Kommunerna lägger ännu ett starkt år till handlingarna med 30 miljarder i överskott för 2021. Regionerna adderar ytterligare 10 miljarder till sektorns resultat. Coronastöd, börsklipp och en sviktande efterfrågan på servicen är förklaringar.
Linda Öhrn
Text
Statsminister Magdalena Andersson (S).Foto:TT
Artikeln är en del av vårt låsta innehåll. Logga in som prenumerant för att fortsätta läsa.
Få tillgång till allt digitalt innehåll i 3 månader för 197 kr. Därefter tillsvidare med 25% rabatt, endast 322 kr/mån i 12 månader. Alla priser är inklusive moms.
Visa allt som ingår
Full tillgång till di.se med nyheter och analyser
Tillgång till över 1 100 aktiekurser i realtid
Dagens industri som e-tidning redan kvällen innan
Innehållet i alla Di:s appar, tjänster och nyhetsbrev
Betala som
Betalsätt
Genom att klicka på ”Godkänn köp” godkänner jag Dagens industri AB:s prenumerationsvillkor och bekräftar att jag tagit del av Dagens industris AB:s personuppgiftspolicy.
Innehåll från FCGAnnons
Välgrundad kritik mot ESG-klassificeringar. Nya krav kan ge bättre kreditriskbedömning.
– ESG är viktigare nu än någonsin för att hejda klimatkrisen. Vadslagning pågår om vår egen existens. FCG har arbetat med Machine Learning inom kreditriskmodellering sedan 2018 för att utveckla nya modelleringstekniker. Vi ser nu att det är dags för en mognare och bättre underbyggd approach till ESG där Machine Learning är en logisk del av ekvationen, säger Henrik Nilsson, Partner på FCG Advisory.
– Skepsisen mot utebliven ESG-prestanda och simplifierade ratings är berättigad. Nu är det viktigt att vända den negativa trenden. Det kan göras med bättre modeller och kvalitativ indata. ESG-riskerna måste brytas ned baserat på erkända internationella standarder för miljöledning och socialt ansvar och få ett tydligare processfokus för att driva den förändring som behövs, berättar Henrik Nilsson.
Arbetet för att driva omställningen mot en grönare och mer hållbar ekonomi har åtföljts av ett växande antal ratings och instrument. De kritiseras av ledande akademiker för att förvirra mer än de klargör. Bräckligheten bekräftas när ESG-fonder värda en biljon USD nu fråntas sin klassificering av Morningstar.
Idag är kreditbedömningar vanligen begränsade till en rapportering på årsbasis. Men ESG-risk är knappast statisk. Därför behövs också en fortlöpande validering av ESG-prestanda för att värdera underliggande risker och för att bedöma potentiell miljö- eller annan förändring som oundvikligen påverkar kreditriskmodelleringen. Framtidens banker behöver löpande kreditriskinformation.
Machine Learning (ML) används i ökande omfattning på områden där riskklassificering omges av tvingande regelverk, exempelvis vid åtgärder för att motverka penningtvätt. På samma sätt bör ESG-risker kopplas mycket tydligare till kreditrisk, och omfatta kreditinstitutens totala låneportföljer.
FCG bedömer att European Banking Authority´s nya standard för rapportering gällande ESG-risker innebär ett tydligt skifte för finansiella bolags arbete med ESG och kreditriskbedömning. Standarden innebär nya krav på nyckeltal kopplat till tillgångar som kan klassas som Green Asset Ratio (GAR), på hur låneportföljen följer taxonomin samt Banking Book Taxonomy Alignment Ratio (BTAR).
Med hjälp av ML-applikationer kan mer robust data för ESG-riskklassificering genereras och med Natural Langugage Processing kan ett bredare spektrum av ostrukturerade data från media och text identifiera dolda faktorer av hög relevans för Loss Given Default-modellering.
– Vi förväntar oss nu att den logiska utvecklingen blir att tillämpa detta i system för tidiga varningssignaler. ML och NLP kan göra det möjligt att löpande utvärdera informationskällor för att minimera risker kopplade till negativa händelser, kommenterar Henrik Nilsson.
Om FCG Advisory:
• ESG-tillgångar utgör 1/3 av förvaltat kapital globalt
• Jämförbarheten mellan ledande ESG-ratings varierar mellan 38%-71% enligt internationell forskning
• AI kommer år 2025 att generera 10% av all data som produceras i näringslivet
• ML kan appliceras på förändringar i nya algoritmer, nya tillgängliga modeller med öppen källkod, utforska datatransformationer och funktionsteknik och dess inverkan på modelleringsprestanda.
• Stora investeringar i infrastruktur för ML krävs för att kunna använda datorkraften mer dynamiskt och kunna leverera allt från lokal sandbox ML till massiva optimeringsuppgifter.