原创 HGFI 海南省绿色金融研究院

文章字数：3655 阅读时长：21分钟

文丨姜波

在开展ESG评级过程中，由于企业提供的基础数据在量纲、数值分布范围、数值趋势上各不相同，因而需要首先将数值标准化(Normalization)，然后再进行比较分析。本文简单论述了ESG数据处理过程中的几个常用方法。

一

ESG数据的标准化

1

ESG数据的标准化方法

数据的标准化(normalization)是将数据按比例缩放，使之落入一个相对较小的特定区间。数据标准化的目的在于去除数据的单位限制，将其转化为无量纲的纯数值，便于不同单位或量级的指标能够进行比较和加权。

ESG评级体系是一个典型的多指标评价体系。通常，在多指标评价体系中，单个评价指标的性质不同决定了不同指标通常具有不同的量纲和数量级。当各指标之间水平相差很大时，如果直接用原始指标值进行分析，就会突出数值较高的指标在综合分析中的作用，相对削弱数值水平较低指标的作用，为了保证结果的可靠性，就需要对原始数据进行标准化处理。

目前数据标准化方法有多种，归结起来可以分为直线型方法、折线型方法、曲线型方法。最常见的数据标准化处理，就是将数据统一映射到[0,1]区间上，也称归一化方法(直线型方法)。常用的归一化方法有最小-最大规范化(min-max normalization)、零-均值规范化(Z-score normalization)、log函数转换等。

以明晟(MSCI)ESG评级方法为例，其环境(Environmental)和社会(Social)两个支柱相关指标赋值方法采用的就是最小-最大规范化方法。明晟(MSCI)ESG评级方法环境(Environmental)和社会(Social)两个支柱是分行业进行评级的，行业关键议题得分的最大(优)值(industry maximum score)采用行业加权平均关键议题得分(Weighted Average Key Issue Score，WAKIS)数据集中95%—100%之间的数值，行业关键议题得分的最小(差)值(industry minimum score)则采用行业加权平均关键议题得分(WAKIS)数据集中0%—5%之间的数值。确定了受评企业所属行业关键议题的最大、最小值后，就采用最小-最大规范化方法对受评企业环境(Environmental)和社会(Social)两个支柱的具体表现进行归一化处理。

不过，明晟(MSCI)ESG评级方法环境(Environmental)和社会(Social)两个支柱的赋值区间是[0,10]，而非传统归一法中的[0,1]。另外，受评企业三大支柱加权平均关键议题得分(WAKIS)计算结果出来后，还需进行行业调整，即按行业再次进行归一化处理(数值区间为[0,10])得到该企业的行业调整分(Industry-Adjusted Score，IAS)，然后映射到ESG评级级别字母表(如AAA、AA、A、BBB等)，确定该企业的最终ESG评级级别符号。

2

ESG数据的标准化目的

数据标准化处理主要包括数据无量纲化和同趋化处理处理两个方面。数据无量纲化处理主要解决数据的可比性。而数据同趋化处理主要解决不同性质数据问题，对不同性质指标直接加总不能正确反映不同作用力的综合结果，须先考虑改变逆指标数据性质，使所有指标对测评方案的作用力同趋化，再加总才能得出正确结果。

（1）ESG数据无量纲化处理及其作用

数据的无量纲化，也称为规范化，是指不同指标之间由于存在量纲不同致其不具可比性，故首先需将指标进行无量纲化，消除量纲影响后再进行接下来的分析。对于不同ESG数据而言，指标数量较大且量纲不同，代表的含义也是不同的，无法进行下一步的分析工作，这时首先应进行无量纲化处理。

ESG数据无量纲化处理的目的主要是解决数据的可比性问题。例如，同一行业内不同企业的能源消耗问题，有些企业电气化程度高，用电量大，而其他能源如煤炭、石油、天然气的消耗量相对较小；另一部分企业电气化程度较低，用电量较小，而煤炭、石油、天然气的消费量相对较高，这就需要首先实现量纲同一化，将其能源消耗指标折算为统一指标，如标煤量、单位产品能耗等。然后再采用数据标准化方法，如归一化方法，进行无量纲化处理。经过上述处理后，原始数据均转换为无量纲化指标测评值，各指标值处于同一个数量级别上，可以进行综合测评分析。

