论文标题：Responding to Climate Change Crises: Firms’ Trade-Offs
中文标题：应对气候变化危机:企业的权衡
原文来源：Felix Fritsch, Qi Zhang, and Xiang Zheng. 2025. “Responding to Climate Change Crises: Firms' Trade-Offs”. Journal of Accounting Research.
供稿：马雪融
封面图片来源：Pexels
编者按：
文章探讨企业在面临气候变化事件负面媒体报道时自愿性信息披露的权衡策略。通过结合关键词发现算法与微调的BERT模型，识别出推特上的“硬性”与“软性”气候信息披露。研究发现：企业倾向于通过气候推文作为对负面气候事件的快速响应；相较于无披露历史的企业，曾发布ESG报告进行硬性气候披露的企业更可能发布气候相关回应；当事件获得中等媒体关注时，企业既往硬性披露历史会促使硬性回应，而低媒体关注时则转向软性回应。文章通过揭示既往披露如何塑造企业对负面媒体报道的回应策略，为动态披露理论提供了实证依据。
一、引言
近年来，投资者对气候风险的关注度显著提升，推动了对气候相关信息的需求增长。然而，企业在气候信息披露方面仍存在明显不足，自愿性披露成为其传递环境信息、塑造利益相关者认知的关键方式。文章聚焦企业如何通过推特（Twitter）这一社交媒体平台，对涉及气候变化的负面媒体报道作出自愿性披露回应。外部对负面气候事件的报道——不论来自传统媒体、社交媒体还是其他利益相关方——都会增强利益相关者对企业不当行为的意识，进而加大企业修复声誉的压力。披露是管理声誉损害的重要机制，但企业回应方式差异显著：有些广泛披露，有些保持沉默或仅作象征性回应。这引出两个核心问题：企业在什么情况下会回应外部的负面气候事件？它们选择沟通什么内容？
文章建立在动态披露理论基础上，该理论将企业的披露决策视为多时期信息流的一部分。其核心在于，利益相关者会在企业过往沟通的背景下解读其披露内容，意味着历史披露塑造了市场预期并影响未来的披露决策。关于过往披露如何影响企业后续策略，存在两种关键观点。其一，早期披露产生了一种实物期权：通过当下披露，管理者提高了未来隐瞒信息的期权价值，因为早期披露提高了未来披露的门槛，使其能在出现负面消息时有选择地隐瞒信息，从而为管理未来市场预期提供了灵活性。其二，可验证的硬信息在增强可信度方面扮演重要角色。如Gigler and Hemmer（1998）和 Ball et al.（2012）所言，经审计的报告等披露建立了基准，构建了信任，提升了先前自愿披露的可信度。通过创造更可靠的信息环境，这些硬披露降低了未来沟通的成本，同时提高了其有效性。与此同时，通过可验证披露建立的信任也提高了利益相关者对一致性的期望，迫使企业保持透明度。
总而言之，企业的披露历史通过两种方式影响其未来沟通：它可以作为缓冲，让企业能够依赖基于过去可信度的软披露；也可以作为促进者，通过建立信任和设定基准，降低未来硬披露的成本并提高其可信度。文章假设，先前披露是充当缓冲还是促进者，取决于行使由先前硬披露所创造的无成本软披露期权所带来的惩罚与当前硬披露成本之间的权衡。当使用软披露期权的惩罚较低时，企业更倾向于依赖象征性披露，以其过去信誉作为保护盾。
在此理论基础上，文章开发了一个分类框架，区分三类气候相关披露：硬信息、软信息和不披露。硬信息指客观可验证的数据，如排放报告或第三方鉴证，其验证成本较高但显著增强可信度和利益相关者信任。软信息则缺乏可验证性，通常作为表达对气候变化关注的一种象征性姿态。企业在决定如何披露时面临成本效益的权衡，需要权衡发布可信、可验证的硬信息所带来的声誉和财务成本，与隐瞒信息或发布空洞回应所带来的风险。通过将披露决策置于这一战略背景中，文章强调了企业如何在其历史声誉、利益相关者期望和披露成本之间进行权衡。
推特为研究企业气候相关披露提供了理想场景，因其具有速度快、覆盖面广和灵活性高的特点。与传统披露渠道不同，推特使企业能够实时回应损害声誉的事件，并快速与广大利益相关者建立联系。推特上气候相关沟通的规模凸显了其日益重要的角色：2018年6月至2019年12月期间，Moss等人（2024）报告称，有86家公司在798个公司-日发布了ESG新闻稿，而有782家公司在12427个公司-日发布了关于气候变化的推文。此外，推特较低的重大性阈值使企业能够分享更非正式、非重大的信息，这些信息可能不会出现在传统报告中。例如，企业可以使用推特披露关于同行的负面信息，或参与情感品牌宣传活动。这种灵活性使得推特特别适用于识别和分析软披露，这些披露通常缺乏正式报告的可验证性，却在企业沟通中扮演重要角色。
