环境、社会与治理（ESG）评分作为企业债务能力信号的研究
摘要 在人工智能（AI）投资浪潮兴起、环境、社会与治理（ESG）投资理念备受质疑的宏观背景下，本文旨在重新审视并验证ESG评分的内在价值。本文的核心论点是，ESG评分能够作为企业债务与总资本比率（Debt-to-Total-Capital Ratio, DTCR）的一个有效信号。为检验此论点，本研究利用雅虎财经（Yahoo Finance）提供的标普500指数成分公司数据，在控制公司市值（Market Value of Equity, MVE）的情况下，进行了横截面回归分析。实证结果清晰地表明，环境（E）、社会（S）、治理（G）评分以及综合ESG评分，无论是单独考察还是以多种方式组合，均能显著且正向地预示更高的企业DTCR。本研究不仅在理论上将经典的信号理论扩展至ESG领域，为理解企业非财务信息如何传递其财务稳健性提供了新视角，同时也在实践层面上为投资组合管理者的资产配置策略提供了富有价值的启示。
关键词 ESG投资，债务与总资本比率，信号理论，人工智能
--------------------------------------------------------------------------------
1. 引言 (引言)
随着人工智能（AI）技术日益成为全球资本市场的“新圣杯”，大型机构投资者的资产配置重心正悄然发生转变。以全球最大的资产管理公司贝莱德（BlackRock）退出某气候组织为标志性事件，华尔街对影响力投资的热情似乎正在降温，对ESG投资的质疑之声也随之甚嚣尘上。在这一背景下，一个关键问题浮出水面：ESG投资是否已不再值得？
本文旨在回应这一挑战，并通过严谨的实证研究证明事实恰恰相反。我们的核心论点是，ESG评分并未失去其价值，反而提供了一个关于企业债务与总资本比率（DTCR）的有效信号。这意味着，拥有卓越ESG表现的公司能够向市场传递其财务稳健、风险更低的积极信息，从而获得更强的债务融资能力。
本研究的独特贡献体现在以下三个层面：
* 理论层面： 本文创新性地将米勒与罗克（Miller and Rock, 1985）经典的股利信号理论框架扩展至ESG领域。我们认为，企业维持或提升其ESG实践的决策，与派发股利的决策类似，都是一种向资本市场传递关于自身财务健康状况和风险管理能力的非对称信息的方式。
* 实证层面： 本研究为ESG评分如何通过DTCR这一渠道影响企业提供了新的实证证据。与现有文献相比——例如，部分研究认为ESG评级仅反映非财务影响或气候风险会降低杠杆率——我们的发现明确指出，ESG的各个维度，尤其是环境（E）维度，可以成为企业借贷能力的积极信号。
* 实践层面： 本研究的发现对于投资组合经理和对冲基金经理的资产配置策略具有直接的指导意义。在未来投资周期重新转向ESG主题时，通过解读ESG评分的信号效应，管理者能够更有效地进行资产配置，从而提升投资组合的回报。
本文的其余部分结构如下：第二部分阐述本研究的理论背景与研究假设；第三部分详细介绍数据来源、变量定义及计量模型；第四部分呈现核心的实证回归结果并进行深入分析；第五部分讨论研究发现的理论与实践启示；第六部分对全文进行总结，并提出政策建议、研究局限性与未来展望。
2. 理论背景与研究假设 (Theoretical Background and Hypotheses)
本章节旨在为后续的实证分析构建坚实的理论框架。我们将首先回顾经典的信号理论，随后将其核心逻辑应用于解释ESG评分与企业债务能力之间的内在联系，并在此基础上构建出本文的核心研究假设。这一理论框架是检验ESG评分信号效应的逻辑起点和基础。
2.1. 信号理论与ESG的内在联系
