人工智能赋能的海运供应链韧性：一项系统性文献综述

《Journal of Marine Science and Engineering》：Artificial Intelligence-Enabled Maritime Supply Chain Resilience: A Systematic Literature Review

　　

海运供应链面临疫情、地缘政治冲突、极端天气、拥堵、设备故障和网络攻击等冲击。本综述考察了人工智能（AI）如何支撑海运供应链的韧性。研究人员于2026年8月26日检索了Web of Science核心合集，使用了交叉涵盖AI、韧性和海运供应链的检索词。检索共获得336条英文记录。经过时间一致性核查后，来自2018–2026年的328篇出版物构成了用于文献计量学分析和系统性内容分析的共同语料库；另有七篇早期研究被作为知识基础进行参考，一篇标注为2027年的记录被排除。通过CiteSpace图谱绘制、结构化编码和概念综合，研究得出了四项发现。第一，出版产出在2023年后加速增长，对关键词网络的领域知情编码识别出七个相互关联的主题，涵盖预测智能、数据基础设施、运营、协调、风险和可持续性。第二，文献集中于运营中断、安全和网络风险，并将机器学习（ML）、深度学习（DL）和强化学习（RL）主要应用于船舶和港口运营。第三，综合结果表明，AI间接贡献于韧性：模型输出必须转化为组织能力，并进入诸如资源重新分配、替代和网络重构等策略，之后才能影响抵抗、恢复、适应或转型。第四，大部分证据仍基于单一站点数据、仿真或常规运行条件，而非实际中断期间的因果评估。因此，本综述提出了一个理论驱动的框架，将冲击、AI技术、组织能力、韧性策略、结果和边界条件联系起来。

论文主体内容总结

1. 引言

海运承载着全球大部分长途贸易。其网络由船舶、航线、港口、码头、腹地运输系统、内陆物流节点以及协调它们的承运人、托运人、港口运营商和监管机构组成。高连通性带来了规模经济，但也使局部冲击能够通过服务、物流和贸易网络传播。COVID-19疫情限制了港口运营并改变了船舶行为；战略水道的干扰改变了港口和航线的选择；极端天气缩短了运营窗口期；网络攻击同时威胁数据、控制系统和决策规则。基于AIS的疫情研究记录了港口区域内船舶行为的结构性变化和区域交通模式的改变。对欧洲液化天然气（LNG）航运网络和红海危机的研究进一步表明，节点集中度、路径依赖和替代能力共同决定了冲击传播的程度。

传统上海洋管理优化的是船期可靠性、吞吐量、成本和能耗。然而，韧性要求系统能在冲击前识别风险并吸收扰动，在冲击后快速恢复，在持续不确定性下调整其结构，并在必要时过渡到新的运营模式。AI提供了从大数据流中提取系统状态、预测未来状况以及将预测与优化联系起来的技术手段。大量研究现已涉及船舶轨迹预测、预计到达时间（ETA）、港口吞吐量预测、设备故障诊断、泊位和堆场调度、航线规划以及网络风险识别。因此，核心问题已从AI能否提高效率转变为如何将其预测优势转化为跨节点和中断阶段的韧性能力。

现有综述大致分为四类：AI在海事安全与风险管理中的应用、智能航运与自动化港口、特定运营问题（如集成泊位-岸桥调度），以及海事网络安全与AI威胁检测。这些综述建立了重要的知识基础，但其分析单元通常是单艘船舶、单个港口或单一算法，很少提供连接外部冲击、技术、能力、策略和韧性结果的整合性解释。

2. 研究设计与方法

本研究结合了系统性文献综述、文献计量学分析、系统性内容分析和概念综合。PRISMA 2020指南被用于报告记录的识别、管理、筛选和纳入过程。数据来源于Web of Science核心合集，检索于2026年8月26日，在主题字段执行，交叉了三个布尔块：AI方法、韧性相关概念和海运供应链对象。初始导出包含336条记录，经时间一致性检查后，2018–2026年的328条记录构成主分析语料库。

纳入标准分两个层次：对于广泛的文献计量学语料库，记录需满足数据库查询条件且在2018–2026年间；对于实质性机制主张，研究还需涉及AI方法，考察海运对象，并将其输出与风险、连续性、恢复、适应、稳健性或关键赋能能力联系起来。证据成熟度采用设计敏感的分级体系进行评估：E1为概念性或二手证据；E2为基于常规历史或合成数据的模型性能；E3为明确的中断仿真、时间验证或外部情境验证；E4为实际中断分析、因果设计、现场实施或运营部署。

3. 人工智能赋能的海运供应链韧性研究的知识结构与演化

出版产出在2018至2026年间显著加速，经历了四个发展阶段：涌现期（2018-2019）强调算法可行性；能力扩展期（2020-2021）将深度学习引入港口和航运系统；风险整合期（2022-2023）因疫情和网络安全问题而快速增长；智能韧性期（2024-2026）引入了强化学习（RL）、数字孪生（digital twins）、联邦学习（federated learning）和生成式AI（generative AI）。

合作网络分析显示，作者层面存在多个紧密团队但跨团队联系较少；机构层面以海事大学和工程类组织为中心；国家层面，中国贡献了49.4%的产出，其次是韩国、新加坡、英国和美国。知识基础可归为三类：运营优化、数据驱动感知与预测、以及风险与韧性。关键词共现网络揭示了七个领域知情的主题类别：AI与预测智能、数据基础设施、海上运输与网络、港口与码头运营、决策与协调、风险安全与韧性、以及可持续性与能源转型。

4. 海运供应链中的外部冲击、AI技术与应用情境

文献关注五类冲击：地缘政治与贸易冲击、自然灾害与气候风险、公共卫生事件、港口与航运运营中断、以及信息与网络安全风险。这些冲击在频率、持续时间和可观测性上存在差异，直接影响AI的适用角色。

AI技术方面，传统机器学习（ML）和集成方法适用于中等样本量和可解释变量任务；深度学习（DL）和图学习擅长处理轨迹、图像和高维传感器数据；强化学习（RL）和多智能体方法适用于序列决策；自然语言处理（NLP）和生成式AI正越来越多地用于非结构化信息提取；计算机视觉、数字孪生和联邦学习构成了从感知到决策的集成栈。

应用情境涵盖船舶运营与航行安全、航线设计与班轮网络调整、港口与码头运营、运力与集装箱流管理、海港-腹地连接与多式联运、以及多主体风险管理与协同决策。研究表明，随着分析单元从船舶和港口节点扩展到端到端供应链，核心挑战从模型精度转向多主体间的目标冲突、信息延迟和协调激励。

5. AI赋能的海运供应链韧性机制的证据综合

AI技术不等同于韧性结果。本节考察了从技术输出到组织能力、再到韧性策略的转化机制。AI赋能的能力基础包括：风险识别能力、预测与预警能力、实时感知与供应链可见性、智能决策能力、以及动态优化与网络重构能力。这五种能力构成一个顺序依赖的系统，性能常由最薄弱的接口而非最精确的模型决定。

AI支持的韧性策略方面，能力通过资源重新分配、替代和网络重构等策略影响中断轨迹。证据表明，AI对韧性的贡献是间接的：模型输出必须先成为组织能力，再进入可行策略，才能最终影响抵抗、恢复、适应或转型。许多证据仍基于单一站点数据、仿真或常规条件，缺乏实际中断期间的因果评估。