Herausforderungen und „Best Practices“ der Erstellung des quantitativen PAI-Statement – Erfahrungen aus der Prüfung

Herausforderungen, Lösungsansätze und Erfahrungen.

Zusammenfassung / Einführung

Die Offenlegungsverordnung (Off-VO) gilt nun seit inzwischen drei Jahren. Nachdem die ersten Veröffentlichungen noch ohne Konkretisierungen erfolgten, trat zum 1. Januar 2023 die Delegierte Verordnung 2022/1288 (auch bekannt als RTS bzw. Technische Regulierungsstandards) in Kraft. Ziel der im RTS enthaltenen Anforderungen ist es, Einheitlichkeit zu schaffen und das Risiko einer unterschiedlichen Anwendung der Offenlegungsverordnung zu mindern.

Von den Konkretisierungen betroffen ist insbesondere auch die Erstellung des „PAI-Statements“ gemäß Art. 4 Offenlegungsverordnung. Die Abkürzung „PAI“ steht hierbei für Principle Adverse Impact. Im Rahmen des PAI-Statements, das zum 30. Juni 2023 erstmalig vollumfänglich auf der Internetseite veröffentlicht werden musste, werden entsprechend nachteilige Auswirkungen auf Nachhaltigkeitsaspekte durch die Kapitalanlagen von u.a. Versicherungsunternehmen beleuchtet. Den Kern des PAI-Statements bilden Kennzahlen (Indikatoren), welche die Intensität der nachteiligen Auswirkung angeben. Zusätzlich werden qualitative Informationen über Strategien zur Feststellung und Gewichtung der PAI-Indikatoren, zur Mitwirkungspolitik sowie hinsichtlich der Bezugnahme auf internationale Standards offengelegt. Die Veröffentlichung erfolgt in einem standardisierten Format, sodass die PAI-Statements der einzelnen Versicherer vergleichbar sind.

Insbesondere aufgrund von begrenzter Datenverfügbarkeit sowie technischer und fachlicher Anforderungen brachte die erstmalige Erstellung viele Herausforderungen mit sich. Im Folgenden werden einige wesentliche Herausforderungen, mögliche Lösungsansätze sowie Erfahrungen der jüngsten Prüfungssaison dargestellt.    

Herausforderungen

• Datenverfügbarkeit und qualität bleibt herausfordernd und variiert stark je Assetklasse
  Die Datenverfügbarkeit unterscheidet sich stark zwischen liquiden und illiquiden Kapitalanlagen. Um die geforderten Daten hinsichtlich liquider Daten zu beziehen, nutzen die meisten Unternehmen externe Datenanbieter sowie die sog. EETs (European ESG Templates) der Fondsanbieter. Über alle Versicherungsunternehmen hinweg ist jedoch zu beobachten, dass die Datenverfügbarkeit derzeit noch gering ist. Auch für Immobilien und andere illiquide Kapitalanlagen werden ESG-Daten benötigt. Diese sind für den Direktbestand in der Regel vorhanden. Für Hypothekenfonds oder -darlehen gestaltet sich die Datenerfassung aber schwieriger. Dies liegt vor allem daran, dass es nicht zielführend erscheint, bei allen Kunden die Energieausweise ihrer Immobilien anzufragen. Stattdessen sollten diese für das Neugeschäft im Rahmen des Vertragsabschlusses erfasst werden. Für das Bestandsgeschäft kann hingegen z.B. auf Schätzverfahren zurückgegriffen werden.
  Auch die Qualität der Daten ist ausbaufähig. Insbesondere im Bereich der EETs scheinen bisher nur wenige Daten, mit teilweise geringer Qualität, zur Verfügung gestellt zu werden.
• Technische Umsetzung
  Derzeit werden viele PAI-Statements in Excel Tabellen erstellt, da bisher nur wenige Systeme für diesen Zweck existieren. Durch die Erstellung in Excel ist die Fehleranfälligkeit grundsätzlich erhöht. Herausfordernd dabei ist insbesondere, dass für die Erstellung des PAI-Statements sehr große Datenmengen, aus verschiedenen Quellen zusammengeführt und verarbeitet werden und die Sammlung und Verarbeitung der Daten aufgrund der vielen manuellen Eingriffe und Schnittstellen daher fehleranfällig sind.
• Methodik
  Der RTS macht Vorgaben zu verpflichtenden Inhalten des PAI-Statements und Messgrößen zur Berechnung der Indikatoren. Diese wurden teilweise in den Q&As der ESA (European Supervisory Authorities) weiter konkretisiert. Dennoch wurden bisher nur wenige konkrete Formeln für die Indikatoren vorgegebenen, und auch methodisch gibt es einige Auslegungsspielräume. Dies führt zu Unsicherheiten und unterschiedlichen Auslegungen auf Seiten der berichtenden Unternehmen. Um dem entgegenzuwirken, wird derzeit der noch nicht lange in Kraft befindliche RTS einem Review unterzogen. Am 4. Dezember 2023 wurde bereits ein überarbeiteter RTS Entwurf von den ESAs veröffentlicht, der einige Anpassungen an den PAI-Indikatoren vorsieht.

