Designing Stable ESG Grade Bands: Cut-Point Optimisation and a Quantisation Perspective
यह शोध पत्र कम्प्यूटेशनल अनुकूलन और स्थिरता विश्लेषण के माध्यम से यह प्रदर्शित करता है कि वर्तमान समान-चौड़ाई वाला ईएसजी (ESG) ग्रेड पैमाना गैर-समान विकल्पों की तुलना में स्कोर परिवर्तनों के विरुद्ध बेहतर स्थिरता प्रदान करता है, साथ ही एक ऐसा ढांचा स्थापित करता है जो यह दर्शाता है कि इष्टतम सीमा डिजाइन स्कोर वितरण और अपेक्षित संशोधनों के परिमाण दोनों पर संयुक्त रूप से निर्भर करता है।
मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
निवेशक अपना पैसा कहाँ लगाना है, यह तय करने के लिए तेजी से पर्यावरणीय, सामाजिक और शासन (ESG) स्कोर पर निर्भर कर रहे हैं। ये स्कोर इस बात को मापने का प्रयास करते हैं कि एक कंपनी कितनी जिम्मेदारी से काम करती है, जो कार्बन उत्सर्जन, श्रमिकों के व्यवहार और बोर्ड की देखरेख जैसे जटिल डेटा को एक एकल संख्या में बदल देता है। इन संख्याओं को पढ़ने में आसान बनाने के लिए, रेटिंग एजेंसियां अक्सर उन्हें स्कूल के रिपोर्ट कार्ड की तरह, अक्षरों वाले ग्रेड में बदल देती हैं। एक कंपनी को उत्कृष्ट प्रदर्शन के लिए "A" या औसत प्रदर्शन के लिए "C" मिल सकता है। हालांकि, "A" और "B" के बीच की रेखा कोई प्राकृतिक नियम नहीं है; यह एक निरंतर पैमाने पर खींची गई एक मानव-निर्मित सीमा है। यदि किसी कंपनी का स्कोर केवल एक मामूली अंश सुधरता है, तो वह उस रेखा को पार कर पूरे ग्रेड में उछल सकती है, या वहीं स्थिर रह सकती है। यह उन लोगों के लिए एक महत्वपूर्ण प्रश्न खड़ा करता है जो अरबों डॉलर का प्रबंधन करते हैं: इन रेखाओं को कहाँ खींचा जाना चाहिए ताकि स्कोर में होने वाले छोटे, शोर वाले बदलावों के कारण किसी कंपनी की रेटिंग में बड़े उतार-चढ़ाव न आएं?
शोधकर्ताओं की एक टीम ने एक प्रमुख प्रदाता, रिफाइनिटिव/एलएसजी (Refinitiv/LSEG) द्वारा उपयोग की जाने वाली ऐतिहासिक स्कोरिंग प्रणाली का परीक्षण करके इसका उत्तर देने का प्रयास किया। इस प्रणाली में, कंपनियों को शून्य से सौ तक का एक स्कोर दिया जाता था, जिसे फिर बारह ग्रेडों में विभाजित किया जाता था, जो डी-माइनस (D-minus) से ए-प्लस (A-plus) तक होते थे। शोधकर्ताओं ने चार मुख्य श्रेणियों—D, C, B और A—पर ध्यान केंद्रित किया, जो पहले से ही पैमाने पर विशिष्ट बिंदुओं पर निर्धारित थीं। उनका लक्ष्य यह परीक्षण करना था कि क्या उन श्रेणियों के भीतर के छोटे विभाजन, जो प्लस और माइनस को अलग करते हैं, सर्वोत्तम तरीके से बनाए गए थे। उन्होंने पूछा कि क्या इन आंतरिक रेखाओं को बदलने से रेटिंग अधिक स्थिर हो सकती है, जिसका अर्थ है कि डेटा में मामूली उतार-चढ़ाव के कारण रेटिंग बदलने की संभावना कम हो जाए।
अध्ययन की शुरुआत डेटा के बारे में एक आश्चर्यजनक खोज के साथ हुई। शोधकर्ताओं ने 2018 से 2023 तक बड़ी कंपनियों के एक हजार से अधिक रिकॉर्डों का परीक्षण किया और पाया कि प्रकाशित स्कोर काफी हद तक राउंडेड (पूर्णांकित) थे। लगभग सभी स्कोर मौजूदा ग्रेड बैंड के बिल्कुल मध्य में स्थित थे। इस राउंडिंग के कारण, शोधकर्ताओं ने पाया कि छह वैकल्पिक तरीकों में से पांच के लिए परिणाम वर्तमान प्रणाली के समान ही था। यदि वे सीमाओं को थोड़ा सा भी खिसकाते, तो कंपनियां नए ग्रेड में नहीं जातीं क्योंकि स्कोर पहले से ही पुराने ग्रेड के केंद्र में सुरक्षित रूप से बैठे थे। इसका अर्थ यह था कि केवल प्रकाशित संख्याओं को देखकर यह नहीं बताया जा सकता था कि कौन सा डिज़ाइन बेहतर है; डेटा इतना मोटा (coarse) था कि वह विकल्पों के बीच अंतर नहीं कर सका।
