基于ChatGPT的ESG评级体系实现机制研究

【摘 要】 ChatGPT-4的进步技术，特别是情感分析和关键字提取功能，对于构建针对市场的GPT-ESG评估框架起到了关键作用。本项研究应用ChatGPT-4的文本情感分析能力，对A股市场上市公司的公开报告进行了深入研究，这些报告包括但不限于可持续发展报告、ESG报告和财务报告中专注于分析公司治理、环境保护以及社会责任方面的内容。研究结果显示，ChatGPT-4生成的数据与国内三大评级机构的标准化评级结果高度相关且差异较小。通过运用ChatGPT-4技术对A股上市公司进行客观而高效的评级，不仅促使企业提供更加公正的报告，还为投资者在评估公司的环境、社会和治理（ESG）实践以及投资决策方面提供了重要支持。这一研究成功展示了ChatGPT-4在金融领域应用的潜力，特别是在促进公平、透明的企业评估方面的重要作用。

【关键词】 评级机构； 文本分析； 情感值； 机器学习； 自然语言处理； ChatGPT； ESG

【中图分类号】 F230 【文献标识码】 A 【文章编号】 1004-5937（2025）01-0087-07

一、引言

如今越来越多的企业和投资者开始重视ESG的披露与评级，但企业的ESG披露仍处于自愿阶段，缺乏统一的行业信息披露标准。ESG强调对环境的关注，是有效推进碳中和目标的重要手段之一[1]。

截至2023年6月30日，A股货币金融业上市公司总数为44家，其中有43家公司发布了与环境、社会和公司治理（ESG）相关的报告，披露率达到97.73%[2]。目前国内主流ESG评级机构有华证、商道融绿和万得等。不同ESG评级机构对同一家公司的ESG评级是存在差异的，同一家公司获得不同ESG评级的情况后会对投资者释放错误的信号，可能导致其作出不明智的投资决策。以贵州茅台为例，2020年6月，由于其ESG绩效，该公司在中证指数的评级为高“AA”，而从圣道绿色金融获得的评级却为低“C+”，使投资者感到困惑不解[3]。在数字经济时代，传统的财务处理方式难以满足企业管理的需求，需要一个更加统一、客观的ESG评级标准来对A股上市的企业进行评级，ChatGPT的自动化处理和语义理解等能力为财务人员提供了新的机会，可以更好地优化各种财务场景，提高财务处理的准确性和效率[4]。因此，可以设想采用ChatGPT-4的新技术来完善A股上市企业的ESG评级体系，而这一设想的成功会使公司披露更加公正、客观的可持续报告，增强投资者对公司的信心。

对话生成式预训练模型（Chat Generative Pre-trained Transformer，ChatGPT）的问世无疑具有重要意义，其凭借精准的语义理解、强大的语言表达和严密的逻辑思维，对新闻媒体、教育培训、客户服务与支持、法律服务等行业都带来了显著影响[4]。ChatGPT-4的出现确实有可能显著减少金融和会计研究人员在应用最先进的自然语言处理模型时面临的技术障碍。ChatGPT-4的强大功能和用户友好的交互方式，使得研究人员不再需要深入研究和开发复杂的自然语言处理算法和模型，只需投入最少的技术，便可直接使用ChatGPT-4来分析和处理金融和会计领域的文本数据[5]。这种转变会极大地简化研究人员的工作流程，让他们更轻松地处理大量文本数据，更专注于解决金融和会计领域特定的问题和迎接挑战，从而深入研究和探索新的课题，加速学术和商业研究的进展。

二、文献综述

（一）ESG与利益相关者的影响

ESG涵盖了多个方面，包括环境、社会和公司治理。在环境方面，主要关注资源枯竭和气候变化等问题；而治理方面则涉及董事会多样性、商业道德和腐败等方面的监督与管理[3]。 et al.[6]提出通过企业社会责任或可持续报告中的ESG信息披露，投资者可能获得比期望值更高的利润[7]。投资者主要使用ESG评级来评估公司商业模式的可持续性，并对其长期目标进行评估[8]。除投资者之外，企业、研究人员甚至监管者都依赖于ESG评级机构来评估企业的ESG表现[3]。

