DeepGreen：面向经验性测试的高效LLM驱动绿色洗纱监控系统——来自中国的实证研究
计算与语言
2026-02-02 v2 综合经济学
经济学
摘要
受大型语言模型（LLM）在经济学和管理研究中日益广泛采用的启发，本文探讨了LLM能否可靠地识别企业绿色洗纱叙事，更重要的是，这些从文本披露中提取的绿色洗纱信号能否用于经验性识别因果效应。为此，本文提出DeepGreen，一个用于检测企业年度报告中潜在绿色洗纱的双阶段LLM驱动系统。该系统被应用于2021至2023年发布的9369份A股年报中，在两个阶段均实现了高可靠性的随机抽样验证。消融实验表明，检索增强生成（RAG）相较于简单延长输入窗口能显著降低幻觉现象。经验性测试表明，DeepGreen捕获的“绿色洗纱”能够有效揭示绿色洗纱与环境处罚之间的正向关系，IV、PSM和Placebo检验等方法提升了实证证据的稳健性和因果效应。进一步研究表明，绿色投资者的存在与数量会削弱绿色洗纱与处罚之间的正相关性。异质性分析显示，“绿色洗纱-处罚”之间的正向关系在大型企业和已积累绿色资产的企业中不那么显著，这表明这些绿色资产可能被用作绿色洗纱的可信度盾牌。我们的发现表明，LLM可以通过提前警报并引导监管资源聚焦于监控更为必要的企业子集，从而实现对ESG监督的标准化。
引用
@article{arxiv.2504.07733,
title = {DeepGreen: Effective LLM-Driven Greenwashing Monitoring System Designed for Empirical Testing -- Evidence from China},
author = {Congluo Xu and Jiuyue Liu and Ziyang Li and Chengmengjia Lin},
journal= {arXiv preprint arXiv:2504.07733},
year = {2026}
}
备注
Major revision accepted in Computational Economics, December 31, 2025. This version incorporates extensive revisions based on the reviewers' comments, with substantial changes