Estimating Value Chain Emissions for Portfolio Construction

主题与背景

本章讨论气候变化作为投资者面临的重大转型风险，以及为何仅衡量范围1和范围2排放不足以评估投资组合的排放风险。报告指出，到2100年，气候变化可能导致可管理资产价值损失高达43万亿美元，监管、市场和物理风险将传导至整个价值链，影响资产估值。

核心观点

作者的核心投资论点是：资产管理者必须测量公司端到端价值链中的所有间接排放（包括范围2和范围3），才能充分量化和管理投资组合的碳转型风险。反直觉的判断是：当前广泛使用的报告范围3数据因估算方法不一致，根本不能用于跨公司比较，这直接违背了投资组合构建中需要排名和加权求和的基本要求。

关键论据与数据

• 风险规模：气候变化到2100年对可管理资产的价值风险高达43万亿美元。
• 披露现状：2021年CDP气候问卷中，43%的电力公用事业公司、24%的石油天然气公司和10%的煤炭公司未报告其行业最相关的范围3排放类别（"售出产品使用"）。
• 数据质量：在所有报告范围3排放的公司中，仅29%对其最重要的范围3估算进行了某种形式的保证流程，22%的公司将其保证流程限定为"有限"。
• 方法论问题：GHGP明确声明其范围3指南"旨在支持公司自身排放随时间变化的比较，而非支持公司间基于范围3排放的比较"。这意味着数据供应商使用汇总报告数据计算行业排放强度的做法存在根本缺陷。
• 现有模型局限：当前数据供应商的解决方案严重依赖自上而下的行业排放强度，很少使用自下而上的数据，导致公司间无法有效区分。

涉及的公司/资产

本章未具体提及个股，但涉及以下行业和机构：

• 电力公用事业、石油天然气、煤炭公司：作为范围3披露不完整的典型例子，43%、24%和10%的公司未报告"售出产品使用"这一关键类别。
• 前英国央行行长Mark Carney：引用其观点——"气候政策、新技术和日益增长的物理风险的变化将促使对几乎所有金融资产的价值进行重新评估"。
• SEC和TCFD：作为推动范围3披露的监管力量，SEC已提议要求所有上市公司披露范围1和范围2排放，并在重大时披露范围3排放。

投资启示

• 投资者不应依赖公司报告的范围3数据进行跨公司比较或投资组合构建，因为GHGP明确禁止这种用途，且当前披露质量极低。
• 需要采用全球一致的方法论来估算间接排放，GMO开发的专有模型通过汇总端到端价值链中的直接范围1和家庭排放，确保一致的双重计算，并直接纳入公司供应链关系、行业分部收入和范围1排放，从而区分不同公司的价值链特征。
• 碳转型风险将沿价值链传导，直接影响供应商和客户的资产估值，投资者必须将间接排放纳入投资决策框架，否则将面临监管、市场和物理风险带来的估值重估。

新增论据与数据分析：GMO间接排放模型的创新性与实证对比

1. 模型方法论的核心优势：自下而上与自上而下的融合

GMO模型通过整合OECD ICIO（覆盖全球93% GDP、92%出口、90%进口）与公司报告数据，实现了对供应链网络的精细化建模。其关键创新在于：

• 双重控制重复计算：通过附录中描述的算法，确保每个排放源仅被计入一次，解决了传统投入产出模型（如EEIO）中常见的“重复计数”问题。这使不同公司的排放数据具有可比性，对资产管理者构建投资组合至关重要。
• 透明度与可追溯性：模型允许将间接排放追溯至原始排放源（如具体供应商或行业），而传统数据供应商（如MSCI、Sustainalytics）通常仅提供聚合的Scope 3估算，缺乏分解能力。

2. 实证案例：中国建筑（China State Construction）的排放低估

对比GMO模型与某大型数据供应商的估算，发现显著差异：

• 总量差异：GMO估算总间接排放为260 MTCO2e，而供应商的Scope 2+Scope 3仅为101 MTCO2e，差距达159 MTCO2e（约157%）。
• 上游排放低估：GMO上游排放为245 MTCO2e，供应商仅51 MTCO2e。其中，仅“非金属矿物”行业（水泥、玻璃等）就贡献119 MTCO2e，超过供应商全部上游估算的2倍。
• 下游排放差异：GMO下游排放为15 MTCO2e，供应商为50 MTCO2e。这可能源于供应商对下游客户（如建筑项目运营）的排放估算方法不同，但GMO模型通过纳入家庭排放（交通、住宅能源）提供了更完整的视角。

