这份基金说明讲的是「怎么衡量投资带来的正面影响」，目标是不光赚钱，还要让世界更可持续、更包容。基金看好那些核心业务能解决环境或社会问题的公司，按教育、环保、医疗、普惠金融等主题选股。举例：Duolingo（多邻国）靠语言学习App和英语考试扩大教育机会，被作为正面案例；CATL（宁德时代）被归入环保主题，带来大量减排量；Bank Rakyat Indonesia（印尼人民银行）为5.7亿人提供金融服务，被列为普惠金融代表。
BG Positive Change Fund 报告阐述其影响投资分析方法：通过独立于投资分析的定性框架，从产品与服务、商业实践、意图三方面评估公司，仅持有核心产品或服务能应对全球环境或社会挑战的公司。报告强调影响难以量化且缺乏标准化，需综合判断整体影响正负，并在年度影响报告中披露公司及组合层面影响。核心目标是在实现投资回报的同时，促进更可持续和包容的世界。
本文件是基金的方法论文档而非月度报告，因此没有月度业绩、业绩归因或仓位变动数据；以下按实际内容组织。
BG Positive Change Fund 于2026年6月发布《影响衡量方法论》（Impact measurement methodology），说明如何分析、报告并核算组合的正面影响；基金明确提出双目标：实现有吸引力的投资回报，并推动更可持续和包容的世界。
文件覆盖四块内容：如何分析公司潜在影响、如何在年度《Positive Change Impact Report》中报告影响、如何收集与计算关键影响数据。作者称方法论持续演进，并将与持仓公司互动。
组合只纳入「核心产品/服务能应对全球环境或社会挑战并改善现状」的公司；影响分析独立于投资分析但与之互补，投资前会分析公司业务的所有方面。
| 组件 | 评估内容 |
|---|---|
| 产品与服务 | 产品与问题之间的关系；影响的广度与深度；产品/服务在业务与挑战背景下的重要性 |
| 商业实践 | 全价值链行动、与所有利益相关者的关系，判断能否实现可持续增长 |
| 意图 | 公司使命及落实；战略、行动、承诺与结构；对更广泛行业的影响力 |
Duolingo是组合持仓，文档用其完整「积极链」演示方法论——投入→活动→产出→成果→影响，并给出截至2025年12月的数据。
论点：Duolingo的核心产品是语言学习App和网站，已扩展至儿童识字、音乐、数学和象棋；其Duolingo英语测试（DET）被全球6,100多个教育项目接受，而英语是154个国家（主要是发展中国家）最流行的语言——产品直接扩大教育机会。
| 指标 | 数据 |
|---|---|
| 2025年DET考试次数（估计） | 600,000次 |
| DET考生用于高等教育录取 | 89% |
| 接受DET的教育项目 | 6,100+（全球） |
| 语言课程 | 250+ |
| 月活跃用户 | 1.3亿+ |
| 研发投入（截至2025年12月） | US$306.3m |
| 员工（截至2025年12月） | 900+ |
| 2025年DET考生覆盖 | 219个国家/地区、148种第一语言 |
| 教学有效性 | 2026年研究：对初级语言学习者与传统课堂指导同等有效 |
| 文档插图中的一项数值（原文未注明口径） | 4.5 |
文档未说明对Duolingo的持有方向变化，仅确认「owned in the portfolio」（持有）；亦未给出仓位占比或估值倍数。
影响在年度报告中按双层披露：公司逐一（Positive Change假设 + 积极链）与组合汇总（标题影响数据、显著SDG贡献）；只有产品/服务带来的影响计入影响报告，商业实践的影响放入年度ESG与参与报告另行披露。
积极链基于「变革理论」（Theory of Change），将变更按五个环节映射；影响指标由影响分析师以公开数据选取并监控，投资指标（收入增长、股价回报）来自FactSet、Refinitiv等第三方。
| 环节 | 定义 |
|---|---|
| 投入 Inputs | 公司使用的资源，如财务资本、人力资本 |
| 活动 Activities | 使用投入或其他行动以产生产出 |
| 产出 Outputs | 向受益者交付产品或服务 |
| 成果 Outcomes | 活动和产出带来的早期/中期变化 |
| 影响 Impacts | 因公司活动与产出而预计发生的长期变化 |
