Call for papers: Special Issue “Resilience and Agility of Supply Chains and Their Impact on Sustainability”

A special issue of Sustainability (ISSN 2071-1050). This special issue belongs to the section “Sustainable Engineering and Science“.

Deadline for manuscript submissions: 12 November 2023

Special Issue Information

Dear Colleagues,

It is our pleasure to announce the new Special Issue “Resilience and Agility of Supply Chains and Their Impact on Sustainability” in the journal Sustainability.

Numerous environmental disasters, global health concerns, political instability, strikes, terrorist attacks and insolvencies have led to severe supply bottlenecks and production shortfalls. The current COVID-19 pandemic exemplifies how numerous networks and even entire industries can be impacted by the adverse effects of specific events (e.g., Ivanov, 2020). Due to the domino effect, it is often not only individual actors in a supply chain that are affected by a disruptive event but rather the entire network (Schroeder & Lodemann, 2021). To prevent disturbances and counteract or avoid supply chain interruptions altogether, the resilience and agility of supply chains should be increased (Tang, 2006).

Transparency is an indispensable prerequisite for a resilient and agile supply chain. The use of new data-based technologies, such as artificial intelligence, sensor technology, digital twins and blockchain, is driving digital transformation and significantly increasing transparency in companies and supply chains. Transparency in supply chain management requires the virtual mapping of individual value creation stages or the entire value creation process.

The associated availability of high-resolution process data in conjunction with the increased intensity of complex value-added and supplier networks through real-time communication makes it possible to modify or further develop existing approaches to risk and sustainability management as well as risk governance (Schroeder & Lodemann, 2021).

This Special Issue is dedicated to understanding how new data-based technologies can improve the resilience and agility of supply chains and how they impact sustainability. 

Scientific contributions that deal with implementing related concepts and measures and the resulting consequences for managing resilient and agile supply chains are desired.

In this Special Issue, full research articles, conceptual papers, literature reviews and case studies are welcome. An empirical-based methodology comprising both qualitative (case study, field study) and quantitative research (experiment, survey, archival data) is preferred. Papers using mathematical modelling developments or analytical methods will not be included in this Special Issue.

The following topics are of particular interest: 

  • The process of increasing the resilience and agility of supply chains;
  • Sustainable supply chain (risk) management;
  • Supply chain risk governance;
  • Supply chain risk and crisis management;
  • Business continuity management;
  • The influence of new technologies on environmental, supply chain and process risks and their management;
  • The application of artificial intelligence, blockchain and digital twins to risk management.

References

  1. Ivanov, D. Predicting the impacts of epidemic outbreaks on global supply chains: A simulation-based analysis on the coronavirus outbreak (COVID-19/SARS-CoV-2) case. Transport Research Part E Logistics and Transportation Review 2020, 136, 101922. https://doi.org/10.1016/j.tre.2020.101922 .
  2. Schroeder, M.; Lodemann, S. A Systematic Investigation of the Integration of Machine Learning into Supply Chain Risk Management. Logistics 2021, 5, 62. https://doi.org/10.3390/logistics5030062 .
  3. Tang, C.S. Robust strategies for mitigating supply chain disruptions. International Journal of Logistics Research and Applications 2006, 9, 33–45. https://doi.org/10.1080/13675560500405584 .

Prof. Dr. Meike Schroeder
Dr. Hendrik Birkel
Dr. Michael Herburger
Guest Editors

BME Einkäufertag auf der Nortec

Heute findet der BME Einkäufertag auf der NORTEC Hamburg statt, auf dem u.g. das Thema Risikomanagement im Vordergrund steht:

13:00-13:15 Uhr
Begrüßung und EinführungGunnar Schmidt, Mitglied des BME Bundesvorstandes
Prof. Dr. Wolfgang Kersten, TUHH und Mittelstand-Digital Zentrum Hamburg

13:15-13:45
Das “New Normal” in Einkauf und Supply-Chain-Management – alles bleibt anders?
Prof. Dr. Wolfgang Kersten, TUHH und Mittelstand-Digital Zentrum Hamburg

13:45-14:15
Steuern auf Sicht – was schwarze Schwäne von Strategien übrig lassen
Gunnar Schmidt, Chief Operating Officer (COO), Löwenstein Medical Technologies, Hamburg