在信息不对称的资本市场中，信号理论解释了信息优势方（如企业管理者）如何通过可观测的行动向信息劣势方（如投资者）传递其私有信息。米勒与罗克（1985）的开创性研究指出，企业派发股利的决策本身就是一个强有力的信号，因为它向市场表明管理层对公司未来现金流的信心。只有财务状况稳健、前景光明的公司才有能力持续支付股利。
我们认为，ESG评分可以扮演与股利政策类似的信号角色。具体而言，拥有卓越ESG实践的公司，可以通过维持较高的债务与总资本比率（DTCR）来向资本提供者可信地传递其较低的风险状况。其逻辑在于，一个稳健的ESG框架能够显著提升企业的声誉和利益相关者的信任，从而降低投资者感知的风险。这种降低的风险感知会直接转化为更高的债务承载能力，最终体现在更高的DTCR水平上。因此，企业对ESG的投入和承诺，成为了一种向外界展示其内部风险管理能力和长期可持续性的可靠信号。
2.2. 研究假设的构建
基于上述理论分析，我们提出以下两个核心假设，分别针对单一ESG评分和组合ESG评分的信号效应进行检验。
假设一（H1）：单一ESG评分的信号效应 我们预期，综合ESG评分及其各分项——环境（E）、社会（S）和治理（G）评分——均能独立地、正向地预示更高的企业DTCR。其背后的逻辑是，企业高管有强烈的动机去维持卓越的ESG实践，并愿意承担更高的债务水平，以此作为一种“成本信号”来向市场展示其卓越的风险管理能力和对未来经营的信心。
假设二（H2）：组合ESG评分的信号效应 我们进一步预期，ESG评分的二元和三元组合也能提供类似的信号效应。管理者可能会认为，某些评分的特定组合在向投资者传递信号时比单一评分更为有效或更具针对性。然而，包含所有四个ESG相关变量的四元组合模型可能因变量间存在多重共线性问题而导致信号效应失效。
基于上述理论分析与研究假设，下一章节将详细介绍用于检验这些假设的数据来源、变量定义及计量模型。
3. 数据与研究方法 (Data and Methodology)
本章旨在详细说明本次实证研究的设计，以确保研究过程的透明度和可重复性。内容将覆盖数据来源、核心变量的定义、样本的描述性统计特征以及用于检验研究假设的回归模型设定。
3.1. 数据来源与样本描述
本研究使用的数据来源于雅虎财经（Yahoo Finance），样本覆盖了截至2025年9月5日的全部503家标普500指数成分公司。为确保研究结果的稳健性并处理异常值对回归结果的潜在影响，我们对所有五个自变量，即综合ESG评分、环境（E）评分、社会（S）评分、治理（G）评分以及市值（MVE），在1%和99%分位数上进行了缩尾处理（winsorization）。
3.2. 变量定义
本研究中的核心变量定义如下表所示：
变量名称 变量缩写 定义/计算方法
债务与总资本比率 DTCR 账面债务价值 / (账面债务价值 + 股票市场价值)
综合ESG评分 Total ESG 雅虎财经提供的综合ESG评分
环境评分 E 雅虎财经提供的环境（Environmental）评分
社会评分 S 雅虎财经提供的社会（Social）评分
治理评分 G 雅虎财经提供的治理（Governance）评分
股权市场价值 MVE 企业的股权市场总价值（作为控制变量）
3.3. 描述性统计
以下表格分别展示了因变量和自变量的描述性统计结果。
表1：因变量描述性统计
统计量 数值
平均DTCR 0.216
DTCR中位数 0.177
DTCR最大值 0.816
DTCR最小值 0.000
表2：自变量描述性统计
变量/统计量 平均值 中位数 最大值 最小值
综合ESG评分 20.9 20.2 38.3 9.00
环境（E）评分 6.29 4.54 20.9 0.0794
社会（S）评分 9.18 9.20 17.7 1.47
