摘 要：隨著人工智能時(shí)代的到來(lái)，大數(shù)據(jù)相關(guān)技術(shù)和方法在物流管理中的應(yīng)用逐漸成為了研究熱點(diǎn)。基于CiteSpace和LDA主題模型對(duì)Web of Science數(shù)據(jù)庫(kù)中2010-2022年發(fā)表的與物流管理大數(shù)據(jù)相關(guān)的408篇文獻(xiàn)進(jìn)行了梳理和分析。研究發(fā)現(xiàn)，與物流管理中大數(shù)據(jù)相關(guān)的論文數(shù)量呈逐年增加的趨勢(shì)。其中，供應(yīng)鏈管理、人工智能、可預(yù)測(cè)分析、逆向物流等是目前物流管理大數(shù)據(jù)的研究熱點(diǎn);基于數(shù)據(jù)和物流的可持續(xù)性發(fā)展、基于技術(shù)和信息的數(shù)字化決策等研究在當(dāng)前物流管理領(lǐng)域受到廣泛關(guān)注。

關(guān)鍵詞：大數(shù)據(jù)技術(shù)；物流管理； LDA主題模型；CiteSpace

中圖分類號(hào)：F49；F259.23

文獻(xiàn)標(biāo)識(shí)碼：A

Doi：10.3969/j.issn.1672-2272.202309096

Application of Big Data Analysis and Mining in Logistics Management

Wan Xin，Shi Lin，Yuan Haiman

（School of Management，Wuhan Textile University， Wuhan 430200，China）

Abstract：With the advent of the artificial intelligence era， the application of big data related technologies and methods in logistics management has gradually become a research hotspot. Based on CiteSpace and the LDA topic model， this paper analyzes and summarizes 408 articles related to big data in logistics management published in the Web of Science database from 2010 to 2022. The research found that the number of articles on big data in logistics management has shown an increasing trend year by year. Among them， supply chain management， artificial intelligence， predictive analytics， reverse logistics， etc are currently hot research topics in the application of big data in logistics management; research on sustainable logistics development based on data and logistics， digitized decision-making based on technologies and information， has received extensive attention and aroused great research interest in the current field of logistics management.

Key Words：Big Data Technology; Logistics Management; LDA Topic Model; CiteSpace

0 引言

大數(shù)據(jù)技術(shù)作為現(xiàn)代管理中的一種重要手段，已經(jīng)廣泛應(yīng)用于物流領(lǐng)域。通過對(duì)大量數(shù)據(jù)的收集、挖掘和分析，物流企業(yè)可以更好地優(yōu)化運(yùn)營(yíng)流程、提高物流效率、降低成本，并提升客戶體驗(yàn)和滿意度。本文對(duì)物流管理中的大數(shù)據(jù)分析和挖掘技術(shù)的應(yīng)用進(jìn)行梳理和總結(jié)，旨在為物流企業(yè)提供更多的思路和支持。

1 研究方法與數(shù)據(jù)來(lái)源

1.1 研究方法

CiteSpace是一款用于計(jì)量和分析科學(xué)文獻(xiàn)數(shù)據(jù)的信息可視化軟件，通過繪制科學(xué)和技術(shù)領(lǐng)域發(fā)展的知識(shí)圖譜，直觀地展現(xiàn)科學(xué)知識(shí)領(lǐng)域的信息全景，了解某一科學(xué)領(lǐng)域中的關(guān)鍵文獻(xiàn)、熱點(diǎn)研究和前沿方向[1]。LDA（Latent Dirichlet Allocation）是一種經(jīng)典的無(wú)監(jiān)督主題建模方法，用于推測(cè)文檔的主題分布，可以準(zhǔn)確地反映文獻(xiàn)之間的關(guān)系，適用于理解和分析文獻(xiàn)數(shù)據(jù)[2]。本文利用CiteSpace和LDA主題模型分析大數(shù)據(jù)技術(shù)在物流領(lǐng)域的研究狀況與動(dòng)態(tài)。