14:15-14:30 Pause

14:30-15:00 Uhr
Einsatz von Künstlicher Intelligenz im Risikomanagement – Neue Potenziale für den Einkauf
PD Dr. Meike Schröder und Martin Brylowski, Technische Universität Hamburg und Mittelstand-Digital Zentrum Hamburg

15:00-15:30 Uhr
Risikomanagement im Projekteinkauf eines KMU
Klaus Stölken, Head of Strategic Supply Chain Management, MENCK GmbH

15:30-15:45 Uhr
Abschlussdiskussion und Zusammenfassung
Prof. Dr. Wolfgang Kersten, TUHH und Mittelstand-Digital Zentrum Hamburg

Studie zum Einsatz von Machine Learning im SCRM

(English version below)

In Kooperation mit dem Unternehmen riskmethods haben wir eine Studie zum Einsatz von Maschinellem Lernen im Supply Chain Risikomanagement durchgeführt. Die Ergebnisse wurden erstmalig auf dem 56. BME-Symposium Einkauf und Logistik DIGITAL im Rahmen der Session „Neue Wege im Supply Chain Risiko Management: Keine Angst vor künstlicher Intelligenz! Von der analogen zur selbstlernenden Risikoüberwachung in der Supply Chain“ vorgestellt. Wir haben gezeigt, wie ein automatisiertes SCRM-System dem Unternehmen hilft, Transparenz in Liefernetzwerken zu schaffen und welche Potenziale und Erfolgsfaktoren es für den Einsatz von künstlicher Intelligenz im SCRM gibt. Abschließend habe ich die Studienergebnisse vorgestellt.

Zwar haben viele Unternehmen in den vergangenen Monaten gelernt und können durch gute Vorbereitung und umfangreiche Informationsversorgung schneller auf Lieferkettenstörungen reagieren. Die Ergebnisse der Studie zum Einsatz von Maschinellem Lernen im Supply Chain Risikomanagement zeigen jedoch, dass noch immer 50% der Befragten unvorbereitet von einem Risikoereignis getroffen werden, was neben Verzögerungen zu finanziellen und Reputationsschäden führen kann. Auch wissen 42% der Befragten nicht, wie hoch die finanziellen Auswirkungen eines Schadenseintritts sein können. Diese Unternehmen sind folglich einem hohen Risiko ausgesetzt, da Schäden in Millionenhöhe nicht unüblich sind.

Nur ungefähr die Hälfte der Unternehmen verfügt über einen sehr hohen oder hohen Grad an Risikotransparenz bei eigenen Produktionsstätten und direkten Lieferanten (Tier-1). Die Sub-Lieferanten (Tier-2 bzw. Tier-n) werden nur in wenigen Fällen überwacht, so dass das SCRM lediglich einen geringen Teil der Lieferkette abdeckt. Das erhöht das Risiko von Produktionsausfällen, steigenden Transportkosten oder der kostspieligen Erschließung alternativer Beschaffungsquellen. Eine Erkenntnis der Umfrage: Der Blick auf die direkten Zulieferer reicht nicht mehr aus, um kritische Knotenpunkte in der Lieferkette rechtzeitig zu erkennen und Maßnahmen einzuleiten.

Folglich sehen die Befragten in ihrem Risikomanagement noch viel Verbesserungspotenzial, vor allem was die Lieferketten-Transparenz und die Methoden zur Risikoidentifikation betrifft. Für über 80% der Befragten ist die frühzeitige Erkennung von Risiken ein Mehrwert, der hilft, aufgrund der verlängerten Reaktionszeit rechtzeitig Gegenmaßnahmen einzuleiten und Störungen in der Lieferkette zu vermeiden. Dieser Zeitvorsprung kann in vielen Fällen durch eine Automatisierung der Risikoidentifikation (Alerting) erreicht werden, die aus Liefernetzwerken auswertbare Echtzeitdaten generiert. Hier können selbstlernende Systeme einen wichtigen Beitrag leisten.

Die Studie kann hier heruntergeladen werden.

