数字孪生驱动的智慧供应链

5月前浏览13194

作者：王璐1，邓天虎1，申作军2,3，胡浩4，戚永志4

单位：1. 清华大学；2. 香港大学；3. 加利福尼亚大学伯克利分校；4. 京东商务有限公司

来源：工程管理前沿

导读：

随着当今世界的供应链变得更为复杂和脆弱，智慧供应链的管理价值愈加凸显。智慧供应链具有连接性、可视性、敏捷性、集成化和智能化的特点。基于数字孪生（Digital Twin，DT）这一概念，数字孪生驱动的供应链（DT-driven supply chain，DTSC）提供一个创新的供应链解决方案。在本文中，我们首先对数字孪生的文献进行简要综述，论述了建立数字孪生驱动的供应链的基本方法，围绕供应链建模、实时优化和数据驱动的协作展开探讨并凝练关键研究问题。最后，通过京东的数字孪生供应链平台，介绍其如何在新冠肺炎疫情期间快速实现供应链网络重新配置，阐明数字孪生供应链的的优势。

引用：

Lu WANG, Tianhu DENG, Zuo-Jun Max SHEN, Hao HU, Yongzhi QI. Digital twin-driven smart supply chain. Frontiers of Engineering Management, 2022, 9(1): 56‒70 https://doi.org/10.1007/s42524-021-0186-9

文章链接：

https://journal.hep.com.cn/fem/EN/10.1007/s42524-021-0186-9 https://link.springer.com/article/10.1007/s42524-021-0186-9

引言

随着当今世界的供应链变得更为复杂和脆弱，智慧供应链的管理价值愈加凸显。例如，2020年来，持续爆发的新型冠状病毒肺炎正不断威胁全球供应链，造成了诸如供应短缺、采购受限、物流延误和需求锐减等重大影响。包括通用汽车、日产汽车和菲亚特克莱斯勒汽车等在内的汽车企业，都由于停产导致供应短缺，被迫终止了汽车生产销售（Wayland, 2020）。苹果手机一方面生产供应受到严重限制，另一方面大量关闭的线下店铺导致需求锐减，导致其预计无法实现2020年第二季度的预期收入（Lucas, 2020）。

为了保护供应链的有效运行，企业必须持续监控疫情发展及库存、物流中心以及上下游的各方运营情况，并针对变化及时响应。因此，长远来看，企业需要重新思考供应链的结构与运营战略，构建应对潜在突发事故的能力（Hippold，2020），智慧供应链应具备的特性因而愈加清晰：

· 连接性(Connectivity)：连接性是指连接供应链中所有企业、产品、财产和其他有价值的实体以构建供应链全局信息，包括企业内部运作和企业间协作情况的能力（Butner，2010；Wu等，2016）。

· 可视性(Visibility)：可视性是指追踪供应链中实体、财务和信息流动的能力（Butner，2010；Busse等，2021）。可视性让管理者掌握生产、库存、物流和营销各环节的实时情况。

· 敏捷性(Agility)：敏捷性是指快速检测变化、收集相关数据、分析机会和威胁、做出最佳决策、并实施这些决策的能力（Gligor等，2019；Seyedghorban等，2020）。

· 集成化(Integrated)：集成化的供应链可以共享信息、打通不同阶段并作出全局优化的决策（Wu等，2016）。

· 智能化(Intelligent)：智能化的供应链可以实现大规模决策优化，并利用预测性分析来帮助供应链应对潜在风险（Butner，2010；Wu等，2016；Busse等，2021）。

许多企业在开始建设智慧供应链时会感到无从入手——创建数字孪生体驱动的供应链（DTSC）可以为企业提供一个创新的智慧供应链解决方案（Barykin等，2020；2021；AlMulhim，2021；Busse等，2021；Ivanov和Dolgui，2021）。数字孪生（DT）概念通过数字模型在虚拟世界中反映物理世界的情况，并连续三年入选Gartner年度十大战略技术趋势之一（Panetta，2017；2018；2019）。Gartner预测，到2021年，有一半世界知名工业公司将通过实施数字孪生战略将公司的效益提高10%（Pettey，2017）。SAP物联网（IoT）高级副总裁Thomas Kaiser也曾表明，“数字孪生将成为企业发展的重要战略，数字孪生的施行将覆盖企业全流程及全生命周期，形成互联产品和服务的基础；未能及时发展该战略的公司将在竞争中落后”（Marr, 2017）。

数字孪生概念最初的目标是实现智能制造（Glaessgen和Stargel，2012；Shafto等，2012；Grieves，2015），但其反映、预测和优化复杂系统的能力使其在制造系统之外的应用中也极具价值。正如本文第3节所述，数字孪生的概念和智慧供应链的特性相契合，为实现智慧供应链提供了解决方案——在数字孪生供应链中，物理供应链与虚拟供应链相互影响（Rehana，2018），管理者可查看相关实体的实时状态（例如，库存、采购和销售），并在虚拟供应链中充分预演后再执行决策，从而提高运作效率。

本文主要回答了如下研究问题：

(1) 什么是数字孪生，它在供应链管理（SCM）中是应如何应用？相关内容见第2节。

(2) 构建数字孪生供应链的基本要素包括什么？为何这些要素能满足智慧供应链的要求？第3节将对这个问题进行讨论。

(3) 在数字孪生供应链中，应该如何应用现有的供应链管理理论？以及在数字孪生的背景下，又存在哪些新的研究问题？本文第4节将对这个问题进行讨论。

(4) 在实际商业环境中，构建数字孪生供应链有何优势与挑战？第5节通过介绍来自京东的案例来分析讨论。

文献综述

在本节中，我们首先对数字孪生的文献及其在供应链管理中的应用进行简要综述。

2.1 数字孪生概念

20年来，实践者和研究人员在不断总结完善数字孪生的概念。表1总结了从2002年到2020年这一概念的发展历程。发展历程中有两个重要的趋势。第一，人们从将数字孪生视为单一方法转变为视其为多学科的整合，这一变化背后的关键驱动力来自于数字孪生应用范围的逐步扩大。最初，数字孪生概念的提出是基于智能制造和航空航天工程中的产品生命周期管理（PLM）（Grieves，2005；2006；2011Glaessgen和Stargel，2012；Shafto等，2012）。随着应用范围的扩大，数字孪生概念不再过分强调具体的应用领域，而是转向一些普适性更强的概念，如“virtual information constructs”（Grieves和Vickers, 2017）和“the linked collection of the relevant digital artifacts”（Boschert和Rosen, 2016）。因此，仅依靠仿真技术将无法满足数字孪生的所有需求，更多的学科方法便逐渐被融合进来。

表1. 数字孪生概念的历史发展

第二个趋势是数字孪生的重点从“技术导向”转向“决策导向”。最初，其侧重实现虚拟建模的技术（Grieves，2015；Boschert和Rosen，2016；Grieves和Vickers，2017），此后，新的定义则更为强调数字孪生在提供数据驱动的最佳决策和前瞻性决策方面的能力（Stanford-Clark等，2019；Stark和Damerau，2019；Olcott和Mullen，2020）。这一转变正如Acatech工业4.0成熟度指数所述（Schuh等，2017），预测和适应性决策与执行能力通常需要以互联的虚拟模型作为基础实现。

本文基于以上定义对数字孪生的关键属性进行了如下总结。首先，高效数字孪生系统的核心属性是在不同范围内建立物理实体和过程的数字表示（Boschert和Rosen,2016 ; Stark和Damerau, 2019; Qi等, 2021），从而克服传统企业管理系统中的数据孤岛问题，为管理决策者提供了运行情况的全面刻画（Olcott和Mullen，2020）。第二，数字孪生系统可在物理实体和过程与其数字表示之间进行高频同步，并利用历史和实时数据来模拟系统在过去、现在和未来的行为。最后，在预测性分析和优化工具的帮助下，数字孪生系统可以对包括突发情况在内的变化作出及时反应。

2.2 数字孪生供应链

我们在Web of Science数据库中搜索了2016年1月至2021年10月的出版文章，搜索关键词包括“数字孪生”和“供应链”，意在通过对文章内容进行综述讨论以下问题：（1）什么是数字孪生供应链？（2）数字孪生给供应链管理带来的优势是什么？以及（3）实施数字孪生供应链的价值有何案例说明？

