碳约束下的运营韧性：全球供应链的社会技术多智能体方法

《Systems》：Operational Resilience Under Carbon Constraints: A Socio-Technical Multi-Agentic Approach to Global Supply Chains Rashanjot Kaur, Triparna Kundu, Bhanu Sharma, Kathleen Marshall Park and Eugene Pinsky

　　

摘要部分：高风险物流，被定义为延迟、质量损失或不合规会导致严重人身安全、财务或地缘政治后果的供应链，是更广泛现实的一个突出例证：全球供应链是安全关键、成本关键且时间关键的社会技术系统，其中预测质量、供应商协调和运营决策共同影响着服务水平与利益相关方的福祉。与此同时，脱碳压力以及人工智能（AI）在规划和控制中的日益广泛应用，为能源、计算和实体物流带来了新的风险与权衡。研究人员开发了一个多智能体框架，该框架借鉴以下三个维度来建模供应链体系系统（System-of-Systems）动态：（1）供应链决策功能（运输规划、寻源与供应商管理）；（2）决定电网碳强度的国家能源转型条件；以及（3）考虑AI决策支持的碳感知计算。在方法论上，研究人员将预测分析、无监督细分与智能碳成本（Carbon-Cost-of-Intelligence, CCI）层相结合，通过情景评估分析了从挪威到印度的国家能源转型概况如何影响AI计算碳强度（即训练和运行AI模型所需硬件与数据中心产生的碳排放）。研究人员引入了碳调整供应链绩效（Carbon-Adjusted Supply Chain Performance, CASP）指标，该指标将实体运输碳、适用的冷链开销以及AI计算碳整合到一个按包裹类型衡量的绩效指标中。研究分析为系统工程与环境管理提供了三项可操作的成果：碳、服务与成本的权衡前沿；治理杠杆（寻源组合规则、缓冲策略与计算策略）；以及用于预测中断放大的系统级预警指标。本研究实现了使用AWS Bedrock和Strands agents构建的工具增强型多智能体系统（协调器、风险与寻源智能体），其中基于大语言模型（LLM）的智能体通过结构化工具接口编排确定性分析引擎，并实现自适应查询生成。理论上，研究人员通过形式化包裹类型特定的碳-服务前沿，并将AI计算碳嵌入社会技术韧性框架，扩展了先前的体系系统和可持续供应链研究。实践上，CASP基准、治理杠杆分析以及多智能体实现为决策者提供了具体工具，使其能够在跨国比较承运商、路线和计算策略时，清晰揭示服务可靠性与总碳排放之间的权衡。

本研究聚焦于碳约束下全球供应链运营韧性的系统性挑战与量化评估。当前全球供应链作为复杂的社会技术体系系统，其运营决策在网络化的供应商、承运商和分销中心间相互传导。人工智能在需求预测、路径优化等供应链管理环节的加速应用，在提升运营效率的同时，也引入了计算碳成本与运营效率之间的新权衡。然而，现有供应链优化框架通常报告聚合性能指标，缺乏产品类别层面的细分，这阻碍了对异构供应链投资组合的精确碳足迹估算，也无法准确评估AI决策支持本身的碳成本。此外，产品类别约束（如冷链要求、服务水平目标）与碳优化潜力之间的关系尚未被量化，治理杠杆在不同能源转型情景下的有效性也缺乏实证验证。为应对这些挑战，本研究旨在：（i）开发一个能共同捕捉服务水平和排放的包类型级别碳调整绩效指标；（ii）设计并实现一个工具增强的多智能体架构，为现实世界的物流决策支持实施该指标；（iii）量化碳-服务权衡与优化潜力如何因包类型、治理杠杆和国家能源转型概况（如挪威、法国、美国、印度）而异。