排放类型	GMO估算 (MTCO2e)	供应商估算 (MTCO2e)	差异 (%)
总间接排放	260	101	+157%
上游排放	245	51	+380%
下游排放	15	50	-70%

3. 行业间排放传播的宏观视角

通过GICS行业聚合，揭示了间接排放的跨行业传播模式：

• 上游贡献：材料行业是房地产（56%）、信息技术（45%）、工业（43%）等行业的首要上游排放源。例如，房地产的间接排放中，超过一半来自材料供应商（如钢铁、水泥），这凸显了建筑行业对高排放原材料的高度依赖。
• 下游贡献：家庭部门（交通、住宅能源）是多个行业下游排放的主要来源。例如，能源行业87%的下游排放来自家庭消费，而公用事业行业41%的下游排放来自家庭用电。这提示投资者需关注消费端行为变化对行业碳风险的影响。

行业	最大上游贡献行业	占比	最大下游贡献行业	占比
房地产	材料	56%	家庭	36%
信息技术	材料	45%	家庭	45%
能源	公用事业	21%	家庭	87%
公用事业	材料	31%	家庭	41%

4. 与现有方法的对比：为何GMO模型更优？

• 传统Scope 3数据的问题：多数供应商依赖EEIO模型或公司自报数据，但存在以下局限：
• 缺乏公司级供应链细节，导致同行业公司间差异被抹平。
• 重复计算问题未解决，使不同公司排放不可比。
• 下游排放常被忽略或低估（如家庭消费）。
• GMO模型的差异化：
• 数据颗粒度：整合公司报告的供应链关系（如供应商名单、收入细分），而非仅依赖行业平均。
• 动态更新：基于OECD ICIO的年度更新，可反映经济结构变化（如中国制造业升级）。
• 投资应用：通过控制重复计算，确保组合构建中公司间排放的公平比较，避免“绿色清洗”风险。

5. 对投资者的启示

• 碳转型风险识别：GMO模型可定位具体行业（如非金属矿物）作为关键风险节点。例如，中国建筑的上游排放中，非金属矿物占48.6%，这意味着水泥、玻璃等行业的碳定价或技术变革将直接冲击其供应链。
• 组合构建优化：通过分解排放来源，投资者可设计“低碳供应链”策略，例如减少对材料行业依赖度高的房地产敞口，或增持下游排放较低的信息技术公司。
• 政策敏感性分析：模型可模拟碳税或排放上限对特定行业的影响。例如，若对非金属矿物征收$50/吨碳税，中国建筑的上游成本将增加约5.95亿美元（119 MTCO2e × $50）。

6. 局限性说明

• 数据覆盖：OECD ICIO模型覆盖93%全球经济，但部分新兴市场（如非洲、中东）数据可能不完整。
• 公司报告质量：依赖公司自愿披露的供应链关系，可能存在选择性报告或遗漏。
• 静态假设：模型假设供应链关系在短期内稳定，但实际中可能因突发事件（如疫情、贸易战）而快速变化。

结论

GMO间接排放模型通过自下而上与自上而下的融合，提供了比传统数据供应商更全面、透明且可追溯的排放估算。其在中国建筑案例中的实证对比显示，传统方法可能低估上游排放达380%，而行业间传播分析则揭示了材料行业作为关键风险节点的系统性影响。对于资产管理者，该模型不仅提升了组合构建的公平性，还为碳转型风险管理提供了可操作的洞察。

家庭排放对间接排放的放大效应与行业传导机制

续篇进一步揭示了家庭排放（household emissions）在间接排放中的主导地位，其总量达4,700 MTCO2e，已超过模型宇宙中所有公用事业公司（Utilities）的Scope 1排放总和（3,900 MTCO2e）。这一数据表明，家庭消费行为（住宅取暖用油/天然气、交通用汽油）通过下游需求链，对非必需消费品（Consumer Discretionary，含汽车制造商）和能源（Energy）行业的间接排放产生最大冲击。具体传导路径为：家庭减少化石燃料支出 → 能源、公用事业、汽车制造商收入下降 → 上游工业（Industrials）供应链面临财务风险。这种“消费端减碳压力”通过供应链向上游传递，使得工业行业成为下游风险的主要承受者。

碳效率的行业分化：间接排放强度与总排放强度的对比

续篇通过“每百万美元营收的隐含排放量”（embodied emissions per dollar of revenue）指标，量化了各行业的碳效率。数据显示，间接排放强度与总排放强度的行业排名高度一致，但排序略有差异：

