31、可持续供应链管理的定量模型研究综述

可持续供应链管理的定量模型研究综述

1. 理论基础

1.1 供应链管理

供应链（SC）主要由供应商、工厂、配送中心、零售商和客户等元素组成，其主要功能是获取原材料、进行加工，并将成品分销给客户。供应链网络（SCN）设计则是对这些元素的配置进行优化，以在满足服务水平的同时使总成本最小化，这一决策领域会考虑规划、成本、需求和供应等参数。

供应链网络设计的决策通常在战略和战术管理层面产生，由于其重要性，一般为长期决策，并会直接影响供应链的绩效。常见的供应链配置有两种：正向供应链（也称为传统供应链）和闭环供应链（CLSC）。正向供应链处理产品从原材料到制造商、零售商，最终到消费者的流动；而闭环供应链则将传统供应链与逆向物流相结合，考虑产品在完成其原始用途后的处理，制造商鼓励产品在不再可用或不需要时返回，这些产品可以进行维修和转售，或者拆解后用于未来产品的生产。

供应链管理（SCM）涵盖了对供应链各元素之间所有环节的管理，这些环节的流动包括物理、财务和信息变量，需要所有参与者共同管理。

1.2 可持续供应链管理

可持续性意味着在做每一个决策时都要考虑未来。企业实施可持续性并将其应用于所有活动中，不仅考虑经济变量，还考虑环境和社会变量，这将提高企业成功的概率。

可持续发展的三个基本维度是经济、社会和环境，这一概念被称为三重底线（TBL）。希望实现可持续发展的行业必须有能力和决心根据可持续性要求设计、规划和运营其供应链，同时不损害其他利益相关者的资源。然而，实现这一目标的主要障碍在于其复杂性，因为它涉及多种产品、供应商、材料、能力和其他变量。

可持续供应链管理（SSCM）的出现是为了整合供应链参与者的两个主要关注点：获取最大利润和减少运营对环境和社会的影响。它被定义为对产品、材料、资金和信息流动的管理，以及供应链元素之间的合作，同时考虑客户和利益相关者要求的可持续发展三个维度（环境、社会和经济）的目标。

如今，专业人士、技术人员、管理人员和研究人员越来越频繁地使用“SSCM”这个词，他们投入大量资源来开发和实施可持续性，强调SSCM的重要性，并根据不同的业务需求评估其作用，同时提高对可持续实践的认识，如选择绿色供应商、道德采购、具有碳足迹的产品、社会责任等。

1.3 文献综述

近年来，关于SSCM涵盖的各个主题发表了大量的文献综述文章，包括系统综述和叙述性综述。系统文献综述采用有条理的过程，由结构化的步骤组成，用于收集和分析所找到的材料，这种综述被认为是详尽、客观、有效、可验证和可重复的；而叙述性综述则主要依赖研究人员的经验、所应用的调查以及不太正式的方案。

为了了解相关文献综述的数量，在2021年1月10日在ScienceDirect数据库中进行了搜索，搜索式为“可持续供应链管理” AND “文献综述”，得到了915篇文章，这表明这类文章目前是丰富的资源，使研究人员能够了解供应链可持续性的最新状态，并指导他们当前和未来的研究。

研究表明，文献综述在方法上正在发生变化，大多数综述已从叙述性转向系统性。大多数文献综述包括概念模型和形式模型。在形式模型方面，闭环供应链的研究较为突出，而正向供应链的形式模型综述相对较少。SSCM的文献研究了多个视角，从核心企业到特定国家概况或特定人群细分。

起初，环境视角在可持续性研究中占主导地位，但现在情况正在改变，TBL成为大多数研究试图纳入的新方法。一些突出的研究领域包括SSCM、绿色供应链、可持续供应链网络设计、SSCM的动态建模、可持续供应链融资以及不确定性下的可持续网络设计等。环境视角涵盖了各种主题，如温室气体排放、污染、二氧化碳排放、自然资源、能源等；而研究中包含的社会变量包括培训、工人安全、道德供应链、社会正义、体面工作和公平待遇等。

2. 研究方法

本研究对SSCM进行系统的文献综述，重点关注正向可持续供应链（SSC）中形式定量模型的使用。为了确保研究的正确执行、决策、质量、一致性和遵循的程序，参考了两位作者的工作和方法。

