金沙国际ESG的工作分成几个明确的处理环节，而不是把数据直接堆成一张排行榜。
汇总企业披露、监管记录与公开信息，标注来源与年份。
统一单位、边界与口径，让不同企业的数字可以放在同一列。
把ISSB、ESRS等不同披露框架的指标对照映射。
在确认行业、年份、口径一致的前提下再做企业对比。
按行业建立基准，避免跨行业机械排名。
拆分Scope 1/2/3与碳强度，区分披露与估算数据。
多级供应商风险画像与优先尽调排序。
董事会、审计、股权结构等治理指标交叉核验。
结合行业与国家背景的员工安全与人权数据。
评分同时展示加减分依据与置信度，不只给数字。
评估披露的完整度与可验证性，而不只是篇幅。
每个结构化数字都能回溯到原始文档与页码。
持续追踪争议事件状态变化与严重程度。
两个20%放在一起看起来是同一件事，但只要往下拆一层分母，很可能就不是同一个东西。企业A、企业B、企业C、企业D在同一个财年都对外宣称"碳排放同比下降20%"，如果不追问四个问题——测的是什么范围、和哪一年比、降的是绝对量还是强度、口径中间有没有发生业务变化——这四个20%其实可以来自四种完全不同的真实情况，甚至互相矛盾。
企业A的情况最接近字面意思：同一套生产设施、同一个Reporting Boundary（报告边界），Scope 1加Scope 2的Absolute Emission（绝对排放）确实比Base Year（基准年）下降了20%，靠的是设备能效改造和电力结构调整。企业B的20%来自Emission Intensity（碳排放强度，通常按收入、产量或单位能耗折算），绝对排放量在同一时间段里其实是上升的，只是营收增长得更快，强度指标被摊薄了下去。这两个20%如果被简单并排放进同一张对比表，会得出企业B减排力度和企业A相当的结论，但从绝对排放的角度看两者方向完全相反。
企业C的20%和并购剥离有关：它在基准年之后卖掉了一个高排放的业务板块，剩余业务的排放总量自然下降，如果对标平台没有对基准年做同口径重新核算（即剥离前后用同一组资产重新计算基准年排放），这20%里有多少来自真实减排、有多少来自资产结构变化，是分不清的。企业D的20%则来自Scope Coverage（核算范围）的变化——上一年只披露了Scope 1，这一年开始把部分Scope 2也纳入统计，分母口径变了，同比数字自然会跳动，这和实际排放行为的改善没有必然关系。四个案例说明，脱离口径谈百分比，本身就是一种误导。
把这类数据放进跨国比较会更复杂。不同司法辖区对披露范围和核算方法的要求并不统一：截至2026年4月，全球已有28个辖区正式采用ISSB准则，另有约12个辖区计划采用，日本、澳大利亚、新加坡、中国香港、韩国、加拿大、英国、巴西、马来西亚、新西兰、南非等主要市场的采用节奏和强制程度也各不相同。这意味着同一份跨国对比报告里，一部分企业的排放数据是按强制准则核算并经过审计的，另一部分企业可能仍然是自愿披露、方法学选择空间更大——这种差异如果不在平台上标注出来，用户很容易把"披露质量不同"误读成"排放表现不同"。
平台处理这类问题的思路，是把每一条排放数据都当作需要走完一条流程才能进入对比的原始输入，而不是直接拿披露文件里的数字做排序。第一步是把原始数据和它的Source Document、Page、Table对应上，确认这是Reported数据还是经过换算的Calculated数据；第二步做边界核查，确认Reporting Boundary覆盖的资产范围，标记出基准年之后发生的并购或剥离；第三步统一单位换算，把不同企业用的计量口径折算到同一套单位上；第四步做框架映射，把企业各自采用的披露框架对应到平台自己的统一指标结构上；第五步做年份对齐，避免把不同财年的数据错误地放在同一栏比较；第六步引入行业背景，同一个强度指标在钢铁行业和在软件行业的正常区间完全不同；最后才生成一个可以真正拿来比较的Comparable Metric（可比指标）。这条链路里任何一步被跳过，前面的数字看起来再漂亮，也经不起对比。
需要说清楚的是，这套流程能解决口径不一致的问题，但解决不了披露不完整的问题。如果企业D根本没有披露基准年的Scope 2数据，平台不会把缺口填成0或者按行业平均值直接顶上去当作Reported数字——那是Missing，只能标注为缺失或者在Confidence（置信度）里降级处理，而不能假装它不影响可比性。这也是为什么同样两个"20%"，在展开口径之后，用户可能会发现真正值得关注的减排幅度，其实小于、甚至反于数字本身给出的第一印象。
某电子产品制造企业过去三年把自有工厂的Scope 1和Scope 2排放压低了不少，节能改造、屋顶光伏、采购绿电都做了，Absolute Emission曲线看起来很陡。但如果平台的风险评级仍然把它标成气候风险偏高，很多人第一反应是模型出错了。真实原因通常是：这家企业的排放结构里，工厂自身的直接排放和外购能源排放只占很小一部分，绝大多数排放发生在它自己看不见、也管不到的地方——供应链上游的原材料生产、零部件加工、跨境运输，也就是Scope 3。
Scope 1、Scope 2、Scope 3三者的关系并不是简单的"由内到外"排序，而是覆盖范围和数据可得性完全不同的三类东西。Scope 1是企业自己燃烧燃料、运行设备产生的直接排放；Scope 2是外购电力、蒸汽、热力、冷力对应的间接排放，两者都发生在企业自己的运营边界内，相对容易测量和核实。Scope 3则覆盖企业运营边界之外的整条价值链，包括Purchased Goods（采购商品和服务）、上下游Transportation（运输）、数千家一级和二级Supplier（供应商）的生产过程，往下还包括产品在客户手里使用阶段的排放、报废回收阶段的排放。对制造业、零售业这类采购密集型行业，Scope 3往往比Scope 1加Scope 2大出一个数量级，这也是为什么工厂端的改善再明显，也未必能把整体气候风险往下拉。
问题不只是范围大，还在于Value Chain（价值链）里的数据质量参差不齐，而这一点经常被忽略。同一家企业披露的Scope 3数字，实际上是四种可信度完全不同的数据混在一起：一部分是供应商自己核算并披露的Reported数据；一部分是企业根据供应商提供的活动数据、按照公开排放因子推算出来的Calculated数据；一部分连供应商的活动数据都拿不到，只能按行业平均值或者同类企业情况反推的Estimated（估算）数据；还有相当一部分供应商——尤其是二级、三级供应商——根本没有任何数据回传，这部分是Missing，不能因为拿不到就当作零排放处理，也不能直接拿行业平均值悄悄补齐再当作企业自己的披露数字对外呈现。把这四类数据不加区分地汇总成一个总数，等于把一个审计过的数字和一个大致猜测的数字放在了同一个可信等级上，这本身就是一种误导。
不同行业、不同地区的供应链结构还会放大这种差异。一家总部在欧洲、供应商主要分布在东南亚和南亚的服装企业，和一家供应链集中在本国境内的重型制造企业，Scope 3的数据可得性完全不是一个量级——前者要跨多个司法辖区去核实供应商的活动数据和当地的排放因子，很多二三级供应商本身还没有能力做碳核算；后者的核算体系和监管要求相对统一，数据回收率通常更高。跨国比较如果不把这种结构性差异标出来，很容易把"供应链数据难拿到"误读成"供应链排放管理得不好"，反过来也可能把"披露基础设施更完善"误读成"实际排放表现更优"。
