1、 证券研究报告 请务必阅读正文之后的免责条款 ESG 研究专题 研究专题聚焦聚焦“环境环境”分析升级分析升级，探探 索索“主动筛选“主动筛选”数据策略数据策略 数据超融合系列2020.10.24 中信证券研究部中信证券研究部 核心观点核心观点 张若海张若海 首席数据科技分析 师 S01 在在中证中证 800 标的池标的池内内，我们我们依托依托政府侧监管数据、政府侧监管数据、环境环境舆情数据、行业舆情数据、行业环境环境数据数据 3 大大数据源的融合与数据源的融合与 NLP 量化处理量化处理，完成了“，完成了“E”元素的专业性重构，”元素的专业性重构，在在季度季度/月月 频率

2、频率的条件下的条件下，优化了环境因素的评分体系优化了环境因素的评分体系。对应公司的实测效果，对应公司的实测效果，A 股上市公股上市公 司环境治理平均分连年提升，且对于非制造业板块适用性显著提升。司环境治理平均分连年提升，且对于非制造业板块适用性显著提升。 E 因素数据融合优化路径。构建跨行业通用体系，打造国情特色框架。因素数据融合优化路径。构建跨行业通用体系，打造国情特色框架。对于环 境因素的评分体系优化，我们建议围绕“国情特色”，“行业可比标准”与“数据高 频提升”三个维度提升。对于国情特色，我们关注政府侧监管数据，按照国家 级-省市级-第三方进行数据集群构建；对于行业可比标准，我们重点围绕

3、非制 造业，梳理基于另类数据的特色化行业指标，形成相对客观的数据评分标准； 对于数据频率提升，基于监管等数据实现月度跟踪。 E 因素数据源矩阵。因素数据源矩阵。以政府侧为核心，融合三方平台数据。以政府侧为核心，融合三方平台数据。我们分别对政府侧 监管数据、环境舆情数据、行业环境数据进行了梳理和量化。其中对政府侧监 管数据，依托第三方机构“绿网环境”，初步实现了对全国 500 多个环保局网 站的全覆盖，实现了对国家级排污许可数据、省级环境信用数据、地市级环境 处罚数据的结构化优化；对于环境舆情数据，我们结合 NLP 技术挖掘与环境 主题相关的新闻、 公告生成舆情指标， 实现对公司的关联； 对于行

4、业环境数据， 我们基于企业社会责任报告梳理了行业通用指标， 同时引入了更加客观的卫星 数据等另类行业数据。 E 因素数据源融合因素数据源融合技术架构技术架构。 我们实现了 E 因素数据中子公司对上市公司的部 分有效关联，消除公司的规模效应和行业差异，在同一数据源内对企业环境友 好度进行量化模拟打分，并基于行业特性对不同数据源进行赋权，采用滑动时 间窗口滚动累计近三个月的评分项， 最终实现了对 E 因素动态评价体系的有效 构建。 实战检测：实战检测：正向择股作用正向择股作用有望提升有望提升。根据评分结果，筛选出 Top30 组合，以 中证 800 作为基准，对比 2017 年至 2020 年第二

5、季度的累计收益率。在 2017 年至 2019 年期间，我们在沪深 300 中对尾部的公司进行剔除，将剩余公司按 照市值加权计算收益率，相对沪深 300 有 1.6%超额累计收益率。 应用探索：应用探索：探索正向选择可能。探索正向选择可能。在上述对 E 因素的评分的测评中，我们可以 看到该评分在中小盘没有明显的正向择股效果， 但在沪深 300 开始出现正向择 股可能， 整体看， 随着数据维度的提升和打分规范化， 主动筛选策略值得期待。 风险因素：风险因素：环境数据官方披露指标变化；三方平台数据接口失效；公司主动数 据披露公告覆盖率下降；评价体系非专业性潜在影响；舆情数据不准确影响。 . ESG

