作者:王駿瑋 David Ishayahu
2026-06-24 · 9 分鐘閱讀
不是每間公司都在刻意漂綠。多數情況是,報告寫作的慣性讓品質出了問題。
「大幅減少用電量」「顯著提升員工滿意度」。 大幅是多少?跟去年比還是跟五年前比? GRI 和 SASB 都要求量化揭露,但很多報告還是停在定性描述的階段。 一份 80 頁的報告裡,可能只有 3 頁有實際數字。
多數企業把篇幅集中在環境面(E),因為碳排放有明確的計算公式。 社會面(S)最弱,通常只有員工福利照片和志工活動紀錄。 治理面(G)則是把董事會名單和組織架構圖貼上去,算是交差。 這不是分析,這是填空。HOPETURN 正在嘗試解決社會面量化的問題。
有些企業只揭露對自己有利的指標。 減碳進度超前的部門大書特書,排放增加的部門一筆帶過。 這不一定是有意為之,但結果就是讀者拿到一份「只有好消息」的報告。 在金管會強化永續揭露的趨勢下,這種選擇性揭露的風險會越來越高。
NLP 做的事情是把文字變成數據,讓機器讀完整份報告,然後告訴你「這份報告的揭露品質在什麼水準」。
建一個「模糊語言詞庫」,包含「持續精進」「積極推動」「致力於」「逐步落實」「強化管理」這類常見用語。 掃描整份報告,統計模糊語言出現的頻率,對比具體數字和量化指標出現的頻率。
比率越高,代表這份報告的「空話密度」越高。 一份好的永續報告,模糊語言和量化指標的比率應該低於 1:1。 如果模糊語言是量化指標的三倍以上,報告的參考價值就很有限。
用 LDA(隱含狄利克雷分布)模型,自動把報告的內容分成幾個主題群。 比如「碳排放與能源管理」「員工福利與勞動條件」「公司治理與風險管理」。 然後看每個主題佔了多少篇幅。
如果環境面佔了 60%,社會面只有 10%,治理面 15%,剩下 15% 是空泛的開場白和結語, 這就是揭露失衡的量化證據。 也可以橫向比較同產業的企業,看誰的報告在哪個面向特別薄弱。
把報告裡的敘述跟外部資料對起來看。 企業說「零重大環境違規事件」,但環境部裁罰紀錄顯示同年有兩筆罰單。 企業說「員工離職率持續下降」,但人力銀行的職缺數據顯示該公司常年在大量招人。
這是漂綠偵測最有效的方法。 單看報告本身,語言可以打磨得很漂亮。 但報告內容跟外部數據的落差,是藏不住的。 這跟碳盤查的交叉驗證邏輯一樣:用多源數據互相檢驗。
ESG 三個字母裡,E 的數據化程度最高。碳排放有 GHG Protocol、ISO 14064 這些標準, 有明確的計算公式,有政府公告的排放係數。 這代表碳排數據是最適合用數據科學方法去驗證的部分。
CertiCarb 的碳排驗證引擎就是在做這件事: 用質量平衡、異常偵測、敏感度分析三種方法, 驗證企業報告裡的碳排數字是否經得起檢驗。
當碳排數據的可信度被確認,ESG 報告裡的環境面就有了堅實的基礎。 接下來的挑戰是社會面和治理面的量化。 這也是為什麼HOPETURN 在做社會影響力量化,ZRIMATA 在做人體狀態觀測。 同一套數據科學方法論,用在不同的觀測對象上。
過去,永續報告寫得好不好,影響的是企業形象和 ESG 評等。 寫得不好,最多被 NGO 批評幾句,投資人可能降低持股比例,但沒有法律後果。
金管會要求上市櫃公司從 2026 會計年度起分階段接軌 IFRS S1 和 S2 準則。 S2 特別要求氣候相關的財務揭露,包括溫室氣體排放量、氣候風險對財務的影響、減碳目標和路徑。 這些內容要放進年報,跟財務數字一起接受檢驗。
換句話說,永續揭露的品質不再只是公關問題。 報告裡的數字如果跟實際情況有重大出入,可能構成資訊揭露不實。 NLP 分析在這個脈絡下,從「有就好」變成「必須有」。CertiCarb 的 IFRS 專區有更完整的說明。
三種方法:模糊語言偵測(統計空泛用語和量化指標的比率)、主題分佈分析(用 LDA 模型看 E/S/G 各面向的篇幅分配)、內外比對(把報告內容跟政府裁罰紀錄和外部數據交叉驗證)。
三個:模糊語言過多而具體數字太少、E/S/G 三面向揭露嚴重失衡(社會面最弱)、選擇性揭露只報好消息。
漂綠是企業在永續議題上誇大正面表現或隱匿負面事實。NLP 可以透過內外比對法偵測:把企業報告的敘述跟外部數據比對,找出落差。單看報告本身很難辨識,但報告跟外部事實的矛盾是藏不住的。
TISEE 關注的是揭露的真實性,不是幫企業寫報告書。它用數據科學的方法分析揭露品質,讓投資人和利害關係人可以判斷「這份報告說的是真話還是場面話」。
本內容不構成投資建議或法規遵循之保證。 NLP 分析結果僅供參考,實際揭露品質評估應結合專業機構查核意見。
TISEE 用 NLP 技術分析永續報告的揭露品質。模糊語言有多少、E/S/G 是否失衡、 內容跟外部數據是否一致。讓揭露品質變成一個可衡量的數字。
了解 TISEE 永續真相數據