The choice of probability mapping in ESG questionnaire scoring: a structural risk-metric perspective for venture-capital and private-equity due diligence, with a dynamical-systems foundation
Dieses Paper argumentiert, dass die Wahl der Wahrscheinlichkeitsabbildung im ESG-Scoring eine kritische strukturelle Risikoentscheidung und kein technischer Nachtrag ist, indem es aufzeigt, wie unterschiedliche Abbildungen die Bewertungsergebnisse drastisch verändern können, und ein falsifizierbares, dynamikbasiertes Kriterium vorschlägt, um verteidigbare und vergleichbare ESG-Bewertungen für die Due Diligence im Bereich Venture Capital und Private Equity zu gewährleisten.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
In der Welt der Hochfinanz stehen Investoren oft vor einem schwierigen Rätsel: Wie lässt sich der Charakter eines Unternehmens messen, das keine Historie hat? Wenn Risikokapitalgeber und Private-Equity-Firmen in neue Start-ups investieren wollen, können sie sich nicht auf vergangene Kredit-Scores oder jahrzehntelange Finanzberichte verlassen. Stattdessen müssen sie sich auf einen strukturierten Fragebogen verlassen – eine Serie von Ja-Nein-Fragen darüber, wie das Unternehmen mit der Umwelt, seinen Mitarbeitern und seiner eigenen Governance umgeht. Die Antworten werden zu einer einzigen Zahl zusammengefasst, einem Score, der die Übereinstimmung des Unternehmens mit ethischen Standards repräsentieren soll. Doch eine Rohzahl ist allein schwer zu interpretieren. Um sie nutzbar zu machen, müssen Analysten diesen Score in eine Wahrscheinlichkeit übersetzen – eine prozentuale Chance, dass das Unternehmen eine gute Investition ist oder umgekehrt ein Risiko des Scheiterns darstellt. Dieser Übersetzungsschritt ist der unsichtbare Motor hinter jeder Bewertung, doch bis jetzt wurden die Regeln, die bestimmen, wie diese Übersetzung erfolgt, als nebensächliches technisches Detail behandelt, das eher aus Bequemlichkeit als aus tiefer Logik gewählt wurde.
Eine neue Studie des Forschers Francesco Eusepi stellt diesen beiläufigen Ansatz infrage und argumentiert, dass die Methode, mit der ein Fragebogen-Score in eine Wahrscheinlichkeit umgewandelt wird, nicht nur eine mathematische Präferenz ist, sondern eine Entscheidung, die das Ergebnis einer Investition grundlegend verändert. Die Arbeit zeigt auf, dass zwei verschiedene, wenngleich gleichermaßen valide mathematische Methoden dieselbe Menge an Antworten nehmen können und für dasselbe Unternehmen völlig unterschiedliche Bewertungen produzieren können. In einem Szenario könnte ein Unternehmen als riskante Investition markiert werden, die sofortige Korrekturen erfordert; in einem anderen, unter Verwendung einer anderen, aber vertretbaren Methode, könnte dasselbe Unternehmen als erstklassige, risikoarme Gelegenheit bewertet werden. Die Forschung legt nahe, dass das gesamte System des ethischen Investierens ohne eine strikte, vereinbarte Regel für diese Übersetzung inkonsistent wird, was es unmöglich macht, Unternehmen fair zu vergleichen oder den von verschiedenen Firmen bereitgestellten Ratings zu vertrauen.
Der Kern des Problems liegt in der Form der Kurve, die zur Durchführung der Übersetzung verwendet wird. Stellen Sie sich eine Linie vor, die bei Null beginnt und bis eins ansteigt und den Übergang von totalem Risiko zu totaler Sicherheit darstellt. Die Studie vergleicht zwei spezifische Formen für diese Linie: eine, die stetig und glatt ansteigt, und eine andere, die zu Beginn sehr schnell nach oben schießt und sich dann abflacht. Als die Forscher diese beiden Formen auf dieselben hypothetischen Unternehmen anwandten, waren die Ergebnisse erschütternd. Unter Verwendung der glatten, stetigen Kurve wurde ein Unternehmen mit einem moderaten Wert von fünfzig von einem möglichen Maximum als eine gefährdete Investition eingestuft, die erhebliche Arbeit erfordert, bevor sie als sicher gelten kann. Wenn derselbe Wert jedoch durch die Kurve gejagt wurde, die zu Beginn steil ansteigt, wurde genau dieses Unternehmen als erstklassige, sichere Investition bewertet. Der Unterschied war keine kleine Anpassung; es war ein Sprung von sieben Schritten auf einer zehnstufigen Bewertungsskala. Das bedeutet, dass zwei Analysten, die dieselben Daten betrachten und zwei Methoden verwenden, die beide die grundlegenden Tests der Logik bestehen, zu gegensätzlichen Schlussfolgerungen darüber kommen können, ob man investieren sollte oder nicht.
