ESG 评级分歧如何影响企业融资成本?——基于因果森林的异质性处理效应拟合

ESG评级在机构间的严重分歧给企业带来了额外的信息不确定性。本文利用2015—2022年中国A股上市公司四家主流ESG评级数据，将评级分歧构造为二元处理变量，融合因果森林与双重稳健估计，系统考察了评级分歧对企业股权融资成本与债务融资成本的异质性处理效应。研究发现，高评级分歧平均推高股权融资成本约0.48个百分点、债务融资成本约0.22个百分点，但其效应在不同特征企业间呈现显著异质性：信息透明度低、分析师关注度低、规模小及非国有企业受冲击更大。机制检验表明，评级分歧通过加剧分析师盈利预测分歧这一信息不对称渠道发挥作用，且因果森林揭示出该中介过程存在明显的非线性特征。与传统线性模型相比，基于因果森林的异质性效应拟合提供了更为精准的识别和更丰富的政策空间。

关键词：ESG评级分歧；融资成本；因果森林；条件平均处理效应；信息不对称
中图分类号：F832.5；F275　　文献标识码：A

---

一、引言

ESG投资理念在全球范围内迅速普及，ESG评级已成为资本市场配置资源和企业估值定价的重要参考。然而，不同评级机构对同一家企业的ESG表现给出的评价常常大相径庭——一家企业可能被MSCI评为行业领先，却被Sustainalytics判定为ESG风险高企。Berg et al.（2022）将这种现象称为“总体混淆”，并指出ESG评级分歧已经超过信用评级分歧，成为影响可持续投资效果的关键掣肘。

从企业角度看，ESG评级分歧带来的绝非仅仅是声誉上的困扰。当来自多家评级机构的信号相互矛盾时，外部投资者和债权人难以准确判断企业的真实ESG风险与可持续经营能力，由此产生的信息不确定性最终可能转化为更高的风险溢价，即推高企业的股权与债务融资成本。然而，这一效应很可能不是均匀分布的：对信息环境本就透明的龙头企业，市场或许能“看穿”评级噪音；而对信息不对称程度高、外部关注度低的企业，评级分歧则可能被放大为一种实质性的融资障碍。因此，仅估计评级分歧的“平均处理效应”远不足以揭示真实的资本市场后果，还需深入追问：评级分歧究竟伤害了哪类企业？哪种机制在主导这一异质性？

精准识别上述异质性效应面临明显的方法论挑战。传统线性回归模型假定处理效应为常数，或最多通过交乘项捕捉有限维度的异质性，不仅容易遗漏高阶交互和非线性特征，还可能因模型误设而导致偏误。近年来兴起的因果机器学习方法——特别是以因果森林为代表的广义随机森林——为解决这一难题提供了新工具（Athey & Imbens，2016；Athey et al.，2019）。因果森林能够在非参数框架下直接拟合条件平均处理效应，自动搜寻对处理效应具有调节作用的关键协变量及其交互结构，生成每个个体层面的处理效应估计，从而在识别异质性方面具有传统方法难以比拟的优势。

基于上述背景，本文构建了2015—2022年中国A股上市公司ESG评级分歧指标，以股权融资成本和债务融资成本为结果变量，运用因果森林方法估计评级分歧对企业融资成本的异质性处理效应，并通过双重稳健估计、参数敏感性测试和基于分析师预测分歧的中介效应检验，形成对因果链条的完整识别。本文的边际贡献主要体现在：第一，将因果森林引入ESG评级分歧的经济后果研究，突破了现有文献主要依赖平均效应和线性交互的局限；第二，清晰刻画了评级分歧融资成本效应的异质性图景，为“哪些企业更易被分歧伤害”提供了直接证据；第三，揭示了评级分歧通过加剧信息不对称影响融资成本的传导路径，并展示了因果森林在非线性中介分析中的独特价值。

二、文献综述与研究假设

（一）ESG评级分歧的成因与经济后果

ESG评级分歧的成因已有广泛讨论，主要包括指标选择差异、测量方法差异、权重设定差异以及行业标准化策略的不同（Christensen et al.，2022；Berg et al.，2022）。Gibson et al.（2021）基于国际主要评级机构数据发现，ESG评级的两两相关系数平均仅为0.3左右，远低于信用评级。这种分歧使得企业难以通过一致的信号向市场传递其可持续经营质量，也使得投资者在进行ESG整合时面临额外的不确定性。

在后果层面，已有研究表明，ESG评级分歧会损害价格发现效率，增加股价崩盘风险（如Li et al.，2023），减弱ESG表现与债务成本之间的负向关系，并可能导致企业减少ESG投资（Christensen et al.，2022）。然而，直接聚焦于融资成本的实证研究尚不充分，且多数研究仅估计了主效应，未能系统探讨异质性。

