📈 economia

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

Este artigo argumenta que a escolha do mapeamento de probabilidade na pontuação ESG é uma decisão de risco estrutural crítica, em vez de um detalhe técnico posterior, demonstrando como diferentes mapeamentos podem alterar drasticamente os resultados das classificações e propondo um critério baseado em dinâmicas, que seja falseável, para garantir avaliações ESG defensáveis e comparáveis para a diligência prévia de capital de risco e private equity.

Autores originais: Francesco Eusepi

Publicado 2026-10-21

📖 6 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Francesco Eusepi

Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

No mundo das finanças de alto risco, os investidores frequentemente enfrentam um enigma difícil: como medir o caráter de uma empresa que não possui histórico. Quando capitalistas de risco e firmas de private equity buscam investir em novas startups, eles não podem confiar em pontuações de crédito passadas ou em décadas de relatórios financeiros. Em vez disso, devem confiar em um questionário estruturado, uma série de perguntas de "sim ou não" sobre como a empresa trata o meio ambiente, seus trabalhadores e sua própria governança. As respostas são somadas em um único número, uma pontuação destinada a representar o alinhamento da empresa com padrões éticos. Mas um número bruto é difícil de interpretar por si só. Para torná-lo útil, os analistas devem traduzir essa pontuação em uma probabilidade — uma porcentagem de chance de que a empresa seja um bom investimento ou, inversamente, um risco de falha. Essa etapa de tradução é o motor invisível por trás de cada classificação, mas, até agora, as regras que governam como essa tradução acontece foram tratadas como um detalhe técnico menor, escolhido mais por conveniência do que por um raciocínio profundo.

Um novo estudo do pesquisador Francesco Eusepi desafia essa abordagem casual, argumentando que o método usado para converter uma pontuação de questionário em uma probabilidade não é apenas uma preferência matemática, mas uma decisão que altera fundamentalmente o resultado de um investimento. O artigo demonstra que dois métodos matemáticos diferentes, embora igualmente válidos, podem pegar exatamente o mesmo conjunto de respostas e produzir classificações completamente diferentes para a mesma empresa. Em um cenário, uma empresa pode ser sinalizada como um investimento de alto risco que requer correções imediatas; no outro, usando um método diferente, porém defensável, essa mesma empresa poderia ser classificada como uma oportunidade de primeira linha e baixo risco. A pesquisa sugere que, sem uma regra estrita e acordada para essa tradução, todo o sistema de investimento ético torna-se inconsistente, tornando impossível comparar empresas de forma justa ou confiar nas classificações fornecidas por diferentes firmas.

O cerne do problema reside na forma da curva usada para realizar a tradução. Imagine uma linha que começa no zero e sobe até um, representando a transição do risco total para a segurança total. O estudo compara duas formas específicas para essa linha: uma que sobe de forma constante e suave, e outra que dispara muito rapidamente no início e depois se estabiliza. Quando os pesquisadores aplicaram essas duas formas ao mesmo conjunto de empresas hipotéticas, os resultados foram surpreendentes. Usando a curva suave e constante, uma empresa com uma pontuação moderada de cinquenta de um máximo possível foi classificada como um investimento comprometido, necessitando de trabalho significativo antes de poder ser considerada segura. No entanto, quando a mesma pontuação foi processada pela curva que sobe abruptamente no início, essa exata mesma empresa foi classificada como um investimento de primeira linha e seguro. A diferença não foi um pequeno ajuste; foi um deslocamento de sete degraus em uma escala de classificação de dez degraus. Isso significa que dois analistas, olhando para os mesmos dados e usando dois métodos que passam em ambos os testes de lógica, poderiam chegar a conclusões opostas sobre o investimento.

O artigo traça um paralelo com a forma como os bancos avaliam o risco de uma empresa falir. Nesse campo, os especialistas usam um conceito de "distância para o default" (distância para o inadimplemento), que mede o quão longe uma empresa está do fracasso financeiro. Eles então usam uma ferramenta matemática específica para transformar essa distância em uma probabilidade de falha. O estudo argumenta que o questionário ESG funciona da mesma forma: a pontuação é a distância, e o mapa de probabilidade é a ferramenta. Assim como um banco não trocaria arbitrariamente a ferramenta que usa para medir o risco de falência sem recalibrar todo o seu sistema, os classificadores de ESG não devem trocar seus mapas de probabilidade sem entender as consequências. A pesquisa mostra que a escolha da ferramenta altera onde as "zonas de perigo" e as "zonas de segurança" caem no eixo da pontuação. Um método distribui as classificações uniformemente por toda a amplitude de pontuações possíveis, permitindo distinções finas entre as empresas. O outro método, embora matematicamente válido, comprime quase todas as classificações em uma pequena fração da amplitude da pontuação, tornando quase impossível distinguir uma boa empresa de uma excelente até que a pontuação seja quase perfeita.

