ESG评级分歧作为漂绿(Greenwashing)信号:数字化转型(Digital Transformation, DTI)通过披露渠道与绩效渠道的不对称效应

《Sustainability》:ESG Rating Disagreement as a Greenwashing Signal: Asymmetric Effects of Digital Transformation Through Disclosure and Performance Channels

【字体: 大 中 小 】 时间:2026年07月05日 来源:Sustainability 4.1

编辑推荐:

  摘要:本研究检验ESG评级分歧(Rating Disagreement, RD)是否为公司漂绿(Greenwashing)的前瞻性指标,以及数字化转型(Digital Transformation, DTI)如何通过披露渠道与绩效渠道调节二者关系。研究人员使用

  
摘要:本研究检验ESG评级分歧(Rating Disagreement, RD)是否为公司漂绿(Greenwashing)的前瞻性指标,以及数字化转型(Digital Transformation, DTI)如何通过披露渠道与绩效渠道调节二者关系。研究人员使用2012–2022年中国A股上市公司8111个公司—年度观测值,采用双向固定效应面板回归,辅以经贝叶斯(Bayesian)优化并用SHAP解释的机器学习模型。聚合评级分歧是漂绿的强且稳健的预测因子。渠道分解揭示DTI的不对称调节作用:披露渠道中,数字化程度高的公司借扩展报告能力拉大披露与实际ESG绩效之间的缺口从而放大漂绿风险(bloom_DTI: β = +0.2471, p < 0.01);绩效渠道中,数字化运营监控将实质性绩效转化为可测的漂绿削减从而弱化漂绿风险(hua_DTI: β = ?0.2804, p < 0.01)。该模式在所有权性质、污染密集度及地区分组中均稳健。机器学习分析印证计量结果并揭示面板回归无法捕捉的非线性阈值效应。此不对称渠道机制丰富了ESG评级异质性文献,对披露监管与ESG投资筛选具启示意义。
论文解读
研究背景与意义
环境、社会与治理(Environmental, Social, and Governance, ESG)评级已成为可持续投资的重要基准,但不同评级机构对同一公司的评分存在显著分歧(Divergence),其相关性远低于信用评级机构间的一致性。现有文献多将分歧归因于测量、范围和权重差异,较少将其视为公司战略性漂绿(Greenwashing,即象征性披露与实质性绩效脱钩)的信号。与此同时,数字化转型(Digital Transformation, DTI)被证明可抑制漂绿,但是否沿披露与绩效两条渠道产生对称影响尚未探明。Bloomberg ESG评分侧重披露广度(Disclosure-oriented),华证(HuaZheng) ESG评分侧重实质环境与社會绩效(Performance-oriented),二者之差可表征"披露—绩效缺口",即潜在漂绿程度。中国A股市场兼具国际与本土评级机构、DTI政策推动带来的跨企业变异,以及可复现公开数据集,构成理想研究场景。研究人员旨在验证ESG评级分歧是否构成系统性漂绿信号,并分解DTI通过Bloomberg型披露渠道与HuaZheng型绩效渠道对漂绿的不对称调节机制。该文发表于《Sustainability》。
主要技术方法
研究人员基于Zhao (2023) deposited于Mendeley Data的公开数据集,筛选2012–2022年中国A股非金融类、非ST/*ST公司,剔除关键变量缺失后得8111个公司—年度观测值(1265家独特公司)。漂绿得分(Greenwashing Score, GWS) = 全局标准化Bloomberg ESG得分(bloom_g) ? 全局标准化华证ESG得分(hua_g),正值代表披露形象高于实质绩效。DTI以年报中数字技术关键词频次对数衡量。构建渠道交互项bloom_DTI = bloom_g × DTI与hua_DTI = hua_g × DTI。控制公司规模、杠杆率、ROA、营收增长率、Tobin's Q、第一大股东持股比、机构投资者持股比、董事会规模、独立董事比例、国企(SOE)虚拟、四大审计虚拟、公司年龄及省份GDP增速。计量采用双向固定效应面板回归(Two-way FE, 公司+年度固定效应,标准误双向聚类于公司与年度,另报Driscoll-Kraay稳健标准误),嵌套三规格(Spec-1~3),核心为Spec-3仅纳入bloom_DTI与hua_DTI以识别渠道效应。二元GWS用线性概率模型(LPM)估计。机器学习层含XGBoost、LightGBM、Random Forest及多层感知机(MLP),超参经Optuna贝叶斯(TPE)搜索(50 trial, 5-fold CV),最优XGBoost用TreeExplainer计算SHAP值以解释非线性阈值与异质性。稳健性检验含滞后变量、VIF诊断、残差化交互、替代DTI度量(关键词密度dig)、分组建模(SOE/污染度/地区)。
研究结果