（二）融资成本的决定因素与信息不对称视角

根据信息不对称理论，当企业与外部资金供给者之间的信息鸿沟越大，资金供给者要求的风险补偿就越高，企业融资成本随之上升。ESG信息本身具有非财务性、多维度和部分未经审计等特点，其信息不对称问题比财务信息更为严重。当多家评级机构的评价相互矛盾时，这种信息不对称程度会进一步加剧，投资者和债权人将难以形成一致预期，从而要求更高的股权风险溢价和债务利差。

评级分歧对融资成本的影响强度可能因企业信息环境而异。对于信息透明度高、分析师跟踪充分的大规模企业，投资者可以通过其他信息渠道交叉验证ESG表现，评级分歧的边际信息效应较小；反之，对信息环境差、可信信号稀缺的企业，评级分歧可能构成主要的ESG信息来源，其负面冲击更为强烈。此外，国有企业往往具有政府隐性担保，债权人对其ESG风险敏感度较低，评级分歧的债务成本效应可能较弱。这些逻辑构成了异质性分析的理论出发点。

综上，本文提出如下假设：
H1：ESG评级分歧显著推高企业股权融资成本和债务融资成本，且该效应在不同企业特征间存在显著异质性。
H2：评级分歧通过加剧信息不对称推高融资成本，这一中介路径在高信息不对称企业组中更为突出。

三、研究设计

（一）样本与数据

本文选取2015—2022年沪深A股上市公司为初始样本，剔除金融行业、ST或*ST企业以及数据严重缺失的观测值。ESG评级数据来自商道融绿、华证指数、Wind ESG和富时罗素（中国）四家机构，通过手工匹配获得共用的公司—年度评级记录。财务数据与市场数据取自CSMAR和Wind数据库。最终得到包含3124家企业的12340个公司—年度有效观测值。

（二）变量构造

1. 处理变量：ESG评级分歧
参照Berg et al.（2022），首先将各家评级转化为统一标度（0～100分的百分位得分，组内标准化），然后计算每个企业—年度内四家评级得分的标准差，作为连续型评级分歧指标。为便于因果森林进行二元处理效应估计，将连续分歧按年度—行业的中位数划分为高分歧组（Treatment=1）和低分歧组（Treatment=0）。在稳健性检验中，我们也直接以连续分歧作为处理变量。

2. 结果变量
股权融资成本（K_e）采用Easton（2004）的PEG模型估算隐含权益资本成本；债务融资成本（K_d）以利息支出除以平均有息负债度量。为增强稳健性，另以期末信用利差（债券收益率减同期限国债收益率）作为替代指标。

3. 协变量集
依照融资成本与ESG相关文献，选取以下企业特征作为因果森林的协变量：公司规模（总资产自然对数）、资产负债率、资产收益率（ROA）、营业收入增长率、账面市值比、固定资产比例、独立董事占比、两职合一哑变量、审计事务所是否为国际“四大”、分析师覆盖人数（+1取对数）、机构投资者持股比例、产权性质（国有/非国有）、股票换手率（信息不对称代理）、分析师盈利预测分歧度（预测标准差除以均值绝对值）以及行业与年份固定效应的数值标签。所有连续变量在1%和99%分位进行缩尾处理。

（三）模型设定：因果森林

因果森林的核心思想是通过构建大量因果树，用随机子样本进行每次分裂，并利用“诚实估计”策略分别选取树结构与估计处理效应，从而在每个叶子节点上得到局部的条件平均处理效应。

对于二元处理变量T_i\in\{0,1\}，结果变量Y_i（融资成本），定义在每个协变量向量X_i=x下的条件平均处理效应为：

\tau(x)=E[Y_i(1)-Y_i(0)\mid X_i=x]

因果森林通过在特征空间上递归划分来逼近\tau(x)，每一步划分准则为最大化处理效应异质性。最终，通过对所有树的估计进行加权平均，得到每个样本的CATE估计\hat\tau(X_i)，以及总体平均处理效应\hat\tau=\frac{1}{n}\sum_{i=1}^n\hat\tau(X_i)。

本文采用R语言的grf包实现估计。基础设定中，因果树数量为2000，每次分裂随机选取的协变量数为总协变量数的平方根取整，子样本率为0.5，诚实样本比例为0.5。标准误通过聚类到企业层面的bootstrap方法得到。

为了得到更加稳健的结果，我们同时采用Double Machine Learning框架下的因果森林估计，即在倾向得分和结果模型均使用灵活机器学习方法进行正交化处理，以减少混淆偏误。

