Key findings highlight that most corporate carbon-emissions reporting is inconsistent and lacks critical information, with around 40% of reported Scope 1 and 2 emissions not specifying their scope or operational coverage. Institutional investors require reliable, comparable, and transparent climate data for investment decisions and portfolio-emissions reporting. While AI has advanced in extracting corporate climate disclosures, transforming this data into comparable format remains challenging due to substantial human judgment and effective human-AI collaboration needed.
Challenges in reported emissions comparability
- Operational coverage: Approximately 36% of Scope 1 and Scope 2 emissions disclosures do not specify whether they cover a company's entire operations or only select business activities, leading to potential analysis errors if assumed full coverage.
- Decarbonization-target coverage: Around 56% of corporate climate targets analyzed did not explicitly state the share of emissions they cover, with critical frameworks like the Science-Based Targets initiative (SBTi) requiring near-term Scope 3 targets to cover at least 67% of emissions and most long-term targets at least 90%.
- Scope 2 reporting method: Nearly half (47%) of reported Scope 2 emissions do not specify whether they use a location-based or market-based approach, which can significantly impact reported figures.
- Scope 1 and Scope 2 totals divergence: 8.7% of disclosures showed a reported combined Scope 1 and Scope 2 figure not equal to the sum of individually reported values, reflecting differing carbon-accounting approaches.
Human judgment and verification
- Over 200 types of judgment calls are needed to address inconsistent, incomplete, or ambiguous corporate disclosures, as reported climate disclosures must align with broader company data and activities (e.g., production volumes).
- For example, a carmaker reporting exceptionally low Scope 2 emissions may exclude emissions from subsidiaries using an equity-share approach, which is valid under the GHG Protocol but produces materially different totals compared to an operational-control approach.
AI and structured data for investment-ready outputs
- Metadata, quality checks, and interpretation are created independently of data extraction to ensure models and investment analytics produce consistent, comparable results.
- For instance, projecting future emissions requires resolving metadata questions such as whether reported emissions and targets use the same accounting basis and whether values are complete and comparable.
- MSCI's models leverage this structured data foundation to deliver consistent projection estimates across companies.
Conclusion
While AI accelerates climate disclosure collection and processing, corporate reporting inconsistencies necessitate expert judgment to transform data into investment-grade quality. Reliable portfolio-level emissions reporting, driven by expanding disclosure and assurance requirements (e.g., in the EU), underscores the need for structured methodologies and governance. The optimal approach combines AI efficiency with human expertise to ensure data accuracy and comparability for real-world investment decisions.