6、 超融合系列研究超融合系列研究2020.10.24 请务必阅读正文之后的免责条款部分 目录目录 ESG 数据超融合应用建议数据超融合应用建议围绕围绕 E 因素，全面优化评价体系框架因素，全面优化评价体系框架 . 1 E 因素评价体系研究普遍存在几个共性问题 . 1 环境因素升级路径：构建跨行业通用评分体系，打造国情特色数据框架 . 1 E 因素数据源精选与量化处理因素数据源精选与量化处理 . 3 聚焦政府侧数据，国情特色下量化环境评价 . 3 基于 NLP 量化新闻、公告等文本数据：模拟客观舆情数据指标 . 4 行业数据：基于 CSR 报告的通用性指标和基于另类数据的特色化指标 . 6 E 因

7、因素数据融合技术架构与评分体系构建素数据融合技术架构与评分体系构建 . 8 多源环境数据融合：基于专业知识的量化分级与赋权 . 8 环境评分动态模型构建：基于滑动时间窗口的动态分数计算 . 8 E 因素动态评分效果评价因素动态评分效果评价 . 10 和商道融绿对比：评分具有较高的相似性和稳定性 . 10 和中证 800 对比：E 因素评分正向受益尚不显著 . 10 和沪深 300 对比：E 因素评分正向受益逐步体现 . 11 E 因素评分应用探索：逐步构建主动筛选数据策略因素评分应用探索：逐步构建主动筛选数据策略 . 11 数据逐步丰富，正向选择效果有望提升 . 11 风险因素风险因素 . 1

8、2 pOmRoPmMqNqRtMtRtOpPqPaQdNbRsQrRpNpPfQqRoOfQnPxO8OqRrRwMpPmNMYpPxP ESG 超融合系列研究超融合系列研究2020.10.24 请务必阅读正文之后的免责条款部分 插图目录插图目录 图 1：E 因素三维升级 . 1 图 2：国家环保披露数据集群分类与特点比较 . 3 图 3：新闻公告环境主题舆情评分引擎 . 5 图 4：滑动时间窗口计算模型 . 9 图 5：与商道融绿对比结果箱线图 . 10 图 6：Top30、Bottom30 与中证 800 收益表现对比 . 11 图 7：Top30、Bottom30 与沪深 300 收益表

9、现对比 . 11 表格目录表格目录 表 1：环境相关指标梳理 . 2 表 2：环境舆情输出结果 . 5 表 3：环境治理细分指标梳理 . 6 表 4：行业另类数据指标梳理 . 7 表 5：环境相关指标梳理 . 8 . ESG 超融合系列研究超融合系列研究2020.10.24 请务必阅读正文之后的免责条款部分 1 ESG 数据超融合应用建议数据超融合应用建议围绕围绕 E 因素因素，全面优，全面优 化评价体系框架化评价体系框架 E 因素评价体系研究普遍存在几个共性问题因素评价体系研究普遍存在几个共性问题 国外标准不适合中国标准。国外标准不适合中国标准。由于中国的 ESG 投资概念相较于国外的发展时

10、间较短， 中国的经济结构处于转型升级过程中，所以一味搬运国外市场的衡量标准是不符合中国现 阶段的实际情况的。根据中信证券研究部汽车组的测评，MSCI 和商道融绿的评级差异度 达到 26%。ESG 评价体系涉及的因素众多，并且涉及不同行业以及公司，所以建立一套 完全适用于中国市场的标准体系是困难的。 国内数据更新频率低。国内数据更新频率低。国内的做 ESG 评级的公司大多是季度更新。例如，商道融绿 和华证，他们的主要信息来源都是公司的公开曝光和官方报道，因此导致评级结果的时效 性略低。 数据的客观性和可比性低，数据清洗和数据对齐需要大量人工介入。数据的客观性和可比性低，数据清洗和数据对齐需要大量