Lösungsansätze

Datenverfügbarkeit und Methodik

Da es insbesondere im Bereich Methodik einige Auslegungsspielräume gibt, ist Transparenz über das Vorgehen sehr wichtig. Nur wenn Berechnungsmethoden im qualitativen Abschnitt des PAI-Statement dargestellt werden, können Ergebnisse entsprechend verglichen und interpretiert werden. Besonders hervorzuheben sind hierbei die „Coverage Ratios“ und der Nenner. Die Coverage Ratios, also die Datenverfügbarkeiten, werden von den meisten Unternehmen freiwillig angegeben, um aufzuzeigen, wie viele Daten in die Berechnungen eingeflossen sind. Der Nenner hat eine große Auswirkung auf die Höhe der Indikatoren, welche im Folgenden näher beschrieben wird. Dies zeigt, dass die Vergleichbarkeit der PAI-Statements aufgrund der Auslegungsspielräume eingeschränkt ist. Insbesondere deshalb sollte dem Zweck der Offenlegungsverordnung – Transparenz schaffen – Rechnung getragen werden, indem Auslegungsentscheidungen transparent angegeben werden. Nur so können Ergebnisse von verschiedenen Marktteilnehmern vergleichbar werden. 

Auch die Datenabdeckung kann hohe Auswirkungen auf die Aussagekraft des PAI-Statements haben. Bei einer sehr geringen Datenabdeckung ist die Aussagekraft des PAI-Statements deutlich eingeschränkt, da sich die Kennzahlen nur auf einen kleinen Teil der Kapitalanlage beziehen. Hier kann es hilfreich sein, mit mehreren Datenanbietern zusammen zu arbeiten, um die Datenverfügbarkeit zu erhöhen. Da die Lizenzen jedoch teilweise sehr kostspielig sind, ist dies ein Ansatz, der bisher nur von wenigen Unternehmen verwendet wird. Darüber hinaus ist es wichtig, den Best-Effort-Ansatz möglichst umfassend umzusetzen. Gemäß Art. 7 Abs. 2 RTS sind Unternehmen aufgefordert, sich nach besten Kräften zu bemühen Informationen zu erhalten. Hierbei sind unter anderem auch vertretbare Schätzwerte zulässig. Beispielsweise können durch das Anfordern von EETs der Fondsanbieter oder Nutzung von statistischen Verfahren zur Generierung von Immobilien-ESG-Daten weitere Datenquellen genutzt werden. Die Datenqualität der erhobenen bzw. gelieferten Daten sollte gründlich kontrolliert werden. Dadurch werden Fehler oder Qualitätsmängel aufgedeckt und können an den Datenanbieter gemeldet werden. Dies führt zu einer immer besser werdenden Datenqualität in den nächsten Jahren. Wichtig an der Stelle ist, dass die berichtenden Unternehmen die Datenqualität auch bei Einbeziehung von externen Datenlieferanten sicherstellen müssen.

Eine weitere Komponente mit wesentlicher Ergebnisauswirkung ist der Nenner. Bei vielen Formeln zur Indikatorberechnung wird der gewichtete Durchschnitt herangezogen. Dazu wird die gesamte Kapitalanlage als Nenner benötigt. Für die Interpretation des Begriffs „gesamte Kapitalanlage“ gibt es jedoch aktuell zwei Ansätze. Entweder werden alle Kapitalanlagen einbezogen, oder es werden nur Anlagen einbezogen, für die auch ESG-Daten vorliegen. Wenn nur Marktwerte von Kapitalanlagen herangezogen werden, für die auch ESG-Daten vorliegen, ist der Nenner (insbesondere aufgrund der aktuell noch geringen Datenverfügbarkeit) deutlich kleiner. Dies führt zu höheren Indikatorwerten und ist damit der konservativere Ansatz. Durch diese hohe Ergebnisrelevanz des Nenners ist die Vergleichbarkeit der PAI-Statements eingeschränkt und es ist besonders wichtig die entsprechende Auslegungsentscheidung transparent anzugeben.

Da es verschiedene Ansätze und Auslegungen zur Berechnung der Indikatoren gibt, ist es wichtig, Transparenz über das Vorgehen zu schaffen. Dies sollte zum einen im PAI-Statement selbst erfolgen, um die Kennzahlen in den richtigen Kontext zu rücken. Zum anderen sollte die Methodik in einem Fachkonzept festgehalten werden. Dadurch wird das Wissen über Berechnungslogiken, Prozesse, Inputdaten, etc. in einem Dokument auch für externe Dritte verankert. Dies ist sowohl für die interne Wissensweitergabe als auch für Prüfungszwecke notwendig.

