高度结构化的ESG数据是开展ESG投资的重要基础设施，但是目前国内ESG数据质量较差，整体信息披露率较低，部分关键指标更是严重缺失，例如碳排放披露率不足5％，同时由于ESG评分结果需要具备可解释性，使得ESG数据治理工作难度较大。围绕ESG数据治理，我们通过实战案例对数据获取、体系搭建与资产沉淀等不同环节进行介绍与探讨，并对中信证券ESG通用评级体系的39个指标进行了数据治理剖析。

▍ESG数据披露标准不一，完善程度有待提升，数据治理扮演重要角色。

上市公司CSR报告是ESG评分最重要的数据源之一，报告在信披维度上直接受到ESG 信披标准影响。国际信披体系发展成熟，多项标准互为补充；国内强调本土国情，但在规范与执行层面均有较大提升空间。2021年，仅有约30％的A股上市公司披露了CSR报告。数据缺失、透明度低等现状容易导致ESG理念难以量化与指标失真等问题，因此在完善的披露体系与标准化披露落地形成之前，数据治理将持续扮演重要角色。

▍ESG数据治理方法：因“数”制宜，强调“逻辑”与“理念”的双重可解释性。

本质是在披露体系与数据质量不完善的基础上，为了得到更准确结果的处理手段。与其他应用数据治理方法相比，ESG数据治理更加突出强调可解释性，具体包括但不限于以下维度：底层数据处理逻辑可解释、指标处理流程对ESG理念可解释、指标处理结果与公司实际情况可解释、行业间可比的处理逻辑可解释以及最终结果对应用方向可解释。

▍ESG框架搭建中数据治理难点在于，对数据与行业的理解缺一不可。

ESG原始数据来源多、形式广，另类数据占比可45％，需要专业的数据团队或供应商提供有效的数据获取支持；数据标准化难度高，单纯依赖人工处理数据的成本高昂，需要借助机器学习等金融科技手段提升数据处理效率；ESG框架的可解释性与数据处理的每个环节息息相关，需要研究团队具备足够的ESG概念理解、行业理解和数据理解，才能自下而上保证流程的合理性和结果的科学性。

▍中信证券ESG评分体系数据治理方法: 贴近国情、聚焦实战。

本文结合A股ESG数据现状，分析了中信证券以实战需求为导向的ESG评分体系下39个指标对应的数据治理框架。在数据上我们新引入了第三方数据源，并对指标进行合理调整。在量化方法上，我们对指标按属性进行分类，并依据自身特点选择合适的缺失值补充方案和量化方案。最后以“安全生产处罚”指标的详细过程为例，凸显ESG数据处理的可解释性。

▍ESG数据治理过程中的资产沉淀，可以为不同场景引入新数据、新指标。

ESG框架搭建可以分为多个环节，每个环节的数据处理流程都会产生不同维度的数据结果。通过将这些中间数据资产化，可以对ESG体系形成可以解释性，也可以对基本面与量化研究形成不同维度的支持。数据治理不同环节的输出，可以通过标准化数据库存储的方式形成结构化的数据资产。

▍风险因素：

ESG相关政策落地不及预期；ESG数据供应商竞争格局剧变。

本文源自金融界