Study on the use of machine learning in supply chain risk management

In cooperation with the company riskmethods, we have conducted a study on the use of machine learning in supply chain risk management. The results have been resented for the first time at the 56th BME Symposium on DIGITAL Purchasing and Logistics during the session “New ways in supply chain risk management: don’t be afraid of artificial intelligence! From analog to selflearning risk monitoring in the supply chain”.

We have shown how an automated SCRM system helps the company to create transparency in supply networks, and which potential success factors are compatible with the use of artificial intelligence in SCRM. Finally, I presented the study results.

In recent months, many companies have learned and adapted, and now can react faster to supply chain disruptions via preparation and extensive information provision. However, the results of the study on the use of machine learning in supply chain risk management show that 50% of respondents are still caught unprepared by a risk event, which can lead to financial and reputational damage as well as delays. 42% of respondents do not know the financial impact of a damaging event. Consequently, these companies are at high risk, as losses in the millions of dollars are not uncommon.

Only about half of the companies have a high or very high degree of risk
transparency for their own production facilities and direct suppliers (Tier-1). Subsuppliers (tier-2 or tier-n) are only monitored in a handful of cases, and, as such, SCRM only covers a small part of the supply chain. This increases the risk of production downtime, rising transportation costs, and the costly development of alternative procurement sources. One finding of the survey: looking at direct suppliers is no longer sufficient to identify critical nodes in the supply chain early enough to effectively implement preventative measures.

Consequently, the respondents see significant potential for improvement in their risk management, especially with regard to supply chain transparency and risk identification methods. For more than 80% of respondents, the early identification of risks is an added value which helps to initiate countermeasures in time and thus avoid disruptions in the supply chain. In many cases, this preventative time advantage can be achieved by automating risk identification (alerting), which generates analyzable real-time data from supply networks. Here, self-learning systems can offer significant contributions.

The study (in German language only) can be downloaded here.

A Systematic Investigation of the Integration of Machine Learning into Supply Chain Risk Management

Our article on “A Systematic Investigation of the Integration of Machine Learning into Supply Chain Risk Management” was published. The main objective of the paper is to analyze and synthesize existing scientific literature related to supply chain areas where machine learning (ML) has already been implemented within the supply chain risk management (SCRM) field, both in theory and in practice. Furthermore, we analyzed which risks were addressed in the use cases as well as how ML might shape SCRM. For this purpose, we conducted a systematic literature review. The results showed that the applied examples relate primarily to the early identification of production, transport, and supply risks in order to counteract potential supply chain problems quickly. Through the analyzed case studies, we were able to identify the added value that ML integration can bring to the SCRM (e.g., the integration of new data sources such as social media or weather data). From the systematic literature analysis results, we developed four propositions, which can be used as motivation for further research.

Schroeder, M. & Lodemann, S. (2021): A Systematic Investigation of the Integration of Machine Learning into Supply Chain Risk Management, in: Logistics 2021, 5(3), 62; https://doi.org/10.3390/logistics5030062

Wie sind Risiken zu kontrollieren und darüber zu berichten?

Die Risiken müssen in einem letzten Schritt hinsichtlich ihrer Effizienz und Effektivität überprüft werden. Hierzu eignen sich verschiedene Methoden: Neben einer Balanced Scorecard, die um eine Risikodimension ergänzt wird, lässt sich neben Workshops und Benchmarking-Verfahren die Risikoindikatoren-Methode anführen (s. Tab. 3-2; Romeike 2004c, S. 185; Bergener 2006, S. 268; Schorcht 2004, S. 187f.).

Darüber hinaus können Kontrollen auf unterschiedliche Art und Weise stattfinden: Neben Kontrollen auf Ebene der Unternehmensleitung können diese auch auf Aktivitäts- oder Prozessebene durchgeführt werden. Auch lassen sich physische Kontrollen von kennzahlengeleiteten Kontrollen abgrenzen. Kontrollen können manuell oder auch automatisiert ablaufen (Brünger 2009, S. 184ff.).

