高度結構化的ESG數據是開展ESG投資的重要基礎設施，但是目前國內ESG數據質量較差，整體信息披露率較低，部分關鍵指標更是嚴重缺失，例如碳排放披露率不足5％，同時由于ESG評分結果需要具備可解釋性，使得ESG數據治理工作難度較大。圍繞ESG數據治理，我們通過實戰(zhàn)案例對數據獲取、體系搭建與資產沉淀等不同環(huán)節(jié)進行介紹與探討，并對中信證券ESG通用評級體系的39個指標進行了數據治理剖析。

▍ESG數據披露標準不一，完善程度有待提升，數據治理扮演重要角色。

上市公司CSR報告是ESG評分最重要的數據源之一，報告在信披維度上直接受到ESG 信披標準影響。國際信披體系發(fā)展成熟，多項標準互為補充；國內強調本土國情，但在規(guī)范與執(zhí)行層面均有較大提升空間。2021年，僅有約30％的A股上市公司披露了CSR報告。數據缺失、透明度低等現(xiàn)狀容易導致ESG理念難以量化與指標失真等問題，因此在完善的披露體系與標準化披露落地形成之前，數據治理將持續(xù)扮演重要角色。

▍ESG數據治理方法：因“數”制宜，強調“邏輯”與“理念”的雙重可解釋性。

本質是在披露體系與數據質量不完善的基礎上，為了得到更準確結果的處理手段。與其他應用數據治理方法相比，ESG數據治理更加突出強調可解釋性，具體包括但不限于以下維度：底層數據處理邏輯可解釋、指標處理流程對ESG理念可解釋、指標處理結果與公司實際情況可解釋、行業(yè)間可比的處理邏輯可解釋以及最終結果對應用方向可解釋。

▍ESG框架搭建中數據治理難點在于，對數據與行業(yè)的理解缺一不可。

ESG原始數據來源多、形式廣，另類數據占比可45％，需要專業(yè)的數據團隊或供應商提供有效的數據獲取支持；數據標準化難度高，單純依賴人工處理數據的成本高昂，需要借助機器學習等金融科技手段提升數據處理效率；ESG框架的可解釋性與數據處理的每個環(huán)節(jié)息息相關，需要研究團隊具備足夠的ESG概念理解、行業(yè)理解和數據理解，才能自下而上保證流程的合理性和結果的科學性。

▍中信證券ESG評分體系數據治理方法: 貼近國情、聚焦實戰(zhàn)。

本文結合A股ESG數據現(xiàn)狀，分析了中信證券以實戰(zhàn)需求為導向的ESG評分體系下39個指標對應的數據治理框架。在數據上我們新引入了第三方數據源，并對指標進行合理調整。在量化方法上，我們對指標按屬性進行分類，并依據自身特點選擇合適的缺失值補充方案和量化方案。最后以“安全生產處罰”指標的詳細過程為例，凸顯ESG數據處理的可解釋性。

▍ESG數據治理過程中的資產沉淀，可以為不同場景引入新數據、新指標。

ESG框架搭建可以分為多個環(huán)節(jié)，每個環(huán)節(jié)的數據處理流程都會產生不同維度的數據結果。通過將這些中間數據資產化，可以對ESG體系形成可以解釋性，也可以對基本面與量化研究形成不同維度的支持。數據治理不同環(huán)節(jié)的輸出，可以通過標準化數據庫存儲的方式形成結構化的數據資產。

▍風險因素：

ESG相關政策落地不及預期；ESG數據供應商競爭格局劇變。

本文源自金融界