ESG数据资产化： 风险与治理白皮书（2025） 财联社 清华大学五道口金融学院金融安全研究中心 课题组简介 参与单位： 清华大学五道口金融学院金融安全研究中心 财联社 课题组组长: 周道许 清华大学五道口金融学院金融安全研究中心主任 北京市“十五五”规划专家咨询委员会专家 课题组成员： 赵毅波 财联社编委 周 京 清华大学五道口金融学院金融安全研究中心总监 黄旌沛 清 产定价、资产 配置与风险管理的核心因子。ESG数据资产化的提出，标志着我们将非财务信息 的价值发现与利用提升到了一个新的战略高度。 从学术研究的角度看，ESG数据资产化是一个典型的交叉学科命题，它横跨 金融学、计算机科学、法学与环境科学等多个领域。其核心在于解决两大难题： 一是“价值量化”，即如何科学、公允地评估ESG数据所蕴含的经济与社会价值， 避免“洗绿”风险与估值泡沫；二是“可信流通”，即如何构建一个兼顾数据主权 国际可持续准则理事会（ISSB）的全球基准，力图为中国构建与国际接轨的披露 体系提供参照。我们剖析了区块链、隐私计算、人工智能等前沿技术在数据确权、 估值、交易中的应用范式，并对其内在的技术风险与算法偏见进行了客观评估。 更重要的是，我们提出了一个多层次、多主体的协同治理框架。我们认为，有效 的治理并非单一维度的强监管，而是需要政府、市场、社会、企业之间形成良性 互动。这包括顶层的法

新，是一场深刻的价值重构。其 核心要义，在于将金融服务从对单一企业“点”的信用评估，转向对整个供应链 “链”的价值认可与“面”的生态赋能。它不再仅仅是资金的融通，更是信用的 传导、数据的链接、风险的共担与价值的共创。当核心企业的信用能够像涓涓细 流般渗透至产业链上下游的广大中小微企业——这些国民经济的“毛细血管”时， 整个产业生态的活力便被彻底激发。 同时，供应链金融更是深化“改革”的催化剂与黏合剂。它以金融为纽带， 当然，前路光明，挑战犹存。我们在欣喜地看到供应链金融蓬勃发展的同时， 也必须清醒地认识到其面临的现实困境：法律法规体系仍需完善，跨部门、跨行 业的数据协同机制尚待建立，复合型专业人才缺口巨大，以及在复杂交易结构下 风险的识别与管控难度也在增加。这些挑战，恰恰是未来改革与创新的着力点。 解决这些问题，需要政府、产业、金融、科技等多方力量的协同共进，更需要我 们以更大的智慧和勇气，去推动制度创新与模式探索。 本 基于单一主体信用的风险评估模式，正被基于全链条数据、多维交叉验证的智能 化风控所取代。这无疑是巨大的进步，但同时也催生了新型的、更为复杂隐蔽的 风险形态。这些风险不再是孤立的点，而是相互关联、能够瞬时传导的面，对我 们的安全防线提出了前所未有的挑战。 首先，信用风险的“链式传导”与“风险共振”现象愈发突出。 传统信贷 风险多集中于单一借款人，而供应链金融的风险则天然具有网络化特征。链条上

27 目录 大模型发展趋势、风险挑战与 解决方案 1 模型商业落地加速，面临多样化的部 16 署与应用环境 2 模型应用安全风险具有系统性与复杂 17 性，全生命周期的安全保障是模型应用 落地的关键 2.1 AI 基础设施风险：供应链漏洞、DDoS 攻击 17 与模型资产威胁 2.2 大模型风险：算法合规、内容安全、对抗攻击 18 18 2.3 应用服务安全风险：算力消耗、供应链与 18 隐私泄露 3 公共云和 MaaS 是兼顾性能、效率、 20 安全的最佳解决方案 CHAPTER CHAPTER 01 02 通义大模型：全生命周期安全 合规 1 风险现状及能力构建 46 1.1 主要风险挑战 46 1.2 核心能力构建 46 2 全尺寸、全模态的模型供给 48 2 CHAPTER 阿里云AI基础设施：原生安全 保障 1AI 基础设施及其关键挑战：兼顾安全、30 能力、效率 1.1 安全挑战：系统软件漏洞、资源滥用、供应链 30 攻击与隐私合规风险 1.2 高可用性挑战：系统稳定性压力增加 31 1.3 高性能瓶颈：算力利用率与异构协同问题凸显 32 1.4 算力经济性失衡：资源碎片化与供需错位下的 33 成本与效率挑战

.......................................................................... 30 6.3 传输网智能割接机器人，降低人为风险 ................................................................................................. 32 ................................................................................... 34 6.5 业务平台多维风险预测，消除运行隐患 ......................................................................................... ....................................................................................... 37 6.7 光缆风险隐患智能排查，保障网络安全 .....................................................................................