什么是数字孪生供应链？目前，已有研究者对数字孪生供应链的概念进行研究和总结。Busse等（2021）提出，数字孪生供应链是“真实物流系统的数字模拟模型，其特点是与该系统有长期、双向和及时的数据连接”。Ivanov和Dolgui（2021）认为数字孪生供应链是“一个计算机化的模型，它代表了任何特定时刻下的供应链网络实时状态”。Haag和Simon（2019）认为，数字孪生主要为公司提供了对现实世界资产及其交互情况进行任意精度建模的可能性。Li等（2020）提出了一个数字孪生供应链概念下的可持续商业模式的五维框架。Kalaboukas等（2021）提出将认知数字孪生的概念用于供应链管理，它能够预测趋势发展并保持动态环境中的操作灵活性。除去以上概念性讨论，研究者还针对几个特定的应用行业对数字孪生供应链的概念展开了更为详细的探讨，包括循环供应链（Preut等，2021）、食品供应链（Smetana等，2021；Shoji等，2022）、全球港口管理（Wang等，2021）和物流配送管理（Lee和Lee，2021；Moshood等，2021；Park等，2021）。总而言之，数字孪生供应链的核心功能是为管理者提供一个整合不同供应链运行阶段的全面视图（Ducree等，2020；Yang等，2020）。

数字孪生概念给供应链管理带来的优势是什么？研究者认为数字孪生有望引领供应链的数字化转型进入下一个阶段（Cozmiuc和Petrisor，2018；Ghobakhloo，2018；Reeves和Maple，2019；Marmolejo-Saucedo等，2019；Beltrami等，2021；Kenett和Bortman，2021）。首先，数字孪生可以提升连接性。Sharma等（2021）认为，数字孪生连接了产业链上的不同运营阶段。Pehlken和Baumann（2020）指出，数字孪生有助于向各利益相关者提供生产信息，从而提升供应链的可持续性。Zafarzadeh等（2021）指出数字孪生在连接生产、物流这两个运营阶段的重要性。为了成功实现连接性，统一的数据管理方法在创建数字孪生供应链的过程中尤为重要（Avventuroso等，2017；Landolfi等，2017；Gupta等，2020；Autiosalo等，2021）。

数字孪生给供应链管理带来的第二个优势是改善端到端的可视性（Moshood等，2021）。Hegedus等（2019）指出数字孪生可以实现供应链中的资产追溯。Wang等（2020）指出数字孪生供应链可以帮助非高科技行业克服物流运输过程中的相关信息可视性有限的问题。Tozanlı等（2020）研究了数字孪生如何促进数据驱动的以旧换新定价政策。Wang等（2021）提出在全球港口管理中如何使用数字孪生实现信息可视化。Chen和Huang（2021）指出数字孪生可以有效解决再制造供应链中信息不对称的主要挑战。值得注意的是，多位研究者都强调区块链技术将成为数字孪生供应链中提升隐私安全的重要手段（Kanak等，2019；2020 ; Greif等，2020；Joannou等，2020；Leng等，2020；Deng等，2021；Ho等，2021）。

数字孪生为供应链管理带来的第三个优势是提高供应链的敏捷性和恢复能力。现有研究探讨了数字孪生在管理供应链网络中断风险的应用（Ivanov和Dolgui，2019；2021；Ivanov等，2019）。Seif等（2019）指出，数字孪生帮助供应链提升敏捷性的关键在于其模块化的建模方式。Golan等（2021）谈论了新冠疫情的冲击下，数字孪生供应链如何助力疫苗生产供应链应对风险，提升中断情况下的运行效率。Barykin等（2020）则总结了在数字孪生供应链中用于评估潜在故障对供应链性能影响的优化和模拟方法。

面对日益复杂的供应链结构，研究者也开始探讨如何应用数字孪生提升供应链管理决策的智能性。首先，仿真技术是构建复杂数字孪生供应链系统一个重要方法，包括离散事件仿真（D'Angelo和Chong，2018；Dobler等，2020；Dutta等，2021；Pilati等，2021；Wilson等，2021），基于主体的仿真（Gorodetsky等，2019；Clark等，2020；Orozco-Romero等，2020），以及混合仿真模型（Makarov等，2021）。Frazzon等（2020）讨论了在数字孪生供应链中如何进行基于社会-网络-物理系统视角下的分布式决策。Shen等（2020）讨论了数字孪生如何支持协作式智能制造和供应链管理，包括带有弹性的供应网络协作设计、生产和分销的协作规划、动态更新配置以及远程维护等。Baruffaldi等（2019）针对仓库运营建立了数字孪生模型，利用优化和仿真技术来量化信息可用性对仓储操作的影响。Cavalcante等（2019）结合机器学习和仿真方法创建了一个数字孪生供应链，以优化采购决策。实现数字孪生供应链的价值不能依靠单一方法，而需要跨学科和数据驱动的方法（Barykin等，2020；de Paula Ferreira等，2020；Andronie等，2021）。

实施数字孪生供应链的价值有何案例说明？上述研究主要从概念层面进行了论述，目前也有部分研究利用数据或在实验环境中进行了验证。部分研究者利用新冠疫情的公开数据，分析说明了数字孪生供应链可以在疫情冲击下提升供应链的敏捷性（Ivanov, 2020; Burgos和Ivanov, 2021; Ivanov和Dolgui, 2021; Nasir等, 2021）。此外，在食品供应链，特别是生鲜食品配送领域（Defraeye等，2019；2021；Onwude等，2020），数字孪生供应链帮助生产商、零售商和消费者从采摘生产环节开始，持续监测生鲜产品的质量。还有部分研究者分别关注了数字孪生供应链在半导体行业（Ehm等，2019；Moder等，2020a；2020b）、飞机制造行业（Mandolla等，2019；Heim等，2020）、医药行业（Marmolejo-Saucedo，2020；Santos等，2020）、煤炭行业（Semenov等，2020）和烟草行业（Shen等，2021）的应用。

基于对当前数字孪生供应链研究的综述，本文主要关注了以下尚未得到全面解答的问题。首先，尽管数字孪生供应链的概念已经得到了一定的研究和探讨，但关于其详细架构仍有待研究（Busse等，2021）。针对这一问题，我们在第3节讨论了构建数字孪生供应链的基本要素。其次，现有文献讨论了如何将当前供应链管理中较为成熟的方法嵌套在数字孪生供应链中实现智能决策（如模拟和机器学习），而我们在第4节中则进一步探讨新的研究问题。第三，目前的研究主要在概念上或实验环境中对数字孪生供应链的价值进行探讨，我们在第5节中借助企业的真实案例来说明其如何在企业实际运营中发挥优势。

建立数字孪生供应链

在本节中，我们将介绍建立数字孪生供应链的基本方法。首先，我们简要回顾了供应链管理的相关概念。然后，我们总结了数字孪生供应链的构成要素。最后，我们探讨了数字孪生供应链如何满足智慧供应链的需求。

Christopher（2011）指出，供应链是“将上下游组织通过参与不同的过程和活动，最终将产品和服务送到终端消费者手中产生价值而连接形成的网络”。一般来说，供应链由供应商、制造商、分销商、零售商和客户组成，产品或服务流向最终客户。信息和资金通常在供应链节点之间双向流动。因此，供应链管理的目的是管理与一系列企业间和企业内活动相关的产品、信息和资金的流动。这些活动通常包括采购计划、生产制造、客户订单管理、库存管理、物流管理和市场营销（Chandra和Kumar，2000；Min和Mentzer 2000；Lummus等，2001）。

综合考虑数字孪生的属性以及供应链的相关概念，构建数字孪生供应链必须确定以下要素：（1）数字孪生供应链所包含的物理实体范围；（2）数字模型的同步频率以及精度；以及（3）用于同步的关键数据来源。

针对第一个问题，我们需要重点关注两类物理实体。首先，鉴于数字孪生供应链的目的是提高整个供应链网络的性能和竞争力，数字孪生供应链需要包含参与供应链的企业。第二，我们还应考虑产品和其他有价值的资产。产品是为产业链带来利润和竞争力的核心。而其他有价值的资产包含用于生产和交付产品所需的物品，归属权可能属于企业自身，例如制造企业用于生产的原材料和设备；归属权也可能属于外部组织，如第三方物流公司的卡车。通过这两大类物理实体可以反映企业内部的运作情况和企业间的协作情况。