1.2 數(shù)據(jù)來(lái)源

本文使用Web of Science核心合集，基于關(guān)鍵詞“big data”“l(fā)ogistics”和“artificial intelligence”“l(fā)ogistics”，檢索了2011-2022年出版的共3 497篇文獻(xiàn)，類型為“all document types”。使用Endnote軟件對(duì)文章的領(lǐng)域進(jìn)行篩選，剔除與本研究無(wú)關(guān)的文章，得到408篇論文作為本次研究的分析對(duì)象。對(duì)文獻(xiàn)進(jìn)行初步的年度分析，文獻(xiàn)發(fā)布時(shí)間分布如圖1所示。

由圖1可知，大數(shù)據(jù)技術(shù)在物流領(lǐng)域的研究整體呈上升趨勢(shì)。其中，2017年以后研究梳理開始迅速增長(zhǎng)，2021年發(fā)文數(shù)量達(dá)106篇。2018-2022年的發(fā)文數(shù)量共368篇，占整體的90.2%，表明大數(shù)據(jù)在物流領(lǐng)域的研究逐漸增多。

2 大數(shù)據(jù)在物流領(lǐng)域的研究現(xiàn)狀

2.1 文獻(xiàn)合作分析

基于CiteSpace文獻(xiàn)合作分析發(fā)現(xiàn)，大數(shù)據(jù)技術(shù)在物流領(lǐng)域的應(yīng)用研究中，中國(guó)發(fā)表頻次最高，而英國(guó)的中心性指標(biāo)最高（表1）。兩國(guó)在研究方面的合作主要包括大數(shù)據(jù)技術(shù)在跨境電商物流中的應(yīng)用、物流網(wǎng)絡(luò)優(yōu)化與規(guī)劃、集成多源數(shù)據(jù)的物流決策支持系統(tǒng)、數(shù)據(jù)隱私與安全保護(hù)和綠色物流與可持續(xù)發(fā)展等。

2.2 文獻(xiàn)共被引分析

基于CiteSpace的文獻(xiàn)共被引分析（表2）發(fā)現(xiàn)，研究的內(nèi)容多圍繞大數(shù)據(jù)與供應(yīng)鏈的關(guān)系以及大數(shù)據(jù)為供應(yīng)鏈帶來(lái)的契機(jī)和機(jī)遇。Kache等[3]認(rèn)為公司可以通過應(yīng)用大數(shù)據(jù)分析獲得成本優(yōu)勢(shì)。同時(shí)大數(shù)據(jù)和供應(yīng)鏈結(jié)合也起到了很好的作業(yè)效果，Dubey等[4]發(fā)現(xiàn)大數(shù)據(jù)技術(shù)（BDT）作為信息時(shí)代的新興產(chǎn)物，能快速分析和處理大量數(shù)據(jù)、挖掘供應(yīng)鏈管理中的信息價(jià)值，為閉環(huán)供應(yīng)鏈（CLSC）帶來(lái)了機(jī)遇和挑戰(zhàn)。

大數(shù)據(jù)技術(shù)可以普遍應(yīng)用在物流的諸多問題中。Ben-Daya等[5]通過對(duì)代表性文獻(xiàn)進(jìn)行計(jì)量分析，預(yù)測(cè)了維修領(lǐng)域、虛擬網(wǎng)絡(luò)流程設(shè)計(jì)優(yōu)化、成本問題、車輛路徑問題、質(zhì)量控制物流等問題。

高被引論文分析表明，目前大數(shù)據(jù)對(duì)供應(yīng)鏈管理的分析與影響是熱度比較高的話題。Ivanov等[6]的研究顯示大數(shù)據(jù)分析屬于數(shù)字化對(duì)供應(yīng)鏈設(shè)計(jì)彈性的研究新方向，有助于庫(kù)存數(shù)量的制定。Papadopoulos等[7]運(yùn)用內(nèi)容分析和驗(yàn)證性因素分析（CFA）對(duì)震后救災(zāi)人員的回復(fù)進(jìn)行分析發(fā)現(xiàn)，“大數(shù)據(jù)”領(lǐng)域在優(yōu)化恢復(fù)策略和管理供應(yīng)鏈網(wǎng)絡(luò)方面顯示出巨大潛力。

