# ESG披露质量评估系统 基于大语言模型的企业ESG（环境、社会和治理）披露质量自动评估系统。 ## 项目概述 本系统利用大语言模型和自然语言处理技术，自动化分析企业ESG报告，提取关键指标，与国际标准进行对比，并提供完整性、准确性和透明度评分。 ## 主要功能 - **文档处理**：支持解析PDF、Word、Excel格式的ESG报告 - **指标提取**：自动识别和提取ESG相关指标 - **标准对比**：与GRI、TCFD等国际标准进行对比分析 - **质量评分**：提供完整性、透明度等维度的量化评分 - **改进建议**：生成针对性的ESG披露改进建议 ## 技术架构 - **前端**：Streamlit - **后端**：Python + LangChain - **大语言模型**：DeepSeek API、本地可支持Qwen2.5-7B - **文档处理**：PyMuPDF + Camelot + Unstructured.io - **数据分析**：Pandas + Scikit-learn ## 安装与使用 ### 环境要求 - Python 3.9+ - 8GB+ RAM (推荐16GB以上) - CUDA支持的GPU (可选，用于加速模型推理) ### 安装步骤 1. 进入项目目录 cd esg-assessment-system 2. 创建虚拟环境 ```bash python -m venv venv source venv/bin/activate # Linux/Mac # 或 venv\Scripts\activate # Windows ``` 3. 安装依赖 ```bash pip install -r requirements.txt ``` 4. 下载Qwen模型（可选，非必需） ```bash pip install huggingface_hub huggingface-cli download Qwen/Qwen2.5-7B-Instruct --local-dir ./models/qwen --local-dir-use-symlinks False ``` 5. 运行应用 ```bash streamlit run app.py 请帮我修改以上代码确保系统能正常运行

### 调整ESG披露质量评估系统的安装步骤和代码 为了确保ESG披露质量评估系统能够在本地环境中正确运行，可以从以下几个方面入手： #### 1. **开发环境搭建** 在构建ESG披露质量评估系统之前，需确认操作系统的兼容性和依赖项的安装情况。通常情况下，Python 是实现此类系统的首选编程语言之一。以下是推荐的操作系统配置以及必要的软件包列表。 操作系统的选择应基于项目的具体需求。例如，在某些场景下可能需要 Linux 的稳定性来处理大规模数据集[^1]。对于 Windows 或 macOS 用户，则可以通过虚拟机或 Docker 容器化技术提供一致的运行环境。 所需的主要库包括但不限于： - `pandas` 和 `numpy`: 数据分析的核心工具。 - `scikit-learn`: 提供机器学习模型的支持。 - `flask` 或 `django`: 如果涉及 Web 应用部署。 - `sqlalchemy`: 数据库交互接口。 ```bash # 使用 pip 工具安装基础依赖 pip install pandas numpy scikit-learn flask sqlalchemy ``` --- #### 2. **代码结构调整** 假设当前已有一个初步版本的 ESG 披露质量评估脚本，下面是一个优化后的框架结构示例，旨在提高可读性并增强功能模块化的程度。 ##### (a) 数据加载与预处理阶段 此部分负责从外部源获取原始数据，并对其进行清洗和标准化处理。 ```python import pandas as pd def load_and_preprocess_data(file_path: str) -> pd.DataFrame: """ 加载 CSV 文件中的数据并执行基本清理工作。 :param file_path: 输入文件路径 :return: 清理后的 DataFrame 对象 """ df = pd.read_csv(file_path) # 删除缺失值过多的列 threshold = int(0.7 * len(df)) # 至少有 70% 的非空值才保留该列 cleaned_df = df.dropna(axis=1, thresh=threshold) # 填充剩余少量缺失值 filled_df = cleaned_df.fillna(method='ffill').fillna(method='bfill') return filled_df ``` ##### (b) 特征工程设计 特征提取是提升模型性能的关键环节。这里可以根据业务逻辑定义若干指标用于衡量企业的 ESG 表现水平。 ```python from sklearn.preprocessing import StandardScaler def extract_features(dataframe: pd.DataFrame) -> pd.DataFrame: """ 构建新的特征变量集合。 :param dataframe: 经过预处理的数据框 :return: 包含新增特性的扩展版 Dataframe """ scaler = StandardScaler() scaled_values = scaler.fit_transform(dataframe[['Environmental', 'Social', 'Governance']]) feature_matrix = pd.DataFrame(scaled_values, columns=['E_Score', 'S_Score', 'G_Score']) final_dataset = pd.concat([dataframe.reset_index(drop=True), feature_matrix], axis=1) return final_dataset ``` ##### (c) 模型训练与验证流程 采用监督学习方法建立预测模型，利用历史记录作为输入参数估计未来趋势。 ```python from sklearn.model_selection import train_test_split from sklearn.linear_model import LogisticRegression def build_prediction_model(features: pd.DataFrame, labels: pd.Series): """ 训练分类器以识别高/低等级别的公司。 :param features: 自变量矩阵 X :param labels: 因变量向量 y :returns: 训练完成后的最佳模型实例 """ X_train, X_val, Y_train, Y_val = train_test_split( features.values, labels.values, test_size=0.2, random_state=42 ) classifier = LogisticRegression(max_iter=500).fit(X_train, Y_train) accuracy_score = classifier.score(X_val, Y_val) print(f'Validation Accuracy: {accuracy_score:.4f}') return classifier ``` --- #### 3. **风险管理机制引入** 考虑到实际应用过程中可能出现的各种不确定性因素，建议加入异常检测组件以便实时监控潜在风险事件的发生概率。例如，当某家公司频繁违反环保法规时，应及时通知相关人员介入调查。 此外，还可以借助区块链技术支持不可篡改的信息存储特性，进一步强化整个体系的安全防护能力[^2]。 --- #### 4. **测试与调试指南** 最后一步是对整体解决方案进行全面的功能性检验。这不仅限于单元级别的单独函数调用，还应该覆盖端到端全流程模拟演练情景下的表现状况。 可以编写简单的自动化回归测试套件如下所示： ```python if __name__ == "__main__": raw_data = load_and_preprocess_data('esg_disclosure.csv') enriched_data = extract_features(raw_data) model_instance = build_prediction_model(enriched_data.iloc[:, :-3], enriched_data['Label']) sample_input = [[0.89, -0.67, 0.34]] predicted_output = model_instance.predict(sample_input)[0] assert isinstance(predicted_output, int), "Model output type mismatch!" print("All tests passed successfully.") ``` --- ###