平台在处理Scope 3数据时，做的第一件事是给每一条数据标出它的状态——Reported、Calculated、Estimated还是Missing，而不是先汇总再补一句来源说明；第二步是按供应商层级和数据来源分别计算Confidence，估算数据占比越高的板块，整体置信度评级越低，高置信度的结论只能建立在Reported或者有清晰活动数据支撑的Calculated数据之上；第三步是在风险判断里单独展示"数据缺口本身"这个维度，让用户看到多少比例的供应链排放目前处于无法核实的状态，而不是把这部分悄悄折算进一个笼统的总量里。
这类模型的边界也需要说清楚：它能提示风险可能集中在哪一层供应商、提示数据缺口有多大、提示哪些行业的Scope 3结构性偏高，但不能替代对具体供应商的实地审计，估算数据终究不能被当成经过审计的披露数据来使用。一家企业工厂端的Scope 1、Scope 2数字再干净，只要它的Scope 3里Estimated和Missing占比仍然很高，风险等级维持在偏高水平，反映的不是模型忽视了工厂端的努力，而是数千家供应商里到底发生了什么，目前这套数据体系本来就还看不清楚。
某跨国零售企业同一财年在两个国际ESG数据平台上分别拿到82分和61分，21分的落差经常被用户直接解读成"肯定有一家算错了"。但把两份评分报告拆开放在一起看，往往会发现两家平台根本不是在回答同一个问题：它们用的Scoring Method（评分方法）不同，各分项的Weight（权重）不同，对这家企业所在行业的Sector Materiality（行业重要性）判断不同，用来打分的Data Source（数据来源）不同，对同一批Missing Data（缺失数据）的处理方式也不同——21分的差距，很可能不是算错了，而是两套完全不同的方法学各自算对了。
一个可比的评分应该能被拆解，而不是只给一个总分。以这家零售企业为例，评分内部大致会经过这样一层层结构：Environmental维度下面再拆成Climate（气候）、Energy（能源）、Water（水资源）、Nature（自然）几块；Social维度拆成Labor（劳工）、Safety（安全）、Human Rights（人权）、Supply Chain（供应链）；Governance维度拆成Board（董事会）、Audit（审计）、Ownership（股权结构）、Ethics（商业道德）。每一块先各自打出一个原始分，再乘以这家企业所在行业的Materiality Weight——零售行业的Supply Chain和Labor权重通常远高于Water权重，而对一家钢铁企业，Water和Climate的权重可能反过来更高。之后再叠加Controversy（争议事件）的扣分和Disclosure Quality（披露质量）的调整，才形成Final Score。这家零售企业82分和61分的差距，可能出在两家平台给Supply Chain这一项分配的权重相差一倍，也可能出在一家平台把某起尚在Investigation（调查中）阶段的争议事件按较高严重程度扣了分，另一家平台认为这起事件还没到Confirmed（已确认）阶段，暂时只做轻微扣分。
Data Source的差异同样会直接影响分数。一家平台可能主要依赖企业自己发布的可持续发展报告和监管备案文件，另一家平台会额外纳入媒体报道、NGO调查、诉讼记录、行业协会数据。覆盖面更广的一方，理论上信息更全，但也更容易把尚未核实的信息计入评分，这时候平台内部对信息来源的可信度分级就变得关键。另外，同样是遇到Missing Data，一种处理方式是把缺失项按行业平均水平填补后再打分，另一种处理方式是把缺失项本身作为扣分项、同时保留原始的Confidence标注——这两种Normalization（归一化）逻辑都说得通，但算出来的分数彼此没有可比性，混在一起比较等于拿两把刻度不同的尺子去量同一样东西。
跨国比较会让这种落差更明显。不同国家对董事会独立性、股权披露、争议事件披露的监管要求本身就不统一，一家总部在披露要求宽松地区、二级市场分布在披露要求严格地区的企业，两地子公司提交上来的原始数据完整度会有系统性差异，平台如果不对这种"制度性数据缺口"做说明，用户很容易把"当地监管要求低"误读成"公司治理确实差"，把两个本质上不同的问题混成了一个。
只显示一个"ESG SCORE：87"这样的总分，对判断本身没有太大帮助，因为看不出这个分是怎么来的。一个负责任的展示方式，至少要能回答几个问题：哪些分项是加分项、哪些是扣分项，各自加减了多少；哪些数据是企业披露的、哪些是估算出来的、哪些目前根本没有数据、缺失的部分有没有被悄悄当成零或者行业平均值处理；打分用的是哪一个Reporting Period（数据所属财年），评分发布日期和数据所属财年是不是同一年。做不到这几点，两个平台的分数差多少都没有意义——因为用户根本没办法判断，这个差距到底来自企业本身的表现，还是来自两套评分逻辑本身的差异，也没办法判断哪一边的82分或者61分更值得相信。
某新能源设备制造企业连续几年没有出现重大环保处罚，碳排放强度逐年下降，Environmental维度的分项表现相当亮眼，但如果平台把它的整体风险等级上调，很多人第一反应是"环境数据这么好，为什么风险还变高了"。答案通常不在Environmental这一栏，而在Governance（治理）这一栏：这家企业当季的Board Independence（董事会独立性）比例下降、Audit（审计委员会）成员出现关联方背景、一笔Related-party Transaction（关联交易）金额较大且披露信息不完整、Executive Compensation（高管薪酬）与长期ESG指标挂钩的比例很低。这几个信号本身和碳排放没有直接关系，但决定的是环境和社会层面已经做出的改善，能不能被持续、被真实执行下去。
这背后的逻辑是，Environmental和Social的数据反映的是企业过去一个财年做了什么，而Governance反映的是这家企业未来还能不能这样做下去、做出来的数字能不能被信任。董事会独立性不足、审计委员会缺乏真正独立的把关，意味着公司披露出来的环境数据本身可能缺少有效的内部监督；股权高度集中在少数关联方手里，意味着一旦短期财务压力和长期可持续投入发生冲突，治理结构能不能保证长期投入不被牺牲，是存疑的。碳排放数据可以在某一个财年做得很好看，但如果支撑这个结果的治理机制本身脆弱，这种表现能不能延续到下一个财年就要打折扣——这正是不少风险模型把Governance Controversy（治理类争议事件）看得比单一年份的环境数据更重的原因。
