生成式人工智能风险预测能力（GenAI-RPC）与跨境农业贸易韧性（CATR）：基于中国沿海农业企业的PLS-SEM实证研究

《Frontiers in Marine Science》：Generative AI risk prediction capability and cross border agricultural trade resilience: a PLS-SEM empirical study of coastal Chinese enterprises

　　

引言：海运承担跨境农业贸易的主要份额，地缘政治冲突、气候异常、港口拥堵及不断增加的贸易壁垒加剧了依赖海运物流的沿海企业的不确定性。生成式人工智能（Generative Artificial Intelligence, GenAI）通过多源数据融合与风险预测能力为构建韧性供应链提供了新路径。然而，考察GenAI风险预测能力（Generative AI risk prediction capability, GenAI-RPC）与跨境农业贸易韧性（cross-border agricultural trade resilience, CATR）之间关系的实证证据仍然稀缺。本研究植根于资源基础观（resource-based view, RBV）和动态能力理论，构建一个直接效应模型，将GenAI-RPC的三个维度——多源跨境风险识别与评分、预测准确性与抗幻觉稳定性、AI风险模型校准与决策赋能——与CATR相连接。方法：研究人员采用偏最小二乘结构方程模型（partial least squares structural equation modeling, PLS-SEM），分析了来自中国四个沿海省份（山东、广东、福建和浙江）从事跨境贸易的300家农业企业的调查数据。结果：测量模型显示令人满意的信度与效度：Cronbach's α为0.817至0.855，组合信度（composite reliability, CR）为0.880至0.902，平均方差抽取量（average variance extracted, AVE）为0.623至0.697。所有异质-单质比率（heterotrait-monotrait ratio, HTMT）均低于0.85，支持区分效度。结构模型显示，GenAI-RPC的三个维度均与CATR正相关：多源风险识别（β = 0.291, p < 0.001）、预测准确性（β = 0.251, p < 0.001）和模型校准（β = 0.287, p < 0.001）。该模型解释了CATR 46.1%的方差（R² = 0.461；Stone--Geisser Q² = 0.112），标准化均方根残差（standardized root mean square residual, SRMR） = 0.069表明拟合可接受。在控制变量中，企业数字化转型成熟度与CATR呈强正相关（β = 0.577, p < 0.001），并且在控制该变量后，GenAI-RPC的三个维度仍具有统计显著性。讨论：这些发现有助于将GenAI能力与海运供应链韧性研究进行理论整合，并为寻求增强海运粮食贸易韧性的沿海农业企业和政策制定者提供实践指导。

一、研究背景与问题
全球农业贸易近年面临地缘政治紧张、气候引发的产量波动以及非关税贸易壁垒增加。约80%的世界商品贸易量通过海运完成，相关压力集中于粮食供应链的海运环节，港口拥堵、海运费率波动以及马六甲海峡、苏伊士运河和黑海走廊等海上咽喉中断可在数日内影响农食流动。跨境农业企业面临运营复杂性，一个地理节点的中断可级联至整个供应网络，威胁粮食安全与商业可行性。COVID-19、俄罗斯-乌克兰冲突和主要经济体间贸易争端暴露了依赖历史数据和人为判断的传统风险管理脆弱性。生成式人工智能（Generative Artificial Intelligence, GenAI）能够综合政策文本、关税法规、气候预测、船舶与港口物流遥测及海外市场需求等异构数据流，生成概率风险评估和可行动预警。对于以海运为主的沿海农业贸易，风险跨生物、气象、政治和经济领域。研究样本来自山东、广东、福建和浙江，跨境农业贸易以海运为主，经青岛、上海-宁波、深圳、厦门等港口，最重要风险包括港口拥堵、泊位延迟、海运费飙升、冷藏集装箱短缺和咽喉点中断。尽管GenAI应用受到关注，实证文献仍有缺口：现有供应链韧性研究多考察广义信息技术采纳，未分离GenAI风险预测能力机制；资源基础观（resource-based view, RBV）和动态能力理论（dynamic capability theory）少在农业贸易中操作化GenAI能力；缺乏专门捕捉GenAI-RPC多维构念的验证量表。因此研究人员开展本研究。

二、研究开展与结论/意义
研究人员基于RBV和动态能力理论，构建直接效应模型，将GenAI风险预测能力（Generative AI risk prediction capability, GenAI-RPC）的三个维度——多源跨境风险识别与评分、预测准确性与抗幻觉稳定性、AI风险模型校准与决策赋能——与跨境农业贸易韧性（cross-border agricultural trade resilience, CATR）相连接。采用偏最小二乘结构方程模型（partial least squares structural equation modeling, PLS-SEM）分析中国四沿海省300家农业企业调查数据。结果显示三维度均与CATR正相关，联合解释46.1%方差，控制企业数字化转型成熟度后仍显著。理论上推进GenAI与供应链韧性理论整合，方法上开发可信有效量表，实践上为农业企业、港口当局和政策制定者提供依据。

