博文

Logistics “利用机器学习推进循环供应链的发展：一项系统性文献综述”

已有 104 次阅读 2026-3-27 17:25 |个人分类:学术软文|系统分类:论文交流

引言

循环供应链旨在通过延长产品生命周期和优化资源效率来减少废物，这与日益增长的可持续实践需求相符。机器学习凭借其数据驱动的洞察力和决策支持能力，有望通过优化资源管理、改进流程来解决循环供应链中固有的复杂性，从而成为增强其绩效的有力工具。本研究采用系统性文献综述，探讨机器学习在循环供应链各阶段的应用，并提出核心研究问题：机器学习技术如何提升供应链的循环绩效？

材料与方法

研究遵循系统性文献综述的PRISMA框架，在Scopus和Web of Science数据库中进行检索。通过关键词组合 (如“机器学习”“人工智能”“循环供应链”“循环经济”等) 筛选出757篇文献，经过文献去重、标题和摘要筛选和全文资格评估，最终纳入66篇高质量研究。检索范围包括期刊论文和会议论文，以确保涵盖这一新兴领域的完整研究图景。

分析与结果

描述性分析：研究表明，机器学习在循环供应链中的应用自2020年起显著增长，尤其聚焦于废弃物管理阶段；常用期刊包括 Waste Management、Journal of Cleaner Production 等；监督学习是最常用的机器学习类型，人工神经网络和决策树是主流算法；研究方法以数学模型和概念分析为主，实证案例相对缺乏。

所选文章中使用的机器学习类型

内容分析：研究构建了一个覆盖供应链全阶段的框架，分析机器学习在供应 (可持续供应商选择)、设计 (碳足迹预测)、制造 (资源优化)、消费 (消费者行为分析)、物流 (逆向物流优化) 以及废弃物管理 (智能分类与预测) 等环节的具体应用。

挑战：尽管机器学习在循环供应链中具有广阔应用前景，但本研究指出其实施仍面临若干挑战。首先，数据获取与数据质量问题是制约机器学习应用的重要因素，循环供应链涉及多主体协作，数据共享困难。其次，机器学习模型构建与维护需要较高的技术投入和专业人才支持。再次，企业在推进数字化转型过程中还需面对组织结构调整与管理模式变革等问题。此外，数据安全与隐私保护问题也成为企业关注的重要方面。

讨论

基于文献分析，研究提出五个核心命题：

机器学习可提升循环供应链各阶段的效率与效益；

机器学习的整合将重构供应链配置以增强循环性；

机器学习与物联网、区块链、计算机视觉等互补技术结合能进一步提升绩效；

企业可通过直接应用或与机器学习驱动型企业合作推进循环目标；

机器学习的循环应用有助于推动更广泛的可持续供应链管理议程。

展望与结论

本文指出，未来研究应加强机器学习与物联网、大数据及区块链等技术的融合，以进一步提升循环供应链的信息透明度与协同能力。同时，未来应构建更加智能化与自适应的供应链管理模型，并加强跨行业数据共享与合作机制建设。此外，政策支持与标准体系完善也被认为是推动循环供应链发展的重要保障。

总体而言，机器学习为循环供应链的优化与可持续发展提供了重要技术支撑。通过提升预测能力、优化资源配置及加强供应链协同，机器学习能够有效促进循环供应链效率与环境绩效的提升。尽管当前仍存在数据与技术等方面的挑战，但随着数字技术不断发展，机器学习将在循环供应链领域发挥更加重要的作用。

阅读英文原文：https://www.mdpi.com/3005978

相关特刊推荐

Artificial Intelligence and Business Analytics Applications in Supply Chain Operations

人工智能与商业分析在供应链运营中的应用

本特刊旨在探讨人工智能与商业分析这两大新兴技术在第四、五次工业革命背景下对供应链管理的实际价值与管理启示。特刊聚焦前沿研究，重点关注以下领域：供应链分析、机器学习在需求/库存/物流/采购规划中的应用、智能仓储与制造、自动驾驶卡车、无人机末端配送、供应链韧性工具 (如ChatGPT)、神经网络在医疗物流与生产调度中的应用等。

本刊鼓励学者通过理论与实证研究，探索人工智能与商业分析在提升供应链效能、解决管理难题及推动创新实践方面的具体应用，以期为供应链运营提供创新视角与解决方案。

特刊主页：https://www.mdpi.com/si/261362