李刚

摘 要：文章旨在利用大数据分析为改进供应链风险识别与监控提供强有力的技术支持。将用于供应链风险识别的大数据分为供应链内部大数据和供应链外部大数据，其中，供应链内部大数据是指从供应链合作伙伴处收集的数据，供应链外部大数据则是指从公共新闻、社交媒体等收集的数据，基于两类数据识别潜在的供应链风险。在分析风险识别的基础上，依托多阶段随机优化技术、场景分析方法和云计算基础设施，构建了一个基于大数据分析的供应链风险监控框架模型，该框架包括供应链内部风险监测模块、供应链外部风险监测模块、供应链规划模块三个主要模块，利用大数据分析方法对供应链内外风险进行监测，在随机环境下制定应对供应链风险的柔性供应链计划。通过提出基于大数据分析的供应链风险识别与监控流程与方法，为大数据在供应链风险管理中的应用提供了理论与实践指导。

关 键 词：供应链;风险识别;风险监控;大数据;大数据分析

中图分类号：F274 文献标识码：A 文章編号：2096-7934（2020）07-0042-11

一、引言

全球供应链环境的复杂性和相关信息的缺乏导致过去供应链的不确定性和风险应对的被动性。在当今大数据背景下，越来越多的供应链数据通过整合供应链参与者和外部数据源（如交通数据、天气预报）以及采用先进技术（如传感器、识别和定位技术）得以测量。数字化和大数据分析技术的飞跃发展，使得企业在业务实践中拥有了更大的能力来创建全面而主动的供应链风险管理流程与方法。大数据分析和实时决策使供应链企业能够对快速变化的商业环境作出反应。在大数据分析的帮助下，信息被转化为商业智能，从而更好地理解过去的事件，同时也预测未来的事件[1]。一方面，大数据分析能够捕获许多因素之间的关系，为风险识别提供依据;另一方面，通过大数据分析，提出相应的监控措施，能够避免未来面临的风险。因此，大数据分析能够为供应链企业进行风险识别和监控提供强有力的支持。虽然越来越多的企业意识到将大数据技术应用到供应链风险管理中的重要性，但在这一领域的研究还很缺乏[2]。

本文基于多阶段随机优化技术和云计算基础设施，提出一个将大数据分析集成到供应链风险识别和监控中的应用框架。该框架主要用于处理供应链运营风险和具有低频高影响特征的供应链中断风险。鉴于场景分析方法已成功运用于处理供应链规划问题[3]，本文也将其用于决策支持。本文提出的框架便于供应链在事故发生时立即进行实时监测、制定应急计划和提供决策支持，能够以较低的供应链成本应对供应链风险，从而为大数据时代供应链风险管理提供指导。

二、文献综述

（一）大数据分析

近十年来大数据分析无疑是数字技术在供应链管理中应用最为详尽的领域。大数据的特征是“5V”，即规模性（volume）、多样性（variety）、高速性（velocity）、真实性（veracity）和价值性（value）[4]。大数据分析通过从大量数据中提取知识，实现基于数据驱动的决策。这使得企业做出关键业务决策的方式发生了重大转变，企业通过利用大数据技术抓取、挖掘、分析海量数据并用经典模型测算与验证，可快速提升生产、营销、物流、风险管理等领域的业务能力。通过让数据说话，实现企业基于量化模型的精细优化决策。随着越来越多的企业认识到大数据在决策中的优势，大数据技术和分析方法的应用将日益广泛。

