ESG riziko má pro úvěrovou analýzu význam tehdy, když dokážeme vysvětlit cestu od změny prostředí ke schopnosti klienta splácet. Samotné označení firmy jako „zelené“ nebo „rizikové“ je příliš hrubé. Potřebuji rozumět tomu, které provozy vytvářejí příjmy, na čem závisejí náklady, kde se nachází zajištění a jak rychle může změna zasáhnout peněžní tok. Právě zde se propojuje bankovnictví s kvalitou dat a informačních systémů.
Na danou oblast se dívám jako analytička, která chce své znalosti úvěrového rizika dále rozvíjet. Nenahrazuji tím odborné posouzení konkrétního klienta ani právní výklad předpisů. Zajímá mě, zda banka dokáže své předpoklady doložit, poznat chybějící informace a převést obecné téma na kontrolovatelnou otázku. Rozumný analytický postup by měl začínat konkrétním mechanismem dopadu, nikoli sběrem velkého množství údajů bez jasného účelu.
Skutečný případ: Crédit Agricole, Francie, únor 2026
ECB 13. února 2026 oznámila penále 7 551 050 eur pro Crédit Agricole kvůli nesplnění požadavku na posouzení významnosti klimatických a environmentálních rizik. Podle oznámení banka požadavek nesplňovala 75 celých dnů v roce 2024. Jde o konkrétní rozhodnutí ECB vůči dané instituci, nikoli automatickou sankční sazbu pro všechny banky.
Z tohoto případu nevyvozuji kvalitu jednotlivých úvěrů Crédit Agricole. Pro vlastní úvahu je důležité, že i identifikace významných rizik musí mít doložitelný výsledek. Obecné prohlášení, že se banka tématem zabývá, nemusí vysvětlit rozsah posouzení, použitá data nebo důvody vyřazení některých expozic. Následující návrh ukazuje, jak bych k takovému podkladu přistoupila analyticky; nejde o rekonstrukci postupu uvnitř této banky.
Rozlišit přímé poškození a změnu podmínek podnikání
Začala bych rozlišením fyzického dopadu a dopadu přechodu na jiné technologie či pravidla. Povodeň může poškodit výrobní halu nebo přerušit dopravu. Změna nákladů na energii může ovlivnit marži i bez fyzického poškození provozu. Oba kanály se mohou u jednoho klienta potkat. Pro posouzení bych proto nepoužívala jedinou barevnou známku, pokud z ní není patrné, který mechanismus je skutečně významný.
U klientské skupiny bych chtěla znát vazbu mezi dlužníkem, výrobním závodem a ručitelem. Adresa sídla může být jiná než místo výroby. Odvětvový průměr může být vhodný jako první orientace, ale neměl by se bez označení tvářit jako měření konkrétní firmy. Chybějící údaj bych vedla jako neznámý; jeho doplnění odhadem by mělo mít uvedený zdroj, důvod a omezení použití.
Modelový příklad: výrobce s energeticky náročným provozem
Představme si podnik s ročními provozními příjmy 120 milionů Kč a provozními výdaji 100 milionů, z nichž energie tvoří 20 milionů. Pro jednoduchost má roční dluhovou službu 12 milionů a uvažujeme peněžní tok před dalšími investicemi. Výchozí přebytek 20 milionů představuje zhruba 1,67násobek dluhové služby. Čísla jsou hypotetická a nejsou převzata z žádného klientského spisu.
Pokud cena energie stoupne o polovinu a podnik nedokáže zvýšit ceny výrobků, výdaje se zvýší o deset milionů. Přebytek klesne na deset milionů, tedy pod předpokládanou dluhovou službu. Tento zjednodušený výpočet sám o sobě neurčuje rating ani rozhodnutí o úvěru. Ukazuje otázku pro další posouzení: jaké jsou cenové smlouvy, možnosti úspor, další zdroje likvidity a čas, během něhož se může změna projevit?
Nyní přidejme plánovanou investici do úspornější výroby. Nestačí přepsat budoucí náklady na nižší hodnotu. Chtěla bych vidět harmonogram, financování, odstávku výroby a citlivost na zpoždění. Jestliže úspory začnou až za dva roky, neřeší automaticky problém splátek v příštích šesti měsících. Porovnávala bych proto základní scénář, zpožděnou investici a kombinaci dražší energie s nižší poptávkou.
