Firm-Level Climate Change Exposure -- 论文阅读

Abstract

1. 我们开发了一种方法，该方法能够识别收益电话会议参与者对公司气候变化暴露的关注度。此方法采用了一种机器学习关键词发现算法，并捕捉与气候变化相关的机遇、物理和监管冲击所导致的暴露。这些衡量指标适用于2002年至2020年间来自34个国家的10,000多家公司。
2. 我们证明，这些衡量指标在预测与净零排放经济转型相关的重要实际结果方面是有用的，特别是颠覆性绿色技术中的就业创造和绿色专利活动，并且它们包含的信息已经在期权和股票市场中被定价。

Introduction

Question

气候变化将深刻影响商业运作的方式。科学家们已经开发出复杂的模型来估算温室气体排放对全球气候的影响。然而，关于气候变化如何影响就业、创新和资本市场中的风险分担的证据却很少。估计这些影响的一个关键挑战在于，测量单个公司受气候变化的影响是困难的（Giglio, Kelly, 和 Stroebel (2021)），因为这些效应是多方面的，并源自多个源头。例如，虽然物理上的气候变化和为应对全球变暖而实施的法规可能给一些公司带来成本，但气候变化也可能为其他公司提供机会，比如那些在可再生能源、电动汽车或能源储存领域运营的公司。

Contribution

• 在本文中，我们通过使用收益电话会议的记录来构建随时间变化的衡量指标，以显示全球范围内的电话参与者如何看待公司在不同方面的气候变化暴露，从而在这方面取得进展。
  • 为了构建气候变化暴露的衡量指标，我们基于最近的研究工作，该研究利用季度收益电话会议作为识别公司各种风险和机遇的来源（Hassan 等人 (2019, 2021, 2023a, 2023b)，Jamilov, Rey, 和 Tahoun (2021)）。这些研究使用收益电话会议期间与某一特定主题相关的对话比例来捕捉公司对该主题的暴露。我们遵循这些论文定义“暴露”为一个话题在会议记录中所占对话的比例。
• 我们的结果揭示了所有衡量指标内部行业中存在相当大的差异，这表明不同公司在气候变化面前受益或受损的程度不一。一个明显的例子是TotalEnergies与ExxonMobil之间的比较。尽管TotalEnergies和ExxonMobil在监管暴露方面相似，但TotalEnergies在测量的机会方面得分高出七倍多。这种对前景感知上的分歧与这些公司在其商业模式中接受可再生能源和净零转型的程度上的不同相一致（Pickl (2019)）。
• 我们发现气候暴露与碳排放量及Engle等人（2020，EGKLS）编制的公众气候变化关注指数之间存在正相关关系。这种与排放量的关联来自于监管和机会暴露（因为物理暴露与排放无关）。公众关注度的影响也来源于EGKLS指数与机会和监管暴露衡量指标之间的正相关关系。
• 我们将这些衡量指标应用于我们的样本公司，以阐明气候变化暴露的性质。或许令人惊讶的是，虽然气候变化通常被视为与全球物理气候变化相关的总体风险因素，但它在行业内产生的影响远非均匀。即使在同一行业内，气候变化的影响在公司之间也是异质的。这一结果与许多影响公司适应绿色经济能力的因素具有较大的公司层面成分的观点相一致（例如，管理技能、融资约束）。
• 我们将它应用于四个实际和金融市场结果。在前两个应用中，我们证明了气候变化暴露能够预测绿色技术招聘和绿色专利，这两者都是低碳转型的关键驱动力。具有较高测量气候变化暴露的公司在随后一年中在颠覆性绿色技术领域创造了更多的就业机会：气候变化暴露的标准差增加与下一年绿色就业岗位增加109%有关联。这一总体效应源自那些表现出更高测量机会和监管暴露的公司更多的就业创造。
• 对于绿色技术岗位创造的结果同样适用于绿色专利。气候变化暴露的标准差增加与下一年绿色专利数量增加72%有关联。再一次地，这一发现来自于那些拥有更高机会和监管暴露的公司。高暴露公司不仅仅是在各领域招募更多员工；它们也并非普遍更具有创新性。实际上，具有更高暴露的公司减少了非绿色技术领域的招聘，并生成了更少的非绿色专利。
• 剩下的两个应用将气候变化暴露与金融市场结果联系起来。我们首先展示了测量的暴露与期权市场中的风险和风险溢价之间的关系。对于那些具有较高总体暴露的股票期权，尾部区域相对更昂贵。对于具有较高机会暴露的公司而言，效果类似，投资者愿意支付一个（方差风险）溢价。相比之下，对于具有较高监管暴露的公司，效果较小但仍具统计显著性。这证实了一些具有较高监管暴露的公司面临下行风险和上行潜力（由于其创新活动）的观点。
• 我们还记录了反映气候变化暴露总水平创新的一个条件定价因子。具有更高该因子贝塔值的公司面临着与未来气候变化领域发展相关的更高不确定性，因此获得更高的回报。我们的估计采用了Gagliardini, Ossola, 和 Scaillet (2016)的方法，这种方法在横截面相对于时间序列较大时表现良好。我们得到了该因子正的平均条件风险溢价，并且更重要的是，发现了风险溢价的时间序列变异性很大。

Related Work

我们论文最密切相关的是Li等人（2021，LSTY）的同期工作，他们也使用收益电话会议来识别气候风险。

• 我们在方法、重点和样本方面与他们的工作有所不同。具体来说，LSTY使用预指定的训练库来识别气候风险词汇，我们认为这种方法不太可能揭示收益电话会议中讨论气候变化的确切语言（参见Varini等人（2020））。
• 此外，虽然LSTY侧重于美国公司中的物理和监管风险，我们则基于全球样本提供更全面的分析，并包括气候变化带来的正面机会效应。

根据对10K报告的文本分析，Baz等人（2022）记录了具有更多监管气候变化暴露的公司在2016年特朗普当选后经历了正向的股票回报效应。

自我们数据公开以来，我们的衡量指标已经与一系列实际和金融结果相关联。“样本外”证据令人放心，因为它表明这些指标捕捉到了公司之间的有意义差异，而不仅仅是噪音。

• von Schickfus（2021）展示了当总体测量和机会测量更高时，更多的绿色专利活动；
• Li, Lin 和 Lin（2022）显示总体测量预测整体创新减少。
• 我们的总体测量与现金持有量正相关（Heo（2021）），并且解释了美国公司在EPA 2010年温室气体报告计划之后排放量下降的程度（Tomar（2023））。
• 我们的物理测量与8K文件中的物理风险披露有关（Gostlow（2021）），机会测量与公司的碳风险管理相关（Duong等人（2021））。
• 在金融方面，我们的物理测量与《巴黎协定》后的较低杠杆率相关（Ginglinger 和 Moreau（2022））。
• Mueller 和 Sfrappini（2022）显示，在监管气候风险变得显著之后，银行贷款在美国倾向于高监管暴露的公司，而在欧盟则相反。
• 我们在Sautner等人（2022）中提供了额外的证据，表明我们的衡量指标在股票市场中被定价，而Kölbel等人（2022）显示总体测量在《巴黎协定》后与信用违约互换（CDS）利差负相关。
• Di Giuli等人（2022）发现，投资者在经历高温后投票支持气候提案的倾向在具有更多总体气候变化暴露的公司中更高。Heath等人（2022）发现，社会责任投资（SRI）基金较少投资于具有较高总体气候变化暴露的公司。我们的关键词词典被Hail, Kim, 和 Zhang（2021）使用。