大数据分析在供应链管理中的应用被称为供应链管理数据科学[5]，其中包括将先进定量和定性分析方法应用于大量结构化和非结构化数据。大数据分析可用于增强市场竞争力，改善数据质量管理和数据使用体验。Raman et al.[6]通过实证研究表明，采用大数据技术可以为企业创造可观的增值收益，并将很快成为供应链行业的标准，进而将大数据与供应链管理相结合，对供应链运作参考模型进行了重新描述。Johnson et al.[7]以及Simchi-Levi et al.[8]分析了大数据分析在零售业中的应用，认为零售商必须不断努力增加收入、利润和市场份额，其中一种方法是采用价格优化模型，在价格水平上升或下降时计算需求方差，然后将这些信息与相关的成本和库存数据相结合，进而给出使收入和利润最大化的推荐价格。大数据分析在供应链管理中的应用也体现在采购流程、制造车间、全渠道模型中的促销活动、路线优化、实时交通运行监控和主动安全管理中[9-13]。Nguyen et al.[12]确定了近期内大数据分析可应用于供应链管理的一些领域，包括生产过程中的质量控制、物流运输中的动态车辆路径和在途库存管理、仓储中的订单领料和库存控制系统。陆杉等[14]对国外在需求计划、采购、生产、存货、物流与配送等供应链全过程的大数据分析进行了综述，认为大数据分析对供应链具有巨大应用价值。孙新波等[15]研究认为，大数据能够驱动供应链敏捷性的实现。

（二）供应链风险分类

在供应链风险研究文献中，不同文献根据自身的研究范围和目标对供应链风险进行了相应的分类[16-17]。最常见的有两种分类方法。一种方法是根据风险影响或来源的供应链网络层次来对风险进行分类[18]，通常分为三个主要层次：第一层风险是来自供应链网络外部的风险，或者称为环境风险;第二层风险是指来自供应链网络内部但又在成员企业外部的风险，也称为网络风险或行业风险;第三层包括供应链成员企业内部的所有风险，称为组织风险。此外，Rao and Goldsby[18]还发现了与当前具体决策问题和个人决策者特征相关的两个额外层次。另一种方法是基于风险影响或来源的供应链特定环节来对风险进行分类[19-21]：第一类风险只与整个供应链有关而与供应链的任何特定部分无关，这一类风险对应于上述第一层（网络外部）风险，称为环境风险[19]或宏观风险[21];第二类是与供应方相关的风险（即供应链运作参考模型中的采购环节）;第三类包含所有需求侧风险（即供应链运作参考模型中的配送环节）;第四类是生产过程风险[20-21];第五类是与供应链过程控制有关的风险，即Ho et al.[21]提出的基础设施风险。

（三）供应链风险管理

目前虽然学界对供应链风险管理尚没有普遍接受的定义，但几乎所有的定义都将供应链风险管理视为一系列导致预期结果的行动，同时也强调了供应链合作伙伴之间协调合作这一前提[21-24]。供应链风险管理包括风险识别[19，25]、风险评估[19，21，26]、风险化解和监控[21，27]。宋华等总结分析了供应链风险管理中风险识别、评估、决策、控制、监管等各流程的研究现状，指出供应链风险管理是与供应链中的合作伙伴单独或者协作地应用风险管理过程工具来处理由供应链中活动或资源引起的风险和不确定性[28]。赵立马等提出了供应链风险管理框架与策略[29]。在供应链风险管理的预期结果上，研究者们主要强调降低风险的负面影响或增强供应链的积极作用。前者包括减少脆弱性、损失、概率或风险暴露[19]，后者则包括确保盈利能力和持续性[30]。综合以上观点，本文将供应链风险管理定义为：供应链中所有参与方通过协调合作，识别、评估、化解和监控风险，以减少供应链的脆弱性，提高供应链的稳健性和弹性，确保供应链的盈利能力和可持续。

关于大数据分析在供应链风险管理中的应用研究，Papadopoulos et al.[31]和Ivanov et al.[32]指出，大数据分析有助于提高供应链风险管理和抗灾能力;刘帅等[33]和吴健[34]分析了大数据环境下的供应链风险管控;吴赜书等[35]提出了基于大数据的农产品供应链风险预警机制，并构建了该类风险预警平台的体系结构。

综上所述，国内外文献已经在大数据分析、供应链风险管理等领域进行了大量研究，并已经将大数据分析应用于供应链管理过程中。在供应链风险管理中，风险识别与监控是重要环节。但目前对大数据分析在供应链风险识别与监控中的应用研究还很缺乏，需要建立基于大数据分析的供应链风险识别方法，并将大数据分析纳入供应链风险监控框架中，提出基于大数据分析的供应链风险监控流程与方法。