Jak bych pracovala s daty a důkazy
Sestavila bych seznam klíčových předpokladů a ke každému přiřadila důkaz. Spotřebu energie bych porovnávala s fakturací a objemem výroby, nikoli jen s manažerským odhadem. U smluvního zajištění cen bych ověřila období, rozsah pokrytí a protistranu. U nemovitosti bych chtěla jednoznačný identifikátor a skutečnou polohu. Pokud se údaje rozcházejí, nejdříve bych popsala rozdíl a teprve potom hledala důvod.
Datový tým by mohl pomoci propojit klienty, provozy, úvěry a zajištění do reprodukovatelného přehledu. Odborný útvar by potvrdil význam vstupů a přiměřenost scénáře. Za svůj přínos bych považovala kontrolu úplnosti vazeb, záznam výjimek a srozumitelné předání omezení. Automatizace má smysl tam, kde znám význam pole; rychle spočítaný výsledek nad nejasnou definicí nepřináší spolehlivější rozhodnutí.
Co by mě přesvědčilo o funkčním procesu
Nechtěla bych pouze tabulku s vyplněnými políčky. Na vybraném vzorku bych ověřila, zda zjištěné riziko vedlo k odpovídající úvaze, dotazu, sledování nebo rozhodnutí. Výsledek nemusí být vždy přísnější podmínka. Někdy bude závěrem, že riziko není pro danou expozici významné. I takový závěr však potřebuje vysvětlení, aby šlo rozlišit vědomé posouzení od pouhého přehlédnutí chybějících informací.
Praktickou kontrolou by byla změna jednoho podstatného vstupu. Pokud se skutečný závod přesune do jiné lokality nebo klient změní technologii, projeví se to v dalším hodnocení? Kdo aktualizaci zachytí a které navazující sestavy ji převezmou? Vyžádala bych si historii změny a sledovala její průchod. Tím lze prověřit živý proces mnohem lépe než samotným prohlížením aktuálního formuláře.
Jak bych vybrala první kontrolní vzorek
Nezačínala bych náhodným výběrem několika známých jmen. Rozdělila bych portfolio podle velikosti expozice, náročnosti provozu a kvality dostupných údajů. Do prvního vzorku bych zahrnula velkou expozici s odhadem, menší expozici s konkrétním varovným signálem a případ, který byl vyhodnocen jako nevýznamný. Takový účelový vzorek není statistickým odhadem četnosti problémů v celé bance. Pomáhá však ověřit, zda zvolený proces funguje i tam, kde existují nejasnosti nebo protichůdné informace.
U každého případu bych zaznamenala, proč byl vybrán a co přesně má jeho kontrola potvrdit. Pokud má firma více provozů, nestačí jediný údaj převzatý na úrovni skupiny. Zajímala by mě významnost jednotlivých míst pro vytváření příjmů a možnost přesunout výrobu. Právě tuto provozní souvislost nelze vždy bezpečně odvodit z veřejného seznamu adres. Potřebovala bych vysvětlení klientského útvaru a doložený podklad, jehož aktuálnost lze ověřit.
Výsledkem by nebyla další obecná známka, ale stručný seznam otevřených otázek, navržených doplnění a odpovědných osob. Zvlášť bych oddělila nedostatek dat od prokázaného rizika. Neúplný podklad ještě neznamená, že klient nesplatí úvěr; znamená, že určitý závěr nelze dostatečně doložit. Právě toto rozlišení chrání kvalitu analýzy před přehnanou jistotou i před mechanickým zpřísňováním všech případů.
Shrnutí a doporučení
Doporučila bych začít významným portfoliem a několika dobře doloženými mechanismy dopadu. Oddělit skutečné údaje od odhadů, spojit scénář s časem splátek a zachovat vysvětlitelnou cestu k rozhodnutí. U každého chybějícího údaje určit, zda brání závěru, vyžaduje dočasnou opatrnost nebo může být doplněn později. Hodnotu nepřináší počet ESG polí v systému, ale schopnost rozpoznat konkrétní změnu finanční situace a včas ji předat správnému specialistovi.