3 大數(shù)據(jù)研究動(dòng)態(tài)

3.1 文獻(xiàn)研究熱點(diǎn)

基于CiteSpace對(duì)文獻(xiàn)對(duì)象進(jìn)行突現(xiàn)詞檢測(cè)，設(shè)置狀態(tài)數(shù)為2，在0～1的區(qū)間里取值0.5，結(jié)果如圖2所示。同時(shí)，按照3年一個(gè)單位，將文獻(xiàn)中運(yùn)用到的大數(shù)據(jù)技術(shù)或方法進(jìn)行關(guān)鍵詞提取，結(jié)果如表3所示。

關(guān)鍵詞突現(xiàn)分析表明，數(shù)據(jù)科學(xué)、可預(yù)測(cè)分析、智能算法、工業(yè)4.0、逆向物流、物聯(lián)網(wǎng)、人工智能等主題是物流管理領(lǐng)域不同時(shí)期的研究熱點(diǎn)。

此外，通過觀察發(fā)現(xiàn)關(guān)鍵詞突現(xiàn)與高頻關(guān)鍵詞大部分重合，表明物流管理領(lǐng)域的研究熱點(diǎn)離不開新興技術(shù)，學(xué)者們通過使用大數(shù)據(jù)技術(shù)不斷解決和改善現(xiàn)存的物流問題。隨著Web2.0技術(shù)的興起，強(qiáng)化學(xué)習(xí)也被運(yùn)用于物流問題。Sadrnia等[8]提出了多目標(biāo)引力搜索算法（MOGSA）來(lái)求解數(shù)學(xué)模型，有效應(yīng)用于環(huán)境友好型汽車供應(yīng)鏈中優(yōu)化成本和二氧化碳排放的戰(zhàn)略規(guī)劃。且在過去10年里，研究人員通過開發(fā)和應(yīng)用元啟發(fā)式以及基于蟻群的算法，解決了許多復(fù)雜的供應(yīng)鏈配置和物流問題，為專家和智能系統(tǒng)的知識(shí)體系發(fā)展、完善作出了貢獻(xiàn)[9]。2020年開始，物聯(lián)網(wǎng)的出現(xiàn)導(dǎo)致了許多領(lǐng)域范式轉(zhuǎn)變，包括物流和可能性，為人與物之間的通信和“物”之間的自主協(xié)調(diào)提供了新功能，實(shí)現(xiàn)了更高水平的供應(yīng)鏈可見性、敏捷性和適應(yīng)性[10]。2020-2022年，人工智能技術(shù)的不斷成熟，其在物流領(lǐng)域的應(yīng)用也更加廣泛。Tsolakis等[11]將人工智能和區(qū)塊鏈技術(shù)運(yùn)用于供應(yīng)鏈，擴(kuò)展運(yùn)營(yíng)績(jī)效邊界，促進(jìn)其可持續(xù)發(fā)展和數(shù)據(jù)貨幣化。

越來(lái)越多的研究人員開始關(guān)注大數(shù)據(jù)技術(shù)在物流領(lǐng)域的應(yīng)用，學(xué)者們不斷使用新興技術(shù)去探索和解決物流問題。隨著不斷出現(xiàn)的大數(shù)據(jù)技術(shù)，從互聯(lián)網(wǎng)到3D打印機(jī)，從智能算法、區(qū)塊鏈技術(shù)再到最近的物聯(lián)網(wǎng)，物流領(lǐng)域的研究熱點(diǎn)與大數(shù)據(jù)技術(shù)的發(fā)展密切相關(guān)。大數(shù)據(jù)不僅給物流企業(yè)提供了更多的信息和數(shù)據(jù)，同時(shí)也豐富了物流領(lǐng)域的研究理論和方法。