三、基于大数据的供应链风险识别

供应链风险源于供应链内部和外部的不确定性。供应链内部不确定性预测主要是基于供应链内部的数据。供应链外部不确定性则源于供应链外部环境，如社会、经济和自然环境等。因此，供应链外部不确定性的预测需要基于供应链外部的数据。本文将用于支持供应链风险识别的数据分为两类：供应链内部数据和供应链外部数据。基于两类数据，可以对潜在的供应链风险进行识别。

（一）基于供应链内部大数据的风险识别

供应链内部大数据是指从供应链合作伙伴处收集的数据。这些数据由于来自诸如销售终端（POS）、全球定位系统（GPS）和传感器等不同的组织和不同的数据终端，因而是非结构化的。表1列出了基于供应链内部大数据的风险识别示例。通过供应链内部数据分析，可以对产品质量问题、运输延误等潜在的供应链风险进行事前预测和事后跟踪。在表1的“描述”栏中描述了应从每个大数据源收集的重要数据。供应链内部数据的数量与供应链的规模（如供应链合作伙伴、产品和服务的数量）正相关。供应链内部数据增长频繁，往往需要存储数个周期如数月，以便跟踪故障后的原因并预测风险。因此，与供应链风险识别相关的供应链内部数据可能使用不同的结构，并随着时间的推移而增加。

（二）基于供应链外部大数据的风险识别

供应链外部大数据是指从公共新闻、社交媒体等收集的数据。表2描述了基于供应链外部大数据的风险识别示例。供应链外部数据比供应链内部数据更大、更复杂，它揭示了外部环境中潜在的灾害和不确定性。例如，汇率变动可以通过Twitter上信息统计的时间序列进行预测[36]。Twitter信息还可以用于地震的快速检测和定性评估[37]。来自媒体的信息不仅在格式和内容上多样化，而且在语言和可靠性上也多样化。此外，媒体数据的增长速度快于供应链内部数据。这些都给信息识别和分析带来了冲击。因此，要尽早从供应链外部大数据中发现潜在的风险和即将发生的灾难。根据供应链外部大数据采集和分析的需要，可以考虑将供应链外部大数据处理任务外包给专业的第三方分析公司。

四、供应链风险的大数据分析方法

供应链风险源于供应链内部和外部的不确定性，随着全球供应链复杂性越来越高，外部不确定性显得尤为复杂多变，因此需要先进的分析方法和决策支持系统。作为新一代的技术和体系结构，大数据技术和分析方法主要用于从大量的各种各样的数据中提取有用信息，它们支持进行高速和实时的捕获、发现、处理和分析[38]。此外，大数据技术和分析方法的一个重要方面还在于为决策支持提供面向用户的数据和结果的展示与可视化。因此，大数据分析方法成为供应链风险管控的重要技术工具。在大数据分析方法下，用来描述低频高影响事件的不可预测的“黑天鹅”[39]的数量越来越少。这主要是由于基于大数据分析能够在事件发生之前进行有效预测。比如，电商企业京东充分利用大数据技术对商品的销量进行精准预测。通过多年积累的数据，京东利用多达15种的预测模型，建立了多种业务预测系统架构，提升系統计算性能，可以预测未来28天内的每一天，京东每一个仓库应该让供应商储备多少商品。甚至可以在用户尚未下单之前预测具体区域的销量，将商品运到离他最近的仓库。通过提前四周预测需求，公司保持了较低的库存水平和较短的交货提前期[40]。

场景分析是供应链决策支持的分析方法之一。场景分析是指假定各种情景发生的概率，研究各种因素综合作用可能产生的影响[41]。它是处理随机问题的一种常用方法，供应链随机场景由一组场景指标表示，例如可能的受害者位置（供应链节点或运输链路）及其可能性、风险事件后的重建时间、事件后采用替代规划的额外时间和额外成本等[42]。场景分析的首要任务是场景设计。根据文献[43]中的“冰山”隐喻，场景设计过程中需要考虑一系列因素，包括资源、文化、信息、技术、政策、规则、人口学、立法、生态、社会和地域。由于包含了大量的非结构化和实时变化的数据，场景设计过程就成为一个大数据分析过程。这些过程必须得到适当的大数据基础设施和分析方法的支持。基于云的基础设施可用于在需要时经济地部署可扩展计算集群，从而实现对大规模问题的实时计算以及为供应链规划人员和决策者提供决策支持的按需应用程序。

