《Business Strategy and the Environment》：Unlocking Federated Learning for ESG Reporting: Prioritizing Critical Adoption Challenges in an Emerging Economy Context
编辑推荐：
对环境、社会和治理（Environmental, Social, and Governance, ESG）问题的日益关注促使组织探索创新方式来管理其业务。对于组织而言，采用ESG报告已成为当务之急。联邦学习（Federated Learning）的应用有助于在
对环境、社会和治理（Environmental, Social, and Governance, ESG）问题的日益关注促使组织探索创新方式来管理其业务。对于组织而言，采用ESG报告已成为当务之急。联邦学习（Federated Learning）的应用有助于在当代环境中提高ESG报告的可扩展性和可信度。然而，将联邦学习应用于ESG报告并非易事，其涉及若干复杂性。本文识别并评估了预期挑战。研究采用了包括Scopus和Web of Science在内的学术研究数据库来识别相关研究论文。在拟议研究中，初步从文献中提取了15项挑战；专家小组增加了四项额外挑战，并在德尔菲共识过程中否决了一项，最终形成18项经过验证的挑战。此外，这18项挑战通过Pythagorean德尔菲技术得到确认。随后，应用Pythagorean模糊层次分析法（Pythagorean fuzzy AHP, PF-AHP）对预期挑战进行优先级排序。结果表明，缺乏ESG数据标准化和数据质量是阻碍联邦学习在ESG报告中采用的首要挑战。在理论上，该研究通过探究联邦学习在有效ESG报告中的作用为文献做出贡献。从实践角度看，该研究为利益相关者提供了若干可操作的见解。
**论文解读：联邦学习在ESG报告中的采用挑战优先级排序——基于新兴经济体的研究**
**一、研究背景与目的**
近年来，环境、社会和治理（Environmental, Social, and Governance, ESG）问题日益受到关注，组织亟需采用ESG报告以提升透明度、问责性和可持续绩效。然而，现有ESG报告在可比性、可信度和价值合规性方面存在明显不足，常被视为企业合法化的“门面”，对财务决策影响甚微。人工智能、区块链、云计算等数字技术虽被引入ESG报告，但面临数据隐私泄露、可扩展性受限、延迟高、算法透明度不足等挑战。联邦学习（Federated Learning, FL）作为Google于2016年提出的分布式机器学习范式，通过参数交互而非原始数据交换实现模型协同训练，在保障数据隐私的同时提升模型鲁棒性和可扩展性，为ESG报告提供了新的技术可能。然而，在ESG报告中采用联邦学习面临技术、数据治理、机构监管及资源可持续性等多维复杂性。已有研究多将联邦学习与ESG报告分别探讨，鲜有研究系统评估二者结合情境下的采用挑战。本研究以新兴经济体印度为实证背景，旨在识别并优先排序联邦学习用于ESG报告的挑战，回答两个研究问题：RQ1，采用联邦学习于ESG报告的挑战有哪些？RQ2，哪些挑战最为关键？
**二、研究方法**
研究人员遵循PRISMA 2020指南，在Scopus和Web of Science数据库中以布尔检索字符串检索2016—2025年文献，初始获得412条记录，经去重、非同行评议排除、标题—摘要筛选及全文审查后，保留108篇论文进行开放编码，提取出15项文献基础挑战。随后，采用滚雪球抽样和目的性抽样组建专家小组，最终纳入15名来自9个国家的领域专家，涵盖学术界（5人）、工业界（6人）、咨询业（3人）和监管实践（1人），专家经验为10至21年。研究运用Pythagorean模糊德尔菲法开展两轮专家共识：第一轮中专家新增4项挑战，第二轮因“数据异构性”被认定与数据质量和标准化概念重叠而否决，最终确认18项挑战。接着，采用Pythagorean模糊层次分析法（Pythagorean fuzzy AHP, PF-AHP）对挑战进行两层级成对比较，计算局部与全局权重，并执行10种权重情景的敏感性分析以验证排序稳定性。
**三、研究结果**
**第一阶段：挑战探索。** 文献综合分析识别出15项主要挑战，涵盖数据异构性、数据质量不一致、隐私—效用权衡、监管模糊性、治理复杂性、基础设施瓶颈、安全威胁、基准碎片化、伦理偏见及协调约束等系统性障碍。
**第二阶段：Pythagorean模糊德尔菲结果。** 专家小组在首轮新增了四项实践中的重要挑战：“模型可解释性与可说明性问题”、“缺乏ESG数据标准化”、“组织对数据共享文化的阻力”以及“分布式训练的能耗”。在第二轮中，“数据异构性”因被专家认为已包含在“数据质量”与“缺乏ESG数据标准化”之内而未达到共识阈值，被否决。其余18项挑战均以低犹豫度和高去模糊值获得通过，形成最终验证集。
**第三阶段：PF-AHP结果。** 权重计算显示，四个维度中“数据与模型治理（D）”的局部权重最高（0.3059），其次为“资源与可持续性（R）”（0.2615）、“技术（T）”（0.2231）和“机构与监管（I）”（0.2095）。全局排名前五位依次为：缺乏ESG数据标准化（D5，权重0.079111）、数据质量（D1，0.07907）、人力资本限制（R3，0.07555）、碳足迹（R2，0.07127）和基础设施成本（R1，0.06938）。随后依次为：组织对数据共享文化的阻力（I4，第6）、治理复杂性（I2，第7）、伦理与偏见问题（D4，第8）、版本冲突（T4，第9）、模型可解释性与可说明性问题（T1，第10）、监管障碍（I1，第11）、信任与透明度（D3，第12）、分布式训练能耗（R4，第13）、基准制定局限（D2，第14）、恶意参与者（T3，第15）、隐私—效用权衡（T2，第16）、参与变动性（I3，第17）和带宽约束（T5，第18）。10种情景的敏感性分析显示，排名前几位的挑战保持稳定，仅中位挑战出现适度波动，证明结果可靠。
**四、讨论与结论**
讨论部分指出，数据治理类挑战占据优先级顶层。“缺乏ESG数据标准化”和“数据质量”的领先地位符合资源基础观（Resource-Based View, RBV），因为高质量、可标准化的数据是联邦学习有效运行的战略资源；同时，人力资本限制和碳足迹的高排名表明，动态能力（Dynamic Capabilities, DC）视角下组织需持续重构技术与人本资产，并权衡计算资源带来的环境成本。组织对数据共享文化的阻力说明竞争担忧会削弱隐私保护技术带来的合作意愿；而解释性、监管不确定性和带宽等挑战虽权重较低，但仍影响系统整体可靠性与审计可行性。
研究结论方面，本研究通过文献与专家共识最终确定18项联邦学习用于ESG报告的挑战，并利用PF-AHP实现优先级排序。结果表明，数据相关挑战是主要障碍，其中缺乏ESG数据标准化排名第一，其次为数据质量不佳。敏感性分析验证了排序的稳健性与可靠性。理论上，研究填补了联邦学习与ESG报告交叉领域的空白，拓展了RBV和DC理论在可持续数字化场景中的应用；实践上，为政策制定者与从业者提供了数据治理框架、分阶段实施路线图和风险缓解策略。研究局限在于以印度为单一情境，且未用企业级实证数据验证，未来可开展跨国比较和结构方程模型（SEM）检验。