Technische Umsetzung - Prozess

Da zur Erstellung des PAI-Statements große Datenmengen verarbeitet werden müssen, ist die technische Umsetzung teilweise herausfordernd. Die benötigten Daten kommen aus verschiedenen Quellen. Zum einen werden Bestandsdaten der Kapitalanlagen benötigt, welche in der Regel im internen Kapitalverwaltungssystem vorliegen. Zum anderen werden ESG-Daten von externen Anbietern und häufig EET-Daten gesammelt. Diese beiden Datenstränge müssen zur Erstellung des PAI-Statements zusammengeführt werden.

Dazu wurden häufig Excel-Dateien genutzt, da bisher nur wenige vollautomatisierte Systeme existieren. Sofern Excel-Dateien genutzt werden, ist das Fehlerpotential erhöht und es kommt teilweise zu unübersichtlichen Dateien. Deshalb ist zu überprüfen, ob die Excel-Anwendung unter die IDV-Definition (Individuelle Datenverarbeitung) des Unternehmens fällt. Wenn ja, ist die Datei in das interne IDV-Register aufzunehmen und es bestehen Anforderungen an Schutzmaßnahmen für die Datei. Beispielsweise sind verformelte Zellen zu sperren, um unbeabsichtigte Formeländerungen zu vermeiden, wodurch sich das Fehlerpotential reduziert. Konkret werden diese Anforderungen in der IDV-Richtlinie des Unternehmens dargestellt und sind entsprechend umzusetzen. Außerdem sollte bereits frühzeitig über die Struktur der Datei nachgedacht werden, um die Übersichtlichkeit zu verbessern. Ein gutes Beispiel besteht darin, für jeden Indikator einen eigenen Reiter anzulegen, in dem die konkrete Berechnung der Kennzahl gezeigt wird.

Sollte die Erstellung des PAI-Statements mithilfe eines Systems erfolgen, ist sicherzustellen, dass das System korrekt funktioniert. Dazu werden im Rahmen des Implementierungsprozesses entsprechende Funktionstest gemacht, welche dokumentiert werden sollten. Auch in diesen Fällen ist jedoch zu beachten, dass nachvollziehbar dokumentiert und kontrolliert werden sollte, was im System inhaltlich passiert. Andernfalls kann der Berechnungsprozess schnell zu einer „Black Box“ werden. 

Technische Umsetzung - Kontrollen

Vor allem vor dem Hintergrund, dass die Erstellung des PAI-Statements noch nicht als Regelprozess etabliert ist, sind Kontrollen in besonderem Maße von Bedeutung. Diese sollten vor allem die Datenqualität sicherstellen, die Vollständigkeit und Richtigkeit der Berechnung überprüfen und an Schnittstellen definiert sein.

Zur Sicherstellung der Datenqualität sind insbesondere die ESG-Daten zu kontrollieren. Dazu werden die Daten des externen Datenanbieters und der EETs auf Plausibilität geprüft. Im Folgenden sind einige „best practices“ zusammengestellt:

• Abgleich der ESG-Daten mit den Geschäftsberichten der Unternehmen oder anderen Nachhaltigkeitsunterlagen für eine Stichprobe (z.B. die 10 größten Emittenten). Sofern Fehler identifiziert werden, ist die Stichprobe angemessen zu erweitern.
• Vergleich der eigenen Indikatorwerte mit den Werten anderer Marktteilnehmen (Benchmarking) zur Filterung von Ausreißern und zur Analyse möglicher Berechnungs- oder Datenfehler
• Formelle Kontrollen wie z.B. rechnerische Richtigkeit (insb. Aufsummierung der THG Emissionen), Punkt- bzw. Komma an der richtigen Stelle
• Insbesondere künftig: Plausibilisierung der Daten durch Abgleich mit den Vorjahresdaten und Klärung großer Abweichungen

Außerdem sollten Kontrollen an allen Schnittstellen des Prozesses erfolgen. Beispielsweise kann die Zusammenführung der ESG-Daten mit den Kapitalanlagedaten kontrolliert werden. Auch die Übernahme der EET-Daten in die Berechnungsdatei kann eine Schnittstelle sein, an der Daten aus verschiedenen Quellen zusammenkommen.  