大数据技术和分析高度依赖于便利的信息通信技术基础设施。近年来，云计算作为一种信息通信技术基础设施的使用和按需服务模式变得流行起来。云服务分为三类：基础设施服务（infrastructure as a service，IaaS）、平台服务（platform as a service，PaaS）和软件服务（software as a service，SaaS）[44]。在供应链规划和重新规划过程中，计算资源可以自动用于满足分析任务的需要，并被释放以降低成本。此外，云服务的可访问性和标准化接口允许供应链参与者之间更好地协作和信息共享。因此，云计算是支持供应链领域大数据分析系统的一种出色的解决方案。

五、基于大数据分析的供应链风险监控

在风险识别的基础上，本文构建了一个基于大数据分析的供应链风险监控框架模型，如图1所示。该框架的核心是在随机环境下制定一个稳健的供应链计划，监测和计划是该框架的两个重要组成部分。风险监测与分析为供应链规划过程提供了随机参数。该框架包括三个主要模块：供应链内部风险监测模块、供应链外部风险监测模块、供应链规划模块。一旦内部或外部风险监测模块监测到新出现的风险，将基于风险分析生成新的风险报告，并发送到供应链规划模块。此时，供应链规划模块将被激活，并根据新的风险报告生成新的供应链计划。整个过程循环往复，以保持供应链在随机环境下的灵活性。下面将具体说明每一模块的功能。

（一）基于大数据分析的供应链内部风险监测

供应链内部风险是指基于供应链内部大数据分析的可预见风险（如表1所示）。供应链内部大数据包括采购、生产、运输、终端需求等各环节的数据。通过对供应链内部数据的分析，可以对供应链内部风险进行预测。例如，智能维护系统（Intelligent Maintenance System，IMS）能够通过分析从机器收集的数据来预测和预防机器的潜在故障。供应链监测则用于察觉新出现的风险，一旦发现随机事件，立即采取相应的应急预案。如果随机事件不是短期事件，则更新供应链内部风险报告并对供应链进行重新规划。图2描述了基于大数据分析的供应链内部风险监测模块。

在供应链内部风险监测模块，具体流程包括以下几点。首先，进行大数据分析。大数据分析为供应链监测过程提供了风险报告和供应链参数基准。在这个阶段可以采用数据挖掘和机器学习等数据分析方法。其次，实施供应链监测。供应链实时监测用于感知供应链变化和预测供应链风险。监测有助于供应链管理者尽早发现突发事件，对供应链风险作出预测。再次，采取应急预案。一旦监测到突发事件或潜在的不确定性，则启动相应的供应链应急计划，以获得更多的可用时间。对于短期中断事件，供应链在短期中断期后恢复原供应链计划。又次，更新内部风险报告。对于长期影响事件，将修改供应链内部风险报告，以激活供应链重新规划模块。内部风险报告应至少包含每个供应链合作伙伴的概率和不确定性描述、影响、持续时间和每个不确定事件的成本。最后，发出供应链重新规划请求。更新内部风险报告后，供应链重新规划模块即被激活，一个新的供应链计划将生成并随后启动。

（二）基于大数据分析的供应链外部风险监测

供应链外部大数据大多是非结构化的且增长迅速，因为它来自各种渠道，如公共媒体、社交网络和专业数据库等（如表2所示）。大数据处理和形成外部风险报告需要专业的基础设施和人员。因此，供应链外部风险分析（如图3所示）可外包给专业的第三方公司，由它们根据数据挖掘和数据分析对环境进行监测。

