Les ratings ESG sont basés sur le reporting des entreprises, complété par une analyse humaine, et il y a donc une certaine subjectivité dans les choix faits par chaque agence sur les critères ESG (environnementaux, sociétaux et de gouvernance) pertinents et leur pondération. Les choix méthodologiques différents retenus par les différentes agences conduisent ces ratings à être faiblement corrélés entre eux. Par ailleurs, les notations sont révisées de façon peu fréquente, parfois avec des timings différents selon les entreprises. Enfin, les notations ont tendance à être révisées dans le sens d’une plus forte corrélation avec les performances financières.
Ces dernières années, les développements de l’Intelligence artificielle (IA) et du machine learning ont donné lieu à la création d’un nouveau type de fournisseurs de données ESG qui analysent et collectent (ou « scrapent ») de grandes quantités de données non structurées issues de différentes sources internet. Ces outils utilisent l’IA sans nécessairement faire appel aux informations fournies par les entreprises (voir par exemple RepRisk, Truvalue Labs, CausalityLink, etc.). Ils analysent quotidiennement plus de 50 000 médias, parties prenantes et sources tierces, y compris médias en ligne, ONG, organismes gouvernementaux, textes des régulateurs, médias sociaux, blogs, etc. Ils détectent alors les controverses et les nouvelles ESG importantes, sur différents sujets comme la dégradation de l’environnement, les mauvaises conditions d’emploi, le travail des enfants, la corruption, etc., à l’aide de méthodes de screening faisant appel à du machine learning combinée à de l’analyse humaine.
Temps réel
Ces outils présentent l’avantage de révisions plus fréquentes que les données extra-financières traditionnelles, incorporant en temps réel l’information sur les entreprises. Les données récoltées ont un fort contenu informationnel, faisant largement réagir les marchés, mais également les salariés lors de l’annonce de controverses ESG concernant leur employeur1. Ces outils d’analyse textuelle peuvent avoir de nombreuses autres applications, comme l’évaluation des déclarations des entreprises. Bingler et al. (2022) utilisent par exemple l’algorithme ClimateBert pour identifier si les divulgations climatiques se sont améliorées après que les entreprises ont soutenu le Groupe de travail sur les informations financières relatives au climat (Task Force on Climate-related Financial Disclosures – TCFD)2.
Autre source de données alternatives, les données satellitaires et des capteurs au sol permettent de collecter des informations essentielles pour vérifier les émissions de carbone des entreprises ou pour analyser l’impact de leur activité sur les écosystèmes. Ces données, qui seraient difficiles à collecter par d’autres moyens, offrent une très large couverture géographique et une haute résolution, sans risque de manipulation. Elles peuvent également être utilisées pour mesurer certains risques physiques, comme les inondations, etc. L’IA offre donc des pistes intéressantes pour compléter les données ESG traditionnelles. Cependant, il existe un certain nombre de défis. Les méthodes IA peuvent être une boîte noire, sujette aux mêmes types de révisions dans les méthodologies que les notations ESG traditionnelles.
