LLM 기반 기업 녹색세탁 감시 시스템 DeepGreen 분석

초록

본 논문은 연간보고서 텍스트를 대상으로 두 단계 LLM‑Driven 프레임워크인 DeepGreen을 구축하고, 2021‑2023년 A‑주식 기업 9,369건에 적용해 녹색세탁을 자동 탐지한다. 검증 결과 높은 신뢰도를 보였으며, RAG 기법이 환각을 억제한다는 점을 확인했다. 또한 탐지된 녹색세탁 지표가 환경 벌칙과 양의 상관관계를 가지며, 도구변수·성향점수매칭·플라시보 테스트를 통해 인과적 효과가 견고함을 입증했다.

상세 분석

DeepGreen은 “키워드 탐색”과 “실행 여부 검증”이라는 두 단계로 구성된 LLM 기반 파이프라인이다. 1단계에서는 사전 정의된 녹색 관련 용어 사전을 활용해 Retrieval‑Augmented Generation(RAG)으로 연간보고서에서 잠재적 녹색 키워드를 추출한다. RAG는 외부 지식베이스와 연계해 입력 토큰 길이를 늘리는 대신 관련 문맥을 동적으로 검색함으로써 LLM의 환각(hallucination) 위험을 크게 감소시킨다. 2단계에서는 추출된 키워드가 실제 기업의 환경 성과와 연결되는지를 판단한다. 여기서는 동일 LLM에 “구현 여부”를 묻는 프롬프트를 적용하고, 무작위 표본(≈5%)에 대해 전문가가 수작업 검증한 결과 F1 점수 0.89를 기록, 인간 평가와 거의 일치하는 신뢰성을 확보했다.

실증 분석에서는 DeepGreen이 산출한 녹색세탁 점수를 종속 변수로, 기업이 받은 환경 규제 벌칙(금액·횟수)과의 관계를 회귀모형으로 추정했다. 기본 OLS 결과는 녹색세탁 점수가 1단위 증가할 때 벌칙 발생 확률이 12% 상승함을 보여준다. 인과성을 강화하기 위해(1) 기업 규모·산업 특성을 이용한 도구변수(IV) 접근, (2) 녹색세탁 점수와 유사한 특성을 가진 기업을 매칭한 성향점수매칭(PSM), (3) 시계열을 뒤바꾼 플라시보 테스트를 수행했으며, 모두 유의한 양의 효과를 유지했다.

이후 이질성 분석에서는(가) 대기업, (나) 녹색 자산(친환경 설비·특허 등)을 다량 보유한 기업에서 녹색세탁‑벌칙 관계가 약화되는 것을 발견했다. 이는 녹색 자산이 ‘신뢰 방패’ 역할을 하여 규제 당국의 감시 강도를 낮추는 메커니즘을 시사한다. 또한 ‘녹색 투자자’(ESG 펀드·기관투자자) 수가 많을수록 이 관계가 더욱 완화되는 것으로 나타나, 시장의 감시 역할이 규제와 상호보완적임을 보여준다.

기술적 기여는 첫째, RAG 기반의 두 단계 LLM 프레임워크가 대규모 비정형 재무·ESG 텍스트를 효율적으로 정량화한다는 점; 둘째, 무작위 표본 검증을 통해 인간 전문가와 동등한 판단 정확도를 달성했다는 점이다. 한계로는(1) LLM이 최신 정책·법령 변화를 실시간 반영하기 어려워 모델 업데이트가 필요하고, (2) 중국 A‑주식 시장에 국한된 데이터라 일반화에 주의가 필요하며, (3) ‘녹색세탁’ 정의가 여전히 주관적 요소를 포함하므로 다중 모델 앙상블이나 인간‑AI 협업 방식을 추가로 탐색할 여지가 있다. 전반적으로 본 연구는 LLM을 활용한 ESG 감시 자동화의 가능성을 실증적으로 입증하고, 규제기관이 자원 배분을 최적화하는 데 실용적인 도구를 제공한다.