ESG评级机构更加关注从非财务角度考察企业的价值和社会影响，对企业的经济效益和社会效益进行综合评价。在“双碳”目标下，推动生产和生活方式向绿色转型可能在短期内无法直接反映在企业的财务指标上，这导致ESG评价的维度逐渐成为企业另一个重要的绩效衡量标准，对企业的估值和融资成本产生影响[9]。

通过ESG评价，企业的各利益相关者可以通过阅读企业的财务报告，了解企业的可持续发展情况，推动企业履行社会责任[4]。优秀的ESG表现有助于企业提升声誉，利用绿色金融产品降低融资成本，增强抗风险能力，进而提高财务利润水平。政策和行业协会的引导也逐步将ESG投资打造成主流的投资方式[1]。

（二）ESG评级体系现状

目前，ESG评级在财经新闻、监管和政策辩论、学术研究等方面具有显著的影响，同时也成为投资实践中备受关注的热门话题。这些评级越来越多地在机构投资者的投资决策中发挥着重要作用。

近期，不同的ESG评级提供商对同一家公司的评级差异引起了广泛的关注。ESG评级差异较小的股票，其平均ESG评级与未来股票表现呈负相关关系；而ESG评级差异越高的公司，其股票收益越高[10]。因此，ESG评级差异影响企业的未来表现以及投资者的心理，而ESG评级差异是由不同的评级机构采用不同的评级标准造成的。ESG评级差异对于学术研究结论的普适性具有重要影响，同时也为资产管理者在实施ESG投资策略时带来了挑战[10]。

在信息披露、绩效评级和投资指导方面，ESG评级能够为实现“双碳”目标提供更为全面的评估框架。然而，目前仍面临着ESG披露标准不贴近本土价值观、缺乏有影响力的ESG评价体系以及ESG投资产品数量有限等挑战[9]。ESG评级通过从不同的来源和报告标准收集和汇总信息，为投资者提供服务，来源和报告标准这两种差异解释了为什么ESG评级之间的差异比信用评级之间的差异显著得多，后者在99%的水平上相关[11]。

不同评级机构对同一家企业的ESG评级结果是不同的。不同评分者之间的分歧对实证研究提出了挑战，因为使用不同评分者的评级结果可能会导致研究结果和结论的变化。在ESG评级方面的分歧会为基于这些评级作出的决策带来不确定性，从而对广泛的决策者构成了挑战[11]。

由于缺乏一致性，ESG评级的有效性受到了质疑，可能会引发一系列不良后果：首先，评级差异可能会影响可持续投资决策的准确性，给计划将ESG维度纳入投资策略的投资者带来挑战，并导致资本市场的效率降低。ESG评级差异所带来的不确定性可能会导致不确定性溢价，以弥补额外的风险，并阻碍ESG敏感型投资者参与市场。其次，评级差异可能会削弱企业提高ESG绩效的动力，因为将大量资源用于导致评级模糊不清的活动可能是没有意义的。最后，ESG评级的差异可能会动摇学术研究中数据分析的基础，导致结论的不一致[3]。

对于ESG评级的结果，不同机构发布的ESG评级的有效性和一致性在实践和研究中备受批评[3]。

（三）文本情感分析与ESG关键词

在对文本信息中包含的ESG内容进行分析时，通常会采用两种方法：一是统计ESG关键词在文本中的出现次数，二是对文本中关于ESG的情感进行分析，即ESG情感[5]。这些分析结果有助于推动企业更好地履行社会责任，以及为投资决策提供更多的参考信息。

随着人工智能技术的不断进步，以及心理测试的特性，例如其主观性、被测者之间的差异以及被测者自身情绪波动等因素，使得基于机器学习的心理测试情感分析成为一种有效的解决方法[12]。