治理（G）评分 5.41 4.91 17.7 1.47
市值（MVE） 1.12 x 10¹¹ 3.79 x 10¹⁰ 1.58 x 10¹² 8.43 x 10⁹
注：所有自变量数据均经过1%和99%的缩尾处理。
3.4. 回归模型设定
为检验前述假设，我们设定了以下横截面回归模型。下列方程式为我们回归分析的模板，在实际操作中，所示的自变量会根据检验需要被系统性地替换，以测试每个ESG评分的单独效应及其所有指定的组合效应。其中，模型(1)和(2)用于检验假设一（H1），模型(3)至(8)用于检验假设二（H2）。
检验单一评分信号效应的模型： 模型(1)评估单一ESG相关评分对DTCR的影响，模型(2)在此基础上加入了控制变量MVE。 𝐷𝑇𝐶𝑅_{i,t} = \beta_0 + \beta_1 \times 𝑇𝑜𝑡𝑎𝑙_𝐸𝑆𝐺_{i,t} + e_{i,t} \quad (1) 𝐷𝑇𝐶𝑅_{i,t} = \beta_0 + \beta_1 \times 𝑇𝑜𝑡𝑎𝑙_𝐸𝑆𝐺_{i,t} + \beta_5 \times 𝑀𝑉𝐸_{i,t} + e_{i,t} \quad (2)
检验组合评分信号效应的模型： 模型(3)和(4)用于检验二元组合的效应，模型(5)和(6)用于检验三元组合，模型(7)和(8)用于检验四元组合。 𝐷𝑇𝐶𝑅_{i,t} = \beta_0 + \beta_1 \times 𝑇𝑜𝑡𝑎𝑙_𝐸𝑆𝐺_{i,t} + \beta_2 \times 𝐸_{i,t} + e_{i,t} \quad (3) 𝐷𝑇𝐶𝑅_{i,t} = \beta_0 + \beta_1 \times 𝑇𝑜𝑡𝑎𝑙_𝐸𝑆𝐺_{i,t} + \beta_2 \times 𝐸_{i,t} + \beta_5 \times 𝑀𝑉𝐸_{i,t} + e_{i,t} \quad (4) 𝐷𝑇𝐶𝑅_{i,t} = \beta_0 + \beta_1 \times 𝑇𝑜𝑡𝑎𝑙_𝐸𝑆𝐺_{i,t} + \beta_2 \times 𝐸_{i,t} + \beta_3 \times 𝑆_{i,t} + e_{i,t} \quad (5) 𝐷𝑇𝐶𝑅_{i,t} = \beta_0 + \beta_1 \times 𝑇𝑜𝑡𝑎𝑙_𝐸𝑆𝐺_{i,t} + \beta_2 \times 𝐸_{i,t} + \beta_3 \times 𝑆_{i,t} + \beta_5 \times 𝑀𝑉𝐸_{i,t} + e_{i,t} \quad (6) 𝐷𝑇𝐶𝑅_{i,t} = \beta_0 + \beta_1 \times 𝑇𝑜𝑡𝑎𝑙_𝐸𝑆𝐺_{i,t} + \beta_2 \times 𝐸_{i,t} + \beta_3 \times 𝑆_{i,t} + \beta_4 \times 𝐺_{i,t} + e_{i,t} \quad (7) 𝐷𝑇𝐶𝑅_{i,t} = \beta_0 + \beta_1 \times 𝑇𝑜𝑡𝑎𝑙_𝐸𝑆𝐺_{i,t} + \beta_2 \times 𝐸_{i,t} + \beta_3 \times 𝑆_{i,t} + \beta_4 \times 𝐺_{i,t} + \beta_5 \times 𝑀𝑉𝐸_{i,t} + e_{i,t} \quad (8)
通过上述数据和模型设计，我们将在下一章中呈现详细的实证回归结果及其分析。
4. 实证结果与分析 (Empirical Results and Analysis)
本章是研究的核心部分，旨在呈现并解读回归分析的结果，以系统性地检验前文提出的研究假设。我们的分析将围绕ESG评分对企业DTCR的信号效应展开，并细致地区分单一评分和组合评分在不同情境下的表现。
4.1. 单一ESG评分的信号效应分析
