📈 经济学

The choice of probability mapping in ESG questionnaire scoring: a structural risk-metric perspective for venture-capital and private-equity due diligence, with a dynamical-systems foundation

本文认为，在 ESG 评分中，概率映射的选择是一个关键的结构性风险决策，而非技术性的事后补充，文章论证了不同的映射方式如何剧烈改变评分结果，并提出了一种基于动态的、可证伪的标准，以确保风险投资和私募股权尽职调查中 ESG 评估的可辩护性与可比性。

原作者： Francesco Eusepi

发布于 2026-10-21

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Francesco Eusepi

原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

在高风险金融领域，投资者经常面临一个难题：如何衡量一家没有历史记录的公司之特质。当风险投资家和私募股权投资机构寻求投资初创企业时，他们无法依赖过去的信用评分或数十年的财务报告。相反，他们必须依赖一份结构化的调查问卷，即一系列关于公司如何对待环境、员工及其自身治理的“是或否”问题。这些答案被汇总为一个单一的数字，一个旨在代表该公司与伦理标准一致性的得分。但单纯的原始数字本身很难解读。为了使其具有实用价值，分析师必须将该得分转化为一个概率——即该公司是一个优质投资或相反，是一个失败风险的百分比概率。这一转化步骤是每一个评级背后的隐形引擎，然而直到现在，管理这种转化过程的规则一直被视为一个次要的技术细节，其选择更多是出于便利而非深层的逻辑推理。

研究员弗朗切斯科·尤塞皮（Francesco Eusepi）的一项新研究对这种随意的做法提出了挑战，他认为将问卷得分转换为概率的方法不仅是一种数学偏好，更是一种会从根本上改变投资结果的决策。该论文证明，两种不同但同样有效的数学方法可以采用完全相同的答案集，却为同一家公司产生截然不同的评级。在一种情景下，一家公司可能被标记为需要立即整改的高风险投资对象；而在另一种情景下，使用另一种同样合理的方法，同一家公司可能被评为顶级的、低风险的机会。研究表明，如果没有严格且公认的转换规则，整个伦理投资系统就会变得前后矛盾，导致无法公平地比较公司，也无法信任不同机构提供的评级。

问题的核心在于用于执行转换的曲线形状。想象一条从零上升到一的线，代表着从完全风险到完全安全的转变。该研究对比了两种特定的曲线形状：一种是平稳且平滑上升的，另一种是在开始阶段迅速飙升然后趋于平缓的。当研究人员将这两种形状应用于同一组假设的公司时，结果令人震惊。使用平稳上升的曲线时，一家得分处于可能最大值一半（即50分）的中等水平的公司被评定为存在风险的投资，在被视为安全之前需要进行大量整改。然而，当同样的得分通过那条在起始阶段急剧上升的曲线运行时，这家完全相同的公司却被评定为顶级的、安全的投资。这种差异并非微小的调整，而是十级评级量表上的七级跨度。这意味着，两名分析师面对相同的数据，并使用两种都符合基本逻辑的方法，却得出了关于是否投资的截然相反的结论。

该论文将此与银行评估公司破产风险的方式进行了类比。在这一领域，专家使用“违约距离”（distance to default）的概念，衡量一家公司距离财务失败还有多远。然后，他们使用特定的数学工具将该距离转化为破产概率。研究指出，ESG调查问卷也是以同样的方式运作的：得分就是“距离”，而概率图则是“工具”。正如银行不会在不重新校准整个系统的情况下，随意更换用于衡量破产风险的工具一样，ESG评级机构也不应在不了解后果的情况下切换其概率图。研究表明，工具的选择会改变得分轴上“危险区”和“安全区”的位置。一种方法将评级均匀地分布在整个可能的得分范围内，从而能够进行细微的区分。另一种方法虽然在数学上有效，却将几乎所有的评级压缩在得分范围的一个极小区间内，使得在得分接近完美之前，几乎无法分辨一家好公司与一家优秀公司的区别。

除了给投资者带来的直接困惑外，这项研究还强调了一个更深层次的问题：信任与治理。如果计算这些评级的方法没有被明确说明和证明，那么所得出的数字就不是真正可比的。由于使用了不同的曲线进行计算，一家公司的评级可能与另一家公司的评级含义完全不同。论文提出了一套严格的规则，或称“公理”，任何合格的方法都必须遵循这些规则，以确保其公平性和一致性。它建议，最可靠的方法是表现得像一种稳定、可预测的力量，即公司的每一小步进步都能带来与其得分成比例的提升。这种被称为“逻辑斯谛型（logistic sigmoid）”的方法，确保了评级系统在整个表现光谱上保持敏感性，而不是忽略大部分数据。

这些发现向金融业发出了警告：衡量伦理责任的工具必须以衡量利润的财务模型那样的严谨程度来选择。该研究并非声称发现了新的自然法则，而是揭示了一个许多人认为已经尘埃落定的系统中隐藏的变量。通过展示概率图的选择可以将一家公司的等级从不及格降至及格，这项研究迫使人们重新评估尽职调查的开展方式。它认为，为了使系统具有可辩护性、可审计性和真正的实用价值，转换方法必须公开并标准化。如果没有这种透明度，那些引导着数百亿美元投资决策的评级，将始终受制于建模者的主观选择，从而可能误导资本，使其远离那些真正值得投资的公司。

技术摘要：ESG 问卷评分中概率映射的选择

问题陈述
在风险投资（VC）和私募股权（PE）的尽职调查中，针对数据匮乏的目标（如初创企业）的 ESG 评估通常依赖于源自“是/否”问卷的加法评分模型。这些模型生成一个原始的、无界的得分 ( $m$ )，该得分必须被归一化为一个无量纲的概率 ( $p$ )，其补集 ( $\psi = 1-p$ ) 则代表 ESG 风险。