文本情感分析，也称为倾向性分析或意见挖掘，是处理和推理带有感情色彩的主观性文本的过程，以从中获取情感、情绪或态度等信息为目标。通过自然语言处理技术和机器学习算法，对文本进行情感分类，将其划分为正面、负面或中性情感等级，进行有监督的机器学习[13]。通常，这项任务会被形式化为二元或多类分类问题，即将情感类别标签分配给给定的文本[14]。

每个对话都被附加上一个情感标签，用于表示对话的情感倾向，即是积极的还是消极的[15]。这项技术在社交媒体监测、市场调研和舆情分析等领域有广泛的应用。然而，从文本信息中提取情感值在技术上确实具有挑战性。通常，这需要使用带标签的数据集来训练神经网络模型，训练好的模型可以用于对文本信息的情感值进行判断[5]。

而ESG评级与关键字的提取技术密切相关。两个ESG评级之间的差异主要包括范围、测量和权重的分歧[11]。范围分歧源于两个评分者考虑了不同的属性集合。这两个评分者使用不同的指标来衡量相同的属性，从而导致测量结果的差异。而权重分歧则是由于两个评分者对同一指标使用不同的权重进行加权求和所引起的。测量散度的贡献最大，占比为56%，其次是范围散度和权重散度，分别占比为38%和6%。范围和权重反映了ESG评级旨在衡量哪些因素，而测量则反映了如何进行这些衡量[11]。正如Brandon et al.[10]所说的，大部分的差异可以追溯到测量和范围的不同，而权重的差异似乎起到了较小的作用。

（四）ChatGPT-4技术对ESG评级的设想

针对缺乏专业计算机编程背景的人来说，应用机器学习模型通常具有挑战性。然而，ChatGPT-4提供了一种通过多语言对话交互来完成任务的方法，消除了技术性深入研究课题的障碍，使得使用机器学习模型变得更加简单[5]。因此，即使是非专业人士也能够轻松地利用ChatGPT-4的强大功能和用户友好的交互方式，在更广泛的应用领域中使用机器学习模型，并将其推广普及。

Cao et al.[5]进一步研究发现，ChatGPT-4技术可以解决文本情感分析、ESG关键词分析等问题。这是因为ChatGPT拥有出色的语言理解能力，可以精准地根据指令完成特定任务，并展现出优秀的可控文本生成能力，ChatGPT-4在生成所需关键字列表方面的效果非常好。可以使用Alphabet在2022年发布的可持续报告来评估ESG关键词百分比和ESG情绪，ESG关键词的数量可以调整为20个、50个甚至100个[5]。从结果来看，ChatGPT-4确实具备生成关键词列表后，能够根据这些关键词来分析文本并生成与关键词相关的情感值的能力[5]。

2022年华证ESG评级方法论[16]中提到，华证利用自然语言处理（NLP）技术和语义分析等方法，以算法为指标分配值，这与ChatGPT分析文本的情感值有类似的算法逻辑[17]。所以考虑研究两者之间的相关性，探讨ChatGPT-4中新技术的发展潜力，以期未来能直接运用ChatGPT-4对企业的ESG进行评级。研究结果表明，ChatGPT-4在对文本内容进行定量和逻辑分析方面具有高度准确性和高效性。

三、实验数据及方法

（一）样本选择与数据来源

研究范围专注于2022年12月进行ESG评级的沪深A股上市公司。这样的选择源于绿色债券、ESG指数等绿色金融产品方面相对起步晚，以及ESG概念在近年才逐渐受到广泛重视[4]。总计有710个公司观测值。国内三家评级机构的数据来源于华证、商道融绿、万得数据库。在研究中排除了以下情况：金融类公司；存在变量缺失的公司-年份。最终的样本包括710家公司观测值。

