[論文レビュー] AI in Supply Chain Risk Assessment: A Systematic Literature Review and Bibliometric Analysis

Md Abrar Jahin, Saleh Akram Naife+2 more|arXiv (Cornell University)|Dec 12, 2023

Supply Chain Resilience and Risk Management被引用数 5

ひとこと要約

本稿は、サプライチェーンリスク評価（SCRA）におけるAIの系統的文献レビューおよび文献計測的分析を提示しており、予測精度を著しく向上させる主なAI/ML技術（例：ランダムフォレスト、XGBoost）を特定している。近年の動向、影響力のある研究クラスタ、COVID後のサプライチェーンリスクマネジメント（SCRM）における実用的意義を明らかにし、SCRAにおける現代のAI応用の理解を補完する重要な空白を埋めている。

ABSTRACT

Supply chain risk assessment (SCRA) is pivotal for ensuring resilience in increasingly complex global supply networks. While existing reviews have explored traditional methodologies, they often neglect emerging artificial intelligence (AI) and machine learning (ML) applications and mostly lack combined systematic and bibliometric analyses. This study addresses these gaps by integrating a systematic literature review with bibliometric analysis, examining 1,903 articles (2015-2025) from Google Scholar and Web of Science, with 54 studies selected through PRISMA guidelines. Our findings reveal that ML models, including Random Forest, XGBoost, and hybrid approaches, significantly enhance risk prediction accuracy and adaptability in post-pandemic contexts. The bibliometric analysis identifies key trends, influential authors, and institutional contributions, highlighting China and the United States as leading research hubs. Practical insights emphasize the integration of explainable AI (XAI) for transparent decision-making, real-time data utilization, and blockchain for traceability. The study underscores the necessity of dynamic strategies, interdisciplinary collaboration, and continuous model evaluation to address challenges such as data quality and interpretability. By synthesizing AI-driven methodologies with resilience frameworks, this review provides actionable guidance for optimizing supply chain risk management, fostering adaptability, and informing future research in evolving risk landscapes.

研究の動機と目的

• サプライチェーンリスク評価（SCRA）における新興のAI/ML技術を理解するための研究ギャップを解消すること。過去のレビューではこれらの進展が見過ごされていた。
• SCRA文献の包括的文献計測的分析を通じて、出版動向、影響力のある著者、および高被引用論文を分析すること。
• SCRAに最も効果的なAI/MLモデルを特定・評価し、その予測精度と実装可能性に焦点を当てる。
• 研究者および実務家がAIをサプライチェーンリスクマネジメント（SCRM）に統合し、よりレジilientな運用を実現するためのロードマップを提供すること。
• AIを用いたSCRAの研究動向をマッピングし、主要なクラスタ、手法、今後の研究方向性を特定すること。

提案手法

• 2014年から2023年までの発表された1,717件の論文を対象とした系統的文献レビューを行い、48件の高インパクト研究に絞り込んだ。
• VOSviewerなどのツールを用いて文献計測的分析を実施し、共同著者関係、共著者引用ネットワーク、主題クラスタをマッピングした。
• AI/ML技術を以下のカテゴリーに分類した：木ベースのモデル（例：ランダムフォレスト、XGBoost）、アンサンブル手法、ディープラーニング（例：CNN）。
• リスク予測タスクにおける報告された正解率、F1スコア、AUC-ROC値に基づき、モデルのパフォーマンスを評価した。
• 出版年、ジャーナル、国、機関の所属を用いて研究動向をマッピングし、分野における成長パターンとリーダーシップを同定した。
• 研究課題、手法、結果の主題的分析を実施し、SCRM実務家に有用なインサイトを抽出した。

Figure 1 : Prisma flow diagram for systematic literature review.

実験結果

リサーチクエスチョン

• RQ1 サプライチェーンリスク評価において、どのAI/ML技術が最も一般的で効果的であり、従来のモデルと比べてどのように差がつくか？
• RQ2 2014年から2023年までのAI駆動SCRA研究において、支配的テーマ、出版動向、影響力のある貢献者とは何か？
• RQ3 COVID-19パンデミックは、SCRAにおけるAIの進化と応用にどのような影響を及えたか。特にレジリエンス強化の観点から。
• RQ4 文献計測的および主題的分析を通じて明らかにされた、AIベースSCRAにおける主な方法論的ギャップと今後の研究方向性は何か？
• RQ5 ハイブリッドおよびアンサンブルモデル（例：XGBoost、SVMアンサンブル）は、サプライチェーン内の信用リスクおよび金融リスク早期警戒システムにおいて、予測性能をどのように向上させるか？

主な発見

• ランダムフォレストやXGBoostなどの木ベースのモデルは、SCRAにおいて優れたパフォーマンスを示し、複数の研究でAUC-ROC値が0.90を超える報告がなされた。
• SVMベースのアンサンブルやCNNを含むハイブリッドおよびアンサンブルモデルは、信用リスクおよび金融リスク早期警戒システムにおいて、予測精度が向上した。
• 文献計測的分析から、2020年以降にSCRA研究が著しく増加しており、中国およびバングラデシュの研究機関（例：KUET、AIUB）が重要な貢献者として浮上した。
• 最も被引用の多かった論文は、特にSVMおよびアンサンブル技術を用いたサプライチェーンファイナンスにおける中小企業の信用リスク予測に関するものであった。
• 共著者引用分析から、5つの主要な主題クラスタが特定された：信用リスク予測、レジリエンスモデリング、データ統合、プライバシー保護型AI（例：フェデレーテッドラーニング）、時系列予測。
• 近年の研究では、解釈可能でプライバシー保護型のAIモデル（例：フェデレーテッドラーニング）へのシフトが顕著に観察され、倫理的かつスケーラブルな展開への移行を示唆している。

Figure 2 : Annual publication trend (2014-2023) of the reviewed literature.