针对第二个问题，我们分两种情况讨论数字模型所需要的同步频率以及精度。第一种情况是关于物理实体的基本属性，主要指其静态属性，如组织结构、战略目标和位置。对于产品来说，我们考虑的属性包括外观、尺寸和功能。对于制造设备，相关属性通常包括功能和功耗，例如运输工具的运送里程和容量。第二种情况是企业内和企业间的业务流程，如采购、生产、分销和营销。为了清楚地用数字模型定义一个业务流程，管理者需要考量以下问题：

- 该业务流程的目标是什么？

- 它是企业内的业务还是企业间的业务？

- 该业务的标准流程是什么？决策频率如何？

- 在每一步的执行中，具体哪个企业或者部门需要作出决策或采取相关行动？

- 在作出决定或采取行动之前，必须考虑哪些政策、法规和限制？

- 应该如何评价业务流程的绩效？

针对第三个问题，同步数据来源可划分为两类：（1）确保虚拟供应链与物理供应链具有相同的结构和属性的静态数据或（2）用于同步商业运作情况的实时、动态数据，例如，运输工具的位置和交通状况通常是实时更新的；因此，预估到达时间也需要持续更新以保证准确性。实时数据的采集不仅依靠传感器等物联网设备，也可来自采购管理系统和订单管理系统等在线系统。此外，数字模型也会产生模拟数据，通过综合分析实时数据和模拟数据，数字孪生供应链可提供有效的决策支持。

综上所述，数字孪生供应链和智慧供应链的需求是相互匹配的。在数字孪生供应链中，物理供应链通过智能传感器或在线系统连接，使数字模型反映真实静态属性和动态业务，从而实现连接性。而实时数据的及时同步提高了供应链的可视性。同步数据则为监测、分析、快速模拟和决策优化提供了基础，提升了供应链运作的敏捷性。此外，连接不同环节也提升了供应链管理的集成化。最后，数字孪生供应链可以通过预测分析感知未来，使决策者可以通过“考虑不同条件测试未来不同状态下系统的运作情况”（Klappich，2019），满足了智能化运作的需求。

数字孪生驱动的智慧供应链新的研究问题

在探讨构建数字孪生供应链的基本方法后，本节将讨论构建数字孪生供应链中的关键研究问题。我们将从三方面进行讨论，在第4.1节中，我们从包含需求、供应和风险等供应链建模的角度展开讨论；在第4.2节中，我们将关注实时决策问题；在第4.3节中，我们主要探讨了数据驱动的供应链协作问题。

4.1 供应链建模

数字孪生供应链需要准确及时地反映供应链的状况。一般来说，供应链建模考虑模型可分析性以及数据可得性，通常会对需求、供应和风险等要素进行简化假设。构建数字孪生供应链需要我们重新审视这些假设，从而更好地满足实际要求。

首先，为了充分利用实时需求和供应数据，我们需要更多非线性的建模方法。例如，Feng和Shanthikumar（2018）提出了一种新的方法，将非线性的供应和需求函数转化为高维度的线性函数。此外，数据驱动方法也可以直接使用观察数据来描述复杂的供需特征（Bertsimas和Thiele，2006 ），与传统的先估计再优化的两阶段方法不同，数据驱动方法可无需假设特定分布，直接用真实数据进行决策优化（Liyanage和Shanthikumar，2005）。

Levi等（2015）进一步说明了如何通过数据驱动方法对未知分布的需求进行建模。作者考虑仅有需求随机样本的报童模型，提出样本平均近似方法，从理论上分析了该方法的准确性。除了对于需求建模的关注，目前对于供给建模的数据驱动方法还较少。de Kok等（2018）指出，目前大部分的研究关于供给量不受限制的假设是与实际情况不相符的。Feng和Shanthikumar（2018）总结了三种用来建模有限供给量的方法：（1）确定性模型，（2）全有或全无的供应，（3）随机产量比例模型。但以上方法尚未融入数据驱动方法。

第二，建立数字孪生供应链需要风险建模方法的创新。供应链风险事件通常用离散事件进行模拟，风险在供应网络的相邻节点之间传播。Garvey等（2015）应用贝叶斯网络衡量供应网络中的风险传播。供应链风险管理通常也与其他供应链管理问题（如库存管理和网络设计）相结合。但通常主要关注二元风险，并假设所有的条件概率分布都明确已知。数字孪生供应链的创建允许风险信号和实际风险事件的传播的异步传播：风险信号可以即时同步，但风险实际影响需要一定时间来传播。因此，这为企业提供了应用数据提前预知风险并充分准备的机会。

第三，我们需要提升模型对于实时数据的适应性。数字孪生供应链为应对现实的复杂性和不确定性提供了一种有效的管理方式（Tohamy，2019）。Rajagopal等（2017）指出考虑多周期的中断和供应风险的模拟方法已经被应用于供应链网络设计、风险传播分析（Wu等，2013；Bueno-Solano和Cedillo-Campos，2014；Chen等，2015）、设施定位和库存管理（Colicchia等，2010；Schmitt和Singh，2012；Sarkar和Kumar，2015）等不同的方向，但以上方法并为考虑如何更高效地应用实时数据。

目前，数据驱动方法已被广泛应用于需求学习上。比如，Deng等（2014）使用贝叶斯方法学习与服务水平相关的需求水平。Cao等（2019）采用贝叶斯方法学习客户到达率。Harrison等（2012）、Ghate（2015）和Chen等（2017）提出了其他利用贝叶斯方法学习不同需求水平的方法。Ma等（2020）针对能源密集型产业，基于数据驱动的需求响应建立了一种可持续智能制造框架。Pereira和Frazzon（2021）将基于机器学习的需求预测和基于运营计划的模拟优化相结合，通过数据驱动方法实现全渠道零售供应链自适应同步需求和供应。此外，数字孪生供应链也产生了新的关键研究问题，包括如何利用实时数据更新模型以适应环境变化仍需要被研究解决（Hong和Jiang, 2019），如何综合利用产品生命周期中的需求和供应信息来帮助优化决策（Ma等，2020）等。

总而言之，我们需要创新的需求、供应和风险建模方法来充分利用数字孪生供应链的实时数据和信息，以提升模型对于不确定性环境的适应性。

4.2 实时优化决策

数字孪生供应链在物理供应链与数字模型是即时同步的基础上，需要进行系统级的实时优化决策（Olsen和Tomlin，2020）。一种常用方法是利用离线计算结果，Lowrey等（2018）、Hong和Jiang（2019）以及Jiang等（2020）都应用该方式解决实时计算资源紧张下的决策问题。一个简单的案例是使用射频识别技术来收集实时零售店的库存情况（Bottani等，2017）。在这个场景中，实时库存数据记录产品配送历史、销售信息等，实现了产品的可追溯性。一旦实时数据检测出库存变化，管理者就可以用离线优化的策略来实行库存管理措施。

实际上，不一定要求决策都需要实时完成，不同任务场景物理供应链与数字模型之间的同步频率是不同的。实践中，“实时”意味着相对于用户对数字模型的需求和预期使用而言，现实世界变化的时间可以忽略不计（Minerva 等，2020）。在实时决策问题中通常采取两种策略来触发算法：时间触发策略（例如，每分钟做决策）和事件触发策略（例如，当新的需求到来时做决策）。Heemels等（2012）对两种触发策略进行了讨论，并考虑了整个决策中由于计算带来的延迟问题。在Heemels等（2012）和Power （2011）的基础上，我们总结了在实践中常出现的延迟类型，如图1所示：（1）物理供应链发生变化，（2）物理供应链的变化通过一个或多个系统中的数据反映（实时数据的可用性），以及（3）变化的数据可用于优化模型。上述三类延迟主要针对从物理世界同步到数字模型的过程，考虑从数字模型到现实世界的反馈过程，还会存在（4）优化模型计算得出决策的时间和（5）执行决策和实际变化之间的额外延迟。