（2）ESG数据同趋化处理及其作用

数据同趋势化处理是把不同特征指标对目标的作用力趋势一致化。将不同性质指标直接相加，难以正确反映不同作用力的综合作用结果，则须先考虑改变逆指标数据性质，使所有指标对测评方案的作用力同趋势化后再相加，这样才能得出正确结果。

ESG数据同趋化处理主要解决不同性质数据的趋势一致性问题。例如，将企业技术改造行为数据和企业受环保处罚行为数据放在一起处理，企业技术改造升级表现是正向提升行为，而企业环保处罚是负向减分指标，二者的趋势性显然是不一致的。为了保证一致性，可以采用环保处罚程度由大到小将其环保处罚指标赋值由小到大的方法，实现企业技术改造升级与企业环保处罚两个指标的作用力方向同一化，趋势性一致。

同样以明晟(MSCI)ESG评级方法为例，Environmental (环境)、Social (社会)和Governance (治理)三大支柱中，Environmental (环境)和Social (社会)两个支柱在赋值上是的正向加分方法，而Governance (治理)支柱则是以行业最佳实践作为标杆，采用受评企业与其所属行业最佳实践相比减分的方法来赋值的(负分)。为了保证三大支柱的同趋势化，Governance (治理)支柱赋值在合并进入ESG评分的加权平均关键议题得分(WAKIS)时，采用了行业最佳实践分满分(10分)加企业Governance (治理)支柱得分(负分)，实现了Governance (治理)支柱得分与Environmental (环境)和Social (社会)两个支柱(正向，满分10分)的得分同趋势化。

二

ESG数据的分位数选择

在ESG数据处理过程中，面临很多指标的分等级评价问题。如，对于一个给定ESG评价指标，各个企业的对应指标标准化后，其分值随机分布，如何将这些企业划分到不同等级？再如，如何将ESG不同分值映射到不同字母表达等级符号上来。在统计学上，通常用分位数(Quantile)来处理这一问题，常用的有中位数(Median，即二分位数)、四分位数(Quartile)、百分位数(Percentile)等。

以明晟(MSCI)ESG评级为例，ESG评级总分数值区间设定为[0,10]，其评级符号与ESG得分之间的映射关系如下：

可见，在此明晟(MSCI)ESG评级采用的是七分位数来实现评级分数与评级符号的映射关系的。

受评企业环境(Environmental)、社会(Social)和治理(Governance)三大支柱(各支柱的得分均为10分制)按权重加权平均得到企业加权平均ESG分(ESG评分也是10分制)，该得分还需按该企业所属行业进行最小-最大规范化(归一化)处理后，计算得出该企业经行业调整后的最终得分。将该企业ESG评级最终得分对照等级符号映射表，即得到该企业的ESG评级等级符号。

在明晟(MSCI)ESG评级中还用到了百分位数分级方法。在ESG关键议题评价中，为了保证当在某一行业系列中有公司被加入或者删除时，其他公司的相对评级不会改变，就需要使用最小-最大规范化方法来设定行业内各指标等级分布序列。最小-最大规范化方法需要确定行业指标的最大值和最小值，明晟(MSCI)ESG评级采用的就是百分位数，如下表：

采用百分位数方法，明晟(MSCI)ESG评级将行业标杆值定位在96%- 100%之间，最大值也是取自该区间；行业最差值定位在0 - 5%之间，最小值也是取自该区间。如此处理，不会出现由于某个行业内评级最高等级(或最低等级)企业退出或者加入评级序列后，导致该行业的指标分布序列发生较大变动，进而发生该行业内所有企业的评级结果随之明显变动的情况。

三

结论

ESG数据处理的方法众多，仁者见仁、智者见智。本文结合明晟(MSCI)ESG评级方法的数据处理方法，简要讨论了ESG评级数据处理常见的一些方法，希望能为ESG评级实践提供参考。

与传统信用评级相比较，ESG评级作为相对较新的评级体系，使用的数据也非传统数据，因而需要在ESG评级实践中不断累积，建立合适的数据处理方法和评级模型，以保证ESG评级的准确性、可靠性和可比性。

原标题：《理论研究｜ESG评级中数据处理的常用方法》

阅读原文