尽管推特的重要性日益凸显，但学术界对其上气候相关披露的研究仍然有限，部分原因在于实证挑战，包括相关推文频率相对较低、气候变化的定义模糊且不断演变，以及推特独特的语言特征，如标签、简洁性和非正式性。这些挑战使得为机器学习模型创建训练数据变得复杂，限制了对气候相关内容进行系统分析的能力。
为克服这些挑战，文章开发了Climate-TwitterBERT，一个将机器学习关键词发现算法与BERT（来自Transformers的双向编码器表示）相结合的深度学习模型。这种两步法使文章能够大规模准确识别气候相关推文。首先，文章手动标注了10,000条企业推文，判断其是否与气候相关。在此过程中，文章观察到仅有182条推文直接讨论气候问题，这凸显了在庞大数据集中识别相关内容的挑战。为增强数据集，文章应用了一种受King等人（2017）和金融研究（Sautner等人）启发的自适应关键词算法，该算法识别出频繁与气候变化相关的双词短语和标签。从这个扩展集合中，文章手动审查了另外2000条推文以确保其相关性。此过程产生了一个包含多样化和代表性气候相关推文的强大数据集。
在第二步中，文章使用该数据集对BERT模型进行微调，利用其生成上下文感知嵌入的能力。与传统的基于关键词的方法（通常产生误报）不同，BERT捕捉单词间的上下文关系，提高了推文分类的准确性。通过这种方法，文章识别出136899条独特的气候相关推文，为了解企业使用推特进行气候披露提供了前所未有的视角。
文章进一步扩展Climate-TwitterBERT，将推文分类为“硬信息”、“软信息”和“促销”类别，与之前的理论框架保持一致。该分类通过关注可验证性来操作化硬软信息的区分：“硬信息”推文提供可验证、可量化的信息，如排放数据或奖项；“软信息”推文反映不可验证的陈述，如一般愿望或行业趋势。促销推文侧重于营销绿色产品，被排除在后续分析之外。
为验证文章的分类，进行了一系列测试。首先，文章表明硬信息推文比软信息推文具有更高的具体性、数字强度和客观性，证实了这些类别捕捉了有意义的区别。此外，文章发现硬信息推文能产生更多的利益相关者参与度（以点赞、转发和回复衡量），表明利益相关者比愿望型或促销内容更重视可验证的披露。
使用Climate-TwitterBERT模型的输出，发现企业在经历负面气候相关事件后的三天内披露气候变化信息的可能性高出37%。相比之下，几乎没有证据表明企业会用气候相关信息回应非气候相关的负面事件。这些发现表明，在缺乏披露要求的情况下，企业在其行为通过外部报道受到公众审视时，才有动力沟通气候相关信息。
文章考察了企业先前的ESG披露是否影响其对负面气候事件的回应。使用企业上一年是否发布ESG报告的指标以及反映披露质量的综合评分，文章发现先前发布过ESG报告的企业更可能在推特上作出回应。当ESG报告经过鉴证时，这种可能性进一步增加，表明鉴证强化了对一致沟通的承诺。在分别检查硬披露和软披露时，文章观察到先前的ESG披露增加了两种回应的可能性。然而，经过鉴证的ESG报告与硬披露的关联比未经鉴证的报告更强，表明鉴证尤其与更实质性的披露相关。
接下来，文章根据负面气候事件的公众影响力水平对其进行分类，并分析企业如何回应。文章的研究结果表明，低影响力事件通常伴随着软回应，而中等影响力事件则促使硬披露。相比之下，高影响力事件会导致硬和软两种回应。这支持了以下观点：更高影响力的事件会迫使企业在多个方面作出回应。最后，文章的研究结果表明，先前的ESG披露在塑造企业对负面气候事件的回应方面扮演双重角色。对于低影响力事件，拥有先前ESG报告的企业比没有此类报告的企业更可能发布软披露，可能是利用其已建立的信誉提供低成本的空洞回应。相反，对于引起公众关注的中等影响力事件，企业——尤其是那些拥有经鉴证ESG报告的企业——更可能发布硬披露，以实质性信息应对更高的利益相关者期望。这种模式凸显了企业在最小化披露成本与避免因隐瞒重大信息而遭受声誉损害之间所面临的权衡。。
二、方法论
（一）Twitter上气候变化信息披露的识别
传统文本分类方法在推特这样的社交媒体平台上面临显著挑战。基于词典的方法虽然简单易行，但无法捕捉词语的语义特征和上下文关系，导致分类结果出现大量误报。例如，同一个词汇在不同语境下可能表达完全不同的含义，单纯依靠关键词匹配难以准确区分。另一方面，传统的机器学习方法如朴素贝叶斯或随机森林虽然有所改进，但仍基于词袋模型，忽略了词序和上下文信息，难以处理语言的复杂性。
为了克服这些局限性，文章开发了一种全新的方法框架。首先，文章采用了自适应关键词算法，这一方法借鉴了King等人（2017）和Sautner等人（2023a）的研究思路。该算法从五个关注气候变化的顶级非政府组织（包括@fff_europe、@FFF_USA、@Fridays4future、@Greenpeace和@sunrisemvmt）的推文开始，提取初始的关键词和主题标签列表。通过预训练的BERT模型计算词嵌入和相似度，筛选出与气候话题最相关的双词短语。
