Sustainability risk monitoring in supply chains : ranking suppliers using text mining and Bayesian networks with a focus on child labor

Abstract

Diese Dissertation präsentiert Komponenten für ein Softwaresystem zur Überwachung von sozialer Nachhaltigkeit in Lieferantenketten (Supply Chains). Es ermöglicht die kontinuierliche Reihung von Lieferanten auf Basis des Risikos, dass diese soziale Nachhaltigkeitsstandards brechen. Aufgrund der Breite von sozialer Nachhaltigkeit und des imminent gegebenen Risikos geht diese Arbeit insbesondere auf Kinderarbeit ein. Dabei wird ein neuartiges Risikomodell basierend auf einem Bayesianischen Netzwerk vorgeschlagen, welches die Integration von privaten und öffentlichen Datenquellen erlaubt. Das Risikoniveau wird für jeden Lieferanten mit Hilfe eines dezitierten Bayesianischen Netzwerks modelliert. Der Fokus der Arbeit liegt auf dem Modell und der Datenintegration. Für die Einbindung von öffentlichen Datenquellen wird ein Text Mining-Ansatz vorgeschlagen, um Vorkommnisse in Bezug auf soziale Nachhaltigkeit automatisch zu identifizieren und zu extrahieren. Diese Vorkommnisse können in das Baysianische Netzwerk integriert werden. Eine Umfrage unter Experten und Untersuchungen der Modell-Sensitivität bestätigen die Nützlichkeit des Modells. Tests des Text Minings unter Nutzung eines neu entwickelten Gold-Standards bestätigen zudem hohe F1 Werte des Ansatzes (83.0%). Die Extraktion von Vorkommnissen funktioniert besser für die Geographie- und die Firmen-Dimension als für das Erkennen von Sektor-Bezeichnungen. Aus diesem Grund ist für eine praktische Anwendung ein manueller Bearbeitungsschritt nötig, welcher auch von befragten Experten empfohlen wird. Schließlich zeigte eine Analyse von Online verfügbaren Datenquellen, dass relevante empirische Daten verfügbar sind, die entweder von klassischen Zeitungen oder von Nichtregierungsorganisationen bereitgestellt werden.

This thesis presents components of a software system designed to monitor social sustainability compliance in supply chains. The components allow to ongoingly rank suppliers based on their risk of breaching sustainability standards. It focuses on child labor given the extension of social sustainability and child labor's imminent risk level. It proposes a novel risk model using a Bayesian network (BN) that allows the integration of public and private data sources. The risk level is modelled with an individual BN for each supplier location. The main focus of the work is on the model and the data integration. In order to integrate public data sources, a text mining approach is suggested to identify and extract social sustainability incident events in unstructured text. These events can be integrated into the BNs. An expert question-naire together with sensitivity tests confirms the usefulness of the model. For the text mining task, tests on a newly developed gold standard suggest high F1 scores for incident event detection (83.0%). Incident event extraction performs better for the geography and company event attributes and less for the sector attributes. This implies that manual input revision appears necessary, also recommended by experts interviewed. Finally, an analysis of online retrievable empirical input data reveils the availability of interesting and detailed events either published by news agencies or posted by non-governmental organizations.