图1. 数字孪生供应链中的实时决策方案

数字孪生供应链中决策期的长度在不同的应用中通常是不同的。例如，Guo等（2017）主要关注全球网络配置这一长期规划问题，并应用在线学习方法改善依靠人工的易出错的配置方式。此外，也有研究关注相对高频率的决策问题，例如Ulmer（2019）根据新客户的需求以及对未来需求的预测设计算法重新优化配送车辆路由。Sung等（2021）应用两种不同的离线路径规划算法来生成不同的训练路径数据集，以提高在线路径规划器的性能。某些应用情景的决策期频率可能更高，例如，自动导引车的控制通常需要在毫秒级完成，而生产线面临紧急订单的重新配置也受到生产节拍的严格限制。因此，未来研究需要考虑的一个关键研究问题是，如何充分考虑上述潜在延迟，通过结合不同的触发策略来实现不同应用中的实时响应问题。以外，为了保证模型的准确性，另一个关键研究问题是离线模型与在线反馈之间如何实现有效闭环，如考虑（6）性能验证和（7）更新优化模型的时间延迟，离线模型应该多长时间检查和更新一次？

4.3 数据驱动的协作

我们在前几节讨论了数据驱动的建模和实时决策问题，在这一节中，我们重点讨论数据驱动的供应链协作问题。埃森哲技术展望报告（Daugherty等，2021）显示，87%的受访高管认为数字孪生供应链的价值是为企业提升了反映供应链信息的能力。因此，数据使用便成为了数字孪生供应链中不可避免需要研究的问题。

然而，当前的实践经验表明，与数据所有权和隐私有关的问题仍未得到有效解决。公司使用数字孪生解决方案供应商建立数字孪生供应链，相关供应链合作伙伴将数据上传到平台，但这些工业数据的所有权（即归属供应商、归属企业或归属两者）并不明确（Internet of Business，2017）。这导致公司面临着无意中与数字孪生解决方案供应商签署不平等协议的风险。此外，客户的敏感信息也需要妥善管理，避免暴露在犯罪威胁下（Fuller等，2020）。例如，欧盟的《通用数据保护条例》规范了个人数据隐私和安全，新条例要求数据使用者（公司）向数据主体（客户）解释数据使用情况（European Union，2018）。中国政府也提出了新的数据安全法，以规范互联网信息服务和算法推荐（Wang，2021）。

此外，如何利用新技术完成基于实时数据的供应链协作也需要进一步研究。现有文献考虑了在需求和库存数据上的协作，但对其他数据尚未深入探索，例如数字孪生供应链中包含的制造、分销、营销和物流等各类动态事件。此外，在实际应用中，我们还提出以下关键研究问题，数据共享行为如何影响供应链企业的行为和相关运营成本？实时数据应该以统计信息还是原始数据的形式协作共享？实时信息应该多长时间共享一次？区块链技术应该如何在数据驱动的供应链协作中得到应用？

案例介绍

在这一节中，我们介绍了京东的数字孪生供应链平台，及该平台如何帮助京东在新冠肺炎大流行期间快速重新配置供应链网络，从而显著提升京东应对疫情的响应效率。

5.1 背景

如今，零售业的去中心化、社区团购、社交购物和直播电商等新兴趋势正在加速零售业和制造业的互动和融合，导致供应链结构变得高度复杂。京东在中国经营着41个超大型 “亚洲一号”物流园区，拥有近1300个仓库和超过900万个自营库存单位（SKU）。产品范围涵盖快消品、电子产品、家用电器、服装、生鲜食品、图书、汽车等。运输网络包含陆地运输和航运等多种运输方式。京东通过运用数字化、智能化技术和多渠道模式，将供应链的规划和运作延伸到上下游。这也为传统的供应链规划方法和算法带来了挑战。

这一挑战在新冠肺炎疫情大流行下尤为严峻。首先，新冠疫情导致口罩、酒精、家用清洁产品和食品等产品产生特殊需求。第二，运输网络因地区封锁而频繁中断。第三，劳动力和原材料的短缺以及物流中断导致产品缺货。京东应用数字孪生供应链平台来解决以上挑战。据京东副总裁兼京东智慧供应链总裁Curtis Liu称，流行病等危机突出了智慧供应链的重要性，数字孪生供应链将数据驱动的模型与仿真模拟相结合，有利于快速评估和调整供应链规划策略，数字孪生供应链将成为未来供应链管理的一个重要趋势。

5.2 京东数字孪生供应链平台

京东数字孪生供应链平台为整个供应链建立了端到端的数字表示。京东拥有一个整合的供应链结构，与传统的零售业供应链相比，产品通过京东平台从制造商直接交付给消费者，这种整合的供应链结构具有更高的协作水平、更有效的信息共享、以及更高的敏捷性（Shen和Sun，2021）。如图2所示，数字孪生供应链平台将京东内部系统和外部系统相互连接，支持数据源包括网络配置平台、采购系统、转移系统和履行系统。优化和仿真算法共同支持供应链设计和智能操作，并与执行系统直接连接，从而可以快速应对外界变化。同时，数据驱动的决策也在系统中可视化展示，便于管理者理解。数字孪生供应链平台有望支持京东从长期战略、到中期计划、再到短期运营决策的各种商业决策。在下一小节，我们将以重新配置供应链网络为例对数字孪生供应链平台进行详细说明。

图2. 京东数字孪生供应链平台的框架

5.3 数字孪生供应链平台支持供应链网络重新配置

在本节中，我们将介绍京东数字孪生供应链平台如何帮助企业在新冠肺炎大流行期间实现快速网络重新配置。具体场景如下，考虑一个典型两级供应链网络，上游分销中心可能由于疫情突然封锁，无法向下游仓库发货，导致京东需要重新配置供应链网络。备选策略包括利用其他配送中心作为替代补充订单，也可以采用延期交货策略。采用替代配送中心对其原有服务区的订单执行率产生了负面影响，并产生大量额外运输成本。此外，不同地区的需求特性、销售及库存水平也为评估供应链网络重新配置的影响带来了挑战。数字孪生供应链平台能全面考虑各类目标，迅速模拟和优化不同策略。京东数字孪生供应链平台的使用主要包含以下步骤：

- 初始化模型。为了尽可能准确地映射真实环境，京东数字孪生供应链平台支持从物理、时间、流程和成本等层面创建模型，并利用大数据技术从生产系统中自动创建模型基本数据。构成模型的基本信息包括产品范围、区域范围、配送中心和仓库信息以及客户类型。

- 刻画当前业务状态。初始化后，仿真模型需要详细准确的结构和参数，包括当前的网络结构和补货策略。以真实情况为例，石家庄地区的需求是由石家庄和北京的两个配送中心完成。在该网络结构上，仔细校准补货策略参数，最终模型在关键指标（如本地订单完成率和运输成本）上与真实相比，平均准确率达到96%，基本可充分刻画当前业务状态。

- 设定候选计划。延续上述案例，新冠肺炎大流行期间，北京的配送中心由于限制无法发货，候选计划为使用天津的配送中心。

- 结果分析与可视化。京东应用先进的算法来改进配送网络的设计（Kang等，2021）。在上述案例中，平台通过库存周转率、库存可用性、订单分割率、本地订单执行率、当日配送比例和总成本等综合评估备选方案。结果显示，天津的配送中心可以通过支持部分SKU来保持高服务水平。

此前，对近200000个SKU的供应链重新配置的评估需要几天时间，在数字孪生供应链平台的大数据分析和优化工具的帮助下，评估时间减少到一小时以内，进而帮助企业把应对中断的反应时间平均缩短了50%。总而言之，在新冠肺炎大流行期间，京东数字孪生供应链平台帮助企业快速应对供应链中断，提高运营效率；实现了端到端供应链整合表示，支持一体化的供应链规划。

5.4 讨论

在新冠肺炎大流行期间帮助企业快速重构供应链网络充分体现了京东数字孪生供应链平台的优势。未来，京东预计扩大数字孪生供应链平台的应用规模，以实现智慧供应链。实现过程存在一些可能的挑战。首先，数字孪生供应链平台将需要大规模的模拟和优化工具，开发全国性的供应链网络建模优化系统。其次，未来需要更多探索实时数据的应用，从而提高日常运营效率。第三，需要借助更多数据驱动方法帮助京东主动预见潜在的中断风险，以做好充分准备。

