[论文解读] 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 5

一句话总结

本文对供应链风险评估（SCRA）中的人工智能（AI）进行了系统性文献综述与书目计量分析，识别出随机森林和XGBoost等关键AI/机器学习（ML）技术显著提升了预测准确性。研究揭示了新兴趋势、具有影响力的科研集群以及后疫情时代增强供应链风险管理（SCRM）韧性的实际意义，填补了当前对现代AI在SCRA中应用理解的空白。

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.

研究动机与目标

• 为填补现有综述忽视这些进展的现状，解决理解供应链风险评估（SCRA）中新兴AI/ML技术的研究空白。
• 通过全面的SCRA文献书目计量分析，分析出版趋势、重要作者及高被引文献。
• 识别并评估在SCRA中最具成效的AI/ML模型，重点关注其预测准确性和实际可实施性。
• 为研究人员和从业者提供将AI整合到供应链风险管理（SCRM）中的路线图，以提升韧性。
• 绘制AI在SCRA中研究格局的演变，突出关键集群、研究方法及未来研究方向。

提出的方法

• 对1,717篇论文进行系统性文献综述，筛选出2014至2023年间发表的48项高影响力研究。
• 利用VOSviewer等工具进行书目计量分析，绘制SCRA研究中的共作者网络、共引网络及主题聚类。
• 将AI/ML技术分类为：基于树的模型（如随机森林、XGBoost）、集成方法以及深度学习（如卷积神经网络，CNNs）。
• 基于风险预测任务中报告的准确率、F1值及AUC-ROC值评估模型性能。
• 通过出版年份、期刊、国家及机构隶属关系绘制研究趋势图，识别该领域的增长模式与领导力量。
• 对研究问题、研究方法及研究发现开展主题分析，提取对SCRM从业者具有实际意义的洞见。

Figure 1 : Prisma flow diagram for systematic literature review.

实验结果

研究问题

• RQ1 在供应链风险评估中，哪些AI/ML技术最为普遍且有效？它们与传统模型相比表现如何？
• RQ2 2014至2023年间，AI驱动SCRA研究中的主导研究主题、出版趋势及重要贡献者有哪些？
• RQ3 新冠疫情如何影响AI在SCRA中的演变与应用，特别是在提升韧性方面？
• RQ4 通过书目计量与主题分析，AI驱动SCRA中的关键方法论缺口与未来研究方向是什么？
• RQ5 混合与集成模型（如XGBoost、SVM集成）如何提升供应链中信贷与金融风险评估的预测性能？

主要发现

• 基于树的模型（如随机森林和XGBoost）在SCRA中表现出色，多项研究报告的AUC-ROC值超过0.90。
• 混合与集成模型（包括基于SVM的集成与卷积神经网络）在信贷风险与金融风险早期预警系统中展现出更高的预测准确性。
• 书目计量分析显示，SCRA研究自2020年后显著增长，中国与孟加拉国通过库阿卡大学（KUET）与艾布哈比大学（AIUB）等机构成为关键贡献者。
• 被引最多的文献集中于供应链金融中针对中小企业信贷风险的机器学习研究，尤其采用SVM与集成技术。
• 共引分析识别出五大主题聚类：信贷风险预测、韧性建模、数据集成、隐私保护型AI（如联邦学习）以及时间序列预测。
• 近期研究中明显出现向可解释性与隐私保护型AI模型（如联邦学习）转变的趋势，表明正朝着伦理化与可扩展部署的方向发展。

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