（二）数据处理

为保证所选数据的有效性和结果的准确性，对选定样本进行了以下处理：在实验中对三家评级机构的关键指标进行了重新处理。

而量化三家评级机构的评级标准都不同，许多学术研究的做法是，将KLD的优势和关注点分别总结，并对可用的总优势和关注点数量进行加权，从而形成了一个范围从-1到+1的规模。

参照Brandon et al.[10]的方法，为了确保不同评级提供者之间的可比性，进行了如下工作：在每个时间点，根据评级机构对所有股票的评级结果，对这些股票进行排名。接着，计算个别评级的特定百分位等级，并将其作为经过调整的分数。使用排名的测度也更贴近投资者比较特定信号在公司信号中的排名值与其他公司信号中的排名值的实际投资做法。在存在关联的情况下，为每家公司分配了平均排名。然后，对这些等级进行标准化，使其范围在-1到1之间，因为ChatGPT文本情感分析的价值区间也在（-1，1）。由于本实验已经将数据进行标准化处理，样本中的原始变量就避免了将其在上下2%的水平上进行缩尾（Winsorize）处理，也避免了极端异常值对结果的影响[5]。

此外，数据的标准化处理以及后续的差异分析可以借助ChatGPT这一工具来完成。ChatGPT可以帮助分析人员自动地进行数据清洗、标准化和转换，从而避免无关信息对后续处理和分析造成干扰。具体来说，它可以实现去除HTML标签、特殊字符等操作，同时进行文本分词、大小写化、中英文互译、正则表达式匹配等操作。ChatGPT还能够识别和分析数字、文本、图像和视频等多模态内容。它不仅可以处理文本数据，还可以理解和处理其他类型的信息，为多领域的应用提供支持

（三）生成情感价值

参考Cao et al.[5]的实验步骤，在ChatGPT-4中使用特定指令形成了20个关键字：1.可持续发展，2.气候变化，3.碳足迹，4.可再生能源，5.绿色金融，6.企业社会责任，7.多样性和包容，8.员工福利，9.供应链管理，10.环境影响评估，11.社区发展，12.透明度，13.反腐败，14.风险管理，15.数据保护，16.能源效率，17.废物减少，18.水资源管理，19.合规性，20.道德采购。此20个关键字与3家ESG评级机构的议题和二级指标（基于本土三家评级机构2022年的评级方法论）相对应。

ChatGPT-4知道如何根据刚刚生成的ESG关键词列表来分析文本并生成与关键词相关的情感值。之后，使用2022年A股企业ESG披露报告来评估ESG情绪（图2）。三家评级机构都对华侨城（代码：000069）有ESG评分的数据。2022年华侨城ESG报告的页数为73页，没有超过100页（或者占用空间超过15MB），所以适用ChatGPT-4在2023年10月推出的“AskYourPDF”插件来进行上传并分析。

需要注意的是，这时候ChatGPT-4可能还会让你再输入一次已生成的20个关键字，根据提示一步步完成就可以得到报告的整体情绪值。

2023年11月8日之后，ChatGPT又进行了更新，这次可以在不使用任何插件的前提下，在对话框中直接上传PDF进行分析，输入的指令与上述指令相似：

“在-1到1的范围内，其中-1非常负面，1非常正面，对于以上PDF文本，基于已生成各项关键字的情绪值分析，上述生成的ESG关键字列表的情感估计值（保留两位小数）是多少+_上传PDF_（如果它给了一个范围，需要在对话框中要求它输入具体值）”。

ChatGPT-4生成了2022年某A股企业ESG披露报告的情绪值。由于ChatGPT-4目前还不能完美识别所有的PDF文本，某些文件含有大量乱码或非标准文本字符，导致无法有效进行文本解析或情感分析，因此采用了以下替代方法：

将篇幅超过50页的可持续报告转化为TXT（使用OCR识别），然后这些文本将被切割成片段、分别让ChatGPT-4进行分析，文本中与ESG无关的内容将会被排除，整篇报告的最终情感值为上述所有剩余片段情感分析值的平均值。对话框中的指令如下：

