Anforderungen der unternehmerischen Sorgfaltspflicht in Supply Chains:Welchen Beitrag können Blockchain-Anwendungen leisten?
Bibliographic record
Abstract
Die kürzlich von der Europäischen Union (EU) entworfene Richtlinie der unternehmerischen Sorgfaltspflicht wird, sofern verabschiedet, in der EU tätige Unternehmen für die Einhaltung von Sozial- und Umweltstandards in ihren Supply Chain Netzwerken verantwortlich machen. Aufbauend auf den Anforderungen an die unternehmerische Sorgfaltspflicht für soziale und ökologische Auswirkungen entlang der Supply Chain bietet der Gesetzesentwurf eine Rechtsgrundlage für Klagen wegen Fehlverhaltens, auch in vorgelagerten Produktionsschritten in Drittländern. Die Richtlinie verpflichtet große Unternehmen über festgestellte Risiken der Beschaffungs- und Produktionsbedingungen sowie damit verbundene negative externe Effekte zu berichten und Maßnahmen zur Risikominimierung zu treffen. Kleine und mittlere Unternehmen (KMU) tragen etwa ein Drittel des Gesamtumsatzes in der EU bei und bilden einen wesentlichen Teil der Unternehmenslandschaft. Aufgrund ihrer relativen Größe müssen sich KMU häufig an Berichterstattungssysteme halten, die von ihren „größeren“ Supply Chain Partner*innen verlangt werden. Dies erweist sich als besonders schwierig, wenn Unternehmen an mehreren Supply Chains beteiligt sind. Der Beitrag untersucht ob die verfügbaren Standardisierungen von technologischen Lösungen ausreichend sind. In diesem Zusammenhang wird die Blockchain Technologie beleuchtet, die durch Transparenz, dezentralen Datenaustausch und Nachvollziehbarkeit aller vorherigen Einträge, Informationen über die gesamte Wertschöpfungskette sammelt. Vorteile der Technologie beinhalten außerdem die Tokenisierung, die neue Wege des Wertaustauschs und Incentivierung für Verhaltensänderung ermöglicht. Dadurch kann die Technologie einen wertvollen Beitrag zur Nachweiserfüllung der unternehmerischen Sorgfaltspflicht leisten.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.008 | 0.023 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.002 | 0.003 |
| Scholarly communication | 0.008 | 0.011 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.003 | 0.003 |
| Insufficient payload (model declined to judge) | 0.017 | 0.003 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".