3.2 大數(shù)據(jù)對(duì)關(guān)鍵詞演變的影響

本文比較了高德納技術(shù)成熟度曲線與文獻(xiàn)中運(yùn)用的大數(shù)據(jù)技術(shù)，制作了關(guān)鍵詞頻率圖（圖3）。分析顯示，隨著大數(shù)據(jù)等相關(guān)技術(shù)的不斷出現(xiàn)和發(fā)展，它們也被逐漸應(yīng)用到物流管理研究領(lǐng)域，促進(jìn)了物流領(lǐng)域研究的先進(jìn)性與多元性。

從高德納技術(shù)曲線可知，2011-2013年人工智能技術(shù)開始萌芽。Ilter[12]研究發(fā)現(xiàn)人工智能開始應(yīng)用于供應(yīng)鏈管理（SCM）系統(tǒng)。截至2023年，人工智能已經(jīng)廣泛應(yīng)用于供應(yīng)鏈、數(shù)據(jù)收集處理、智能配送、優(yōu)化路線、智能客服等多個(gè)領(lǐng)域，降低了成本，提高了作業(yè)效率。

2015年開始，智能算法開始應(yīng)用于物流領(lǐng)域。Moncayo-Martinez等[13]提出了一種基于智能水滴算法設(shè)計(jì)和配置優(yōu)化供應(yīng)鏈，降低了銷售商品的成本和交付周期。Holimchayachotikul等[14]提出了一種基于粒子群優(yōu)化的神經(jīng)模糊混合預(yù)測(cè)性能測(cè)量系統(tǒng)，以提高銷售效率和目標(biāo)績(jī)效。這些智能算法在供應(yīng)鏈成本、庫(kù)存成本、銷售業(yè)績(jī)等方面均起到了正向的支持和作用。

2016年，機(jī)器學(xué)習(xí)發(fā)展達(dá)到了膨脹期。同期，物流領(lǐng)域也有越來(lái)越多的研究開始嘗試使用機(jī)器學(xué)習(xí)。Kuenzel等[15]將機(jī)器學(xué)習(xí)、決策理論和分布式人工智能結(jié)合設(shè)計(jì)了一個(gè)測(cè)試瀝青路面施工的多智能體系統(tǒng)（MAS），節(jié)省了員工作業(yè)成本，減少施工預(yù)算和進(jìn)度。Yuan等[16]將機(jī)器學(xué)習(xí)和人機(jī)交互技術(shù)相結(jié)合，構(gòu)建了供應(yīng)鏈管理模型，取得了良好的效果。Feizabadi[17]提出了一種基于機(jī)器學(xué)習(xí)的混合需求預(yù)測(cè)方法，實(shí)現(xiàn)了對(duì)供應(yīng)鏈績(jī)效的改進(jìn)。機(jī)器學(xué)習(xí)的應(yīng)用為決策者提供了戰(zhàn)略支持，同時(shí)也提高生產(chǎn)力、效益、供應(yīng)鏈可持續(xù)性和客戶忠誠(chéng)度。

2017年，物聯(lián)網(wǎng)平臺(tái)發(fā)展到了希望期。Yan等[18]根據(jù)物聯(lián)網(wǎng)下農(nóng)業(yè)供應(yīng)鏈定量模型的結(jié)果，提出了風(fēng)險(xiǎn)管理措施。Dweekat等[19]通過案例研究表明，物聯(lián)網(wǎng)能實(shí)時(shí)收集數(shù)據(jù)，實(shí)現(xiàn)供應(yīng)鏈內(nèi)的實(shí)時(shí)通信，提高數(shù)據(jù)效率，增強(qiáng)了供應(yīng)鏈管理。同時(shí)，物聯(lián)網(wǎng)在自動(dòng)化倉(cāng)庫(kù)、庫(kù)存管理、預(yù)測(cè)信息、定位跟蹤等方面的應(yīng)用也讓物流企業(yè)的發(fā)展實(shí)現(xiàn)了進(jìn)一步的跨越。

