人工智能对社会经济中循环经济行为的预测作用

《Review of Managerial Science》：Artificial intelligence predictor of circular economy actions in the social economy

　　

企业社会责任（CSR）涵盖企业将经济、社会和环境关切整合到其运营中的自愿行动。与此同时，循环经济（CE）已作为一种变革性的组织范式出现，用再生系统取代传统的线性"获取-制造-处置"模式，以最小化废弃物并优化资源使用。本研究利用人工智能（AI）作为预测循环实践的工具，并探索企业社会责任信息（CSRI）如何能够指示组织对循环经济原则的导向。为此，研究人员使用SmartPLS软件进行偏最小二乘结构方程建模（PLS-SEM），分析了西班牙129家社会经济组织的样本。研究结果证实了所提出的因果关系的有效性，并展示了人工智能辅助分析方法对复杂构念建模的潜力。总体而言，研究结果为企业社会责任与循环经济交叉领域的文献做出了贡献，通过提供理论和实践见解，说明数字技术如何能够促进社会经济部门从线性商业模式向循环商业模式的转型。

本研究聚焦于企业社会责任（CSR）与循环经济（CE）策略的交叉领域，旨在探讨人工智能（AI）在预测组织循环行为中的作用机制。研究背景源于当前企业社会责任信息（CSRI）与循环经济实践之间存在的理论鸿沟：尽管两者在可持续发展目标上具有内在一致性，但既有文献尚未充分证实CSRR能够直接、清晰地导向循环经济策略，尤其缺乏针对社会经济组织这一特殊群体的系统性实证分析。社会经济组织兼具经济与社会双重目标，其独特的治理结构使其成为检验CSR-CE关系的理想样本。为此，研究人员提出四项核心假设：CSRI对CSR行动实施（CSRA）的正向影响、CSRA实施对识别循环经济障碍与激励因素（BICE）的促进作用、BICE识别对循环经济策略采纳的推动作用，以及CSRI对循环经济策略的直接正向效应。

研究人员采用解释性与预测性相结合的双重方法论框架，以西班牙埃斯特雷马杜拉地区的129家社会经济组织为样本，通过电子问卷收集数据，问卷采用1-7级李克特量表测量组织在CSR与CE领域的认知与行为。在确认样本不存在社会期望偏差、无应答偏差及共同方法偏差后，研究构建包含CSRI、CSRA、BICE和CE四个潜变量的结构方程模型。数据分析分五个阶段展开：测量模型检验、结构模型评估、模型拟合度分析、预测效力验证及重要性-绩效图分析（IPMA）。

在技术方法层面，研究采用PLS-SEM与人工神经网络（ANN）的互补组合。PLS-SEM部分使用SmartPLS 4软件处理数据，通过验证性因子分析检验指标载荷、Cronbach's α、复合信度（CR）、平均方差提取量（AVE）等信效度指标，并采用bootstrap法（10,000次抽样）检验路径系数的显著性。预测性分析方面，研究运用Python 3.11.7及scikit-learn库构建MLP回归模型，将数据集按80:20划分为训练集与测试集，设置两层隐藏层架构（分别为64/32单元及32/16单元），通过Q²值、均方根误差（RMSE）及平均绝对误差（MAE）评估模型的样本外预测能力。ANN分析包含两种设计：ANN1为多输出网络，以CSRI同时预测CSRA、BICE和CE；ANN2为级联网络，依次建模CSRI→CSRA、CSRA→BICE、CSRI+BICE→CE的层级关系。

测量模型结果显示，经删减后保留的指标标准化载荷介于0.741至0.933之间，各构念的Cronbach's α为0.825-0.958，CR为0.895-0.965，AVE为0.653-0.798，均达到推荐阈值；Fornell-Larcker准则与异质-同质比率（HTMT）证实区分效度良好。结构模型结果表明，四项假设均获支持：H1（CSRI→CSRA，β=0.841，p<0.001）、H2（CSRA→BICE，β=0.761，p<0.001）、H3（BICE→CE，β=0.271，p<0.05）及H4（CSRI→CE，β=0.640，p<0.001）。效应量分析显示H1和H2为大效应（f²分别为2.408和1.375），H3和H4为中等效应（f²分别为0.143和0.799）。模型解释力方面，CSRA、BICE、CE的R²分别为0.707、0.579和0.712。拟合指标SRMR=0.069（<0.08），NFI=0.856，99%置信区间的偏差校正几何距离满足拟合标准。

预测效力评估采用PLS-predict算法进行k折交叉验证，结果显示所有关键因变量的Q²predict均大于0，CSRA和CE适用MAE、BICE适用RMSE作为评价标准，多数指标呈现符合推荐的正负差异模式，证实模型具备良好的样本外预测能力，回应了RQ6中关于AI贡献度的质疑。IPMA分析揭示CSRI的重要性高于均值而绩效低于均值，提示需重点改进；CSRA和BICE的重要性低于均值但绩效略高于均值，需通过强化实现象限跃迁。PLS-SEM与ANN的比较表明，两者在R²、RMSE、MAE等关键指标上高度一致，ANN未能捕获额外的非线性关系，表明变量间关系以线性为主导，PLS-SEM因其简洁性和可解释性更具优势。

研究结论部分指出，CSRI、CSRA、BICE与CE策略之间存在显著的因果链：CSRI通过促进CSRA实施，进而推动BICE识别，最终正向影响循环经济策略采纳，同时CSRI对CE策略也存在直接效应。这一路径证实了CSR与CE的 interconnectedness（相互关联性），并为AI在可持续发展预测中的应用提供了实证支持。理论层面，该研究首次将AI整合为CSR-CE研究的概念桥梁，构建了可复制的解释-预测双重框架；实践层面，为Socioeconomy（社会经济组织）管理者提供了数据驱动的策略优化工具，使其能够基于CSRI预测循环行为、规避障碍并配置资源；管理层面，AI预测模型可嵌入持续监测体系，实现CSR政策的动态调整。研究局限性包括：样本限于西班牙埃斯特雷马杜拉地区的129家社会经济组织，外部效度受限；问卷数据深度不足，未充分捕捉CSR与CE实践的复杂性；ANN模型的预测表现未超越PLS-SEM，可能源于预测变量数量有限及数据约束。未来研究应扩展样本规模与地理范围，采用纵向设计及质性方法深化理解，并在更复杂的非线性数据情境中检验ANN的附加价值。