人工智能在气候数据中的承诺与局限
博客文章
5分钟阅读
关键发现
大多数企业碳排放报告缺乏一致性，且常常缺少关键信息。例如，大约有40%的所报告范围1和范围2排放未明确其范围或运营覆盖范围。机构投资者在进行投资决策或投资组合排放报告时，需要可靠、可比且透明的气候数据。虽然人工智能的进步长期以来支持着企业气候信息披露的提取，但要生成适用于特定目的的气候数据，则需要大量的人类判断和有效的人机协作。
您无需过于费力即可想象一个世界：其中日益强大且性价比高的AI工具能够即时提取每家上市公司的报告排放和气候目标数据。然而，将这些信息转化为可在发行人和投资组合之间进行比较的数据，仍然是一项重大挑战。
从提取的披露信息到可比较的气候数据
利用公司报告的排放量和气候目标进行投资决策或组合层面的披露，不仅需要提取披露信息，还需要在不同发行主体之间对数据进行一致性解读。
为什么报告的排放量不能直接比较
这些例子来自三家匿名上市公司的报告。来源：样本公司2024年报告。
下方的示例数据空白基于MSCI可持续发展与气候数据集中的近9.8万份年度排放披露信息和近6.1万个气候目标，这些信息来自全球约1.1万家上市公司的数据。
许多气候数据点在所列公司中缺失。
截至2026年2月的数据用于排放数据记录，截至2026年6月的数据用于脱碳目标。来源：MSCI可持续发展与气候。MSCI可持续发展与气候产品和服务由美国MSCI Solutions LLC以及英国MSCI Solutions（英国）有限公司及某些其他相关实体提供。
该图表仅突显了在企业气候披露中发现的部分信息缺失和不一致问题。我们将在下文详细说明，为何在生成可靠、可比的气候数据方面，大量人为判断仍然是必需的。
运营覆盖范围。大约36%的年度范围一和范围二排放报告未明确说明所报告的数字是否涵盖公司全部运营或仅特定业务活动。在未明确说明的情况下假设完整的运营覆盖范围可能导致分析出现重大错误。
脱碳目标覆盖范围。在我们分析的众多企业气候目标中，约有56%的目标并未明确说明其覆盖的排放份额。覆盖范围对于评估目标的雄心至关重要。例如，基于科学的雄心目标倡议（SBTi）要求近期目标3（Scope 3）覆盖至少67%的排放量，且大多数长期目标需覆盖至少90%。
范围2报告方法。范围2排放可以使用基于地点的方法报告，该方法反映电网平均排放，或使用基于市场的方法，该方法考虑了清洁能源证书。两者之间的差异可能很大，但近半数（47%）报告的范围2排放并未说明使用了哪种方法。
已报告的范畴1和范畴2总额。已报告的范畴1和范畴2合并数字并不总是等于分别报告的范畴1和范畴2数值之和。我们发现8.7%的披露存在这种差异，这反映了碳核算方法的不同使用。
这些例子仅说明了为生成可比气候数据所需解释的一小部分。在审查MSCI的排放和气候目标方法时，我们确定了需要处理不一致、不完整或模糊的企业披露的200多种判断类型。
信任，但求证。
已报告的气候披露只是整体情况的一部分。它们需要与公司的更广泛报告数据及经营活动（例如，生产量）保持一致。例如，如果一家汽车制造商报告的与其销售车辆数量相比，以及与其同行相比，范围2排放量异常低，那会怎样？
更仔细的审查可能会揭示，例如，该公司已将其持有的多数股权子公司的部分排放排除在外——采取了股权份额法。根据温室气体核算体系（GHG Protocol），公司可以使用运营控制法或股权份额法来核算这些排放。如下文所示，这两种方法都是有效的，但它们可能会产生实质性不同的排放总量。因此，确定所报告的数字是否完整、可比和一致，需要专家审查，而不能仅仅依赖所报告的气候数据。
操作控制与股权分享方法可能产生不同的报告排放总量
此示例为风格化处理，并非基于特定公司，仅供说明之用。资料来源：MSCI可持续发展与气候，截至2026年6月。
设计即用的用例（元）数据
上述元数据、质量检查和解读是在数据提取过程之前、独立于该过程创建的。它们为模型和投资分析提供基础，以生成一致且可比较的结果。
请考虑一个常见的投资者问题：我该如何估算我投资组合中各公司的未来排放量？
回答这个问题需要的不只是提取报告的排放量和目标值。
如我们所展示的，即使是自动化模型也必须首先解决几个元数据问题，例如报告的排放量和目标是否使用相同的会计基础，以及报告的数值是否完整且可比较。
MSCI的模型基于这一标准化的数据基础，以在公司间提供一致的预测估计。
预测排放需要结构良好的数据集
此示例为风格化处理，并非基于特定公司，仅供说明之用。资料来源：MSCI可持续发展与气候，截至2026年6月。
AI的答案质量取决于人类专家提问的质量。
如何填补气候数据空白至关重要，因为这些数据将影响实际的投资决策，从评估公司排放到构建和报告投资组合排放。
可靠的、具有组合投资级别的排放报告也日益重要，因为披露和保证要求在欧盟等地区正在扩大。3 新兴的披露标准也可能导致新的数据方法和收集问题。4
提取已报告的气候信息披露并非难事。更大的挑战在于将不一致的企业报告转化为可靠、可比且适合投资的数据。这意味着需要提出数百个问题，创建元数据点，并做出判断。
人工智能将持续加速气候信息披露的收集和处理。但只要企业报告仍不完整且结构不一致，专家判断对于将这些气候数据转化为投资级信息仍至关重要。
这是人类与人工智能协同工作效果最佳的一种情况。
森尼·唐吉 副总裁，MSCI 研发部
马里奥·德·马里拉克
今日订阅，洞察将送达您的邮箱。
人工智能如何成为投资级
对于机构投资者而言，竞争优势将更多地源于支持人工智能模型的数据质量、方法论和治理，而非人工智能模型本身。
阅读更多
范围2修订及对投资者的影响
范围2指南的变更可能会增加某些行业的报告排放量。即使底层企业的脱碳进展保持不变，投资者也可能看到其投资组合指标发生变化。
了解更多
气候数据与指标
衡量气候风险与机遇的数据和指标。
探索更多
1 《企业净零排放标准（1.3.1版）》，科学基于目标倡议（SBTi），2026年4月。 2 基于MSCI可持续发展与气候发布的《气候数据操作收集方法论》（2025年9月，仅限客户访问）和《气候目标与承诺方法论》（2024年5月）。 3 《欧洲议会和理事会关于修订指令2013/34/EU及其他关于企业可持续发展报告（企业可持续发展报告指令）的指令（EU）2022/2464》，欧洲联盟官方公报，2022年12月。
参见“行动与市场工具（AMI）第一份白皮书——信息征询”，温室气体协议，2026年3月。
本页面内容仅供信息参考，仅面向具备分析资源和工具以解读任何绩效信息的机构专业人员。此处内容无意推荐任何产品、工具或服务。关于所有涉及法律、规则或法规的引用，请注意信息按“原样”提供，不构成法律建议或任何具有约束力的解释。为遵守监管或政策倡议，任何相关方法均应与贵司法律顾问和/或相关主管部门（如需）讨论。