结论

当前，数字孪生的概念为智慧供应链的实现提供了更多的可能。越来越多的从业者开始认识到数字孪生供应链的价值，并着手建立数字孪生供应链，在构建过程中需要解决一系列关键研究问题，包括新的建模方法与决策模式、数据驱动的供应链协作方法，以帮助管理者充分利用实时数据来应对快速变化的市场，预见风险并做好充分准备。当然，我们在本文中的讨论并不详尽，我们也希望未来可以看到更多关于数字孪生供应链的相关实践探索和理论探讨。

参考文献可向上滑动阅览

AlMulhim A F (2021). Smart supply chain and firm performance: The role of digital technologies. Business Process Management Journal, 27(5): 1353–1372 doi:10.1108/BPMJ-12-2020-0573

Anasoft (2019). Digital twin: Smart industry and intelligent enterprise. Available at: anasoft.COM/emans/en/home/news-blog/blog/Digital-Twin-Smart-Industry-and-Intelligent-Enterprise

Andronie M, Lazaroiu G, Stefanescu R, Uta C, Dijmarescu I (2021). Sustainable, smart, and sensing technologies for cyber–physical manufacturing systems: A systematic literature review. Sustainability, 13(10): 5495 doi:10.3390/su13105495

Autiosalo J, Ala-Laurinaho R, Mattila J, Valtonen M, Peltoranta V, Tammi K (2021). Towards integrated digital twins for industrial products: Case study on an overhead crane. Applied Sciences, 11(2): 683 doi:10.3390/app11020683

Avventuroso G, Silvestri M, Pedrazzoli P (2017). A networked production system to implement virtual enterprise and product lifecycle information loops. In: 20th IFAC World Congress. Toulouse: Elsevier, 7964–7969

Baruffaldi G, Accorsi R, Manzini R (2019). Warehouse management system customization and information availability in 3PL companies: A decision-support tool. Industrial Management & Data Systems, 119(2): 251–273 doi:10.1108/IMDS-01-2018-0033

Barykin S Y, Bochkarev A A, Dobronravin E, Sergeev S M (2021). The place and role of digital twin in supply chain management. Academy of Strategic Management Journal, 20(2S)

Barykin S Y, Bochkarev A A, Kalinina O V, Yadykin V K (2020). Concept for a supply chain digital twin. International Journal of Mathematical, Engineering and Management Sciences, 5(6): 1498–1515 doi:10.33889/IJMEMS.2020.5.6.111

Beltrami M, Orzes G, Sarkis J, Sartor M (2021). Industry 4.0 and sustainability: Towards conceptualization and theory. Journal of Cleaner Production, 312: 127733 doi:10.1016/j.jclepro.2021.127733

Bertsimas D, Thiele A (2006). Robust and data-driven optimization: Modern decision making under uncertainty. In: Models, methods, and applications for innovative decision making. INFORMS, 95-122

Boschert S, Rosen R (2016). Digital twin—the simulation aspect. In: Mechatronic futures. 59-74

Bottani E, Bertolini M, Rizzi A, Romagnoli G (2017). Monitoring on-shelf availability, out-of-stock and product freshness through RFID in the fresh food supply chain. International Journal of RF Technologies: Research and Applications, 8(1–2): 33–55 doi:10.3233/RFT-171780

Bueno-Solano A, Cedillo-Campos M G (2014). Dynamic impact on global supply chains performance of disruptions propagation produced by terrorist acts. Transportation Research Part E: Logistics and Transportation Review, 61: 1–12 doi:10.1016/j.tre.2013.09.005

Burgos D, Ivanov D (2021). Food retail supply chain resilience and the COVID-19 pandemic: A digital twin-based impact analysis and improvement directions. Transportation Research Part E: Logistics and Transportation Review, 152: 102412 doi:10.1016/j.tre.2021.102412

Busse A, Gerlach B, Lengeling J C, Poschmann P, Werner J, Zarnitz S (2021). Towards digital twins of multimodal supply chains. Logistics, 5(2): 25 doi:10.3390/logistics5020025

Butner K (2010). The smarter supply chain of the future. Strategy and Leadership, 38(1): 22–31 doi:10.1108/10878571011009859

Cao P, Zhao N G, Wu J (2019). Dynamic pricing with Bayesian demand learning and reference price effect. European Journal of Operational Research, 279(2): 540–556 doi:10.1016/j.ejor.2019.06.033

Cavalcante I M, Frazzon E M, Forcellini F A, Ivanov D (2019). A supervised machine learning approach to data-driven simulation of resilient supplier selection in digital manufacturing. International Journal of Information Management, 49: 86–97 doi:10.1016/j.ijinfomgt.2019.03.004

Chandra C, Kumar S (2000). Supply chain management in theory and practice: A passing fad or a fundamental change? Industrial Management & Data Systems, 100(3): 100–114 doi:10.1108/02635570010286168

Chen J L, Zhao X B, Shen Z J (2015). Risk mitigation benefit from backup suppliers in the presence of the horizontal fairness concern. Decision Sciences, 46(4): 663–696 doi:10.1111/deci.12157

Chen X, Hu P, Hu Z Y (2017). Efficient algorithms for the dynamic pricing problem with reference price effect. Management Science, 63(12): 4389–4408 doi:10.1287/mnsc.2016.2554

Chen Z, Huang L (2021). Digital twins for information-sharing in remanufacturing supply chain: A review. Energy, 220: 119712 doi:10.1016/j.energy.2020.119712

Christopher M (2011). Logistics and Supply Chain Management, 4th ed. London: Pearson

Clark T, Barn B, Kulkarni V, Barat S (2020). Language support for multi agent reinforcement learning. In: 13th Innovations in Software Engineering Conference (ISEC). Jabalpur: ACM, 7

Colicchia C, Dallari F, Melacini M (2010). Increasing supply chain resilience in a global sourcing context. Production Planning and Control, 21(7): 680–694 doi:10.1080/09537280903551969

Cozmiuc D, Petrisor I (2018). Industrie 4.0 by Siemens: Steps made today. Journal of Cases on Information Technology, 20(2): 30–48 doi:10.4018/JCIT.2018040103

D’Angelo A, Chong E K P (2018). A systems engineering approach to incorporating the Internet of Things to reliability-risk modeling for ranking conceptual designs. In: ASME International Mechanical Engineering Congress and Exposition—Design, Reliability, Safety, and Risk. Pittsburgh, PA, V013T05A027

Daugherty P, Carrel-Billiard M, Biltz M (2021). Accenture technology vision 2021. Available at: accenture.COM/gb-en/insights/technology/technology-trends-2021

Defraeye T, Shrivastava C, Berry T, Verboven P, Onwude D, Schudel S, Buehlmann A, Cronje P, Rossi R M (2021). Digital twins are coming: Will we need them in supply chains of fresh horticultural produce? Trends in Food Science & Technology, 109: 245–258 doi:10.1016/j.tifs.2021.01.025

Defraeye T, Tagliavini G, Wu W, Prawiranto K, Schudel S, Kerisima M A, Verboven P, Buhlmann A (2019). Digital twins probe into food cooling and biochemical quality changes for reducing losses in refrigerated supply chains. Resources, Conservation and Recycling, 149: 778–794 doi:10.1016/j.resconrec.2019.06.002

de Kok T, Grob C, Laumanns M, Minner S, Rambau J, Schade K (2018). A typology and literature review on stochastic multi-echelon inventory models. European Journal of Operational Research, 269(3): 955–983 doi:10.1016/j.ejor.2018.02.047

Deng T H, Shen Z J M, Shanthikumar J G (2014). Statistical learning of service-dependent demand in a multiperiod newsvendor setting. Operations Research, 62(5): 1064–1076 doi:10.1287/opre.2014.1303

Deng T H, Zhang K R, Shen Z J M (2021). A systematic review of a digital twin city: A new pattern of urban governance toward smart cities. Journal of Management Science and Engineering, 6/2: 125-134

de Paula Ferreira W, Armellini F, de Santa-Eulalia L A (2020). Simulation in Industry 4.0: A state-of-the-art review. Computers & Industrial Engineering, 149: 106868 doi: 10.1016/j.cie.2020.106868

Dobler M, Busel P, Hartmann C, Schumacher J (2020). Supporting SMEs in the Lake Constance region in the implementation of cyber–physical-systems: Framework and demonstrator. In: 2020 IEEE International Conference on Engineering, Technology and Innovation. Cardiff, 1–8