三、关键技术方法
研究采用横截面问卷设计与PLS-SEM。样本队列来源于2025年10月至12月在山东、广东、福建和浙江四省，通过农业行业协会、跨境贸易商会及专业在线调查平台发放问卷；筛选部署至少一种GenAI工具且用于跨境运营不少于六个月的企业，受访者为高级经理及以上并直接监督跨境业务。发放1680份，回收312份，回应率18.6%，剔除无效后有效300份。测量工具含25个Likert条目（GenAI-RPC 13项、CATR 12项）及5个控制变量，5点量表；经专家内容效度评审、中英回译和32名高级经理预测试。分析在SmartPLS 4.0中进行，CATR以反映-反映高阶构念和重复指标法建模；用Bootstrapping 5,000次、标准化均方根残差（standardized root mean square residual, SRMR）、Stone–Geisser Q²、PLSpredict、Harman单因子检验和全共线性VIF评估。

四、研究结果
4.1 描述性统计：通过均值、标准差和双变量相关分析，GenAI-RPC与CATR构念呈中度正相关；三个GenAI-RPC维度中预测准确性与模型校准相关最高（r = 0.529），所有相关低于0.70，未提示多重共线性。
4.2 测量模型评估
4.2.1 信度分析：通过指标载荷、Cronbach's α、组合信度（composite reliability, CR）和平均方差抽取量（average variance extracted, AVE）评估，α为0.817–0.855，CR为0.880–0.902，AVE为0.623–0.697，载荷均超过0.75，表明内部一致性和收敛效度满意。
4.2.2 区分效度：通过Fornell-Larcker准则和异质-单质比率（heterotrait-monotrait ratio, HTMT）评估，各构念AVE平方根大于其与其他构念相关；所有HTMT低于0.85，最高为恢复-转型0.726；D1、D2、D3之间HTMT为0.564–0.641，说明三维可经验区分。
4.3 共同方法偏差：通过Harman单因子检验和全共线性方差膨胀因子（variance inflation factor, VIF）评估，第一未旋转因子解释36.82%方差，低于50%；VIF为1.595–1.824，低于3.3，表明共同方法偏差不太可能解释观察关系。
4.4 结构模型与假设检验：通过PLS-SEM路径分析，H1a、H1b、H1c均获支持。多源风险识别β = 0.291, p < 0.001, f² = 0.103；预测准确性β = 0.251, p < 0.001, f² = 0.074；模型校准β = 0.287, p < 0.001, f² = 0.102。模型解释CATR 46.1%方差（R² = 0.461，调整R² = 0.456），SRMR = 0.069，Q² = 0.112。效应量均为小效应；PLSpredict显示预测优于均值基准，但样本外预测能力有限。
4.5 控制变量分析：在全结构模型中，企业数字化转型成熟度与CATR强正相关（β = 0.577, p < 0.001），R²升至0.701；三个GenAI-RPC维度仍显著（β = 0.182、0.136、0.143，均p < 0.001），其他控制变量不显著（p > 0.70），说明关联跨企业规模、年限、产品类别和伙伴范围稳健。

五、讨论与结论
讨论部分总结：理论上，研究将RBV和动态能力理论扩展到海运农业贸易，将GenAI-RPC操作化为多维组织能力，三维为感知、验证和行动的互补方面；横截面调查不能建立稀缺性、不可模仿性或不可替代性，因此只支持能力-韧性关联而非VRIO地位。研究还贡献于AI在供应链管理中的应用文献，并提供心理测量学评估的量表。管理上，多源数据集成路径系数最大，企业应优先整合政策数据库、气候模型、港口与船舶追踪系统及市场情报平台，但效应量小，投资应分阶段评估；预测准确性需人类在环验证、可追溯性和反馈回路；模型校准需专门团队将风险情报转化为采购、供应商多元化和库存决策；GenAI能力补充而非替代一般数字能力。政策上，港口当局与海关可建立公私共享数据平台，连接港口社区系统、海关单一窗口和农业贸易数据，国际组织可制定标准化数据协议，监管框架应应对AI幻觉在清关、植物检疫合规和冷链物流中的验证与问责。GenAI特定风险包括幻觉、数据不完整/偏见/过时、网络安全与隐私、过度依赖、自动化自满和模型漂移，需人类在环验证、模型审计与重校准、数据质量管理和明确问责。局限包括横截面设计不能因果推断、四省样本限制普遍性、自报单源测量可能引入共同方法偏差和正向印象光环、感知测量非技术基准、18.6%回应率、仅直接效应、小效应功效不足及样本外预测有限。
结论翻译：本研究提供实证证据表明，生成式AI风险预测能力与以海运为主的沿海中国企业的跨境农业贸易韧性正相关。通过对300家农业企业的PLS-SEM调查数据分析，研究人员发现三个GenAI-RPC维度——多源风险识别、预测准确性和模型校准——分别独立且正相关于CATR，联合解释其46.1%的方差，并且在控制企业数字化转型成熟度后这些关联仍然显著。这些发现通过将GenAI操作化为多维组织能力，扩展了资源基础观和动态能力理论，并为寻求增强海运粮食供应链韧性的企业和政策制定者提供指导。随着跨境农业贸易持续面临不断增加的不确定性，GenAI-RPC代表一种有前景——尽管既不充分也非无风险——的动态能力，可帮助企业在复杂性中适应。