但治理类指标本身也不能被机械地套用统一标准去打分，这一点尤其容易被简化误读。董事会人数不是越大越好，一个规模过大的董事会反而可能导致决策效率下降、责任被稀释，人数偏少也不天然等于治理更好；独立董事比例同样不能脱离当地监管要求和股权结构单独判断——在法定强制要求独立董事占多数的市场，一家公司独立董事比例明显偏低是清楚的负面信号，但在家族企业或者国有股权占主导、当地公司法本身允许较低独立董事比例的市场，同样的数字含义并不一样，需要结合Shareholder Structure（股权结构）和所在司法辖区的公司治理规则一起判断，不能用同一条百分比阈值直接套用到所有市场。
跨国差异在治理维度上体现得尤其明显。一些市场采用单层董事会（one-tier board）结构，审计、薪酬等委员会都设在董事会内部；另一些市场采用双层治理结构，监事会和管理层分开设置，两种制度下"独立性"本身的衡量方式就不一样，直接套用同一套百分比阈值去做跨国比较，天然就会产生偏差。股权结构的差异更明显：一些市场以机构投资者分散持股为主，另一些市场家族或创始人集中控股的比例较高，后者在关联交易审查、高管薪酬决定机制上存在结构性更高的天然利益冲突风险，但这不等于治理水平天然更差，只是需要用不同的核查重点去看待。
处理这类判断时，模型不会把单一治理事件直接等同于"高风险"结论，而是把Board Independence、Audit独立性、Executive Compensation结构、Related-party Transaction披露完整度、Shareholder Structure集中度这几类指标放在一起看组合和变化趋势，同时标注每一项数据对应的Reporting Year，以及这项数据是否经过审计或者独立核实。这类判断的局限也需要说清楚：治理评估很大程度上依赖企业主动披露的信息完整度，一家治理机制本身有问题、同时披露又做得比较谨慎的企业，模型能捕捉到的往往只是已经被披露出来的那一部分信号；真正没有被披露出来的治理风险，属于Missing，不能因为看不到就当作不存在，更不能被模型直接判定为风险等于零。
如果一家做代码托管的软件企业和一家井下开采的矿业企业，年报里都写着"记录在案的工伤事故：3起"，这两个"3"在评分表里绝不是同一件事。软件企业的员工构成里，接触实体作业风险的岗位可能不到十分之一，3起工伤已经是一个偏高的信号；矿业企业哪怕安全管理水平在同行里靠前，井下作业的基础风险敞口也决定了3起可能反而低于行业均值。碳排放至少还有吨CO₂e这样一个物理单位可以换算，工伤记录、离职率、人权风险这些社会类指标从一开始就没有这样一把尺子——分子是同一种"事件数"，分母却因为岗位结构、行业性质完全不同，直接拿绝对数字排名，本质上是在比较两个不同的分数系统。
Workplace Safety 通常需要按岗位暴露时长折算成事故率，而不是看事故起数本身，但即便折算成事故率，也只能在同行业、相近作业类型之间做横向比较，跨行业对比这个数字仍然没有意义。Turnover（离职率）的问题类似：软件和零售这类行业结构性离职率本来就比制造业高，一家企业的离职率是否"异常"，要先看它所在行业和所在国家劳动力市场的基准区间，脱离这个背景单独看一个百分比，很容易把行业特征误判成管理问题。我们见过这样一个案例：某跨国零售企业在A国门店运营部门离职率是28%，在B国是9%，如果不核对分母（全职、兼职、小时工的占比是否一致）和当地零售业整体水平，很容易得出"B国管理更好"的结论；但A国零售业整体离职率长年在30%以上，这家企业在A国其实优于行业均值，B国零售业普遍是长期雇佣文化，行业均值本来就低，这家企业在B国反而低于当地同行。
Gender（性别）指标同样存在口径分裂：董事会性别比例、管理层性别比例、全员性别比例是三个不同的分母，不同市场的信息披露习惯又决定了企业往往只披露其中对自己有利的那一层。Human Rights（人权）和 Labor Practice（劳动实践）受本地法律环境的影响更直接——结社自由、集体谈判覆盖率在不同法域之间的差距可以是几倍甚至十几倍，一个在低集体谈判覆盖率国家里"合规"的企业，未必真的比高覆盖率国家里表现平平的企业风险更低，这是制度背景造成的，不是企业主动选择的结果。涉及人权的争议事件我们按 Allegation（指控）、Investigation（调查中）、Confirmed（已确认）、Penalty（处罚）、Resolved（已解决）分阶段记录，不会把一条尚处指控阶段的信息和已经被处罚确认的事件放在同一可信等级上处理。
Supplier Audit（供应商审计）覆盖率是另一个容易被简化误读的数字：覆盖率的分母到底是按供应商数量算，还是按采购金额占比算，结果可以差出一倍以上；一家披露"审计覆盖率90%"的企业，如果这90%只覆盖了采购金额占比不到一半的长尾供应商，实际风险敞口暴露程度和账面数字并不匹配。Local Regulation（当地法规）方面，最低工资、工时上限、用工形式的法定要求本身就存在巨大国别差异，用统一及格线去套用，只会制造虚假的可比性，比如某地法定最低标准放在另一个市场可能已经属于行业内偏高水平。
我们的处理方式是先按行业和地区建立基准区间，再把企业的原始分子分母一起保留展示，而不是只呈现折算后的单一分数；每个社会类指标都配一个 Confidence（高/中/低）标签，估算或基准数据占比越高，置信度越低；企业没有披露的指标，标记为 Missing，绝不当作0或"无风险"处理。但即便这样，全球统一分数依然做不到消除法域定义差异带来的残余误差，也处理不了员工自评满意度这类主观指标，遇到样本量太小、无法建立可靠地区基准的行业，我们只能给出 Low Confidence 的估算区间，而不是一个看起来精确、实际上没有依据的分数。
一个模型确实可以在几个小时内"读完"几千份ESG报告，把里面看起来像排放数据的数字都扒出来，这件事本身并不难。难的是：当用户在界面上点开某企业Scope 2排放这一栏，问"这个数字你是从哪儿来的"，平台答不出具体是哪份文件、第几页、哪张表里的哪一行，那这个数字的价值其实和网上随手搜到的一条转述没有本质区别。ESG数据要真正拿去做跨企业比较、拿去做风险模型的输入，"读得快"从来不是及格线，"每个数字能不能倒查回原始出处"才是。
我们内部把这套流程叫作数据溯源链条（Data Lineage），大致是这样走的：报告原文先进入文档解析环节，把PDF或者HTML拆解成可识别的文本块、表格结构；接着是指标抽取环节，模型在拆解后的内容里定位类似"Scope 1排放""用水总量"这样的字段和数值；抽取完不能直接入库，还要过一道单位核对——同一个指标，有的企业按吨CO₂e披露，有的按公吨、有的甚至在同一份报告里前后两处单位写法不一致，这一步专门处理这种不统一；核对完的每一条数据都要绑定来源引用（Source Document、Page、Table），记清楚它来自哪份报告、第几页、哪张表；最后进入人工复核环节，由人核对模型抽取和引用是否准确，确认无误才会写入结构化ESG数据库。这七步里，任何一步跳过，数据链条就断了，后面用户看到的"数字"和"出处"之间就对不上。
