绿色债券数据治理：债券分类与绿色贴标的口径、清洗与交叉校验

拿一份绿色债券清单去和终端里的基本资料表核对，是件很容易让人怀疑人生的活。前阵子帮一个做ESG研究的团队复核样本，对方递过来一千二百多只"绿色债券"，我按自己维护的一套规则跑了一遍，最后剩下九百出头。差出来的那三百来只，绝大部分不是数据缺失，也不是代码写错，而是大家对"债券分类"这个字段的理解根本不在一个频道上——对方把"债券简称里带绿色字样"当成了入选条件，而这个字段压根不是用来干这个的。

这篇就聊透这件事：绿色债券基本资料里的债券分类究竟在描述什么、主流金融数据终端里它是怎么一层层展开的、它和"绿色贴标"这个属性字段该怎么配合使用、清洗环节最容易翻车的几个位置在哪里。不管你是刚开始搭绿色债券数据库的在校生，还是已经做了几年固收数据、突然被要求出一版绿色债券存量报表的从业者，下面这些内容应该都能省下你不少返工时间。文中涉及的字段名以通用口径为主，各家终端的具体命名会有差异，逻辑是共通的。

1. "债券分类"描述的到底是什么东西

1.1 先看一个对不上数的现场

某次月度数据对齐，两边都是同一批债券，A方统计的绿色信用债存量是1.8万亿，B方算出来2.4万亿。差了三分之一，谁都不服谁。把两边的明细拉出来做外连接，发现问题集中在两个地方：一是B方把绿色资产支持证券的全部优先级档都算进了信用债，二是A方把几只绿色中期票据归到了"金融债"下面——理由仅仅是发行人是一家金融机构的子公司。

这两处差异，本质上都不是数据错误，而是分类口径的问题。债券分类字段描述的是"这只券在发行审批通道、交易场所、偿付顺序上的归属"，它有明确的层级和边界；而很多人下意识地把它当成了"发行人行业"或者"资金用途"的替代品，一错就是一整片。

所以我常说，绿色债券的数据治理里，最贵的不是缺数据，是口径没写清楚。分类字段一旦被误用，后面所有的规模统计、利率对比、期限结构分析都会跟着歪，而且歪得很隐蔽——因为数字看起来是合理的。

1.2 分类回答的是"怎么发的"，不是"钱去哪了"

把一只债券想象成一张借条，分类字段回答的是三个问题：这张借条在哪个市场挂牌、走的是哪套审批规则、持有人排在清偿顺序的哪一档。利率债、信用债、同业存单、资产支持证券这四大类，区别就在这里。

而"绿色"回答的是完全不同的问题：这笔钱拿去干什么了、有没有第三方出具评估意见、存续期有没有披露资金投放情况。这两组信息在数据表里通常是分开的两组字段，一组叫债券分类，一组叫贴标类型或主题标签。

把绿色当成一个分类层级去用，是绿色债券数据处理里最常见、也最难被自己发现的一个错误。它不会报错，只会让你的样本悄悄多出三成。

真正规范的做法是：先用分类字段圈定"这是哪一类债券"，再用贴标字段圈定"这只券是不是绿色"，两个条件取交集。顺序反了，或者干脆只用一个，样本就会失真。

1.3 为什么数据终端要把两者分开存

从数据建模的角度看很容易理解。一只债券只能属于一个分类，但可以同时具备多个标签——它可能既是绿色债券，又是碳中和主题，还挂在某个区域性试点项目下。分类是一对一的枚举值，标签是多对多的集合，存储结构天然不同。

如果强行把"绿色"做进分类树，会立刻遇到一个无解的冲突：一只绿色中期票据，它到底该归到"中期票据"还是"绿色债券"？两个都对，但字段只能填一个。所以成熟的数据体系一定是分层的，分类管归属，标签管属性。

理解了这一点，后面所有的字段使用、筛选逻辑、报表搭建，思路就顺了。你在建自己的绿色债券库时，也应该照这个结构设计：主表存分类等静态信息，标签表存绿色贴标、认证情况、募投项目类型，两张表用债券代码关联。

2. 分类树是怎么一层层展开的

2.1 一级分类的四分法及其边界

主流终端的债券一级分类基本是四分或者五分的结构，差异不大：

这张表里最需要留心的是最后一行。"其他"这一类在不同终端里的收容范围不一样，有的把可交换债放进信用债，有的单独列出；有的把项目收益票据归到企业债下，有的扔进其他。你做跨源比对时，第一件事就是把"其他"这一类的明细拉出来逐条核对，别默认两边一致。