单一变量模型的回归结果为假设一（H1）提供了有力支持。我们的核心发现如下：
* 综合ESG评分、环境（E）评分和社会（S）评分，无论是否控制公司市值（MVE），均在统计上显著地、正向地预示着更高的DTCR。
* 治理（G）评分则表现出一定的差异性，它仅在控制了MVE之后才显现出对DTCR的显著正向信号效应。
这种差异背后存在合理的经济学解释。环境（E）和社会（S）相关的实践，如环保措施和员工关系，通常具有更强的外部可见性，更容易被投资者、客户及公众所感知，因此能够更直接、更可靠地向市场传递企业稳健经营的信号。相比之下，公司治理（G）实践更多是企业内部的制度安排，其透明度相对较低，投资者关注度也可能不及E和S方面。因此，其信号作用较弱，需要剔除公司规模（MVE）这一混淆因素后才能清晰地显现出来。
4.2. 组合ESG评分的信号效应分析
多变量模型的回归结果进一步揭示了不同ESG评分组合的复杂信号机制，这与假设二（H2）的预期基本一致。我们的分析揭示了各变量间微妙的相互作用。
* 二元组合分析：
* 一个重要的发现是，当综合ESG评分与其任何一个分项（E、S或G）组合时，只有综合ESG评分本身保持显著的信号效应。这表明综合评分的信号强度足以主导其单个组成部分。
* 然而，当分项之间直接组合时，协同效应显现。环境（E）与社会（S）的组合、环境（E）与治理（G）的组合均显示出两个变量同时具有显著的正向信号效应。
* 在社会（S）与治理（G）的组合中，结果再次印证了G评分的条件性；仅S评分在控制MVE后保持显著。
* 三元组合分析：
* 当综合ESG评分与S和G评分组合时，综合ESG评分的信号效应依然稳健。
* 当综合ESG评分与E和S评分组合时，综合ESG评分仅在控制了MVE后才显示出显著信号。
* 在不包含综合评分的E、S、G三项组合中，E评分的信号效应稳健；而G评分则再次表现出条件性，仅在控制MVE后显著。
* 值得注意的是，Total ESG、E和G的组合并未显示出任何显著的信号效应。
* 四元组合的无效性确认：
* 在包含了综合ESG、E、S、G所有四个相关变量的模型中，我们未观察到任何一个变量具有显著的信号效应。这一结果有力地支持了我们在假设二（H2）中提出的担忧，即高度相关的变量组合会导致多重共线性问题，从而使单个变量的信号作用被稀释或掩盖。
4.3. 经济显著性评估
为了评估上述统计结果的实际经济意义，我们对其影响幅度进行了量化分析。
* 根据单一变量模型的回归结果，对于一家总资本增加10亿美元的公司，其综合ESG评分每提高1分，预示着其账面债务价值将增加358万美元。
* 从相对比例来看，这一结果更具说服力。换言之，在总资本增长1%的背景下，综合ESG评分提高1分，预示着企业的账面债务价值将相应增加0.358%。这表明ESG评分的信号效应不仅在统计上显著，在经济上也具有不可忽视的实际影响。
以上实证结果清晰地揭示了ESG评分对企业债务能力的信号机制，下一章将进一步探讨这些发现的理论贡献与实践启示。
5. 讨论与启示 (Discussion and Implications)
本章的目标是超越数据本身，深入探讨研究发现背后的“所以然”及其对理论与实践的深远意义。我们将分别从理论贡献、实证贡献和投资实践三个维度，对研究结果进行深入的讨论。
5.1. 理论贡献的深化
本研究的核心理论贡献在于成功地将经典的信号理论从股利政策领域扩展至ESG领域。我们论证并实证检验了，企业维持或提升其ESG实践的决策，如同管理层决定派发股利一样，是其主动向市场传递关于自身财务稳健性和借贷能力优势信息的一种战略性行为。这一发现丰富了信号理论的应用场景，表明企业的非财务表现同样可以成为解读其内在价值和风险状况的关键信号。
5.2. 实证贡献的总结