这里最容易出问题的一类案例，是同一份报告里出现结构相似的两张表：一张是本年度数据，一张是用于同比的上一年度数据，模型如果只按表格位置抽取而不核对表头里的Reporting Year（数据所属财年），很容易把去年的数字当成今年的填进去。我们遇到过这样的情况：某企业报告正文按财年披露用水总量，附录里又放了一张按自然年口径统计的历史对照表，两张表数字接近但口径不同，如果抽取时不核对财年定义就直接取数，会把两种口径混在同一个时间序列里，做趋势分析时曲线看起来会出现不该有的跳变，而这个跳变其实不是企业用水情况变化，是口径切换造成的假信号。
比对表更麻烦的一种情况是重述（Restatement）：企业今年发布的报告里，把去年披露过的某个指标改了——可能是统计范围调整，可能是并购剥离导致 Reporting Boundary 变化，也可能单纯是上一年计算有误。这时候平台绝不能直接用新数字覆盖旧记录，因为覆盖掉的话，所有基于旧数字做过的历史分析和对比都会在用户毫不知情的情况下悄悄"变了"。正确的处理方式是把 Previous Value（原披露值）、Restated Value（重述后数值）、Restatement Date（重述发生日期）三者都完整保留，同时在数据链条上标注这次改动的依据来源，用户既能看到企业原来披露的数字，也能看到修正后的数字，还能看到这次修正是什么时候发生的，两者是并存关系，不是替换关系。
即便有了这一整套流程，AI辅助的抽取依然存在边界：报告里用图表而非文字表格呈现的数据、扫描件里字迹模糊的表格、以及企业在正文和附录用不同颜色区间标注但没有明确写出具体数值的图，都可能导致抽取置信度下降，这类情况我们会标注为需要人工复核而不是直接放行入库。审计轨迹（Audit Trail）记录的是每一条数据从抽取到入库、包括后续任何一次修正的完整操作历史，但它能保证的是"这条数据是怎么走到这里的"，保证不了原始报告本身披露内容的真实性——后者始终是企业自己的责任，平台做的是让每一步流转都可以被倒查，而不是替企业的披露内容背书。
某亚洲出口工厂，主营钢铁零部件加工，去年11月收到欧洲客户一封邮件，对方不再只问价格和交期，而是要求提供每一批产品的"隐含排放"（Embedded Emission）数据，而且明确说明如果拿不出可核实的实际数据，会按欧盟公布的默认值计算，成本会明显更高。对这家工厂来说，碳排数据第一次不再是ESG报告里的一个段落，而是直接进了报价单的成本结构。这不是个别客户的特殊要求，而是CBAM（欧盟碳边境调节机制）从过渡申报期走向定义性阶段之后，正在批量发生的事情。
CBAM的时间线值得说清楚，因为很多误解都出在这条线上：2026年1月1日之前是三年过渡申报期，进口商只需要申报排放数据，不涉及实际付费；2026年1月1日起进入定义性阶段（definitive regime），进口商开始承担与排放量挂钩的实际义务。目前CBAM覆盖的行业只有六个：水泥、钢铁、铝、化肥、电力、氢，不是"所有出口欧盟的产品"，这一点经常被误读为已经全行业覆盖。2025年12月，欧盟委员会通过了一揽子实施与授权法案，同时提出了一项修法提案，方向是把CBAM范围扩大到部分下游产品、并加入反规避措施——但截至目前这仍然是"提案"，还没有正式生效，写成"已经扩大到下游产品"是不准确的，准确的说法是"欧盟已经提出扩大范围的提案，尚在立法程序中"。至于实际花钱这一步，CBAM证书的正式销售计划在2027年2月1日通过统一中央平台启动，也就是说，2026年企业面对的更多是申报和数据准备的压力，真正的证书购买成本落地还要再晚一年。
回到那家钢铁零部件工厂：欧洲客户作为进口商（Importer），需要向欧盟申报产品的隐含排放数据，这个数据理论上应该来自供应链上游真实的产品级碳数据（Product Carbon），而不是笼统套用行业平均值。行业平均值当然可以用，但它属于欧盟框架下的默认值，通常比企业实测数据更保守，也就是说，如果供应商拿不出自己的实际数据，进口商大概率要按更高的默认值申报，成本随之上升。这就是为什么欧洲客户会主动向供应商索要供应商碳数据（Supplier Carbon Data）——不是客户突然关心环保，而是这组数字直接决定了进入欧盟市场（EU Market）这批货的碳成本（Carbon Cost）。我们见过反过来的情况：某企业的碳排数据在自身ESG报告里长期只是 Estimated（行业因子估算）状态，从未做到产品颗粒度的 Calculated 或 Reported，等到欧洲客户要具体产品线的实测数据时，企业才发现自己积累的碳排信息完全对不上这个需求的颗粒度，短时间内也补不出来，只能眼看订单按默认值计价，或者干脆流向能提供实测数据的同行。
这也是碳排数据正在经历的一次身份转换：过去它主要是ESG报告里用来对外沟通可持续表现的一个板块，现在在CBAM覆盖的六个行业里，它变成了直接影响跨境贸易实际成本的输入变量。平台层面，我们区分企业提供的碳排数据究竟处于哪个状态——是 Reported（企业自己核实披露）、Calculated（基于披露数据推算）还是 Estimated（行业因子估算），三者的可信等级不同，直接影响这条数据能不能被下游的进口商拿去做申报依据。我们也会按产品类别和目标市场敞口，标注一家企业在CBAM覆盖行业里对欧盟出口的实际暴露程度，帮助用户判断这家企业未来一两年成本结构可能受到多大影响。
但这套分析有明确边界：目前只能覆盖水泥、钢铁、铝、化肥、电力、氢这六个行业，其余行业即便有出口欧盟的业务，也不在CBAM当前范围内，不能因为一家企业属于CBAM覆盖行业的上下游就笼统认为它也受直接约束。对于那项扩大到下游产品并加入反规避措施的修法提案，我们只标注"提案阶段，尚未生效"，不会提前按已生效规则处理，也不会替企业预测这项提案最终会以什么具体条款通过，这部分不确定性应该原样呈现给用户，而不是替用户做主观判断。
一提到"自然风险"，很多人第一反应是种树、保护动物这类公益叙事，但这套逻辑放到ESG数据平台里是用不上的——平台真正要回答的问题是：这家企业的生产经营到底依赖自然界的什么资源，它的运营又反过来对自然造成了什么改变，这些改变会不会顺着供应链传导回来，变成实实在在的成本或者资产减值。碳排放算清楚之后，水、土地、生物多样性这些维度之所以被继续纳入追踪，是因为它们同样能被换算成对企业财务有意义的信号，只是换算路径比碳更绕一些。
拿一家依赖天然纤维原料的纺织企业举例：它的上游种植基地如果位于水资源紧张地区，这不只是一个环境议题，一旦当地因为干旱收紧取水许可，或者水价大幅上调，原料成本和供应稳定性会直接受影响；它的加工环节如果向周边水体排放污染物，超标处罚、停产整改这类后果也会体现在财务报表上。这就是为什么我们把这类分析套进LEAP框架来做：先是Locate（定位），确定企业的生产基地和主要供应商具体分布在哪些自然条件敏感的地区；然后是Evaluate（评估），核实这家企业在这些地区到底依赖自然界的哪些具体资源或生态系统服务，比如取水量、土地占用面积、是否临近生物多样性保护区；接下来是Assess（评价），把这些依赖和影响换算成财务上的风险敞口，判断哪些是短期内可能兑现的成本，哪些是中长期的资产层面风险；最后是Prepare（准备），看企业有没有针对这些风险给出应对方案，还是完全没有提及。这四步走完，才是一份能被平台采信的自然风险分析，而不是笼统写一句关注生态就算完成披露。