文献综述包括四个主要步骤：
1. 材料收集 ：遵循Fink方法的四个任务，包括选择研究问题、定义数据库来源、选择搜索术语以及应用实际的纳入和排除标准。
- 选择研究问题 ：
- 考虑可持续性指标，哪些定量模型已应用于正向供应链的有效管理？
- 这些定量模型使用了哪些特征、指标和解决方案方法？
- 这些定量模型如何支持可持续性决策？
- 定义数据库来源 ：使用的数据库包括Scopus、ScienceDirect、SpringerLink和Web of Science。
- 选择搜索术语 ：从研究问题中提取的关键词和短语作为搜索术语和搜索字符串，包括“定量模型” AND “可持续供应链”、“定量模型” AND “绿色供应链”、“定量模型” AND “可持续供应链网络设计”、“实施” OR “应用” AND “定量模型” AND “可持续供应链”。
- 应用实际的纳入和排除标准 ：
- 纳入标准 ：英文文章、发表在同行评审期刊上的文章、2010年1月至2020年12月期间发表的文章、基于使用统计和数值技术获取和处理信息的策略的研究。
- 排除标准 ：重复文章、关注闭环供应链、再制造或逆向物流的文章、实证研究和概念模型。
2. 描述性分析 ：在确定收集不同文章的步骤后，描述性分析负责通过研究期间的时间分布和4W分析（何时、谁、什么和哪里）来分析文章的发表时间和期刊。具体来说，将文章按发表年份划分（何时），确定不同文章发表的期刊（谁），分析应用于SSC的定量模型（什么），最后确定研究人员所属的机构及其所在国家（哪里）。
3. 类别识别 ：定义并按类别分组三个结构维度：SCM、建模和可持续性。这将有助于全面深入地了解定量模型在正向供应链中的使用方式、它们如何支持可持续性决策以及主要的可持续性支柱是什么。SCM维度的特征取自“供应链运营参考”（SCOR）模型；建模类别根据模型的目的和类型进行评估；可持续性类别则基于TBL概念的三个支柱（环境、经济和社会）进行分类。
4. 材料评估 ：根据类别识别部分描述的每个类别的维度对收集的项目进行编码，这有助于反映供应链结构、建模维度及其相互作用，以管理可持续性结果。随后生成出现频率表，这些表是内容分析的基础，因为它们可以识别现有研究中的主导特征和差距，从而指导未来的研究。一般来说，研究过程会以清晰透明的方式逐步记录，以提高其客观性。

3. 研究结果

3.1 材料收集

经过严格遵循所有既定步骤以确保研究的质量和客观性，最终获得了80篇文章，作为系统文献综述的样本。材料收集的过程和相关文章数量总结如下表所示：
|数据库|初始文章数量|经过各排除标准后的文章数量|最终纳入文章数量|
| ---- | ---- | ---- | ---- |
|Scopus|1770|…|80|
|ScienceDirect|1690|…|80|
|SpringerLink|260|…|80|
|Web of Science|1090|…|80|

3.2 描述性分析

3.2.1 发表时间

通过时间分布可以观察到，文章发表数量随着年份的推移呈上升趋势，其中2019年发表了15篇，2020年发表了13篇。

3.2.2 发表期刊

样本中的文章发表在38种不同的期刊上，只有11种期刊有两篇或更多的发表文章。发表文章数量最多的期刊包括《Journal of Cleaner Production》（11篇）、《Computers & Industrial Engineering》（10篇）、《International Journal of Production Economics》（7篇）等。这些期刊涵盖了不同的知识领域和主题，有些专注于供应链和运营管理，有些则是综合性和跨学科的，这再次证明了SSCM研究的蓬勃发展。

不同期刊发表文章数量及应用的定量模型类型如下表所示：
|期刊|文章数量|定量模型类型|
| ---- | ---- | ---- |
|Journal of Cleaner Production|11|分析（2），数学规划（9）|
|Computers & Industrial Engineering|10|分析（1），启发式（2），混合（1），数学规划（6）|
|International Journal of Production Economics|7|分析（1），数学规划（5），模拟（1）|
|…|…|…|

3.2.3 定量模型类型

在应用的定量模型类型方面，数学规划模型使用最为频繁（49篇），其次是分析模型（15篇）、启发式模型（5篇）、混合模型（5篇）、模拟模型（4篇）和其他模型（2篇）。

