Finance du climat : le risque caché des données estimées (et non pas déclarées)

Pour que la finance du climat fonctionne, les investisseurs ont besoin de données fiables sur les émissions : les informations de base nécessaires pour juger quelles entreprises sont en tête ou à la traîne dans la transition écologique, et si les grands émetteurs sont confrontés à un coût du capital plus élevé. Dans la pratique, une grande partie des données qui sous-tendent ce système de 2 000 milliards de dollars est beaucoup moins solide qu'il n'y paraît.

La plupart des chiffres ne sont pas déclarés (i.e communiqués) par les entreprises, mais formés par des estimations provenant de fournisseurs de données climatiques. Les investisseurs continuent de se fier à ces chiffres pour évaluer les risques climatiques et les plans de transition, même si la plupart d'entre eux sont loin d'être transparents. Ce décalage entre l'apparente fiabilité des chiffres et leur degré d'incertitude constitue un problème majeur pour la finance du climat.

C'est ce qu'a souligné Abraham Lioui, professeur à l'EDHEC, dans sa keynote lecture donnée à Paris lors du Sustainable Finance Research Forum 2025. Voici un résumé des principaux points de cette intervention.

Le coût des données erronées

La finance du climat ne fonctionne que si les investisseurs connaissent le volume de gaz à effet de serre émis par les entreprises, qu'il s'agisse de leurs propres activités, de l'énergie qu'elles utilisent ou de leurs chaînes d'approvisionnement. Ils s'appuient ensuite sur ces informations pour évaluer le risque de transition, comparer les entreprises et décider où investir leurs capitaux. Les régulateurs utilisent ces chiffres pour déterminer les informations que les entreprises doivent divulguer et qui serviront de base aux rapports sur le climat.

Cependant, la plupart des chiffres relatifs aux émissions figurant dans ces ensembles de données ne sont pas communiqués par les entreprises, mais établis par le fournisseur de données. Trucost et Refinitiv, par exemple, partent d'un petit ensemble de données d'émissions divulguées et complètent le reste avec des estimations. Il en résulte un ensemble de données qui semble complet pour les investisseurs, mais qui repose en grande partie sur des chiffres déduits plutôt que sur des chiffres communiqués.

Si les données sont peu fiables, les décisions qui en découlent finissent par être biaisées. Les investisseurs ne peuvent pas facilement déterminer quelles entreprises sont véritablement à la pointe de la transition ou si les entreprises à fortes émissions sont confrontées à un coût du capital plus élevé. Sans données crédibles, la finance durable risque de s'appuyer davantage sur des affirmations que sur des preuves, ce qui constitue un problème grave étant donné que les investissements mondiaux dans le domaine du climat se chiffrent désormais en milliers de milliards chaque année.

Comment sont calculés les chiffres

Tous les principaux fournisseurs de données suivent un processus similaire pour rassembler les données sur les émissions. Ils commencent par les informations divulguées par les entreprises, généralement issues de leurs rapports annuels ou d'autres publications volontaires sur des plateformes telles que le CDP. Mais comme de nombreuses entreprises ne communiquent pas leurs émissions, les fournisseurs comblent les lacunes avec leurs propres estimations afin d'offrir aux investisseurs la couverture étendue qu'ils attendent (2).

Chez Trucost, une société spécialisée dans les données environnementales fondée en 2000, ces estimations peuvent provenir de graphiques figurant dans les rapports des entreprises, de chiffres reportés des années précédentes ou de valeurs calculées à partir de mesures simples telles que le chiffre d'affaires ou le nombre d'employés. Refinitiv, propriété du London Stock Exchange Group, comble les lacunes de données par étapes : ils commencent par mettre à jour les émissions passées, puis utilisent la consommation d'énergie d'une entreprise et, s'il reste des lacunes, se basent par défaut sur les niveaux types du secteur.

Chaque étape ajoute une nouvelle couche d'estimation. Le résultat ressemble à un ensemble de données complet, mais cette exhaustivité provient en grande partie de la modélisation plutôt que des rapports des entreprises elles-mêmes.

Quand les principaux émetteurs restent silencieux

Malgré les nouvelles règles de divulgation, telles que la directive européenne sur le reporting en matière de durabilité des entreprises (CSRD), seule une petite minorité d'entreprises fournissent des données complètes sur leurs émissions. Par exemple, environ 2 % d'entre elles obtiennent la meilleure note du CDP en matière de divulgation. Et les principaux émetteurs, c'est-à-dire les entreprises sur lesquelles les investisseurs ont le plus besoin d'informations, sont également ceux qui sont les plus susceptibles de rester silencieux.

Par conséquent, les émissions que les investisseurs voient ne sont pas un échantillon aléatoire : elles proviennent principalement d'entreprises plus "propres", tandis que les "gros émetteurs" tendent à ce taire. Tout système qui comble les informations manquantes finit par reproduire ces distorsions dans les données.