作者将影响报告视为Positive Change策略的「根本」，目标表述为「尽可能稳健透明」，同时承认影响衡量存在结构性困难；读者应注意整份文件出自持仓方视角。
本段承接上文对收益与增长率的计算说明，随后切入全文核心——2025年影响数据的采集与聚合框架。以下延续既有分析风格，聚焦此前未展开的方法论细节，并补充关键数据与解构公式。
报告在影响数据采集中明确四条原则，这些原则共同构成一种“可验证优先”的保守主义：
这些原则相互叠加，使得Headline Impact Data在统计口径上趋向“下限估计”。例如，若某公司不披露其患者数量，则整个portfolio的“治疗人数”汇总中该公司的贡献为零。这种做法的优点在于可信度高，但也会在行业非均衡披露阶段造成显著低估，尤其是在中小企业或非强制ESG披露市场。
报告列出了四个影响主题下的公司级数据，并给出了汇总结果。下表提炼了关键总量：
| 影响主题 | 代表公司 | 2025年汇总影响 | 单位口径 |
|---|---|---|---|
| Healthcare and quality of life | Sandoz, Dexcom, Vertex, Insulet | 超过10亿患者 | 治疗/疾病管理人次 |
| Social inclusion and education | Coursera, Duolingo, Microsoft | 3.42亿注册学习者 | 注册学习人数 |
| Environment and resource needs | Schneider Electric, CATL, Rivian | 约2.16亿吨CO₂e避免 | CO₂当量（吨） |
| Base of the pyramid | Bank Rakyat Indonesia, MercadoLibre | 5.7亿人获得金融服务 | 服务覆盖人数 |
值得注意的口径差异：
这种多元指标的混合，使得“Headline Impact”更像一个仪表盘而非单一KPI，它无法回答“哪个主题更重要”，但胜在透明度高。
另外，环境主题中出现了多个量级悬殊的数值（如Rivian的417k、Prysmian的1m、Schneider Electric的183m），说明公司测算边界差异极大——有的可能只计入零排放车型，有的则纳入全产品线的节能贡献。这为跨公司比较带来噪声。
报告提出的Impact Indicator计算路径为：
1. 公司影响数据 → 除以公司市值（美元） → 得到“单位美元市值的影响密度”；
2. 乘以该基金在投资组合中的权重复；
3. 再乘以投资者实际投资金额。
用Bank Rakyat Indonesia的示例可抽象为：
\[
\text{关联影响} = \frac{187,000,000 \text{ 人}}{34,900,000,000 \text{ 美元}} \times 1.98\% \times 1,000,000 \text{ 美元}
\]
按数学计算，结果应为 106人，而非文本给出的 10,609人。若将“1.98%”以数值“1.98”直接代入，则结果恰为10,610人，与报告数值吻合。这说明示例中可能存在百分比与小数混淆（1.98% vs 1.98），或“weighting”在此处使用了不同于常规的表达式（如将百分比数字直接视为系数）。
无论哪种解释，这一差异暴露了公式在传播中的关键歧义：影响归属比例到底使用小数还是百分比数值，必须严格定义。否则投资者在自行计算时很容易得到相差100倍的结果，削弱指标的可复现性。
从概念角度看，该公式本质上是用“经济权益比例”来分摊公司总影响，即：
\[
\text{投资者应占影响} = \text{公司总影响} \times \frac{\text{投资者经基金间接持股市值}}{\text{公司总市值}}
\]
其中“间接持股市值” = 投资金额 × 基金权重。因此，公式本身符合“按出资额承担影响”的逻辑，但也隐含一个重要前提：公司影响是“存量属性”而非“增量属性”。报告也承认，增加投资并不会扩大公司当年已实现的积极影响——这提示投资者不应将Impact Indicator解读为单位资本的环境或社会生产率，而是资本配置权利的标尺。
报告对SDG贡献的判定采用“五年时间窗口”，而非“当前财年”。这是一种前瞻性映射。例如，一家公司今天尚未大规模交付某种环保产品，但其管线已明确指向某项SDG，则仍可能在未来五年内计入贡献。这有助于避免短视统计，但也引入了判断风险——五年内公司战略可能转向，导致映射失真。