其二，人工智能决策的“黑箱”特性带来了新风险的责任划分问 题。当智能系统造成损害时，在设计者、开发者与使用者等多环 节间的技术溯源与法律归责，使得传统“过错责任”原则的适用 面临挑战，并对司法机关的技术事实查明能力提出了要求。其三， 智能制造催生的平台用工、共享制造等新业态，在一定程度上模 糊了传统法律关系的边界，引发发展与规制方面的讨论。司法裁 判需要为新模式下的风险承担与权益保障提供指引。其四，产业 ，产业 发展本身蕴含着多重价值的平衡诉求。司法裁判需要在鼓励数据 流通与保障数据安全、激励技术创新与防范伦理风险、促进人才 流动与保护核心技术资产等多重价值间进行权衡，以实现个案正 义与产业发展的良性互动。 为系统性研究上述问题，调研组从数据、算法和主体等 3 维 度建构分析路径，将智能制造引发的法律现象解构为 3 个核心逻 辑单元：数据是基础生产要素，算法是核心驱动引擎，而主体则 论提出了挑战。在算法“黑箱”、数据安全保障义务边界不清、第 三方网络攻击等情形下，如何合理划分各方主体的注意义务与法 律责任，是司法实践中需要审慎研究的难点。另一方面，面对上 述不确定性，市场主体已在探索如“尽职免责”等新型内部风险管 理机制。然而，此类商业实践创新的法律效力与适用边界，尚有 待司法裁判予以明确和指引。 （3）湾区“一国两制三法域”下，数据要素市场规则衔接面 临挑战。在粤港澳大湾区一体化发展的宏观战略下，数据作为关

形成数智化、智 能化与绿色增长相互促进的良性循环。 智能运营是企业长期保持竞争力的重要引擎。该引擎的关键在于实现贯穿资源勘探开发、管 道储运、炼化生产、产品销售各阶段的全产业链一体化优化，以及风险控制、财务管理、科 技研发等领域的创新。当前，政策不仅推动单点技术升级，更注重构建可持续的智能运营体 系。例如，《原材料工业数字化转型工作方案（2024—2026年）》强调建立基于数据的数字 全生产成为石油石化运营管理的底线要求。尽管监管体系日趋严格，安全事故仍时有发生， 对企业效益和社会形象造成重大影响。为进一步降低事故发生概率，企业需要持续提高安全 管理水平，实现从被动合规到风险预控的转变。 1.3 新技术加速石化运营智能变革 以5G、物联网、云计算、大数据和人工智能为代表的数智技术，正深度驱动石油石化运营向高端 化、智能化和绿色化转型。这些技术不仅增强了数据感知、汇聚与价值挖掘能力，支持智能分析 石化新智运营特征与能力框架 在政策约束、能源转型及技术迭代等挑战下，传统运营模式正遭遇系统性瓶颈，如勘探决策依赖 历史经验导致机会成本巨大，炼化装置能效优化滞后加剧碳减排压力，供应链韧性不足放大市场 波动风险等。为此，构建覆盖石油石化全产业链的实时感知网络与智能决策体系，已成为突破运 营效能边界、实现本质安全与绿色低碳转型的核心路径。在此背景下，石化盈科与IDC携手提出 “新智运营”概念，引领石油石

Med Bench 和 MedEth icEval 为 例 展 示评测实践过程。 其三， 聚焦 于医疗健康 大模型 伦理与 法律评 测框架， 分析大 模型应 用中 的伦理法律风险， 如知情同意、隐私、歧视、不透明性等问题；构建包含应用场 景、伦 理 规 范 与 法 规 数 据 集 、 评 测 考 点 数 据 集 及 主 观 题 类 型 与 评 测 标 准 的 评 测框架。 控 措 施 ； 阐 述 提 升 医 疗 健 康 行 业 大 模 型 专 业 性 的 多 种 方 式 ； 说 明 大 模 型伦理与法规对 齐的方法 ； 强调 行业人 才在大模型能 力提升和 风险防控 中的 重要作 用及相关培养措施。 01 PAGE 医疗健康大模型伦理与安全白皮书 通用大模型评测框架 3.1.1.任务定义 3.1.2.数据准备 3.1.3.评测方法 3.2 大模型在医疗健康领域的评测概述 3.2.1.科学性：从通用能力到医学专业能力的提升 3.2.2.安全性：从潜在风险识别到安全输出保障 3.2.3.合规性：确保法律与行业标准的严格遵守 3.2.4.伦理道德：从责任性到文化适配的全面评估 3.2.5.中文医疗健康评测集 3.3 大模型在医疗健康领域的评测实践 3