2018年，數(shù)字孿生已經(jīng)達(dá)到了技術(shù)成熟期。Marmolejo-Saucedo[20]設(shè)計(jì)了一種基于數(shù)字孿生概念的供應(yīng)鏈決策工具，實(shí)現(xiàn)了供應(yīng)鏈利益相關(guān)者之間信息共享，提高了產(chǎn)品和流程的可見性。Dafraeye等[21]開發(fā)了一個(gè)水果產(chǎn)品的數(shù)字孿生，改善了冷藏流程和物流，使冷藏供應(yīng)鏈更環(huán)保。數(shù)字孿生通過對(duì)物流情景的模擬和優(yōu)化能有效提高物流效率、物流安全性以及用戶體驗(yàn)，降低物流成本，物流企業(yè)需積極應(yīng)用數(shù)字孿生技術(shù)以提高企業(yè)的競(jìng)爭(zhēng)力。

2019年開始，隨著深度學(xué)習(xí)的應(yīng)用發(fā)展，Guo等[22]將深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)引入到跨境物流和供應(yīng)鏈，優(yōu)化了現(xiàn)有的跨境物流和供應(yīng)鏈網(wǎng)絡(luò)。深度學(xué)習(xí)已經(jīng)滲透到了物流配送、預(yù)估風(fēng)險(xiǎn)、供應(yīng)鏈管理、物流信息化建設(shè)等多個(gè)領(lǐng)域，未來(lái)會(huì)有更多學(xué)者通過深度學(xué)習(xí)的方法和技術(shù)解決更多的物流問題。

2020年，區(qū)塊鏈技術(shù)已經(jīng)發(fā)展成熟。Mandolla等[23]提出將區(qū)塊鏈和供應(yīng)鏈結(jié)合增強(qiáng)供應(yīng)鏈管理的透明度和安全性。目前區(qū)塊鏈技術(shù)在貨物追溯、智能合約、數(shù)據(jù)共享、防偽溯源、數(shù)字貨幣支付等多個(gè)物流領(lǐng)域均有應(yīng)用。

不斷新生的技術(shù)也在同步地應(yīng)用于物流領(lǐng)域的各個(gè)方面，即大數(shù)據(jù)在物流領(lǐng)域的研究熱點(diǎn)離不開同一時(shí)期的新興技術(shù)。技術(shù)在物流行業(yè)的發(fā)展中扮演著非常重要的角色，其不僅提高了物流效率、降低了成本，還改變了物流產(chǎn)業(yè)的商業(yè)模式和運(yùn)營(yíng)方式。物流研究和企業(yè)需要更加積極地關(guān)注、應(yīng)用新技術(shù)，推動(dòng)行業(yè)的快速發(fā)展。

除此之外，參考高德納技術(shù)成熟度曲線還發(fā)現(xiàn)，當(dāng)技術(shù)到達(dá)成熟期后，其在物流領(lǐng)域的應(yīng)用也更加廣泛。例如，可預(yù)測(cè)分析技術(shù)在2010年處于復(fù)蘇期，2011-2012年向著成熟期邁進(jìn)，2013年到達(dá)成熟期。且在技術(shù)成熟以后，該技術(shù)在物流領(lǐng)域的研究呈現(xiàn)大幅度的增長(zhǎng)，如圖4所示。由此可見，技術(shù)運(yùn)用越成熟，在相關(guān)領(lǐng)域的應(yīng)用則越廣泛、深入。

3.3 研究主題演變分析

對(duì)數(shù)據(jù)源408篇文獻(xiàn)進(jìn)行LDA主題分析，經(jīng)過一致性檢驗(yàn)確定主題數(shù)量為2，結(jié)果如表4所示。

