AI驅動的ESG投資鏈接可持續未來

曾輝 程善鈿

在全球經濟的快速發展進程中，由于忽視生態系統治理和環境保護，地球的生態系統變得日益脆弱，氣候危機和生態多樣性問題不斷加劇。2018年的諾貝爾經濟學獎頒給了保羅·羅默和威廉·諾德豪斯，表彰其在技術創新推動內生增長和氣候變化納入宏觀經濟分析方面的貢獻，兩位大師的理論在探尋這個時代最根本的問題——如何創造長期可持續的經濟增長。

而這正是我們研究的切入口，通過人工智能（AI）和大數據的應用來研究如何更有效地推動可持續金融與投資，以實現經濟增長與可持續發展之間的平衡。氣候變化與經濟金融本就密不可分，其中ESG（環境、社會和公司治理）投資扮演的角色日益重要，宏觀層面引導著資本流向可持續發展領域，微觀層面及時反映企業可持續發展的能力和潛力。近年來，隨著人們對氣候變化和可持續發展議題的高度關注，人工智能驅動的ESG投資將逐步成為全球性共識，并有助于加速落實聯合國可持續發展目標（SDGs）。

ESG投資成為落地可持續金融的主戰場

隨著可持續發展成為全球性重大議題，ESG理念和實踐在全球范圍內快速發展。在國際層面上，ESG從方向性的導則到信息披露的標準，再到壓力測試和ESG評級等具體的技術方法，由國際機構和監管機構搭臺、投資機構響應的格局已經形成。

與此同時，ESG投資在中國也風生水起，正成為落地可持續金融的主戰場。隨著中國可持續發展金融實踐的推進，在國際可持續金融標準的基礎上，發展中國特色的數據驅動的可持續金融評估分析體系，將成為中國大國擔當和落實生態文明的有力抓手。我們認為，在全球現行的ESG標準基礎上，納入氣候變化、自然資源、環境治理、產品責任、社會貢獻、公司治理等方面的指標，也是體現我國積極推進資源環境承載能力評估、應對氣候變化、關注高品質生產、提升上市公司質量等行動的有效方式。

然而，目前ESG投資面臨著全球性的數據缺陷，同時也是數據價值洼地，嚴重制約了ESG投資的落地與推進。可以說，傳統的CSR/ESG報告的數據難以支撐系統的ESG評級、為ESG投資形成扎實的數據基礎。通過研究和實踐發現，現有的ESG數據有以下痛點：

1.數量龐大的非結構性數據：ESG分析目前由大量的傳統文本和圖表格式的非結構化數據組成，而市場公開數據和傳統行業的研究報告缺乏準確性和及時性，大部分ESG數據仍依靠企業自愿披露，這為后續的定量分析和追蹤增加了難度。

2.數據滯后：多數ESG評級的數據來源依賴于披露的財報或CSR報告，而財報和CSR報告多為半年度或年度更新，導致許多ESG指標每年只更新一次，因此難以通過分析這些指標形成反映管理風險或提升回報的最具時效性的信號。

3.數據不夠全面：大部分ESG數據覆蓋周期大約5年，數據范圍、回溯時間等難以做到全面覆蓋，數據類型單一導致可替代性差。

4.缺乏客觀準確性：許多數據如制造業生產狀況、企業治理評分等來源于線下人員調研報告或專家主觀評分，不同的數據供應商或評級機構對ESG指標所賦予的權重有所不同，導致缺乏客觀準確性。

而這些ESG數據的痛點，恰恰是人工智能（AI）技術及以衛星遙感影像、輿情信息、定位數據等為代表的多源另類數據能發揮作用的地方。

人工智能驅動ESG投資的實現路徑

如何基于人工智能在資產管理和投資研究等方面的經驗，與ESG投資相結合，仍是學界和業界共同需要解決的難題。實際上，從ESG數據獲取、數據驅動的ESG評級到ESG投資策略，AI技術都將發揮不可或缺的作用。

首先，擋在ESG評級上的第一道難關就是數據的獲取和分析，因此針對最底層的數據生產環節，通過多源異構數據的整合分析、自然語言處理（NLP）和大規模金融知識圖譜能解決“卡脖子”的數據難題（如上圖）。一方面，豐富的數據基礎能支持后續大規模的運算，另一方面可以深度挖掘數據背后的關聯關系，建立風險傳導機制。具體的應用場景如下：

一是衛星遙感對于E（環境）相關指標的監測。AI中的計算機視覺（Computer Vision，CV）技術結合高光譜衛星、雷達衛星等衛星影像可以用來分析制造業生產單元的環境表現和企業對周邊環境的影響，如廢氣排放、廢水排放、土地使用情況、圍堰等情況。分析成果可用來交叉檢驗企業的排放報告數據，識別“洗綠”行為。同時，CV結合移動端的街景圖片可用來分析當地的空氣質量，使區域居民可以參與企業的環境監測，既是企業環境表現的受眾，又是有效監督者。

二是可以利用輿情和圖譜分析對于S（社會）和G（公司治理）中供應鏈及公司治理結構等相關指標進行監測。企業的財務表現會影響股東權益，而企業的ESG表現則會影響更廣泛的群體，監管公告和輿情報道可成為企業ESG表現的客觀反映。這類數據來源廣泛，但目前人工獲取和分析效率較低，AI中的自然語言處理（NLP）技術可以自動識別事件主體，對監管處罰的類型和嚴重程度進行歸類，分析輿情關聯事件和影響程度，還可以通過事理圖譜分析，跟蹤事件的演進。

三是ESG風險會通過企業關聯關系傳導，包括供應鏈、股權鏈和產業鏈，例如上游水源企業發生環境問題，會影響到下游飲料行業的生產活動。AI中的知識圖譜（KG）可以基于各種關聯關系和企業屬性建立龐大的圖數據庫，并根據圖譜挖掘算法、識別出企業間未披露的聯系，并分析ESG傳導的路徑和程度，使ESG分析師能站在更全局的角度去分析ESG風險的擴散情況。

四是針對ESG指標的量化值，AI可以被用作未披露企業缺省值的填充。傳統的數據填充方法會參考同行業披露企業的數據，利用同行業企業的相似性，填充缺省值。但當前企業業務線廣泛，簡單的行業分類并不能很好地反映其相似性。AI的聚類算法可以實現更準確的相似性分析，使得缺省值填充基于最相似的企業特性，從而確保填充值更接近真實值。

其次，基于數據基礎和技術能力，可以綜合形成數據驅動的ESG評級體系。這套體系是基于監管文件、國際標準、數據基礎和負面清單所構建的準實時更新的ESG評級體系（如圖），能對公司做出更加客觀、全面的評估。

最終，基于AI技術可實現三大ESG投資策略。一是ESG評級：填補傳統ESG評級基于財報或CSR報告而分析數據不足的問題，提供準實時的公司ESG評級，篩選或剔除ESG投資標的;二是ESG指數：幫助投資機構篩選和跟蹤投資組合的ESG風險，提供全方位基于ESG評級的投資組合分析支持;三是ESG因子分析：基于機器學習的特征工程技術、強化學習和人工參與特征的生成，進行ESG因子的提取、挖掘，通過數據庫—因子構建—因子回測—因子評價—因子跟蹤的流程構建因子策略，整合ESG因子，歸因可持續的超額收益。

曾輝：微眾銀行人工智能部高級研究員;程善鈿：微眾銀行人工智能部高級產品專家