Ducree J, Gravitt M, Walshe R, Bartling S, Etzrodt M, Harrington T (2020). Open platform concept for blockchain-enabled crowdsourcing of technology development and supply chains. Frontiers in Blockchain, 3: 586525 doi:10.3389/fbloc.2020.586525

Dutta G, Kumar R, Sindhwani R, Singh R K (2021). Adopting shop floor digitalization in Indian manufacturing SMEs: A transformational study. In: Phanden R K, Mathiyazhagan K, Kumar R, Paulo Davim J, eds. Advances in Industrial and Production Engineering. Singapore: Springer, 599–611

Ehm H, Ramzy N, Moder P, Summerer C, Fetz S, Neau C (2019). Digital reference: A semantic web for semiconductor manufacturing and supply chains containing semiconductors. In: Winter Simulation Conference (WSC). National Harbor, MD: IEEE, 2409–2418

European Union (2018). The General Data Protection Regulation (GDPR). Available at: ec.europa.eu/info/law/law-topic/data-protection_en

Feng Q, Shanthikumar J G (2018). Supply and demand functions in inventory models. Operations Research, 66(1): 77–91 doi:10.1287/opre.2017.1648

Frazzon E M, Agostino I R S, Broda E, Freitag M (2020). Manufacturing networks in the era of digital production and operations: A socio–cyber–physical perspective. Annual Reviews in Control, 49: 288–294 doi:10.1016/j.arcontrol.2020.04.008

Fuller A, Fan Z, Day C, Barlow C (2020). Digital twin: Enabling technologies, challenges and open research. IEEE Access, 8: 108952–108971 doi:10.1109/ACCESS.2020.2998358

Garvey M D, Carnovale S, Yeniyurt S (2015). An analytical framework for supply network risk propagation: A Bayesian network approach. European Journal of Operational Research, 243(2): 618–627 doi:10.1016/j.ejor.2014.10.034

Ghate A (2015). Optimal minimum bids and inventory scrapping in sequential, single-unit, Vickrey auctions with demand learning. European Journal of Operational Research, 245(2): 555–570 doi:10.1016/j.ejor.2015.03.015

Ghobakhloo M (2018). The future of manufacturing industry: A strategic roadmap toward Industry 4.0. Journal of Manufacturing Technology Management, 29(6): 910–936 doi:10.1108/JMTM-02-2018-0057

Glaessgen E, Stargel D (2012). The digital twin paradigm for future nasa and us air force vehicles. In: 53rd AIAA/ASME/ASCE/AHS/ASC structures, structural dynamics and materials conference 20th AIAA/ASME/AHS adaptive structures conference 14th AIAA, 1818

Gligor D, Gligor N, Holcomb M, Bozkurt S (2019). Distinguishing between the concepts of supply chain agility and resilience: A multidisciplinary literature review. International Journal of Logistics Management, 30(2): 467–487 doi:10.1108/IJLM-10-2017-0259

Golan M S, Trump B D, Cegan J C, Linkov I (2021). Supply chain resilience for vaccines: Review of modeling approaches in the context of the COVID-19 pandemic. Industrial Management & Data Systems, 121(7): 1723–1748 doi:10.1108/IMDS-01-2021-0022

Gorodetsky V I, Kozhevnikov S S, Novichkov D, Skobelev P O (2019). The framework for designing autonomous cyber–physical multi-agent systems for adaptive resource management. In: 9th International Conference on Industrial Applications of Holonic and Multi-Agent Systems (HoloMAS). Linz: Springer, 52–64

Greif T, Stein N, Flath C M (2020). Peeking into the void: Digital twins for construction site logistics. Computers in Industry, 121: 103264 doi:10.1016/j.compind.2020.103264

Grieves M (2005). Product lifecycle management: The new paradigm for enterprises. International Journal of Product Development, 2(1/2): 71–84 doi:10.1504/IJPD.2005.006669

Grieves M (2006). Product Lifecycle Management: Driving the Next Generation of Lean Thinking. New York: McGraw Hill

Grieves M (2011). Virtually Perfect: Driving Innovative and Lean Products through Product Lifecycle Management. Brevard County: Space Coast Press

Grieves M (2015). Digital twin: Manufacturing excellence through virtual factory replication. Whitepaper

Grieves M, Vickers J (2017). Digital twin: Mitigating unpredictable, undesirable emergent behavior in complex system. In: Kahlen F J, Flumerfelt S, Alves A, eds. Transdisciplinary Perspectives on Complex Systems. Cham: Springer, 85–113

Guo X Y, Trimponias G, Wang X X, Chen Z T, Geng Y H, Liu X (2017). Cellular network configuration via online learning and joint optimization. In: IEEE International Conference on Big Data. Boston, MA, 1295–1300

Gupta N, Tiwari A, Bukkapatnam S T S, Karri R (2020). Additive manufacturing cyber–physical system: Supply chain cybersecurity and risks. IEEE Access, 8: 47322–47333 doi:10.1109/ACCESS.2020.2978815

Haag S, Simon C (2019). Simulation of horizontal and vertical integration in digital twins. In: 33rd International ECMS Conference on Modelling and Simulation. Caserta, 284–289

Harrison J M, Keskin N B, Zeevi A (2012). Bayesian dynamic pricing policies: Learning and earning under a binary prior distribution. Management Science, 58(3): 570–586 doi:10.1287/mnsc.1110.1426

Heemels W P, Johansson K H, Tabuada P (2012). An introduction to event-triggered and self-triggered control. In: 51st IEEE Conference on Decision and Control (CDC). Maui, HI, 3270–3285

Hegedus C, Franko A, Varga P (2019). Asset and production tracking through value chains for Industry 4.0 using the arrowhead framework. In: IEEE International Conference on Industrial Cyber Physical Systems (ICPS). Taipei, 655–660

Heim S, Clemens J, Steck J E, Basic C, Timmons D, Zwiener K (2020). Predictive maintenance on aircraft and applications with digital twin. In: 8th IEEE International Conference on Big Data. Atlanta, GA, 4122–4127

Hippold S (2020). Coronavirus: How to secure your supply chain. Available at: gartner.COM/smarterwithgartner/coronavirus-how-to-secure-your-supply-chain

Ho G T S, Tang Y M, Tsang K Y, Tang V, Chau K Y (2021). A blockchain-based system to enhance aircraft parts traceability and trackability for inventory management. Expert Systems with Applications, 179: 115101 doi:10.1016/j.eswa.2021.115101

Hong L J, Jiang G X (2019). Offline simulation online application: A new framework of simulation-based decision making. Asia-Pacific Journal of Operational Research, 36(6): 1940015 doi:10.1142/S0217595919400153

Internet of Business (2017). Uncertainty persists around ownership and value of IoT data. Available at: internetofbusiness.COM/uncertainty-ownership-value-iot-data-persists

Ivanov D (2020). Predicting the impacts of epidemic outbreaks on global supply chains: A simulation-based analysis on the coronavirus outbreak (COVID-19/SARS-CoV-2) case. Transportation Research Part E: Logistics and Transportation Review, 136: 101922 doi:10.1016/j.tre.2020.101922 PMID:32288597

Ivanov D, Dolgui A (2019). New disruption risk management perspectives in supply chains: Digital twins, the ripple effect, and resileanness. In: 9th IFAC Conference on Manufacturing Modelling, Management and Control. Berlin: Elsevier, 337–342

Ivanov D, Dolgui A (2021). A digital supply chain twin for managing the disruption risks and resilience in the era of industry 4.0. Production Planning and Control, 32(9): 775–788 doi:10.1080/09537287.2020.1768450

Ivanov D, Dolgui A, Das A, Sokolov B (2019). Digital supply chain twins: Managing the ripple effect, resilience, and disruption risks by data-driven optimization, simulation, and visibility. In: Handbook of ripple effects in the supply chain. 309-332

Jiang G X, Hong L J, Nelson B L (2020). Online risk monitoring using offline simulation. INFORMS Journal on Computing, 32(2): 356–375 doi:10.1287/ijoc.2019.0892