Quand être d'accord induit en erreur

En outre, les fournisseurs de données sont également beaucoup moins en désaccord sur les émissions que sur les notations environnementales, sociales et de gouvernance (ESG) (3). Leurs chiffres sont souvent plus proches les uns des autres, ce qui peut sembler rassurant à première vue.

Mais cet accord est principalement mécanique. Les fournisseurs de données s'appuient sur le même ensemble (réduit) de données transmises et utilisent des méthodes similaires pour combler les lacunes. Leurs chiffres s'alignent non pas parce que les données sont solides, mais parce que les méthodes sont similaires.

Le résultat est paradoxal : les chiffres concordent davantage qu'avec les données ESG, mais uniquement parce qu'ils reposent sur les mêmes hypothèses, et non parce qu'ils reflètent nécessairement la réalité.

Quand les données (incomplètes) influencent les marchés

Les erreurs dans ces estimations ne sont pas aléatoires. Elles suivent des schémas clairs : elles varient en fonction de la taille de l'entreprise, de son secteur d'activité, du niveau de transparence de ses informations et de la nature de ses activités. Elles se répètent également au fil du temps, car de nombreux modèles se contentent de reporter les chiffres antérieurs.

Cela signifie que les investisseurs pourraient finir par réagir aux hypothèses intégrées dans les données plutôt qu'aux émissions réelles des entreprises. Ce qui ressemble à une prime carbone – l'idée que les entreprises à fortes émissions semblent générer des rendements plus élevés – peut simplement résulter de la manière dont un fournisseur complète les données manquantes sur les émissions, plutôt que d'avoir un quelconque rapport avec les entreprises elles-mêmes.

Et même avec des méthodes globalement similaires, les résultats – y compris toute prime carbone supposée – peuvent encore varier en fonction de l'ensemble de données sur lequel s'appuie l'investisseur.

Comment améliorer les chiffres

Si les fournisseurs de données peuvent estimer les émissions manquantes, les chercheurs peuvent également le faire, mais de manière transparente. L'approche défendue par Abraham Lioui et ses coauteurs (4), par exemple, utilise l'apprentissage automatique pour combler à la fois le déficit d'information (le fait que seule une minorité d'entreprises communiquent l'intégralité de leurs émissions) et le défi que représente l'estimation des émissions lorsque les entreprises ne les communiquent pas.

Tout d'abord, ils modélisent la décision d'une entreprise de divulguer ses émissions, car la divulgation n'est pas aléatoire : les entreprises plus propres ont tendance à déclarer leurs émissions, tandis que les gros émetteurs restent souvent silencieux.

Ensuite, ils estiment les émissions à l'aide d'un large éventail de caractéristiques observables des entreprises – les mêmes informations dont dispose tout investisseur – permettant à l'apprentissage automatique d'identifier les caractéristiques qui permettent réellement de prédire les émissions.

Les résultats montrent que la manière dont les émissions sont estimées fait une grande différence. Dans certains cas, les estimations sont proches de celles des fournisseurs de données ; dans d'autres, elles divergent fortement.

Selon l'approche utilisée, différentes entreprises peuvent apparaître comme ayant des émissions plus ou moins élevées, et même la prime carbone change. Ces tendances reflètent souvent la manière dont les estimations sont établies plutôt que des différences réelles dans les émissions.

Le fait est que la finance du climat dépend de la précision des mesures. La plupart des données sur les émissions sur lesquelles s'appuient les investisseurs sont estimées, et non déclarées, et de petites hypothèses peuvent entraîner de grandes différences dans les chiffres. Avant de débattre des labels climatiques, des objectifs ou des plans de transition, il est nécessaire de disposer de jeux de données plus solides et plus transparents. Ce n'est qu'alors que le financement pourra jouer un rôle crédible dans le soutien à la transition vers une économie à faible émission de carbone.

Références

(1) Sustainable Finance: The Data Challenge. Abraham Lioui, EDHEC Business School (December 12, 2025). The Sustainable Finance Research Forum Paris 2025

(2) Jitendra Aswani, Aneesh Raghunandan, Shiva Rajgopal, Are Carbon Emissions Associated with Stock Returns?, Review of Finance, Volume 28, Issue 1, January 2024, Pages 75–106, https://doi.org/10.1093/rof/rfad013

(3) Florian Berg, Julian F Kölbel, Roberto Rigobon, Aggregate Confusion: The Divergence of ESG Ratings, Review of Finance, Volume 26, Issue 6, November 2022, Pages 1315–1344, https://doi.org/10.1093/rof/rfac033

(4) Chen, Cathy Yi‐Hsuan and Lioui, Abraham and Scaillet, Olivier, Green Silence: Double Machine Learning Carbon Emissions Under Sample Selection Bias (July 22, 2025). Swiss Finance Institute Research Paper No. 25-66, Available at SSRN: https://ssrn.com/abstract=5368583 or http://dx.doi.org/10.2139/ssrn.5368583

 Photo par Maxim Berg via Unsplash