企业碳目标︱从空头支票到真减排：19大关键因素助企业走向低碳（下）

本文深入挖掘了推动企业实现减排目标的核心因素，展示了目标参数、地区特征、风险管理与碳价政策等多重作用。研究表明，设定清晰的绝对目标和合理的时间跨度，有助于企业更有效地实现减排，而盲目追求高难度的雄心目标反而可能成为阻碍。文章通过分析不同地区的企业进展，揭示了显著的地域差异，例如，北欧和北美的企业在减排上普遍表现较优，而东南亚等地区的进展相对滞后。

研究还显示，将董事长薪酬与气候表现挂钩、披露多个目标（如短期与长期目标）、获得科学碳目标倡议（SBTi）认证等措施，可显著提升企业实现减排目标的成功率。此外，本文探索了企业自我报告数据的潜在影响，并建议未来研究方向应纳入非线性减排路径的分析，以更好地理解企业的减排进展。

这一研究为投资者和政策制定者提供了识别企业气候承诺真实性的实用视角。政策制定者应强化监管，防止“象征性目标”误导市场，而企业在设定气候目标时则应更关注目标的可执行性和透明度。

使用p值阈值为0.05的倒退逐步OLS回归（主模型）识别出19个关键决定因素，如图3所示。在分析的120个解释变量中，有34个由于多重共线性（解释变量之间的相关性）而被排除。剩余的86个变量的方差膨胀因子小于5，表明模型中没有明显的多重共线性。

包含19个选定决定因素的主模型具有高度显著性，p值远小于0.01（F统计量概率），并解释了样本中35.4%的目标进展方差（R平方值）。图3 中的19个关键决定因素按p值从最显著到最不显著排序。前三个最显著的决定因素与“目标参数”类别相关，其次是“地区”、“风险与机遇”、“治理”、“排放报告和其他目标”及“碳价”类别的决定因素。没有从“战略”、“验证”、“参与”、“行业”和“其他报告”类别中选取决定因素（见表1）。

关于图3中呈现的系数，正值意味着决定因素的数值每增加一个标准差，目标进展的平均值将增加该系数所代表的值（正相关）；而负系数则表示目标进展的值会降低（负相关）。系数的解释基于与z分数标准化（标准差；见第2.4节）相关的决定因素单位。每个关键决定因素的系数和p值在补充材料中提供。

决定因素“目标设定时的目标实现百分比”是最显著的变量，并且与目标进展呈正相关。这一结果可以用样本中19%的目标在设定年份就已实现来解释。平均而言，目标设定年份就达成了32%的目标减排量。

决定因素“基准年与目标年之间的年数”是第二显著的变量。由于呈正相关，时间跨度较长的目标进展要优于时间跨度较短的目标。另一方面，“基准年与目标设定年之间的年数”则呈负相关。这意味着，基准年与目标设定年相隔时间较长的目标，其进展更差（即第一个关键决定因素）。事实上，一些在2015年或之后宣布的目标，其基准年可以追溯到1990年。

关于“目标参数”类别中的其他关键决定因素，“绝对目标（而非强度目标）”与目标进展呈正相关，这意味着企业在实现绝对目标方面的表现优于强度目标。同时，“年度化目标雄心”与目标进展呈负相关，这表明设定更高雄心目标的企业相比设定较低雄心目标的企业，反而更难实现目标。样本的整体年度化雄心中位数为2%，高于已实现目标的年度化雄心中位数1.4%（占样本的31%）。此外，在目标设定年份就已实现的目标，其年度化雄心中位数为1%。然而，获得科学基础目标倡议（SBTi）批准的雄心目标相比其他雄心目标有更好的进展，因此“获得SBTi批准”被认定为一个正相关的决定因素。这些目标占样本的17%，其年度化雄心中位数为2.5%。

