale strumento consente di effettuare analisi comparative per settore che sono rilevanti per il numero crescente di investitori orientati alla sostenibilità), mentre i rating ESG di MSCI mirano a misurare la gestione da parte dell'azienda dei rischi e delle opportunità finanziariamente rilevanti raccolti da fonti di dati disponibili pubblicamente, come rapporti aziendali o di agenzie governative esaminando ben 656 fattori ESG.

Algoritmi per gestire un'enorme quantità di dati

Ognuna di queste società di rating ha testato la propria metodologia su oltre 10.000 aziende. Per una metanalisi di questa enorme massa di dati diventa indispensabile disporre di machine learning in grado di apprendere automaticamente relazioni e modelli a partire da dati disponibili, attraverso due famiglie di algoritmi: gli Ensamble Learning (alberi decisionali basati su bagging, apprendimento di modelli indipendenti tra loro, ciascuno composto da porzioni dell’intera informazione e su boosting, modelli che vanno a raffinare il processo di apprendimento) e i Deep Learning, un insieme di reti neurali artificiali in modo da elaborare informazioni affinché l’algoritmo possa addestrarsi. Si tratta di gestire una grande quantità di dati attraverso forme di apprendimento automatico profondo, e non più automatico operando direttamente con dati grezzi grazie alla sua capacità di apprendimento strutturato, in modo da estrarre informazioni utili provenienti da fonti tradizionali.

Allo stato attuale però non esiste ancora un sistema di metriche condivise e standardizzate che quantifichino un ROA (Return on Assets) ossia una relazione tra score ESG e indicatori di redditività. Le tecniche di machine learning forniranno un indispensabile aiuto per selezionare i fattori ESG che hanno una relazione significativa con il rischio di redditività, consentendo di ottenere risultati più accurati, trasformando l’auspicio che gli aspetti economico-finanziari s’intercettino direttamente con l’approccio sostenibile.

Nel lungo periodo risulta fondamentale valutare l’andamento e le performance di un’impresa. In ambito europeo, l’adozione di standard comuni di rendicontazione – come i Global Reporting Initiative (GRI) o gli European Sustainability Reporting Standards (ESRS) – possono contribuisce a uniformare i dati disponibili e a ridurre le asimmetrie informative, semplificando i processi di estrazione ed elaborazione tramite algoritmi di machine learning.

Una migliore immagine e reputazione rendono l’azienda più attraente sul mercato, aumentando l’interesse degli stakeholder. I modelli di machine learning possono contribuire a quantificare questi valori.