图1 气候变化推文的识别和分类概述
这个过程采用了迭代式的关键词扩展方法。首先定义初始关键词集，然后使用随机森林算法对推文样本进行预测，基于预测结果提取新的关键词，逐步扩展关键词列表。经过三轮对双词短语和四轮对主题标签的迭代扩展，最终形成了一个包含294个双词短语和143个主题标签的完整词表，如表1和表2所示。这种方法确保了关键词列表既能全面覆盖气候话题，又能保持较高的准确性。
表1 气候变化双词短语
表2 气候变化主题标签
在获得高质量的关键词列表后，进入了模型训练阶段。选择了CT-BERT模型（Covid-Twitter BERT）作为基础模型，该模型基于BERT-LARGE架构，已经在1.6亿条与新冠疫情相关的英文推文上进行了预训练。考虑到企业推文的语言特点，研究还进行了领域自适应训练，使用10万条随机选择的企业推文进行掩码语言建模任务的进一步训练，使模型更好地适应企业沟通的语言风格。
图2 使用关键字方法识别气候变化推文
图3 使用Climate-Twitter BERT识别气候推文
训练数据的准备是一个精心设计的过程。首先随机选择了10000条企业推文进行人工标注，但发现其中仅有182条（1.82%）与气候直接相关，这凸显了气候推文的稀疏性和识别难度。为了改善训练数据的不平衡问题，研究人员使用之前得到的关键词列表识别出更多的潜在气候推文，并从中随机选择2000条进行人工验证。最终，构建了一个包含12000条推文的训练集，其中气候相关推文占比13.8%，大幅改善了数据的平衡性。
模型训练采用了标准的70%-10%-20%的数据划分比例，即70%用于训练，10%用于验证，20%用于测试。研究人员通过网格搜索优化了超参数，包括批次大小、训练轮数、学习率和权重衰减等。最终得到的Climate-TwitterBERT模型在测试集上表现优异，F1分数显著高于其他预训练模型，包括BERT-base、DistilBERT、RoBERTa、ClimateBERT和FinBERT等。
在模型应用阶段，研究采用了保守的95%概率阈值来判断推文是否与气候相关，以最大限度地减少误报。通过这一严格的标准，研究团队从2007-2020年间收集的3,500万条企业推文中，最终识别出136,899条气候相关推文，为后续分析提供了丰富的数据基础。
（二）气候推文的精细分类
在成功识别气候相关推文后，研究进入了更精细的分类阶段。根据理论框架，研究将气候推文划分为三个功能类别：硬信息推文、软信息推文和促销推文。这种分类不仅基于内容主题，更重要的是基于信息的性质和披露的实质性。
图4 使用Climate-Twitter BERT对气候推文进行分类
硬信息推文被定义为包含可验证、量化信息的推文。这类推文通常包含具体的数字数据、可核查的事实或明确的承诺。例如，发布具体的排放减少目标、报告可持续性报告的链接、宣布获得环境认证或奖项等。这些信息的共同特点是具有客观性和可验证性，利益相关者可以通过独立渠道核实其真实性。
软信息推文则包含那些不可验证的陈述、一般性讨论或立场表达。这类推文可能包括企业对气候变化的整体立场表态、参与行业倡议的声明、对气候科学的普遍认知分享，或者表达环保意愿但不包含具体承诺的内容。这些信息虽然表达了企业对气候问题的关注，但缺乏具体的、可衡量的实质内容。
促销推文作为一个独立的类别，专门指那些主要目的是推广企业产品或服务的推文。这些推文可能会强调产品的环保特性或可持续性优势，但其核心目的是商业推广而非信息披露。将这类推文单独分类非常重要，因为它们与其他两类推文在目的和性质上存在本质区别。
分类模型的训练基于精心准备的标注数据。文章从已识别的气候推文中随机选取了2000条进行人工标注。标注过程遵循明确的规则指南，确保了一致性和准确性。最终训练集中，硬信息推文占30.3%，软信息推文占50.2%，促销推文占19.5%，这一分布反映了企业气候沟通的现实情况。
分类模型在Climate-TwitterBERT的基础上，通过添加多分类层并进行微调来实现。模型训练采用了与第一阶段相似的方法，但针对多分类任务的特点进行了优化。尽管多分类任务的复杂度更高，模型仍在测试集上达到了78%的F1分数，表明其能够有效区分三类不同的气候推文。
图5 对气候变化推文进行分类-微调多分类Climate-Twitter BERT模型的混淆矩阵
（三）分类有效性验证
为了确保分类结果的可靠性和有效性，研究进行了全面的验证分析。首先进行了语言特征分析，使用De la Parra（2022）提出的四个披露坚定性指标来检验不同类别推文的特征差异。具体性指标衡量推文中包含的细节信息数量，如时间、地点或组织名称；模糊性指标计算推文中模糊词汇的数量；数字强度指标检测推文是否包含具体数字；客观性指标评估推文的客观程度。