在主題1中，大數(shù)據(jù)技術(shù)的應(yīng)用可以提高物流效率和可持續(xù)發(fā)展水平，主要體現(xiàn)在以下幾個(gè)方面：供應(yīng)鏈管理優(yōu)化、回收物流、綠色物流、可持續(xù)性發(fā)展物流等。Shahidzadeh等[24]利用人工智能改善逆向物流決策。Yildizbasi等[25]基于大數(shù)據(jù)分析設(shè)計(jì)了一種混合MCDM技術(shù)幫助企業(yè)確定最有效的綠色供應(yīng)商。

Mageto等[26]通過對(duì)Scopus文獻(xiàn)進(jìn)行分析和研究，給出物流服務(wù)供應(yīng)商管理公司應(yīng)發(fā)展可持續(xù)性和技術(shù)的能力，包括逆向物流的建議。因此可持續(xù)性發(fā)展對(duì)物流企業(yè)的發(fā)展至關(guān)重要。

主題2中，大數(shù)據(jù)技術(shù)在智能供應(yīng)鏈管理和數(shù)字化決策支持方面的應(yīng)用主要體現(xiàn)在以下幾個(gè)方面：數(shù)據(jù)采集和處理、預(yù)測(cè)與優(yōu)化、實(shí)時(shí)監(jiān)控、決策支持、風(fēng)險(xiǎn)評(píng)估、價(jià)值預(yù)估等。管理人員需要更好地理解和了解區(qū)塊鏈技術(shù)的實(shí)施，有助于在不確定和復(fù)雜的商業(yè)環(huán)境和供應(yīng)鏈生態(tài)系統(tǒng)中將風(fēng)險(xiǎn)管理目標(biāo)和優(yōu)先事項(xiàng)與區(qū)塊鏈技術(shù)的實(shí)施相結(jié)合[27]。Nayal等[28]發(fā)現(xiàn)人工智能對(duì)供應(yīng)鏈風(fēng)險(xiǎn)緩解能產(chǎn)生了積極影響。Xu等[29]通過引入多智能體實(shí)現(xiàn)物流服務(wù)異常監(jiān)控。Huang等[30]使用粒子群算法對(duì)物流中心的選址進(jìn)行優(yōu)化。這些研究表明，大數(shù)據(jù)技術(shù)與方法可以顯著改善物流效率，給管理者提供決策支持。

4 研究結(jié)論與展望

本文從Web of Science數(shù)據(jù)庫(kù)中選取408篇文獻(xiàn)進(jìn)行分析，得到了以下結(jié)論：

①?gòu)奈墨I(xiàn)地區(qū)分布和發(fā)表時(shí)間來(lái)看，2013年開始，大數(shù)據(jù)在物流領(lǐng)域的相關(guān)文獻(xiàn)發(fā)表數(shù)量逐漸增多。

②根據(jù)文獻(xiàn)共被引分析可知，高被引文獻(xiàn)大多圍繞大數(shù)據(jù)與供應(yīng)鏈的關(guān)系以及大數(shù)據(jù)為供應(yīng)鏈帶來(lái)的契機(jī)和機(jī)遇展開研究。

③新興技術(shù)的出現(xiàn)推動(dòng)著物流行業(yè)的不斷發(fā)展，且技術(shù)成熟后在物流領(lǐng)域的應(yīng)用更加廣泛。

④基于數(shù)據(jù)和物流的可持續(xù)性發(fā)展研究以及基于技術(shù)和信息的數(shù)字化決策代表著現(xiàn)階段大數(shù)據(jù)技術(shù)在物流領(lǐng)域的應(yīng)用研究前沿。

現(xiàn)階段在物流領(lǐng)域，大數(shù)據(jù)的應(yīng)用已經(jīng)取得了顯著成果。然而，要充分發(fā)揮大數(shù)據(jù)的優(yōu)勢(shì)，還需要進(jìn)一步完善相關(guān)的技術(shù)、政策和管理體系，同時(shí)加強(qiáng)對(duì)數(shù)據(jù)隱私和安全的保護(hù)，并探索更多創(chuàng)新性的應(yīng)用場(chǎng)景，以推動(dòng)物流行業(yè)的數(shù)字化轉(zhuǎn)型和高質(zhì)量發(fā)展。未來(lái)可結(jié)合多個(gè)數(shù)據(jù)來(lái)源進(jìn)行更全面的分析。

參考文獻(xiàn)：

[1] 侯劍華，胡志剛.CiteSpace軟件應(yīng)用研究的回顧與展望[J].現(xiàn)代情報(bào)，2013，33（4）：99-103.