在19个关键决定因素中，有8个与公司总部所在地区有关。一些地区（通常是发达经济体）与目标进展呈正相关，例如：北欧、北美、西欧、南欧和南美。然而，中美洲、南部非洲和东南亚则与目标进展呈负相关。需要注意的是，本研究未能识别出与行业相关的关键决定因素，这表明企业所提供的产品或服务类型并不显著影响其目标进展。

在“风险与机遇”类别中，能够带来实质性财务影响的机会（如资源或生产效率提升、新产品或服务的开发）与目标进展呈正相关。然而，二氧化碳减排、为实施强制性或自愿性措施所需的年度成本节约与投资，令人意外地未被视为显著因素（属于“战略”类别）。在“治理”类别中，当董事长薪酬与气候相关问题挂钩时，目标进展较好；而CEO和经理层的薪酬则与目标进展无显著关联。

在“排放报告”类别和其他目标方面，同时披露多个目标的公司（如短期与长期目标、绝对目标与强度目标，或涵盖不同范围的多个目标）比仅披露单一目标的公司在实现目标方面进展更好。然而，专门报告能源目标的公司与目标进展无显著关联。此外，“范围一（SC1）排放按国家划分”这一决定因素与目标进展呈负相关，与在排放交易系统（ETS）或碳税政策下运营的公司类似。不过，这些决定因素的显著性较低（p值介于0.01至0.05之间），并且稳健性较弱，具体将在下一部分中讨论。

图4展示了对主模型的稳健性分析结果，以及由其他模型筛选出的额外决定因素，即LASSO模型（通过系数约束选择）、随机森林回归（通过平均相对重要性选择）和三种自助法模型-Bootstrap模型（通过60%的出现阈值选择）。主模型中最显著的五个决定因素（见图3）在其他五个模型中也被选中，表明这些决定因素具有较强的稳健性，包括：“目标设定年达成的目标百分比”、“基准年与目标年之间的年数”、“基准年与目标设定年之间的年数”、“绝对目标（非强度目标）”、以及“年度化目标雄心”。然而，与“地区”类别相关的决定因素在其他模型中的选择力度较弱。另外，主模型中识别出的四个显著决定因素在其他任何模型中都未被选中，分别是：“获得SBTi批准”、“范围1排放按国家划分”、“东南亚”和“ETS或碳税规定”。这些决定因素在主模型中的p值显著性大于0.01。

其他模型中选出了八个附加决定因素，其中一些属于“战略”和“参与”类别（见图4底部）。与主模型相比，有3个模型（随机森林回归、Lasso及其Bootstrap模型）发现了范围3目标的披露与范围1和范围2目标进展之间的关系。采用线性回归方法（Lasso及其Bootstrap模型）的变量选择识别出一个额外的决定因素，即公司报告其基于市场法计算的范围2排放，且与目标进展呈正相关。然而，有6个补充决定因素是由非线性模型（随机森林回归及其Bootstrap模型）选出的，包括：公司报告其范围3排放、低碳产品的收入占比、覆盖基于市场法计算的范围1和范围2排放、CEO对气候问题的监管和薪酬挂钩，以及公司与其范围3供应商的参与情况。由随机森林回归或其Bootstrap模型选出的决定因素既无正向也无负向关联，因为与其他模型不同，这些模型不估计系数。

本研究对企业气候减缓目标的相关科学文献有所贡献。这是通过评估来自1030家公司的1528个目标的进展来建立的，纳入了分为11类的120个解释变量（见2.3）。与现有研究相比，这代表了变量和类别的大幅增加。通过制定新的目标进度指标，获得的结果与现有文献相比，为雄心目标研究提供了新的亮点，并确定了一些最佳做法，但也有一些较差的做法（4.1）。此外，研究结果揭示了某些目标特征的意义，并确定了未来需要进一步研究的研究方向（4.2）。4.3节中讨论了本研究的局限性，以及在第4.4节中给出对利益相关者的建议。