报告强调SDG映射独立于公司报告进行，这削弱了“企业自我标榜”的漂绿风险。但独立判定依赖分析团队的主观知识，其一致性需通过内部审计或第三方验证来保障。文末的“Independent verification”字样暗示已引入外部鉴证，但未说明验证范围与标准，这一点在后续章节可能补充。
本段展示的Impact Data体系在“保守”与“可用”之间做了精细平衡。其牺牲了部分企业数据完整性，换取了汇总数字的抗争议性。但与此同时，以下三个问题值得跟踪：
这些方法论细节决定了Impact Report的可信度，也是后续章节“Business Practices Reporting”和“Capital Chain”部分必须回应的关键。
前文已讨论了这套报告体系的整体框架和学习曲线问题。续篇内容进一步展示了该体系在报告策略、投资伦理和量化方法上的关键设计。表面上看，这些安排提升了专业性与透明度，但仔细审视后会发现，其中隐藏着几组难以调和的张力和计量缺陷。
将 `Impact Report`（产品与服务的正面贡献）与 `Positive Conversations`（公司行为与 ESG 实践）刻意分开，是一种有远见的「认知卫生」做法。它避免了把「卖好产品」与「当好企业」混为一谈，这比许多宣称「全人」的同类基金更诚实。
但这一分立也制造了新的治理盲区：
报告宣称每年由独立第三方依据 `ISAE (UK) 3000` 对「选定信息」进行 `Limited Assurance`。这听起来很稳妥，但需要精确理解其局限。
| 维度 | Limited Assurance（有限保证） | Reasonable Assurance（合理保证） |
|---|---|---|
| 结论类型 | 负面式保证：未发现重大错报 | 正面式确认：信息在所有重大方面公允 |
| 证据收集 | 询问、分析程序、有限测试 | 详细测试、内控评估、实质性程序 |
| 错报检出概率 | 较低 | 较高 |
| 报告用途 | 内部治理、初步信任 | 审计报告、监管披露 |
文本中至少有两点值得警惕：
另外值得一提的是：报告使用了「we hope that this methodology provides clients... comfort」这种情感化语言。在金融信息披露中，「hope」是弱词语；专业报告应使用「we believe」「we are confident」或干脆陈述事实。这暗示编制者自身对方法的稳健性也没有十足把握。
`The Capital Chain` 部分试图用通俗方式解释资金流向，但它简化了公开市场的真实结构，甚至存在两处事实偏差。
第一处偏差：IPO 的资金归因。
文中说「如果公司首次公开上市，我们直接向公司购买股票」。但实际上，绝大多数 IPO 是「混合发行」：既有公司发行的新股（primary shares），也有创始股东/PE 出售的老股（secondary shares）。只有前者才是「直接向公司提供资金」，后者是向卖出股东支付。文本的表述会让人误以为所有 IPO 资金都流入公司资产负债表。
第二处偏差：二级市场购买仍可被描述为「投资于公司」。
公共市场投资者购买已上市公司的现有股票，资金并不流入公司。这一点报告其实承认了，但仍将投资行为描绘为一种「支持」。真正的支持在于：
这些行为确实有实际价值，但报告没有提及一个关键工具：退出（exit）。根据 Hirschman 的「Exit–Voice–Loyalty」理论，当股东对管理层不满时，退出（卖出股票）是一种强烈的信号，有时比发言（engagement）更有效。而 `Positive Change` 组合明确承诺 5–10 年的持有期，相当于预先限制了退出权。
这会带来一个风险：过度忠诚可能助长管理层惰性。如果公司行为恶化，基金是否愿意为了「长期支持」而继续持有？报告没有提到例外条款或快速退出机制。这种叙事上的封闭性，值得客户警惕。
CATL 部分展示了避免排放计量的方法论细节，但其核心结论——2025 年避免超过 26.7 Mt CO₂e——建立在多个高度乐观的假设之上。我们来逐层拆解。
| 步骤 | 假设 | 乐观方向 | 潜在影响 |
|---|---|---|---|
| EV 电池 | 使用 IEA 的 EV LCA 计算器，与 ICE 比对 | 采用地区平均车辆，而非实际 CATL 客户车型 | 高估或低估，方向不定 |