基于大数据分析的供应链外部风险监测具体流程包括以下几点。首先，定义/更新监视域。为了有效地提取有价值的数据，需要定义一个外部环境域，只分析对供应链有明确影响的数据。第三方公司可根据客户的背景来界定外部环境领域。其次，进行数据收集和风险分析。外部环境数据的特点是大容量、非结构化和随时间而增长。因此，数据收集技术如网络爬虫和文本挖掘技术可用于从网站和网页服务中提取信息，先进的数据分析技术则用来进行供应链外部大数据分析。外部风险分析的目的是找出外部威胁和每个威胁的参数。外部威胁包括恶劣天气、政策变化、经济变化、社会变化、恐怖袭击等。每种威胁的参数可以是其地理区域、可能性和严重程度等。第三方公司在外部数据收集和风险分析的基础上形成供应链外部风险报告并提供给客户。再次，监测和感知。第三方公司需要实时监测和感知外部数据，以发现外部环境中新出现的风险。如果捕捉到新出现的风险，就会触发风险分析任务，再次进行风险分析。又次，重新进行风险分析，为第三方公司的客户形成新的风险报告。外部风险报告应至少包括供应链合作伙伴所在地和产品运输期间的不确定性信息。这些信息包括概率、持续时间、不确定事件影响的参数。每个不确定事件的成本应由供应链自行设计和计算，因为这取决于应急计划，而应急计划由供应链企业决定。最后，向客户发送报告。风险报告更新后即发送给客户，一旦供应链规划模块收到更新的外部风险报告后，就会触发供应链规划模块生成新的供应链计划。

（三）应对供应链风险的柔性供应链计划制定

为了设计一个在随机环境下能确保平稳供应的柔性供应链计划，应在供应链规划阶段考虑供应链风险。在运用大数据分析对供应链内部和外部风险进行监测的基础上，根据供应链内部和外部风险报告设计出代表供应链不确定性的场景，在此基础上，建立一个随机模型。通过在模型中加入供应链参数后，采用解析法对模型进行求解，据此即可拟定供应链计划。供应链规划/重新规划模块如图4所示。

在图4中，应对供应链风险的柔性供应链计划制定具体过程包括以下几点。首先，根据风险监测结果生成供应链内部和外部风险报告。供应链内部风险报告应由供应链企业基于内部数据提供;供应链外部风险报告由于外部数据处理工作的复杂性，可由第三方分析公司提供。其次，进行场景设计。主要根据供应链内部和外部风险报告来进行场景设计。每个场景代表供应中断后的一种具体后果。概率和成本是每个场景的两个基本特征。成本取决于一系列因素，包括场景涉及的地理位置、场景持续时间、实现每个场景的额外成本等。为了计算成本，每个场景都要考虑应急计划。再次，建模。基于提出的场景及其特征，建立两阶段多场景模型。第一阶段是指供应链安全期，在此阶段供应链没有任何中断或灾难;第二阶段是指供应链可能遭受任何所提出的场景影响的不确定期。场景参数和其他供应链参数的值是模型的输入。又次，求解。可以选择优化、模拟、启发式和元启发式等分析方法来求解模型。由于多场景模型的复杂性，在本文提出的框架中，采用元启发式算法相对较好。对于具有简单供应链结构和少量场景的模型，可在较短的时间内生成解决方案。对于具有大量随机场景的复杂供应链结构，作为底层计算基础设施的云平台可以灵活地应用于求解器的计算需求。SaaS解决方案提供了一个接口，用于为不同的受众设置模型并以不同的视图显示结果[44]。云服务的这种可访问性和标准化接口便于供应链参与者之间更好地协作和信息共享，最终将为两阶段模型生成一组两阶段解决方案：第一階段解决方案是指安全期的供应链计划，第二阶段解决方案是指与场景实现有关的应急预案。最后，基于多场景模型的求解，生成两阶段供应链计划，包括安全期计划和不确定期的应急计划。

六、結语

本文对供应链风险大数据进行了分析，将其分为供应链内部大数据和供应链外部大数据。基于供应链大数据分类，提出了将大数据分析方法融入供应链风险管理系统的框架。当前大数据在供应链风险管理中的应用研究还很缺乏，本文为利用大数据改进供应链风险管理提供了指导。大数据技术为识别和监控潜在的供应链风险提供了可能，使供应链变得更加可视化和柔性。为了将本文提出的框架模型付诸实践，还需要做进一步的研究，如采用能够有效、准确地从大数据资源中提取有价值信息的技术和方法，利用所提出的框架来实施和评估一个为供应链风险管理提供决策支持的原型等。

参考文献：

[1]SANDERS N R. Big data driven supply chain management： a framework for implementing analytics and turning information into intelligence [M]. NJ： Pearson Education， 2014.

