企业碳目标︱“雄心目标”还是空头承诺？揭开企业减排背后驱动因素的面纱

What are the driving factors for companies to meet their emissions reduction targets?

2024

一览众山小

团队简介

一览导读：

本研究使用了最全面、最广泛的碳排放披露项目（CDP）数据库，它包含各个行业和不同国家的公司，以及不同的目标类型和广泛的解释变量。事实上，CDP数据库也是企业自愿碳排放报告最广泛的数据库，并被学术界广泛使用。此外，CDP数据库采用标准化格式，因为其根据投资者和/或供应商代表发放的问卷编制的。这种标准化格式进一步便利了将企业上报的信息进行对比。然而，需要注意的是，这些数据完全由企业自主披露，CDP不会系统地验证公司提供的信息，这意味着可能存在不准确的信息。

本研究所需的所有输入数据均摘录自2020年CDP气候变化问卷，并汇编成汇总数据集。但基准年碳排放信息除外，因为在某些情况下无法从当前年份的问卷中获得这些信息，数据摘录自之前年份的问卷。因此，评估的数据样本包括所有填报2020年CDP气候变化问卷并披露一个或多个减排目标的公司，且未对行业类别或业务区域进行任何排除或限制。

本研究评估的目标包括绝对目标和强度目标，涵盖范围1排放、基于位置的范围2排放、基于市场的范围2排放、范围1和基于位置的范围2排放总和以及范围1和基于市场的范围2排放总和。尽管范围3的排放量通常比范围1和2的排放量要大，本研究排除了涉及范围3排放的目标，因为之前记录的范围3排放核算和报告中普遍存在准确性和一致性问题，也由于为范围1和范围2排放开发的数据一致性过滤器(如下所述)在范围3排放应用中具有挑战性。

为了能够直接比较不同的目标类型和覆盖范围，所有目标都已根据Bolay等人(2022)的方法与范围1和2排放的绝对目标进行了调整。对于仅涵盖范围1的目标，在评估年和基准年排放量方面都考虑了基于位置的范围2排放量，而非基于市场的范围2排放量。如果未披露计算目标进度所需的输入数据，或者解释变量的缺失数据需要估算，则目标将被排除在样本之外（见第2.3节）。

为了过滤不一致的数据以避免结果出现偏差，我们采用了一套基本标准。第一个标准是检查目标2所涵盖范围的基准年排放量与2020年CDP问卷中其他处报告的相应基准年排放量之间的一致性。如果这些基准年排放量值之间的差异大于±1%，则目标将被排除在外。需要注意的是，CDP问卷的结构阻止将此过滤器应用于范围3排放，这也是将范围3目标排除在本研究之外的原因之一。此外，报告范围内排放值明显错误的目标已被排除在外。例如，范围1和范围2的年度排放量为零的条目被认为是错误的。此外，基准年和报告年排放量之间接近1000或1,000,000的系数，在没有合理说明的情况下，被假定为“单位误差”，并从分析中排除。

为了证明开发新目标进度指标的合理性，我们首先在研究背景中提出并批判性地评估了现有指标。根据发现的缺点，我们开发了一个新的进度指标。现有研究使用了以下三个进度指标：a)实现目标的百分比，b)分类变量，例如“按计划”或“未按计划”，基于基准年和目标年之间存在线性减少轨迹的假设，以及c)进度比，相当于实现目标的百分比除以相对于线性目标减少轨迹所用时间的百分比。下文中我们明确了这三个现有进度指标存在的问题（详情见附录）。

研究确定的两个主要问题是目标进度结果之间缺乏可比性；1）没有整合剩余时间以实现目标；单独使用“实现目标的百分比”指标（由公式(2)表示）；2）目标进度结果之间缺乏区分；“分类变量”指标（例如在同一类别中略微或高度重合的）。为了克服这些问题，本研究整合了自基准年以来经过的时间百分比（公式(3)），并使用连续值表示目标进度结果。研究发现的第三个问题是目标进展结果的高度可变性，这在企业气候变化减缓目标的指定基准年附近最为明显，即指标“进度比”中，分子大（实现目标的百分比高或低）而分母小（已用时间的百分比低）时会导致极值，这对统计分析构成了挑战。虽然通常会牺牲异常值（极端值）来改善统计分析结果，但合理的异常值（不是由于数据错误导致的异常值）可能包含有用的信息。为了解决可变性并允许在研究中纳入合法的异常值，我们提出的目标进度指标不采用比率，并且由构造相连。

