ESG研究专题——聚焦“环境”分析升级，探
索“主动筛选”数据策略
数据超融合系列｜2020.10.24
中信证券研究部
核心观点
在中证 800标的池内，我们依托政府侧监管数据、环境舆情数据、行业环境数据
3大数据源的融合与NLP量化处理，完成了“E”元素的专业性重构，在季度 /月
频率的条件下，优化了环境因素的评分体系。对应公司的实测效果， A股上市公
司环境治理平均分连年提升，且对于非制造业板块适用性显著提升。
张若海
首席数据科技分析
师
▍ E因素数据融合优化路径。构建跨行业通用体系，打造国情特色框架。对于环
境因素的评分体系优化，我们建议围绕 “国情特色”，“行业可比标准 ”与“数据高
频提升”三个维度提升。对于国情特色，我们关注政府侧监管数据，按照国家
级-省市级-第三方进行数据集群构建；对于行业可比标准，我们重点围绕非制
造业，梳理基于另类数据的特色化行业指标，形成相对客观的数据评分标准；
对于数据频率提升，基于监管等数据实现月度跟踪。。
S1010516090001
▍ E因素数据源矩阵。以政府侧为核心，融合三方平台数据。我们分别对政府侧
监管数据、环境舆情数据、行业环境数据进行了梳理和量化。其中对政府侧监
管数据，依托第三方机构“绿网环境”，初步实现了对全国500多个环保局网
站的全覆盖，实现了对国家级排污许可数据、省级环境信用数据、地市级环境
处罚数据的结构化优化；对于环境舆情数据，我们结合 NLP技术挖掘与环境
主题相关的新闻、公告生成舆情指标，实现对公司的关联；对于行业环境数据，
我们基于企业社会责任报告梳理了行业通用指标，同时引入了更加客观的卫星
数据等另类行业数据。
▍ E因素数据源融合技术架构。我们实现了E因素数据中子公司对上市公司的部
分有效关联，消除公司的规模效应和行业差异，在同一数据源内对企业环境友
好度进行量化模拟打分，并基于行业特性对不同数据源进行赋权，采用滑动时
间窗口滚动累计近三个月的评分项，最终实现了对 E因素动态评价体系的有效
构建。
▍实战检测：正向择股作用有望提升。根据评分结果，筛选出Top30组合，以
中证 800作为基准，对比2017年至 2020年第二季度的累计收益率。在2017
年至 2019年期间，我们在沪深300中对尾部的公司进行剔除，将剩余公司按
照市值加权计算收益率，相对沪深300有 1.6%超额累计收益率。。
▍应用探索：探索正向选择可能。在上述对