本文识别了一个关键的、此前未被充分研究的方法论缺口：概率映射函数（从得分 $m$ 到概率 $p$ 的转换）的选择通常被视为一个技术性的事后补充。然而，这种选择并非中立。即使是采用相同的边界条件（例如，在得分为零时的概率以及在最大可能得分时的概率）进行校准的不同的可容许映射函数，也可能产生截然不同的评级边界。这导致了“可比性问题”：两名分析师对同一份问卷数据应用不同但同样合理的映射，可能会将目标分配到相差数个等级的评级类别中，从而从根本上改变投资决策、契约结构和资本配置。

方法论
本文采用了三位一体的方法论路径：

公理化构建： 作者定义了一组关于可容许概率映射的自然公理：
- 单调性： 更高的得分必须产生更高的对齐概率。
- 有界性： 输出值必须严格位于 $(0, 1)$ 之间。
- 可归一化性： 映射必须可以表示为非负且可积密度函数的积分。
  这导出了定理 1，即一个可容许的映射 $\pi(s)$ 必须满足一阶自治微分方程 $\pi' = f(\pi)$ ，其中 $f$ 是一个可积函数。
结构化风险度量类比： 本文的核心创新是通过结构化信用风险模型（特别是 Merton/KMV 等违约距离模型）的视角来重新审视归一化问题。
- 加法 ESG 得分 ( $m$ ) 被类比为“违约距离”。
- 概率映射 ( $\pi$ ) 被类比为用于将距离转换为违约概率的累积分布函数（例如正态分布的 CDF）。
- 这种类比允许对校准参数进行经济学解释：截距参数 ( $\beta$ ) 代表基准率（类似于处于违约边界的企业的状态），而斜率参数 ( $\alpha$ 或 $a$ ) 则代表“波动率”或评级规模的敏感性。
动力系统基础： 为了为可容许性标准提供严密的数学基础，本文借鉴了一维保守动力系统的概念。
- 得分 $s$ 被视为“时间”，概率 $\pi$ 被视为“位置”，密度函数被视为“动量”。
- 可容许性条件 ( $\pi' = f(\pi)$ ) 被证明等同于保守力场中的条件（其中动量仅取决于位置，而不显式依赖于时间），从而确保了守恒能量势的存在。为了保持商业受众的可理解性，这一推导过程在附录中进行了详细说明。

核心贡献

形式化归一化问题： 本文将概率映射的选择从启发式决策提升为公理化选择，并提供了一个通用的存在性判据（定理 1），用于确定可容许的映射。
量化模型风险： 通过一个校准后的数值示例，本文展示了两个在经济上合理的映射——逻辑斯谛 Sigmoid 函数和 Arctangent 函数——如何将相同的问卷结果分配到相隔多个等级的评级类别中。
- 示例： 在 Sigmoid 映射下，一个得分为 $m=50$ 的公司被评为 C 级（需要整改）；而在 Arctangent 映射下，该公司被评为 A 级（无需整改），尽管这两个映射都校准到了相同的边界点（ $p(0)=0.5$ 和 $p(580)=0.998$ ）。
参数的经济学解释： 本文提供了对校准参数的结构化解读，将映射的陡峭程度解释为评级设计中的“风险厌恶”或“波动率”。通过研究发现，一个“神经质”的规模（高敏感性）与一个“宽容”的规模（低敏感性）是映射函数形式的直接结果。
治理意义： 分析强调，如果缺乏明确、公开且具有经济动机的映射选择标准，ESG 评级将缺乏跨不同问卷和方法的对比性，从而削弱其对监管框架（如 Basel III/IV）和投资委员会的效用。

结果

比较静态分析： 在相同的边界条件下，Arctangent 映射将绝大部分评级规模（从 AA 到 D）压缩在得分轴的底部 15%。相比之下，Sigmoid 映射将评级更均匀地分布在整个得分范围内。
边际敏感性： Arctangent 映射在零分附近表现出极高的敏感性（即几个正面回答就能剧烈改变评级），但在得分进一步提高时变得几乎不敏感。Sigmoid 映射则在更广泛的得分范围内保持了更平缓且具有信息量的边际敏感性。
数值演示： 本文提供了一个可复现的示例，表明对于中低分段，映射的选择是决定最终评级的决定性因素，往往会覆盖掉具体的问卷答案所带来的影响。

重要性与主张
本文声称，概率映射的选择并非仅仅是一个技术细节，而是一个具有实质性经济后果的结构性设计选择。

可辩护性： 一个缺乏合理依据的映射可能会使目标跨越一个完整的评级等级，从而影响投资决策和契约条款。
可比性： 只有当异构的 ESG 指标被表达在由公开、可辩护的映射准则导出的统一概率尺度上时，它们才具有可比性。
模型风险： 由映射选择导致的评级分歧是一种目前在标准 ESG 尽职调查实践中尚未得到解决的模型风险。

作者认为，逻辑斯谛 Sigmoid 函数是 VC/PE 尽职调查中的稳健选择，因为它在广泛的得分范围内保持了非微不足道的边际敏感性；而其他替代方案（如 Arctangent）可能会过度奖励初始的改进，而在有效区分不同 ESG 特征谱系方面表现乏力。本文最后呼吁，应明确披露概率映射及其校准参数，以确保 ESG 评级的可审计性和可比性。

技术摘要：ESG 问卷评分中概率映射的选择

类似论文