▪ 关键词： 气候风险
▪ 数据编号： 0308
▪ 数据名称： 上市公司气候风险词频统计
▪ 数据范围： 公司层面
▪ 数据年份： 2016-2023年
▪ 样本数量： 32,289条
▪ 数据来源： 根据上市公司年报爬取
▪ 数据说明： CNDD上市公司气候风险词频统计数据包括 统计年度、上市公司代码、气候风险词频、年报总词频等变量，数据提供.dta和.csv两种格式，可用STATA或EXCEL打开。参考杜剑等（2023），气候风险指标可用“气候风险”词集总词频与年报总词频的比值得到。该指标值越大，表明企业面临的气候风险越大。
▪ 数据维度： 年度数据
▪ 综合评价: CNDD上市公司气候风险词频统计数据为学术研究提供了独特的量化工具，其学术价值体现在三个维度：首先，该数据通过文本挖掘技术将定性气候风险信息转化为词频比值指标，弥补了传统风险研究中非财务信息披露不足的缺陷，为检验企业气候风险披露的动机、质量及经济后果提供了微观证据；其次，结合股票代码与会计年度信息，研究者可构建面板数据，分析气候风险披露的行业异质性、时间趋势及政策响应机制，例如可探究碳中和目标对企业风险沟通策略的塑造作用；最后，该指标与财务数据（如碳资产损益、绿色债券利率）的交互分析，能揭示气候风险的市场定价机制及投资者认知偏差。在研究方向上，研究者既可沿纵深化路径，验证气候风险披露与股票收益率波动、融资成本、分析师预测偏差等资本市场指标的关联机制；亦可采取横向拓展策略，通过机器学习方法优化词集构建（如区分”风险”与”机遇”表述），或结合卫星遥感数据构建多源风险指标体系。此外，跨境比较研究（如对比中欧企业披露差异）、制度环境调节效应（环境诉讼压力与披露意愿）以及管理层特征（高管环保经历与风险叙事）等视角，均具备理论创新潜力。
▪ 常用度： ★★★★ ☆
▪ 稀缺度： ★★★★ ☆
▪ 新颖度： ★★★★ ☆
▪ 总体级别： 12颗星
✔ 常用度：是数据市场中需求指标，是指该数据在经济管理类学术论文中使用频率。
✔ 稀缺度：是数据市场中供给指标，是指该数据在其他数据库的出现频率。
✔ 新颖度：是数据市场中生成指标，是指该数据在生成时方法新颖程度和工作量。
▪ 文献来源 ： ▪ 主要内容： 本文采用文本分析和机器学习技术构建了气候风险指标来研究气候风险 对权益资本成本的影响。对 2007 年至 2020 年的 3215 家中国 A 股上市公司样本进行实 证分析表明，气候风险会导致企业权益资本成本升高，该结果在一系列稳健性检验下依然 成立。机制研究发现，降低信息不对称程度、吸引机构投资者、多元化经营以及使用衍生 金融工具可以缓解气候风险对权益资本成本的负面影响。进一步研究发现，转型风险与 权益资本成本显著正相关，而物理风险对权益资本成本的影响并不显著; 气候风险与权益 资本成本的关系在高碳企业与低碳企业中存在显著差异。本文进一步拓展了气候风险经 济后果的有关文献，就如何应对气候风险以及缓解其对权益资本成本的负面影响具有重 要的实践启示。同时，本文将文本分析和机器学习方法引入气候风险的度量，丰富了气候 风险的定量研究。
1.气候风险的度量
早在 20 世纪 80 年代后期，气候变化就成为了政策问题和政治问题。学术界从不同视角对气 候风险进行了界定，其中具有代表性的定义如表 1 所示。值得注意的是 Stroebel and Wurgler ( 2021) 采用问卷调查的方式征集了来自金融领域的专家学者、业界从业人员和监管机构专家关于 气候金融的看法，他们把气候金融中的风险分为五类，分别为监管风险、物理风险、技术风险、法律 风险和利益相关者风险。调查发现，专家学者一致认为监管风险是接下来 5 年内面临的最重要风 险。目前，对气候风险研究的主流做法是将气候风险分为物理风险( 包括严重风险和慢性风险) 和 转型风险，一方面物理风险会带来严重的经济损失，另一方面转型风险会导致由于低碳转型而产生 的冲击( NGFS，2019; 谢平和段兵，2010) 。可见，气候风险是企业面临的风险的重要组成部分。然 而，以往文献并未对企业层面的气候风险进行界定。为了确保气候风险一词在本研究中具有明确、 统一的含义，本文结合已有的气候风险定义，将企业面临的气候风险定义为气候变化对公司或组织 可能产生的负面影响，包括物理风险，例如对设施或供应链等的破坏，以及转型风险，例如向低碳经 济转型带来的技术、法规和市场变革等对企业运营、财务状况和业务模式等的影响。
由于气候风险信息披露不足( Engle et al．，2020) 、气候风险对企业影响具有较高不确定性( Shapiro，2021) 以及以未来为导向的气候风险观( Barnett et al．，2020) 等原因，企业层面的气候风险度量仍存在较大争议。国外学者通过生成气候风险信息披露的哑变量( Berkman et al．，2021) 、温室气体排放和能源消耗数据( Noh，2018) 、气温升高( Balvers et al．，2017) 、矿物能源的使用( Golosov et al．，2014) 、干旱( Hong et al．，2019) 及第三方提供的物理气候数据( Ginglinger and Moreau，2019)等作为气候风险的代理变量，但这类指标存在不适用于企业层面、没有考虑中国情境或不能综合反映气候风险等问题。Li et al． ( 2020) 通过对美国上市公司盈余电话会议记录进行文本分析构建词典，并计算“气候风险”关键词的词频来度量气候风险，是现有对企业层面气候风险的研究。
