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。

ESG评级作为ESG相关的研究和决策的数据基础，存在着诸多不足。其中之一便是ESG评级分歧，即不同评级机构对同一家被评级企业给出的ESG评级存在较大差异。本研究以ESG评级分歧对债务成本的影响为例，提出了分析ESG评级分歧影响的理论解释和实证方法的框架。 理论上，本文提出ESG评级分歧会让市场认为企业没有规范透明的披露ESG信息，其真实ESG表现偏离ESG评级所代表的水平的风险更高，市场会对该风险要求一个溢价。在实证上，首先利用我国A股上市公司的ESG评级数据，在控制了ESG评级均值、评级机构数量、以及其他企业特征之后，我们发现ESG评级的标准差上升会导致企业债务成本上升。第二， 我们利用政策冲击解决内生性。香港交易所在2018年进行了改革，增加了ESG披露的规范性，我们用A股企业是否同时在香港上市和是否在2018年以后的交乘项作为ESG评级分歧的工具变量，发现结论仍然成立。第三，在控制代表了评级机构构成的一个交乘类别变量之后，此时评级分歧对债务成本的影响仍然存在，且相比基准分析变化很小。这表明本文的发现与评级机构的构成关系不大，而主要来源在于企业自身ESG披露规范性的差异。第四，我们发现企业向市场发出规范披露信号时，该影响变弱。当企业的ESG披露经过第三方鉴证或者是符合GRI标准时，评级分歧对债务成本的影响都大为减少。 本研究的发现具有重要的政策意义。首先本研究发现企业信息披露规范程度越高，该评级分歧对企业融资的负面影响就越低。因此，企业自身可以通过改善ESG信息披露的规范性和透明程度，来削弱这种负面影响。另一方面，利用政策冲击的分析表明，监管可以加强对ESG信息披露规范程度的强制要求，减少市场对不规范披露带来的ESG实际表现背离评级表现的担忧。 本研究对ESG评级分歧的影响提供了理论解释和实证检验的框架，为该领域后续的研究提供了参考。

党的十八大以来，我国以新发展理念为引领，在推动高质量发展中促进经济社会发展全面绿色转型。ESG投资为高质量发展带来了更广泛的发展空间，国内企业也在ESG理念下推动高质量发展。本文选取2009年-2021年中国A股上市公司为样本，旨在研究ESG评级能否抑制机构投资者羊群行为。研究结果发现：第一，ESG评级提升能抑制机构投资者羊群行为，在采用公司、年份双向固定效应、替换核心变量、倾向性得分匹配后回归以及时序关系检验等稳健性检验后结果与上述结论一致。第二，将企业信息透明度、应计盈余管理、被分析师关注程度来衡量机构投资者面临的企业信息环境，并分别进行机制分析。结果表示，ESG评级对机构投资者羊群行为的抑制作用受到投资者面临的信息环境即企业信息质量的影响，ESG评级能通过缓解信息不对称程度抑制机构投资者羊群行为。第三，ESG评级对机构投资者羊群行为的抑制作用呈非线性关系，企业在较低的ESG评级基础上提升评级对于机构投资者羊群行为的抑制效应更强。