What if? Causal Machine Learning in Supply Chain Risk Management
如果改变会怎样？供应链风险管理中的因果机器学习AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确关注供应链干预的因果结果及相应情景分析。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
如果改变会怎样？供应链风险管理中的因果机器学习
- 研究问题
- 供应链风险管理如何从相关性预测走向干预规划，判断不同供应链调整可能带来哪些风险变化并支持情景分析？
- 方法与思路
- 作者提出并评估因果机器学习干预模型，以海事工程供应链风险管理为案例，比较风险预测与干预规划的模型开发路径。
- 材料陈述的贡献
- 摘要称因果机器学习可识别不同干预下可实现的变化，支持假设情景规划，并为供应链研究提出相应模型开发步骤。
- 阅读关注点
- 核对干预变量、风险结果与因果模型的定义，以及案例中的识别依据；关注情景预测是否经过实际干预或其他证据验证。
- 阅读边界
- 所据版本为 arXiv 预印本，不能据此认定已同行评审或获期刊接收；摘要未说明识别条件、具体算法或干预效果数值。
原文摘要
The penultimate goal for developing machine learning models in supply chain management is to make optimal interventions. However, most machine learning models identify correlations in data rather than inferring causation, making it difficult to systematically plan for better outcomes. In this article, we propose and evaluate the use of causal machine learning for developing supply chain risk intervention models, and demonstrate its use with a case study in supply chain risk management in the maritime engineering sector. Our findings highlight that causal machine learning enhances decision-making processes by identifying changes that can be achieved under different supply chain interventions, allowing "what-if" scenario planning. We therefore propose different machine learning developmental pathways for for predicting risk, and planning for interventions to minimise risk and outline key steps for supply chain researchers to explore causal machine learning.