11、人工介入。数据来源大部分 是规范度不高的公司自主披露，缺乏第三方数据进行参照和比对，因此数据的真实度和采 用方式都难以得到客观的评价。这种情况不仅需要市场投资者和监管机构共同努力保证上 市公司的信息披露的完整性和全面性，还需要评价机构充分利用信息技术和大数据挖掘上 市公司的重要信息，来检测上市公司的财务报告中有无造假成分存在。 目前市场上不同公司间对环境治理方面的评级差异性较大。目前市场上不同公司间对环境治理方面的评级差异性较大。不同评级机构对社会责任 和公司治理方面的评级方法论一致性较高。但在环境治理方面与不同数据源之间处理方式 尚未形成统一标准，数据源差异大、方法论各不一致，导致在对不同行

12、业的公司评分时很 难做到绝的公平，甚是还会出现同一个公司在不同机构的评级体系下结果差异比较大的情 况。所以在环境治理方面的评级有必要针对行业做一些优化数据源和方法论。 根据上述提到的问题，我们认为 ESG 研究的重心应聚焦于 ESG 的底层研究，短期致 力于梳理具有行业特性的指标和寻找覆盖全、频率高的优质数据。面向中期，我们提出全 面聚焦 E 评级升级的新数据融合方案，全面提升 ESG 投资策略的有效性。 环境因素升级路径：构建跨行业通用评分体系，打造国情特色数据框架环境因素升级路径：构建跨行业通用评分体系，打造国情特色数据框架 对于环境因素的评分体系优化，我们建议依据国情特色，行业可比标准与

13、数据高频提对于环境因素的评分体系优化，我们建议依据国情特色，行业可比标准与数据高频提 升，共三个维度做全面提升。升，共三个维度做全面提升。 图 1：E 因素三维升级 ESG 超融合系列研究超融合系列研究2020.10.24 请务必阅读正文之后的免责条款部分 2 资料来源：中信证券研究部 对于国情特色，我们建议对于国情特色，我们建议 A 股公司的环保数据的环境信用评级，行政处罚措施，排污股公司的环保数据的环境信用评级，行政处罚措施，排污 检测数据等，按照国家级检测数据等，按照国家级-省市级省市级-地市地市/第三方进行数据集群构建第三方进行数据集群构建。并按照行政级别高低顺 序赋予不同权重，同时给

14、予重点地区（直辖市+一线城市）的打分权重重点关注。以便形 成自上而下的全面评价体系。 对于行业一体化标准，我们重点围绕非制造业，增加相应环评可比指标，形成相对稳对于行业一体化标准，我们重点围绕非制造业，增加相应环评可比指标，形成相对稳 定数据评分标准和横向比较标准。定数据评分标准和横向比较标准。如金融、消费行业等、以百分制输出公司环境评分。 对于数据更新频率，当前主流核心数据源企业社会责任报告是年度更新，我们建议依 托各级环保部门的排污数据和处罚数据打造月度稳定评分数据，并参考环境主题舆情事件。 根据上文中提出的评分体系改造升级方向， 我们使用层次分析法， 分别参考国外 MSCI 和国内的商道

15、融绿的 ESG 的指标构建逻辑和选择标准，建立了关于上市公司环境治理领 域的三级层次结构。 表 1：环境相关指标梳理 一级指标一级指标 二级指标二级指标 三级指标三级指标 指标描述指标描述 环境守法 行为 环境相关处罚 环境相关处罚 政府向企业下发的环境相关行政、 刑事处罚数量 环境信用评级 环境信用评级 政府依据企业的环境相关行为对企业的环境信 用进行的评级 排污许可证 限期整改 政府依据排污许可管理方案对企业不符合规定 的行为下发的限期整改通知 环境舆情 环境舆情 公告 上市公司与环境相关公告 新闻 上市公司与环境相关新闻 环境管理 资源 资源消耗 原材料、水能的单位产品消耗量，能源使用结

16、构 资源节约 原材料、能源、水资源节约 污染 污染排放 水、气、固体废弃物、土壤、地下水污染产生量 等相关指标 污染治理 水、气、固体废弃物、土壤、地下水污染排放量、 国家-省级-地级环境数据打分赋权。 重点区域与环境敏感区域设定特殊权重。 国情数据特色结构化赋权 引入通勤、卫星，线下线上另类数据，指向潜在碳 排放节约指标。 以百分制输出公司环境评分，以A、B、C三档分类 非制造行业增加可比环境 对比指标 依托各级环保部门的排污数据和处罚数据型打造月 度稳定评分数据 环境主题舆情及时更新。数据更新+结构化高频化 ESG 超融合系列研究超融合系列研究2020.10.24 请务必阅读正文之后的免责

