【减缓气候变化方案】脱碳企业的信用评级如何预测？——机器学习的证据

在全球碳中和与低碳转型背景下，企业为减少碳排放往往需要进行持续且规模较大的资本性投入，如新能源替代、能效改造和绿色技术研发。这一过程通常会加重企业对外部融资的依赖，而信用评级又是决定融资可得性和融资成本的关键因素。然而，传统信用评级模型主要基于财务报表和历史经营表现，难以充分反映企业在脱碳转型过程中面临的环境风险、政策不确定性和转型成本压力。尤其是低碳企业，其风险结构可能与传统高排放企业存在系统性差异。基于此，本文关注一个核心问题：在企业脱碳背景下，信用评级是否仍然可以被有效预测，以及机器学习方法能否在刻画低碳企业信用风险方面优于传统方法。

作者选取2010—2019年间欧元区355家上市公司作为研究样本，结合企业碳减排和气候表现评分（基于CDP气候评分）与国际主流评级机构（标普、穆迪、惠誉）的信用评级数据，构建脱碳企业信用评级预测框架。在方法上，文章系统比较了多种机器学习模型，包括分类与回归树（CART）、随机森林、支持向量机和其他常见算法，评估其在多分类信用评级预测中的表现。同时，研究进一步将样本划分为投资级、投机级和高风险（违约）评级区间，检验模型在不同风险层级下的稳健性和适用性，从而全面评估机器学习方法在低碳企业信用风险识别中的有效性。

研究结果表明，基于树结构的机器学习模型在预测脱碳企业信用评级方面具有显著优势。其中，分类与回归树（CART）在整体样本和不同评级区间中均表现出最高的预测精度，而随机森林在识别高风险和接近违约企业方面尤为有效。研究还发现，即使在仅关注投资级或投机级企业的情况下，机器学习模型的预测能力依然保持稳健。这一结果说明，企业脱碳并不会必然导致信用质量恶化，但其信用风险形成机制更为复杂，呈现出明显的非线性特征，传统线性评级方法可能低估或误判低碳转型企业的真实风险。