3.2.4 研究来源国家

样本中涉及24个国家，科研产出最高的国家包括伊朗（14篇）、中国（11篇）、印度（11篇）、美国（5篇）、土耳其（5篇）等。

3.3 SCM维度

SCM维度分析了样本研究中的四个特征：主要参与者、组织层面、SCOR过程和应用领域。结果如下表所示：
|特征|具体情况|文章数量|
| ---- | ---- | ---- |
|主要参与者|制造商|46|
| |行业/宏观经济|28|
| |分销商|2|
| |零售商|2|
| |供应商|1|
| |仓储|1|
|组织层面|链和网络（组织间视角）|36|
| |特定功能或公司（组织内模型）|23|
| |行业和宏观经济（宏观视角）|21|
|SCOR过程|规划|54|
| |制造|11|
| |交付|5|
| |采购|5|
|应用领域|一般SCM|33|
| |网络设计|29|
| |物流|7|
| |生产|7|
| |规划|2|

约58%（46篇）的综述材料将制造商作为计划供应链中的主要研究对象，其次是行业/宏观经济（28篇），而分销商、零售商、供应商和仓储很少成为这些研究的焦点。组织分析层面显示出组织间视角的趋势，链和网络相关的文章有36篇，其次是考虑特定功能或公司的组织内模型（23篇），最后是行业和宏观经济层面的宏观视角文章（21篇）。最受欢迎的SCOR过程是规划（54篇）和制造（11篇）。在功能应用领域，SSCM建模研究主要针对一般SCM（33篇）或网络设计（29篇），网络设计似乎是SSCM研究中一个新兴且不断发展的趋势，从2015年至今，每年至少有三篇相关文章发表，显示出其连续性、优越性和与其他领域相比的轻微增长。

3.4 建模维度

建模维度分析了四个类别：模型数据、模型类型、建模技术和解决方案方法。结果如下表所示：
|类别|具体情况|文章数量|
| ---- | ---- | ---- |
|模型数据|确定性|48|
| |随机性|32|
|模型类型|分析|15|
| |启发式|5|
| |混合|5|
| |多目标|32|
| |单目标|5|
| |模拟|4|
| |系统动力学|4|
| |系统模型|9|
|建模技术|MCDM|6|
| |元启发式|2|
| |模糊规划|7|
| |数学规划|49|
| |遗传算法|3|
| |LP/MILP|20|
| |LCA|3|
| |非线性规划|5|
| |鲁棒优化|5|
| |随机规划|8|
|解决方案方法|AHP|16|
| |DEA/IOA|2|
| |其他|22|

在模型数据类别中，确定性研究占主导地位，有60%（48篇），而随机性研究占40%（32篇），这意味着大多数文章没有考虑某些变量的典型不确定性。在建模技术方面，多目标优化技术最为常见（32篇），尽管它是多标准决策（MCDM）技术的一部分，但由于其在生成一系列被认为同样优秀的最优解决方案方面的实用性，被单独列出。此外，相当数量的文章使用了多种建模技术（22篇），因为可持续性问题集成了多个变量和因素。

在解决方案方法类别中，分析和系统模型主要采用层次分析法（AHP）（16篇）或投入产出分析（IOA）（2篇）。确定性数学规划模型通常使用线性规划（LP）、混合整数线性规划（MILP）或ε - 约束方法（共20篇）；而具有随机数据的数学规划模型为了处理不确定性，使用随机规划（8篇）、模糊规划（7篇），以及在较小程度上使用鲁棒优化（5篇）。

近年来，随机模型的科研产出有所增加，主要集中于解决制造商的实际问题，如考虑灵活交货期的综合生产计划、处理市场不确定性和不同风险态度以及具有随机需求和碳变量的生产计划等。在行业方面，专注于生物燃料和农业部门的模型较为突出，这些行业通过设计其供应链，在保证生产水平的同时寻求实施可持续性措施。值得注意的是，与运输相关的研究相对较少，尽管运输对温室气体排放的贡献很大。

3.5 可持续性维度

研究样本中可持续性维度的分布情况如下图所示（此处假设图15.4的大致内容）：

pie
    title 可持续性维度分布
    "仅关注环境需求" : 4
    "考虑经济 - 环境绩效" : 44
    "其他情况" : 32

有四项研究专门关注环境需求，分析环境参数和碳排放；44篇文章考虑了经济 - 环境绩效；其余文章则涵盖了其他情况。这表明在可持续供应链管理的研究中，越来越多的研究开始综合考虑经济和环境因素，而不仅仅局限于单一的环境视角。

综上所述，本研究通过系统的文献综述，对正向可持续供应链中定量模型的应用进行了全面的分析。研究结果揭示了当前研究的热点和趋势，如网络设计的兴起、多目标优化技术的广泛应用以及对经济 - 环境绩效的关注等。同时，也指出了现有研究的不足之处，如运输领域研究的缺乏和对某些变量不确定性考虑的不足等，为未来的研究提供了方向。未来的研究可以进一步探索如何更好地将可持续性融入供应链管理的各个环节，开发更有效的定量模型来应对实际问题，以及加强对不同行业和领域的研究，以推动可持续供应链管理的发展。

