论文标题：A Comprehensive Survey of Artificial Intelligence and Robotics for Reducing Carbon Emissions in Supply Chain Management

论文链接：https://www.mdpi.com/2305-6290/9/3/104

期刊名：Logistics

期刊主页：https://www.mdpi.com/journal/logistics

一、引言

供应链管理（Supply Chain Management，SCM）贡献了约13%的全球碳排放，其中交通运输在主要经济体中占比达28%。传统的SCM优先考虑成本和速度，往往忽视能源密集型仓储和物流带来的环境影响。人工智能（Artificial Intelligence，AI）与机器人技术（Robotics）作为变革性工具，有望通过数据驱动优化和自动化实现供应链脱碳。然而，现有研究分散于不同学科，缺乏对两者协同作用的系统性整合。本研究通过系统性范围综述，旨在梳理研究趋势、技术应用、减排策略与验证方法，填补现有研究空白。

二、方法论

本研究遵循系统性范围综述的首选报告项目扩展声明（Preferred Reporting Items for Systematic Reviews and Meta-Analyses extension for Scoping Reviews，PRISMA-ScR） 指南，采用三阶段方法：准备阶段、分析阶段和整合阶段。

检索策略：选取Scopus数据库，检索2013年至2024年发表的英文同行评审文献。最终检索式涵盖“人工智能”“深度学习”“机器人”“碳减排”“供应链管理”等关键词。初步检索获得2100条记录，去重后剩余2000条；根据年份、语言和文献类型筛除1600篇后剩400篇；再因“无关碳减排、SCM背景不相关、非同行评审、未用AI/机器人”等原因筛除377篇，最终纳入23篇作为研究对象。

图一、PRISMA 2020 研究筛选流程图

三、现有文献综述

供应链管理与可持续性背景：可持续供应链管理受三重底线（经济、环境、社会）驱动，但传统模式优先考虑成本和速度，忽视了运输和仓储的高排放。人工智能与机器人技术通过数据驱动优化和自动化，有望改变这一局面，例如AI优化运输路径可减少15%的排放，机器人仓库自动化可降低20%的能源消耗。

AI与机器人在SCM中的作用：AI（含机器学习和优化算法）可处理复杂的供应链数据（如需求预测、运输模式）以做出精准减排决策；机器人（如自动导引车、机械臂）则实现能源密集型任务自动化。两者结合还能增强供应链韧性、支持循环经济，但面临高成本、数据质量、算法偏见及AI自身能耗等挑战。

研究空白与综述必要性：目前尚无系统性综述同时整合AI与机器人在低碳SCM中的协同贡献。现有综述要么忽视机器人技术，要么缺乏脱碳的整体视角。因此，本综述旨在填补这一空白，系统梳理技术策略与验证方法，为研究与实践提供指导。

四、发表趋势（研究问题1）

发表时间趋势：2013–2018年仅1篇（4.3%）；2019–2023年增至9篇（39.1%）；2024年激增至13篇（56.5%），年复合增长率为26.26%，反映该领域正快速发展。

发表类型与来源：书籍章节占39.1%，期刊论文占26.1%，会议论文占21.7%，综述占8.7%，会议综述占4.3%。

五、研究特征与焦点（研究问题2）

SCM应用领域：交通运输与物流（34.8%）、能源密集型供应链（26.1%）、废弃物管理与逆向物流（17.4%）、制造供应链（13.0%）、仓库管理（8.7%）、食品与农业供应链（8.7%）、建筑业（8.7%）。

研究视角：优化（43.5%）、分析/监测/预测（34.8%）、开发/实施（13.0%）。

可持续目标：减排/碳足迹（69.6%）、能源效率/节能（30.4%）、资源保护/循环经济（26.1%）。

SCM组成部分：运输系统/网络（43.5%）、生产系统/制造（17.4%）、仓库自动化/库存（17.4%）、废弃物管理系统（17.4%）、能源管理系统（13.0%）。

建模方法：机器学习模型（34.8%）、优化模型（21.7%）、仿真模型（13.0%）、定性分析/综述（21.7%）、混合模型（8.7%）。

算法与使能技术：AI/机器学习/深度学习（65.2%）、机器人/自动化（52.2%）、物联网/传感器（43.5%）、区块链（13.0%）、大数据分析（13.0%）、数字孪生（8.7%）。

物流约束：成本（17.4%）、中断（8.7%）、技术可行性（8.7%）、数据可用性/质量（8.7%）、法规合规（4.3%）。

减排策略：优化（43.5%）、监测/预测（34.8%）、混合策略（13.0%）。

六、 验证策略（研究问题3）

研究类型：解决方案提案（30.4%）、验证研究（60.9%）、评估研究（8.7%）。

验证方法：机器学习模型性能（34.8%）、小规模案例（30.4%）、合理论证（26.1%）、优化模型性能（21.7%）、定性分析（21.7%）、仿真（13.0%）、数学证明（13.0%）、实验（8.7%）。仅有3项研究使用仿真模型，2项研究进行实验验证。所有研究均未提供可复现的代码、数据集或实验协议，验证严谨性不足。

七、讨论

本综述揭示了AI与机器人在SCM碳减排中的巨大潜力，尤其在交通运输和能源密集型领域。然而，从理论模型到实际部署之间存在显著鸿沟：实地实验仅占8.7%，缺乏标准化测试平台和基准数据集。未来研究应优先开展：（1）实地试点研究；（2）开发标准化测试环境；（3）采纳开放科学原则；（4）评估技术与环境、社会之间的权衡。

八、结论

本研究系统梳理了2013–2024年间AI与机器人在SCM碳减排中的23篇文献，揭示了该领域从理论建模向数据驱动应用演进的趋势。主要贡献在于：（1）提供了结构化的多学科研究整合；（2）识别了交通运输与能源密集型供应链为重点减排领域；（3）指出了验证方法不严谨、可复现性不足等关键缺陷。未来需加强真实世界部署、标准化测试和开放科学实践，以推动低碳供应链的转型。

Customer-Oriented Artificial Intelligence and Analytics in Logistics and Supply Chains

投稿截止日期：2027年2月15日

客座编辑： Dr. P. Carmona Marques, Dr. Wesley Douglas Silva and Dr. João Reis

https://www.mdpi.com/journal/logistics/special_issues/241N26FW64

期刊介绍

主编：Prof. Dr. Robert Handfield

Logistics（ISSN 2305-6290）是一个为物流和供应链管理领域的研究人员及具有学术倾向的从业者设立的原创性期刊。期刊主要发表与物流和供应链相关的原创文章和高质量综述。主题涵盖领域包括但不限于：人工智能、物流分析和自动化；可持续发展与逆向物流；人道主义和医疗保健物流；最后一公里，电子商务与销售物流；海运物流；供应商，政府和采购物流等。

2024 Impact Factor：3.6

2024 CiteScore：8.0

Time to First Decision：19.6 Days

Acceptance to Publication：4.6 Days