公式(1)给出了我们定义的新目标进度指标Pk,t，即企业k在t年的目标。该指标反映出，实现目标的剩余时间越长，企业实现该目标的可能性就越高，同时也已考虑到评估年份发生的减排量。换句话说，该指标在接近目标年份时会更加不利，因为企业实现其目标的剩余时间更少。

通过人为地将Ek,t和Tk,t限制在0%到100%之间，目标进度指标Pk,t的范围是0到2。因此，当评估年份的排放量低于目标年份（实现目标年份）的排放量时，Ek,t为100%，而当评估年份的排放量高于基准年份（没有减排量时）的排放量时，Ek,t为0%。当评估年份超过目标年份（实现目标年份）时，Tk,t为100%，而当评估年份与基准年份相同（未开始实现目标）时，Tk,t为0%。后者将导致目标无效，因为没有进展可以评估。

图1描绘了一个假设场景，即目标进度已实现60%且剩余时间为70%的目标（Ek,t=60%和Tk,t=30%，则Pk,t=1.3）相比于另一个已实现相同进度百分比但剩余时间较少的目标（Ek,t=60%和Tk,t=50%，则Pk,t=1.1）将获得更高的进度值。此外，图1说明了目标实现百分比和已用时间不同但进度值相同的情况（例如，参见Pk,t=1.5）。不仅进度值相同，这些目标偏离其线性减少轨迹（垂直于Pk,t=1的线）的程度相同。假设这些企业在评估年份和目标年份之间继续以最初设定的相同速度减少排放量，它们将在目标年份达到相同的进度值（实现目标的百分比和已用时间相同）。

关于目标进度结果的说明，1到2之间的值表示该企业正在以比其线性减排轨迹更快的速度实现目标（图1中黄色到绿色部分）。值为1则表示该企业完全遵循线性减排轨迹，或者将在目标年份实现目标（Ek,t=100%和Tk,t=100%，则Pk,t=1）。Pk,t=2的极端情况意味着目标已经在基准年实现（Ek,t=100%和Tk,t=0%）。0至1之间的值表示该企业减排速度低于线性减排轨迹（图1中橙色至红色部分）。值为0则表示基准年和目标年之间没有减排量（Ek,t=0%和Tk,t=100%）。

解释变量，即目标进展的决定因素，包括了CDP问卷(CDP,2020)各部分的数据，从而包括了CDP问卷中涵盖的先前研究中分析的决定因素。

本研究共考虑了120个解释变量，分为11个类别，其中16个为连续变量，104个为分类变量。分类变量有助于确定定性答案，这里分别将肯定和否定陈述的值指定为1或0。如果对于CDP问卷的问题缺少定性答案，则默认为0（否定）。例如，如果一家公司没有回答“董事会是否监督气候相关问题？”这个问题，则该回答被假定为否（否定）。第2.4节中描述的模型包含连续变量和分类变量。

图一、企业k在基准年（三角形）、评估年（圆形）和目标年（星号）的排放量图形表示，其中潜在目标进度指标值Pk,t以颜色渐变和水平线显示。

表一、 11个类别中每个类别评估的决定因素数量。每个类别的决定因素示例及其各自的单位（决定因素的完整列表详见附录）。

用于确定目标进展关键决定因素的主要模型是一个普通最小二乘法（OLS）回归模型， 并采用倒退逐步选择法。如果解释变量具有显著性，即以 p 值 0.05 为临界值，则这些变量将被视为目标进展的关键决定因素。为此，要将所有解释变量都输入模型，然后逐个剔除最不显著的变量，直到只剩下在统计上显著的解释变量。之所以选择这种方法，是因为它被广泛用于多个领域的变量选择。