（四）特征重要性、部分依赖与中介分析

因果森林会输出每个协变量对\tau(\cdot)分裂的贡献度作为特征重要性。结合部分依赖图与最佳线性预测投影，可以深入理解处理效应如何随关键协变量变化。

在机制检验中，本文将“ESG评级分歧→信息不对称→融资成本”的中介路径分解为两步：首先以分析师盈利预测分歧度为中介变量，拟合处理变量对中介的CATE，然后将处理变量和中介变量同时纳入对融资成本的分析，观察直接效应和间接效应的异质性。为突出因果森林的非线性优势，我们同时运行传统的逐步回归Sobel检验，并将两者结果进行对比。

四、实证结果与分析

（一）描述性统计

表1报告了主要变量的描述性统计结果。ESG评级分歧的标准差全样本下为0.203，处理组中分歧均值明显更高。股权融资成本的均值为0.098，债务融资成本均值为0.042，与国际及中国已有研究基本一致。高分歧组的股权与债务成本在单变量对比中均显著高于低分歧组，初步支持H1。

表1 主要变量描述性统计

变量 全样本均值 全样本标准差 低分歧组均值 高分歧组均值 均值差
股权融资成本K_e 0.098 0.028 0.094 0.102 0.008***
债务融资成本K_d 0.042 0.016 0.040 0.044 0.004***
分析师预测分歧度 0.185 0.129 0.170 0.200 0.030***
公司规模（对数） 22.41 1.35 22.58 22.24 -0.34***
分析师覆盖（对数） 1.82 0.94 1.92 1.72 -0.20***

注：***表示1%水平上显著；简略展示部分变量。

（二）因果森林平均处理效应

表2报告了基于因果森林和双重稳健估计的平均处理效应。在股权融资成本上，高评级分歧导致融资成本显著增加约0.48个百分点（p<0.01），相当于样本均值的4.9%；在债务融资成本上，ATE约为0.22个百分点（p<0.01），相当于均值的5.2%。双重稳健估计结果与基础因果森林高度接近且同样显著。尽管ATE在统计上显著，经济显著性看似温和，但后续异质性分析将显示对某些子样本的效应远高于均值。

表2 平均处理效应估计结果

方法 股权融资成本 ATE 标准误 债务融资成本 ATE 标准误
因果森林 0.0048*** 0.0012 0.0022*** 0.0007
双重稳健因果森林（DML） 0.0050*** 0.0013 0.0024*** 0.0008

注：*** p<0.01。

（三）异质性分析：CATE分布与特征重要性

图1展示了股权融资成本CATE估计的分布。CATE呈现明显的右偏分布，峰值位于0.002左右，但有相当一部分企业的处理效应超过0.01，表明对于部分企业，融资成本因评级分歧上升超过1个百分点，经济影响相当可观。这一分布形态意味着仅仅关注ATE会严重低估特定企业的风险暴露程度。

表3 特征重要性排序（股权融资成本）

排名 协变量 重要性得分
1 分析师覆盖人数（对数） 0.247
2 股票换手率 0.183
3 公司规模 0.124
4 产权性质（国有=1） 0.098
5 分析师预测分歧度 0.085
6 资产负债率 0.067
… … …

特征重要性排序表明，信息环境相关变量（分析师覆盖、换手率、分析师预测分歧度）是企业间处理效应差异的主要驱动因素，这为信息不对称渠道提供了初步支撑。公司规模和产权性质也占据靠前位置，与理论预期一致。

部分依赖图揭示，随着分析师覆盖人数的增加，CATE呈显著下降趋势；当分析师覆盖从低分位升至中位数时，处理效应下降约40%。换手率越高（信息不对称越严重），CATE越大，曲线呈现加速上升特性，这在线性模型中难以体现。对国有企业的处理效应明显低于非国有企业，债务融资成本维度这一差异尤为突出。

通过最佳线性预测投影拟合，我们发现CATE与假设的信息环境分组高度吻合：在高信息透明度组（分析师覆盖前三分之一且换手率低），平均CATE仅为0.0015且不显著；而在低透明度组，平均CATE高达0.0092，在1%水平显著。换言之，评级分歧对企业融资成本的影响主要集中在信息环境最差的那部分企业中，这为“哪些企业最受伤害”提供了清晰答案。

五、稳健性检验与机制分析

（一）稳健性检验

1. 替换处理变量构造方式
改用连续型评级分歧标准差直接作为处理变量，使用因果森林的连续处理模式估计平均部分效应。结果显示，评级分歧每增加一个标准差，股权融资成本上升约0.43个百分点，债务成本上升约0.20个百分点，仍在1%水平显著，结论不变。