Além da confusão imediata que causa aos investidores, o estudo destaca uma questão mais profunda de confiança e governança. Se o método usado para calcular essas classificações não for explicitamente declarado e justificado, os números resultantes não são verdadeiramente comparáveis. Uma classificação de uma firma pode significar algo inteiramente diferente de outra, simplesmente porque utilizaram curvas diferentes para fazer o cálculo. O artigo propõe um conjunto de regras estritas, ou axiomas, que qualquer método aceitável deve seguir para garantir que seja justo e consistente. Sugere que o método mais confiável é aquele que se comporta como uma força constante e previsível, onde cada pequena melhoria na pontuação de uma empresa leva a uma melhoria proporcional em sua classificação. Essa abordagem, conhecida como sigmoide logístico, garante que o sistema de classificação permaneça sensível às mudanças em todo o espectro de desempenho, em vez de ignorar a maior parte dos dados.

As descobertas servem como um alerta para o setor financeiro de que as ferramentas usadas para medir a responsabilidade ética devem ser escolhidas com o mesmo rigor que os modelos financeiros usados para medir o lucro. O estudo não afirma ter descoberto uma nova lei da natureza, mas sim ter exposto uma variável oculta em um sistema que muitos consideravam resolvido. Ao mostrar que a escolha do mapa de probabilidade pode mover uma empresa de uma nota de reprovação para uma nota de aprovação, a pesquisa força uma reavaliação de como a diligência prévia é conduzida. Argumenta que, para o sistema ser defensável, auditável e verdadeiramente útil, o método de tradução deve ser divulgado e padronizado. Sem essa clareza, as classificações que guiam bilhões de dólares em decisões de investimento permanecem vulneráveis às escolhas arbitrárias do modelador, potencialmente direcionando o capital para longe das empresas que realmente o merecem.

Resumo Técnico: A Escolha do Mapeamento de Probabilidade na Pontuação de Questionários ESG

Definição do Problema
Na due diligence de Venture Capital (VC) e Private Equity (PE), as avaliações de ESG para alvos com escassez de dados (ex: startups) dependem frequentemente de modelos de pontuação aditiva derivados de questionários de Sim/Não. Esses modelos geram uma pontuação bruta e ilimitada ( $m$ ), que deve ser normalizada em uma probabilidade adimensional ( $p$ ) de alinhamento ESG, sendo o complemento ( $\psi = 1-p$ ) a representação do risco ESG.

O artigo identifica uma lacuna metodológica crítica e anteriormente subexaminada: a escolha da função de mapeamento de probabilidade (a transformação da pontuação $m$ para a probabilidade $p$ ) é frequentemente tratada como um detalhe técnico secundário. No entanto, essa escolha não é neutra. Diferentes funções de mapeamento admissíveis, mesmo quando calibradas para condições de contorno idênticas (ex: a probabilidade em uma pontuação de zero e a probabilidade na pontuação máxima possível), podem produzir fronteiras de classificação radicalmente diferentes. Isso leva a um "problema de comparabilidade", onde dois analistas aplicando diferentes, mas igualmente defensáveis, mapas aos mesmos dados de questionário podem atribuir os alvos a classes de classificação que diferem por vários níveis, alterando fundamentalmente decisões de investimento, estruturas de cláusulas contratuais (covenants) e alocação de capital.

Metodologia
O artigo emprega uma abordagem metodológica de três frentes:

Formulação Axiomática: O autor define um conjunto de axiomas naturais para mapas de probabilidade admissíveis:
- Monotonicidade: Pontuações mais altas devem resultar em maiores probabilidades de alinhamento.
- Limitação (Boundedness): O resultado deve situar-se estritamente dentro de $(0, 1)$ .
- Normalização: O mapa deve ser expressável como a integral de uma função de densidade não negativa e integrável.
  Isso leva ao Teorema 1, que estabelece que um mapa admissível $\pi(s)$ deve satisfazer a equação diferencial de primeira ordem autônoma $\pi' = f(\pi)$ , onde $f$ é uma função integrável.
Analogia de Métrica de Risco Estrutural: A inovação central reflete o problema da normalização através da lente dos modelos de risco de crédito estrutural (especificamente modelos de Distância para o Default, como Merton/KMV).
- A pontuação ESG aditiva ( $m$ ) é analogamente tratada como a "distância para o default".
- O mapa de probabilidade ( $\pi$ ) é analogamente tratado como a função de distribuição cumulativa (ex: a CDF normal) usada para converter a distância em uma probabilidade de default.
- Essa analogia permite uma interpretação econômica dos parâmetros de calibração: o parâmetro de intercepto ( $\beta$ ) representa a taxa base (analogamente a uma empresa no limite do default), e o parâmetro de inclinação ( $\alpha$ ou $a$ ) representa a "volatilidade" ou sensibilidade da escala de classificação.
Fundamentação em Sistemas Dinâmicos: Para fornecer um embasamento matemático rigoroso para o critério de admissibilidade, o artigo traça uma analogia com sistemas dinâmicos conservativos unidimensionais.
- A pontuação $s$ é tratada como "tempo", a probabilidade $\pi$ como "posição" e a função de densidade como "momento".
- A condição de admissibilidade ( $\pi' = f(\pi)$ ) é demonstrada como equivalente à condição de um campo de força conservativo (onde o momento depende apenas da posição, não explicitamente do tempo), garantindo a existência de um potencial de energia conservada. Esta derivação é detalhada nos apêndices para manter a acessibilidade para um público de negócios.