Data

1. 收益电话会议数据，我们使用从Refinitiv Eikon数据库收集的，2002年至2020年期间全部的英文记录。排除了有150个或更少公司年度观察值的国家，并删除了SIC代码9900至9999（“无法分类”）的公司。最终样本包括来自34个国家的10,673家总部公司的86,152个公司年度观察值。
2. 碳排放数据，来自S&P Global Trucost的碳排放数据（总排放量），这些数据包括公司报告的排放量和Trucost估算的排放量。
3. 公众对气候变化的关注数据，我们借用了一个由EGKLS开发的指数，以捕捉公众对气候变化关注的时间序列变化。为了量化气候新闻报道的强度，EGKLS将《华尔街日报》的新闻内容与关于气候变化的权威文本语料库进行比较。由此产生的衡量指标反映了每天《华尔街日报》中关于气候变化主题的文章所占比例（我们使用年度平均值）
4. 绿色技术工作岗位数据。与重要绿色技术相关的工作数据来自Bloom等人（2021）。这些作者使用文本分析识别了过去几十年中的29种颠覆性技术，其中四种广泛与气候变化相关（“混合动力电动汽车”，“锂电池”，“太阳能”，和“水力压裂”）。我们从Bloom等人（2021）获得的数据包含了与这四种技术相关的公司在线职位发布。（累计新绿色技术工作岗位最多的前五家公司包括特斯拉、Sunrun、First Solar、Sunpower Corp和Viviant Solar。）
5. 绿色专利数据。我们从Google Patents (GP)数据库收集了专利数据。绿色专利数量（#Green Patents）是指一个公司年度内提交的绿色专利数量。如果我们在GP中无法识别出某个公司年度内的绿色专利，则假设该年度未发生绿色专利申请。（在绿色专利活动非零条件下，平均（中位数）绿色专利数量为8.5（2）。样本期间内，卡特彼勒公司（Caterpillar）是最大的绿色专利生产者，共提交了1,364项绿色专利。我们也使用了总非绿色专利的数量（#Nongreen Patents）。）
6. 期权市场中的风险和风险溢价数据。期权隐含变量的数据来自Ivy DB OptionMetrics的波动率曲面文件。在这些测试中，我们专注于有流动性期权数据的S&P500公司。我们通过OptionMetrics的历史CUSIP链接来匹配期权数据。我们构建了六个衡量指标：隐含方差（IVar）、隐含偏度（ISkew）、隐含峰度（IKurt）、隐含波动率斜率（SlopeD和SlopeU），以及方差风险溢价（VRP）。
7. 股票市场中的风险溢价数据。我们用于检验气候变化暴露因子的测试使用了Ken French数据库中的标准因子月度数据。期限利差和违约利差数据来自圣路易斯联邦储备银行的FRED库。期限利差是10年期和3个月期国债恒定到期收益率之间的差异（变量T10Y3MM）。违约利差是Baa级和Aaa级公司债券收益率之间的差异（BAA10YM和AAA10YM）。账面市值比率数据（按照Fama和French（2008）定义的日志术语）来自Compustat北美。
8. 财务报表数据。公司财务变量的数据（如总资产、债务、资本支出、研发或现金持有量）来自Compustat北美和Compustat全球。

Firm-Level Exposure to Climate Change

本文改进的气候变化双词组发现算法，它的目标是从文本中量化公司对气候变化的暴露。通过从公司电话会议记录（earnings calls）中提取与气候变化相关的语言，算法克服了多个挑战，并能识别新的、细分的气候变化相关双词组。

• 特定领域的语言：气候变化讨论的词汇不断变化，这些词汇随着相关政策、技术突破、法规等的变化而变化，因此预定义的词库可能会遗漏一些新的、重要的术语。
• 多重话题的交织：公司电话会议中，气候变化话题往往与其他话题交织，如监管政策、税收优惠、技术创新和公司业绩等。这使得判断讨论是否真正涉及气候变化变得更加模糊。
• 词汇的快速变化：讨论气候变化的词汇也在不断演变，因此传统的基于固定词库的方法很难应对这种快速变化。

• 该算法不需要一个全面的“气候变化”训练库，而是只需要一小部分“初始”双词组。这些双词组通常是一些基础且通用的气候变化术语（如“气候变化”、“全球变暖”、“碳排放”等）。这些初始双词组有助于算法在公司电话会议记录中识别出那些直接讨论气候变化的句子。

Climate Change Bigrams Search Algorithm

气候变化双词组搜索算法是一种基于机器学习的方法，旨在从公司电话会议记录中识别和提取与气候变化相关的双词组（即两个词的组合）。该算法结合了预定义的双词组和通过机器学习自动发现的双词组，创建了一个全面且相关的气候变化双词组集合。以下是该算法的详细步骤：

1. 定义搜索集 ($C$)：气候变化双词组的搜索集是通过结合两个来源构建的：
   1. 50个通用气候变化双词组集（$\mathbb{C}^{\mathbb{0}}$），例如“气候变化”、“全球变暖”和“碳排放”等。
   2. 通过机器学习生成的双词组集，这些双词组是从公司电话会议记录中提取出来的，表示与气候变化相关的语言模式。
2. 构建粗略的气候变化训练库 ($\mathbb{C}^{\mathbb{R}}$)：一个粗略的训练库（$\mathbb{C}^{\mathbb{R}}$）是通过来自气候变化政府间专门委员会（IPCC）的研究报告构建的。对该数据集执行以下处理步骤：
   1. 词形还原和词干化：将单词转换为其基本形式。
   2. 去除数字、标点符号和停用词：清理数据，集中在有意义的词汇上。
   3. 过滤双词组：删除出现次数少于10次的双词组，确保只保留频繁且相关的词组。
3. 构建非气候变化训练库 (N)：与CR相反，非气候变化库（N）来自多种来源：
   1. 英文小说，如来自Project Gutenberg的文本。
   2. 新闻文章，包括BBC和路透社的技术、商业和政治报道。
   3. 国际货币基金组织（IMF）研究报告。
   4. 会计学和计量经济学教科书。
4. 计算粗略气候变化暴露分数 (RoughCCExposure)：
   1. 对每个会议记录计算粗略的气候变化暴露分数，方法是计算气候相关的双词组在该记录中的出现频率，并与来自N的双词组进行比较($\mathbb{C}^{\mathbb{R}}\setminus\mathbb{N}$表示的是那些在 $\mathbb{C}^{\mathbb{R}}$中出现但不在 $\mathbb{N}$中的双词组合，即这些双词组合被认为是与气候变化相关的，但可能仍然包含一些与气候变化无关的术语。)。公式如下：

$$ RoughCCExposure_{it}=\frac{1}{B_{it}}\sum_{b}^{B_{it}}\left(1[b\in\mathbb{C}^{\mathbb{R}}\setminus\mathbb{N}]\right) $$

