利用未来重要性分析评估绿色物流和供应链韧性：机器学习与多标准决策方法

《Business Strategy and the Environment》：Assessing Green Logistics and Supply Chain Resilience With Future Importance Analysis: Machine Learning and Multicriteria Decision-Making Approach

该研究通过机器学习与MCDM方法分析供应链中可持续因素对韧性的影响，发现订单履行率对模型预测贡献最大，而绿色物流指标短期效果有限，需政策干预。

　　

摘要

本研究探讨了以可持续性为导向的因素在供应链管理中的有效性及其对供应链韧性的影响。利用从Kaggle平台获取的“采用绿色物流的供应链管理”数据集，通过机器学习和多标准决策（MCDM）方法分析了69家公司的19个基本供应链组成部分。研究使用了随机森林（Random Forest）、梯度提升（Gradient Boosting）、XGBoost、LightGBM、CatBoost、MLPRegressor、Lasso、Ridge、SVR、AdaBoost和ExtraTrees等算法进行建模，并通过RMSE、MSE、MAE、MAPE和R2等性能指标进行评估，结果显示AdaBoost算法表现最佳。为了提升模型性能，采用了五折交叉验证（K-fold cross-validation）和GridSearch超参数优化方法。在特征重要性分析中，“订单履行率”成为影响最大的变量，而以可持续性为导向的变量（回收率、碳排放量和可再生能源使用率）的重要性较低。研究结果表明，最重要的变量是订单履行率和客户满意度。对于采用绿色运营流程的公司而言，传统的供应链要素更为关键。通过ADAM、CoCoSo和MABAC方法进行的敏感性分析考察了这些变量权重变化对研究结果的影响。研究发现，绿色物流实践在短期内对企业的效率提升作用有限，强调了将这些因素纳入战略规划过程的重要性。这表明环境可持续性应通过政策干预而非市场机制来推动。为此，需要实施结构性政策调整，例如为绿色物流投资提供税收优惠和适当的融资支持，同时通过认证鼓励低碳物流运营，并为相关企业赋予竞争优势。

利益冲突

作者声明不存在利益冲突。