......................................................................................17 2.2 疾病预测与风险评估................................................................................................. ........................................................................................101 5.3.2 风险管理与应对策略............................................................................................ 处理海量的医疗数 据，包括患者的电子健康记录（EHR）、医学影像、基因组数据 等，从而为医生提供更准确的诊断建议。例如，通过分析患者的病 史和实时生理数据，DeepSeek 可以预测潜在的健康风险，帮助医 生提前采取预防措施。 其次，DeepSeek 技术在个性化医疗方面表现出色。通过对患 者数据的深度挖掘，它能够生成个性化的治疗方案，优化药物选择 和剂量，减少副作用并提高治疗效果。这种个性化的治疗方法不仅

调整后形成的《全国项目管理标准体系建设指南（2025 版）》，供 参与全国项目管理标准体系建设的各方参考。 1 一、 建设背景 “项目”是具有确定目标，确立时间周期、投资规模等约束条件， 伴随某些种类与程度风险的、有组织的、以合同或计划为启动标志的 一次性活动与过程，广泛存在于经济建设、科学技术研发、社会活动 等领域。多个项目的集成和叠加，可形成“项目群（programme）”或 “项目组合（por 行业应用标准”。 3. 项目管理业务领域标准 主要包括项目综合管理标准、人力资源管理标准、基础资源管理 标准、采购和合同管理标准、进度管理标准、财务管理标准、变更管 理标准、质量管理标准、风险机遇问题管理标准、沟通汇报宣传管理 标准、交付应用管理标准、文件资料数据和知识管理标准等。 （1）项目综合管理标准 项目综合管理标准用于指导开展项目策划、范围管理、收益（效 益）管理、利 入全国质量管理标准体系。 10 （9）风险机遇问题管理标准 风险机遇问题管理标准用于指导项目风险和机遇的识别、评估、 应对和控制等，以及项目问题的确定和解决（含应急管理），涉及相 应的活动流程、准则、方法和工具。具有行业特色的或领域专有的， 宜纳入“D 行业应用标准”。 跨行业且组织内部通用的风险管理，宜 纳入全国风险管理标准体系。 （10） 沟通汇报宣传管理标准

医疗软件和医疗器械相关政策不断完善。 国家药监局先后发布了《人工智能医用软件产品分类界定指 导原则》和《人工智能医疗器械注册审查指导 原则》等文 件，对 AI 医学软件产品和医疗器械进行了明确定义，并根 据其使用风险进行了分类，规范了相关产品的注册申报和技 术审评 要求。截至 2024 年 12 月初，已有 100 个人工智能医学软 件产品获得二类或三类医疗器械注册证。其中，医学影像类 产品占据了大多数，这些产品在辅助诊断、影像处理等方面 管理带来了新的契机，例如，在医保信息咨询方面， 大模型可通过智能客服等形式，快速地为公众解答医 保政策、报销流程等问题，咨询响应速度大大提升。 同时，部分地区也开始尝试在传染病智能监测、卫生 应急管理、智能疫苗查漏补种、职业健康风险监测评 估、智能药品监管方面的应用，但整体应用范围还比 较有限，处于探索和试点阶段，距离广泛应用和成熟 发展还有一定的距离，本报告不做具体场景展开。 AI 在医疗健康行业的应用前景广阔，但不同应 强大的商业潜力，成为医疗机构和科技企业共同关注 的重点领域。 医药创新：AI 在医药研发中的应用匹配度和可 行性较高。它可以通过虚拟筛选化合物，快速找到潜 在的有效分子，并预测药物的安全性和有效性，从而 降 低研发成本和风险。例如， AI 在新冠药物研发中 展现了显著优势，部分 AI 驱动的药物研发公司（如 Insilico Medicine、Atomwise）已取得阶段性成果。 然而，AI 预测的化合物仍需通过实验验证，在临床试