为确保所获结果的可靠性和可解释性，对解释变量之间的相关性进行了测试，以避免多重共线性，因为多重共线性可能使显著的解释变量在统计上变得不显著。为识别多重共线性，根据变量类型采用了不同的方法，即：对于类别变量与类别变量之间的相关性，使用Phi系数；对于类别变量与连续变量之间的相关性，使用Point Biserial；对于连续变量与连续变量之间的相关性，使用Pearson、Spearman和Kendall相关系数。为了确保模型中不存在显著的多重共线性，使用了方差膨胀因子（VIF），并设置了最大阈值为5。

为了使解释变量具有可比性，已采用z分数将其单位缩放为标准差。每个解释变量的平均值归一化为 0，标准差归一化为 1。

为确保识别关键目标进展决定因素的结果具有稳健性，采用了两个替代模型（即 Lasso 和随机森林回归模型）和一种重新采样技术（即自助法 Bootstrapping）。最小绝对收缩和选择算子（Lasso）模型可以测试与主模型不同的变量选择方法（即 p 值；第 2.4 节）。事实上，Lasso 是一种用于回归模型的正则化技术，它采用 L1 惩罚，将某些变量系数强制为 0。因此，在此模型中选择了系数大于 0 的解释变量。

由于主模型捕捉的是因变量和解释变量之间的线性关系，因此对非线性模型（随机森林回归模型）进行了测试。随机森林回归模型是一个决策树集合，其训练过程是通过将整个数据集分割成节点来选择变量，并利用减少平方误差和来估计每个变量的平均相对重要性。为此，对数据集进行了拆分以训练模型，并调整诸如分割次数和节点数量等参数，以避免过度拟合。

由于数据集中变量值出现的次数较少，可能会导致部分结果依赖稀有数据进行推断，因此对三个模型（主模型和两个替代模型）采用了自助法技术，以检验变量选择过程的稳健性和稳定性。对原始数据集进行 1000 次重新采样，每次保持相同的样本量，并随机替换整行数据来生成新样本，即，将目标进度及其相应的解释变量信息一起随机替换。变量的选择标准为在每个模型的1000次重新采样中达到至少60%的出现率。

图2为1528个目标(Pk,t)的目标进度指标分布。平均目标进度为0.97，对应于略落后于线性减排路径，见图1。目标进展的可变性相对较高，标准差为0.5，第一四分位数为0.67，中位数为1，第三四分位数为1.3。在使用四分位数范围方法进行识别的进度结果中没有出现异常值，因为目标进展指标的范围被限定在0到2之间。相比之下，其他进展指标由于超额或不足完成目标会出现异常值，从而导致数值超过100%或低于0%。这些情况在图2中分别以带点或带阴影填充（格子线）的白色条柱表示。

如图2所示，844个目标（占样本的55%）已经实现或在即将实现的轨迹上（Pk,t≥1）。在这844个目标中，475个（样本的31%），108个（7%）达到了目标年（Pk,t = 1；图2中带点的灰色部分）。在Pk,t≥1的844个目标中，其余369个（样本的24%）对应的公司减排比其目标线性轨迹更快，但没有达到目标年份或目标减排量（图2中Pk,t值大于1没有点的白色条柱）。此外，684个目标（样本中45%的比例）对应的公司在目标线性减排轨迹上出现滞后（Pk,t< 1）。在这684个目标中，457个目标（30%）对应于基准年后排放增加的公司（图2中的格子线部分），其中96家公司的目标（6%）达到了目标年份（Pk,t=0；图2中的灰色格子线部分）。在这684个目标中剩余的227个目标（15%）是公司在基准年后减少排放量，但仍滞后于目标线性减排轨迹(Pk,t小于1且没有格子线的白色条柱）。

一些行业的进展优于其他行业。发电行业的中位目标进展高于其他行业，而交通服务和化石燃料行业的进展最为滞后。总部位于南欧和北欧的公司在所有地区中具有最高的中位目标进展值。每个行业和地区的目标进展结果的更深入分析见附录。

 #参考资料# 

免费索取原文资料：

请联系我们微信号@Citiepedia

或电邮daizongliu@qq.com索取

●●●