本研究开发了一种创新方法来预测中国上市公司的"漂绿"行为。通过将大型语言模型BERT整合到机器学习框架中，我们构建了一个先进的漂绿预测模型。这种方法能够捕捉企业社会责任报告和年度报告的环境披露中微妙的语言线索和语义细节，显著提高了识别漂绿的精确度。研究采用了多种机器学习模型，包括支持向量机（SVM）、随机森林（RandomForest）和随机欠采样算法（RUSBoost），并在三种不同的数据集上进行了测试：基础财务数据集、扩展的Word2Vec环境披露数据集，以及BERT优化的环境披露数据集。结果表明，RUSBoost算法结合BERT调整的环境披露数据在各项评估指标上表现最佳，凸显了先进自然语言处理技术在分析环境披露文本方面的优势。此外，我们的研究发现预测的漂绿指标与ESG评级机构间的评级分歧显著相关，验证了本研究所开发的漂绿变量。本研究为识别和预测企业漂绿行为提供了一个创新的、基于文本的方法。这一工具对投资者、监管者和政策制定者具有重要价值，有助于捕捉公司的欺骗性环境披露。

用风险是我国商业银行运营过程中的主要风险，因此加强信用风险的有效评估 至关重要。本文借鉴多传感器信息融合综合评价的优势，建立了基于BP神经网络、支持向量 机和DS证据理论基础上的信用风险评估模型。通过采用国内某商业银行的数据，利用本模 型,BP网络和支持向量机三者做了相应的验证，研究结果表明，该模型相对传统的BP网络和 支持向量机的评估模型，能得出较优的评估结果。本文的研究结论对于丰富我国商业银行的 信用风险评估体系和加强风险管理具有重要意义。