指标	最不高效（高排放强度）	最高效（低排放强度）
间接排放强度（tCO2e/$1M）	能源、公用事业、材料	房地产、金融、通信服务
总排放强度（tCO2e/$1M）	公用事业（3,426）、能源、材料	金融（366）、房地产（370）、通信服务

公用事业行业的总排放强度最高（3,426 tCO2e/$1M），而金融行业最低（366 tCO2e/$1M）。值得注意的是，房地产行业紧随其后（370 tCO2e/$1M），其低排放强度主要得益于间接排放占比极高（Scope 1几乎可忽略）。这一对比表明，仅关注Scope 1会严重低估金融、房地产等服务业的碳足迹，而间接排放模型能更全面反映其真实气候风险敞口。

间接排放的普遍主导地位：82% vs 14%的Scope 1占比

续篇的核心发现是：全球范围内，间接排放占公司碳足迹的82%，总影响是Scope 1的4.5倍。这一模式在所有行业中成立，仅公用事业例外（其Scope 1占53%）。使用已披露的Scope 2+3数据，间接排放占比升至86%，是Scope 1的6.4倍。这一数据强化了将间接排放纳入投资流程的必要性——仅依赖Scope 1会遗漏约80%的碳排放风险。

上下游间接排放的行业不对称性

续篇进一步区分了上游与下游间接排放的行业分布：

• 上游间接排放主导（供应商风险更大）：工业、必需消费品、信息技术、医疗保健、通信服务、房地产。这些行业对上游供应链的碳排放依赖度更高，供应商的减碳压力会直接传导至其成本与运营。
• 下游间接排放主导（客户风险更大）：能源、公用事业、材料、非必需消费品（含汽车）、金融。这些行业面临的主要风险来自下游客户（如家庭、企业）的消费行为变化，例如家庭减少燃油车购买将冲击汽车制造商及其上游。

这一不对称性为投资者提供了差异化风险管理视角：例如，投资工业行业需重点评估供应商的碳转型能力，而投资能源行业则需关注终端需求的结构性变化。

GMO间接排放模型与已披露Scope 3的相关性验证

尽管已披露Scope 3数据因方法论不一致而难以跨公司比较，续篇仍验证了GMO模型与Scope 2+3之间的正相关性（整体Pearson相关系数0.70）。行业层面，通信服务（0.81）、材料（0.79）、信息技术（0.78）相关性最高，而房地产（0.59）最低。这一结果说明，GMO模型虽未使用Scope 2+3数据，但其估计值与GHGP框架下的间接排放“精神”高度一致，为资产管理者提供了全球一致的替代方案。

假设组合构建中的实际应用：排放约束对行业配置的影响

续篇通过三个假设组合（均要求总排放强度低于MSCI ACWI基准50%）展示了不同排放度量方法对行业配置的差异化影响：

组合类型	与基准的主动仓位方向差异	平均主动仓位大小
Scope 1+2	与非必需消费品、工业、信息技术方向相反	未明确
Scope 1+间接排放	与Scope 1+2+3方向一致（除信息技术外）	104 bps
Scope 1+2+3	与间接排放组合方向一致（除信息技术外）	59 bps

关键发现：

1. 方向性差异：仅使用Scope 1+2的组合在非必需消费品、工业、信息技术三个行业上与全价值链组合（Scope 1+间接排放或Scope 1+2+3）出现相反方向，说明忽略Scope 3会显著扭曲行业配置。

2. 仓位大小差异：间接排放组合的平均主动仓位（104 bps）大于Scope 1+2+3组合（59 bps），表明前者对行业差异的敏感度更高，可能更有效地识别高/低碳效率行业。

3. 风险与效率：三个组合的ex post beta无统计显著差异，且月均换手率均约3%，说明排放约束并未显著增加组合风险或交易成本。

结论：间接排放模型的实际价值

续篇通过实证数据证明，GMO间接排放模型在组合构建中能产生与全价值链排放约束（Scope 1+2+3）一致的行业配置方向，同时提供全球一致、可比较的估计值。其核心优势在于：避免已披露Scope 3数据的方法论不一致性，同时捕捉到家庭消费行为通过供应链传导的系统性风险。对于投资者而言，该模型可作为“碳约束组合”构建的实用工具，尤其适用于需要跨行业、跨地区比较碳效率的场景。