17、条款部分 3 去除率、回用率等相关指标 企业政策 环保意识 企业清洁生产改造（费用、效果）、企业节能减 排相关专利等 环保目标 是否就气候变化相关问题进行讨论 另类数据 分行业 制造业卫星数据；地产小区绿化率；金融 绿色债券； 资料来源：中信证券研究部 E 因素数据源精选与因素数据源精选与量化处理量化处理 聚焦政府侧数据，国情特色下量化环境评价聚焦政府侧数据，国情特色下量化环境评价 在我国环境治理体系下，政府作为企业环境行为的监管人，会及时向社会公示企业的 环境违法行为等信息，相比企业社会责任报告，这一数据能够更加真实客观的反应企业排 污、环境治理等相关情况。因此我们梳理了所有政府侧的公开数据

18、源，结合我国环境治理 相关法律法规，发现了三类数据值得纳入 E 因素评价体系中，分别是各地市环保局对企业分别是各地市环保局对企业 的环境处罚措施、 省级环保厅发布的企业环境信用评级、 全国统一管理的排污许可证数据的环境处罚措施、 省级环保厅发布的企业环境信用评级、 全国统一管理的排污许可证数据。 图 2：国家环保披露数据集群分类与特点比较 资料来源：政府官网，中信证券研究部 1）全国统一管理的排污许可证数据全国统一管理的排污许可证数据：排污许可证是排污单位向环境保护行政主管部 门提出申请后，环境保护行政主管部门经审查发放的允许排污单位排放一定数量污染物的 凭证。 目前我国排污许可的申请、 登记

19、、 管理已经实现了全国统一的平台化管理， 已有 264 万家企业在该平台上进行了排污登记，预计在 2020 年底可以完成全国所有企业的排污许 可登记工作。 全国 全国统一管理的排污许可证数据 区域覆盖面：预计在2020年底可以完成全国所有企业的排污许可登记工作； 数据类型：公开排污许可的执行报告，公示企业的实际排污量； 数据质量：结构化高； 历史长度：历史数据短，不可回溯。 省级 省级环保厅发布的企业环境信用评级 区域覆盖面：全国32个主要经济大省为样本，截至2020年8月，19个省份持续披露有效环境信用评价 数据； 数据类型：对企业环境行为进行信用评价，确定信用等级； 数据质量：结构化一般，

20、标准不统一； 历史长度：2017年至2019年。 地市 地市环保局对企业的环境处罚措施 区域覆盖面：全国500多个地市的环保局网站； 数据类型：处罚时间、处罚类型、受处罚单位、执法单位； 数据质量：结构化低，标准不统一； 历史长度：2014年至2019年。 ESG 超融合系列研究超融合系列研究2020.10.24 请务必阅读正文之后的免责条款部分 4 该平台披露了企业的排污许可证的登记信息，包含了企业的排污种类、方式和政府许 的排污量，并要求企业定期公开排污许可的执行报告，公示企业的实际排污量。鉴于该数 据结构化程度较好、企业覆盖齐全、监管政策强力推动，因此我们认为排污许可管理信息 平台将会成

21、为政府侧最重要的公开数据源。我们重点梳理了企业在申请排污许可证过程中， 政府针对企业不符合规定的环境问题下发的整改通知，该通知能较好反映企业的排污行为 是否符合法律规范。但是由于排污许可工作从 2019 开始在全国推广，大部分企业处于许 可的申请阶段，目前许可执行报告、限期整改等数据披露较少，时间也以 2020 年为主， 难以进行有效回测，因此我们仅对该数据源进行梳理和积累，并保持高度关注，但未用于 本次 E 因素评分体系构建中。 2）省级环保厅发布的企业环境信用评级省级环保厅发布的企业环境信用评级：环保部、发改委等单位在 2013 年向各级环 保部门发布了企业环境信用评价办法（试行） ，要求