研究人员采用了一个四层体系系统架构来实施研究：输出层、智能体层、分析后端层和数据层。研究基于一个包含25,000条交付记录的印度物流数据集，将供应链作业分为九种包裹类型（药品、电子产品、杂货、汽车零件、家具、文件、易碎品、服装、化妆品），并划分为三个风险等级（关键型、高价值型、标准型）。研究引入了CASP指标，该指标将实体运输碳（包含冷链乘数因子）与AI计算碳（基于模型能耗、推理次数和区域电网碳强度计算）整合为按包裹类型的绩效衡量标准。在方法上，研究人员结合了梯度提升模型用于成本回归和延误/准时分类、K-means聚类用于供应商细分、以及碳成本智能层来量化AI计算碳排放。多智能体系统由三个基于LLM的智能体（协调器、风险智能体、寻源智能体）构成，它们通过调用封装了确定性分析引擎（如预测模型、碳计算器、优化器）的结构化工具进行协作，支持语义包裹分类、自适应查询生成和约束感知路由优化。

研究结果揭示了不同包裹类型间显著的碳效率差异。关键型包裹（如药品、杂货）因冷链要求导致运输碳大幅增加（乘数因子为2.0至2.5），其碳优化潜力有限（仅约4%），而标准型包裹（如服装、化妆品）则因路由灵活性高，可实现约40%的碳减排。CASP指标证实了包类型级别评估的必要性，其值在关键型包裹（如药品，6.67 × 10^-4）与标准型包裹（如文件，16.72 × 10^-4）间存在显著差异。AI计算碳强度受区域电网碳排放因子影响巨大，挪威与印度之间存在20倍差异，但对于单次运输决策，其绝对量级远小于实体运输碳，仅在规模优化时才变得显著。治理杠杆分析表明，寻源组合规则（如偏好区域供应商）对标准型包裹的碳减排最有效（可达18%），而缓冲策略和计算策略的效果相对有限。系统生成了碳-服务-成本权衡前沿，并识别出供应商集中度、地理聚集和冷链脆弱性三个关键的中断放大预警指标。

研究人员在讨论部分指出，本研究将供应链视为体系系统的视角，揭示了组件级分析所忽视的涌现性权衡。CASP指标实现了类别级别的碳评估，凸显了产品类别异质性的重要性。多智能体系统通过将训练好的机器学习模型封装为工具，为LLM智能体提供了量化推理基础，增强了决策的可靠性和碳可追溯性。研究存在局限性，包括运输碳估算基于距离而非吨-公里，AI计算碳采用文献中的中位能耗值，以及分析基于特定数据集和区域。未来工作可将CASP扩展至包含范围三排放、利用实时边际电网强度进行优化，并在更多地理和承运商生态系统中进行验证。

结论部分总结：本研究引入了一个集成的多智能体框架，用于建模碳感知供应链评估的体系系统动态。该框架将实体运输碳、适用的冷链开销以及AI计算碳整合到CASP指标中，该指标衡量每个包裹类型的服务绩效与单位碳排放之比，揭示了关键型冷链包裹的碳效率显著低于标准型包裹。基于25,000条印度物流记录的经验分析产生了具体成果：预警延误预测F1值达0.954 ± 0.003（五折分层交叉验证），预测准确率为0.976；预测准时分类准确率为0.976 ± 0.002，F1值为0.984 ± 0.002（五折交叉验证）。关键型冷链包裹（如药品）的总碳排放远高于标准型包裹，优化潜力有限（约4%），而标准型包裹（如服装）的优化潜力约为40%。区域电网强度显著影响AI计算碳，但实体运输碳在单次运输决策的CASP中占主导。本研究的一项关键发现——AI赋能的供应链优化在不同包裹类型间具有数量级不同的投资回报率——具有直接的实践意义。组织应优先在标准型包裹类别中进行优化投资，因为路由灵活性可实现显著的碳减排。CASP指标和多智能体架构共同提供了包类型特定的评估方法，包含碳、服务与成本权衡前沿以及中断放大的预警指标。通过将运营可靠性视为能源、数字和物流动态耦合的涌现结果，本工作将系统理论从抽象原则推进为可持续供应链设计的实用工具。