摘要：文章以2011—2020年沪深A股制造型企业为例,对财务报告提取10种文本语义指标,采用5种机器学习算法构建企业碳减排信用风险预警模型,探究引入文本语义指标后模型的预测效果变化,并识别出影响企业碳减排信用风险的关键指标。研究发现:财务报告文本语义指标蕴含着碳减排信用风险增量信息。引入该指标可显著提升模型预测效果,如AUC、Type2 Error评估指标的提升幅度、降低幅度分别在1-10%、0-5%;碳减排信用风险预警中整体表现最佳的是RF模型,其次是XGBoost和LightGBM模型,然后是LR模型,最后是SVM模型;影响碳减排信用风险的关键文本语义指标是情感语调。当净语调1、净语调2、创新性、横向相似性、前瞻性指标越大时,模型预测为正常企业的概率越大;当风险性越大时,模型预测为财务困境企业的概率越大。

摘要：本文以2011~2022年制造型企业为例,将创新性、前瞻性、风险性等10种MD&A语义指标引入基于机器学习算法构建的碳减排信用风险预警模型中,探究引入前后模型预测效果的变化,并使用SHAP可解释法揭示预警模型决策逻辑过程。研究发现:(1)MD&A语义指标可显著提升碳减排信用风险预警模型的预测效果,如P_(i)、CV_(i)评估指标的提升幅度、降低幅度分别在1%~11%、0.0029~0.1944。而相较于语义指标,碳减排信用指标对模型预测效果提升更为明显;(2)总体碳减排信用风险预警效果上,XGBoost模型最佳,其次是RF和SVM模型,LR模型最差;(3)净语调1、创新性、风险性是影响碳减排信用风险的关键语义指标。当净语调1、创新性指标增大时,模型预测为正常企业的概率增加;当风险性指标增大时,模型预测为违约企业的概率增加。

摘要：应对气候变化是推动经济高质量发展和生态文明建设的重要抓手,企业的碳减排信用风险关系到投资者、银行和政府等利益相关者的资金保障。因此,有效预警中国制造型企业碳减排信用风险成为当前的研究热点。首先基于熵权TOPSIS与耦合协调度模型验证制造型企业碳减排信用风险预警的必要性;其次,通过与多模型对比,证明MLP深度学习模型在企业碳减排信用风险预警中的优越性;最后,通过压力测试方法确定利益相关者的重点防控企业和行业类型。结果表明:第一,多数制造型企业处于中度、高度协调度耦合阶段,即企业“碳排放水平”因素会显著影响自身的碳减排信用风险;第二,制造型企业碳减排信用风险对“预期碳税力度τ”具有敏感性,而碳税对“石油加工、炼焦及核燃料加工业”的冲击最为明显;第三,本文提出的MLP深度学习模型预测效果最佳,其预测准确率达到98.60%,相较于其他模型平均提升了15.57%,充分表明了该模型的可行性和实用价值。