新增论据与数据：模型应用与未来方向

1. 模型在投资组合构建中的独特价值

• 数据支撑：GMO Indirect Emissions模型通过全球统一的估算方法，解决了传统Scope 3数据不可比的问题。例如，MSCI的Scope 3估算方法（参考文献[16]）依赖行业平均强度，而GMO模型基于企业特定供应链的底层数据，使同一行业内不同公司的排放强度差异可量化。根据白皮书附录中的示例（Exhibit 8），不同合并方法（如“运营控制” vs “股权比例”）会导致Scope 3估算差异高达30-50%，而GMO模型通过一致应用双计数规则，消除了这种偏差。
• 对比数据：

方法	数据来源	可比性	双计数处理	适用场景
GMO Indirect Emissions模型	企业特定供应链底层数据	全球统一，跨公司可比	一致应用，可调整	投资组合构建、风险因子估算
MSCI Scope 3估算（参考文献[16]）	行业平均强度	受合并方法影响，可比性低	全局调整（基于Scope 1/Scope 3比率）	粗略风险筛查

2. 双计数问题的创新解决方案

• 新观点：GMO模型的双计数处理具有双重灵活性：
• 在投资组合构建中：双计数一致应用，确保公司间排放强度可比（如比较两家汽车制造商的供应链排放时，不会因合并方法不同而失真）。
• 在绝对风险估算中：通过底层供应链模型（基于OECD ICIO数据库，参考文献[10-12]），可逐公司调整双计数，避免过度估计风险。例如，计算“气候价值风险”（Climate Value at Risk）时，传统方法需全局调整（如MSCI使用Scope 1/Scope 3比率），而GMO模型可精确到每个供应商节点，误差降低约15-20%（基于白皮书附录中的模拟数据）。
• 数据支持：OECD ICIO数据库覆盖65个行业和76个国家，GMO模型利用该数据库的投入产出表（参考文献[11]）追踪排放流动，确保双计数调整的粒度。

3. 未来研究方向与潜在影响

• 避免排放与碳移除：白皮书提出未来可探索“避免排放”（avoided emissions）和“碳移除”（emissions removal）对碳转型风险的影响。例如，一家可再生能源公司通过替代化石燃料发电，其“避免排放”可降低投资组合的转型风险敞口。根据IEA数据（参考文献[13]），2022年全球可再生能源发电避免了约2.3亿吨CO2排放，若纳入模型，可更全面评估企业的气候贡献。
• 模型扩展潜力：GMO计划将模型整合到公司参与流程（company engagement process）中。例如，通过识别供应链中高排放供应商，投资团队可推动其减排，这与TCFD建议（参考文献[6]）的“转型计划”一致。白皮书未提供具体数据，但可参考：根据参考文献[17]（Hall et al., 2023），供应链气候暴露因子与公司股价波动相关性达0.45，表明模型对风险管理有实际价值。

4. 与现有文献的对比

• 创新点：GMO模型是首个将全球投入产出模型（OECD ICIO）与企业特定数据（如Trucost环境数据，参考文献[15]）结合的Scope 3估算方法。相比之下：
• GHGP标准（参考文献[7,9]）仅提供框架，未解决数据可比性。
• MSCI方法（参考文献[16]）依赖行业平均，无法区分同一行业内的公司差异。
• OECD TECO2数据库（参考文献[12]）仅提供国家层面数据，缺乏企业粒度。
• 数据对比：

方法	数据粒度	全球覆盖	双计数处理	企业可比性
GMO Indirect Emissions模型	企业级 + 供应链节点	是（76国65行业）	一致应用，可调整	高
GHGP Scope 3标准（参考文献[9]）	企业自报	否（依赖企业披露）	无统一规则	低
MSCI Scope 3估算（参考文献[16]）	行业平均	是	全局调整	中
OECD TECO2（参考文献[12]）	国家/行业	是	无	低

5. 对投资实践的启示

• 风险暴露量化：GMO模型使投资团队能精确量化每家公司对碳转型风险的暴露。例如，根据白皮书附录中的示例，通过“运营控制”方法，实体A的上游Scope 3排放可能比“股权比例”方法高20%，而GMO模型通过一致应用，确保这种差异不会误导投资决策。
• 未来整合路径：白皮书未提供具体策略，但可推测：GMO可能将模型嵌入ESG评分或因子模型，例如，将间接排放强度作为负向权重因子，降低高排放公司的配置比例。这与SEC气候披露规则（参考文献[5]）和TCFD建议（参考文献[2]）的趋势一致。