分析结果显著支持了分类的有效性。硬信息推文在具体性、数字强度和客观性上都显著高于软信息推文，而在模糊性上显著较低。这一发现与理论预期完全一致，证明了分类系统能够有效捕捉不同信息类型的本质特征。促销推文则表现出独特的特征模式，既不同于硬信息也不同于软信息，证实了将其作为独立类别的合理性。
其次，研究分析了推特用户对不同类型推文的反应差异。通过固定效应泊松模型，比较了同一企业在同一年份内发布的各类推文所获得的用户参与度，包括点赞数、转发数和回复数。结果显示，硬信息推文获得的用户参与度显著高于软信息推文，而软信息推文与促销推文之间的差异则不显著。这一发现具有重要意义，它不仅表明用户能够区分不同性质的气候信息，还反映了市场对实质性信息的更高评价。
表3 测量气候推文类型的验证
三、样本构建
数据样本构建过程综合了多个数据库与自行收集的信息，旨在系统分析美国上市公司在Twitter平台上针对气候变化相关负面事件的披露行为。样本覆盖时间为2007年至2020年，最终用于回归分析的有效观测值为3137468个公司-日，涵盖1958家独特企业。以下是样本构建的详细过程与关键数据描述。
首先，从Compustat数据库中提取了所有美国上市公司的基本信息，并通过SEC文件中的历史总部信息确认公司属地，初步得到7778家美国公司。进一步地，通过公司官方网站识别其官方Twitter账号，排除了无Twitter账号或样本期内未发布任何推文的公司，最终得到2735家拥有有效Twitter账号的公司。利用Twitter高级搜索功能，共收集到3500万条历史推文。
为构建公司-日层面的面板数据，为每家公司在样本期内其首条推文发布日至2020年8月22日之间生成了完整的时间序列，初步形成7956035个观测值。随后，将该数据与Rep Risk的ESG事件数据、Refinitiv Eikon的ESG数据、Compustat的公司基本面数据、CRSP的交易数据、SEC EDGAR的申报文件数据以及Bloomberg的Twitter情绪数据进行了合并。在合并过程中，剔除了已退市或停牌超过一年的公司，以及无法与Rep Risk或Refinitiv Eikon数据库匹配的观测值，最终得到3,137,468个有效公司-日观测值。
在气候推文的识别方面，通过训练的Climate-Twitter BERT模型对全部3,500万条推文进行二分类，仅当推文被判定为气候相关的概率超过95%时才标记为正面样本，最终识别出136899条气候相关推文。进一步地，将这些推文细分为三类：硬信息推文（Hard Climate Tweet）、软信息推文（Soft Climate Tweet）和促销类推文（Promotion Tweet）。在最终样本中，共有63441条气候相关推文，其中硬信息推文占比35.4%（22436条），软信息推文占比49.5%（31433条），促销类推文占比15.1%（9572条）。平均而言，每家公司在一年中约有4.6天会发布气候相关推文。
对于ESG事件的测量，使用Rep Risk数据库，该数据库自2007年起跟踪全球各类ESG事件，数据来源包括媒体报道、利益相关者报告和第三方机构（如监管机构和社会媒体），但不包括企业自我报告。选取了与气候变化相关的七个议题，包括动物虐待、气候变化、温室气体排放、全球污染、对景观与生态系统的影响、本地污染、废物问题等。在整个样本中，共识别出8758起气候变化相关事件和21172起非气候ESG事件。这些事件在不同行业中的分布不均，能源行业占比最高（31.83%），公用事业次之（16.01%），消费者非周期性行业、消费者周期性行业、金融业、基础材料、工业、科技、医疗保健和房地产等行业依次递减。
此外，还构建了一系列控制变量，包括公司前5日市场调整收益率（Prior5DReturn）、是否提交10-K、10-Q或8-K文件（Filings 10-K/10-Q/8-K）、是否发布非气候推文（Non climate Tweet）、总资产（Total assets）、账面市值比（BTM）、资产回报率（ROA）和杠杆率（Leverage）等。所有连续变量均在1%和99%分位数处进行缩尾处理，以减小极端值的影响。
表4 样本构建
表5 描述性统计
四、实证回归
（一）负面的气候变化事件是否会引发Twitter上关于气候变化的披露？
表6展示了第一个主要测试的结果，该测试旨在检验企业在经历与之相关的负面事件后是否会发布关于气候变化的推文。为稳健起见，采用了各种模型设定，具体细节如下所述。
表6 推特对气候变化负面事件的回应
Climate Tweeti,t表示公司i是否在第t天发布任何与气候变化相关的推文。出于几个原因，使用了一个虚拟变量。首先，由于推特的字符限制，公司可以发送多条推文作为单一披露的一部分。其次，公司有时会用几乎相同的推文回复不同用户的类似询问，从而导致重复的消息。Climate Incidenti,t（Other ESG Incidenti,t）表示公司是否在相应的时间窗口内经历了与气候变化相关的负面事件（与气候变化无关的负面ESG事件）。文章主要关注[-3, 0]时间窗口作为分析公司对负面事件反应的主要时期，并将[-7, -4]作为控制窗口。
