《Systems》:Intercultural–AI Synergies for Supply Chain Resilience: A Bibliometric and Topic Modeling Review of Global Systems Research (2000–2025)
编辑推荐:
供应链韧性已成为组织在日益动荡的全球环境中运营的关键能力,其中断会通过相互关联的经济、技术和文化系统迅速传播。尽管人工智能(AI)和跨文化能力均被视为韧性供应链的战略使能因素,但考察二者组合系统影响的研究仍呈碎片化。本研究提供了一项整合文献计量与主题建模的综述
供应链韧性已成为组织在日益动荡的全球环境中运营的关键能力,其中断会通过相互关联的经济、技术和文化系统迅速传播。尽管人工智能(AI)和跨文化能力均被视为韧性供应链的战略使能因素,但考察二者组合系统影响的研究仍呈碎片化。本研究提供了一项整合文献计量与主题建模的综述,聚焦跨文化能力、人工智能与供应链韧性的交叉文献。研究人员利用从Web of Science核心合集(Web of Science Core Collection)和Scopus检索的文献数据,通过Biblioshiny和SciMAT分析科学产出、合作网络、概念簇和主题轨迹。为捕捉新兴概念模式,研究人员应用潜在狄利克雷分配(LDA)主题建模,识别出35个潜在主题,随后组织为四个高阶宏观簇:全球风险系统(Global Risk Systems)、人工智能赋能韧性与预测系统(AI-Enabled Resilience and Predictive Systems)、人与组织能力(Human and Organizational Capabilities)以及供应链韧性与可持续全球运营(Supply Chain Resilience and Sustainable Global Operations)。结果表明,组织能力、人工智能技术与面向韧性的供应链研究之间日益趋同。尽管AI和韧性在整个数据集中成为主导性实证主题,跨文化能力主要作为一种新兴概念维度出现,与全球协调、跨境合作以及多元文化环境中的技术采用相关。据此,本研究将跨文化能力解释为一种补充性组织层面,可能支持全球供应链中AI赋能韧性策略的实施与有效性。
1. Introduction:论文指出全球供应链面临系统性波动、复杂依赖与风险跨国传播,COVID-19、地缘冲突、物流中断和能源危机暴露结构脆弱性;数字化转型与全球团队文化多样性增加不确定性管理、协调与跨文化决策挑战。文章认为供应链韧性、跨文化能力与人工智能(AI)三条文献流长期分离,缺乏统一系统框架,故基于2000—2025年文献,采用文献计量、SciMAT演化分析和潜在狄利克雷分配(LDA)主题建模,提出研究问题并构建“跨文化—AI韧性系统框架”。2. Literature Review:2.1 Supply Chain Resilience in Global Systems:供应链韧性是物流系统在不确定条件下承受、吸收、适应和恢复中断并维持关键功能的能力;全球化使网络复杂、相互依赖且地理分散,局部中断可级联传播。韧性被视为全球系统的涌现社会技术属性,由信息流、协作结构、跨国协调、端到端可见性、风险预判和结构灵活性决定;AI、大数据、数字孪生和区块链通过可见性、可追溯性和预测能力增强韧性,但技术有效性取决于多元文化情境中的采用。2.2 Intercultural Competence as a Systemic Human Capability:跨文化能力是在文化多样情境中有效且恰当互动的能力,整合知识、技能、态度和行为;它影响模糊性管理、视角差异协商和沟通策略调整,降低社会文化摩擦。文化差异影响风险感知、领导风格、决策偏好和模糊容忍度;“紧”与“松”文化在规范刚性和行为灵活性上不同。系统视角下,跨文化能力是影响信息流、协作质量和决策效果的“软基础设施”,也是促进AI等技术采用的组织资源。2.3 Artificial Intelligence as a Systemic Technological Capability:AI被视为系统技术能力,不仅自动化,还产生分析、预测和适应能力;供应链中用于风险预判、异常检测、路线优化、情景模拟和决策支持。AI增强端到端可见性、可追溯性和敏捷性,支持数字孪生模拟;但其有效性依赖社会文化情境,技术信任、决策偏好和算法自主感知影响采用。2.4 Synergies: Human–Technology–Global Systems:全球供应链韧性是人力能力、先进技术和全球结构动态互动的涌现现象。跨文化能力影响沟通、谈判和多元情境决策;AI提供分析、预测和决策支持,但形成自动化—增强悖论。可解释AI、信任、责任治理和人类监督重要;AI输出解释和应用依赖全球管理者的跨文化能力,文献提示二者存在潜在互补性,但互动程度仍需实证验证;全球系统提供结构情境,使韧性作为系统属性涌现。3. Research Methodology:研究采用混合方法,整合PRISMA 2020、文献计量和LDA主题建模。