22、管理部门根据企业环境行为信息， 按照规定的指标、方法和程序，对企业环境行为进行信用评价，确定信用等级，并向社会 公开，供公众监督和有关部门、机构及组织应用的环境管理手段。因此环境信用评价实质 上反映了企业在生产经营活动中是否能严格遵守环境相关的法律法规。 我们梳理了全国 32 个环保厅官方网站，由于不同省份对该项工作的推动力度有明显 区别，最终得到 19 个省份的有效环境信用评价数据，在时间尺度上主要集中在 2017 年至 2019 年，并且不同省份的信用评级的更新频率也有所不同，大多数省份按照年度更新信 用评级，浙江等少数省份则实现了月度更新。 3）各地市环保局对企业的环境处罚措施各地市环保

23、局对企业的环境处罚措施：该数据能真实有效的反应企业环境行为， 但是数据源分布在全国 500 多个地市的环保局网站上，并且格式不统一，结构化较差，极 难进行有效梳理。因此我们。因此我们引入引入“绿网环境保护服务中心绿网环境保护服务中心”的数据的数据，该机构，该机构是一家致力于是一家致力于 污染防治的非营利性环保组织，通过其建立的综合环境数据平台污染防治的非营利性环保组织，通过其建立的综合环境数据平台，其其环境处罚数据环境处罚数据平台，平台， 基本实现了国内企业基本实现了国内企业的的环境数据环境数据覆盖。覆盖。 该数据包含了 4 个核心维度，分别是处罚时间、处罚类型、受处罚单位、执法单位， 以沪深

24、 300 的公司及其所有子公司的环境处罚数据为限， 时间尺度从 2014 年至 2019 年， 我们共获取了 5594 条环境处罚数据。 上述的三类政府侧数据源，均指向了具体的排污单位，该排污单位可能是上市公司的 子公司或者“孙”公司，因此我们依据上市公司的子公司和“孙”公司名单，将排污单位 与上市公司标的相关联。同时针对中石化、中石油等子公司较众多的上市企业，由于子公 司的规模效应，该类上市公司可能会获得更多的环境处罚，因此我们使用母公司对子公司 的投资额量化子公司在公司体系中的重要程度，从而量化不同子公司的环境事件对母公司 的影响程度。 基于基于 NLP 量化新闻、公告等文本数据：量化新闻

25、、公告等文本数据：模拟模拟客观舆情数据客观舆情数据指标指标 基于全部公开的新闻信息，我们的评分方法中引入了高频更新的新闻和公数据源，使 用文本挖掘技术对与上市公司相关的新闻和公告按照我们划分的环境治理二级指标进行 分类，并对文本中的积极与消极含义进行量化评级。 ESG 超融合系列研究超融合系列研究2020.10.24 请务必阅读正文之后的免责条款部分 5 我们将该任务划分并抽象成为两个分类任务，对于某家公司的所有相关新闻，首先利 用指标分类模型按照环境治理二级指标的类别进行划分；其次利用情感分类模型，对每个 类别下的所有新闻进行情感的标注；最后综合各指标下所有新闻的情感指标，从而得到某 家公司

26、在环境治理方面的舆情综合表现。 图 3：新闻公告环境主题舆情评分引擎 资料来源：中信证券研究部 在分类的模型的选择上，我们使用 fastText 文本分类模型。fastText 是一个 Facebook 研究部门开源的快速文本分类算法，基于词向量训练模型改造而成，使用高性能语言编写 并优化训练流程使得模型训练速度大幅提高。fastText 的核心思想是：将整篇文档的词及 n-gram 向量叠加平均得到文档向量，然后使用文档向量做 softmax 多分类。 我们选取该模型的原因主要如下： 该分类任务语义挖掘需求不高，与模型能力相匹配。该分类任务语义挖掘需求不高，与模型能力相匹配。我们将该任务划分

