2025年，上海财经大学与东方证券股份有限公司固定收益业务总部开展合作，聚焦于“固定收益类主体”，构建了一套基于复杂数据与自然语言处理的智能化“ESG量化评价体系”。针对传统ESG评价存在标准碎片化、数据质量低、更新滞后以及国际框架与中国治理机制脱节等问题，项目以非结构化文本深度解析为核心，实现了从多维异构数据源中自动提取并量化ESG表现。
项目团队基于东方证券提供的全市场信用债主体数据，整合了超过7469家发债主体的年报、募集说明书及55万余条舆情信息。通过创新应用LAC语义分析模型与双向GRU-CRF神经网络，系统实现了对文本中环境承诺、社会责任、治理结构等148项三级指标的自动化识别与评分。在此基础上，研究优化求解与单层神经网络等多种智能赋权方法，构建了兼具客观性、动态性与本土化（如纳入“党建”指标）特征的ESG综合评价模型。
实证结果表明，利用优化求解方法、神经网络生成权重得到指标得分相比于传统方法在环境、社会与治理三个维度上与万得、中债主流评价机构结果具有更高的相关性，表明引入优化算法或机器学习技术可显著提升评分体系的解释力，且舆情对于评分结果的客观性与公正性具有正向意义。研究进一步通过回归分析揭示了绿色金融、科技创新与公司治理指标等对ESG表现的关键影响，并为东、中、西部企业的ESG提升提供了差异化路径参考。
本项目在数据科学与绿色金融的交叉领域具有重要实践意义，为债券市场的ESG风险定价与绿色资产配置提供了可落地的量化工具。未来可通过拓展数据来源、优化文本解析模型，进一步提升体系的覆盖范围与评估精度，助力“双碳”目标下的金融市场高质量发展。