2.2 信用债下面的品种细分才是主战场

绿色债券的绝大多数落在信用债这个大类下，所以二级、三级的细分必须搞清楚。

信用债往下通常先按监管通道拆：银行间市场品种和交易所市场品种。银行间这边是中期票据、短期融资券、超短期融资券、定向工具、中小企业集合票据；交易所这边是公司债（分大公募、小公募、私募）、企业债（跨市场）、可转债、可交换债。

再往下还有一层，按特殊条款或者发行方式细分，比如含权债、永续债、绿色债、扶贫债、双创债。注意这一层里已经混进了"主题类"的划分，跟纯通道划分不在一个维度上，这是很多人搞混的根源。

我在建自己的映射表时，会额外加一列"通道类型"（银行间/交易所/跨市场），一列"偿付顺序"（优先级/劣后级/平层），一列"是否含权"。这三列不来自终端的原始分类字段，是我自己按规则补的，做筛选的时候比原始分类好用得多。

2.3 两个市场的口径怎么对齐

同一个发行人，在银行间发中期票据，在交易所发公司债，终端里这两只券的分类路径完全不同，但在很多分析场景下需要合并成"该发行人的信用债敞口"。这时候就需要一张映射表。

我的做法是以"发行监管通道"为主键做一级归并，再以"偿付顺序"做二级归并。具体映射关系大致是：

• 中期票据、定向工具、短期融资券 → 银行间信用债
• 公司债、企业债 → 交易所信用债
• 两者合并 → 信用债（不含ABS和同业存单）

这个映射不是拍脑袋定的，依据是它们的审批规则和信息披露要求相近，在信用分析上可以放在一起看。但如果你做的是流动性分析，就不能这么合——银行间的现券交易活跃度和交易所的竞价撮合完全是两套逻辑，得分开统计。

2.4 绿色债券在分类树上的具体落点

一只绿色债券，它的分类路径大致长这样：

• 绿色金融债 → 信用债 / 金融债 / 商业银行债（或政策性金融债）
• 绿色企业债 → 信用债 / 企业债 / 一般企业债
• 绿色公司债 → 信用债 / 公司债 / 大公募或小公募
• 绿色中期票据 → 信用债 / 中期票据 / 一般中期票据
• 绿色定向工具 → 信用债 / 定向工具
• 绿色资产支持证券 → 资产支持证券 / 企业ABS（或ABN）/ 优先级
• 绿色地方政府债 → 利率债 / 地方政府债

看清楚这个结构你会发现，绿色债券在分类树上根本不是集中在一起的，它散落在各个分支里。你没办法通过一个分类字段值就把它们全部捞出来，必须靠贴标字段。这也从侧面印证了第 1 节说的：分类和标签是两个维度。

快速验证：随便挑十只绿色债券，看它们的分类路径，如果全都一样，那多半是你的取数逻辑出问题了，或者你只取了某一个品种。

3. 分类字段和贴标字段怎么交叉着用

3.1 贴标类型字段常见的那几种取值

绿色债券的贴标类型，在各家终端里通常是独立字段，取值大致包括：境内绿色债券（符合国内通用绿色项目认定口径）、碳中和债、蓝色债券、可持续发展挂钩债券、转型债券，还有一些终端会单独标出是否取得国际气候债券认证。

这里要划清一条线：贴标类型描述的是"这只券声称自己是什么"，不等于"它真的符合要求"。数据终端录入的信息主要来自发行文件和第三方评估报告，它不做实质性核查。所以你会看到一些券被标成绿色，但募集说明书里对资金用途的表述非常含糊，存续期也没披露过投放明细。

这就带出一个实操原则：贴标字段用来做初筛，实质性判断得自己补。补的方式包括看募集说明书里的项目清单、看第三方评估意见的结论页、看存续期年度报告有没有披露资金投放进度。

3.2 交叉筛选的正确操作顺序

我把自己的筛选流程拆成四步，顺序不能乱：

1. 先按分类字段圈定范围。比如只做信用债，那就排除利率债、同业存单、ABS（或者把ABS单独拎出来做一张表）。
2. 再按贴标字段做初筛。取贴标类型非空且属于目标标签集合的记录。
3. 然后做一致性校验。检查贴标类型和债券简称、发行文件关键词是否矛盾，把矛盾的记录单列出来人工过。
4. 最后做存续期过滤。剔除已摘标、已到期、已全额兑付的记录，剩下才是真正在存续的绿色债券池。