我们见过这样的误判案例：某跨国零售企业在ESG报告里只披露了自身门店和仓库的用水总量，这部分在其整体用水足迹里占比很小，如果平台只统计这类"自营运营"层面的数字，会得出"用水风险很低"的错误结论；这家企业真正的水风险敞口在供应链（Supply Chain）上游——它大量采购的农产品原料本身就来自缺水地区的种植基地，这部分依赖如果不纳入统计，风险评估相当于只看了冰山露出水面的一角。土地占用（Land Use）和生物多样性（Biodiversity）的评估也有类似的问题，企业自身厂区可能选址规范，但上游供应商的种植或采矿活动如果侵占了生态敏感区域，这个风险同样会顺着供应链传导回品牌方，而品牌方自己的报告里往往完全没有提及这部分。
这套分析框架目前正处在国际标准快速统一的阶段：截至2026年第一季度，全球已有超过730家企业正式承诺采用TNFD建议，覆盖市值约9万亿美元、资产管理规模约22万亿美元，公开发布的TNFD对标报告已经超过500份，加入TNFD Forum的机构超过1800家。TNFD计划在2026年第三季度完成当前阶段的技术指引工作，之后不再新增指引开发，转为配合ISSB的标准化进程；ISSB则计划在2026年第四季度前后就自然相关披露发布一份征求意见稿，这份文件会参考LEAP方法，但性质是对现有IFRS S1、S2准则的补充，不是另起一套新准则（ISSB Nature Research）。这个分工意味着企业未来在自然风险这块的披露要求，大概率会逐步收敛到一套统一口径下，而不是像现在这样各说各话、各用各的模板。
对平台而言，自然相关数据的局限性也需要说清楚：多数企业目前对水、土地、生物多样性的披露仍然停留在自身运营层面，供应链上游的自然依赖数据披露率很低，这部分我们大多只能标注为 Missing，而不是替企业估算一个看似完整实则没有依据的数字；即便是已经披露的部分，跨企业之间在统计边界和计量方法上的差异，也比碳排放数据大得多，横向比较时必须搭配 Confidence 标签一起看，不能只看最终呈现出来的那一个分数。
这几年不少企业的ESG报告从几十页涨到两三百页，指标从几十项涨到几百项。但把两家企业的能源强度指标摆在一起，经常发现分母不一样——一家按营业收入折算，一家按产量折算，还有一家干脆用的是能耗总量本身。三个数字都叫"能源强度"，实际互相没法比，硬凑成排名反而是在制造错误信息。
我们整理某跨国零售企业的历史披露时见过更具体的例子。它连续三年"供应商审计覆盖率"逐年上升，但看脚注会发现，第一年只统计一级供应商，第二年扩大到一级加二级，第三年又加入合资企业供应商。分子分母同时在变，不看脚注直接连成趋势线，会得出"管理持续改善"这样站不住脚的结论——这不是造假，是口径漂移，但对使用数据的人后果一样。
这也是为什么2026年欧盟这轮ESRS简化值得认真看，而不是简单理解成"要求变松了"。2026年2月24日欧盟理事会通过Omnibus指令，2月26日刊登于《欧盟官方公报》，3月18日生效。此前EFRAG已提交简化技术建议，核心是把第一套准则的强制数据点砍掉约61%，简化版从2027财年起适用，2026财年可自愿提前采用。数据点少了之后，留下的每一项反而更没理由含糊——只披露三分之一指标，如果这三分之一的口径都讲不清楚，可信度问题比数据点多时更突出。
不同市场处理方式也不统一。ISSB主导的IFRS S1、S2偏重财务重要性，欧盟ESRS简化后仍保留双重重要性框架，既看财务影响，也看企业对外部的影响。同一家企业在欧盟和亚洲同时挂牌，两边指标清单本身就不是同一份，把"指标总数"拿来跨市场比较，从起点上就是错的。
在金沙国际官网的处理逻辑里，我们不把指标数量当作评价披露质量的核心维度，而是给每项数据标注状态——Reported、Calculated、Estimated，并记录口径、报告期间和出处页码。企业没披露的指标，我们不会替它编估算值凑数，会显示为Missing而不是0，这不代表企业没有风险。平台能把口径讲清楚，替代不了企业本身该完成的披露。
Scope 3数字掉下来，第一反应容易是"减排做得不错"。但Scope 3覆盖采购商品、运输、供应商、客户使用到报废回收这么多间接环节，任何一环统计方式变了，总数都会跟着变，跟实际排放有没有下降是两回事。看到明显下降，稳妥的做法是先反着想：数字是真降了，还是算法变了。
我们处理过某钢铁企业的一组数据，年度间Scope 3下降了两成多，乍看是一条漂亮的曲线。往下拆才发现，它把采购环节的核算方法从"按采购金额乘行业平均排放因子"换成了"按主要供应商实际提交的产品级数据"，而当期恰好几家排放强度偏高的供应商没有及时提交，被暂时排除在统计范围外。方法更精细了，方向是对的，但统计范围同时缩小，下降幅度里有多少来自真实减排、多少来自覆盖率变化，报告并没有拆开说清楚。
需要核查的变化通常落在四类：Methodology Change，核算方法换了没有；Supplier Coverage，纳入统计的供应商范围有没有缩小；Emission Factor，排放因子表格是否更新版本；Business Structure，是否发生并购剥离、业务边界变了。这四类里任何一类单独变化，都可能让总量数字看起来在改善，跟有没有真正减排未必有关。
不同行业、不同地区对这几类变化的披露详细程度也不一样。像钢铁这类被欧盟CBAM覆盖的行业，进口商需要申报产品隐含排放，这要求真实连接供应商的产品级碳数据，而不是长期只靠行业平均值估算，这类企业近年在供应商数据颗粒度上调整较频繁；换到披露要求相对宽松的市场，同样调整可能完全不会在报告里说明。这也是跨国、跨行业比较Scope 3降幅风险更高的原因。
在金沙国际官网的处理逻辑里，遇到明显变化的Scope 3数据，我们会先核对企业是否注明方法调整，并用Previous Value、Restated Value、Restatement Date把新旧口径分开记录，不让新旧数字在同一条曲线上无声衔接。局限也要说清楚：企业没说明变化时，仅凭公开数字无法还原内部调整点，只能标注置信度下降，提示需要谨慎解读，不能替企业下"真实减排"的结论。
模型越复杂，一个总分背后压缩的信息就越多。投资者常见的场景是：某企业ESG总分环比掉了5分，报告里只写了一个数字，看不出是从治理维度扣的，还是从供应链维度扣的，也不知道是新出现了一起争议事件，还是某项关键指标突然变成了Missing。总分不会说话，模型如果不能拆开讲清楚扣分逻辑，这5分对投资决策没有实际意义。
我们见过一个典型的混淆案例。某亚洲出口工厂的社会责任子分数在一个季度内明显下滑，表面看像劳工问题恶化，拆开看才发现，真正驱动因素是一项安全生产指标此前一直靠Estimated数据撑着，这季度企业换了新披露模板，原来能间接推算出来的字段找不到对应数据了，于是从Estimated变成了Missing。模型对Missing的处理比对低分更保守，分数因此下降，但不代表工厂实际安全状况变差，只说明这项数据这季度不可见了。