5. 创建参考集 ($R$) 和搜索集 (S)：
   1. 参考集 ($R$)：该集包含明确讨论气候变化的句子，这些句子中包含$\mathbb{C}^{\mathbb{0}}$中指定的通用双词组（例如“气候变化”，“碳排放”）。
   2. 搜索集 (S)：该集包含那些没有包含$\mathbb{C}^{\mathbb{0}}$中任何双词组的句子，但可能仍然与气候变化相关的句子。
   3. 参考集大约包含60,000个句子，搜索集包含大约7000万个句子。
6. 划分搜索集：
   1. 创建一个训练集，由参考集R和从搜索集S中随机抽取的100,000个句子组成。
   2. 训练三个机器学习分类器：多项式朴素贝叶斯（Multinomial Naive Bayes）、支持向量分类（SVC）、随机森林（Random Forest）。这些分类器使用每个句子的内容预测该句子是否属于参考集R。分类器通过网格搜索交叉验证来优化超参数。
7. 识别目标集 (T)：
   1. 如果任何一个分类器预测某个句子属于参考集R的概率大于0.8，那么该句子被加入目标集T。
   2. 目标集T包含大约70万个句子，这些句子虽然没有包含显式的气候变化双词组，但很可能涉及气候变化的内容。
8. 发现气候变化双词组：
   1. 从目标集T和非目标集S-T中挖掘出所有的双词组。
   2. 发现大约3800个仅出现在目标集T中的双词组，这些双词组被加入到气候变化双词组集$\mathbb{C}^{\mathbb{S}}$。
   3. 对于在目标集和非目标集中都出现的双词组，计算它们在两个集中的文档频率，并保留那些在目标集中的出现频率高于非目标集的双词组。
9. 排名和最终确定气候变化双词组库：
   1. 对那些在目标集中出现频率较高的双词组，使用改进的似然度指标进行排名，帮助确定哪些双词组最能区分目标集和非目标集。
   2. 按照排名选择前5%的双词组，并将其添加到最终的气候变化双词组集$\mathbb{C}^{\mathbb{S}}$中，最终$\mathbb{C}^{\mathbb{S}}$大约包含5000个双词组。
10. 最终气候变化双词组库 ($C$)：
    1. 最终的气候变化双词组库由$\mathbb{C}^{\mathbb{0}}$（最初的通用双词组集）和$\mathbb{C}^{\mathbb{S}}$（机器学习发现的双词组集）组合而成。该库为全面且精炼的气候变化双词组集合。

算法的优势：

• 自我发现：算法能够通过分析上下文，从公司电话会议记录中自动发现新的气候变化双词组。
• 适应性强：它能够适应金融或企业环境中使用的特定语言，捕捉到那些可能与气候变化相关但不直接提到气候变化的讨论。
• 减少误报：通过采用复杂的机器学习技术和严格的过滤过程，算法显著减少了无关或非气候相关内容的包含。

4个双词组

我们的方法允许我们调整双词组搜索算法，以发现三个独特的双词组集合C，分别捕捉机会以及监管和物理气候冲击。为此，我们将一组反映这三个主题的初始双词组输入搜索算法。然后，允许算法发现与感兴趣主题相关的双词组。表IA.IV列出了用于主题搜索的初始双词组。

我们通过手动挑选第一次通用的、非主题特定的双词组搜索后发现的前500个双词组中的适当双词组来构造这些主题的新初始双词组。然后，我们重新运行搜索算法，以找到每个主题的更广泛的双词组集合。由于基于主题的算法产生了一些通用的气候变化双词组，我们删除了出现在多个主题中的双词组，以确保我们没有重叠的主题衡量指标。在最后阶段，我们取C与每个主题双词组集合的交集，以获得机会、监管和物理气候变化双词组集合（即$\mathbb{C}^{\mathbb{Opp}}$, $\mathbb{C}^{\mathbb{Reg}}$, 和$\mathbb{C}^{\mathbb{Phy}}$）。

使用上述双词组集合，我们为每个记录构建气候变化暴露衡量指标。这些衡量指标被解释为捕捉某个时间点电话参与者对气候变化话题的关注度，而不是作为基本暴露的衡量指标。我们将使用广泛的气候变化双词组集合C来说明如何构建这些衡量指标。主题衡量指标以类似的方式构建；我们只需将C替换为与相应主题相关的双词组。

整体暴露衡量指标 (CCExposure)

我们基于指定的双词组在记录中出现的频率构造一个整体暴露衡量指标。这涉及到将气候双词组集合C应用到公司i在季度t的记录，并计算这些双词组的频率。为了考虑电话会议的长度，我们将计数除以记录中的双词组数量： $$ CCExposure_{i,t}=\frac{1}{B_{i,t}}\sum_{b}^{B_{i,t}}\left(1[b\in\mathbb{C}]\right) $$

其中，$b=0,1,...,B_{i,t}$是公司i在季度t的收益电话会议记录中的双词组，。$1[b\in\mathbb{C}]$是一个指示函数。我们通过平均季度衡量指标来创建每个公司的年度衡量指标。我们使用相同的方法为$\mathbb{C}^{\mathbb{Opp}}$, $\mathbb{C}^{\mathbb{Reg}}$, 和$\mathbb{C}^{\mathbb{Phy}}$评分，分别生成暴露衡量指标

细化衡量指标

1. 情感衡量指标：通过在Loughran和McDonald（2011）的积极或消极语调词存在的情况下，计算气候变化双词组的数量来创建两个情感衡量指标。 $$ CCSentiment_{i,t}^{Pos/Neg}=\frac{1}{B_{i,t}}\sum_{b}^{B_{i,t}}\left{\left(1[b\in\mathbb{C}]\right)\times\sum_{b}^{b\in S}\mathcal{T}^{Pos/Neg}(b)\right} $$

• $\mathcal{T}^{Pos}(b)=1$如果 b 带有积极语调，否则为0；
• $\mathcal{T}^{Neg}(b)=1$如果 b 带有消极语调，否则为0；

2. 风险衡量指标：通过计算与“风险”、“不确定性”或其同义词在同一句子中提到的气候变化双词组的相对频率来构建。

$$ CCRisk_{i,t}=\frac{1}{B_{i,t}}\sum_{b}^{B_{i,t}}\left(1[b\in\mathbb{C}]\times1[b,r\in S]\right) $$

其中 r 包含单词“风险”、“不确定性”或同义词。

3. 为了稳健性，我们还构建了考虑双词组重要性差异的衡量指标，即赋予每个双词组一个反映其在气候讨论中代表性程度的分数。常用术语如果出现在大多数记录中会获得较低分数，因为它们对通话内容的信息量较少；同样地，在给定记录中罕见的术语也会得到低文本频率。这种方法遵循Hassan等人（2019）、Gentzkow, Kelly, 和 Taddy（2019），以及EGKLS，通常称为“词频-逆文档频率”（TFIDF）。

$$ CCExposure_{i,t}^{TFIDF}=\frac{1}{B_{i,t}}\sum_{b}^{B_{i,t}}\left(\mathbf{1}[b\in\mathbb{C}]\times\log\left(\frac{N_{\mathbb{T}}}{f_{b,\mathbb{T}}}\right)\right) $$ 其中，$N_{\mathbb{T}}$是记录的数量，$f_{b,\mathbb{T}}$是双词组b的记录数量。因此，出现在许多记录中的双词组在计算TFIDF得分时权重较低，极端情况下，如果给定双词组出现在每条记录中，则它将获得零权重。