还控制了几个公司-日层面的特征。首先，加入 Prior5DReturni,t以控制前几日事件的影响。其次，控制了定期和当前的文件提交（10-K、10-Q和8-K），以排除并发信息发布的潜在影响。最后，加入Non climate Tweeti,t，这是一个指示变量，如果公司在同一天发布了至少一条非气候推文，则等于1，以考虑在识别气候推文时可能出现的I类错误。通过使用公司-日层面的数据，可以采用不同类型的固定效应来考察变异。
在主要分析中，选择使用线性概率模型（LPM）作为文章的主要模型，因为Timoneda （2021）指出，当包含固定效应且因变量中取值为1的观测少于25%时，LPM在准确性和预测概率方面优于最大似然设定（如logit或probit）。因此，一些近期研究在存在罕见事件和固定效应的情况下更偏好LPM而非非线性模型（例如，Dang et al. 2022, Li and Wu 2022）。
在表6的第（1）列中，展示了未包含固定效应的基线结果。文章发现关键变量Climate Incident[-3, 0]和Climate Inciden [-7, -4]的系数显著为正（分别为0.0400和0.0316，p值<0.01），表明公司特定的负面气候变化新闻与公司在Twitter上自愿披露气候变化信息之间存在强关联。
在第（2）和第（3）列中，重复了之前的测试，并分别应用了“日期和行业固定效应”以及“日期和公司固定效应”。当用公司固定效应替代行业固定效应后，变量OtherESGIncident[-3, 0]和OtherESGIncident[-7, -4]不再与气候推文的发布相关，这表明公司平均而言不会倾向于用气候推文来回应非气候事件。
在第（4）列中，文章采用了更严格的固定效应结构，控制了“行业×日期”和“公司”固定效应。在第（5）和第（6）列中，文章通过分别应用“行业×日期”与“公司×年份”、以及“行业×日期”与“公司×月份”固定效应，进一步收紧文章的固定效应结构。文章的结果保持稳健。对于后续分析，使用第（6）列中最严格的固定效应结构，因为它通过消除行业-日期特定和公司-月份特定的效应（这些效应可能显著影响公司的披露决策）来分离公司内的效应。将第（6）列中的系数（0.0047）解释为：在t-3日到t日的时间窗口内经历一次负面气候变化事件，会使公司在t日发布气候相关推文的概率增加36.7%（=0.0047/0.0128）。在第（6）列中，没有发现Climate Incident[-7, -4]的系数显著，这表明反应很可能集中在负面气候变化事件之后的短窗口内（即三天内）。关于控制变量，气候推文在与公司发布非气候推文同一天发布的可能性较小，但在提交8-K文件的当天更可能发布。
在第（7）列中，细化了气候推文的定义，将促销类推文包括在内。使用此定义，负面气候事件使在Twitter上发布相关回应的可能性增加了27.3%。
在第（8）列中，从样本中移除了能源公司（TRBC行业代码：50），以解决伪回归的担忧。如果负面事件和气候变化推文都非常频繁，则可能出现伪回归问题。鉴于能源公司的商业模式与气候变化密切相关，无论是否发生负面事件，它们都极有可能讨论气候变化问题。如表5的面板C所示，能源行业在文章的样本中负面气候变化事件占比最高（31.83%）。在不包含能源公司的情况下重复第(6)列中的测试，文章发现 Climate Incident[-3, 0]的主要系数从第（6）列的0.0047增加到第（8）列的0.0056，并且仍在1%的水平上显著。
在最后一列（第9列）中，从LPM切换到由Kunz, Staub, and Winkelmann（2021）开发的BRFE probit模型作为稳健性检验。由于计算限制，在此测试中仅包含公司固定效应，以及几个公司特征作为控制变量：ROA、BTM、总资产和杠杆率。发现变量 Climate Incident[-3, 0]的系数显著为正（0.2061）。计算了在此设定下效应大小的近似上限：对于一个发布气候推文几率均等的公司，一次负面气候变化事件使其发布气候推文的概率增加了约8.24个百分点（=0.2061×0.4），这接近第（4）列中包含公司和行业×日期固定效应时发现的效应大小。
总体而言，研究结果表明，在发生负面气候变化事件后，公司发布关于气候变化的推文的可能性显著增加。此外，几乎没有证据支持公司可能在经历负面非气候事件后发布关于气候变化的推文。这些结果表明，公司利用Twitter来即时回应负面气候变化事件，并且它们的回应很可能与气候相关。