[2]SCHLTER F， HETTERSCHEID E， HENKE M. A simulation-based evaluation approach for digitalization scenarios in smart supply chain risk management [J]. Journal of industrial engineering and management science， 2017， 1： 179-206.

[3]WOODRUFF D L， VO S. Planning for a big bang in a supply chain： fast hedging for production indicators[C]//Proceedings of the 39th Annual Hawaii International Conference on System Sciences （HICSS 2006）， 2006： 40-46.

[4]WAMBA S F， NGAI E W T， RIGGINS F， et al. Transforming operations and production management using big data and business analytics： future research directions [J]. International journal of operations & production management， 2017， 37（1）： 2-9.

[5]WALLER M A， FAWCETT S E. Click here for a data scientist： big data， predictive analytics， and theory development in the era of a maker movement supply chain [J]. Journal of business logistics， 2013， 34 （4）： 249-252.

[6]RAMAN S， PATWA N， NIRANJAN I， et al. Impact of big data on supply chain management [J]. International journal of logistics research and applications， 2018， 21（6）： 579-596.

[7]JOHNSON K， LEE A B H， SIMCHI-LEVI D. Analytics for an online retailer： demand forecasting and price optimization [J]. Manufacturing and service operations management， 2016， 18 （1）： 69-88.

[8]SIMCHI-LEVI D， WU M X. Powering retailers digitization through analytics and automation [J]. International journal of production research， 2018， 56 （1/2）： 809-816.

[9]ADDO-TENKORANG R， HELO P T. Big data applications in operations/supply chain management： a literature review [J]. Computers & industrial engineering， 2016， 101： 528-543.

[10]GUNASEKARAN A， TIWARI M K， DUBEY R， et al. Big data and predictive analytics applications in supply chain management [J]. Computers and industrial engineering， 2016， 101： 525-527.

[11]GUNASEKARAN A， PAPADOPOULOS T， DUBEY R， et al. Big data and predictive analytics for supply chain and organizational performance [J]. Journal of business research， 2017， 70： 308-317.

[12]NGUYEN T， ZHOU L， SPIEGLER V， et al. Big data analytics in supply chain management： a state-of-the-art literature review [J]. Computers & operations research， 2018， 98： 254-264.

[13]ZHONG R Y， XU C， CHEN C， et al. Big data analytics for physical internet-based intelligent manufacturing shop floors [J]. International journal of production research， 2017， 55 （9）： 2610-2621.

[14]陸杉，陈宇斌. 供应链中大数据分析应用研究综述 [J]. 商业经济与管理，2018（9）：27-35.

[15]孙新波，钱雨，张明超，等. 大数据驱动企业供应链敏捷性的实现机理研究 [J]. 管理世界，2019，35（9）：133-151，200.

[16]RANGEL D A， DE OLIVEIRA T K， ALEXANDRE LEITE M S. Supply chain risk classification： discussion and proposal [J]. International journal of production research， 2015， 53 （22）： 6868-6887.

[17]HUDNURKAR M， DESHPANDE S， RATHOD U， et al. Supply chain risk classification schemes： a literature review [J]. Operations and supply chain management： an international journal， 2017， 10 （4）： 182-199.

[18]RAO S， GOLDSBY T J. Supply chain risks： a review and typology [J]. The international journal of logistics management， 2009， 20 （1）： 97-123.

[19]MANUJ I， MENTZER J T. Global supply chain risk management strategies [J]. International journal of physical distribution and logistics management， 2008， 38 （3）： 192-223.

[20]TANG O， NURMAYA MUSA S. Identifying risk issues and research advancements in supply chain risk management [J]. International journal of production economics， 2011，133 （1）： 25-34.

