《Engineering Applications of Artificial Intelligence》：Mapping machine learning applications in Supply Chain Management: A bibliometric approach
编辑推荐：
机器学习在供应链管理中的应用现状、挑战与未来方向研究，通过系统文献综述和文献计量学分析53篇论文，发现其核心应用领域包括风险管理、库存优化、需求预测、供应商筛选及多方协作，但存在技术落地障碍如跨领域知识鸿沟与技能不足。
Koppiahraj Karuppiah | P.S. Ramesh | Naveen Virmani | S. Ramesh | Md Abdul Moktadir
机械工程系，KIT-Kalaignar Karunanidhi 工程学院，哥印拜陀，641402，泰米尔纳德邦，印度
摘要
在当前动态且竞争激烈的市场环境中，供应链问题变得越来越复杂多样。因此，有必要简化运营流程，使其更加敏捷、灵活和响应迅速。在过去十年中，机器学习在供应链活动中的应用呈指数级增长，并对组织绩效产生了积极影响。学术文献中提到，机器学习能够改变游戏规则，促进有效决策、降低成本并提升整体绩效。尽管已有大量相关研究，但关于机器学习在核心供应链功能（包括利益相关者协作、库存管理和需求预测）中应用的研究仍然有限。因此，需要进行一次全面的文献综述，以认识和分析机器学习在供应链活动中的重要性。为此，我们在 Scopus 数据库中搜索了与机器学习在供应链绩效中应用相关的论文。经过仔细筛选和深入研究，选出了 53 篇论文。本研究采用了系统评价和荟萃分析的优先报告项目框架，并进行了全面的文献综述。在描述性分析中，根据论文发表年份、期刊、关注行业、引用次数以及供应链管理领域的重点对论文进行了分类。此外，还进行了文献计量分析，结果显示行业专业人士和从业者普遍倾向于在供应链活动中采用机器学习。网络分析进一步确定了五个主题：供应链风险管理、供应链库存管理、供应链需求预测、供应链供应商选择和供应链协作。此外，还提出了若干可行的未来研究方向，以提升供应链管理的可持续性。
引言
供应链是一个由组织、劳动力、资源和技术组成的协作系统，其目标是生产和向最终消费者交付商品（Ismail 等，2024）。有效的供应链管理对于确保信息和商品的无缝流动至关重要。早期，供应链管理被定义为从原材料采购到成品按时交付给最终客户的全过程（López 等，2025）。全球化之后，世界变得互联互通，供应链管理的功能特征发生了巨大变化，即它需要在各种情况下都具备敏捷性和韧性（Camel 等，2024）。随着利润空间的缩小和客户需求的增加，供应链管理已成为竞争优势的关键。因此，组织必须更加重视供应链管理，以应对产品生命周期缩短、客户需求快速变化以及激烈竞争等挑战（Dubey 等，2024）。此外，供应链更容易受到外部或内部因素的干扰。外部干扰包括自然灾害、疫情和地缘政治紧张局势，而内部干扰则包括利益相关者之间的协调不畅、需求预测失误和库存管理问题。内部干扰可能导致“牛鞭效应”和积压订单现象。“牛鞭效应”是指零售商端的需求小幅增加会导致分销商和制造商端的波动加剧（Mohamadi 等，2024）。一个简单的例子是，由于电子设备使用量的增加，对半导体的需求突然激增。当客户所需的产品无法立即获得时，就会出现积压订单问题（Guo 等，2025）。如果积压订单问题处理不当，可能会导致公司失去客户。为了在竞争激烈的商业环境中生存下去，组织需要积极应对这些问题（Ngo 等，2024）。在全球供应链管理中，由于涉及更多的利益相关者，产生的数据量和种类远高于本地供应链管理。因此，全球供应链管理的复杂性大大增加。
借助数字技术的进步，工业 4.0 改变了工业活动，并在决策、制造和供应链管理等多个领域发挥了作用（Fosso Wamba 等，2023）。只有当组织定期根据市场变化更新政策时，才能有效发展和繁荣（Lin 等，2022）。虽然工业 4.0 对所有工业活动都至关重要，但对于供应链管理而言尤为关键，因为它已经进入了大数据时代（Riaz 等，2024）。在供应链 4.0 中，数据不断从多个来源流动，包括路线规划、物流系统和各种利益相关者。这意味着产生了大量的数据，为供应链优化带来了价值。然而，这些数据往往没有得到充分利用。在这种情况下，像机器学习这样的数字技术对于全面分析现有数据并识别模式非常有效。作为人工智能的一个子领域，机器学习能够处理大量数据并无需人工干预即可识别隐藏信息。Mahraz Mohamed-Iliasse 和 B.A（2022）预测，到 2023 年，近 50% 的全球公司将使用机器学习技术进行供应链管理。