表I报告了暴露衡量指标的汇总统计信息（为了表述的目的，衡量指标乘以10\^3）。表IA.V报告了暴露衡量指标之间的相关性。几个相关性值得进一步评论。${CCExposure}^{\mathbb{Reg}}$ 和 ${CCExposure}^{\mathbb{Opp}}$之间的正相关为33%，而${CCExposure}^{\mathbb{Phy}}$与${CCExposure}^{\mathbb{Reg}}$和${CCExposure}^{\mathbb{Opp}}$的关系不大。此外，CCExposure和${CCExposure}^{TFIDF}$之间的相关性为99.7%。

Validation(指标的可靠性)

Face Validity of Climate Change Bigrams

我们使用多方面的方法来验证我们的暴露衡量指标。首先，我们考虑双词组的表面效度。表II列出了集合C中频率最高的100个双词组。与CCExposure相关的顶级双词组捕捉到了与气候变化相关的机会和风险的各个方面。顶级双词组包括与机会相关的词对（如“电池电力”、“新能源”）以及与风险相关的术语（如“环境关注”、“极端天气”）。

在表IA.IX中，我们考虑了三个基于主题的衡量指标。当我们使用诸如“风力发电”或“太阳能”的初始双词组构建CCExposureOpp时，我们发现了几个新双词组，这些双词组涉及新的（绿色）技术（例如，“太阳能农场”，“无碳”）（面板A）。一些词组合与“电动汽车”的发展有关，包括“充电基础设施”和“电池电动”。关于CCExposureReg（面板B），当我们使用诸如“碳税”、“空气污染”或“空气质量”等与监管干预相关的初始双词组时，我们发现了一些明确包含“监管”或其同义词的新双词组（例如，“控制监管”，“环境立法”）。对于CCExposurePhy（面板C），我们使用诸如“自然灾害”或“海平面上升”等初始双词组来识别直观上与物理气候变化相关的词对（例如，“佛罗里达地区”，“冰控”，和“风速”）。

Audit Study Based on Human Reading

第一阶段：定义和初步测试

• 在第一阶段，我们将一个“片段”定义为围绕记录中出现频率最高的气候变化双词组的前后各五句句子。（对于CCExposure = 0的记录，我们随机选择一段连续的10个句子作为审计的片段。）
• 在我们的试点研究中，每位作者独立地使用二元编码方案对250个相同且随机选取的片段进行了编码。编码使用变量CCAudit，如果评级者认为文本提供了气候变化暴露的证据，则该变量等于1，否则为0。
• 此外，对于每个片段，我们记录了Coding Confidence，范围从3（评级者高度自信其编码是正确的）到1（“难以判断的情况”）。
• 基于这个迭代过程，我们制定了一份详细的指南，定义了哪些文本应被编码为气候变化暴露，以及哪些片段不应被视为这样的暴露。审计指南描述了片段的例子，并提供了解释和建议的编码，以帮助评级者解决审计过程中复杂的案例。随后，我们根据审计指南培训了两名研究生，并要求他们审计同一组250个片段，以评估任何剩余的不一致性。

第二阶段：大规模审计与验证

• 在第二阶段，我们招募了19名研究生，每人独立地对来自审计样本中的250个新片段进行编码。总计他们评估了2,090个独特的片段。审计人员接受了基于审计指南的培训。
• 我们根据CCExposure分布的百分位创建了具有相同数量记录的投资组合。然后我们计算在该百分位上，审计人员认为CCAudit = 1（即片段被分类为包含公司气候变化暴露的明确讨论）的记录数量。在最高十分位的投资组合中（CCExposure值最高的记录），我们统计出310个真阳性案例，总共339个片段（91%的正确阳性率）。随着我们向中位数和最低投资组合移动，正确阳性的比率几乎线性下降。

此图在纵轴上展示了正确识别正例（即，审计研究确认为与气候变化相关的文本）的预测概率，相对于 CCExposure 分布的各个十分位数。给定十分位数中的 CCExposure 中位数分数显示在横轴上。预测概率是通过在2,090个经过审计的文本片段样本上估计一个逻辑回归（logit model）模型计算得出的。

Comparison with Approach Using Pre-Specified Keywords

为了对比我们算法生成的暴露衡量指标，我们从一个预设的气候变化关键词列表构建了替代的暴露衡量指标。这些关键词来源于74个权威文本，并由EGKLS用于构建他们基于新闻的时间变化的气候变化关注度指数。为了创建CCExposureEGKLS，我们将C替换为CEGKLS，并重新计算这些替代术语在记录中出现的相对频率，分别构建了一个未加权频率版本和一个TFIDF版本，记作CCExposureEGKLS−EW或CCExposureEGKLS−TFIDF。

表IA.XI展示了CEGKLS中的单词和双词组比集合C中的双词组在收益电话会议中更频繁地出现。这并不令人惊讶，因为CEGKLS包含更多的单个单词以及更为通用的术语（排名前三的双词组是“市场”，“增加”，和“时间”）。使用单个单词而非双词组会在一个文本中某个术语出现的可能性较高的情况下，换取更高的误报概率，即错误地将一个片段分类为气候变化文本（van Zaanen 和 Kanters (2010)）。

一个问题仍然存在：我们的衡量指标和使用预定义关键词的衡量指标在经济上的差异是什么？我们的衡量指标非常适合捕捉在专家参与的专业环境中使用的特定上下文行话，并允许我们构建基于主题的衡量指标。预设关键词的方法更好地捕捉公众的广泛讨论，如《华尔街日报》发表的文章所示，而用预设关键词方法识别具体或新兴话题则更具挑战性。另一个区别在于我们的方法是“进化的”，即它会反映随时间推移在记录中使用的词汇的变化，而使用预设关键词的方法则预先固定了这些词汇。真实（不可观察的）气候变化暴露的时间序列变化，特别是在较长的时间范围内，更有可能被这种“进化”的方法捕捉到。任何预设关键词的选择都会随着时间的推移而变得过时。

Perturbation Tests for Individual Initial Bigrams

为了评估我们的整体暴露衡量指标在多大程度上依赖于初始双词组列表（表IA.III）中的单个双词组，我们进行了扰动测试。我们依次排除一个初始双词组，重新计算修改后的双词组集合C，并计算CCExposure。由于我们的初始短列表包含50个双词组，我们构建了50个新的CCExposure指标，。在将这些衡量指标聚合到公司-年级别后，我们计算了每个暴露衡量指标与CCExposure之间的相关性。这些相关性均超过85%，这意味着CCExposure并不高度依赖特定的初始种子双词组。

Comparison with Approach Using Initial Bigrams Only

表II显示，初始关键词主导了用于构建CCExposure的前100个双词组。这提出了一个问题：相对于仅使用初始种子双词组的替代方案，关键词发现方法的性能提升有多大？为了解答这个问题，我们仅从初始双词组构建了一个新的暴露衡量指标$CCExposure_{initial}$。

图2的面板A展示了新衡量指标$CCExposure_{initial}$如何频繁地信号零暴露，而$CCExposure$则揭示出气候话题正在被讨论。结果显示按$CCExposure$十分位数分布的情况。在最高十分位中，$CCExposure_{initial}$在27%的记录中指示没有暴露。因此，即使在最暴露的公司中，应用我们的方法也有性能上的提升。当我们考虑其他十分位时，这种提升更加明显——在第二个十分位中，$CCExposure_{initial}$已经偏离了CCExposure, 在超过62%的记录中指示不存在暴露。随着我们转向较低的暴露十分位，效果单调增加。

