案例选择：第三批“数据要素x”典型案例 第37条——多源数据赋能绿色信贷精准识别与ESG评价创新
多源数据赋能绿色信贷精准识别与ESG评价创新案例揭示了数据要素在绿色金融中的核心作用。该案例通过整合工商、环保及政府项目等多源数据，并利用机器学习技术构建智能识别模型，实现了绿色信贷的精准投放与环境效益测算的量化。
这一实践为理论建模提供了启发：数据的积累和使用能够提升监管与金融机构的环境信息精度，从而缓解主流可持续投资策略的反效果机制（Hartzmark and Shue, 2022）。
模型中可通过将数据水平D内生化，令项目识别概率 $p(D)$和融资约束 $\zeta(D)$随 $D$上升而改善，进而，数据化监管不仅提升了事后惩罚政策的执行力，也提高了事前激励政策的精确性，从而在一般均衡中实现了更优的绿色资本配置。
借鉴Li, Wang and Xu （2024）中关于绿色金融工具的模型，将数据纳入模型后，基本思想是：企业进行的排放将会作为数据被金融中介纳入考虑，从而对下一期的借贷产生影响，由于模型中出现了一个再融资的抉择，因此暂考虑三期模型，下面将Li(2024)模型做一个三期扩展，并对比没有绿色工具、存在绿色工具、存在数据时的绿色工具三种模型的行为（后续再检查是否可以设定成两期）：
三期经济体， $t=1,2,3$
$t=1$，企业选择 $k^b_{i,1},k^g_{i,1},b_{i,1},d_1$ ，服从预算约束和抵押品约束，产出 $Y_{i,1}$实现。
$t=2$，资本完全折旧，企业发放股利、重新配置资本，同时偿还贷款，企业选择 $k^b_{i,2},k^g_{i,2},b_{i,2},d_2$，产出 $Y_{i,2}$实现。
$t=3$，经济结束，企业发放股利 $d_3$ ，并偿还贷款。
企业最优化问题 对某一企业 $i$，初始净财富 $w_i>0$外生给定，生产率水平 $z_{i}$异质。最优化问题为（略去下标 $i$ ）：
$$ \underset{\{d_t,h_t,k^g_t,k^d_t,b_t\}}{max} \ d_1 + \beta d_1 + \beta^2 d_3 $$
受到的约束为：第一期预算约束： $w+b_1-d_1 \ge q_1^d k_1^d + q_1^g k_1^g$.第一期的抵押品约束为： $\theta(q^d_1 k^d_1 + q^g_1 k^g_1) \ge b_1$.
第二期预算约束为：
$z\cdot (h_1\times k_1)^\alpha+b_2 - c^d (h_1) k_1^d - c^g(h_1)k_1^g \ge d_2 + \beta^{-1}b_1 + q_2^d k^d_2 + q_2^g k^g_2$
第二期抵押品约束为： $\theta(q^d_2 k^d_2 + q^g_2 k^g_2) \ge b_2$
第三期预算约束为：
$z\cdot (h_2\times k_2)^\alpha - c^d (h_2) k_2^d - c^g(h_2)k_2^g \ge d_3 + \beta^{-1}b_2$
资本聚合方式为CES： $k = [\gamma(k^d)^{\frac{\sigma - 1}{\sigma}} + (1-\gamma) (k^g)^{\frac{\sigma -1 }{\sigma}}]^\frac{\sigma}{\sigma -1}$，其中， $\sigma$代表两种类型资本的替代弹性， $\gamma$代表他们各自在组合资本里的份额。
代表性家庭部门供给资本，有 $\chi^j(k) = p^jk^j+ \frac{\kappa^j}{2}{k^j}^2$，其中 $j \in \{d,g\}$。对于每单位 $j$ 种类的资本品生产需要 $\chi^j(k)$单位的最终产品（可以是消费品，作为一个计价单位）。 $p^j$控制了两种资本品的相对价格，同时 $\kappa^j$代表了资本品供给曲线弹性。为简单起见，假设 $\kappa^d = \kappa^g = \kappa$
资本市场是竞争性的，代表性家庭提供资本品时，视资本价格 $q^d,q^g$为给定的。两种资本品的市场均衡取决于市场出清条件：
$$ \int k_i^d di = K^d,\ \int k^g_i di = K^g $$
资本的均衡价格由 $q^j = \frac{\partial \chi^j(k)}{\partial k}|_K{^j}$给出。