争议事件处理也存在跨市场差异。同一起指控性事件，在英美法系市场可能很快进入正式调查程序，标记为Investigation，而监管节奏不同的市场，同样性质的事件可能长期停留在Allegation阶段，缺少后续官方进展。如果模型不区分Allegation、Investigation、Confirmed、Penalty这几个状态，直接按事件数量扣分，会让监管环境不同的企业得到不可比的结果，这是程序节奏的差异，不是企业行为的差异。
在金沙国际官网的处理逻辑里，每次分数变化都会拆解成可追溯的几块：Source，数据出自哪份报告的哪一页；Weight，这个维度在当前行业权重里占多少；Missing Data，是不是有字段从有数据变成了不可见；Controversy，若涉及争议事件，处于哪个状态，严重程度对应Scale、Duration、Legal Status里的哪一项。投资者看到的不只是"扣了5分"，而是这5分对应哪个字段、哪个来源、哪个权重。
这套拆解方式也有边界。它能告诉用户模型内部怎么算出这个分数，但不能替代对企业基本面的独立判断，也不能保证争议事件处于Allegation阶段时指控内容就是事实。可解释性解决的是"模型为什么这样打分"，不是"企业到底做没做错"，这是两件事。
关于金沙国际、国际ESG数据平台、碳排、供应链、治理、AI与App的常见问题解答。
金沙国际是上海金沙国际资讯ai大模型公司旗下的一个研究和产品方向，聚焦国际ESG数据的整理、跨境标准对照，以及基于AI的ESG评分与风险分析研究。它不是新闻聚合站，也不是简单的企业排行榜，核心工作是把不同市场、不同准则下的企业披露信息按统一口径重新组织，方便使用者做跨市场对照。实际使用时，可以把它理解成一个查ESG数据口径、而不是单纯查"谁排第一"的工具。
金沙国际官网是金沙国际这个方向目前对外呈现内容和研究成果的网站入口，用户可以在这里查看ESG数据观察文章、术语说明和平台的处理逻辑介绍，定位是国际ESG数据平台，不是新闻站也不是环保宣传站。使用时建议先看站内对数据状态（比如Reported、Estimated、Missing）的说明，再去看具体的企业或行业分析内容，理解口径以后再看数字会更准确。
金沙国际ESG指的是这个方向下针对环境（Environmental）、社会（Social）、治理（Governance）三大维度展开的数据整理与分析研究，包括碳排放、供应链、劳工权益、董事会结构等具体条目。工作重点不是简单打一个总分，而是把每个维度下面的子指标、数据来源和口径拆解清楚。用户想了解一家企业某个具体维度的情况时，可以顺着环境、社会、治理这三个大类往下找，而不是只看一个笼统的总评。
国际ESG数据平台是金沙国际对外的核心定位，意思是这个方向处理的数据不局限于单一市场，而是尝试把不同国家、不同准则体系（比如欧盟ESRS、国际ISSB准则）下的企业披露信息放在同一套字段结构里组织起来，方便跨市场对照。这类平台的价值主要体现在做跨国比较的场景，比如同时关注在欧洲和亚洲上市企业的用户，需要知道两边的披露要求本身就不一样，不能直接拿数字互相套用。
ESG是Environmental（环境）、Social（社会）、Governance（治理）三个英文单词首字母的缩写，是一套用来评估企业在财务表现之外，对环境、社会和公司治理方面表现的分析框架。环境维度常见的包括碳排放、能源和水资源使用；社会维度包括劳工权益、供应链管理、产品安全；治理维度包括董事会结构、审计安排、股权和商业道德。理解ESG时最容易踩的坑是把它当成一个单一分数看待，实际上三个维度的权重和具体指标在不同行业里差别很大，看报告时最好按维度拆开看，而不是只看一个总分。
ESG数据主要有三个来源：企业自己发布的可持续发展报告或年报里的披露内容（对应Reported数据）、根据这些披露数据换算出来的衍生指标（对应Calculated数据），以及在企业没有直接披露、但可以用行业模型或同类企业数据估算出的补充数值（对应Estimated数据）。还有一部分是公开的监管备案文件、交易所公告和媒体报道中的争议事件信息。使用数据时，建议先看清楚这项数字属于这三类里的哪一类，因为它们的可信等级不一样，不能混为一谈。
ESG评分是把企业在环境、社会、治理各维度的表现，按照一定权重和方法论汇总成的分数或等级，用来快速比较不同企业的相对表现。评分背后通常包含很多子指标，比如碳排放强度、供应商审计覆盖率、董事会独立性等，这些子指标先各自打分，再按行业权重汇总。使用评分时不建议只看最终的总分数字，更有参考价值的做法是往下拆到具体维度和子指标，看清楚这个分数是被哪些因素拉高或拉低的。
AI ESG评分是指用机器学习或大模型技术，处理大量非结构化的ESG披露文本、新闻和监管信息，辅助生成评分或识别风险信号的方法，通常用来补充人工整理覆盖不到的数据量和更新速度。它的价值在于处理速度和覆盖面，但也有明确局限——模型给出的判断需要能够追溯到具体的数据来源和字段，如果只给一个分数不给出处，这类结果在实际决策中参考价值有限。判断一个AI ESG评分是否可用，可以先看它有没有把评分依据拆开展示。
不同平台给同一家企业的ESG评分不一样，很常见，原因主要有几个：一是各平台用的底层指标体系不同，覆盖的子指标数量和种类不一样；二是行业权重设置不同，比如同样是治理维度，有的平台在金融行业权重更高；三是对Missing数据的处理方式不同，有平台会用估算值填补，有平台会直接扣分或不计分；四是数据更新时间点不同，导致同一年份用的原始披露版本不一样。实际使用时，与其纠结哪个平台的分数"更准"，不如去看两边评分模型各自的方法论说明，理解差异的来源。
对比两家企业的ESG表现，第一步要确认口径是否一致，包括数据年份是否同期、指标的分母是否一致（比如碳强度按收入还是按产量折算），以及企业规模和所属行业是否具备可比性。跨国对比时还要额外注意两家企业适用的披露准则是否相同，比如一家适用欧盟ESRS、一家适用ISSB准则，指标清单本身就不完全一样。比较稳妥的做法是先挑同行业、同规模、同一套准则下的企业做对比，再看具体子指标，而不是直接比较两个总分数字。
企业没有披露某项ESG指标，正确的处理方式是把这个字段标记为Missing，而不是当作0或者"没有风险"来处理，这是数据处理里非常容易出错的一点。缺失本身也是一种信息，可能说明企业内部还没有建立相应的统计能力，或者认为这项指标不重要没有主动披露，这两种情况都值得关注而不是忽略。实际使用时，如果看到一家企业某个维度大片是Missing，可以把它当作一个需要进一步核实的信号，而不是直接跳过这一项。
Reported是企业自己在报告中直接披露的数据，来源可以追溯到具体的报告页码和年份；Estimated是在企业没有直接披露的情况下，用行业平均值、同类企业数据或模型方法推算出来的数值，本质上是一种补充和推测。两者的可信等级不一样，Estimated数据通常伴随不确定性，不能和审计过的披露数据放在同一信任层级上使用。做决策时如果看到一项关键数据是Estimated，比较稳妥的做法是同时查一下它的置信度标注，而不是直接当作企业官方数字使用。