3.6 不同论文的建模细节

为了更深入地了解建模情况，下面详细展示样本中80篇论文所使用的模型，如下表所示：
|序号|论文|模型目的|模型类型|建模技术|解决方案方法|
| ---- | ---- | ---- | ---- | ---- | ---- |
|1|[48]|确定性|数学规划|多目标|LP，增强ε - 约束方法|
|2|[56]|随机性|数学规划|多目标|MILP，增强ε - 约束方法|
|3|[57]|确定性|数学规划|多目标|传统ε - 约束方法|
|4|[58]|确定性|数学规划|多目标|MILP，传统ε - 约束方法|
|5|[59]|确定性|数学规划|多目标|MILP，增强ε - 约束方法|
|6|[17]|确定性|数学规划|多目标|MILP，传统ε - 约束方法|
|7|[60]|确定性|数学规划|多目标|传统ε - 约束方法|
|8|[61]|确定性|数学规划|多目标|MILP，传统ε - 约束，LCA|
|9|[46]|确定性|数学规划|多目标|LP，传统ε - 约束方法|
|10|[62]|确定性|数学规划|多目标|传统ε - 约束方法|
|11|[63]|随机性|数学规划|多目标|MILP，随机规划|
|12|[44]|随机性|数学规划|多目标|MILP，随机规划|
|13|[64]|随机性|数学规划|多目标|多阶段随机规划|
|14|[51]|随机性|数学规划|多种|随机非线性MIP|
|15|[49]|随机性|数学规划|机会约束|随机规划，Benders分解|
|16|[65]|随机性|数学规划|多种|多阶段随机动态规划|
|17|[54]|随机性|数学规划|多种|两阶段随机规划，拉格朗日松弛|
|18|[66]|随机性|数学规划|多目标|模糊随机规划|
|19|[67]|确定性|数学规划|多目标|模糊目标规划|
|20|[68]|随机性|数学规划|多目标|模糊ε - 约束规划|
|21|[50]|随机性|数学规划|多目标|LP，模糊ε - 约束，目标规划|
|22|[69]|随机性|数学规划|多目标|模糊MILP，目标规划|
|23|[70]|随机性|数学规划|多目标|模糊规划，Benders分解|
|24|[71]|随机性|数学规划|多目标|模糊规划|
|25|[11]|随机性|数学规划|多目标|鲁棒可能性MILP|
|26|[52]|随机性|数学规划|多目标|鲁棒传统ε - 约束|
|27|[72]|随机性|数学规划|多目标|MILP，鲁棒优化|
|28|[73]|随机性|数学规划|双层规划|LP，MILP，鲁棒优化|
|29|[74]|随机性|数学规划|双层规划|MILP，鲁棒优化，模糊规划|
|30|[75]|随机性|数学规划|多目标|AHP，鲁棒优化，非线性规划|
|31|[3]|确定性|数学规划|多目标|MILP，两阶段|
|32|[76]|确定性|数学规划|多目标|MILP，LCA|
|33|[43]|确定性|数学规划|多目标|非线性MIP，遗传算法|
|34|[77]|确定性|数学规划|多目标|非支配排序，遗传算法|
|35|[78]|确定性|数学规划|多目标|加权和模型，AHP|
|36|[47]|确定性|数学规划|多目标|MILP|
|37|[79]|随机性|数学规划|多目标|AHP，模糊MILP|
|38|[55]|确定性|数学规划|MCDM|MILP，AHP|
|39|[80]|随机性|数学规划|MCDM|MILP，LCA|
|40|[81]|确定性|数学规划|多种|MILP|
|41|[82]|确定性|数学规划|多种|投机 - 延迟策略|
|42|[83]|随机性|数学规划|多种|LP，机会约束两阶段DEA模型|
|43|[53]|随机性|数学规划|单目标|两阶段随机规划|
|44|[39]|确定性|数学规划|单目标|目标规划|
|45|[84]|随机性|数学规划|单目标|机会约束规划|
|46|[85]|确定性|数学规划|单目标|MILP|
|47|[86]|确定性|数学规划|单目标|MILP|
|48|[87]|确定性|数学规划|单目标|MILP|
|49|[88]|随机性|数学规划|拉格朗日松弛|MILP|
|50|[42]|确定性|启发式|多目标，元启发式|遗传算法|
|51|[6]|确定性|启发式|元启发式|MILP|
|52|[89]|确定性|启发式|元启发式|非线性MIP，遗传算法|
|53|[90]|确定性|启发式|多目标|非线性MIP|
|54|[91]|确定性|启发式|拉格朗日松弛|LP|
|55|[45]|随机性|混合|多目标，元启发式|AHP，ANP，DEA，MILP|
|56|[92]|确定性|混合|多目标，元启发式|混合遗传Taguchi算法|
|57|[93]|随机性|混合|模糊MCMD|AHP，VIKOR|
|58|[94]|确定性|混合|系统模型|ANP|
|59|[95]|确定性|混合|MCMD|AHP，模糊TOPSIS|
|60|[96]|确定性|模拟|系统动力学|非线性动力学系统|
|61|[97]|确定性|模拟|系统动力学|非线性动力学系统|
|62|[98]|确定性|模拟|多种|LCA|
|63|[38]|确定性|模拟|多种|扩展目标规划|
|64|[14]|确定性|分析，数学规划|系统模型，多目标|AHP，增强ε - 约束|
|65|[99]|随机性|分析，数学规划|系统模型，模糊TOPSIS|AHP，机会约束规划|
|66|[100]|确定性|分析|MCDM|AHP，模糊，ILP|
|67|[40]|确定性|分析|MCMD|AHP，模糊|
|68|[101]|随机性|分析|MCMD|AHP，ANP，模糊|
|69|[102]|随机性|分析|MCDM，系统模型|灰色关联分析，模糊|
|70|[103]|确定性|分析|系统模型|AHP，投入 - 产出 - 基于生命周期评估|
|71|[104]|随机性|分析|系统模型|AHP|
|72|[37]|确定性|分析|系统模型|AHP，遗传算法|
|73|[41]|确定性|分析|系统模型|多智能体，模糊推理系统|
|74|[105]|确定性|分析|系统模型|模糊博弈|
|75|[21]|确定性|分析|系统模型|AHP，QFD|
|76|[106]|确定性|分析|系统模型|IOA|
|77|[107]|确定性|分析|系统模型|DEA|
|78|[108]|确定性|分析|系统模型|AHP|
|79|[109]|确定性|分析|系统模型|AHP，遗传|
|80|[110]|确定性|分析|系统模型|AHP，模糊|