Neben der Kontrolle spielt die Kommunikation eine wichtige Rolle im SCRM-Prozess (Mohr & Spekman 1994, S. 137). Um die Abwicklung und Kommunikation während des SCRM-Prozesses zu erleichtern, können sogenannte Risikomanagement-Informationssysteme (RMIS) zum Einsatz kommen. Haben verschiedene Abteilungen, wie z.B. Vertrieb und Einkauf, Zugriff auf gleiche Datenquellen, fördert dies den Informationsaustausch (Brünger 2009, S. 209). Auch die damit einhergehende Berichterstattung ist für den SCRM-Erfolg von großer Bedeutung. Dabei können die Häufigkeit der Berichterstattung, das Volumen des Berichts sowie die Zielgruppe den SCRM-Prozess fördern oder aber auch hindern (Kersten et al. 2013, S. 41).

How to control and report risks?

In a final step, the risks must be reviewed with regard to their efficiency and effectiveness. Various methods are suitable for this purpose: In addition to a balanced scorecard, which is supplemented by a risk dimension, the risk indicator method can be cited alongside workshops and benchmarking procedures (see Tab. 3-2; Romeike 2004c, p. 185; Bergener 2006, p. 268; Schorcht 2004, p. 187f.).

Furthermore, controls can take place in different ways: in addition to controls at management level, they can also be carried out at activity or process level. Physical controls can also be distinguished from controls based on key figures. Controls can be manual or automated (Brünger 2009, p. 184ff.).

In addition to controls, communication plays an important role in the SCRM process (Mohr & Spekman 1994, p. 137). To facilitate handling and communication during the SCRM process, so-called risk management information systems (RMIS) can be used. If different departments, such as sales and purchasing, have access to each other’s same data sources, information exchange is more likely to occur well and efficiently (Brünger 2009, p. 209).

Associated reporting is also of great importance for SCRM success. The frequency of reporting, the volume of the report, and the target audience can promote or hinder the SCRM process (Kersten et al. 2013, p. 41).

Wie lassen sich Risiken steuern?

Basierend auf den Ergebnissen der ersten beiden SCRM-Phasen lassen sich Bewältigungsmaßnahmen für Supply Chain-Risiken entwickeln. In Anlehnung an die Risikostrategie wird entschieden, welche Supply Chain-Risiken einen unmittelbaren Handlungsbedarf auslösen (Denk et al. 2008, S. 127). Risiken, die über oder nahe dem festgelegten Toleranzbereich liegen oder für die in absehbarer Zeit eine zusätzliche Erhöhung erwartet wird, erfordern entsprechende Maßnahmen.

Ziel der Risikosteuerung ist es, die Risikolandschaft des Unternehmens dahingehend zu verändern, dass eine Optimierung des Verhältnisses von Ertragschance zu Verlustgefahr (Risk/Return-Optimierung) erreicht wird (Rogler 2002, S. 26; Diederichs 2012, S. 126).

In der Literatur lassen sich fünf Kategorien von SCRM-Steuerungsstrategien abgrenzen: Vermeidung und Verminderung sowie Begrenzung, Überwälzung, Selbsttragung. Die ersten beiden (Vermeidung und Verminderung) zielen auf ursachenbezogene Maßnahmen ab und bei den übrigen drei (Begrenzung, Überwälzung, Selbsttragung) stehen wirkungsbezogene Maßnahmen im Vordergrund (Sodhi et al. 2012, S. 52; Gupta et al. 2014, S. 83; Handfield et al. 2008, S. 41; Brünger 2009, S. 163f.; Rogler 2002, S. 25ff.). Die Auswahl der Steuerungsstrategien ist in Anlehnung an die vereinbarten Unternehmensziele und die Risikostrategie zu treffen. Zudem hängt sie neben allgemeinen Kosten-Nutzen-Abwägungen bei der Umsetzung auch von rechtlichen, sozialverantwortlichen sowie umweltbezogenen Anforderungen ab (ISO 31000:2009, S. 19).

How to manage risks?

Based on the results of the first two SCRM phases, management measures for supply chain risks can be developed. Based on the risk strategy, it is decided which supply chain risks trigger an immediate need for action (Denk et al. 2008, p. 127). Risks that are above or close to the defined tolerance range or for which an additional increase is expected in the foreseeable future require appropriate action.

The aim of risk management is to change the company’s risk landscape in such a way that an optimization of the ratio of earnings opportunity to risk of loss (risk/return optimization) is achieved (Rogler 2002, p. 26; Diederichs 2012, p. 126).