_文本_+“在-1到1的范围内，其中-1非常负面，1 非常正面，对于以上文本，上述生成的ESG关键字列表整体的情感估计值（保留两位小数）是多少。”

这些值介于-1到1之间，其中-1表示最负面，1 表示最正面。有些公司没有可持续报告或者ESG报告，就用该公司2022年度报告中的“公司治理”“环境与责任”部分文本的情感值分析来替代，所有A股公司文本的处理都基于上述两种方式。

此后，用相同的方法得出2022年710家A股企业可持续报告的关键字以及ESG披露报告的情绪值。之后再参考之前Liu[3]的做法，在ChatGPT的对话框内将（-1，1）之间的情绪值标准化到（1，10）之间，这样做是为了方便对数据进行后续的分析。研究范围和测量差异主要通过关键字的出现频次以及ESG披露报告中情绪值的差异来进行衡量。关键字差异是由企业报告中ESG关键字出现的频次与ChatGPT生成ESG关键字列表的差异决定的。此处不考虑权重差异，所有结果均为均值。因为权重差异对评级结果的作用较小，且不同机构对于权重的设置也不同，后续也可以人为地设置权重，来缩小ChatGPT-4与传统评级机构的评级差异。

（四）描述性和相关性统计分析

由于ChatGPT-4生成的仅仅是情绪值，而ChatGPT-4用于实验的最终生成值和国内三家本土评级机构的差异可以参考Berg et al.[11]的实验结果来体现：

GPT score=38%Δscope+56%Δmeas+6%Δweig|ts （1）

其中，Δscope表示范围差异，在ChatGPT中用关键字百分比来衡量；Δmeas表示测量差异，在ChatGPT中用情感值来衡量；Δweights在此不做讨论。

表1中ratingagency1表示商道融绿标准化后的评级数值，ratingagency2表示万得标准化后的评级数值，ratingagency3表示华证标准化后的评级数值，GPT表示由公式1得出的GPTscore。上述数据的标准差将体现ChatGPT生成值和评级机构的差异。

对ChatGPT生成的结果与三家评级机构标准化后结果的相关性分析如表2。

（五）单因素方差分析

描述性统计分析和相关性统计分析已经评估了数据的整体差异和关联性。通过描述性统计，可以了解数据的分布特性，包括中心趋势和离散度。相关性分析则提供了不同变量间相互关系的量化评估。进一步的，通过计算和比较组间变异（不同组之间的差异）与组内变异（同一组内部的差异），单因素方差分析（ANOVA）为本研究提供了判断不同组平均数之间差异的统计显著性的方法。本研究分别对ratingagency1、ratingagency2、ratingagency3和GPT生成的评级数值之间的差异进行了显著性检验，以便评估chatGPT-4的生成值和三家评级机构的评级数值是否存在统计学上的显著差异。表3—表5是单因素方差分析的结果。

四、实验结论

从表1的结果来看，ChatGPT生成的均值和华证的评级结果最为接近，接近7.6，整体差异不大。再看表2的结果，GPT生成值和商道融绿标准化后的评级数值的相关系数为0.1167，p值<0.01，这表明商道融绿和GPT的生成值之间99%以上存在相关性；GPT生成值和万得标准化后的评级数值的相关系数为0.1105，p值<0.01，这表明万得和GPT的生成值之间99%以上存在相关性；GPT生成值和华证标准化后的评级数值的相关系数为0.0814，p值<0.05，这表明万得和GPT的生成值之间95%以上存在相关性。表3显示卡方统计量（chi2）为8.2669，自由度为5，对应的P值（Prob>chi2）为0.142。P值大于0.05，说明没有足够的证据拒绝方差相等的零假设，可以认为不同组的方差是相等的。表4的卡方统计量为155.7114，P值为0.895。同样的，没有证据表明方差不相等。表5的卡方统计量为100.5448，P值为0.997，这也不支持方差不等的假设。因此，单因素方差分析再次说明了GPT生成值和三家本土机构的数值间差异较小。在整体差异较小且相关性较高的情况下提出的未来使用ChatGPT-4对ESG评级机构进行评级的设想是可行的。

