Institutional Money, Ausgabe 4 | 2023

suchten diese imHinblick auf Relevanz und Vollständigkeit jeder Scope-3-Emissionskategorie.Was die Beantwortung der dritten Frage anbelangt, hat man untersucht, ob die Scope- 3-Emissionswerte mithilfe von Top-down-Geschäfts- und Finanzdaten geschätzt werden können und ob die Vorher- sagegenauigkeit mithilfe ausgefeilter Techniken des maschi- nellen Lernens verbessert werden kann. Einordnung Die Studie des Teams um Quyen Nguyen aus Neuseeland liefert mehrere wichtige Beiträge zur vorhandenen wissen- schaftlichen Literatur. Zunächst erweitert man die oben genannte Studie von Timo Busch, Matthew Johnson und Thomas Pioch von 2022, die sich mit der Divergenz in den CO 2 -Emissionsdatensätzen Dritter für Scope 1, Scope 2 und Scope 3 zwischen 2005 und 2016 beschäftigt, indem man sich ausschließlich auf Scope-3-Emissionsdaten von 2013 bis 2019 konzentriert und über die Korrelationsanalyse hinaus- geht, um den Grad der CO 2 -Emissionen zu quantifizieren. Dabei setzen die Wissenschaftler bei der Divergenz von Rohemissionsdaten an, um die Auswirkung dieser Diver- genz auf das Emissions-Ranking zu verstehen. Des Weiteren bieten sie eine systematische Analyse der unvollständigen Zusammensetzung respektive des Aktivitätsausschlusses der Scope-3-Emissionsberichterstattung. Letzte Untersuchung umfasst alle berichtenden Unternehmen zwischen 2010 und 2019 im Bloomberg-Datensatz und analysiert, wie dieses Problem über Zeit und Branchen hinweg bestehen bleibt. Dies ist eine Erweiterung von Teilen der Analyse von Lena Klaaßen und Christian Stoll in „Harmonizing Corporate Carbon Footprint“ von 2021. Diese hat für das Jahr 2019 nur 56 Technologieunternehmen unter die Lupe genom- men. Schließlich wähnen sich die sechs Kapitalmarktfor- scher als die Ersten, die Algorithmen des maschinellen Ler- nens anwenden, um aggregierte Scope-3-Emissionen und deren einzelne Kategoriewerte aus der Menge der Top- down-Geschäfts- und Finanzdaten zu prognostizieren. Den Autoren ist natürlich bewusst, dass die Vorhersagegenauig- keit dieses Ansatzes auf der Vertrauenswürdigkeit der ge- schätzten Scope-3-Emissionsdaten beruht. Drei Resultate Erstens stellen die Autoren fest, dass es erhebliche Unter- schiede bei den Scope-3-Emissionsdaten zwischen externen Datenanbietern gibt.Wenn der Datenanbieter die gemelde- ten Emissionswerte mit seinen proprietären Modellen (in diesem Fall ISS) anpasst und die Werte aller nicht melden- den Firmen schätzt, ist keiner seiner Datenpunkte mit de- nen von Bloomberg oder Refinitiv Eikon identisch (inner- halb einer Irrtumswahrscheinlichkeit von einem Prozent), und die Korrelationswerte dieses ISS-Datensatzes mit den beiden anderen Datensätzen sind niedrig. Sie liegen bei 0,548 respektive 0,564. Die Grafik „Paarweiser Vergleich“ illus- triert diesen Korrelationszusammenhang. Wenn die Datenanbieter jedoch ausschließlich die gemel- deten Emissionswerte ohne Anpassungen verwenden (im Paarweiser Vergleich Unterschiedliche Herangehensweisen zeitigen divergente Resultate. Die Korrelationen zwischen ISS-Scope-3-Daten und jenen von Bloomberg und Refinitiv Eikon liegen nur bei 54,8 Prozent beziehungsweise 56,4 Prozent. Hingegen scheint die Korrelation zwischen den Scope-3-Emissionsdaten von Bloomberg und Refinitiv (Grafik links) mit 95,5 Prozent fast perfekt. Quelle: Studie 0 200 400 600 800 1.000 1.200 0 200 400 600 800 1.000 1.200 0 200 400 600 800 1.000 1.200 Pearson correlation = 0,564 Pearson correlation = 0,548 Pearson correlation = 0,955 Bloomberg (Mio. Tonnen) Refinitiv Eikon (Mio. Tonnen) ISS (Mio. Tonnen) ISS (Mio. Tonnen) Bloomberg (Mio. Tonnen) Refinitiv Eikon (Mio. Tonnen) 0 200 400 600 800 1.000 1.200 0 500 1.000 1.500 2.000 0 500 1.000 1.500 2.000 108 N o . 4/2023 | institutional-money.com THEORIE & PRAXIS | Nachhaltigkeitsmanagement FOTO: © EMMI SOLUTIONS » Wir mussten eine signifikante Divergenz bei den Datenpunkten der verschiedenen Anbieter feststellen. « Ben McNeil, Climate Scientist und Mitgründer von Emmi Solutions Pty Ltd. in Adelaide