Die Arbeit zieht eine Parallele dazu, wie Banken das Risiko des Bankrotts eines Unternehmens bewerten. In diesem Bereich nutzen Experten das Konzept der „Distance to Default“ (Distanz zum Ausfall), das misst, wie weit ein Unternehmen vom finanziellen Scheitern entfernt ist. Sie nutzen dann ein spezifisches mathematisches Werkzeug, um diese Distanz in eine Ausfallwahrscheinlichkeit umzuwandeln. Die Studie argumentt, dass der ESG-Fragebogen auf die gleiche Weise funktioniert: Der Score ist die Distanz, und die Wahrscheinlichkeitskarte ist das Werkzeug. Genau wie eine Bank nicht willkürlich das Werkzeug wechseln würde, das sie zur Messung des Bankrottrisikos verwendet, ohne ihr gesamtes System neu zu kalibrieren, sollten auch ESG-Bewertungsagenturen ihre Wahrscheinlichkeitskarten nicht wechseln, ohne die Konsequenzen zu verstehen. Die Forschung zeigt, dass die Wahl des Werkzeugs verändert, wo die „Gefahrenzonen“ und „Sicherheitszonen“ auf der Score-Achse liegen. Eine Methode verteilt die Bewertungen gleichmäßig über den gesamten Bereich möglicher Scores, was feine Unterscheidungen zwischen Unternehmen ermöglicht. Die andere Methode, obwohl mathematisch gültig, komprimiert fast alle Bewertungen in einen winzigen Streifen des Score-Bereichs, was es nahezu unmöglich macht, den Unterschied zwischen einem guten und einem großartigen Unternehmen festzustellen, bis der Score fast perfekt ist.
Über die unmittelbare Verwirrung hinaus, die dies bei Investoren verursacht, hebt die Studie ein tiefer liegendes Problem von Vertrauen und Governance hervor. Wenn die Methode, mit der diese Bewertungen berechnet werden, nicht explizit angegeben und begründet wird, sind die resultierenden Zahlen nicht wirklich vergleichbar. Ein Rating einer Firma könnte etwas völlig anderes bedeuten als das einer anderen, einfach weil sie unterschiedliche Kurven für die Mathematik verwendet haben. Die Arbeit schlägt eine Reihe strenger Regeln, oder Axiome, vor, die jede akzeptable Methode befolgen muss, um Fairness und Konsistenz zu gewährleisten. Sie legt nahe, dass die zuverlässigste Methode diejenige ist, die sich wie eine stetige, vorhersehbare Kraft verhält, bei der jede kleine Verbesserung des Scores eines Unternehmens zu einer proportionalen Verbesserung seines Ratings führt. Dieser Ansatz, bekannt als logistische Sigmoidfunktion, stellt sicher, dass das Bewertungssystem über das gesamte Spektrum der Leistung hinweg sensibel bleibt, anstatt die meisten Daten zu ignorieren.
Die Ergebnisse dienen als Warnung an die Finanzindustrie, dass die Werkzeuge zur Messung ethischer Verantwortung mit derselben Strenge gewählt werden müssen wie die Finanzmodelle zur Messung von Profiten. Die Studie behauptet nicht, ein neues Naturgesetz entdeckt zu haben, sondern vielmehr, eine verborgene Variable in einem System aufgedeckt zu haben, von dem viele annahmen, es sei bereits geklärt. Indem sie zeigt, dass die Wahl der Wahrscheinlichkeitskarte ein Unternehmen von einem ungenügenden zu einem bestandenen Notenwert bewegen kann, erzwingt die Forschung eine Neubewertung der Art und Weise, wie die Due Diligence durchgeführt wird. Sie argumentiert, dass für das System, um verteidigungsfähig, prüfbar und wirklich nützlich zu sein, die Methode der Übersetzung offengelegt und standardisiert werden muss. Ohne diese Klarheit bleiben die Ratings, die Milliarden von Dollar an Investitionsentscheidungen leiten, anfällig für die willkürlichen Entscheidungen des Modellierers, was Kapital potenziell von den Unternehmen weglenkt, die es wirklich verdienen.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.