同时，用ChatGPT-4来对企业的ESG进行评级也间接提高了企业可持续、ESG报告披露的客观性。ChatGPT-4可以对不同的文本进行情感分析，但这项研究的前提就是企业报告披露的全面性以及客观性，如果两家企业之间的报告GPT生成值差异不大但是现有的评级差异很大，那就可以合理怀疑该企业披露的报告不够客观公允。

五、贡献及未来研究方向

（一）贡献

投资于可持续实践的公司表现出更强的财务业绩，从长远来看，优先考虑社会责任的公司实际上可以在经济上受益；与同行相比，拥有强大治理的公司拥有更高的股本回报率和更低的破产风险。更精确、客观的ESG评级能够更有效地帮助投资者进行明智的投资决策。

若GPT提取关键字的相关性较高且情感赋分比较精确（精确度的衡量在于与评级机构相关性较高且整体差异较小），那么未来人工智能领域的研究方向就可以是：对现有版本的ChatGPT-4做进一步的升级，让投资者直接使用ChatGPT-4对企业ESG进行评分：底层技术就是考虑现在的文本情感分析和关键字提取技术，减少人为评级的主观性。

总之，ChatGPT-4的总体影响还是积极乐观的，它不会给金融和会计学术研究的未来带来问题，相反，它可能成为这些学科领域更广泛、更深入地接受人工智能和机器学习技术新的推动力。GPT的出现可能从心理学的角度开始建立对人工智能和机器学习技术的接受共识。同时，GPT-4的出现也显著降低了机器学习在金融和会计领域应用的技术门槛[5]。

（二）未来研究方向

ChatGPT-4的文本分析技术并不仅仅可以用来初步评判、质疑企业ESG报告的客观公允，还可以应用于更多的披露信息，如年报、发行的债券评级报告等，进一步规范金融市场。

（三）不足之处

ChatGPT的出现取代了大部分基层财务人员及ESG评级人员的工作，这将从整体上减少财务部门对于财务人员的需求，可能导致部分财务人员失业[4]。甚至多家评级机构也会逐渐减少人为的评级，变成人工智能进行评级。因此，确保劳动者能够接受新技能培训并获得新兴产业的就业机会变得至关重要。最后，ChatGPT的发展也引发了对偏见和公平性的担忧。与任何人工智能技术一样，ChatGPT的训练数据可能存在偏差，影响其回应，并导致歧视问题。因此，确保训练数据的多样性以及在模型部署之前进行偏差检测变得至关重要[15]。在使用ChatGPT时应当谨慎，它似乎是一个有用的研究工具，可以用于生成初步草稿，但最终的草稿可能与ChatGPT的输出有很大不同[18]。

ChatGPT的问世对于数据安全带来了双刃剑的影响。一方面，从信息安全的角度来看，尽管OpenAI在开发ChatGPT时已经设定了积极的价值观以预防其被用于恶意目的，但仍有网络攻击者可能绕过ChatGPT内置的防滥用规则，借助ChatGPT来更轻易地编写恶意软件代码。另一方面，从信息安全的防御角度来看，ChatGPT可以为防御方提供安全咨询，帮助他们了解最新的网络安全威胁和漏洞，提供可行的建议。这可以帮助组织更好地应对不断变化的网络安全挑战[4]。

本研究聚焦于A股市场上市的企业，涵盖了众多行业。要考虑各行业ESG评级的差异，就需引入行业月固定效应和各项标准特征[10]。然而，截至目前，ChatGPT-4的分析尚未调整不同行业间的差异，因此本研究未涉及行业差异的调整。这也指出了ChatGPT-4未来实现更准确评级的潜在发展方向之一。同时，三家评级机构的方法论每年都有所调整，本研究只能基于新的评级标准和可持续报告，无法进行多时间维度的分析。此外，ChatGPT-4在分析时需经历多次训练和尝试才能得出具体的情感值，这对分析的准确性和用户体验提出了挑战。

