climatebert/tcfd_recommendations

TCFDRecommendations数据集是一个专家注释的文本分类数据集，用于将公司披露中的段落分类到TCFD建议的四个类别（治理、战略、风险管理、指标和目标）以及非气候相关类别。数据集包含从大型上市公司的年度报告和可持续发展报告中提取的英文段落，由金融和可持续金融专业的学生和作者进行注释。

原始信息汇总

数据集概述

数据集名称

• 名称: TCFDRecommendations

数据集描述

• 语言: 英语
• 许可证: cc-by-nc-sa-4.0
• 多语言性: 单语种
• 大小: 1K<n<10K
• 源数据集: 原始数据
• 任务类别: 文本分类

数据集结构

• 特征:
  • text: 字符串类型，来自公司年报和可持续发展报告的段落
  • label: 分类标签，包括 none, metrics, strategy, risk, governance
• 数据分割:
  • 训练集: 1300个样本
  • 测试集: 400个样本

数据集创建

• 源数据: 来自大型上市公司的财务披露文本
• 注释者: 金融和可持续金融专业的大学作者和学生

使用考虑

• 许可证: 非商业用途，商业使用需联系数据集维护者

贡献者

• Julia Anna Bingler
• Mathias Kraus
• Markus Leippold
• Nicolas Webersinke

搜集汇总

数据集介绍

构建方式

该数据集由领域专家精心标注，旨在对企业在年度报告与可持续发展报告中的段落进行分类，以识别其所属的气候相关财务信息披露工作组（TCFD）推荐类别。文本数据源自大型上市公司的财务披露文件，涵盖企业年度报告和可持续发展报告中的段落。标注工作由苏黎世大学与纽伦堡-埃尔朗根大学的金融及可持续金融专业研究生与学者共同完成，确保了标注的专业性与一致性。数据集划分为训练集（1300条）与测试集（400条），为文本多分类任务提供了高质量的基准资源。

特点

该数据集具备鲜明的专业性与针对性，专注于四类TCFD推荐类别（治理、战略、风险管理、指标与目标）以及非气候相关段落的识别。每条数据包含文本与标签两个字段，标签以整数编码对应具体类别。数据规模适中，训练集与测试集比例合理，便于模型训练与评估。标注过程严格遵循论文附录中的指引，保证了数据标注的可靠性。此外，数据集仅包含公开信息，不涉及个人隐私，符合伦理规范。

使用方法

该数据集适用于文本多分类任务，研究者可直接加载数据，利用‘text’字段作为输入，‘label’字段作为监督信号，训练模型以自动识别企业披露文本中的TCFD相关类别。数据格式简洁，便于与主流深度学习框架（如HuggingFace Transformers）集成。建议在使用前参考论文中的标注指南，以更好理解类别定义。数据集采用CC-BY-NC-SA 4.0许可，非商业用途可自由使用，商业用途需联系作者获取授权。

背景与挑战

背景概述

在全球应对气候变化的浪潮中，企业气候信息披露的透明性与可比性成为监管机构与投资者关注的焦点。TCFD（气候相关财务信息披露工作组）所倡导的四类核心建议——治理、战略、风险管理、指标与目标——为评估企业气候行动提供了标准化框架。然而，海量企业年报与可持续发展报告中蕴含的气候信息往往以非结构化文本形式存在，难以被高效提取与分析。为此，Julia Anna Bingler、Mathias Kraus、Markus Leippold与Nicolas Webersinke等来自苏黎世大学与纽伦堡大学的研究人员，于2023年构建了TCFDRecommendations数据集。该数据集包含1300条训练样本与400条测试样本，由金融与可持续金融领域的专家对段落进行多标签标注，旨在通过文本分类技术自动化识别企业披露中与TCFD建议相关的类别，为金融监管、投资决策及学术研究提供高质量的数据基础，推动了自然语言处理在气候金融交叉领域的应用。

当前挑战

该数据集所面临的挑战可从双重维度审视。在领域问题层面，核心挑战在于企业气候披露文本的语义复杂性：同一段落可能同时涉及治理、战略与风险管理等多重维度，而现有分类任务仅支持单一标签，难以捕捉文本中蕴含的交叉信息；此外，非气候相关段落（none类）与TCFD类别之间的边界模糊，易导致误判，削弱模型对实质性气候信息的识别精度。在构建过程中，挑战同样显著：首先，数据来源依赖大型上市公司的年报与可持续发展报告，样本在地域、行业与规模上存在偏差，可能降低模型对中小企业或新兴市场披露文本的泛化能力；其次，专家标注过程虽严谨，但受限于标注者数量与学科背景（主要为金融与可持续金融专业），对技术性较强的气候指标（如范围三排放）的解读可能存在主观差异，影响标签一致性；最后，数据集规模有限（仅1700条样本），在训练深度神经网络时易引发过拟合，制约模型在真实场景下的鲁棒性。

常用场景

经典使用场景

在金融与气候信息披露的交叉领域中，climatebert/tcfd_recommendations数据集被广泛用于构建文本分类模型，以自动识别企业披露文档中与气候相关财务信息披露工作组（TCFD）建议相关的段落。该数据集通过将段落精确归类为治理、战略、风险管理、指标与目标以及非气候相关五个类别，为研究人员提供了标准化、专家标注的训练与测试样本。这一经典应用场景使得研究者能够训练出高精度的分类器，从而系统性地剖析企业年报与可持续发展报告中气候信息的分布与结构，为后续的量化分析奠定坚实基础。

解决学术问题

该数据集有效解决了学术研究中企业气候信息披露质量评估缺乏统一标注基准的难题。传统上，研究者依赖人工审阅或简单关键词匹配来识别气候相关文本，效率低下且易产生偏差。TCFD Recommendations数据集通过专家驱动的精细化标注，使得学者能够运用自然语言处理技术，大规模、可重复地检测企业是否遵循TCFD框架进行披露。这推动了关于“廉价谈话”现象、气候变化承诺与实际行动之间差距的实证研究，揭示了信息披露透明度与公司碳排放、声誉风险之间的内在关联，深化了可持续金融领域的理论认知。

衍生相关工作

该数据集激发了一系列衍生性经典工作，其中最引人注目的是ClimateBERT模型的提出与持续优化。研究者以该标注数据为监督信号，对预训练语言模型进行领域适配微调，构建了专门针对气候文本的深度学习模型。此外，该数据集还被用于验证跨领域迁移学习的有效性，以及探索多标签分类与层级分类在复杂披露结构中的应用。这些衍生工作不仅提升了气候文本分析的精度，还为金融自然语言处理领域开辟了新的研究方向，促使学界与业界共同关注气候相关金融风险的量化与披露。