25 de octubre de 2023
Datos y requisitos de gobernanza de los bonos soberanos ligados a la sostenibilidad
Los Bonos Vinculados a la Sostenibilidad (SLB, por sus siglas en inglés) para soberanos son un poderoso mecanismo para hacer operativos los compromisos de sostenibilidad y hacerlos más creíbles, pero los retos para ampliar la escala de los Bonos Vinculados a la Sostenibilidad son formidables.
Como se indica en nuestro blog "A sober assessment of the sovereign SLB Value Proposition", , los requisitos de información de los SLB suelen ser más onerosos que los de los bonos convencionales, que se basan principalmente en estadísticas macroeconómicas y financieras establecidas.
En cambio, los conjuntos de datos en los que se basan los KPI sobre clima y naturaleza suelen ser grandes, no estructurados, configurados en formatos no estándar y dispersos en múltiples fuentes dentro del sector público o entre terceros. Algunos de estos conjuntos de datos también pueden ser sensibles y estar sujetos a leyes de protección de datos o de localización, lo que impide su transferencia a centros de datos en nube extraterritoriales para su procesamiento.
La extracción, transformación y carga de datos en canalizaciones que proporcionen KPI de forma coherente y fiable a lo largo de la vida del bono puede implicar flujos de trabajo complejos y sistemas avanzados de gestión de datos, lo que a su vez requiere personal formado, una infraestructura tecnológica de vanguardia y marcos sólidos de gobernanza de datos.
Por ejemplo, los indicadores clave de rendimiento que miden la deforestación mediante imágenes por satélite y técnicas de teledetección pueden requerir sistemas de información geográfica (SIG) especializados y proveedores externos que resultan costosos y complicados de incorporar.
Por esta razón, el SLB 2034 de Uruguay incorporó un KPI de cobertura de bosque nativo que se basó en datos geoespaciales de dos agencias espaciales (imágenes del satélite Sentinel de la Agencia Espacial Europea, elevación topográfica de la Shuttle Radar Topography Mission de la NASA). Un algoritmo de aprendizaje automático clasificó las imágenes en diferentes tipos de bosque con el objetivo de aislar los grupos de árboles autóctonos. El análisis fue realizado por un equipo de seis científicos e ingenieros de datos coordinados por la Dirección General de Montes (DGF) utilizando la plataforma de computación en nube Google Earth Engine para realizar los cálculos y software SIG (QGIS y ArcGIS) para procesar los resultados.
La centralidad de los datos en la estructura de la SLB también hace hincapié en la transparencia y la integridad de los datos. Los inversores deben tener la certeza de que los indicadores clave de rendimiento reflejan realmente el rendimiento subyacente y de que no hay margen alguno para la manipulación o los errores humanos. Esto significa que cada punto de datos puede ser interrogado y rastreado hasta su origen. Cada paso del recorrido de los datos debe estar claramente trazado y automatizado en la medida de lo posible mediante herramientas de procesamiento de extremo a extremo, como las interfaces de programación de aplicaciones (API).
Parte de este trabajo puede subcontratarse a la creciente industria artesanal de proveedores de servicios de medición, verificación y notificación (MRV) en el ámbito de los datos sobre el clima y la naturaleza. Sin embargo, los proveedores deben ser examinados adecuadamente y deben suscribir acuerdos de nivel de servicio que garanticen la calidad a largo plazo y especifiquen planes de contingencia para evitar cualquier interrupción del flujo de datos.
Los proveedores de opiniones de segunda parte (SPO) añaden una capa adicional de control de calidad; en el caso de Uruguay, la proporcionan Sustainalytics para el marco de sostenibilidad y el Programa de las Naciones Unidas para el Desarrollo (PNUD) para la verificación externa de los KPI.
Sin embargo, no exime al soberano de la responsabilidad última sobre la integridad de los datos.
Extraer datos de otros organismos de la administración puede plantear graves problemas de coordinación. Los compromisos de intercambio de datos deben plasmarse en acuerdos duraderos. Éstos, a su vez, deben sustentarse en una sólida estructura de gobernanza que pueda sobrevivir a sucesivos ciclos políticos.
Los mecanismos de coordinación, como los comités interministeriales, suelen ser requisitos previos, ya que aclaran los protocolos para compartir datos, definen las funciones y responsabilidades para garantizar que los flujos de datos no se obstruyan y resuelven las disputas internas.
En el caso de Uruguay, los acuerdos se plasmaron en memorandos de entendimiento (MOU) y fueron aplicados por un grupo de trabajo interministerial especial (el Grupo de Trabajo SSLB) compuesto por los Ministerios de Economía y Finanzas; Medio Ambiente; Industria, Energía y Minería; Ganadería, Agricultura y Pesca; y el Ministerio de Relaciones Exteriores (véase la Figura 1).
Figura 1: Arquitectura de gobernanza de Uruguay
Fuente: Uruguay MEF
Para que los mecanismos de coordinación sean eficaces, los incentivos de los organismos participantes deben estar alineados. Es poco probable que el compromiso se materialice orgánicamente si el intercambio de datos requiere cambios organizativos o inversiones adicionales en tecnología y talento que resten valor a otras prioridades políticas.
La inercia institucional y la política burocrática suelen entrar en juego en estas situaciones, especialmente en contextos en los que la polarización política y la escasa capacidad del Estado dificultan el consenso sobre los objetivos o la aplicación de los indicadores clave de rendimiento. Una simple directiva del ejecutivo o de otra autoridad de alto nivel, como el ministro de finanzas, aunque necesaria, puede no ser suficiente para garantizar una rápida aceptación y un cumplimiento sostenido por parte de los organismos participantes.
En la práctica, alinear los incentivos suele significar comprender los deseos y necesidades de todas las partes implicadas y encontrar la manera de conciliarlos. Esto puede requerir un cierto "intercambio", por el que los proveedores de datos reciben algo de valor a cambio: recursos presupuestarios, otros datos, control sobre el uso, participación en la selección de indicadores clave de rendimiento y proyectos subyacentes, etc. La propia puesta en común de datos puede ser un incentivo, ya que crea un conjunto de datos más rico sobre el que ejecutar modelos.
Como ejemplo hipotético de este tipo de intercambio de datos por información, digamos que el Ministerio de Medio Ambiente suministra imágenes geoespaciales de la cubierta forestal y el Ministerio de Minas estudios geológicos de los recursos extractivos, entonces la superposición de ambos puede ayudar a localizar zonas ecológicas con alto riesgo de explotación ilegal. Añadir mapas de peligrosidad a la pila también puede ayudar a identificar los activos naturales que protegen de las perturbaciones climáticas.
Compartir y mezclar datos entre organismos también puede suponer un ahorro de eficiencia si se reduce la duplicación de trabajo o de sistemas (por ejemplo, sólo un organismo obtiene la licencia del software SIG en lugar de todos los demás). Sin embargo, organizar estos intercambios de valor puede llevar mucho tiempo y depender de unas condiciones políticas favorables. Los costes en términos de presupuesto, tiempo y capital político son significativos y aumentan la necesidad de que se comprendan claramente los beneficios de los SLB, como se indica en nuestros blogs sobre 'Los beneficios infravalorados de las SLB soberanasy ' Acelerar las transacciones de SLB soberanos: construir el ecosistema'.
Siga leyendo:
Los beneficios infravalorados de los bonos soberanos ligados a la sostenibilidad
Series anteriores del blog:
Inscríbase para recibir actualizaciones
Únase a la lista de correo del Hub para estar al día de su trabajo.