इस समस्या से निपटने के लिए, शोधकर्ताओं ने सिमुलेशन (अनुकरण) नामक एक विधि का उपयोग किया। उन्होंने मौजूदा स्कोर लिए और उनमें यादृच्छिक (random), छोटे शोर (noise) जोड़े, जो वास्तविक जीवन में होने वाली छोटी त्रुटियों या अपडेट की नकल करते हैं। फिर उन्होंने देखा कि विभिन्न सीमा डिजाइनों के तहत एक कंपनी का ग्रेड कितनी बार बदलता है। उन्होंने एक मानक डिजाइन का परीक्षण किया जहाँ प्रत्येक ग्रेड बैंड समान चौड़ाई का था, और इसकी तुलना छह अन्य डिजाइनों से की जहाँ मध्य बैंड अधिक चौड़े और किनारे के बैंड संकीले थे। तर्क यह था कि चौड़े मध्य बैंड एक बफर के रूप में कार्य कर सकते हैं, जिससे कंपनियां अपने वर्तमान ग्रेड में बनी रहती हैं भले ही उनके स्कोर में थोड़ा उतार-चढ़ाव आए।
परिणामों ने दिखाया कि मानक, समान-चौड़ाई वाला डिजाइन सामान्यतः होने वाले छोटे बदलावों के लिए सबसे विश्वसनीय था। जब शोधकर्ताओं ने छोटे से मध्यम स्तर के व्यवधान पेश किए, तो समान-चौड़ाई वाली प्रणाली में ग्रेड परिवर्तन सबसे कम हुए। इसने देखे गए स्कोर को सीमाओं से सबसे दूर रखा, जिससे पुनर्वर्गीकरण शुरू होने से पहले रेटिंग को सांस लेने के लिए सबसे अधिक जगह मिली। शोधकर्ताओं ने इसे चार अलग-अलग गणितीय अनुकूलन उपकरणों का उपयोग करके परीक्षण किया, और उन सभी ने एक ही निष्कर्ष निकाला: वर्तमान समान-चौड़ाई वाला दृष्टिकोण स्थिरता के लिए सबसे अच्छा विकल्प है।
हालांकि, अध्ययन ने यह भी पाया कि यह प्राथमिकता पूर्ण नहीं है। जब शोधकर्ताओं ने स्कोर में बहुत बड़े, अराजक परिवर्तनों का अनुकरण किया, तो स्थिति उलट गई। इन चरम स्थितियों के तहत, बहुत चौड़े केंद्रीय बैंड वाले डिजाइन ने बेहतर प्रदर्शन किया, जिससे अधिक कंपनियां अपने मूल ग्रेड में बनी रहीं। यह सुझाव देता है कि रेखाओं को खींचने का सबसे अच्छा तरीका पूरी तरह से इस बात पर निर्भर करता है कि सिस्टम किन प्रकार के परिवर्तनों का सामना करने की उम्मीद करता है। यदि लक्ष्य रोजमर्रा के छोटे शोर से बचना है, तो समान बैंड बेहतर हैं। यदि लक्ष्य बड़े झटकों को सहना है, तो एक अलग आकार की आवश्यकता हो सकती है।
अंततः, यह शोध पत्र निष्कर्ष निकालता है कि वर्तमान समान-चौड़ाई वाली प्रणाली उस डेटा के लिए जो उसने जांचा है, एक मजबूत विकल्प है, लेकिन यह सभी समय के लिए एक सार्वभौमिक नियम नहीं है। शोधकर्ताओं ने उद्योग के लिए एक व्यापक सबक भी रेखांकित किया: क्योंकि प्रकाशित स्कोर अक्सर राउंडेड होते हैं, इसलिए यह बताना असंभव हो सकता है कि क्या एक नई रेटिंग प्रणाली वास्तव में बेहतर है, सिर्फ अंतिम संख्याओं को देखकर। रेटिंग की स्थिरता सीमाओं को निर्धारित करने के पीछे के छिपे हुए तंत्र पर निर्भर करती है, जो एक ऐसा विवरण है जो अक्सर जनता के लिए अदृश्य होता है लेकिन वित्तीय बाजारों की विश्वसनीयता के लिए अत्यंत महत्वपूर्ण है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।