3.1 Research Design:设计包括按PRISMA 2020进行系统文献综述、文献计量映射领域结构与主题演化、LDA检测潜在主题;三角互证增强严谨性并支持多层次解释。3.2 PRISMA–Bibliometrics–SciMAT–LDA Triangulation:PRISMA提供透明筛选框架,Biblioshiny文献计量验证知识结构,SciMAT考察2002—2019、2020—2022、2023—2024和2025各时期主题演化,LDA提取潜在主题并丰富语义解释;三者趋同支持综合解释。3.3 Data Source, Search Strategy, and PRISMA Protocol:数据来自Web of Science核心合集和Scopus,WoS为主、Scopus用于三角互证;检索式同时包含供应链韧性、跨文化能力、AI和全球系统四维概念,限定2000—2025、文献类型和英语。筛选阶段使用文化智力、跨文化沟通、全球协调、AI驱动决策、预测分析、数字韧性等补充术语,但未纳入主检索式;最终语料为有意界定的交叉语料。3.4 Inclusion and Exclusion Criteria:按PRISMA三阶段识别、筛选和纳入;检索704条,去重166条,538篇筛选,排除164篇,374篇全文评估,再排除18篇,最终356篇。3.4.1 Inclusion Criteria:纳入需与四个概念域中至少两个显式相关、为同行评议文章/综述/会议论文、英文且发表于2000—2025年。3.4.2 Exclusion Criteria:排除边缘相关、方法严谨性不足或术语过泛、无法支持四域整合分析的研究。3.4.3 Extended Keyword Set Used During Screening:筛选阶段使用全球供应网络、跨文化协作、AI赋能物流、算法韧性、系统性中断、网络稳健性、文化多样性、数字生态系统、组织韧性等补充术语,仅用于相关性评估。3.4.4 Quality Assessment and Inter-Rater Agreement:用Cohen’s κ评估筛选一致性,观察一致0.944、期望一致0.750、κ=0.776(约0.79),表明评审者间高度一致;前后向引文追踪未增加合格研究。3.5 Bibliometric and Topic Modeling Analysis:文献计量用R的Bibliometrix包分析科学产出、共被引、关键词共现、主题演化和概念地图;LDA用LDAShiny包,语料含标题、摘要和关键词,经规范化、去标点、停用词过滤、SnowballC词干化和稀有词削减,保留二元词组,词汇缩减至5652项。测试k=5至40,综合一致性(Cv)、对数似然、主题碎片化、可解释性和稳定性,最终k=35,Cv=0.09706692;用Gibbs采样2000次迭代,重复运行5次平均Jaccard相似度0.87。主题标签经团队独立评审和迭代共识。4. Results:4.1 Co-Citation Analysis: Theoretical Foundations and Thematic Clusters:共被引形成三个概念核心:全球风险系统、AI赋能韧性、人与组织能力。前者关注中断传播、可行供应链和交织供应网络;中者关注AI、大数据、工业4.0、预测模型、区块链和IoT;后者关注动态能力、关系能力、全球领导力、组织适应和协作能力。跨文化能力未成为显式文献计量簇,但可在全球运营情境中推断。4.2 Co-Authorship Networks: Authors, Institutions and Countries:合作网络显示五个协作核,连接系统韧性理论、数字化与工业4.0、数字转型与运营韧性、大数据分析与AI、工业4.0与全球韧性;机构和国家网络显示全球分布,亚洲和北美集中AI与大数据研究,欧洲—亚洲—非洲合作及多区域风险分析明显,但跨文化能力不能仅从共同作者关系推断。4.3 Keyword Co-Occurrence Analysis: Conceptual Structures and Dominant Themes:关键词共现显示供应链韧性(107次)和人工智能(105次)主导,管理、供应链、韧性、机器学习、绩效、框架、模型、可持续性、大数据、COVID-19等高频。4.3.1 Cluster 1: Global Risk Systems:围绕供应链韧性、韧性、风险、风险管理、COVID-19和供应链管理,关注中断理解与供应链存续性。4.3.2 Cluster 2: AI-Enabled Resilience:围绕人工智能、机器学习、大数据、大数据分析、工业4.0、绩效、框架和模型,关注先进技术整合到韧性架构。4.3.3 Cluster 3: Human, Managerial and Organizational Capabilities:虽跨文化或领导力未显式高频,但管理、绩效、选择、可持续性和供应链管理指向管理能力、组织适应和人本维度;跨文化能力被解释为新兴概念视角。