| EV 电池 | CATL 39.2% 市场份额直接映射为「使能的车辆比例」 | 忽略电池容量差异；不同车辆电池大小不同，按容量份额更准确 | 可能高估 |
| BESS | 电池充电完全来自原本将被弃用的太阳能 | 现实中大量 BESS 套利充电或调频充电，并非都靠弃电 | 严重高估 |
| BESS | FTM 基线在中国是煤电，其他地区是 OCGT | 忽略了电网脱碳趋势；2025 年中国煤电占比已下降 | 高估 |
| BESS 生命周期 | 效率 90%、DOD 80%、7,000 次循环（约 18 年） | 工程理想值；实际容量衰减非线性 | 高估后期输出 |
尤其值得注意的是 BESS 的充电假设。报告称「assumed that the batteries are charged on solar power which would otherwise have been curtailed」。这意味着：作为反事实，如果没有 CATL 的电池，这些太阳能将被「浪费」——所以电池放电替代的是煤电或天然气调峰电。但如果用算术推演：
另一个数据缺口是：CATL 报告 121 GWh 的 BESS 销量，但全年 26.7 Mt CO₂e 的总减碳量，并未给出 BESS 与 EV 电池的拆解。文中只提到 EV 电池避免了 5.3 Mt CO₂e，那么 BESS 贡献大约是 21.4 Mt CO₂e。也就是说，BESS 虽然销量占比可能低于 EV 电池（CATL 2025 年动力电池出货量远超储能），却贡献了约 80% 的减碳量。这反过来印证了：BESS 的「弃电充电」假设是压缩结果的杠杆支点。
Coursera 部分暴露出社会影响计量的普遍难题：用可量化的投入替代不可观察的成果。核心公式是：
> 97.5 百万学习者收益 = 107.2 百万次完成评估 × 91% 自报收益比例
这个计算有三个严重缺陷：
缺陷一：把「评估完成次数」当作「学习者人数」。
文本明确说「each completed assessment represented one learner engaging meaningfully with course content」。一个学员完全可能在同一课程中提交多次评估（如模拟考试、重新测验），或在多门课程中完成多个评估。2025 年末注册学员为 197 百万，但完成评估仅 107.2 百万——说明大量注册者未完成评估。用一个「活动量」数字冒充「学员数」，在分母和分子上都偏高。
缺陷二：91% 的自报收益来自抽样调查。
`Learner Outcomes Report` 通常只覆盖完成课程或参与反馈调查的用户。在线教育平台的调查回复率通常在 10–30% 之间，且「获得提升/加薪」是高度社会期望效的指标。没有对照组，也无法排除经济周期、个人跳槽等其他因素。统计上，这更像是「用户满意度调查」而非「因果影响评估」。
缺陷三：乘数只放大，不校正。
即使假设 91% 估计准确，将其直接乘以完成评估数，等于承认每个评估都是独立、等概率的事件。这个乘数忽略了一个事实：同一人多次受益。例如一个学习者完成 10 次评估，他可能只经历一次升职，但公式会计算为 10 × 91% = 9.1 个「可能的受益者」。
我们可以用表格对比 CATL 和 Coursera 的方法论性质：
| 维度 | CATL 避免排放估算 | Coursera 学习者收益估算 |
|---|---|---|
| 数据类型 | 物理/工程数据 + 行业统计 | 用户自报 survey + 平台行为数据 |
| 关键假设 | 弃电充电、理想循环寿命 | 评估次数 = 学习者人数 |
| 因果链长度 | 短：电池 → 电车/储能 → 替代化石电 | 长：课程 → 技能提升 → 晋升/加薪 |
| 误差方向 | 系统性高估 | 系统性高估 |
| 可验证性 | 可通过电池充放电记录和电网数据近似验证 | 几乎不可验证；无对照实验 |
这段「Introduction to Methodology」预告了 CATL、Coursera、Deere、Duolingo、Rivian 五家公司的估算，但实际展开只有 CATL 和 Coursera。作为引言，这种不对称暗示了不同行业、不同影响的计量成熟度差异。
更重要的是，这些估算方法大多是委托第三方专家「尽力而为」（best effort） 的产物。原文使用了「commissioned an expert researcher」「best effort estimate」等措辞。这意味着：