（二）先前的披露是否影响公司对负面气候变化事件的回应？
1. 在负面气候事件发生后，先前的ESG披露是否会增加公司发布气候推文的倾向？
表7展示了关于公司先前的披露如何影响其在经历负面气候事件后自愿披露气候相关问题的分析。估计了以下LPM：
表7 事先披露对Twitter回应负面事件的影响
在这组分析中，坚持使用最严格的固定效应结构，该结构同时包含了公司×月和行业×日期效应。这控制了在给定日期行业范围新闻的影响以及在给定月份内保持恒定的公司特征。使用了与之前分析相同的控制变量集。在第（1）列中，文章使用Refinitiv Eikon的综合衡量指标ESG Disclosure Score作为Early Disclosure的代理变量。该分数反映了公司沟通其如何将ESG考量整合入决策过程的实践。发现Climate Incident[-3, 0]的系数为负但不显著。然而，交互项Climate Incident[-3,0] ESG Disclosure Score显著为正。这表明，上一年ESG披露分数较高的公司更有可能在发生气候变化事件时用气候推文进行回应。
接下来用不同的早期披露代理变量重复分析。在第（2）列中，检验了拥有ESG报告是否会增加公司在Twitter上回应负面气候变化事件的可能性。文章记录了Climate Incident [-3,0]×ESG Report的系数显著为正，表明上一年拥有ESG报告的公司在其经历负面气候变化事件时更倾向于在Twitter上回应。
在第（3）列中，进一步将拥有ESG报告的公司分为两类：ESG Report Assured（经鉴证）和ESG Report Unassured（未经鉴证）。这些是指示变量，如果上一年的ESG报告分别经过或未经第三方鉴证，则等于1。鉴证旨在增强ESG报告的可信度。与这一论点一致，发现，拥有经鉴证ESG报告的公司比那些拥有未经鉴证ESG报告的公司显著更可能在Twitter上回应负面气候变化事件。这表明，可信度更高的公司更可能利用其披露来管理其声誉。
总之，文章发现公司先前的ESG披露增加了其作为对负面气候变化事件回应而发布气候推文的可能性。此外，当早期披露更“硬”（例如，更高的ESG披露分数或经鉴证的ESG报告）时，这种增加更为显著。还发现所有列中OtherESGIncident[-3,0]×Early disclosure的系数均显著为正，这表明具有较好ESG披露历史的公司可能会使用气候信息来回应非气候ESG事件。这与先前的披露可能为公司提供缓冲，允许其在声誉危机期间用不相关信息回应的论点相符。
2. 硬回应与软回应
在表8中，检验了早期披露如何与硬回应和软回应相关联。用不同的因变量重复了上一组分析。在第（1）至（3）列中，展示了以硬气候推文为因变量的结果。文章重复使用了表7中的早期披露代理变量。文章显示，交互项Climate Incident[-3,0]×ESG Disclosure Score和Climate Incident[-3,0]×ESG Report的系数显著为正，表明早期披露与提供硬回应和软回应均相关。
表8 事先披露对Twitter上负面事件回应的影响：硬性气候推文与软性气候推文
在第（3）列中，进一步将拥有ESG报告的公司划分为上一年拥有未经鉴证ESG报告和经鉴证ESG报告的公司。发现Climate Incident[-3,0]×ESG Report Unassured的系数不显著，而Climate Incident[-3,0]×ESG Report Assured的系数显著为正。比较了这两个系数，发现它们存在显著差异。这一发现表明，拥有未经鉴证ESG报告（被认为比经鉴证ESG报告更软）的公司，在发生负面气候事件时，并不比没有ESG报告的公司更可能以硬信息回应。相反，经鉴证的ESG报告与在发生负面气候事件时更高概率的硬回应相关。
关于以软气候推文为因变量，在第（4）-（6）列中展示了结果。在每一列中，都记录了变量Climate Incident[-3, 0]的系数显著为负，这表明在没有ESG报告的情况下，软气候推文不太可能是对负面事件的回应。拥有先前披露的公司更可能在发生负面气候变化事件时发布软气候推文。在第6列中，Climate Incident[-3,0]×ESG Report Unassured和Climate Incident[-3,0]×ESG Report Assured的系数均显著为正，表明未经鉴证和经鉴证的ESG报告都与更高概率的软回应相关。
总之，结果表明，没有先前披露的公司倾向于避免提供软回应，并且可能无法提供硬回应。相反，拥有先前ESG披露的公司在使用硬信息或软信息回应负面气候变化事件方面具有更高的灵活性。这证实了先前披露的双重角色：它可以作为缓冲保护公司，或作为促进者推动可信的报告。拥有未经鉴证ESG报告的公司更可能用硬气候推文回应非气候负面ESG事件，而拥有经鉴证ESG报告的公司则更可能用软推文回应。尽管在这两种情况下，气候相关的回应被认为与非气候事件无关，但似乎先前ESG披露的“硬度”与无关回应的“硬度”相关。