这个顺序的好处是每一步都有明确的产出物，出了问题能定位到具体是哪一步。我见过不少人是反着来的，先筛绿色再分品种，结果因为绿色标签字段有空值，导致漏掉一批券，自己还不知道。

3.3 三个高频误筛动作

第一个，用债券简称做模糊匹配。"绿色"两个字在债券简称里出现的频率远高于实际绿色债券数量，有些是发行人的品牌词，有些是项目名称的一部分。我见过一只叫"某绿色家园"的地产债，实际上跟绿色债券毫无关系。简称匹配只能作为辅助校验，绝不能作为主筛选条件。

第二个，把发行人行业当分类。有人用"发行人属于电力、燃气、水务行业"来近似绿色债券，这在早期数据不全的时候是个没办法的办法，但误差极大。一家火电企业发的普通中票，和一家新能源企业发的绿色中票，在分类字段上可能完全一样，靠行业根本分不开。

第三个，忽略碳中和债这类子标签的重复计数。一只券可能同时被标成"绿色债券"和"碳中和债"，如果你用标签做计数而没有去重，规模会被重复计算一次。正确做法是以债券代码为主键做 distinct，标签作为附加信息展示而不是计数维度。

4. 清洗环节最容易翻车的几个位置

4.1 空值、"其他"和拼写不一致

分类字段的空值率在成熟终端里通常不高，但"其他"这个兜底值的占比可能出乎意料。我经手过的一份数据里，"其他"占了信用债样本的 4% 左右，逐条看下去，里面混杂着项目收益票据、并购债、绿色债专项品种，甚至还有几只录入错误的普通中票。

处理"其他"没有捷径，只能拉明细人工归类。但你可以把工作量降下来：先按发行人类型、发行规模、票面利率做聚类，同簇的记录往往属于同一品种，归类时可以批量处理。

拼写不一致的问题主要出现在自己整合多源数据的时候，比如"超短期融资券"和"超短融"、"定向工具"和"非公开定向债务融资工具"，同一个东西三种写法。建库的时候一定要有一张标准词表，所有来源的数据先过一遍词表映射再入库。

4.2 字段之间互相矛盾怎么处理

最常见的矛盾是分类字段说是"中期票据"，但交易场所字段填的是"上交所"。中期票据是银行间品种，不可能在上交所挂牌。这种矛盾通常意味着两个字段中有一个录错了，或者这只券是跨市场发行的特殊品种。

我的处理原则是：以交易场所和债券代码段为准，反推分类。债券代码的前几位往往能反映市场和品种，比如银行间的代码段和交易所的代码段有明显区别。用代码段校验分类字段，准确率比反过来高得多。

还有一类矛盾是贴标类型和实际用途对不上。这个没法靠字段校验解决，只能靠文本。可以对募集说明书做关键词抽取，看"绿色项目""节能环保""清洁能源"这类词的密度，密度过低但被标成绿色的，进人工复核队列。

4.3 债券代码漂移和简称变更

这个坑在长周期数据里特别致命。一只券在存续期内可能因为要素调整、市场转托管导致代码变更，简称也可能因为发行人更名而变化。如果你的主键用的是简称，历史数据一关联就断了。

解决方案是双主键：以当前债券代码为主键，同时维护一张历史代码映射表，记录每次变更的时间和原因。做时间序列分析时，用映射表把历史记录串起来。

我吃过一次亏：某只绿色中期票据在第二年做了简称变更，从"XX绿01"改成"XX绿色01"，我在做年度对比时把它当成了两只不同的券，导致存量统计多算了一笔。后来在清洗流程里加了一步"按发行人+发行日期+发行规模"的三元组做重复检测，这类问题才被拦住。

4.4 存续期摘标怎么识别

绿色债券不像评级，没有一个统一的"摘标"公告字段。一只券可能因为募投项目变更、资金用途调整而实质上不再符合绿色属性，但终端里的贴标字段依然是"绿色"。

识别办法有几个：一是看存续期信息披露公告里有没有资金用途变更的表述；二是看第三方评估机构有没有出具跟踪评估意见，以及意见的结论；三是看该券是否被某些绿色债券指数剔除。第三条最省事，指数成分的调整往往已经做过一轮实质性判断，可以直接借用。