27、并抽象成为两 个分类任务，第一个任务是将新闻按主题进行分类，第二个任务是将某个主题的所有新闻 按情绪级别进行分类，这两个任务对于语义挖掘的需求不是非常高。fastText 作为一个基 于词向量训练方法 skip-gram 形成的模型， 对词语、 短语级别的信息利用具有很强的优势， 基本可以解决以上两个分类任务的需求。 新闻数据的量级巨大，轻量的模型可以快速完成海量新闻的预测工作。新闻数据的量级巨大，轻量的模型可以快速完成海量新闻的预测工作。新闻作为日常 信息传递的载体，具有量级巨大的特征。对于语义挖掘需求不是非常高的任务，过于复杂 的模型在训练和预测过程中都会耗费大量计算资源和时间，换取到不够

28、显著的效果提升。 fastText 作为一个轻量级的模型，相对于其他深度神经网络模型，可以以非常低的计算资 源和时间成本，完成海量新闻数据的训练和预测。 表 2：环境舆情输出结果（举例） 新闻标题新闻标题 发布时间发布时间 数据源数据源 相关公司相关公司 环境标签环境标签 情绪情绪 类型类型 情绪分值情绪分值 辉丰股份原副总经理因犯污染2020/1/1 腾讯网 002496+辉环境污染 消极 0.999817 ESG 超融合系列研究超融合系列研究2020.10.24 请务必阅读正文之后的免责条款部分 6 新闻标题新闻标题 发布时间发布时间 数据源数据源 相关公司相关公司 环境标签环境标签 情绪

29、情绪 类型类型 情绪分值情绪分值 环境罪被判刑董事长免追刑责 丰股份 东方能源：大连花园口海上风电 项目取得核准预计投资 71 亿元 2020/1/3 公告 000958+东 方能源 环境治理 积极 0.990201 子公司排污超标被罚百万，煌上 煌不服处罚提请行政诉讼 2020/1/3 新京报网 002695+煌 上煌 环境污染 消极 0.9782 污染物排放超标被罚 10 万双成 药业质疑标准不合理 2020/1/8 新京报网 002693+双 成药业 环境污染 消极 0.999326 森特股份联手中建八局聚焦环 境综合治理 2020/1/9 中国证券 网 603098+森 特股份 环境治

30、理 积极 0.995058 豫新股份因拒绝接受环保检查 被罚 3 万元 2020/1/9 资本邦 832748+豫 新股份 环保政策 与目标 消极 0.998633 资料来源：中信证券研究部 行业数据：行业数据：基于基于 CSR 报告的通用性指标和基于另类数据的特色化指标报告的通用性指标和基于另类数据的特色化指标 企业社会责任报告（简称 CSR 报告）是作为一种信息载体和传播媒介，主要对企业 非财务方面信息进行披露，是企业将其履行社会责任的理念、战略、方式方法，其经营活 动对经济、环境、社会等领域造成的直接和间接影响、取得的成绩及不足等信息，进行系 统的梳理和总结， 并向利益相关方进行披露的方

31、式， 架起了企业与利益相关方沟通的桥梁。 而在企业社会责任报告中，关于环境的一些指标诸如能源消耗量、温室气体排放量等 定量信息更是判断企业环保意识体现乃至环保责任履行的重要依据。所以在市面上无论中 外几乎所有的ESG评分体系中， 都将企业社会责任报告作为最重要也是最基础的数据源。 本文的评分中也不例外，我们对 wind 里披露的企业 CSR 数据库相关数据维度进行梳理， 筛选出各行业相对通用的指标，并统一数据口径和单位，对各细分指标的分值进行计算。 表 3：环境治理细分指标梳理 二级指标二级指标 三级三级指标指标 细分指标细分指标 数据源数据源 资源 消耗 用水量 CSR 报告 用电量 CSR