Joannou D, Kalawsky R, Martinez-Garcia M, Fowler C, Fowler K (2020). Realizing the role of permissioned blockchains in a systems engineering lifecycle. Systems, 8(4): 41 doi:10.3390/systems8040041

Kalaboukas K, Rozanec J, Kosmerlj A, Kiritsis D, Arampatzis G (2021). Implementation of cognitive digital twins in connected and agile supply networks: An operational model. Applied Sciences, 11(9): 4103 doi:10.3390/app11094103

Kanak A, Ugur N, Ergun S (2019). A visionary model on blockchain-based accountability for secure and collaborative digital twin environments. In: IEEE International Conference on Systems, Man and Cybernetics (SMC). Bari, 3512–3517

Kanak A, Ugur N, Ergun S (2020). Diamond accountability model for blockchain-enabled cyber–physical systems. In: IEEE 1st International Conference on Human–Machine Systems. Rome, 1–5

Kang N, Shen H, Xu Y (2021). JD.Com improves delivery networks by a multi-period facility location model. INFORMS Journal on Applied Analytics, in press, doi:10.1287/inte.2021.1077

Kenett R S, Bortman J (2021). The digital twin in Industry 4.0: A wide-angle perspective. Quality and Reliability Engineering International, in press, doi:10.1002/qre.2948

Klappich D (2019). Hype cycle for supply chain execution technologies. Available at: gartner.COM/en/documents/3947306/hype-cycle-for-supply-chain-execution-technologies-2019

Landolfi G, Menato S, Sorlini M, Valdata A, Rovere D, Fornasiero R, Pedrazzoli P (2017). Intelligent value chain management framework for customized assistive healthcare devices. In: 11th CIRP Conference on Intelligent Computation in Manufacturing Engineering (CIRP ICME). Naples: Elsevier, 583–588

Lee D, Lee S (2021). Digital twin for supply chain coordination in modular construction. Applied Sciences, 11(13): 5909 doi:10.3390/app11135909

Leng J, Ruan G, Jiang P, Xu K, Liu Q, Zhou X, Liu C (2020). Blockchain-empowered sustainable manufacturing and product lifecycle management in Industry 4.0: A survey. Renewable & Sustainable Energy Reviews, 132: 110112 doi:10.1016/j.rser.2020.110112

Levi R, Perakis G, Uichanco J (2015). The data-driven newsvendor problem: New bounds and insights. Operations Research, 63(6): 1294–1306 doi:10.1287/opre.2015.1422

Li X, Cao J, Liu Z, Luo X (2020). Sustainable business model based on digital twin platform network: The inspiration from Haier’s case study in China. Sustainability, 12(3): 936 doi:10.3390/su12030936

Liyanage L H, Shanthikumar J G (2005). A practical inventory control policy using operational statistics. Operations Research Letters, 33(4): 341–348 doi:10.1016/j.orl.2004.08.003

Lowrey K, Rajeswaran A, Kakade S, Todorov E, Mordatch I (2018). Plan online, learn offline: Efficient learning and exploration via model-based control. arXiv preprint, arXiv:1811.01848

Lucas A (2020). Apple warns on revenue guidance due to production delays, weak demand in China because of coronavirus. Available at: cnbc.COM/2020/02/17/apple-warns-on-coronavirus-it-wont-meet-revenue-guidance-because-of-constrained-iphone-supply-and-suppressed-demand-in-china.html

Lummus R R, Krumwiede D W, Vokurka R J (2001). The relationship of logistics to supply chain management: Developing a common industry definition. Industrial Management & Data Systems, 101(8): 426–432 doi:10.1108/02635570110406730

Ma S, Zhang Y, Liu Y, Yang H, Lv J, Ren S (2020). Data-driven sustainable intelligent manufacturing based on demand response for energy-intensive industries. Journal of Cleaner Production, 274: 123155 doi:10.1016/j.jclepro.2020.123155

Makarov V L, Bakhtizin A R, Beklaryan G L, Akopov A S (2021). Digital plant: Methods of discrete-event modeling and optimization of production characteristics. Business Informatics, 15(2): 7–20 doi:10.17323/2587-814X.2021.2.7.20

Mandolla C, Petruzzelli A M, Percoco G, Urbinati A (2019). Building a digital twin for additive manufacturing through the exploitation of blockchain: A case analysis of the aircraft industry. Computers in Industry, 109: 134–152 doi:10.1016/j.compind.2019.04.011

Marmolejo-Saucedo J A (2020). Design and development of digital twins: A case study in supply chains. Mobile Networks and Applications, 25(6): 2141–2160 doi:10.1007/s11036-020-01557-9

Marmolejo-Saucedo J A, Hurtado-Hernandez M, Suarez-Valdes R (2019). Digital twins in supply chain management: A brief literature review. In: International Conference on Intelligent Computing & Optimization. Koh Samui: Springer, 653–661

Marr B (2017). What is digital twin technology and why is it so important? Available at: forbes.COM/sites/bernardmarr/2017/03/06/what-is-digital-twin-technology-and-why-is-it-so-important/

Min S, Mentzer J T (2000). The role of marketing in supply chain management. International Journal of Physical Distribution & Logistics Management, 30(9): 765–787 doi:10.1108/09600030010351462

Minerva R, Lee G M, Crespi N (2020). Digital twin in the IoT context: A survey on technical features, scenarios, and architectural models. Proceedings of the IEEE, 108(10): 1785–1824 doi:10.1109/JPROC.2020.2998530

Moder P, Ehm H, Jofer E (2020a). A holistic digital twin based on semantic web technologies to accelerate digitalization. In: International Conference on Digital Transformation in Semiconductor Manufacturing. Milan: Springer, 3–13

Moder P, Ehm H, Ramzy N (2020b). Digital twin for plan and make using semantic web technologies: Extending the JESSI/SEMATECH MIMAC Standard to the digital reference. In: International Conference on Digital Transformation in Semiconductor Manufacturing. Milan: Springer, 24–32

Moshood T D, Nawanir G, Sorooshian S, Okfalisa O (2021). Digital twins driven supply chain visibility within logistics: A new paradigm for future logistics. Applied System Innovation, 4(2): 29 doi:10.3390/asi4020029

Nasir S B, Ahmed T, Karmaker C L, Ali S M, Paul S K, Majumdar A (2021). Supply chain viability in the context of COVID-19 pandemic in small- and medium-sized enterprises: Implications for sustainable development goals. Journal of Enterprise Information Management, in press, doi:10.1108/JEIM-02-2021-0091

Olcott S, Mullen C (2020). Digital twin consortium defines digital twin. Available at: blog.digitaltwinconsortium.org/2020/12/digital-twin-consortium-defines-digital-twin.html

Olsen T L, Tomlin B (2020). Industry 4.0: Opportunities and challenges for operations management. Manufacturing & Service Operations Management, 22(1): 113–122 doi:10.1287/msom.2019.0796

Onwude D I, Chen G, Eke-Emezie N, Kabutey A, Khaled A Y, Sturm B (2020). Recent advances in reducing food losses in the supply chain of fresh agricultural produce. Processes, 8(11): 1431 doi:10.3390/pr8111431

Orozco-Romero A, Arias-Portela C Y, Marmolejo-Saucedo J A (2020). The use of agent-based models boosted by digital twins in the supply chain: A literature review. In: International Conference on Intelligent Computing and Optimization. Koh Samui: Springer, 642–652

Panetta K (2017). Gartner’s top 10 strategic technology trends for 2017. Available at: gartner.COM/smarterwithgartner/gartners-top-10-technology-trends-2017/

Panetta K (2018). Gartner’s top 10 strategic technology trends for 2018. Available at: gartner.COM/smarterwithgartner/gartner-top-10-strategic-technology-trends-for-2018/

Panetta K (2019). Gartner’s top 10 strategic technology trends for 2019. Available at: gartner.COM/smarterwithgartner/gartner-top-10-strategic-technology-trends-for-2019/

Park K T, Son Y H, Noh S D (2021). The architectural framework of a cyber physical logistics system for digital-twin-based supply chain control. International Journal of Production Research, 59(19): 5721–5742 doi:10.1080/00207543.2020.1788738

Pehlken A, Baumann S (2020). Urban mining: Applying digital twins for sustainable product cascade use. In: IEEE International Conference on Engineering, Technology and Innovation. Cardiff, 1–7