然而，中文比英文的表达更加多元，简单地将 Li et al． ( 2020) 构建的英文词典进行翻译来衡量气候风险并不可取。首先，本文借助人工研读企业年报和机器学习的方法提高对关键词在企业年报中表述判断的准确性。在 Li et al． ( 2020) 的研究中，他们使用“flood”的不同形式作为严重物理风险的关键词，如“flooding”“the flood”“the floods”和“water flood”，这些关键词在不同的上下文和语境中具有不同的含义和用法。例如，“flooding”通常表示涨潮、涨水或涨潮造成的水淹; “theflood”可以指一次特定的洪水事件，也可以泛指洪水灾害; “the floods”通常用来指多次或多处的洪水事件，而“water flood”则通常用来描述在油田开采等领域中可能发生的水涌入情况。因此，在选择和确定中文词典的过程中，也需要通过人工研读企业年报和机器学习的方法来分析中文语境。其次，国内业绩说明会与美国盈余电话会议记录相比，发展相对滞后，文本总词频较少，明显不能满足构建气候风险文本指标的要求。以美国上市公司为例，其盈余电话会议平均总词频达到 8568，而我国 2016 年度业绩说明会的平均总词频仅为 72①。最后，在使用文本分析和机器学习的研究中，也有选择使用上市公司年报中披露的 MD＆A 作为语料的( 胡楠等，2021) ，MD＆A 是管理者对报告期内企业经营状况的回顾和未来发展的展望。然而，通过人工研读企业年报发现，样本企业对相关气候风险披露的信息不仅限于 MD＆A 的章节，还可能出现在“公司未来发展的展望”等部分，并且用年报来捕获风险也受到了研究者的广泛认同( 戚聿东等，2021; 任宏达和王琨，2019) 。因此，本文综合中国背景和语言习惯，在借鉴 Li et al． ( 2020) 和胡楠等( 2021) 研究的基础上，结合已有的英文“气候风险”词集、大量人工研读分析及国家气象科学数据中心披露的数据，以 2007 ～ 2020 年中国 A 股上市公司年报为研究对象，通过文本分析和机器学习方法确定中文“气候风险”词典，从而构建气候风险的指标。
具体地，本文按照如下步骤构建刻画气候风险的指标: 第一步，通过巨潮资讯网下载 2007 ～ 2020 年所有 A 股上市公司年报。第二步，通过人工阅读 600 余份年报，分析提及气候风险的文本信息，结合国家气象科学数据中心披露的信息、《中国气象灾害年鉴》及 Li et al． ( 2020) 的研究，制定出年报中有关“气候风险”的词典( 种子词集及来源详见附表 1) 。第三步，为了提高词集的客观性和全面性，本文借鉴 Bengio et al． ( 2003) 、LeCun et al． ( 2015)和胡楠等( 2021) 的研究，利用机器学习技术训练年报语料，通过词向量 CBOW 模型( Continuous Bag-of-words Model) 获取与种子词集相似度排前十的相似词来扩充种子词集 。第四步，结合数位专家意见，我们最终确定的“气候风险”词集包含 98 个词汇。随后，本文通过计算“气候风险”扩展词集总词频与年报总词频的比值，得到气候风险指标。该指标值越大，表明企业面临的气候风险越大。
为检验气候风险对权益资本成本的影响，本文设立式( 2) ，并使用 OLS 进行回归:
为了缓解内生性
[1]顾乃康,邱奇唯.气候风险、环境行动与地方政府债券发行定价[J].中国软科学,2025,(01):157-174. [2]陈文,陈荟文,肖承睿.企业气候风险是否加剧真实盈余管理？[J/OL].系统工程理论与实践,1-24[2025-03-24]. [3]刘凤根,阎缤梧,张敏.气候风险对区域金融稳定的动态影响机制研究[J/OL].商学研究,2025,(01):68-79[2025-03-24]. [4]周莹莹,贾璇嵘,贾妍妍.气候风险对企业ESG表现的影响研究[J].金融理论与实践,2024,(12):72-86.
见推文末尾。
本数据为会员专属数据。添加客服微信，购买年度高级会员299元，永久高级会员899元，可享CNDeepData所有数据免费获取。
▪ 客服微信方式 ：
扫描下方二维码，或搜索下方微信号。
添加客服微信号：
DeepData001
获取更多更新数据
1. 除中国深度数据库（CNDD）特殊声明外，CNDD对基于合法来源的数据的选择、整理和编排具有独创性。任何自然人、法人、其他组织未经CNDD授权，不得以任何目的截取、上传、下载、复制、修改、使用、编译等或者以任何方式任何媒介传播上述作品的任何部分，否则视为侵权。
2. 对于存在侵害CNDD上述权利违法行为的主体，CNDD保留依法追究其法律责任的权利。
任何使用CNDD数据等产品的单位和个人，承诺只将CNDD的数据等用于学术研究，并在所得研究成果（包括但不限于学术论文、咨询报告等）中注明数据来源于CNDD。数据来源的注明方式请参考：“本研究数据来源于中国深度数据库CNDD”；英文参考：“We get the data from CNDeepData (CNDD)”。
中国深度数据库：让精品数据 得以流动
CNDeepData：Let high-quality data flow without barriers
资源下载 此资源下载价格为99 积分（年度普通会员免费），请先登录 部分图片来源于网络，如涉侵权请告知，本站将第一时间删除。客服微信号：DeepData001
