用AI揭穿企业"漂绿"谎言：ESG报告智能检测系统实战解析

本文介绍了一个结合大语言模型（LLM）与机器学习技术的企业漂绿行为检测项目。该项目构建了融合语义、词汇、财务三类特征的多维检测框架，旨在解决传统人工审计效率低、主观性强的问题，为ESG投资决策、监管筛查及企业自我审视提供技术支持。

"漂绿"指企业为塑造环保形象进行虚假宣传或夸大营销，常见手段包括模糊环保术语、包装常规合规为成就、选择性披露等。传统检测依赖人工审计，面对海量报告效率低下且主观性强，催生了AI自动化检测的需求。

项目核心创新是融合三类特征的检测框架：1.语义特征（利用LLM捕捉文本隐含漂绿信号）；2.词汇特征（分析关键词频率、句式、情感极性等）；3.财务特征（验证环保投入与宣称是否匹配）。实验设计了6种特征组合方案（M1-M6），对比了梯度提升树（XGBoost等）、深度学习（MLP等）、序列模型（LSTM等）多种架构。

消融实验揭示：词汇特征提升召回率（识别更多潜在漂绿案例）；财务特征提升精确率（过滤误报）；语义特征提供深层理解。对比ChatGPT与Llama：ChatGPT提示敏感性低、语义稳定、结果可靠；Llama变异性高、提示敏感，但部分维度区分能力更强。

应用价值：对投资者辅助ESG决策，对监管机构提高筛查效率，对企业帮助自我审视ESG报告质量。局限：依赖训练数据质量与覆盖面；漂绿行为演化需模型持续更新；AI检测应辅助人工审计而非替代。

该开源项目展示了LLM语义理解与传统机器学习结合构建多维度漂绿检测系统的可能性，为可持续金融、企业社会责任及技术创新领域提供了值得关注的方向。