研究结果表明，拥有绝对目标和较长时间框架的公司比其他公司发展得更好。此外，拥有更远大的目标的公司通常进展更少，除非这些雄心目标得到了SBTi的批准。以前的研究表明，更有抱负的公司更有可能获得成功。虽然我们的研究结果支持Dahlmann等人（2019）关于较长时间框架的绝对目标的研究结果和Ioannou等人（2016）关于货币激励的研究结果，但我们的研究结果与他们对具有雄心的公司的陈述相反。然而，Dragomir（2023）和Aldy等人（2023）最近的研究支持了我们的发现，即目标雄心相对较低的公司通常进展更好，尽管我们的结果与Dragomir（2023）关于时间框架较短的目标进展更快的研究结果不同。

观察到的与以往研究的差异可能部分是由于所使用的进展指标，降低了研究结果的可比性。此外，早期的研究并没有将目标雄心年度化，而最近来自Dragomir（2023）和Aldy et al.（2023）的研究包括了目标成就极高或极低的公司。相比之下，Yeo等人（2022）没有包括这些极端情况，进一步增加了与我们当前研究样本的差异。

造成这些差异的另一个可能原因可能是企业目标披露的演变。Dahlmann等人（2019）和Ioannou等人（2016）对10年前披露目标的公司进行的研究可能可以加入更高比例的真正致力于减排的早期采用者（领导者）。相比之下，最近的研究样本量更大，并且可能包括更高比例的公司将目标报告为披露行为，而不是真正的承诺。这些案例可能涉及容易（和过度）实现的低雄心目标，包括在设定目标的那一年实现的目标（与第一个关键决定因素相关，见第3.3节），表明在分析中考虑极端值的重要性。正如Aldy等人（2023）所指出的那样，拥有雄心目标的公司在设定目标时可能没有适当地考虑到未来的销售增长，这可能表明这些目标更多的是披露而不是真正的承诺。然而，Freiberg等人（2021）认为，致力于SBTi目标的公司与增加对减排举措的投资有关，这也许可以解释为什么致力于实现对SBTi批准的目标的承诺比其他雄心目标进展得更好。在这方面，我们的研究发现了目标进展与公司之间的关联，这些公司已经确定了导致实质性财务影响的机会，以及低碳产品产生的收入百分比（其他模型，见图4）。

Giesekam等人（2021）的结果表明，拥有SBTi批准的目标涵盖范围3的公司的排放进度明显低于仅包括范围1和2排放的公司，SBTi后来的进度报告证实了这一模式（SBTi, 2023）。由于会计和报告问题，我们的研究样本排除了范围3的目标（第2.1节）。然而，所获得的结果表明，报告范围3目标的公司在覆盖范围1和2的目标上取得了更好的进展（由其他三个模型选择见图4）。此外，报告的范围3类别的数量和与供应商的合作似乎影响范围1和2目标的进展（与目标进展呈非线性关系）。进一步的研究应调查为何范围3的披露（包括目标和措施）可能影响范围1和2目标的进展。此外，应该测试不同的模型，以捕获目标进度与关键决定因素（另外六个决定因素见图4）之间的非线性关系。

关于高管薪酬，我们的研究结果支持Ioannou等关于高管薪酬与目标进展之间联系的研究结果。他们发现，货币激励与董事会、CEO、COO、董事和经理的管理层之间存在正相关关系。主要模型的结果表明，董事会薪酬与目标进展特别相关。然而，CEO薪酬和对气候相关问题的相应监督是由另一个模型选择的（见图4），但不包括高管薪酬。总部设在北欧或北美的公司比其他公司发展得好，而设在中美洲的公司则不如其他公司。在某种程度上，这与Wang（2017）的研究结果不一致，因为本研究认为欧洲公司与目标进展的关系比北美公司更显著。然而，Wang（2017）只评估了美国和欧洲的公司，而没有包括其他北美公司。

研究结果强调，“目标参数”类别对于确定目标进展最重要（见图3）。此外，跨统计模型的五个最强大的决定因素属于这一类（见图4）。关键的相关决定因素组合成三个主要目标特征，需要进一步研究：基准年的选择、目标轨迹和目标雄心。

