L’ESGI (Indice Environmental, Social et de Gouvernance) ou Indice Devoir de Vigilance est une mesure unique qui englobe trois enjeux majeurs dans le domaine de la responsabilité sociale : l’environnement, les droits humains et la santé & la sécurité des personnes. Un score global est calculé au moyen d’une moyenne géométrique pondérée comme suit : environnement (30%), droits humains (50%) et santé & sécurité des personnes (20%).
Des recherches avancées ont permis à Global Risk Profile d’offrir une couverture maximale pour chaque sous-indice :
183 pays sont compris dans chacun des trois sous-indices et donc dans la notation globale de l’indice ESG.
L’Indice ESG s’appuie sur de nombreuses entités pour la collecte de données brutes, à savoir :
Sonia Thurnherr Responsable du Département Développement info@globalriskprofile.com
La France a récemment adopté une loi pionnière sur la responsabilité sociale et environnementale des entreprises, relative au devoir de vigilance des sociétés mères et des entreprises donneuses d’ordre (n ° 2017-399). Les entités concernées sont tenues de cartographier et évaluer leurs risques en matière d’environnement, de droits humains, de santé et de sécurité des personnes. Plus d’un an de R&D en interne ont été nécessaires pour offrir une solution sur mesure et en rapport avec les nouvelles exigences légales.
L’Indice ESG (ESGI) est construit sur la base de référentiels internationaux tels que la Déclaration Universelle des Droits de l’Homme (DUDH), le Pacte mondial de l’ONU, les 8 conventions fondamentales de l’OIT et la Conférence des Nations Unies sur l’Environnement et le Développement (CNUED). Il constitue une mesure unique axée sur les comportements socialement responsables.
L’Indice ESG repose sur 65 bases de données open source, produites exclusivement par des organisations bénéficiant d’une reconnaissance internationale.
La construction de l’indice ESG suit une méthodologie stricte:
Un certain nombre de critères sont pris en compte lors du processus de sélection, détaillés dans la méthodologie technique téléchargeable.
TLes données manquantes sont traitées au cas par cas en fonction de la structure des jeux de données.
[1] Vink, G., Frank, L. E., Pannekoek, J., and van Buuren, S. (2014). Predictive mean matching imputation of semicontinuous variables. Statistica Neerlandica. 68(1). 61-90
[2] Schenker, N., & Taylor, J. M. G. (1996). Partially parametric techniques for multiple imputation. Computational Statistics & Data Analysis, 22(4), 425–446
Pour certaines variables, aucune imputation par PMM n’est effectuée et seules les vraies valeurs sont prises en compte dans l’analyse. Ce choix est dû à la structure des données et au manque de corrélation avec d’autres variables. En cas de valeur manquante, l’algorithme redistribue proportionnellement le poids correspondant aux variables mesurant le même indicateur.
A l’exception des variables binaires, toutes les bases de données sont testées pour leur asymétrie éventuelle, transformées et recodées si nécessaire. La moyenne et l’écart type sont calculés et toutes les variables sont ensuite normalisées pour l’obtention du score agrégé. La méthode de normalisation privilégiée ici est celle des z-scores, appliquant une moyenne de 0 et un écart type de 1.
Le processus d’agrégation convertit toutes les données sur une échelle allant de 0 à 100, où 0 représente le risque le plus faible et 100 le risque le plus élevé. Le score global de chaque pays est ensuite calculé en fonction des pondérations précédemment présentées.
Sur la base des n jeux de données obtenus suite au processus d’imputation multiple, l’erreur standard et un intervalle de confiance à 90% sont calculés pour chaque variable afin de refléter la variance autour des différents scores.
With an account, benefit from additional documentation and services such as:
Avec un compte, bénéficiez de données et services supplémentaires tels que :
Subscribe
Today !
0
Always freeSouscrivez
Aujourd’hui !
0
Toujours gratuit