32、 报告 用煤量 CSR 报告 使用天然气量 CSR 报告 消耗燃油量 CSR 报告 纸张消耗 CSR 报告 节约 节水量 CSR 报告 节电量 CSR 报告 废物利用率 CSR 报告 水循环与再利用量 CSR 报告 纸张节约 CSR 报告 污染 污染排放 温室气体排放量 CSR 报告 SO2 排放量 CSR 报告 氮氧化物排放量 CSR 报告 悬浮粒子/颗粒物 CSR 报告 污染治理 温室气体减排量 CSR 报告 废弃物回收量 CSR 报告 政策与目标 是否就气候变化机会进行讨论 是否就气候变化机会进行讨论 CSR 报告 ESG 超融合系列研究超融合系列研究2020.10.24 请务必阅读正文

33、之后的免责条款部分 7 资料来源：中信证券研究部 不过虽然近年来企业社会责任报告数量的持续增长，其总体质量也在不断提升。但是 鉴于企业社会责任报告的性质和定位毕竟年报不一样，属于非强制性的报告，暂无统一的 撰写规范，仍然存在不少问题。主要体现在以下四点： 1）截止 2019 年，A 股仍有部分公司选择不披露，披露率不足 40%； 2）对于发布 企业社会责任报告的公司，其披露的维度或多或少，口径也不统一；3）企业社会责任报 告属于低频更新的年度报告，难进行实时有效的跟踪；4）企业社会责任报告属于各公司 自行发布的报告，难免会存在一定片面性， 针对上述问题，为了保证数据的客观性和提高不同行业间数据

34、的可比性，我们面向环 境数据缺失严重的多个行业，梳理了一系列另类指标反映企业的环境友好程度。比如利用 第三方厂商的提供卫星数据，监控上市公司名下的多个工厂的碳排放夜光数据、红外夜光 指数来跟踪其污染排放和能源消耗客观值；对于地产开发类公司，可以引入土地利用率， 小区绿化率等因子；对于金融行业，可以通过银行信贷资金流向、授信额度、贷款量等评 价；对于金融行业，还可以引入电子交易替代率；对于农业行业，恢复退化的生态区域的 面积及占全部经营区域的面积比例； 对于医药行业， 可以额外关注医疗废品的处理方法等。 但由于部分数据可得性较差、时间累计长度不足、或公司覆盖样本较少等原因，在目 前版本中暂时无法

35、全部纳入考虑。因此我们在本次评分体系构建中，暂时仅引入卫星数据 和地产行业的土地利用率和小区绿化率两类指标，提高了评分体系的行业指导意义。 表 4：行业另类数据指标梳理 另类数据另类数据 适用行业适用行业 相关数据指标相关数据指标 具有工厂属性的行业 碳排放夜光指数 红外夜光相关指数 气体监测指数 地产 土地利用率 开发小区绿化率 金融 电子交易替代率 银行给环保行业公司的授信额度 互联网 线上 APP 用户量/占比 线上/远程/视频会议占比 新能源 新能源生产、节能方向申请专利数量 医药 医药废品处理方法 农业 恢复退化的生态区域的面积 交通运输 新能源交通工具占比/淘汰设备数量 资料来源：

36、中信证券研究部 针对我们上述梳理得到的基于 CSR 报告的通用性行业指标和基于另类数据的特色化 行业指标，各个指标之间的量纲和数量级是不同的，需要对各个指标数据进行无量纲化处 理。本研究采用 min-max 标准化方法，把不同指标数据都换算到 0-100 区间内。值得一 提的是，对于各公司各项指标的标准化是在同一所属行业的范围内独立进行的，以此消除 不同行业之间，由于生产经营模式不同所导致资源的消耗与污染的排放水平差异。 ESG 超融合系列研究超融合系列研究2020.10.24 请务必阅读正文之后的免责条款部分 8 根据指标的含义可以分为正向指标、负向指标。正向指标表示对环境友好的因素，如 节

37、水量、废物利用率、温室气体减排量；负向指标表示对环境消耗的因素，如用水量、温 室气体排放量、纸张消耗。设为该行业第 j 个公司第 i 个指标的原始数据，为该行业第 j 个公司第 i 个指标的标准化数据。根据 min-max 标准化方法，得到正向指标和负向指标 的标准化公式，见公式(1)和公式(2)。 = min() max()min() 100 (1) = max() max()min() 100 (2) E 因素数据融合技术架构与因素数据融合技术架构与评分体系构建评分体系构建 多源环境数据融合：基于专业知识的量化分级与赋权多源环境数据融合：基于专业知识的量化分级与赋权 对于环境多源数据，我们