此外，尽管GPT-ESG评级体系可以提供有价值的信息，但仍需谨慎对待其结果。由于自然语言处理技术的限制，评级结果可能会受到文本语境等因素的影响，因此仍需结合其他信息和专业判断进行综合分析。如果因为错误的结果导致投资者作出错误的决策，使得谁应该承担这一错误的责任成为一个值得质疑的问题，所以，法律层面应该更加明确地界定问责机制，以确保在这种情况下有明确的责任分配和追究机制。

因此，在运用ChatGPT-4进行文本情感分析、关键词提取以及ESG评级的同时，开发者需要制定恰当的措施来最大限度地减少潜在的威胁，并充分挖掘其在信息安全防御方面的潜力，ChatGPT-4也需要不断地进行更新来适应人们的需求。

【参考文献】

［1］ 钱燕珍.在促进“双碳”目标下发挥ESG投资的思考［J］.时代金融，2022（8）：61-62，69.

［2］ 黄宗彦.ESG评级领先市场超九成A股金融公司披露相关报告［N］.每日经济新闻，2023-07-11（006）.

［3］ LIU M.Quantitative ESG disclosure and divergence of ESG ratings［J］.Frontiers in Psychology，2022，13.

［4］ 金源，李成智.ChatGPT对智能财务体系的影响：场景优化、技术革新与人员转型［J］.财会月刊，2023（15）：23-30.

［5］ CAO Y，ZHAI J.Bridging the gap the impact of ChatGPT on financial research［J］.Journal of Chinese Economic and Business Studies，2023，21（2）：177-191.

［6］ KOCMANOV？魣 A，DO■EKALOV？魣 M.Construction of the economic indicators of performance in relation to environmental，social and corporate governance （ESG） factors［J］.Acta Universitatis Agriculturae et Silviculturae Mendelianae Brunensis，2013，60（4）：195-206.

［7］ ATAN R，ALAM Md M，SAID J，et al.The impacts of environmental，social，and governance factors on firm performance：panel study of Malaysian companies［R/OL］.SocArXiv，2019［2024-01-11］.

［8］ 吴巍.“双碳”目标下的ESG评价体系［J］.上海国资，2022（6）：14.

［9］ BRANDON R G，KRUEGER P，SCHMIDT P S.ESG rating disagreement and stock returns［Z］.2019.

［10］ BERG F，K？魻LBEL J F，RIGOBON R.Aggregate confusion：the divergence of ESG Ratings［J］.Review of Finance，2022，26（6）：1315-1344.

［11］ ZHAI S，ZHANG Z.Semisupervised autoencoder for sentiment analysis［J/OL］.Proceedings of the AAAI Conference on Artificial Intelligence，2016，30（1）［2024-01-11］.

［12］ 宋海燕.基于贝叶斯算法的心理测试情感分析［J］.信息系统工程，2023（6）：116-119.

［13］ SUN X，DONG L，LI X，et al.Pushing the limits of ChatGPT on NLP Tasks［M/OL］.arXiv，2023［2023-07-29］.

［14］ SAXENA D，KHANDARE S，CHAUDHARY S.An overview of ChatGPT：impact on academic learning［J］.2023，1.

［15］ WANG Z，XIE Q，DING Z，et al.Is ChatGPT a good sentiment analyzer？A preliminary study［M/OL］.arXiv，2023［2023-07-29］.

［16］ 华证ESG评级方法论［Z］.2022.

［17］ MCGEE R W.Is ESG a bad idea？ The chatgpt response［J/OL］.SSRN Electronic Journal，2023［2023-

07-28］.

［18］ 陈安萍，赵雅■.ChatGPT对财务分析的影响及对策研究［J］.会计之友，2023（16）：156-封三.