4.3.4 Representation of Intercultural Concepts Within the Dataset:跨文化相关概念存在于语料但频率显著低于韧性和AI主题,主要通过管理、组织和国际合作情境出现;2020年后更可见,但仍属新兴概念层而非主导文献计量流。4.4 Thematic Map and Its Evolution:主题图显示驱动主题为供应链韧性和人工智能,基础主题为管理、绩效、机器学习、模型和框架,新兴主题为数字孪生、区块链、自动化、数字化和工业5.0,niche主题为动态能力、资源基础观(RBV)、循环经济、粮食安全和医疗供应链;整体围绕系统韧性和AI技术,组织与人本能力为补充维度。4.5 Thematic Evolution (SciMAT Longitudinal View):SciMAT显示四阶段:2002—2019由系统、机器学习和算法主导;2020—2022转向韧性,供应链韧性、风险、模型、COVID-19等显著;2023—2024技术扩展,工业4.0、主题建模、供应链风险、全球供应链和中断管理突出;2025出现最强整合,AI、区块链、模型与供应链韧性互联,组织能力主要作为数字韧性策略的使能情境。4.6 Topic Modeling Results:LDA生成35个潜在主题,覆盖中断与运营绩效、组织与文化层、先进技术、安全可靠性、可持续性、风险传播、全球系统、可追溯性及医疗供应链等应用;主题归为四个宏观簇:全球风险系统(GRS)、AI赋能韧性与预测系统(AER)、人与组织能力(HOC)、供应链韧性与可持续全球运营(SCR SGO)。将LDA主题映射到SciMAT四时期显示:2002—2019形成性基础,跨文化维度几乎缺失;2020—2022数字化和早期AI采用,COVID-19加速医疗供应链主题;2023—2024趋同与系统整合,跨文化能力与全球协调讨论关联但仍次于韧性和AI;2025 AI、韧性和组织能力进一步整合。跨文化能力未成为独立潜在主题,应解释为多主题综合的高阶概念维度。5. Discussion:讨论认为AI与供应链韧性存在强主题关联,跨文化能力在文献计量结构和主题网络中显式代表较少,主要通过组织能力、国际合作、文化智力和全球管理主题反映,故支持概念性而非直接经验性趋同。AI治理和伦理日益重要,文化多样性影响算法自主性、透明性、问责和公平感知;跨文化能力可能促进更包容和情境敏感的AI实施。SciMAT显示从系统与机器学习主导向韧性、AI、可持续性和数字转型整合演进;LDA支持四个高阶维度。提出的跨文化—AI韧性系统框架综合文献模式,概念表征跨文化能力、AI和全球供应链结构的潜在互动,应视为文献综合概念命题而非经验验证因果机制。6. Intercultural–AI Resilience Systems: A Conceptual Synthesis Framework:第6节提出跨文化—AI韧性系统框架,基于共被引、关键词共现、SciMAT主题演化和LDA结果,综合跨文化能力、AI和全球供应链结构三维。跨文化能力被视为人与组织能力簇的理论推导扩展,受文化智力、跨文化沟通、全球协调和AI采用文献启发,而非数据集独立文献计量簇;框架提示三维互动可能贡献敏捷性、稳健性、适应性和恢复能力,但应解释为概念综合而非经验验证模型,未来需实证检验。7. Conclusions, Contributions, Research Limitations and Future Directions:7.1 Conclusions:研究整合文献计量、SciMAT和LDA,回应四个研究问题;韧性可解释为人类、技术和结构能力互动的社会技术现象,主题演化显示向AI赋能韧性和数字支持适应趋同,跨文化维度主要为新兴概念和组织视角,二者关系更强概念性而非经验巩固。7.2 Theoretical and Practical Contributions:提出跨文化—AI韧性系统框架作为概念整合框架,为管理者探索AI赋能韧性与组织能力关系提供概念指导,并识别跨文化—AI培训、跨文化数字孪生和跨文化韧性指标等有前景概念应用。7.3 Research Limitations and Future Directions:语料限于Web of Science和Scopus,LDA不总能捕捉细粒度文化差异,框架为概念性;未来需用调查、案例、纵向数据或混合方法验证,并探索预测性跨文化—AI模型、跨文化数字孪生、基于代理建模及循环供应链、区块链供应链和绿色全球运营等情境;跨文化分析依赖显式术语,可能遗漏隐含文化维度研究。8. Managerial Implications:管理启示强调将跨文化能力与AI整合视为组织韧性策略而非仅技术或人力资源举措;跨文化能力应纳入AI采用计划,因文化智力影响预测技术接受和有效使用;跨文化数字孪生和跨文化韧性指标可作为未来研究与管理实验方向,用于增强全球协调、端到端可见性和危机响应能力。