由于机器学习在风险识别和预测方面的出色能力，它在医疗、农业和制造业领域取得了显著进展（Carter 等，2023）。然而，机器学习在供应链管理中的应用仍然非常有限。造成这一现象的原因是，大多数供应链从业者没有得到足够的机器学习指导。此外，大多数供应链管理从业者来自管理领域，而大多数机器学习从业者来自工程领域。这两个领域之间存在很大差距，导致供应链从业者对机器学习的理解水平较低。据观察，只有 35% 的供应链从业者接受了充分的机器学习培训。尽管大多数组织都在为员工提供机器学习培训，但仍有 52% 的员工缺乏必要的技能（Vlachos 和 Reddy，2025）。因此，当供应链管理从业者尝试应用机器学习时，他们往往无法选择合适的算法（Yang 等，2023）。这两个领域之间的知识差距限制了机器学习在供应链活动中的应用。
需要开展全面的文献综述，以解决这些不同领域之间的知识差距，并强调机器学习对供应链管理的重要性。近年来，已有许多关于机器学习在供应链管理中应用的综述研究（Mahraz Mohamed-Iliasse 和 B.A，2022；Sharma 等，2020；Spreitzenbarth 等，2024）。这些研究大多讨论了机器学习算法在改善供应链管理方面的潜在影响以及应用过程中遇到的挑战。然而，这些文章未能探讨机器学习在供应链管理特定领域（如风险管理、库存管理、需求预测、供应商选择和供应链利益相关者协作）中的具体影响。
为解决上述研究空白，本研究调查了有关机器学习技术在供应链活动中应用的研究文献。本研究旨在通过阐明机器学习的基础知识，为供应链管理从业者提供更深入的见解，并探讨机器学习在不同供应链管理领域中的影响。此外，本研究还考察了机器学习算法在供应链活动中的进展和未来发展方向。本研究旨在回答以下研究问题：
RQ1：当前机器学习在供应链管理中的应用研究现状是什么？
RQ2：供应链管理活动中使用了哪些关键的机器学习算法，它们在各自领域的影响是什么？
RQ3：当前关于机器学习在供应链活动中应用的研究存在哪些空白，未来研究有哪些方向？
本研究通过全面的文献综述、描述性分析、文献计量分析和内容分析来回答这些研究问题。该综述的科学贡献在于，它结合了文献计量和系统评价方法，全面分析了机器学习在供应链中的最新应用趋势，而这在现有文献中是缺失的。此外，本研究通过明确指出现有文献中的空白，为未来研究人员提供了新的研究方向。表 1 展示了本研究的合理性。
在本手稿中，第二部分阐述了本研究采用的方法论。第三部分讨论了描述性分析的结果。第四部分使用 VOS 查看器软件分析了文献计量分析的结果。第五部分讨论了机器学习在供应链管理中的应用，第六部分强调了机器学习算法对供应链管理绩效的影响。第七部分提出了研究启示。第八部分总结了本研究。
方法论
本研究采用系统评价方法，重点全面审查已发表的研究论文，提供关于机器学习在供应链活动中应用现状和潜在影响的公正概述。系统评价方法是一种科学的方法，用于检查、评估和理解与特定问题相关的所有研究论文。
描述性分析
本部分回答了 RQ1。在描述性分析中，选定的论文被分为不同的类别，并附有简要说明，以便于进一步分析（Table 4）。描述性分析为内容分析奠定了坚实的基础（Prajapati 等，2019）。
文献计量分析
文献计量分析用于探索和调查大量技术数据。当研究范围广泛且数据集庞大时，这种方法尤为适用。它有助于揭示某个领域的演变主题，并揭示其中的动态变化。通过文献计量分析，可以进行定性和定量分析（Donthu 等，2021）。
基于主题的内容分析
尤其是在 COVID-19 疫情之后，供应链管理研究受到了广泛关注。对选定的 53 篇研究论文中提到的机器学习应用进行了分析，结果归纳出五个主题：供应链风险管理、供应链库存管理、供应链需求预测、供应链供应商选择和供应链协作。
机器学习对供应链管理的影响
供应链管理在提升企业持续竞争力方面发挥着重要作用，因此需要特别关注（Khedr 和 S，2024）。特别是在过去十年中，机器学习在供应链管理中的应用呈指数级增长（Raza 等，2023）。机器学习在过去十年中显著改变了供应链管理方式，提高了运营绩效，这是传统方法无法实现的。
研究的启示
过去几个世纪中，技术进步之间的差距较大，但在减少碳排放的技术领域，这一差距正在缩小。例如，第三次和第四次工业革命之间的时间间隔约为 50 年，而在第四次和第五次工业革命之间，这一间隔缩短到了大约十年（Biswas 等，2024）。因此，对于各行业来说，采用新技术变得至关重要。
结论
机器学习正在改变供应链在组织中的运作方式，使其更加敏捷、灵活和具有韧性。本文的创新之处在于：首先，它通过全面研究学术文献，整合了机器学习在各种供应链功能中的应用成果，提供了关于可持续供应链中机器学习应用的系统评价；其次，它提供了一个主题框架，揭示了其中的模式和关键点。
CRediT 作者贡献声明
Koppiahraj Karuppiah： 写作——初稿撰写、软件开发、方法论设计、数据整理、概念构建。
P.S. Ramesh： 数据整理。
Naveen Virmani： 写作——初稿撰写、正式分析。
S. Ramesh： 正式分析、数据整理。
Md Abdul Moktadir： 审稿与编辑、正式分析。
利益冲突声明
作者声明他们没有已知的财务利益冲突或个人关系可能影响本文的研究结果。