Scope 1指企业直接产生的温室气体排放，比如自有工厂燃烧燃料、公司车辆用油等直接排放源，是GHG Protocol框架里三个排放范围中口径最清楚的一类，因为排放源都在企业自己的运营边界内。相比Scope 2和Scope 3，Scope 1数据通常统计难度最低，跨企业对比的参考价值也相对更高。查看Scope 1数据时，仍然要留意企业的Reporting Boundary是否发生变化，比如并购或剥离资产会直接影响这个数字的可比性。
Scope 2指企业因为外购电力、蒸汽、热力或冷力而间接产生的排放，排放本身发生在发电厂等外部环节，但因为是企业消费产生的，所以计入企业的间接排放范围。Scope 2数据通常有两种核算口径，一种按电网平均排放因子计算，一种按企业实际采购的绿电合同计算，两种方法算出来的数字会有明显差异。对比不同企业的Scope 2数据时，需要先确认双方用的是哪一种核算方法，否则容易得出误导性的结论。
Scope 3指企业价值链上除Scope 1、Scope 2之外的其他间接排放，覆盖范围很广，包括采购商品和服务、运输物流、供应商生产环节、产品售出后客户使用阶段，以及产品报废回收等环节。因为涉及企业边界之外的大量参与方，Scope 3通常是三个范围里数据量最大、也最难核实的一类。使用Scope 3数据时，建议优先关注企业有没有说明具体覆盖了哪些细分类别，覆盖范围不同，数字的完整性和可比性也不同。
Scope 3难统计的核心原因是数据来源分散在企业自身控制范围之外，需要依赖供应商、物流商、下游客户主动提供数据，而这些参与方的披露能力和意愿参差不齐，很多环节只能靠行业平均排放因子估算。另外，统计方法本身也在不断更新，企业换一种核算方法、扩大或缩小供应商覆盖范围，都会让总量数字发生变化，这种变化未必代表实际排放真的增加或减少。看到Scope 3数据出现明显波动时，比较稳妥的做法是先查企业有没有说明核算方法或统计范围的调整，再判断这个变化是否反映真实情况。
碳强度（Emission Intensity）是把企业的绝对排放量（Absolute Emission）按某个业务指标标准化以后得到的数值，常见的标准化方式包括按营业收入折算、按产量折算，或按能耗总量折算，用来让不同规模的企业之间具备可比性。需要注意的是，不同企业选用的标准化分母可能不一样，两个都叫"碳强度"的数字实际口径可能完全不同，直接放在一起比较容易得出错误结论。查看碳强度数据时，第一步应该先确认分母是什么，再决定这组数字能不能拿来跨企业对比。
判断一家企业是否真的在减排，不能只看总排放量或强度数字的单一年份变化，需要往下看几层：一是基准年（Base Year）有没有发生调整，二是核算方法或供应商覆盖范围是否变化，三是有没有发生并购剥离影响业务边界，四是下降的具体是绝对排放还是碳强度，这两者含义不一样。只有在口径没有变化的前提下，连续几年数据呈现下降趋势，才比较能支持"实际减排"这个判断，单一年份的漂亮数字本身说明不了太多问题。
CBAM是欧盟碳边境调节机制（Carbon Border Adjustment Mechanism），核心机制是进口商需要为进口产品申报"隐含排放"（embedded emission），这类数据要求尽量真实连接到供应商的产品级碳数据，而不是长期只靠行业平均值估算。目前CBAM覆盖水泥、钢铁、铝、化肥、电力、氢这6个行业，definitive regime自2026年1月1日起正式开始执行，此前有过三年的过渡申报期。关注这类企业的用户，需要重点看它的产品级碳数据颗粒度是否足够支撑这类申报要求。
2026年CBAM进入了definitive regime（定义性阶段），从1月1日起正式实施，此前的三年属于过渡申报期，性质不一样。2025年12月，欧盟委员会通过了一揽子实施与授权法案，同时提出了一项将CBAM范围扩大到部分下游产品、并引入反规避措施的修法提案，需要注意这仍然是提案阶段，还没有正式生效，不能理解成范围已经扩大。另外，CBAM证书正式销售定于2027年2月1日通过统一中央平台启动，这个时间点也值得相关企业提前关注。
供应链ESG指的是把企业ESG风险的关注范围，从企业自身运营延伸到上游供应商和下游客户环节，常见关注点包括供应商的劳工权益、安全生产、环境合规，以及供应商层级的碳排放数据是否可获取。供应链环节往往是企业Scope 3排放和社会责任风险最集中的部分，也是数据最难核实的部分，因为很多供应商本身没有独立披露的能力或义务。分析供应链ESG时，比较实用的做法是先看企业披露了多大比例的供应商覆盖率，而不是只看有没有一条笼统的管理表态。
分析供应商ESG，实用的角度包括几个方面：供应商审计覆盖率的统计口径是一级供应商还是延伸到二级、三级；审计结果是自我申报还是有第三方核实；发现问题后企业是终止合作还是要求整改，整改周期和跟进机制是什么。另外还要留意统计范围本身有没有随时间变化，比如某一年新增或减少了某类供应商的覆盖，会直接影响趋势判断。这些细节通常比一句笼统的"供应链管理良好"更能反映企业的实际管理水平。
公司治理（Governance）是ESG框架里的第三个维度，关注企业内部的决策和监督机制，常见子指标包括董事会独立性和多元化构成、审计委员会设置、股权结构是否集中、高管薪酬与业绩的挂钩方式，以及是否存在商业道德和反腐败方面的争议记录。治理数据相对环境和社会维度更容易标准化，但不同市场的公司法和监管要求差异较大，跨国比较时同样需要注意口径是否一致，比如董事会独立性的认定标准在不同市场就不完全相同。
社会责任数据对应ESG框架里的社会（Social）维度，常见子类别包括劳工权益（工资、工时、结社自由）、安全生产（工伤率、安全培训覆盖）、人权相关议题，以及前面提到的供应链管理表现。这部分数据的特点是量化难度比环境数据更高，很多指标依赖企业自我申报，第三方核实的比例和方式在不同企业之间差异很大。使用这类数据时，建议关注数据是否有第三方审验，以及企业有没有说明统计范围覆盖到哪些工厂或区域，而不只是集团层面的笼统数字。
ISSB是国际可持续准则理事会（International Sustainability Standards Board），负责制定IFRS S1和IFRS S2这两套全球性的可持续相关信息披露准则。截至2026年4月，全球已有28个司法辖区正式采用ISSB准则（自愿或强制），另有12个辖区计划采用，40多个辖区已决定在法律或监管框架中使用或引入，主要市场包括日本、澳大利亚、新加坡、中国香港、韩国、加拿大、英国、巴西、马来西亚、新西兰、南非等，各地采用节奏和强制程度并不统一。使用国际对比数据时，需要先确认相关企业所在市场是否已经采用ISSB准则，以及是自愿还是强制。
IFRS S1是ISSB制定的一般性可持续相关财务信息披露要求，规定企业应该如何披露对企业价值可能产生重大影响的可持续相关风险和机遇，是IFRS S1、S2这套准则体系里的基础框架部分，通常需要和聚焦气候议题的IFRS S2搭配使用。它的定位偏向财务重要性（Financial Materiality），关注这些议题如何影响企业自身的财务表现，这和欧盟ESRS采用的双重重要性框架在出发点上不完全一样。