公司对基准年的选择主要隐含在导致目标进展方向相反的第一个和第三个关键决定因素中，即分别是目标设定年实现目标的百分比和基准年与目标设定年之间的年数。虽然在某些情况下，在设定目标的年份实现的目标百分比高可能表明真正令人印象深刻的减排，但它也可能反映了公司的不良做法，即低目标雄心（目标减少百分比低）和基准年“挑选”（选择排放量异常高的基准年）。需要进一步研究以更好地了解基准年的选择及其对目标进展的影响。例如，哪些类型的公司会“挑选”排放异常高的基准年？与拥有其他类型目标的公司相比，获得SBT批准的公司是否不太可能“挑选”基准年？

虽然基准年的选择可能会产生一些影响，但排放轨迹及其时间框架也可以解释前三个关键决定因素的一些发现。实现长期目标的排放轨迹可能不是线性的(第二个关键决定因素；基准年和目标年之间的年数)，在开始时取得较高的进展，此时公司正在采摘容易摘到的果实（第一个关键决定因素），随后在容易的选择已经耗尽时取得较低的进展（第三个关键决定因素）。在某些情况下，当初始投资需要数年时间才能产生减排潜力时，倒“s形”曲线可能适用。未来的研究需要深入了解不同的轨迹和与之相关的目标特征。这种重要的研究将为在评估公司向目标迈进的过程中使用非线性轨迹提供必要的基础。例如，什么类型的公司和目标与较慢的初始进展有关？有较长时间框架和中期目标的公司是否比没有中期目标的公司更有可能在开始时迅速减少？

关于目标雄心的研究结果支持了根据公司目标雄心继续进行评估公司的相关性，即“目标设定年份的目标达成百分比”，“年化目标雄心”，以及“由SBTi批准”。例如，未来的研究可以像 Giesekam 等人（2021年）那样，评估一个由具有雄心目标的公司（如已获SBTi批准的目标）组成的子群体，或者比较具有雄心目标但特征不同的公司，例如将获SBTi批准的目标与其他雄心目标进行比较。需要进一步审查以了解为什么获得批准的SBTs公司似乎比其他具有远大目标的公司进展得更好（见第4.1节）。类似地，目标的类型，即绝对目标（非强度目标）可用于确定子群体，因为它是重要的关键决定因素之一，并可以包含其他组成部分，如“多个目标”，例如，具有绝对中期目标的净零目标与具有强度中期目标的净零目标。

此外，本研究与早期研究之间关于目标雄心的对比结果表明，需要对目标进展指标、目标披露随时间的演变以及研究样本中极值的影响进行更深入的研究（见4.1节）。例如，未来的研究可以使用同一披露年份的不同指标和不同的样本约束（包括或排除极端值）来比较进展，以更好地了解它们对研究结果的影响，特别是对于雄心目标。

本研究的主要局限在于公司报告信息的准确性、因变量中排除范围3目标、假设线性减排轨迹以及解释变量的选择（见表1）。由于本研究依赖于公司自我报告的信息，可能存在数据的可靠性不足的问题，尤其是用于计算公司目标进展的排放数据。公司可能有意或无意地夸大或低估了其排放量（以及与评估因素相关的其他信息），从而导致分析中的潜在失真。为了尽量规避这一问题，我们的研究实施了一套标准来过滤不一致的信息（见第2.1节），这些不一致主要体现在公司目标基准年排放数据中。这些不一致导致了44%的目标因缺少分析所需的全部输入数据而被排除（见第3.1节）。这表明自我报告的气候数据在整体上广泛存在可靠性的问题。因此，我们的研究结果应谨慎解读，尽管我们强调，如果没有公司自愿报告的信息，这样大规模的研究（公司数量和目标进展决定因素）是不可能实现的。事实上，并非每个国家都强制要求披露信息，而且强制披露的信息并不包括本研究中使用的广泛信息。