[2] LI X， ZHANG Y， ZHANG R. Self-weighted unsupervised LDA [J]. IEEE Transactions on Neural Networks and Learning Systems， 2017， 34（8）： 1627-1632.

[3] KACHE F， SEURING S. Challenges and opportunities of digital information at the intersection of big data analytics and supply chain management [J]. International Journal of Operations amp; Production Management， 2017， 37（1）： 10-36.

[4] DUBEY R， GUNASEKARAN A， CHILDE S J. Big data analytics capability in supply chain agility： the moderating effect of organizational flexibility [J]. Management Decision， 2018， 57（8）： 2092-2112.

[5] BEN-DAYA M， HASSINI E， BAHROUN Z. Internet of things and supply chain management： a literature review [J]. International Journal of Production Research， 2017， 57（15-16）： 4719-4742.

[6] IVANOV D， DOLGUI A. A digital supply chain twin for managing the disruption risks and resilience in the era of industry 4.0 [J]. Production Planning amp; Control， 2020， 32（9）： 775-788.

[7] PAPADOPOULOS T， GUNASEKARAN A， DUBEY R， et al. The role of big data in explaining disaster resilience in supply chains for sustainability [J]. Journal of Cleaner Production， 2017， 142（10）： 1108-1118.

[8] SADRNIA A， ISMAIL N， ZULKIFLI N， et al. A multi-objective optimization model in automotive supply chain networks [J]. Mathematical Problems in Engineering， 2013（8）： 123-145.

[9] MONCAYO-MARTNEZA L， MASTROCINQUE E. A multi-objective intelligent water drop algorithm to minimise cost of goods sold and time to market in logistics networks [J]. Expert Systems with Applications， 2016， 64：295-312.

[10] CHEN Y T， SUN E W， CHANG M F， et al. Pragmatic real-time logistics management with trafficIoT infrastructure：big data predictive analytics of freight travel time for Logistics 4.0 [J]. International Journal of Production Economics， 2021， 238：107-120.

[11] TSOLAKIS N， SCHUMACHER R， DORA M， et al. Artificial intelligence andblockchain implementation in supply chains： a pathway to sustainability and data monetisation？ [J]. Annals of Operations Research， 2022，9：1-19.

[12] ILTER H K. A methodology for the exploration of supply chainarchitecture[J]. African Journal of Business Management， 2011， 5（22）： 9334-9339.

[13] MONCAYO-MARTINEZ L A， MASTROCINQUE E. A multi-objective intelligent water drop algorithm tominimise cost of goods sold and time to market in logistics networks[J]. Expert Systems with Applications， 2015， 64： 455-466.

[14] HOLIMCHAYACHOTIKUL P， LEKSAKUL K. Predictive performance measurement system for retail industry using neuro-fuzzy system based on swarmintelligence[J]. Soft Computing， 2017， 21（7）： 1895-1912.

[15] KUENZEL R， TEIZER J， MUELLER M， et al.Smartsite： intelligent and autonomous environments， machinery， and processes to realize smart road construction projects[J]. Automation in Construction， 2016， 71： 21-33.

[16] YUAN G H， WU S， WANG B. Supply chain management model based on machine learning[J]. Neural Computing amp; Applications， 2022， 35（6）： 4319-4335.

[17] FEIZABADI J. Machine learning demand forecasting and supply chain performance [J]. International Journal of Logistics-Research and Applications， 2022， 25（2）： 119-142.