38、首先在同一数据源内对企业进行量化分级评价，实现子公司 对上市公司的有效关联，消除公司的规模效应和行业差异。 对于一级指标的权重的赋值， 我们参考了商道融绿的赋值比例。 对于二级和三级指标， 默认权重设置为同级指标数量占比，比如一级指标“环境管理”下有五个二级指标，那么 这五个二级指标的默认权重为 100%/5。 表 5：环境相关指标梳理 一级指标一级指标 二级指标二级指标 三级指标三级指标 量化方式量化方式 指标偏向指标偏向 环境守法 行为 环境相关处罚 环境相关处罚 基于处罚金额量化 负向指标 环境信用评级 环境信用评级 基于评价等级量化 负向指标 环境舆情 环境舆情 公告 NLP 情绪偏向

39、打分 正向/负向指标 新闻 NLP 情绪偏向打分 正向/负向指标 环境管理 资源 资源消耗 百分制无量纲化处理 负向指标 资源节约 百分制无量纲化处理 正向指标 污染 污染排放 百分制无量纲化处理 负向指标 污染治理 百分制无量纲化处理 正向指标 企业政策 环保意识 百分制无量纲化处理 正向/负向指标 环保目标 百分制无量纲化处理 正向/负向指标 另类数据 分行业 百分制无量纲化处理 正向/负向指标 资料来源：中信证券研究部 环境评分动态模型构建：基于滑动时间窗口的动态分数计算环境评分动态模型构建：基于滑动时间窗口的动态分数计算 为了高频更新公司评分，我们使用静态指标作为基础计算公司的基础得分

40、，动态指标 作为高频因子跟踪公司的动态得分。我们将评分体系中的二级指标分为拆分为静态指标和 动态指标。其中环境管理中资源、污染、政策属于静态指标，环境守法行为、舆情和另类 数据属于动态指标。 对于静态指标， 直接使用 CSR 报告中提取的数据作为当年的基础分； 对于动态指标，根据其数据源的更新频率的高频动态更新分值。 此外，为了消除如公告舆情等动态指标在某一时段内（如报告期）可能会比较集中， 给评分带来的波动性，本文的环境治理评分模型，还引入滑动时间窗口概念的来构建动态 ESG 超融合系列研究超融合系列研究2020.10.24 请务必阅读正文之后的免责条款部分 9 评分模型。滑动时间窗口以 3

41、 个月作为时间窗口的跨度。对于距离当前时间节点更近的信 息赋予更高的权重。 图 4：滑动时间窗口计算模型 资料来源：中信证券研究部 ESG 超融合系列研究超融合系列研究2020.10.24 请务必阅读正文之后的免责条款部分 10 E 因素因素动态评分效果评价动态评分效果评价 我们基于相同数据源、相同计算口径、主要对中证 800 的成分股，共计 800 家公司使 用我们的评级体系对它们近三年的环境治理表现进行评分，由于我们使用的大部分数据指 标主要数据源还是依赖于公司披露的企业社会责任报告，对于那些不披露的公司，数据维 度缺失严重，为了评分的严谨性，在评分时将他们剔除。最终可以实现有效测试模拟的公 司 2017 年有 303 家，2018 年有 272 家，2019 年和 2020 年有 283 家。 和商道融绿对比：评分具有较高的相似性和稳定性和商道融绿对比：评分具有较高的相似性和稳定性 使用我们的公司评分数据和商道融绿所公布的同年数据进行比较，对于绝大多数公司， 商道融绿给出的评分稳定是我们的 2 倍左右。分值绝对值的差异主要源于指标选择不同、 权重不同和数据源选择不同的原因，但是相对比值比较稳定，说明我们的评分数据还是有 很高的参考意义。 图 5：