面板B报告了基于主题的暴露衡量指标的结果，其中替代措施仅使用基于主题的初始双词组（表IA.IV）。对于所有三个衡量指标和各个十分位，有显著比例的记录被错误分类为零暴露。即使在各自最高的三个十分位中，替代方法也错过了10%到40%的记录中的正暴露。在所有十分位中，关键词发现方法对于${CCExposure}^{\mathbb{Opp}}$（尤其是在较低十分位）的性能提升最大。

Validation at the Climate Change Exposure Level

Climate Change Exposure: Industry Variation

表III的面板A展示了各行业中具有最高整体暴露(${CCExposure}$)的部门包括电力、燃气和卫生服务（SIC49）。该部门内的顶级公司包括中国龙源电力集团（中国最大的风力发电生产商）和美国公用事业公司Allete。紧随其后的是重型建筑（SIC16）和建筑（SIC17）部门。这些部门中的高排名公司包括提供现场发电系统的中国公司A-Power Energy Generation Systems、开发和运营太阳能项目的美国公司ReneSola，以及为能源和管道业务提供基础设施解决方案的美国公司Quanta Services。接下来是交通运输设备部门（SIC37），其中包括替代燃料和零排放车辆公司。

在表III的面板B至D中报告了基于主题的衡量结果。公用事业部门在${CCExposure}^{\mathbb{Opp}}$和${CCExposure}^{\mathbb{Reg}}$（面板C）中名列前茅。后者排名较高并不意外，鉴于该部门对碳税或相关法规的暴露；而前者排名靠前则较为出乎意料，不过这也与Cohen, Gurun, 和 Nguyen (2021)的研究一致，他们发现该部门是能源转型领域的关键创新者。煤炭开采（SIC12）部门对监管和物理冲击表现出高暴露度（见面板C和D）。尽管由于燃烧煤炭带来的大量排放，其高监管暴露度是可以预期的，但其高物理暴露度则不那么明显。这可能反映了采矿公司面临强降水或高温等物理挑战。

Climate Change Exposure: Time-Series Variation

在图3的面板A至D中，我们计算了CCExposure及基于主题的衡量指标的横截面均值，并随时间绘制了这些均值（对于每个衡量指标，我们专注于排名前十的行业）。此图还突出了公众气候变化意识的关键时刻，涵盖了与监管和机会冲击相关的气候政策事件（面板B和C）、选定的物理冲击（面板D），或两者兼有（面板A）。

• 在面板A中，CCExposure总体上在样本期内增加，特别是在2000年代中期之后。早期的增长表明收益电话会议讨论气候变化问题的时间早于预期。大约在2009年（哥本哈根气候峰会未能成功达成协议的那一年）达到了一个平台期。随后，在通往2012年多哈气候峰会的几年间观察到了轻微下降。我们注意到自2013年左右以来CCExposure有所回升。在样本期末，CCExposure达到峰值，收益电话会议中每1,000个双词组中有大约四个是关于气候变化的；相比之下，Hassan等人(2019)研究中的政治双词组每1,000个双词组中仅有约0.1个。
• 面板B显示， 的时间序列与整体衡量指标类似：${CCExposure}^{\mathbb{Opp}}$的时间序列与整体衡量指标类似：${CCExposure}^{\mathbb{Opp}}$趋势向上，尤其是在样本初期。
• 在面板C中，${CCExposure}^{\mathbb{Reg}}$从2002年到2008年间增加，在2011年至2013年间波动在一个明显较低的水平，2015年（巴黎协定签署）出现激增，并自2017年以来呈现出上升趋势。这与有关如何实现巴黎目标的政策讨论加剧相一致。
• 在面板D中，${CCExposure}^{\mathbb{Phy}}$虽然也呈现上升趋势，但比其他衡量指标显示出更多的波动。似乎${CCExposure}^{\mathbb{Phy}}$Phy并不强烈反映高度显著的气候事件。例如，在美国发生重大飓风（如卡特里娜、桑迪和哈维）之后虽然出现了跳跃，但这些跳跃存在明显的滞后。这种模式表明${CCExposure}^{\mathbb{Phy}}$主要反映了公司对物理气候事件的特定暴露，例如局部热浪或干旱。

Climate Change Exposure and Carbon Emissions

我们探讨了暴露衡量指标与企业碳排放之间的相关性。碳排放是衡量企业层面气候变化暴露的重要变量，尤其是在面对监管冲击时（Bolton 和 Kacperczyk (2021, 2023)）。碳排放分析也是机构投资者最常使用的气候风险管理工具（Krueger, Sautner, 和 Starks (2020)）。使用碳排放的好处在于它们易于理解和计算，对于环境、社会和治理（ESG）数据库的订阅者来说数据易得，并且真正与全球气候的变化有关。

我们预期，在大型碳排放企业的收益电话会议中，与监管相关的气候话题会更加频繁地出现，因为这些企业受到碳税或相关法规的影响更为强烈。与此同时，与排放相关的监管威胁也可能激发技术创新，为企业在市场中提供机会。此外，一些企业的排放可能是“有益的”，有助于向绿色经济过渡；例如，“气候推动者”企业包括制造帮助房屋更节能的建筑材料的制造商。最后，我们预计碳排放应与企业在物理冲击方面的暴露无关。

为了验证这些预测，我们将暴露衡量指标对滞后排放值进行回归（我们使用滞后值，因为涵盖年t−1的排放数据是在年t报告的）。表IV的面板A报告了结果。在第(1)列中，我们观察到总排放量与CCExposure之间存在强烈的正相关关系。

表IV的面板A报告了结果。

• 在第(1)列中，我们观察到总排放量与CCExposure之间存在强烈的正相关关系。
• 正如预期的那样，这种关联源于排放量与${CCExposure}^{\mathbb{Opp}}$第(2)列和${CCExposure}^{\mathbb{Reg}}$第(3)列之间的正相关。
• 而在第(4)列中，我们发现排放量与物理暴露之间没有显著关联。

Climate Change Exposure and Public Attention to Climate Change

以《华尔街日报》气候变化新闻指数（WSJ CC News Index）作为代理的公众对气候变化关注的时间序列变化，已被证明会影响金融市场参与者（例如，Choi, Gao, 和 Jiang (2020) 或 Ilhan, Sautner, 和 Vilkov (2021)）。因此，我们预期收益电话会议的讨论会回应公众领域中气候变化话题的重要性。确实，表IV的面板B显示，在公众对气候变化的关注上升时，测得的气候变化暴露更高。

因此，当公众对气候变化的关注度高时，收益电话会议更广泛地讨论监管冲击和气候机遇。然而，《华尔街日报》气候变化新闻指数的较高值并未转化为更多关于物理冲击的讨论。这表明${CCExposure}^{\mathbb{Phy}}$主要捕捉的是特定企业的物理冲击，而不是那些登上《华尔街日报》的宏观经济冲击（这一结论与图3中的时间序列证据一致）

Variance Decomposition and Role of Measurement Error

方差分解

我们进行方差分析，以考察CCExposure及其组成部分在多大程度上量化了企业层面的气候变化暴露变化。表V报告了在控制可能驱动这些变化的固定效应后，暴露衡量指标的增量解释力。