[21]HO W， ZHENG T， YILDIZ H， et al. Supply chain risk management： a literature review [J]. International journal of production research， 2015， 53 （16）： 5031-5069.

[22]HECKMANN I， COMES T， NICKEL S. A critical review on supply chain risk - definition， measure and modeling [J]. Omega， 2015， 52： 119-132.

[23]ABOLGHASEMI M， KHODAKARAMI V， TEHRANIFARD H. A new approach for supply chain risk management： mapping SCOR into Bayesian network [J]. Journal of industrial engineering and management， 2015， 8 （1）： 280-302.

[24]BEHZADI G， OsULLIVAN M J， OLSEN T L， et al. Agribusiness supply chain risk management： a review of quantitative decision models [J]. Omega， 2018， 79： 21-42.

[25]徐緒松，曾学工，郑小京. 供应链风险管理研究综述——风险识别 [J]. 技术经济，2013，32（5）：78-86，120.

[26]郑小京，郑湛，徐绪松. 供应链风险管理研究综述——风险评估[J]. 技术经济，2013，32（7）：123-130.

[27]郑小京，郑湛，徐绪松. 供应链风险管理研究综述——风险控制[J]. 技术经济，2013，32（8）：118-124.

[28] 宋华，杨晓叶. 供应链风险管理文献综述[J]. 供应链管理，2020，1（3）：33-45.

[29] 赵立马，阿德·哈泽梅尔. 浅析供应链风险管理框架与策略分类[J]. 供应链管理，2020，1（1）：70-81.

[30]TANG C S. Perspectives in supply chain risk management [J]. International journal of production economics， 2006， 103 （2）： 451-488.

[31]PAPADOPOULOS T， GUNASEKARAN A， DUBEY R， et al. The role of big data in explaining disaster resilience in supply chains for sustainability [J]. Journal of cleaner production， 2017， 142 （2）： 1108-1118.

[32]IVANOV D， DOLGUI A， SOKOLOV B. The impact of digital technology and Industry 4.0 on the ripple effect and supply chain risk analytics [J]. International journal of production research， 2019， 57（3）： 829-846.

[33]劉帅，王红春，赵亚星. 大数据环境下的供应链风险管控[J]. 物流科技，2017，40（10）：129-131.

[34]吴健. 大数据环境下的供应链风险管控[J]. 中国物流与采购，2019（20）：60.

[35]吴赜书，鲁艳霞，张益民. 基于大数据和物联网的农产品供应链风险预警平台研究[J].通讯世界，2018（7）：47-48.

[36]JANETZKO D. Predictive modeling in turbulent times - what Twitter reveals about the EUR/USD exchange rate [J]. Netnomics， 2014， 15（2）： 69-106.

[37]EARLE P S， BOWDEN D C， GUY M. Twitter earthquake detection： earthquake monitoring in a social world [J]. Annals of geophysics， 2012， 54（6）： 708-715.

[38] GANTZ J， REINSEL D. The digital universe in 2020： big data， bigger digital shadows， and biggest growth in the Far East [R]. IDC iView： IDC Analyze Future， 2012：1-16.

[39] TALEB N N. The black swan： the impact of the highly improbable fragility [M]. 2nd ed. New York ： Random House， 2010.

[40]于永利.大數据驱动的智慧零售[EB/OL].（2017-04-27）[2020-5-20]. https：//www.sohu. com/a/136765553_114778.

[41]GODET M. The art of scenarios and strategic planning： tools and pitfalls [J]. Technological forecasting and social change， 2000， 65（1）： 3-22.

[42]FAN Y， SCHWARTZ F， VoB S. Flexible supply chain design under stochastic catastrophic risks [M]//KERSTEN， W， BLECKER T， RINGLE C. Next generation supply chains.Berlin： Epubli， 2014： 379-406.

[43]CHERMACK T J， LYNHAM S A， RUONA W E. A review of scenario planning literature ＼[J＼]. Futures research quarterly， 2001， 17（2）：7-31.

[44]MARSTON S， LI Z， BANDYOPADHYAY S， et al. Cloud computing - the business perspective [J]. Decision support system， 2011， 51（1）： 176-189.