如第2.1节中提到的，覆盖范围3的目标已被排除，因为在所评估的CDP年份中，无法对其基准年排放进行一致性评估。许多研究指出，公司通常在范围3排放核算方面面临困难，尽管近来有所改善，其披露信息仍然相对不确定。如果在没有交叉验证相关排放披露的情况下纳入范围3目标，可能会导致结果偏差，因为其不一致性可能会超过观察到的范围1和范围2目标44%的排除率。然而，范围3排放可能占公司总排放的75%以上，这意味着排除范围3目标可能忽视了公司减少全球排放的重要杠杆。为减缓这个局限性所带来的影响，我们在分析中纳入了具有范围3视角的决定因素。未来的研究可以扩展到范围3目标的进展及其决定因素。CDP最近引入了更广泛的范围3内容。通过利用我们的过滤不一致性标准，可以为未来的评估和利益相关者提供丰富的见解。

由于公司未提供其目标的预期减排轨迹信息，我们研究遵循以往研究中常用的方法将目标进展指标假设减排轨迹为线性的。我们的研究结果表明，减排努力可能并不总是遵循线性路径，特别是对于时间跨度较长的目标（见第4.2节）。目标进展指标可以针对非线性减排轨迹进行调整。对已过时间百分比施加指数运算，可导致初期进展较快，后期较慢（减排努力已开始，指数大于1），或者初期进展较慢，后期加快（由于启动时间较晚，减排努力开始较晚，指数在0到1之间）。如果没有进一步的调查或公司关于其计划减排轨迹的具体信息，假设这些替代轨迹目前缺乏依据，并且可能会将初期减排较少的目标误标为“进展顺利”。

不同的决定因素或更多的决定因素可能会导致不同的结果。未来的研究可以增加决定因素的数量、对更多的CDP问题进行细化，或纳入CDP之外的数据。例如，CDP不包含与公司规模或财务信息相关的变量。这些变量可能会解释更高的目标进展方差。然而，并非所有被评估的公司都是上市公司，这意味着本研究的全部样本中缺乏财务信息。

本研究的发现为未来研究的方向提供了宝贵的见解（见第4.2节），并为公司、政策制定者和投资者提出了建议。公司需要提高其目标披露的质量和完整性。不一致之处，如目标基准年排放的相关问题（2734个初步认为完整的目标中有1206个被忽略），可被视为公司的实践较弱，并损害公司的声誉。此外，公司应提供更多关于其减排轨迹的信息。这将有助于对非线性轨迹假设进行分析，并防止那些由于计划中的投资导致初期减排较慢、后期加速减排的公司被评估为“未按计划进行”。

了解公司行为及其目标进展情况有助于政策制定者识别需要加强措施和监管的领域。除了公司不良行为，如不一致性和目标参数的差异外，我们的研究结果表明，一些公司的雄心目标可能仅具有象征意义，因其进展较慢。政府应实施法规，防止向投资者和其他利益相关者传递误导性信息，并就适当的目标参数和披露提供明确的指导。CDP应要求公司在其问卷中明确说明预期的减排轨迹。

导致公司目标进展较低或较高的关键决定因素对投资者而言具有参考价值，有助于他们在评估公司市值时做出更明智的决策，特别是对于那些设定雄心目标的公司。投资者应谨慎行事，在因雄心目标而提高公司市值估值之前进行更深入的调查。鉴于30%的公司目标相比其基准年排放量有所增加，另有19%的公司在设定目标的当年已实现目标，跟踪目标进展应纳入投资评估中。投资者可以利用本研究中识别的不良实践来制定其参与策略。同时，公司应考虑这些关键决定因素，仔细选择目标参数，优先选择绝对目标而非强度目标，设定多个目标（例如覆盖范围3排放的目标），将薪酬与气候相关问题挂钩，并通过SBTi认证其雄心目标。

我们为本文提供的免费资料有：

1、《推动企业实现减排目标的因素有哪些？》

2014-2024 © 转载请注明：

转载自公众号“一览众山小-可持续城市与交通”