IFRS S2是ISSB制定的气候相关信息披露要求，专门针对气候变化带来的风险和机遇，要求企业披露温室气体排放数据（包括Scope 1、Scope 2，以及在符合条件情况下的Scope 3）、气候相关的转型风险和实体风险，以及企业应对气候变化的策略和治理安排。它通常与IFRS S1一起使用，S1提供整体披露框架，S2聚焦在气候这一具体议题上展开细化要求。
ESRS是欧洲可持续报告准则（European Sustainability Reporting Standards），是欧盟CSRD指令项下企业需要遵循的具体披露标准，覆盖环境、社会、治理各领域的详细数据点。2026年这套准则经历了一轮简化：欧盟理事会于2026年2月24日通过Omnibus指令，2月26日刊登于《欧盟官方公报》，3月18日正式生效，此前EFRAG已提交简化技术建议，核心内容是将第一套准则的强制数据点减少约61%，简化版预计2026年年中前后正式采纳，从2027财年开始适用，2026财年可自愿提前采用。
CSRD是欧盟企业可持续报告指令（Corporate Sustainability Reporting Directive），规定哪些企业需要按照ESRS标准进行可持续信息披露。2026年Omnibus简化后，CSRD的适用范围明显收紧，主要适用于员工人数超过1000人且营业额超过4.5亿欧元的大型企业，适用企业数量大幅减少；原定的第二批、第三批企业报告时间表也相应推迟，多数企业要到2027财年（也就是2028年提交报告）才需要开始适用。
Double Materiality（双重重要性）是欧盟ESRS框架的核心分析方法，要求企业同时从两个方向评估重要性：一是Financial Materiality（财务重要性），看可持续相关议题会不会对企业自身的财务状况产生重大影响；二是Impact Materiality（影响重要性），看企业的经营活动会不会对外部环境和社会造成重大影响。这和ISSB的IFRS S1、S2更偏重财务重要性单一方向的思路不完全一样，所以同一家企业在欧盟和其他市场需要披露的指标范围本身就存在差异。
TNFD是自然相关财务信息披露工作组（Taskforce on Nature-related Financial Disclosures），推动企业披露与自然相关的风险、依赖和影响。截至2026年第一季度，全球已有超过730家企业正式承诺采用TNFD建议，合计代表约9万亿美元市值、22万亿美元资产管理规模，已有超过500份对标报告公开发布，超过1800家机构加入TNFD Forum。TNFD计划在2026年第三季度完成当前阶段的技术指引工作，之后暂停新增指引开发，转为配合ISSB的标准化进程。
Nature Risk（自然相关风险）不是简单理解成"种树"或"保护动物"这类活动，而是指企业经营对自然资源的依赖程度（比如水资源、原材料、生态系统服务）以及企业活动对自然造成的影响，这两方面的变化如何传导到企业的供应链成本和资产价值上。TNFD提出的LEAP方法（Locate定位、Evaluate评估、Assess评价、Prepare准备）是目前分析这类风险常用的框架路径，ISSB也计划在后续的自然相关披露增量指引里参考这套方法。
处理ESG争议事件，比较合理的方式是先看事件所处的状态阶段——是仅有指控（Allegation）、已进入正式调查（Investigation）、已经被确认（Confirmed），还是已经进入处罚（Penalty）或已解决（Resolved），不同阶段的可信度和严重程度不一样，不能一概而论直接扣同样的分数。除了状态阶段，还需要综合看事件的规模（Scale）、持续时间（Duration）、法律状态（Legal Status）、财务影响（Financial Impact）、对人的影响（Human Impact）和环境影响（Environmental Impact）这几个维度，才能比较全面地判断这起事件应该在评分里体现多大权重。
金沙国际AI是金沙国际这个方向下专门探索AI技术在ESG数据处理和分析中应用的部分，研究重点是如何用大模型辅助处理大量ESG披露文本、提升数据结构化整理的效率，同时让最终生成的评分或风险判断保持可解释、可追溯——也就是用户能看到一个结论具体来自哪份原始文件、对应哪个数据字段，而不是一个说不清楚原因的黑箱结果。
金沙国际大模型指的是上海金沙国际资讯ai大模型公司在金沙国际这个方向上，围绕大语言模型技术展开的ESG数据处理和分析研究工作，包括辅助识别披露文本中的关键数据点、协助做跨语言跨准则的信息对照，以及支撑评分结果的可解释性呈现。这部分目前的定位是研究和技术探索方向，具体的产品化细节会随官方发布节奏逐步公开。
金沙国际模型是对金沙国际AI相关研究工作的另一种说法，指这个方向里用于ESG数据处理和评分分析的模型能力，核心目标是辅助完成数据结构化、跨准则对照和风险信号识别这几类工作，并且要求最终结果能够追溯到具体的数据来源和统计口径，而不是只给一个不说明理由的分数。
目前金沙国际App还没有正式的下载链接、二维码或版本信息对外发布，处于筹备阶段。等官方客户端正式发布以后，会在金沙国际官网上提供正式的下载入口和使用说明，建议关注官网后续更新，不要通过来源不明的渠道下载任何声称是"金沙国际App"的安装包，以免遇到风险。
Android版本目前同样还没有正式上线，没有可用的下载链接或应用商店页面。等安卓端正式发布后，下载入口会在金沙国际官网统一公布，届时也会同步说明具体的版本和更新方式，目前如果在其他渠道看到所谓的安卓安装包，建议不要下载。
iOS版本目前也处于筹备阶段，还没有上架应用商店，也没有正式的版本号或评分信息可以参考。等iOS端正式发布后，相关下载入口和使用说明会通过金沙国际官网统一发布，建议以官网公布的信息为准，不要轻信其他渠道提供的所谓下载链接。
金沙国际是上海金沙国际资讯ai大模型公司旗下的研究方向，聚焦国际ESG数据的结构化整理与跨境标准对照。访问金沙国际官网，能看到这个方向目前对外呈现的核心定位——国际ESG数据平台，即把不同国家、不同准则体系下的企业披露信息，按统一字段口径重新组织，方便跨市场对照阅读，而不是简单转载企业公告或第三方新闻。
在具体研究内容上，金沙国际ESG方向覆盖环境、社会、治理三个维度的数据整理工作。金沙国际碳排相关的研究聚焦Scope 1、Scope 2、Scope 3排放数据的口径拆解，尝试把企业披露的绝对排放量和碳强度指标区分清楚，并标注数据究竟是企业直接披露、依据披露数据计算，还是基于行业模型估算。金沙国际供应链方向关注供应商层级的ESG信息如何被采集、核实和更新，金沙国际治理方向则梳理董事会结构、审计安排、股权与商业道德相关的披露条目，尝试厘清不同司法辖区对治理信息要求的差异。
金沙国际AI是这个方向里的方法论探索部分，研究重点是让基于大模型的ESG评分与风险分析结果保持可解释、可追溯，让用户能看到一个分数或结论具体来自哪份原始文件、哪一项数据字段，而不是一个黑箱结果。金沙国际App作为对外呈现渠道之一目前仍在筹备中，后续会随官方发布节奏逐步开放使用入口。