在影响投资行业，这类「定制化估算」并不罕见，但将其与 `ISAE (UK) 3000` 的鉴证声明放在同一份报告中，会产生一种「被审计」的错觉。真正被鉴证的只是「Selected Information」，而方法论中最大的假设——如「弃电充电」「评估=学习者」——恰恰最需要外部质疑。
这些观察并非否定该项目的真诚努力，而是提醒读者：影响计量的精确性永远无法与财务计量相提并论。在下一篇（第 4/4 部分）中，预计会讨论更广泛的「positive chains」概念以及「价值链传导」的比喻——那将是检验该框架是否具有概念连贯性，抑或只是「影响故事」集合的关键。
将 Deere、Duolingo 与 Rivian 并置阅读，最有价值的观察不是各自的减排数字，而是三者数据基础的可验证性呈明显的递减/递变光谱：
| 案例 | 核心数据源 | 监管审计程度 | 主要风险 |
|---|---|---|---|
| Rivian | 10-K、股东信、独立 LCA 文献 | SEC 监管，虚假陈述有法律风险 | 车辆实际使用强度与假设偏离 |
| Duolingo | 10-K（收入）+ 公开标价 | SEC 监管收入数据；单价为公开报价 | 实际支付价格 ≠ 标价；收入口径界定 |
| Deere | 公司新闻稿 + USDA 调查 | 公司自主发布，无第三方核验 | 部署面积与施药面积的等价性假设 |
Rivian 的 10-K 受美国证券法约束，其披露的交付量与财务数据可信度最高；Duolingo 的收入同样来自 10-K，但测试单价取自官网，两者相除的结果对“实际平均售价”非常敏感；Deere 的五百万英亩完全来自公司新闻稿，且没有独立复核记录。研究机构若在外部传播这些数字，应对数据源的可信度权重有明确的敏感性分析，而不是将三者并列呈现为同等可靠。
三个案例的“绝对数字”相差悬殊：
| 案例 | 2025 年避免量 | 单位 | 对应实物量级 |
|---|---|---|---|
| CATL | 21,443,040 | tCO₂e | 约等于 4,600 万辆 ICE 乘用车一个月排放 |
| Rivian | 417,121 | tCO₂e | 约 90,000 辆 ICE 皮卡的一年排放 |
| Deere | 3,040 | 吨除草剂 | 约 6.7M 磅活性成分 |
这种差异不意味着 CATL 的“环保贡献”是 Deere 的 7,000 倍，而是反映三种商业模式的物理杠杆率不同：储能替换的是以“GWh”计量的能源基础设施；电动车替换的是以“百万辆”计的交通工具；精准农业优化的是“每英亩”的化学投入强度。将这三种数字并列，必须明确“避免量密度”（per unit of revenue, per unit of product, per user）这一维度，否则会误导受众对规模与价值的判断。
Duolingo 是唯一一个与温室气体减排无直接关联的案例——它不减少排放、不替换化石燃料、也不降低化学物质使用。定位若能成立，其逻辑应是“英语能力提升 → 更高教育/就业流动性 → 气候适应能力提高”，但文本只量化了测试次数，未量化这一传导链条中的任何一环。这提示读者：在 ESG 影响评估中，社会维度的量化指标（测试数）与环境维度的量化指标（tCO₂e）不可简单加总或并列。框架中应明确区分“气候缓解类影响”与“社会福祉类影响”，否则会影响方法论的整体严谨性。
综合而言，这四个案例提供了一个清晰的“影响量化阶梯”：
| 层级 | 特征 | 适用案例 |
|---|---|---|
| 直接测量 | 设备端直接计量，无需场景假设 | Rivian（LCA 差异 + 实测里程） |
| 间接核算 | 以公司披露数据为基础，引用第三方参数换算 | Deere（新闻稿面积 + 农业部施药数据） |
| 收入反推 | 以财务数据反推实物量，受价格假设影响 | Duolingo |
| 系统建模 | 依赖电网调度和弃电场景的复杂假设 | CATL |
在这四个层次中，越靠下，结果的“可审计性”越弱，但对政策与投资决策的指导意义未必更弱。真正重要的不是精确数字，而是每个估计值附带的“不确定性边界”和“方向性偏差说明”——这一部分在全部四个案例中均有所欠缺。后续修订版本若能在每个数字后用括号标注敏感度区间（如“-20% / +35%”），其方法论严谨度将显著提升。