Pereira M M, Frazzon E M (2021). A data-driven approach to adaptive synchronization of demand and supply in omni-channel retail supply chains. International Journal of Information Management, 57: 102165 doi:10.1016/j.ijinfomgt.2020.102165

Pettey C (2017). Prepare for the impact of digital twins. Available at: gartner.COM/smarterwithgartner/prepare-for-the-impact-of-digital-twins/

Pilati F, Tronconi R, Nollo G, Heragu S S, Zerzer F (2021). Digital twin of COVID-19 mass vaccination centers. Sustainability, 13(13): 7396 doi:10.3390/su13137396

Power D J (2011). Challenges of real-time decision support. In: Supporting real time decision-making. Springer, 3-11

Preut A, Kopka J P, Clausen U (2021). Digital twins for the circular economy. Sustainability, 13(18): 10467 doi:10.3390/su131810467

Qi Q, Tao F, Hu T, Anwer N, Liu A, Wei Y, Wang L, Nee A Y C (2021). Enabling technologies and tools for digital twin. Journal of Manufacturing Systems, 58: 3–21 doi:10.1016/j.jmsy.2019.10.001

Rajagopal V, Venkatesan S P, Goh M (2017). Decision-making models for supply chain risk mitigation: A review. Computers & Industrial Engineering, 113: 646–682 doi:10.1016/j.cie.2017.09.043

Reeves K, Maple C (2019). Realising the vision of digital twins: Challenges in trustworthiness. In: Living in the Internet of Things (IoT 2019). London, 33

Rehana S (2018). Making a digital twin supply chain a reality. Available at: asug.COM/news/making-a-digital-twin-supply-chain-a-reality

Santos J A M, Lopes M R, Viegas J L, Vieira S M, Sousa J M C (2020). Internal supply chain digital twin of a pharmaceutical company. In: 21st IFAC World Congress on Automatic Control. Berlin: Elsevier, 10797–10802

Sarkar S, Kumar S (2015). A behavioral experiment on inventory management with supply chain disruption. International Journal of Production Economics, 169: 169–178 doi:10.1016/j.ijpe.2015.07.032

Schmitt A J, Singh M (2012). A quantitative analysis of disruption risk in a multi-echelon supply chain. International Journal of Production Economics, 139(1): 22–32 doi:10.1016/j.ijpe.2012.01.004

Schuh G, Anderl R, Gausemeier J, ten Hompel M, Wahlster W (2017). Industrie 4.0 maturity index: Managing the digital transformation of companies. Available at: en.acatech.de/publication/industrie-4-0-maturity-index-managing-the-digital-transformation-of-companies/

Seif A, Toro C, Akhtar H (2019). Implementing Industry 4.0 asset administrative shells in mini factories. In: 23rd KES International Conference on Knowledge-Based and Intelligent Information and Engineering Systems. Budapest: Elsevier, 495–504

Semenov Y, Semenova O, Kuvataev I (2020). Solutions for digitalization of the coal industry implemented in UC Kuzbassrazrezugol. In: 5th International Innovative Mining Symposium (IIMS). Kemerovo, 01042

Seyedghorban Z, Tahernejad H, Meriton R, Graham G (2020). Supply chain digitalization: Past, present and future. Production Planning and Control, 31(2–3): 96–114 doi:10.1080/09537287.2019.1631461

Shafto M, Conroy M, Doyle R, Glaessgen E, Kemp C, LeMoigne J, Wang L (2012). Modeling, simulation, information technology & processing roadmap. National Aeronautics and Space Administration (NASA)

Sharma M, Singla M K, Nijhawan P, Dhingra A (2021). Sensor-based optimization of energy efficiency in Internet of Things: A review. In: Singh H, Singh Cheema P P, Garg P, eds. Sustainable Development through Engineering Innovations. Singapore: Springer, 153–161

Shen W, Yang C, Gao L (2020). Address business crisis caused by COVID-19 with collaborative intelligent manufacturing technologies. IET Collaborative Intelligent Manufacturing, 2(2): 96–99 doi:10.1049/iet-cim.2020.0041

Shen X, Zhang Y, Tang Y, Qin Y, Liu N, Yi Z (2021). A study on the impact of digital tobacco logistics on tobacco supply chain performance: Taking the tobacco industry in Guangxi as an example. Industrial Management & Data Systems, in press, doi:10.1108/IMDS-05-2021-0270

Shen Z M, Sun Y (2021). Strengthening supply chain resilience during COVID-19: A case study of JD.COM. Journal of Operations Management, in press, doi:10.1002/joom.1161

Shoji K, Schudel S, Onwude D, Shrivastava C, Defraeye T (2022). Mapping the postharvest life of imported fruits from packhouse to retail stores using physics-based digital twins. Resources, Conservation and Recycling, 176: 105914 doi:10.1016/j.resconrec.2021.105914

Smetana S, Aganovic K, Heinz V (2021). Food supply chains as cyber–physical systems: A path for more sustainable personalized nutrition. Food Engineering Reviews, 13(1): 92–103 doi:10.1007/s12393-020-09243-y

Stanford-Clark A, Frank-Schultz E, Harris M (2019). What are digital twins? Available at: developer.ibm.COM/articles/what-are-digital-twins/

Stark R, Damerau T (2019). Digital twin. In: Cirp encyclopedia of production engineering. 1-8

Sung I, Choi B, Nielsen P (2021). On the training of a neural network for online path planning with offline path planning algorithms. International Journal of Information Management, 57: 102142 doi:10.1016/j.ijinfomgt.2020.102142

Tohamy N (2019). Hype cycle for supply chain strategy. Available at: gartner.COM/en/documents/3947438/hype-cycle-for-supply-chain-strategy-2019

Tozanlı O, Kongar E, Gupta S M (2020). Evaluation of waste electronic product trade-in strategies in predictive twin disassembly systems in the era of blockchain. Sustainability, 12(13): 5416 doi:10.3390/su12135416

Ulmer M W (2019). Anticipation versus reactive reoptimization for dynamic vehicle routing with stochastic requests. Networks, 73(3): 277–291 doi:10.1002/net.21861

Wang K, Hu Q, Zhou M, Zun Z, Qian X (2021). Multi-aspect applications and development challenges of digital twin-driven management in global smart ports. Case Studies on Transport Policy, 9(3): 1298–1312 doi:10.1016/j.cstp.2021.06.014

Wang K, Xie W, Wang B, Pei J, Wu W, Baker M, Zhou Q (2020). Simulation-based digital twin development for blockchain enabled end-to-end industrial hemp supply chain risk management. In: Winter Simulation Conference. Orlando, FL: IEEE, 3200–3211

Wang S (2021). Users intend to have the right to choose to close the algorithm recommendation service. Available at: news.cn/legal/2021-08/27/c_1127801496.htm (in Chinese)

Wayland M (2020). Coronavirus impact spreads to European auto plant and could hit GM truck production. Available at: cnbc.COM/2020/02/14/coronavirus-impact-to-potentially-disrupt-gm-truck-production.html

Wilson R, Mercier P H J, Patarachao B, Navarra A (2021). Partial least squares regression of oil sands processing variables within discrete event simulation digital twin. Minerals, 11(7): 689 doi:10.3390/min11070689

Wu L, Yue X, Jin A, Yen D C (2016). Smart supply chain management: A review and implications for future research. International Journal of Logistics Management, 27(2): 395–417 doi:10.1108/IJLM-02-2014-0035

Wu T, Huang S M, Blackhurst J, Zhang X L, Wang S S (2013). Supply chain risk management: An agent-based simulation to study the impact of retail stockouts. IEEE Transactions on Engineering Management, 60(4): 676–686 doi:10.1109/TEM.2012.2190986

Yang J, Lee S, Kang Y S, Noh S D, Choi S S, Jung B R, Lee S H, Kang J T, Lee D Y, Kim H S (2020). Integrated platform and digital twin application for global automotive part suppliers. In: IFIP International Conference on Advances in Production Management Systems (APMS). Novi Sad: Springer, 230–237

Zafarzadeh M, Wiktorsson M, Baalsrud Hauge J (2021). A systematic review on technologies for data-driven production logistics: Their role from a holistic and value creation perspective. Logistics, 5(2): 24 doi:10.3390/logistics5020024