4.1. Exploratory Analysis
描述性统计显示2012–2022年DTI均值由约0.6升至1.9,评级分歧2018年后转正并与ESG披露要求扩张同步。GWS均值?0.4804,仅33.2%公司—年度呈经济正缺口,二元GWS按中位数切分近平衡(49.7%)。GWS与bloom_g正相关(r=0.61)、与hua_g负相关(r=?0.58),评级分歧(RD)与GWS相关r=0.73,初步支持假设方向。
4.2. Panel Regression Analysis
Spec-2中RD对GWS具强预测力(Within-R2=0.737)。Spec-3渠道分解结果:esgdis方程中bloom_DTI显著为正(β=+0.2474, p<0.01),hua_DTI不显著,说明DTI主要推高披露型评分;esgper方程中hua_DTI显著为正(β=+0.2736, p<0.01),bloom_DTI不显著,说明DTI主要强化绩效型评分。GWS方程中bloom_DTI=+0.2471(p<0.01)表明数字化先进且Bloomberg高分公司漂绿风险更高(披露渠道放大),hua_DTI=?0.2804(p<0.01)表明数字化先进且华证高分公司漂绿风险更低(绩效渠道衰减),两渠道符号相反且绝对值接近(绩效通道略大),证实不对称双渠道机制。控制变量中公司规模为正、杠杆率为正、四大审计为负,符合理论预期。
4.3. Robustness Tests
滞后一期预测变量结果符号与显著性保留(bloom_DTI_lag β=+0.0788, hua_DTI_lag β=?0.0383, 均p<0.01)。VIF<2.26(除构造性无限VIF不影响分模型估计)。LPM二元GWS中bloom_DTI=+0.0798, hua_DTI=?0.0980(均p<0.01)。Driscoll-Kraay与双向聚类SE结论不变。残差化交互项VIF<2.6且符号反转(反映正交后不同经济含义)。行业—年度统一标准化及替代DTI度量(关键词密度dig)中Spec-2一致但Spec-3交互项衰减不显著,说明对数计数DTI更敏感捕捉披露强度阈值。
4.4. Heterogeneity Analysis
SOE与非SOE、重污染与非重污染、东部与中西部各组bloom_DTI均显著正、hua_DTI均显著负,置信区间大幅重叠,表明不对称渠道具跨情境稳健性。私有企业外部压力略大,国企受政府监督部分替代市场约束,但渠道方向无差异。
4.5. Machine Learning Performance
XGBoost回归R2=0.808±0.004、分类AUC-ROC=0.945±0.005居首,LightGBM次之,RF与MLP略低。严格正交消融(去除所有评级衍生特征)后XGBoost R2=0.221、AUC=0.713,DTI在SHAP重要性列第9位(mean |SHAP|=0.078),说明DTI与公司治理变量独立预测漂绿。
4.6. SHAP Analysis
全局SHAP重要性前三位为RD、bloom_g、hua_g。Beeswarm图示bloom_DTI贡献偏正、hua_DTI偏负,与回归一致。Dependence plot显示bloom_DTI在高DTI水平时SHAP值更正向(披露渠道放大随数字化加深增强),hua_DTI在高DTI时SHAP值更负(绩效渠道衰减随数字化加深增强),揭示非线性阈值——线性模型低估高度数字化公司漂绿风险。子组(SOE vs 非SOE) SHAP比较显示bloom_DTI在非SOE略强,hua_DTI跨组相当,佐证回归异质性发现。
讨论与结论翻译
讨论指出:(1) Bloomberg–HuaZheng分歧含系统性信息,监管应关注跨机构分散度及方向性构成;(2) DTI净效应取决于披露渠道放大与绩效渠道衰减的相对强弱,早期数字化阶段绩效渠道主导,高度数字化后披露渠道风险凸显;(3)不对称渠道跨所有制、污染度及地区稳健,具结构性特征;(4) SHAP阈值分析表明梯度提升架构较线性模型更敏锐捕捉高危剖面,可用于ESG审计与组合风险管理。
结论:研究人员证实聚合评级分歧(RD = bloom_g ? hua_g)是漂绿的强预测因子(Spec-2 Within-R2 = 0.737)。渠道分解表明DTI通过披露渠道放大漂绿风险(bloom_DTI β = +0.2471, p < 0.01),通过绩效渠道削弱漂绿风险(hua_DTI β = ?0.2804, p < 0.01)。该不对称双渠道模式在SOE状态、污染强度及地域分组中均稳健。机器学习(XGBoost R2 = 0.808, AUC-ROC = 0.945)配合SHAP确认计量发现并揭示非线性阈值效应。研究将ESG评级分歧的方向性信息形式化为漂绿信号,分解DTI总体抑制效应为竞争渠道机制,并示范双向固定效应计量与梯度提升+SHAP的方法互补性。局限含样本限于中国A股(2012–2022)、漂绿代理为评级缺口非违规记录、DTI为文本词频、因果识别靠FE与滞后而非自然实验,未来可用其他评级配对、非中国市场及准实验设计拓展。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号