全球供应链中的ESG风险:基于网络人工智能模型的证据

《Sustainability》:ESG Risk in Global Supply Chains: Evidence from Network-Based AI Models

【字体: 大 中 小 】 时间:2026年07月13日 来源:Sustainability 4.1

编辑推荐:

  环境、社会和治理(Environmental, Social, and Governance, ESG)风险日益受到企业在全球供应链中所维持关系的影响。然而,大多数ESG评估方法仍将企业视为独立实体,忽视了可持续性风险如何跨越相互关联的供应商—客户网络传播。本

  
环境、社会和治理(Environmental, Social, and Governance, ESG)风险日益受到企业在全球供应链中所维持关系的影响。然而,大多数ESG评估方法仍将企业视为独立实体,忽视了可持续性风险如何跨越相互关联的供应商—客户网络传播。本研究将ESG风险视为一种网络驱动现象,而非纯粹的企业层面结果。研究人员利用结合供应链关联、ESG事件数据和ESG相关新闻情感的大型国际数据集,检验纳入网络结构是否能改善ESG风险评估。分析将网络基计量经济学模型与机器学习和图基(graph-based)方法相结合,并将其性能与传统企业层面模型进行比较。结果显示,ESG风险倾向于在相连企业间聚集,且占据供应链中心或中介位置的公司更容易暴露于ESG事件。此外,负面的ESG相关媒体情感提供了未来ESG争议的早期信号。明确考虑网络结构的模型在预测准确性和概率校准方面均始终优于传统方法。迄今为止,研究结果强调了在评估ESG风险时考虑供应链相互依赖性的重要性,并展示了网络基人工智能(AI)模型如何增强全球生产系统中可持续性风险的监测和预测。

研究背景与问题提出

目前ESG风险日益被理解为全球供应链系统内相互依赖关系的产物,而非孤立的企业层面缺陷。生态危害、劳工违规和治理失效往往起源于焦点企业之外,并通过声誉传递、监管传染和运营中断在生产网络中扩散。企业的ESG敞口不仅取决于其内部实践,还取决于其在供应商和客户网络中的关系位置。这一视角挑战了依赖静态披露、聚合评级和回顾性指标的常规ESG评估方法。此类工具对于ESG风险如何在互联生产系统中积累和传播提供的洞察有限,制约了其在显著事件显现之前检测新兴脆弱性的能力。现有实证ESG研究仍然碎片化,网络结构、ESG指标、争议记录和媒体情感通常被孤立考察,且多基于单一国家环境和相对静态的供应链网络,难以推广至跨多样监管和治理环境的全球供应链。因此,研究人员开展此项研究,旨在探讨全球供应链中的ESG风险是否受企业在供应链网络中位置的影响,以及纳入网络结构是否相比传统企业层面模型能改善ESG事件的预测。论文发表于《Sustainability》。研究发现ESG风险更好地被理解为一种关系性和网络依赖性现象而非单纯企业特征,占据中心或中介位置的企业ESG暴露更高,负面ESG相关媒体情感是未来ESG争议的早期信号,明确考虑网络结构的模型在预测准确性和概率校准上优于传统方法,这对监管者、企业和投资者在全球供应链治理中具有重要意义。