• 时间固定效应（即宏观经济中总暴露的变化）对每个衡量指标的增量R²贡献很小，低于1%。这表明时间固定效应对变异性的解释能力有限。
• 行业固定效应方面，对于${CCExposure}^{\mathbb{Phy}}$，观察结果相同；然而，机会或监管冲击的暴露具有显著的行业成分（分别为17%和8%），这可能是由于针对特定行业的法规或影响整个部门的技术发展所致。行业与时间固定效应的交互作用最多额外解释2.6%的变异（在${CCExposure}^{\mathbb{Phy}}$的情况下）。
• 国家固定效应提供的额外解释力也很少，这减轻了我们对衡量指标受某一国家的语言或该语言与英语的距离强烈影响的担忧。根据不同的衡量指标，有70%到96%的变异未能通过这些固定效应集得到解释。因此，变异主要发生在企业层面，而不是国家、行业或时间层面。（对于${CCExposure}^{\mathbb{Phy}}$ 来说，未解释的高变异并不令人意外，因为物理冲击的暴露高度依赖于企业的生产地点或保险政策。）

添加企业固定效应后，在一个行业和国家内企业的永久差异分别解释了CCExposure、${CCExposure}^{\mathbb{Opp}}$、${CCExposure}^{\mathbb{Reg}}$、${CCExposure}^{\mathbb{Phy}}$变异的52%、56%、45%和45%。剩余的48%、44%、55%和55%则来自随时间变化的企业身份变异，这些企业在各自的气候变化变量中最受影响。

Measurement Error

我们解释了企业年份内方差的较大份额，认为其捕捉了具有经济意义的异质性。根据这一观点，企业的特异性气候变化暴露是测得变异的关键决定因素。一个可能的替代解释是，部分企业层面的变异反映了特异性的测量误差。我们进行了几项测试以排除这种替代解释。

1. 稳健关联：首先，我们注意到CCExposure与重要的实际和金融结果之间存在稳健的关联（其他论文也发现了类似的结果）。这些发现表明，反映在企业层面CCExposure中的变异不仅仅是噪声。
2. 量化测量误差：其次，遵循Hassan等人(2019)的方法，我们通过假设企业的“真实”暴露遵循一阶自回归（AR）过程来量化企业层面变异中包含的测量误差。然后，我们假设CCExposure以经典（独立同分布，i.i.d.）测量误差衡量这种真实暴露。如果有一个有效的工具变量用于滞后一期的$CCExposure_{i,t-1}$，那么可以通过比较普通最小二乘法（OLS）和工具变量（IV）系数来推导出其变异中由测量误差构成的部分。直观上，候选IVs会带有一定的误差地测量真实的气候变化暴露。在i.i.d.假设下，IV中的测量误差与$CCExposure_{i,t}$中的测量误差不相关，因此可以用来“净化”后者中的测量误差。为了使该程序有效，我们并不假设IV具有更低的测量误差——实际上，它可能具有更高的测量误差。我们只假设IV和测得的气候变化暴露中的测量误差在统计上是独立的。

表VI展示了这一思路的三种实现方式：

• 第一种实现使用了一种替代暴露指标，该指标是通过将我们的算法应用于公司年度10K报告中的“管理层讨论与分析”（MD&A）部分构建的。
• 第二种和第三种实现分别使用了这个替代指标和CCExposure本身的滞后值作为工具变量。

尽管在这三种方法中对CCExposure中测量误差比例的估计有所差异，但大约5%到10%的CCExposure变异是由测量误差引起的。在企业层面（面板B），隐含的测量误差比总体变异（面板A）高出约2个百分点。虽然我们谨慎解读这些结果，但它们表明，在企业层面维度上的测量误差高于总体面板中的测量误差，但仅略高一些。因此，对于企业层面展示的变异受更多测量误差影响的担忧并未得到证实，至少相对于未控制任何固定效应前的整体气候变化暴露衡量而言。

Economic Applications

Green-Tech Jobs and Green Patents

为了在2050年实现净零排放，需要显著的气候相关创新（Stern 和 Valero (2021)），这意味着企业在人力资本和研发上的巨大投资。据估计，到2050年，在太阳能技术、去碳化、能源效率或碳捕集方面需要额外投资50万亿美元（世界经济论坛 (2021)）。为了说明我们的暴露指标有助于预测与净零转型相关的实际结果，我们将下一年度破坏性绿色技术岗位和绿色专利的创建与本年度的气候变化暴露值联系起来。

对于样本中的美国企业，针对企业和年份i和t，我们估计如下模型： $$ \text{Green Outcome}_{i,t+1} = exp(\alpha_i + \beta\log (1+CCExposure_{i,t}))+\gamma X_{i,t} + \delta_j \times \delta_t + \epsilon_{i,t+1} $$ 其中，$\text{Green Outcome}_{i,t+1}$是第t+1年的#Green-TechJobs或#Green Patents； $X_{i,t}$包含Log(Assets)，Debt/Assets，Cash/Assets，PP&E/Assets，EBIT/Assets，CAPEX/Assets，以及R&D/Assets。$\delta_j \times \delta_t$表示行业-年固定效应。

我们使用泊松回归估计方程(5)，这有两个优点（Cohn, Liu, 和 Wardlaw (2022)）：

1. 分布特性：泊松回归考虑到我们基于计数的结果的分布特性（它们为因变量提供无偏估计，这些因变量在零处有大量的值且具有严重的偏斜性）。
2. 行业-年固定效应：泊松回归允许我们在不偏倚估计的情况下纳入行业-年固定效应，从而解决可分离的组固定效应问题（在我们的情况下是行业-年级别），仅基于组内至少有一个非零值的观测进行估计。这限制了可用样本，使其仅限于那些能够提供关于CCExposure效应信息的组。

表VII报告了#Green-TechJobs的估计结果。

• 在第(1)列中，估计显示，气候变化暴露较高的企业在随后一年发布的绿色技术岗位空缺更多,CCExposure每增加一个标准差，下一年绿色技术岗位数量增加109%。
• 第(2)至(4)列考虑基于主题的衡量指标。正如预期的那样，整体暴露效应主要归因于机会较多的企业（第(2)列）。监管暴露较高的企业也计划雇佣更多的绿色技术工人（第(3)列）。我们未发现物理暴露较大的企业发布更多的绿色技术岗位（第(4)列）。
• 在第(5)列中，即使我们将#Green-TechJobs替换为I(Green-TechJobs)——即企业是否发布了绿色技术岗位的指示变量，我们仍然发现CCExposure正向预测绿色技术岗位的招聘（我们使用与第(1)至(4)列相同的观测估计线性模型）。
• 类似地，在第(6)列中，估计结果对使用绿色技术岗位比例（Green-TechRatio）依然稳健。
• 第(7)列解决了高暴露企业可能只是在所有颠覆性技术领域普遍招聘更多人员，而不仅仅是绿色岗位的问题。具体来说，我们将#Green-Tech Jobs替换为#Nongreen-TechJobs并重新估计第(1)列的回归。我们未发现暴露指标的正向预测效应，这减轻了对虚假关系的担忧。事实上，气候变化暴露较高的企业雇用的非绿色技术岗位更少，而非更多。总体而言，数据更支持从非绿色技术岗位转向绿色技术岗位的招聘转移，而不是高暴露企业在技术相关招聘方面的普遍扩张。