[18] YAN B， WANG X N， SHI P. Risk assessment and control of agricultural supply chains under Internet ofThings[J]. Agrekon， 2019， 56（1）： 1-12.

[19] DWEEKAT A J， HWANG G， PARK J. A supply chain performance measurement approach using the internet of things toward more practical SCPMS[J]. Industrial Management amp; Data Systems， 2017， 117（2）： 267-286.

[20] MARNNOLEJO-SAUCEDO J A. Design and development of digital twins： a case study in supplychains[J]. Mobile Networks amp; Applications， 2020， 25（6）： 2141-2160.

[21] DEFRAEYE T， TAGLIAVINI G， WU W T， et al. Digital twins probe into food cooling and biochemical quality changes for reducing losses in refrigerated supply chains[J]. Resources Conservation and Recycling， 2021， 149： 778-794.

[22] GUO H L， ZOU T. Cross-border e-commerce platform logistics and supply chain network optimization based on deep learning [J]. Mobile Information Systems， 2022，5：1-16.

[23] MANDOLLA C， PETRUZZELLI A M， PERCOCO G， et al. Building a digital twin for additive manufacturing through the exploitation ofblockchain： a case analysis of the aircraft industry [J]. Computers in Industry， 2019， 109： 134-152.

[24] HAHIDZADEH M H， SHOKOUHYAR S， JAVADI F， et al. Unscramble social media power for waste management： a multilayer deep learning approach [J]. Journal of Cleaner Production， 2021， 377：126-215.

[25] YILDIZBASI A， ARIOZ Y. Green supplier selection in new era for sustainability： a novel method for integrating big data analytics and a hybrid fuzzy multi-criteria decision making [J]. Soft Computing， 2022， 26（1）： 253-270.

[26] MAGETO J. Current and future trends of information technology and sustainability in logistics outsourcing [J]. Sustainability， 2022， 14（13）：7609-7612.

[27] CHOWDHURY S， RODRIGUEZ ESPINDOLA O， DEY P， et al.Blockchain technology adoption for managing risks in operations and supply chain management： evidence from the UK [J]. Annals of Operations Research， 2022，25：1-24.

[28] NAYAL K， RAUT R， PRIYADARSHINEE P， et al. Exploring the role of artificial intelligence in managing agricultural supply chain risk to counter the impacts of the COVID19 pandemic [J]. International Journal of Logistics Management， 2022， 33（3）： 744-772.

[29] XU D M， WIJESOORIYA C， WANG Y G， et al.Outbound logistics exception monitoring： a multi-perspective ontologies' approach with intelligent agents [J]. Expert Systems with Applications， 2011， 38（11）： 13604-13611.

[30] HUANG Y Y， WANG X Y， CHEN H Y. Location selection for regional logistics center based on particle swarm optimization [J]. Sustainability， 2022， 14（24）：16358-16375.

（責(zé)任編輯：吳 漢）

基金項(xiàng)目：湖北省教育廳人文社會(huì)科學(xué)一般項(xiàng)目“社會(huì)化云視域下的情感分析在新型在線學(xué)習(xí)模式中的設(shè)計(jì)和實(shí)踐研究”（18Y081）；湖北省普通高校人文社會(huì)科學(xué)重點(diǎn)研究基地企業(yè)決策支持研究中心科學(xué)研究計(jì)劃“基于GNN的病毒傳播預(yù)測(cè)研究”（204004003）

作者簡(jiǎn)介：萬(wàn)欣（1973-），女，博士，武漢紡織大學(xué)管理學(xué)院副教授，研究方向：數(shù)據(jù)挖掘、推薦系統(tǒng)和知識(shí)管理；石琳（2000-），女，武漢紡織大學(xué)管理學(xué)院碩士研究生，研究方向：物流信息系統(tǒng)設(shè)計(jì)與管理；袁海曼（1998-），女，武漢紡織大學(xué)管理學(xué)院碩士研究生，研究方向：管理科學(xué)與工程。