Finsif tukee vuosittain vastuullisen sijoittamisen tutkimusta stipendein
Finsif jakaa stipendejä vastuullisesta sijoittamisesta kiinnostuneille opiskelijoille ja tutkijoille. Stipendien jaon tarkoituksena on edistää vastuullisen sijoittamisen tutkimustyötä. Stipendejä jaetaan vuosittain enintään 8000 euron summalla. Vuoden 2025 stipendihaku alkaa keväällä. Lisätietoa
Vastuullinen sijoittaminen on kasvanut merkittävästi viime vuosina, ja ESG-tekijät ovat vakiinnuttaneet asemansa osana sijoituspäätösten perustaa. Samalla keskustelu ESG-mittareiden luotettavuudesta on kiihtynyt. Pro gradu -tutkielmassani ”Predicting ESG controversies” tarkastelen yritysten ominaisuuksien ja tulevien ESG-kontroversioiden välistä yhteyttä hyödyntäen Refinitivin ESG-dataa.
ESG-kontroversio tarkoittaa yrityksen toimintaan liittyvää negatiivista uutista tapahtumasta tai skandaalia, joka heijastaa epäonnistumista ympäristöön, yhteiskuntaan tai hallintotapaan liittyvissä vastuullisuustekijöissä.
Korkeat ESG-pisteet, mutta korkeampi ESG-kontroversioriski
Tutkimuksen keskeinen havainto on yllättävä: korkeat ESG-pisteet eivät vähennä tulevien ESG-kontroversioiden todennäköisyyttä. Päinvastoin yritykset, joilla on korkeat ESG-pisteet, kohtaavat useammin ESG-kontroversioita. Tämä voi selittyä yritysten kasvaneella näkyvyydellä tai liikejohdon opportunismilla. Yritykset saattavat pyrkiä nostamaan ESG-luokituksiaan keinotekoisesti saavuttaakseen korkeiden pisteiden tuomia etuja, mikä voi lopulta lisätä kontroversioriskiä.
Tuloksistani selviää myös, että yrityksen koko ja menneet osaketuotot ovat merkittäviä ESG-kontroversioiden ennustajia. Suuri koko ja erityisen korkeat osaketuotot lisäävät tarkkailua medialta, analyytikoilta ja muilta sidosryhmiltä, mikä puolestaan kasvattaa vastuullisuusväärinkäytösten paljastumisen todennäköisyyttä. Myös yrityksen kotipaikalla ja toimialalla on merkitystä: huomio painottuu englanninkieliseen sisältöön ja suuren julkisen näkyvyyden toimialoille, kuten kuluttajien näkyville tai kiistanalaisille sin-stock toimialoille (esim. lentoyhtiöille tai öljy- ja kaasualan yhtiöille), joilla esiintyy enemmän ESG-ongelmia.
Ennustavien mallien kehitys koneoppimisella
Tutkimuksessa hyödynsin logistisia regressiomalleja ja elastic net -algoritmia, joka yhdistää LASSO- ja Ridge-regressioiden parhaat puolet. Tämä menetelmä tuotti selkeitä, helpohkosti tulkittavia tuloksia siitä, mitkä tekijät ovat merkittävimpiä ESG-kontroversioiden ennustamisessa. Yhdistetyssä elastic net -mallissa yrityksen koko, historiallinen osaketuotto, kotipaikka ja toimiala nousivat tärkeimpien ennustajien joukkoon.
Tulokseni osoittavat, että ESG-riskien mallintaminen koneoppimismenetelmillä on mahdollista. Tulevaisuudessa sofistikoituneemmilla menetelmillä ja rikkaammalla datalla malleista voidaan kehittää täsmällisempiä ja tehokkaampia.
Merkitys vastuullisen sijoittamisen ja tulevan tutkimuksen kannalta
Tulokseni haastavat näkemyksen siitä, että korkeat ESG-pisteet yksinään toimisivat tehokkaana riskimittarina. Tutkimukseni tulokset ovat arvokkaita niin varainhoitajille ja sijoittajille kuin esimerkiksi ESG-luokituslaitoksille tai -analyytikoille, jotka pyrkivät kehittämään läpinäkyvämpiä ja luotettavampia ESG-arviointeja. Parempi ymmärrys tällä saralla johtaisi vastuullisempiin sijoituspäätöksiin ja tehokkaampaan riskienhallintaan.
Verneri Suomela
ESG Data Specialist, OP Varainhoito
KTM, Rahoituksen maisteriohjelma, Aalto-yliopisto
Tutkielman voi lukea täällä.