主要关键技术方法

研究人员采用多方法研究途径,结合计量经济学、机器学习和图基技术。数据源包括FactSet Revere的供应商—客户关系、S&P Global的Panjiva货运级国际贸易数据、Global Database of Events, Language, and Tone(GDELT)和RepRisk ESG事件数据库的ESG相关活动信息。文本数据使用Transformer基自然语言处理模型包括FinBERT、RoBERTa和多语言BERT(multilingual BERT, mBERT)分类ESG内容和情感。最终样本经筛选后为25,500家企业,涵盖广泛行业和地区,含约250万条货运记录和约120万条ESG相关新闻事件。网络结构通过计算度中心性(degree centrality)、介数中心性(betweenness centrality)、特征向量中心性(eigenvector centrality)和聚类系数等图计算指标构建。计量经济学模型采用OLS、泊松(Poisson)、负二项(negative binomial)和泊松伪最大似然(Poisson Pseudo-Maximum Likelihood, PPML)检验网络效应;机器学习采用随机森林(Random Forest)、梯度提升(Gradient Boosting)和XGBoost捕捉非线性模式并使用SHAP分析解释;图神经网络(Graph Neural Networks, GNNs)特别是图注意力网络(Graph Attention Networks, GANs)建模企业间连接与多层级供应链间接敞口;无监督学习与异常检测采用隔离森林(Isolation Forest)和自动编码器(autoencoder)识别潜在ESG风险结构与异常行为。

研究结果

4.1. Descriptive Analysis

描述性统计显示ESG相关事件集中在相对较少的企业中,风险在样本中分布不均。区域背景变量均值0.56表明各国制度条件存在显著差异。相关系数显示环境、社会和治理风险中等至强相关(r = 0.482–0.623),过去与当前ESG事件相关性更强(r = 0.577–0.709),表明企业层面风险暴露具持续性。媒体情感与ESG风险度量正相关(r = 0.392–0.507),与滞后事件正相关(r = 0.492)。贸易依赖性与网络位置呈中等正相关(r = 0.217–0.366)。货运量与区域背景与ESG风险负相关(r = ?0.094 至 ?0.459)。方差膨胀因子(Variance Inflation Factor, VIF)为1.36–2.49,无多重共线性问题。以电子制造行业为例,位于高介数中心性位置的企业作为上游与下游中介,ESG事件可通过连接间接影响焦点企业;负面劳工或环境报道可能在正式ESG事件记录前出现,表明信息信号可先于可观察风险结果。

4.2. Test of Hypotheses

4.2.1. H1: Network Exposure and ESG Risk

网络增强回归(Network-Augmented Regression, NAR)估计显示网络滞后系数(WRi= 0.351, p = 0.011)正向显著,表明ESG风险在互联企业间聚集并通过供应链链接传播,支持H1。度中心性不显著(Degi= ?0.018, p = 0.262),介数中心性(Betwi= 0.094, p = 0.016)和特征向量中心性(Eigeni= 0.157, p = 0.011)正向显著,说明企业在网络中的角色比连接数量更关键。贸易依赖性系数不显著(TDi= 0.166, p = 0.468)。空间滞后模型(Spatial Lag Model, SLM: 0.314, p < 0.05)和固定效应模型(Fixed-Effects Model, FE: 0.284, p < 0.05)均证实正向网络滞后效应。标准化系数和边际效应显示介数和特征向量中心性对ESG风险的经济影响最强。

4.2.2. H2: Brokerage, Influence, and ESG Risk

表9结果显示介数中心性(β = 0.094, p < 0.05; β = 0.081, p < 0.05)和特征向量中心性(β = 0.157, p < 0.05; β = 0.142, p < 0.05)正向显著,支持H2,即供应链网络中占据中介地位的企业面临更高ESG风险。度中心性不显著,说明连接性质及影响力比连接数量更重要。网络中心性指标在不同模型中保持正向显著,网络位置中心的企业暴露更高。