在实证层面，本研究为理解和评估标普500指数成分公司提供了一个全新的视角。
* 提供新的实证证据： 我们的研究表明，投资者和分析师可以通过评估一家公司的ESG评分，来判断其潜在的借贷能力和财务弹性。这为传统的信用分析框架提供了一个有益的补充。
* 揭示积极的社会外部性： 由于企业高管有动机通过改善ESG实践来向债权人释放积极信号，这种追求更高ESG评分的行为本身会产生积极的社会外部性，例如改善环境、增进员工福祉和完善公司治理，从而为整个社会创造价值。
5.3. 投资组合管理的实践启示
本研究的发现对投资组合经理和对冲基金经理的日常决策具有直接且可操作的指导意义。
* 核心策略：
* 对于多头管理者： ESG评分的提升可视为一个买入/增持的信号；评分的下降则警示应进行审查，以决定是继续持有还是卖出；评分稳定则支持继续持有仓位。
* 对于对冲基金管理者： 评分的变化可直接转化为交易信号，即在评分提升时做多，在评分下降时做空。
* 高级策略：
* 鉴于当前投资者对气候风险的高度关注，我们建议将社会（S）或治理（G）评分与环境（E）评分结合评估。当一家公司仅有S或G评分提升而E评分没有改善时，投资者应保持谨慎。只有当E评分同步提升时，才构成一个强有力的买入信号。
* 组合策略：
* 在评估三因素组合时，应重点关注**环境（E）和治理（G）**评分的信号价值。
* 在考虑四因素组合时，由于多重共线性问题，其信号作用并不明显，投资者无需过分关注。
综上所述，本研究在理论和实践层面均具有重要意义，最后一章将对全文进行总结，并展望未来的研究方向。
6. 结论 (结论)
本章将对全文的研究发现进行最终概括，并进一步探讨其更广泛的政策含义、研究自身的局限性以及未来可能的研究方向。
6.1. 核心发现回顾
本文最核心的发现是，综合ESG评分及其各分项（环境、社会、治理），无论是单独考察还是以多种方式组合，都强烈且正向地预示着更高的企业债务与总资本比率（DTCR）。这一结论在AI投资兴起的时代背景下尤为重要，它有力地论证了ESG投资理念的持久价值。ESG与AI并非相互排斥，而是可以作为投资主题共存。我们有理由相信，随着未来投资周期再次转向ESG，本研究发现的信号效应其重要性将进一步凸显。
6.2. 政策与监管启示
基于本研究的发现，我们提出以下几点政策与监管启示：
* 对政策制定者： 建议出台相关政策，鼓励企业提高公司治理的透明度，使投资者能够更准确地评估企业的内部风险管理水平，从而做出更明智的投资决策。
* 对监管机构： 建议持续提升企业ESG实践报告的标准，推动信息披露的规范化与可比性，从而提高评级机构评分的准确性与公信力。
* 对执法机构： 建议考虑将更多关键的ESG实践，如气候相关财务信息披露，纳入强制报告范围，以增强市场透明度，帮助投资者更清晰地判断企业的债务承载能力。
6.3. 研究局限性与未来展望
尽管本研究得出了稳健的结论，但仍存在一定的局限性。一个潜在的担忧是，ESG评级可能是反映企业实际表现的滞后指标。然而，我们认为这一局限性的影响是可控的，原因有二：第一，企业本身有强烈的动机去维持强劲的ESG形象，以主动向市场发送关于其稳健借贷能力的信号；第二，市场上众多ESG评级机构的存在促进了专业化分工，使得各分项评分依然能够提供富有价值的前瞻性信息。
为进一步深化对这一领域的理解，我们提出以下三个未来研究方向：
* 进行一项至少10年的时间序列分析，以考察ESG信号效应在不同经济周期中的动态变化。
* 将研究范围从美国市场扩展到其他主要资本市场（如新加坡），检验该信号效应是否具有普遍性。
* 探索人工智能（AI）技术如何被用来增强ESG评分的信号效应，例如通过大数据分析和机器学习模型来提高评分的预测准确性和时效性。
