DeepGreen: Effective LLM-Driven Green-washing Monitoring System Designed for Empirical Testing — Evidence from China

要約

このペーパーでは、企業のグリーンウォッシング動作を検出するための大規模な言語モデル駆動型（LLM駆動型）システムであるDeepGreenを提案します。
DeepGREENは、デュアルレイヤーLLM分析を利用して、財務諸表の潜在的なグリーンキーワードを事前に識別し、LLMの反復セマンティック分析を介して実装の程度を評価します。
コア変数の緑化は、2層の出力からの比率から派生しています。
89,893語で構成されるA-Share市場から68社の204社の財務諸表を抽出し、DeepGreenを通じて分析します。
バイオリンのプロットとK-meansのクラスタリングでサポートされている分析は、洞察を明らかにし、Huazheng ESGの評価に対する変数を検証します。
規制機関と投資家に新しい視点を提供し、従来の方法を補完する積極的な監視ツールとして機能します。環境の実装は、企業の資産収益率を大幅に引き上げることができることを示していますが、規模には不均一性があります。
中小企業は、グリーンの実装を介して資産リターンへの貢献が限られているため、グリーンワシングの動機が強くなっています。

要約(オリジナル)

This paper proposes DeepGreen, an Large Language Model Driven (LLM-Driven) system for detecting corporate green-washing behaviour. Utilizing dual-layer LLM analysis, DeepGreen preliminarily identifies potential green keywords in financial statements and then assesses their implementation degree via iterative semantic analysis of LLM. A core variable GreenImplement is derived from the ratio from the two layers’ output. We extract 204 financial statements of 68 companies from A-share market over three years, comprising 89,893 words, and analyse them through DeepGreen. Our analysis, supported by violin plots and K-means clustering, reveals insights and validates the variable against the Huazheng ESG rating. It offers a novel perspective for regulatory agencies and investors, serving as a proactive monitoring tool that complements traditional methods.Empirical tests show that green implementation can significantly boost the asset return rate of companies, but there is heterogeneity in scale. Small and medium-sized companies have limited contribution to asset return via green implementation, so there is a stronger motivation for green-washing.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google