4.2.3. H3: ESG Sentiment and Future ESG Incidents

表10显示滞后ESG新闻情感在所有设定中负向显著,表明负面媒体覆盖与未来事件更高可能性相关,支持H3。固定效应OLS(Driscoll–Kraay标准误)系数为?0.398;泊松模型系数?0.211对应预期事件计数减少约19%;负二项和PPML结果类似。时间分析显示预测效应短期最强,滞后两期系数降至?0.173,分布滞后模型中t?1(?0.311)大于t?2(?0.089)。中心网络位置企业关系更强。安慰剂检验用未来情感无显著效应。表11中Logit滞后情感冲击系数2.28(p < 0.001),优势比9.81,平均边际效应+0.20;泊松系数0.94(p < 0.001),事件率比2.56;Cox比例风险模型风险比1.51(β = 0.41, p < 0.001)。网络中心性在各模型中正向显著。表12显示加入ESG新闻情感后ROC-AUC升至0.66–0.79,F1升至0.79和0.80(Random Forest和XGBoost)。表13显示图神经网络(GNN)性能最优,Brier分数0.149,对数损失0.472,MAE 0.249,RMSE 0.368。SHAP分析显示前期负面新闻情感影响最大,网络位置次之,过往ESG事件正向,运营规模和区域背景影响较小。表14显示GNN召回率0.74,精确率0.54,误报率0.07,漏报率0.26最优。

讨论与结论总结

讨论部分指出ESG风险不能充分理解为孤立企业属性,而与全球供应链中关系配置和强度紧密相关。网络滞后效应及位置指标(尤其介数和特征向量中心性)持续显著,表明桥梁或连接高影响力伙伴的企业面临更高ESG敞口,符合复杂网络中传染与溢出的理论视角。媒体基ESG情感是显著的预期信号,负面情感系统性先于ESG事件且在安慰剂检验中无影响,支持其作为早期预警机制。图神经网络在校准和误差指标上优于计量经济学和机器学习方法,概率估计更接近实现结果。动态网络诊断表明供应链结构非完全静态或瞬态,ESG敞口可能通过对相同对手方重复交互积累,持续处于中心位置的企业易受声誉和监管溢出影响。
结论部分翻译总结如下:本研究的核心贡献在于证明全球供应链中的ESG风险不能完全理解为企业层面属性,而是受企业间供应网络中关系位置塑造。研究发现ESG脆弱性倾向于通过网络结构产生和持续,尤其对占据影响力或中介位置的企业。研究还提供两个次要贡献:第一,在单一实证框架中整合供应链网络结构与ESG相关新闻情感,表明负面情感可作为潜在ESG争议的早期信号;第二,显示纳入企业间依赖性的模型特别是图基方法在预测和概率校准上优于传统企业层面模型。这些贡献通过超越孤立的网络分析、情感提取或AI建模应用,提出了分析和预测供应链中ESG风险的整合全球框架,扩展了文献。从建模角度,明确考虑企业间依赖性显著改善风险估计。图神经网络相较计量经济学和传统机器学习提供更优概率校准和更低预测误差,在不准确风险估计可能延误缓释或误导监督的ESG背景下尤为重要。本研究通过将可持续性风险重构为网络调节现象,并展示基于AI的网络感知方法如何大规模增强ESG监测,推进了ESG研究。该框架可跨行业和地区适应,为更响应和系统导向的ESG风险管理奠定基础。未来研究可纳入替代数据源如卫星图像或审计记录,并开发因果设计以分离特定传播渠道。
解释与因果局限部分总结:研究结果应解释为预测和关联性而非因果性。实证目标是评估供应链网络结构和ESG相关新闻情感是否改善企业层面ESG事件的识别和预测。回归估计、风险比和预测指标表明系统性关系,但不证明网络位置或媒体情感变化直接导致ESG事件。研究设计限制因果推断:依赖观测数据而非网络结构、利益相关者压力或监管敞口的外生变异;企业非随机分配至网络位置且情感非随机生成;反向动态可能存在,面临ESG问题的企业可能失去伙伴或调整采购关系从而改变中心性;未观察特征可能影响两者。使用滞后情感、前期控制和时间至事件模型改善时间顺序并支持情感作为潜在风险早期信号解释,但不消除内生性。结果支持预测视角:网络位置和负面ESG情感有助于识别更可能发生后续ESG事件的企业。尽管有局限,预测视角对政策和风险管理仍有价值,改进的样本外预测和校准风险估计可支持针对性尽职调查、供应商监测和监管优先排序。未来可借助准实验监管冲击、贸易中断或其他识别策略检验网络位置和信息信号对ESG结果的因果效应。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号