[论文解读] Automated Identification of Climate Risk Disclosures in Annual Corporate Reports

David Friederich, Lynn H. Kaack+2 more|arXiv (Cornell University)|Aug 3, 2021

Corporate Social Responsibility Reporting被引用 14

一句话总结

本研究开发了一种微调后的 RoBERTa 模型，用于自动分类和量化 20 年间来自 337 家欧洲公司的 4,498 份年度报告中的五类气候风险披露——物理风险（急性与慢性）以及转型风险（政策与法律、技术与市场、声誉）；结果显示，2015 年后转型风险披露显著增加，尤其是政策与法律及声誉类别，这很可能受到各国监管环境的影响。

ABSTRACT

It is important for policymakers to understand which financial policies are effective in increasing climate risk disclosure in corporate reporting. We use machine learning to automatically identify disclosures of five different types of climate-related risks. For this purpose, we have created a dataset of over 120 manually-annotated annual reports by European firms. Applying our approach to reporting of 337 firms over the last 20 years, we find that risk disclosure is increasing. Disclosure of transition risks grows more dynamically than physical risks, and there are marked differences across industries. Country-specific dynamics indicate that regulatory environments potentially have an important role to play for increasing disclosure.

研究动机与目标

• 为解决在大规模年度报告文书中监测气候风险披露时人工分析的局限性。
• 开发一种可扩展的自动化方法，以识别和分类自由文本企业报告中的特定类型气候相关风险。
• 评估监管环境对各国及各行业气候风险披露模式演变的影响。
• 为政策制定者和研究人员提供一种可复现、高准确率的自然语言处理流水线，以评估气候披露法规的有效性。
• 实现大规模、纵向的气候风险披露趋势分析，突破人工审查的范围，减少对大型企业偏倚。

提出的方法

• 构建了一个新颖的、人工标注的数据集，包含 120 份欧洲年度报告，涵盖五类细粒度的气候风险类别：急性物理风险、慢性物理风险、政策与法律转型风险、技术与市场转型风险以及声誉转型风险。
• 在段落级文本分类任务中，使用多类别和二分类设置，对多种 NLP 模型（SVM、DistilBERT、RoBERTa）进行训练和比较。
• 采用基于关键词的检索策略，识别包含气候相关术语的候选段落，随后对 270 万个段落进行模型推理。
• 选用表现最佳的 RoBERTa 模型，其在真实场景下的五分类任务中 F1 得分为 0.369（宏平均），二分类任务中为 0.526。
• 采用基于置信度的过滤方法和自助法置信区间，评估模型可靠性及随时间的变化趋势。
• 在法国、英国、德国、瑞士等国家以及能源、材料、公用事业等行业内开展对比分析，识别监管和行业因素的影响。

实验结果

研究问题

• RQ1 2000 年至 2020 年间，欧洲企业年度报告中气候风险披露的数量和类型如何演变？
• RQ2 与未实施此类规定的国家相比，特定国家（如法国、英国）的监管指令在多大程度上影响了气候风险披露的速度？
• RQ3 在披露的气候风险中，物理风险还是转型风险更常被提及？这种趋势随时间如何变化？
• RQ4 与其它行业相比，高排放行业（如能源、材料、公用事业）的披露模式有何不同？
• RQ5 微调后的 Transformer 模型（如 RoBERTa）能否有效区分非结构化企业文本中细微的气候相关风险类型？

主要发现

• 气候风险披露数量，尤其是转型风险，在 2015 年后显著上升，2019 年的转型风险提及次数约为物理风险提及次数的三倍。
• 转型风险中的‘政策与法律’和‘声誉’子类别增长最为显著，对整体披露量上升贡献最大。
• 法国和英国在 2015 年后实施了强制性气候风险披露法规，其物理风险和转型风险报告均显著增加，而德国和瑞士的增长则较为温和。
• 能源、基础材料和公用事业行业披露的转型风险显著高于其他行业，反映出其对气候政策和市场变化的高敏感性。
• RoBERTa 模型在真实场景下的五分类任务中 F1 得分为 0.369（宏平均），二分类任务中为 0.526，对物理风险的精确率较高但召回率较低，而对转型风险则表现相反。
• 该模型在 4,498 份报告中识别出 3,892 个段落，其中至少包含一项气候风险提及，总计 5,501 次风险披露，证明了其在大规模、多样化数据集上的可扩展性。