表VIII展示了绿色专利的结果。

• 在第(1)至(3)列中，气候变化暴露较大的企业在下一年展示出更多的绿色专利申请。CCExposure每增加一个标准差，下一年绿色专利数量增加72%。对于${CCExposure}^{\mathbb{Opp}}$的效果是直观的，因为在净零转型期间，绿色创新提供了商业机会。
• 我们未发现物理暴露较大的企业生成更多绿色专利（第(4)列）。
• 在第(5)和(6)列中，即使我们将#GreenPatents替换为是否创建绿色专利的指示变量（第(5)列）或绿色专利比例（如Cohen, Gurun, 和 Nguyen (2021)所述，第(6)列），我们继续发现CCExposure预测绿色专利申请。第(7)列表明高暴露企业并非普遍更具创新性；估计结果显示，CCExposure较高的企业生成的非绿色专利更少，而非更多。

进一步分析

表IA.XIII显示，表VII和VIII的结果在控制碳排放后依然稳健。这一发现表明，我们的指标包含了超越排放所反映的信息（由于碳排放观测较少，面板样本量有所减少）。

表IA.XIV的一系列替代规范继续显示CCExposure预测绿色技术岗位创建。

• 在第(1)列中，我们排除了收益电话会议中战略披露相关的担忧（Mayew (2008)，Hassan et al. (2019)）。一种具体的潜在担忧是，管理者可能希望分散对业绩不佳的关注，并战略性地谈论气候变化（Hail, Kim, 和 Zhang (2021)）。遵循Hassan et al. (2019)，我们通过添加对企业整体情绪（收益电话会议记录中正面和负面语气词的比例）和近期业绩的两个代理变量来测试这种可能性。估计结果显示，加入这些控制后我们的结果依然稳健。
• 在第(2)列中，我们将样本限制在BG数据库内的企业年份，以确保结果不受我们如何分类BG中缺失企业的影晌。
• 在第(3)列中，暴露基于问答环节中的双词组计数，这部分通话内容受管理层控制较少，因此受到战略（非）披露和漂绿行为的担忧较小。
• 在第(4)列中，CCSentimentPos强烈预测下一年的绿色技术岗位创建，而CCSentimentNeg则不显著（尽管边际显著）。
• 在第(5)列中，CCRisk与绿色技术岗位创建正相关。
• 在第(6)至(9)列中，如果使用OLS规格估计以应对泊松规格的潜在担忧，结果依然成立。我们估计了有或没有行业-年固定效应的模型，以及使用#Green-TechJobs或Log(1+#Green-TechJobs)作为因变量的模型。我们还提供了将CCExposure的对数版本替换为非对数版本的估计。表IA.XV将相同的替代规范应用于绿色专利。估计结果显示，我们的结果继续成立。

表IA.XVI报告了仅依赖初始双词组的暴露指标指示零暴露的子样本的回归结果。在此估计中，我们的暴露指标继续预测绿色结果。这一发现证实了使用更微妙和不太明显的气候变化双词组所带来的性能提升，因为估计是从关键词搜索算法获得的双词组中识别出来的。

Options Market Risks and Risk Premiums

气候变化暴露较高的企业在应对全球变暖的未来法规影响下更为敏感，而这些法规的不确定性应该在期权市场中定价（Kelly, Pastor, 和 Veronesi (2016)）。类似地，气候机遇也充满风险，围绕绿色技术或可再生能源投资存在大量不确定性。因此，我们测试了气候变化暴露是否与期权隐含风险和风险溢价相关。

我们考虑三组风险变量：

1. 一般风险：我们使用三个隐含中心矩来量化一般风险，即方差（IVar）、偏度（ISkew）和峰度（IKurt）。
2. 尾部风险相对成本：我们计算两个启发式指标以量化左尾（SlopeD）和右尾（SlopeU）风险保护的相对昂贵程度。
   1. SlopeU（右尾斜率）：通常是正数。衡量的是右尾风险保护的相对昂贵程度，即市场参与者愿意支付多少额外溢价来保护自己免受资产价格大幅上涨带来的不利影响。这通常涉及到看涨期权（Call Options），特别是那些深度虚值（Deep Out-of-the-Money, OTM）或接近平值（At-the-Money, ATM）的看涨期权。SlopeU 的较高值表明市场认为上行风险更加重要或更需要保护。
   2. SlopeD（左尾斜率）：通常是负数。衡量的是左尾风险保护的相对昂贵程度，即市场参与者愿意支付多少额外溢价来保护自己免受资产价格大幅下跌带来的不利影响。这通常涉及到看跌期权（Put Options），特别是那些深度虚值或接近平值的看跌期权。SlopeD 的较高值表明市场认为下行风险更加重要或更需要保护。
3. 方差风险溢价（VRP）：用以衡量投资者愿意支付的风险溢价，以对冲一般气候相关方差风险（或不确定性，如Bali 和 Zhou (2016)所建议）。

$$ \text{OI Outcome}_{i,t+1}=\alpha_i+\beta Log(1+CCExposure_{i,t})+\gamma\mathbf{X}_{i,t}+\delta_j\times\delta_t+\epsilon_{i,t+1} $$

其中，$\text{OI Outcome}_{i,t+1}$是企业i在季度t末的期权隐含测度（即下一个期间某数量的条件期望）.向量$\mathbf{X}_{i,t}$包括之前相同的控制变量（推迟到财政年度结束后第三个季度可用）。

表IX，面板A记录了$CCExposure$与前瞻性风险和风险溢价之间有强烈联系。

• 在第(2)和(3)列中，$CCExposure$预测了更负偏的收益分布（ISkew）和更厚尾（IKurt）。
• 此外，气候变化暴露较高的企业的尾部风险更加昂贵。具体而言，下行保护（第4列中的SlopeD系数为正且显著）和上行潜力（第5列中的SlopeU系数为负且显著）随着$CCExposure$增加而变得更贵。

从幅度上看，效果在第(3)列的IKurt最强。$CCExposure$每增加一个标准差，IKurt变化相当于其标准差的7%。SlopeD和SlopeU的效果分别为4.5%和4.1%。

接下来的三个面板考虑基于主题的测度：

• 面板B：如果一家公司在气候变化带来的增长潜力方面处于有利位置，则其收益电话会议应包含更多关于气候相关机遇的讨论。这些机遇的实现可能导致成功时的大额收益或失败时的大额损失。投资者可能通过期权市场交易反映气候机遇的双向效应。面板B确认了这一直觉：第(4)和(5)列中${CCExposure}^{\mathbb{Opp}}$的尾部效应与面板A相应估计相似。${CCExposure}^{\mathbb{Opp}}$每增加一个标准差，SlopeD和SlopeU的幅度分别为4.3%和3.9%。因此，不仅当气候机遇更高时期权在两端更贵，而且上行潜力的成本增长速度快于下行保护成本。第(6)列中${CCExposure}^{\mathbb{Opp}}$与VRP之间的关联表明，未平仓看涨期权（OTM calls）的隐含价格与“历史公平”价格之间的楔形随机会暴露增加。因此，投资者在购买具有气候相关上行潜力股票的期权时愿意支付额外（波动性）溢价。然而，该效应在幅度上较小，仅边际显著。
• 面板C：${CCExposure}^{\mathbb{Reg}}$ ​的模式与${CCExposure}^{\mathbb{Opp}}$相似，但幅度较小。对于${CCExposure}^{\mathbb{Reg}}$每增加一个标准差，右尾期权昂贵程度增加了其标准差的2.6%（即SlopeU减少），而崩盘保护增加了2.3%。这证实了我们之前的证据，即一些监管暴露较高的企业由于其绿色创新活动面临下行风险和上行潜力。
• 面板D：${CCExposure}^{\mathbb{Phy}}$的效果与其他测度相似。