从这个表格中可以清晰地看到不同论文在模型目的、类型、技术和解决方案方法上的差异和特点。例如，很多论文采用了多目标的数学规划模型，并且在解决方案方法上会结合多种技术，如AHP、LP、MILP等。这反映出在可持续供应链管理的定量模型研究中，为了应对复杂的实际问题，研究者们往往会综合运用多种方法。

4. 研究总结与展望

4.1 研究总结

• 研究热点 ：网络设计成为可持续供应链管理研究中的新兴趋势，每年相关文章数量有一定增长，显示出其在该领域的重要性逐渐提升。多目标优化技术在建模中应用广泛，能够生成一系列被认为同样优秀的最优解决方案，以应对可持续性问题中多个变量和因素的集成。越来越多的研究开始综合考虑经济 - 环境绩效，而不仅仅局限于单一的环境视角。
• 研究不足 ：运输领域的研究相对较少，尽管运输对温室气体排放贡献较大，这表明在可持续供应链管理中，对运输环节的可持续性关注不够。大多数文章没有考虑某些变量的典型不确定性，在模型数据方面确定性研究占主导，这可能导致模型在实际应用中的局限性。

4.2 研究展望

• 加强运输领域研究 ：未来的研究可以聚焦于运输环节，开发适用于运输领域的可持续性定量模型，考虑运输方式的选择、路线规划等因素对环境和经济的影响，以降低运输过程中的碳排放和成本。
• 提高模型对不确定性的处理能力 ：进一步探索如何在模型中更好地考虑变量的不确定性，如需求的随机性、市场的波动性等。可以采用更先进的随机规划、模糊规划等技术，提高模型的鲁棒性和适应性。
• 拓展研究行业和领域 ：除了生物燃料和农业部门，加强对其他行业和领域的研究，如制造业、服务业等，以推动可持续供应链管理在更广泛的范围内应用。
• 整合可持续性到供应链各环节 ：研究如何将可持续性更好地融入供应链管理的各个环节，从原材料采购、生产制造到产品销售和售后服务，实现全链条的可持续发展。

通过以上的研究总结和展望，我们可以看到可持续供应链管理的定量模型研究既有一定的成果，也存在改进的空间。未来的研究需要不断探索和创新，以更好地应对实际问题，推动可持续供应链管理的发展。