随着监管部门与社会各界对于企业的ESG表现日益关注，本文考察拟上市企业（特别是IPO预期成功率较低的企业）是否有动机通过强化其ESG表现，从而增强其IPO成功概率。本文基于大语言模型对拟上市公司招股说明书所呈现的ESG绩效进行量化评估，并系统考察企业IPO预期成功率、招股说明书ESG绩效与IPO最终成功率之间的互动关系。研究发现：（1）企业IPO预期成功率越低，该企业越可能在其招股说明书中展现出较佳的ESG绩效；（2）企业的ESG绩效强化行为显著提升了其IPO通过概率。这一效应在证券监管部门更为关注企业社会责任时以及在高污染行业中更为显著。进一步分析表明，对于IPO预期成功率较低的企业，其招股说明书中的ESG表现无法有效预测其上市后的ESG绩效，这表明监管部门仍需警惕此类企业“漂绿”上市的风险。本文研究结论对于证券监管部门和投资者都具有重要的决策参考价值。

2019年，国家发布《绿色产业指导目录》，首次明确绿色产业范围和技术标准，旨在为包括绿色金融体系在内经济社会绿色转型中一系列制度安排的重点支持方向提供技术上的参考目录，提高资源配置效率。本文以《目录》提供的技术文本为基础、运用前沿的大语言模型，构建了全新的基于专业技术角度的企业绿色技术指标，避免了传统企业环境效益评价指标（如ESG指标）存在的覆盖不足和漂绿高估问题。以该指标为基础，本文运用双重差分法考察《目录》对企业创新能力、投资行为及经营绩效的影响。实证结果表明，《目录》的颁布鼓励企业加大了研发投入、增加了绿色支出，提升了绿色企业的创新能力，尤其促进了企业的高质量创新产出。进一步地融资机制探索表明，明确绿色标准显著降低了相关企业的融资成本，尤其对企业信贷融资渠道的影响更为显著。最后，本文通过经济意义分析发现，《目录》提高了企业的经营绩效和节能减排。本文的研究结论为进一步健全绿色金融机制、实现绿色可持续发展提供了有益参考。

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。