总体而言，气候变化暴露在期权市场中被定价。综合所有证据，暴露较高的股票的分布概率质量向尾部转移，使得崩盘保护和上行潜力相对更昂贵。获得保护和上行增长潜力需要支付溢价，特别是对于面临更高机遇的企业，这种溢价增长更快。我们承认，这些效应的幅度较为温和，在考虑交易成本后难以交易。

Cross Section of Stock Returns

气候变化暴露（CCExposure）与期权市场中的风险和风险溢价相关。因此，与CCExposure相关的系统性风险可能在股票收益的横截面中体现为风险溢价。然而，测试气候变化暴露因子（CCEXPOSURE）的定价效应存在若干挑战：

• 概念上的挑战：相较于风险测度，回报效应理论上更难以预测。一方面，具有高CCEXPOSURE贝塔值的企业应该更具风险，并且预期会赚取风险溢价。另一方面，这种关系实际上可能是相反的，随着样本期间风险逐渐被定价，股价下降，意味着实现的回报较低。Pastor, Stambaugh, 和 Taylor (2021) 描述了事前和事后回报之间的差异。
• 估计上的挑战：CCExposure反映的是某一时间点对气候主题的关注程度，这意味着CCEXPOSURE的定价应随时间变化，需要估计条件风险溢价。此外，由于可用于估计的时间点少于20年，而此类测试涉及的资产数量相对较大，这增加了估计的难度。

考虑到这些挑战，我们调查了CCEXPOSURE在股票收益横截面中的条件定价。我们遵循Jamilov, Rey, 和 Tahoun (2021)的方法，将因子构建为对CCExposure总值的意外冲击。此过程包括三个主要步骤：

1. 将美国上市公司的季度$CCExposure_{i,t}$转换为月度频率，通过将最后的暴露值向前传播最多三个月（即匹配每个气候变化暴露的月-年份到相应的季度财报的月-年份）。
2. 计算CCExposure的月度横截面平均值。
3. 将这些月度平均值的一阶差分作为代理变量，表示对总暴露水平的月度意外冲击，并用作CCEXPOSURE因子。

为了考察S&P500公司中CCEXPOSURE的条件定价，我们采用Gagliardini, Ossola, 和 Scaillet (2016, GOS)提供的两步回归方法的条件扩展（Fama 和 MacBeth (1973)）。该方法在横截面相对时间序列较大的情况下提供了良好的小样本性能。GOS假设超额收益的线性条件因子模型，具有时变因子暴露和风险溢价。参数建模为滞后工具变量的线性函数。因子载荷$\beta_{i,m}$依赖于股票特定工具（$Z_{i,m−1}$）以及共同工具（$Z_{m−1}$），而因子期望仅依赖于共同工具。在此框架下，第m个月股票i的条件期望回报率为

$$ E[R_{i,m}|Z_{i,m-1},Z_{m-1}]=\beta_{i,m}^{\intercal}\lambda_{m} $$

其中风险溢价$\lambda_{m}$是因子期望$E[F_m|Z_{m−1}]$和过程$ν_m$之和，从股票的横截面估计而来。$ν_m$允许估计的风险溢价偏离因子的条件期望，这是由于可交易因子的市场不完美造成的（Cremers, Petajisto, 和 Zitzewitz (2013)，GOS），也揭示了将不可交易因子（如我们的因子）映射到回报上的“隐含成本”。类似于Barras 和 Malkhozov (2016)使用的方法。如同GOS一样，我们将期限利差和违约利差作为共同工具变量，将账面市值比的对数作为股票特定工具变量（定义见第一节G）。我们使用增强版Carhart四因子模型（1997）估计风险溢价的时间变化成分，加入CCEXPOSURE因子。

在进行估计时，我们获得的平均条件风险溢价符合预期（市场、规模、价值和动量因子的风险溢价分别为每年11.4%，5.0%，-5.8%，和8.5%）。CCEXPOSURE溢价为正，平均为每年3.7%，并且大多数月份的点估计也为正。更重要的是，风险溢价随时间不是常数，我们拒绝了其两个组成部分为常数的假设（p值分别为0.0137和0.0001）。

表X报告了风险溢价$\lambda_{m}$的年度化组成部分的估计值，即F和ν的估计。类似于GOS的结果，风险溢价的大部分变动通过横截面成分ν发生。对于CCEXPOSURE，ν有正的无条件均值（常数为3.73%）和与违约利差的正向关联（3.13%）——两者都非常显著。这表明，暴露于CCEXPOSURE因子较高的股票预期会产生更高的回报，尤其是在市场违约风险增加时。

图4描绘了CCEXPOSURE风险溢价的时间序列。该系列展示了随时间的显著波动，在金融危机期间出现大幅上升。进一步的初步解释指出，在飓风桑迪（2012年10月）和多哈气候峰会（2012年11月）期间出现了临时性上升。另一波临时上升发生在巴黎协定签署之后（2015年12月）。最近五年内，风险溢价在特朗普总统上任初期（2017年1月）最低；此后逐渐增加，在COVID大流行开始时有所下降。

我们强调，我们的目标不是创建一个终极的气候因子以添加到因子动物园（Feng, Giglio, 和 Xiu (2020)），而是展示收益电话会议中对气候主题的关注与系统性风险有关，对这种关注的冲击可能在横截面上被定价（遵循Shiller (2017)的叙述方式）。

Conclusion

在本文中，我们引入了一种新的方法，通过识别收益电话会议中反映气候变化对话的词组组合来衡量企业的气候变化暴露。这些电话会议反映了信息市场的供需双方——分析师（需求方）和管理层（供给方），因此我们的测度综合了关键利益相关者对企业气候变化暴露的看法。此外，收益电话会议主要是前瞻性的；虽然分析师回顾过去的结果，但他们也花大量时间询问管理层关于未来计划的情况（Huang et al. (2018)）。

我们的测度基于近期将收益电话会议作为识别企业随时间面临的各种风险和机遇来源的研究工作，并在此基础上进行了调整。我们沿多个关键维度调整了先前研究的方法，使我们能够捕捉到与气候变化相关的机遇以及（物理和监管）风险的各个方面。为此，我们采用了King, Lam, 和 Roberts (2017)提出的机器学习关键词发现算法，并生成了几组气候变化双词组。

• 不同于选择一个训练库，我们从一个大多数专家都认为与气候变化相关的简短初始双词列表开始。我们的暴露指标捕捉了收益电话会议中与气候变化主题相关部分的比例。这些指标适用于涵盖2002年至2020年期间的超过10,000家全球样本企业的数据。
• 我们证明，这些指标有助于预测与净零转型相关的重大实际结果，特别是绿色技术增长和绿色专利申请情况。我们还记录了这些指标包含的信息在期权和股票市场中被定价的事实。