3. 不同影响力水平的负面事件是否会导致不同的回应？
在表9中，根据事件的影响力程度考察了气候变化事件对Twitter回应的影响。文章遵循Rep Risk的定义，将每个气候事件分为低、中、高影响力三个类别。根据Rep Risk，事件的影响力水平由其受到的媒体关注度决定。如果事件被地方媒体、小型非政府组织、地方政府和社交媒体报道，则属于低影响力事件。中等影响力事件被国家和区域媒体、国际非政府组织以及州、国家和国际政府报道。高影响力事件则是那些被国际媒体机构报道的事件，如《纽约时报》、BBC和《南华早报》等。中等影响力事件（47%）构成了样本的大部分，其次是低影响力事件（44%）。
在第（1）列中，显示具有中等或高影响力水平的事件很可能在三天内引发公司在Twitter上的回应。然而，没有观察到在低影响力负面气候事件后发布气候推文的可能性有显著增加。系数的比较表明，回应的可能性随着事件影响力水平的增加而增加。检查第（2）和第（3）列中不同类型的回应，发现低影响力事件之后很可能会出现软回应，而中等影响力事件之后很可能会出现硬回应。高影响力事件往往会引发硬和软两种回应。
表9 企业对气候变化负面事件的推特回应程度
还研究了不同类型的事件如何调节早期ESG披露对公司回应的影响。在表10中，将早期披露代理变量与不同类型的负面气候变化事件进行交互。这里的结果进一步说明了公司在处理负面气候事件时面临的权衡。
表10 不同类型的事件如何调节早期ESG披露对公司回应的影响
拥有ESG报告（特别是上一年经鉴证报告）的公司，当负面事件影响力较低时，倾向于发布软回应。这表明，利用早期披露所产生的期权（选择权）的惩罚可能低于相关的披露成本，使得公司更可能行使此期权。同时，经鉴证的ESG报告与对中等影响力负面事件的硬回应正相关。这可能是由于隐瞒实质性信息的惩罚显著更高，促使公司重新评估其披露策略。此外，先前经鉴证的ESG报告增强了其自愿披露的可信度，导致其认证成本降低。因此，对于中等影响力事件，早期披露的促进效应似乎超过了其缓冲效应。对于高影响力事件，如果公司拥有ESG报告（无论是否鉴证），软回应的可能性都会增加。进一步的分析表明，这种效应主要是由一个较小的子样本驱动的，该子样本表现出相对频繁的高影响力负面事件。
五、附加分析
（一）利益相关者对Twitter上回应的反应
文章考察了利益相关者如何对公司负面气候事件后的气候变化推文做出反应。利用来自Bloomberg的Twitter情绪数据，发现中等和高影响力事件显著降低了（市场）情绪，而低影响力事件则未显示出显著影响。软回应在低影响力事件后改善了情绪，但在中等影响力事件后进一步降低了情绪，这表明在公众 scrutiny（审查）加剧的情况下，软披露可能被视为不足。
（二）四大与非四大鉴证
文章分析了不同的鉴证提供方如何影响公司对负面气候事件的Twitter回应。在低影响力事件后的[0,+3]天窗口期内，经非四大（Non-Big 4）鉴证的公司更有可能发布软回应，经四大（Big 4）鉴证的公司也观察到类似模式。对于中等影响力事件，经非四大鉴证的公司倾向于发布硬回应，而经四大鉴证的公司则主要发布软回应。对于高影响力事件，未经鉴证和非四大鉴证的公司都在[0,+3]窗口期内倾向于软回应，而经四大鉴证的公司未检测到显著模式。这些发现表明，四大和非四大鉴证公司在负面气候事件发生后的初始回应期内采用了不同的披露策略。
（三）排除促销推文比例高的公司-年份
文章分析中的一个担忧是结果是否由那些大量推广其自身气候相关产品或服务的公司所驱动。由于对这些公司而言，硬/软气候推文与促销推文之间的界限尤其模糊，文章通过复制表10的测试进行了稳健性检验，使用的样本排除了这些公司。文章将一个公司-年份定义为“重度促销”公司-年份，如果在该公司发布气候推文的天数中，有10%或以上的天数发布的仅是促销推文。结果表明，在排除具有高比例促销推文的公司-年份后，结果是稳健的。
（四）排除频繁违规者
在表10中，文章观察到公司在经历高影响力事件后更可能提供软回应。尽管高影响力事件显示出不同的模式，但它们很稀少且主要集中在少数公司样本中。为进一步理解此结果，文章识别了一个子集，即在给定年份中某公司发生高影响力事件天数超过两天的公司-年份，并将其称为“频繁违规者”。这些公司持续经历高影响力事件，可能并不将这些事件视为冲击。因此，认为它们可能采取与其他公司不同的策略。在频繁违规者子样本和其余公司上重新进行了实证分析，先前观察到的公司对高影响力事件的回应仅体现在频繁违规者子样本中。在排除频繁违规者后，文章的主要结果保持稳健。
六、结论