Principais Contribuições

Formalização do Problema de Normalização: O artigo move a escolha do mapa de probabilidade de uma decisão heurística para uma escolha axiomática, fornecendo um critério geral de existência (Teorema 1) para mapas admissíveis.
Quantificação do Risco de Modelo: Através de um exemplo numérico calibrado, o artigo demonstra que dois mapas economicamente razoáveis — a sigmoide logística e a arcotangente — podem atribuir o mesmo resultado de questionário a classes de classificação separadas por múltiplos níveis.
- Exemplo: Uma empresa com uma pontuação de $m=50$ é classificada como C (exige remediação) sob o mapa sigmoide, mas como A (não requer remediação) sob o mapa arcotangente, apesar de ambos os mapas serem calibrados para os mesmos pontos de contorno ( $p(0)=0.5$ e $p(580)=0.998$ ).
Interpretação Econômica dos Parâmetros: O artigo fornece uma leitura estrutural dos parâmetros de calibração, interpretando a inclinação do mapa como uma medida de "aversão ao risco" ou "volatilidade" no design da classificação. Mostra-se que uma escala "nervosa" (alta sensibilidade) versus uma escala "tolerante" (baxa sensibilidade) é uma consequência direta da forma funcional do mapa escolhido.
Implicações de Governança: A análise destaca que, sem um critério explícito, divulgado e economicamente motivado para a seleção do mapa, as classificações ESG carecem de comparabilidade entre diferentes questionários e metodologias, prejudicando sua utilidade para estruturas regulatórias (ex: Basileia III/IV) e comitês de investimento.

Resultados

Estática Comparativa: Sob condições de contorno idênticas, o mapa arcotangente comprime a vasta maioria da escala de classificação (de AA até D) nos 15% inferiores do eixo de pontuação. Em contraste, o mapa sigmoide distribui as classificações de forma mais uniforme por toda a amplitude da pontuação.
Sensibilidade Marginal: O mapa arcotangente exibe um pico de sensibilidade aguda próximo a pontuações zero (onde algumas respostas positivas alteram drasticamente a classificação), mas torna-se quase insensível a melhorias subsequentes. O mapa sigmoide mantém uma sensibilidade marginal mais gradual e informativa ao longo de uma gama mais ampla de pontuações.
Ilustração Numérica: O artigo fornece um exemplo reproduzível mostrando que, para pontuações baixas a médias, a escolha do mapa é o fator dominante na determinação da classificação final, muitas vezes sobrepondo-se às respostas específicas do questionário.

Significância e Alegações
O artigo alega que a escolha do mapeamento de probabilidade não é um mero detalhe técnico, mas uma escolha de design estrutural com consequências econômicas materiais.

Defensibilidade: Um mapa mal justificado pode deslocar um alvo através de um nível inteiro de classificação, afetando decisões de investimento e cláusulas contratuais.
Comparabilidade: Métricas ESG heterogêneas só podem ser comparadas se forem expressas em uma escala de probabilidade comum derivada de um critério de mapeamento divulgado e defensável.
Risco de Modelo: A divergência nas classificações causada pela seleção do mapa é uma forma de risco de modelo que atualmente não é abordada nas práticas padrão de due diligence de ESG.

O autor argumenta que a sigmoide logística é uma escolha robusta para o due diligence de VC/PE porque mantém uma sensibilidade marginal não negligenciável sobre uma ampla gama de pontuações, enquanto alternativas como a arcotangente podem superestimar melhorias iniciais e falhar em discriminar efetivamente através de todo o espectro de perfis de ESG. O artigo conclui pedindo a divulgação explícita do mapa de probabilidade e seus parâmetros de calibração para garantir a auditabilidade e a comparabilidade das classificações ESG.

Mais como este