《Logistics》：Quantifying Transparency in Production Logistics: An Improved Process Modelling Technique for Supporting Digital Transformation
Krisztián Bóna and
Petra Molnár-Major
编辑推荐：
本研究针对生产系统中支持性物流活动在数字模型中常被忽略，导致数字表示准确性降低和运营决策欠优的问题，开展了一项关于生产物流数字化透明度量化的研究。研究人员提出了一种扩展的过程建模方法和相关指标，通过在一个物理实验室模型上进行测试，验证了该方法在界定物流过程建模深度与位置、量化数字透明度方面的有效性。这项工作为生产物流的数字集成提供了重要基础，并支持未来研究中为工业应用开发更有效的数字孪生（Digital Twin, DT）模型。
在现代化的制造工厂中，生产线高效运转的背后，隐藏着一个复杂而关键的支持系统——生产物流。它负责物料的搬运、储存、信息流管理，是价值创造不可或缺的一环。然而，在当今制造业轰轰烈烈的数字化浪潮中，一个尴尬的现象是：核心制造过程已被广泛建模和仿真，但支撑其运行的物流活动却常常在数字世界中“消失”了。这就像是只给机器拍了X光片，却忽略了输送血液的血管网络。这种缺失导致数字模型无法准确反映现实，企业难以精确评估物流成本、预测瓶颈，甚至可能基于不完整的数字信息做出次优的运营决策。那么，如何让这些“隐形”的物流活动在数字世界中清晰可见，并对其透明程度进行量化评估，从而为构建高保真的数字孪生奠定坚实基础呢？这正是Krisztián Bóna和Petra Molnár-Major在发表在《Logistics》上的研究所要解决的核心问题。
为了回答上述问题，研究人员开展了一项系统性研究。首先，他们通过文献综述，分析了制造业数字化解决方案，特别关注了生产物流活动的整合问题，并将识别出的集成难题归纳为一个由实践经验支持的问题树。基于这些发现，研究提出并应用了一种扩展的过程建模方法论及相关指标，旨在量化数字透明度。最后，该方法在一个物理实验室模型上进行了可行性测试。
本研究运用的几个关键技术方法包括：1) 系统性的文献分析法，利用PRISMA流程筛选和分析相关研究，以识别生产物流数字化的难点与差距；2) 因果效应分析，通过构建问题树工具，可视化并综合了已发现困难之间的因果链；3) 改进的流程建模技术，基于事件驱动过程链扩展了标准工具包，用于描述流程并量化其数字透明度。
研究结果
- •
2. 文献分析：通过综述发现，尽管数字孪生技术在制造业中研究广泛，但专门涉及生产物流的研究却非常少。文献分析揭示了生产物流数字化面临的四大类困难：技术集成挑战、生产物流系统特性、处理干扰与不确定性以及方法论问题。研究还指出，现有文献缺乏关于创建数字模型、数字影子和数字孪生的具体步骤、标准和技术的详细描述。
- •
3. 因果效应分析：研究人员对文献中识别的困难进行了深入的因果分析，并构建了“问题树”。分析指出，生产物流过程的复杂性和动态性是根本原因，它们导致了系统难以预测、监控和同步。同时，企业缺乏清晰的指南、标准以及对技术集成的了解，也阻碍了数字化进程。分析强调了在技术转型之前，必须先实现流程的透明化。
- •
4. 方法论：本研究提出了一套改进的流程建模方法来量化数字透明度。其核心是：首先，定义四种实体类型（位置、物料、任务、资源）及其识别深度，构成透明度矩阵。其次，选用并改进了事件驱动过程链作为流程描述语言，在其标准元素中增加了价值分类（增值活动/非增值但必要的活动）和用于提高透明度的识别步骤标记。通过这种方法，可以计算出几个简单的比率，例如增值活动比例、识别步骤比例等，从而量化特定价值创造流程的数字透明度。这为创建静态数字模型（数字模型）提供了清晰的起点。
研究结论与意义
本研究通过文献分析和实际观察，系统梳理并可视化了生产物流活动融入数字模型所面临的主要障碍。研究提出的扩展流程建模方法，通过精确定义物流流程的建模深度和位置，为解决这些挑战提供了一条可行路径。在物理模型上进行的实验证实了该方法的可行性。
这项研究的重要意义在于，它为解决生产物流在数字世界中“不可见”的难题提供了一个可操作的理论框架和量化工具。所提出的方法能够帮助企业更清晰地识别和理解其生产物流活动，评估当前流程的数字透明度水平，从而为后续构建数字影子乃至数字孪生提供了至关重要的第一步。这不仅提高了数字模型的准确性，也为未来开发更高效、更智能的工业应用（如基于数字孪生的实时优化与决策支持）奠定了坚实的理论基础。该研究标志着向生产物流全面数字集成迈出了重要的初始步伐。