文章分析了公司在发生负面气候事件后决定在Twitter上自愿披露气候相关信息时所面临的成本-效益权衡。平均而言，公司在负面气候相关事件后更倾向于在Twitter上提供相关的披露。如果公司先前披露过硬性ESG信息（例如ESG报告），则它们更有可能对事件做出回应。此外，与过去一年没有硬性气候披露的公司相比，拥有先前硬性气候披露的公司，当负面事件吸引的媒体关注度较低时，更可能在Twitter上提供软回应。相反，对于具有中等影响力的事件，先前的硬性气候披露与提供硬回应的更高可能性相关。
文章的研究发现具有若干重要启示。首先，它们表明Twitter是气候变化披露的一个重要平台，使公司能够与利益相关者快速沟通，尤其是在回应负面事件时。其次，文章参与了关于气候披露和“洗绿”（greenwashing）的辩论。文章的描述性统计显示，样本中约65%的气候变化推文是软性的（即不可验证的公司声明或关于气候变化的一般信息）或关于公司自身绿色产品或服务的促销推文。即使存在负面气候事件，如果公司过去通过披露硬性ESG信息建立了足够的声誉，它们有时也会发布软性气候推文，特别是在其事件影响力不足以为利益相关者所关注时。最后，表明气候变化披露是跨期相关的。具体而言，研究结果为动态披露理论提供了实证见解，说明先前的披露既可作为未来回应损害声誉事件的“缓冲”，也可作为“促进者”，哪一种角色占主导地位取决于事件的影响力。
文章也对监管机构和准则制定者具有启示意义。它通过阐明在市场力量缺乏监管干预的情况下如何影响公司的信息环境，解决了监管机构与公司之间的信息不对称问题（Hail, Tahoun, and Wang 2018, Christensen, Liu, and Maffett 2020）。一个重要的启示是，公司会根据其对自身声誉和事件影响力的评估，战略性地在披露硬信息和软信息之间做出选择。
文章确实存在注意事项和局限性。主要是描述性的并基于关联关系，但同时，拥有高质量ESG披露的公司可能也表现出更好的ESG绩效。鉴于样本仅限于美国公司，结果更适用于美国的制度环境，可能无法推广到其他国家的报告实践。文章也承认仅研究Twitter的局限性，因为它忽略了那些避免使用社交媒体但仍优先考虑与利益相关者就ESG问题进行及时沟通的公司。文章研究的一个有趣扩展将是考察公司为不同类型的气候相关信息选择不同披露场所时所做出的权衡，以及公司是否在不同平台上进行类似的沟通。总的来说，研究增进了对自愿性气候变化披露的理解，特别是硬信息和软信息的披露。期待未来的研究能够检验气候相关披露法规的影响，以及这些法规如何改变公司的披露实践。
Abstract:
We examine firms’ trade-offs in their voluntary disclosure decisions following negative media coverage of climate change incidents. By combining a key word discovery algorithm and a fine-tuned BERT model, we identify “hard” and “soft” climate disclosures on Twitter. Our findings indicate that firms tend to issue climate tweets as a rapid response to negative climate incidents. Additionally, firms with a history of hard climate change disclosure, as measured by ESG reports, are more likely to issue climate-related responses than firms without such a history. Furthermore, we show that prior hard disclosure is associated with hard responses when the incident receives moderate media attention, but with soft responses when the incident receives low media attention. Our findings provide empirical insights for dynamic disclosure theory by illustrating how prior disclosure shapes firms’ response strategies to negative media coverage.
