AI × ESG — 台灣上市櫃永續報告書智慧分析

完整缺口分析

缺口一：地理缺口 — 為什麼台灣是最佳研究場景

為何重要：

• 金管會 2023「上市上櫃公司永續發展行動方案」強制揭露 → 天然的 policy shock 研究設計（DiD / RDD 斷點）
• 台積電、聯發科、鴻海等企業的 ESG 揭露對蘋果 / NVIDIA 供應鏈有外溢效應
• 現有亞洲樣本（Kim & Li, 2021, JFQA）幾乎不含台灣 → 結論的普適性存疑

缺口二：語言缺口 — 繁體中文的技術挑戰

• 台灣永續報告書常中英混合（例：「依據 TCFD 框架進行氣候變遷風險因應」）
• 繁簡體差異不只是字形，還有用語習慣、法規術語
• 目前無任何公開的繁體中文 ESG 專用 benchmark dataset
• 這本身就是一個方法論貢獻

缺口三：方法論缺口 — LLM 到底能不能用？

需要系統性回答三個問題：

1. LLM 評估結果與人工編碼的一致性（inter-rater reliability）如何？
2. LLM 能否辨識「實質揭露」vs「形式揭露（boilerplate）」？
3. 不同版本 LLM（GPT-4 vs Taiwan-LLM）的評估一致性？

缺口四：供應鏈 — 獨特的研究場景

台灣上市供應商面臨品牌客戶的 ESG 要求（蘋果供應商責任報告、NVIDIA ESG 標準），是全球少有的「可觀察供應鏈 ESG 壓力傳導」場景。現有文獻（Strategic Management Journal）尚未結合 NLP 分析。

三個可行研究題目

題目一（最推薦）

“Can Large Language Models Measure What Counts? ESG Disclosure Quality, LLM-Based Assessment, and Financial Performance: Evidence from Taiwan”

核心問題：

1. LLM 評估的 ESG 揭露質量分數，能否比傳統字典法更好地預測財務績效？
2. LLM 評估結果與人工編碼的效度如何？

方法框架：

• LLM prompt engineering → 結構化 ESG 質量評分（E/S/G 各 5 分）
• 與 GRI 計量法、字數法比較效標效度
• Panel regression（FE）：ESG quality score → ROA / Tobin’s Q / CAR

三大貢獻：

1. 方法貢獻：首次系統驗證 LLM 作為繁體中文 ESG 評估工具的效度
2. 地理貢獻：填補台灣市場實證空白
3. 實踐貢獻：為投資人/監管機構提供可規模化評估工具

題目二

“Mandatory ESG Disclosure and Reporting Quality: A Natural Experiment from Taiwan’s Regulatory Reform”

核心問題： 金管會 2023 強制揭露規定是否提升 ESG 報告實質質量？

方法框架： DiD / RDD（以 2023 政策為斷點）+ LLM 萃取「實質揭露密度」

題目三

“ESG Disclosure Consistency and Information Asymmetry: Cross-Model Evidence Using Traditional Chinese LLMs”

核心問題： 永續報告書 vs 年報的揭露一致性，是否預測資訊不對稱程度？

方法框架： Taiwan-LLM vs GPT-4 跨模型一致性比較 + BERTScore 語意相似度

題目比較矩陣

SSCI 期刊推薦（10 本）

主投策略： BSE（IF ~12.5）→ 備投 CSREM → 快速通道 PBFJ

執行路徑

第 1-2 週：數據整備
  ├── 永續報告書 PDF 文本萃取、年份標記、產業分類
  ├── 設計 LLM 評估 prompt（E/S/G 各 5 分制）
  └── 人工標注 150-200 份（golden standard）

第 3-4 週：LLM 評估執行
  ├── 批量呼叫 LLM API（GPT-4 + Taiwan-LLM 比較）
  ├── 計算 Cohen's Kappa（LLM vs 人工）
  └── 建立 ESG 質量分數 panel data

第 5-6 週：計量分析
  ├── 串接 TEJ 財務資料
  ├── Panel regression（FE model）
  └── 穩健性檢驗

第 7-8 週：論文撰寫
  └── 目標第 9-10 週投稿 BSE

DOI 驗證摘要

教訓：LLM 生成的 DOI 不可信，必須用 API 驗證。這也是論文方法學 Phase 2 的核心要點。

品質評估與改進空間

目前水準

• P0 問題（致命）：0 個
• P1 問題（重要）：2 個 — 模型細節未指定 + 圖表數據為模擬值
• 退稿風險：25%（低風險）

模擬 Reviewer 意見

Reviewer 1（方法論專家）：

「LLM 評分管線缺少具體模型名稱、temperature 設定和 prompt 細節。需在投稿前補齊。」

Reviewer 2（ESG 領域專家）：

「五維度權重（E 25%、S 20%、G 25%、Policy 15%、Data Quality 15%）偏離 GRI 指引，需引用來源或做敏感度分析。」 正面評價：「台灣 2023 監管事件作為準實驗設計是真正的創新，DiD 設計恰當。」

Reviewer 3（財務經濟學）：

「ESG 品質 → ROA 的因果解釋需更謹慎。DiD 辨識的是法規對揭露品質的效果，但 panel regression 是觀察性的，兩者不應混淆。」 正面評價：「治理維度（最具預測力）的發現有趣且有理論基礎。」

升級到 SCI 投稿等級需要

1. 補上真實實驗數據 — 替換所有模擬值（標記為 ^S^ 的數字）
2. 指定 LLM 模型 — 模型名稱、temperature=0.0、random seed=42
3. 生成 SVG 圖表 — 出版級向量圖，至少 3 張
4. 權重敏感度分析 — 五維度權重需引用來源，或做等權重比較
5. 因果語言修正 — 區分 DiD（因果）和 panel regression（關聯性）

可加強的空間

• 樣本限於台灣上市公司 5 年，跨市場推廣性需重新驗證
• LLM 評分基於預訓練先驗，可能偏向英語市場的揭露規範
• 缺乏治療指標（treatment indication），無法區分抗生素使用與感染效果… （此為範例論文特定限制）
• 可加入 fine-tuning 實驗（用標注的台灣 ESG 報告微調模型）

論文初稿下載

下載完整論文

登入後可解鎖：完整缺口分析 + 三個可投稿題目 + 10 本 SSCI 期刊推薦 + 論文初稿 PDF 下載 + 品質審查報告

論文方法學可以應用到任何研究領域。趕快預約諮詢，讓我們幫你找到屬於你的研究缺口。