Nachdem alle Daten zusammengeführt wurden, startet die eigentliche Berechnung. Hier sollte sichergestellt werden, dass die Ergebnisse korrekt sind und die Berechnungslogik richtig angewendet wurde. Dazu können beispielsweise Formeln im 4 Augenprinzip überprüft oder die Berechnungsergebnisse für eine Stichprobe von Kapitalanlagen nachgerechnet werden. Insbesondere das Nachrechnen von einzelnen Berechnungsergebnissen bietet sich bei automatisierten Systemen an. Dabei wird abgeglichen, ob das System identische Ergebnisse liefert, wie eine manuelle Berechnung  Entsprechend werden mögliche Formelfehler erkannt, und das System arbeitet nicht als „Black Box“.

Erfahrungen aus der Prüfung zum 30. Juni 2023

Aufgrund der Erstprüfung der PAI-Statements ergaben sich viele  Auslegungsfragen, die im Rahmen des Prüfungsprozesses besprochen wurden. Zudem hat sich gezeigt, dass insbesondere die Dokumentation des Erstellungsprozesses und die Berechnungsdateien sehr unterschiedlich ausgestaltet waren. Im Folgenden sollen einige „Best Practices“, aber auch Verbesserungspotentiale aufgezeigt werden, die im Rahmen der Prüfung häufiger aufgefallen sind.

Die größten Verbesserungspotentiale zeigten sich im Bereich der Dokumentation. Da der Zeitraum zwischen Inkrafttreten der Regulierung und Veröffentlichungsdatum des PAI-Statements relativ kurz war, wurde der Fokus häufig stärker auf die korrekte Erstellung des PAI-Statements gelegt, als auf eine formelle Dokumentation; dies betrifft vor allem die Dokumentation von Kontrollen. Diese wurden in der Regel durchgeführt, waren jedoch nur wenig formalisiert und dokumentiert. In den nächsten Jahren sollte dies ausgebaut werden. Bei den Kontrollen wurde zudem teilweise die Plausibilisierung der ESG-Daten des externen Datenanbieters vernachlässigt, sodass auch hier Verbesserungspotential besteht. Einige Beispiele für gute Kontrollen der Datenqualität wurden bereits im Abschnitt „Technische Umsetzung Kontrollen“ gegeben.

Die Dokumentation war teilweise wenig übersichtlich. Häufig wurde zur Berechnung in Excel ein großes Dokument erstellt; teilweise gab es auch sehr viele einzelne Dokumente. In der automatisierten Berechnung erfolgte vereinzelt eine „Dunkelverarbeitung“ im System, bei der einzelne Berechnungen nur schwer nachvollzogen werden konnten. Hingegen waren diejenigen Dateien sehr übersichtlich, in denen die Berechnungen der PAI-Indikatoren jeweils separat (z.B. in einzelnen Tabellenblättern) dargestellt waren. Dadurch war leicht zu erkennen, welche Assets und Inputwerte in diesen Indikator einbezogen wurden und was die Ergebnisse je Asset bzw. Emittent waren. Insbesondere die Berechnung auf Einzelasset- bzw. Emittentenebene trug häufig zur Nachvollziehbarkeit der Zahlen bei. Berechnungen, bei denen Ergebnisse nur auf aggregierte Ebene gezeigt wurden, enthielten häufig sehr komplexe Verformelungen, bei denen ein hoher Validierungsaufwand entstand.

Ein weiteres Thema war die Generierung von ESG Daten für Immobilien. Für den direkt gehaltenen Immobilienbestand waren diese in der Regel vorhanden. Neben den direkt gehaltenen Immobilien sollten jedoch auch Hypothekendarlehen in die Berechnung der Immobilien-Indikatoren einfließen, da das Geld zweckgebunden zur Immobilienfinanzierung vergeben wird. Da für Hypothekendarlehen häufig keine Daten vorlagen, wurden diese teilweise außen vorgelassen. Im Sinne des Best-Effort Ansatzes sind angemessene Anstrengungen zur Generierung der ESG-Daten zu unternehmen. Ein positives Beispiel dafür war die Nutzung von externen Datenanbietern, welche insbesondere die Energieeffizienzen von Immobilien schätzen. Ein weiterer guter Ansatz besteht darin, anhand von vorhandenen Immobiliendaten, weitere Immobiliendaten anhand des Baujahres und möglicher Modernisierungen zu schätzen.

Abschließend sei auf die Bedeutung eines Methodikkonzeptes hingewiesen. In der Praxis sind hierbei Güte und Umfang sehr unterschiedlich. Je besser wesentliche Themen wie Prozesse, Kontrollen, Vorgehen, Formeln, Auslegungsfragen wie bspw. einbezogene Assets, Inputdaten, etc. schriftlich beschrieben sind, desto höher die Transparenz, Nachvollziehbarkeit und Qualität der Berechnungen. Daher ist ein angemessen ausgestaltetes und dokumentiertes Methodenkonzept nicht nur für einen externen Prüfer unabdingbar, sondern dient vor allem auch der internen Wissensweitergabe und einer revisionssicheren nachvollziehbaren Dokumentation.