5. 把分类维度落到统计口径上

5.1 规模统计的三种口径别混用

做绿色债券规模报表，至少有三个口径：发行量（按起息日统计当期新发）、存量余额（按某一时点的未偿本金）、到期量（按到期日统计）。这三个数的计算逻辑完全不同，混在一起说就会出笑话。

分类字段在这三个口径里的作用也不一样。发行量统计时，分类主要用来做品种分布；存量统计时，分类要结合剩余期限做结构分析；到期量统计时，分类的作用是判断再融资压力落在哪个品种上。

我习惯在报表里同时给出"按一级分类"和"按品种细分"两套视图，前者给管理层看趋势，后者给自己做校验。两套视图的合计数必须相等，不等就说明有记录的分类字段落在了映射表覆盖不到的位置。

5.2 不同品种的利率和期限特征差异

分类维度下最有价值的对比，是同一标签下不同品种的定价差异。同样是绿色信用债，绿色金融债的票面利率通常低于同期限的绿色中期票据，原因是发行主体信用等级和流动性溢价不同；绿色ABS的优先级档利率又和基础资产类型强相关，光伏电站和污水处理厂的项目现金流特征完全两回事。

做这类对比时，分类字段必须细分到三级以上，否则会得出"绿色债券整体利率下行"这种没有信息量的结论。真正有用的表述是"三年期绿色中期票据与同期限绿色公司债的利差在过去四个季度收窄了多少个基点"，这种结论才有决策价值。

5.3 一套可复用的取数和校验模板

下面这段是 pandas 的伪代码，字段名用通用写法，各家终端导出后改改列名就能跑：

import pandas as pd # 读取基本资料表与标签表 basic = pd.read_csv("bond_basic.csv") tags = pd.read_csv("bond_green_tags.csv") # 第一步：按分类字段圈定信用债范围 credit_mask = basic["bond_class_l1"].isin(["信用债"]) credit = basic[credit_mask].copy() # 第二步：按贴标字段初筛，注意去重 green_codes = set(tags.loc[tags["tag_type"].isin( ["境内绿色债券", "碳中和债", "蓝色债券"]), "bond_code"]) credit["is_green"] = credit["bond_code"].isin(green_codes) green_pool = credit[credit["is_green"]].copy() # 第三步：一致性校验，标为绿色但简称不含特征词的单独列出 suspect = green_pool[~green_pool["bond_short_name"].str.contains("绿|碳", na=False)] print("待人工复核：", len(suspect)) # 第四步：剔除已到期 green_pool = green_pool[green_pool["maturity_date"] > "2025-01-01"] # 交叉校验：分类分布与总量 print(green_pool.groupby("bond_class_l2")["outstanding_amt"].sum()) print("合计：", green_pool["outstanding_amt"].sum())

这段代码的关键不在语法，而在每一步都有中间产物可以人工抽查。第三步那个suspect列表特别重要，它是你发现数据质量问题的主要入口，别嫌麻烦跳过。

6. 几个我自己踩过的坑

第一个坑，以为分类字段是稳定的。实际上分类树本身会调整，某一年终端把某类品种从信用债挪到了"其他"，我的历史报表直接出现了断层。后来养成了习惯，每次更新数据前先跑一遍分类值域分布，和上一期做 diff，值域有变化就先处理再入库。

第二个坑，用分类字段做唯一性假设。我以为一只券只会有一个分类值，结果发现跨市场发行的企业债在部分数据源里会出现两条记录，分类分别是"银行间"和"交易所"。处理办法是在债券代码层面做聚合，分类字段取并集，用逗号拼接。

第三个坑，忽视分类与计息方式的交互。同样是绿色中期票据，固定利率和浮动利率在分类字段上可能完全一样，但做利率分析时必须分开。分类字段管不到这么细，得自己再加一列计息方式。

第四个坑，也是最近才意识到的：绿色债券的分类路径在发行时和存续期可能不一致。有些券发行时归在"企业债"，后来因为转托管或者品种重新认定，存续期里被调到了别的分类下。做时间序列对比时，如果不锁定"以发行时分类为准"还是"以当前分类为准"，结果会莫名其妙地漂移。我现在的做法是两套都存，一套 snapshot 记录发行时状态，一套 current 记录最新状态，分析时明确说明用的是哪一套。

做到这一步，绿色债券的分类字段才算真正用明白了。它不是一个拿来就能用的标签，而是一套需要你理解其设计意图、知道它的边界在哪里、并且愿意花时间做交叉校验的底层结构。谁把这个字段的口径写进数据字典，谁就少了一半的返工。