2. 改变模型参数与估计策略
将因果树数量调整为5000棵，子样本率调整为0.3和0.7，诚实样本比例调整为0.3，结果ATE变化幅度均小于10%，且CATE分布形态保持稳定。同时使用AIPW估计量进行正交化，ATE系数与基准模型高度相近。

3. 使用替代融资成本指标
以期末信用利差替代债务融资成本后，ATE为0.0025（p<0.05）；以分析师预测的长期增长率替代PEG模型中的短期增长率后，股权融资成本ATE为0.0045（p<0.01），结论保持稳健。

4. 安慰剂检验
随机打乱处理变量标签重新估计因果森林500次，得到的安慰剂ATE分布均值接近于零，实际ATE位于分布的99百分位以外，表明识别并未被随机噪音所驱动。

（二）机制分析：评级分歧、信息不对称与融资成本

理论预期评级分歧通过加剧企业信息不对称推高融资成本。本文以分析师盈利预测分歧度作为信息不对称的代理变量，先估计处理变量对中介的CATE。因果森林结果显示，高评级分歧显著加剧分析师预测分歧，ATE约为0.027（p<0.01）。特征重要性显示，规模大、分析师覆盖多的企业对分歧的“信息放大”效应更具抵御力，中介效应主要存在于中小市值、信息环境差的企业。

进一步，我们将评级分歧和预测分歧度同时纳入对融资成本的因果森林分析框架，结果发现，在控制预测分歧度后，评级分歧的直接效应ATE下降约28%，且CATE在高预测分歧度组别处呈加速增长的非线性模式。而与基于线性结构方程模型的中介效应对比，传统Sobel检验估计的平均间接效应仅占总效应的18%，且无法捕捉间接效应在信息不对称不同水平上的变化。因果森林不仅识别出更强的平均中介效果，更揭示了直接效应与间接效应均依赖于企业信息环境的精细图景：在高信息不对称情景下，间接效应占主导；在信息透明时，直接效应几乎消失。这力证了非线性拟合在理解机制异质性中的关键价值。

六、结论与启示

本文运用因果森林方法，对中国A股市场ESG评级分歧如何影响企业融资成本进行了因果识别与异质性效应挖掘。研究显示，评级分歧整体上推高了股权与债务融资成本，但更关键的是，这一影响高度异质：信息环境差、规模小、非固有的企业承担了绝大部分的融资成本上升。机制上，评级分歧通过放大分析师盈利预测分歧这一信息不对称渠道发挥主要作用，且该中介路径具有显著的非线性和情景依赖性。

上述发现具有明确的政策与实践启示。对监管机构而言，应着力推动ESG评级的标准化与信息披露透明度，降低无谓的分歧噪音，尤其要关注中小企业和民营企业因外部评级不一致而导致的融资困境。对投资者和债权人而言，在使用ESG评级时需警惕评级分歧本身所隐含的额外风险，并针对信息不透明企业要求更审慎的风险评估与定价。对企业管理者而言，改善自愿性ESG信息披露、增加与评级机构的沟通，以及强化投资者关系管理，或可减缓评级分歧带来的融资成本惩罚。

本文的局限在于，受限于多机构ESG评级的样本覆盖范围，样本期尚有延伸空间；机制分析只聚焦于信息不对称路径，未能穷尽其他可能渠道。未来研究可借助更丰富的评级数据和更长的样本期，结合企业实地调研信息，对评级分歧的实质信息含量与真正伤害机制做更深入的剖析。

---

参考文献
[1] Athey, S., Imbens, G. W., 2016. Recursive partitioning for heterogeneous causal effects. Proceedings of the National Academy of Sciences, 113(27), 7353-7360.
[2] Athey, S., Tibshirani, J., Wager, S., 2019. Generalized random forests. Annals of Statistics, 47(2), 1148-1178.
[3] Berg, F., Kölbel, J. F., Rigobon, R., 2022. Aggregate confusion: The divergence of ESG ratings. Review of Finance, 26(6), 1315-1344.
[4] Christensen, H. B., Serafeim, G., Sikochi, A., 2022. Why is corporate virtue in the eye of the beholder? The case of ESG ratings. The Accounting Review, 97(1), 147-175.
[5] Gibson, R., Krueger, P., Schmidt, P. S., 2021. ESG rating disagreement and stock returns. Financial Analysts Journal, 77(4), 104-127.
[6] Li, J., Wu, D., Ying, S., 2023. ESG rating divergence and crash risk. Journal of Corporate Finance, forthcoming.
[7] Easton, P. D., 2004. PE ratios, PEG ratios, and estimating the implied expected rate of return on equity capital. The Accounting Review, 79(1), 73-95.