Five categories of SCRM control strategies can be delineated in the literature: Avoidance, Mitigation, Limitation, Pass-Through, and Self-Sustainability. The first two (avoidance and mitigation) target cause-related measures and the remaining three (limitation, pass-through, self-sustainability) focus on impact-related measures (Sodhi et al. 2012, p. 52; Gupta et al. 2014, p. 83; Handfield et al. 2008, p. 41; Brünger 2009, p. 163f.; Rogler 2002, p. 25ff.).

The selection of control strategies must be based on the agreed corporate objectives and the risk strategy. In addition, it depends on legal, socially responsible, and environmental requirements, as well as general cost-benefit considerations during implementation (ISO 31000:2009, p. 19).

Instrumente der Risikoanalyse und -bewertung

Nachdem die Risiken identifiziert und mithilfe der Klassifikation strukturiert wurden, folgt in einem zweiten Schritt die Analyse und Bewertung. Die zweite Phase basiert demnach auf den Ergebnissen der ersten Phase. Sie umfasst eine möglichst vollständige und kontinuierliche quantitative bzw. semi-quantitative Bewertung der identifizierten Supply Chain-Risiken (Ho et al. 2015, S. 5032; Denk et al. 2008, S. 102).

Quantitative Verfahren setzen risikorelevante Informationen voraus und ermöglichen eine weitestgehende „Rechenbarkeit“ der Supply Chain-Risiken. Methoden, die hierbei zum Einsatz kommen, beziehen beispielsweise Cash-Flow-At-Risk, Realoptionen, Simulationsverfahren oder Entscheidungsbaumverfahren mit ein (Burger & Buchhart 2002, S. 103; Fiege 2006, S. 167; Wildemann 2006, S. 112; Bergener 2006, S. 295).

Semi-quantitative Verfahren basieren ebenfalls auf quantitativen Daten, jedoch werden diese im Unterschied zu den quantitativen Verfahren über qualitative Verfahren gewonnen. Hier finden z.B. Risikoportfolios, Scoring-Verfahren oder Lieferantenbewertung ihren Einsatz (Janker 2008; Wildemann 2006, S. 148).

Sofern eine Quantifizierung mangels vorhandener Daten nicht möglich ist, wird eine qualitative Risikobewertung vorgenommen. Die Bewertung erfolgt anhand geeigneter Kriterien, die vom Anwender ausgewählt werden (Handfield & McCormack 2008, S. 101; Denk et al. 2008, S. 106). Häufig werden dabei die Kriterien „Intensität des Schadens“ und „Eintrittswahrscheinlichkeit“ verwendet, welche sich zur Visualisierung in einer Risiko-Matrix (auch Risk Map genannt) anbieten (Sodhi et al. 2012, S. 35 sowie Abb. 3-4). Es werden die Einzelrisiken anhand der Ausprägungen der beiden Kriterien auf den Achsen der Risikomatrix eingetragen. Je nach Skalierung der Achsen (ordinal oder kardinal) können die Einzelrisiken anhand qualitativer bzw. quantitativer Kriterien dargestellt werden. Sofern keine ausreichenden Daten für die quantitative Zuordnung vorliegen, werden bei der qualitativen Bewertung die Supply Chain-Risiken mittels der Eintrittswahrscheinlichkeit in die Kategorien „gering“, „mittel“ und „hoch“ sowie des Schadensausmaßes in „unbedeutend“, „moderat“ und „wesentlich“ eingeordnet.

Qualitative und quantitative Risiko-Matrix

Neben Portfolio-Analysen lassen sich Risikoprofile oder Risikoranglisten als weitere Methoden im Rahmen der qualitativen Verfahren anführen (Wildemann 2006, S. 148).

Auszug aus Schröder, M. (2019): Strukturierte Verbesserung des Supply Chain Risikomanagement. In: Supply Chain Management – Beiträge zu Beschaffung und Logistik, Reihen-Hrsg.: Eßig, M.; Stölzle, W., Kersten, W., Springer Gabler: Wiesbaden

Risk analysis and assessment tools

Once the risks have been identified and structured with the help of the classification, the second step is the analysis and assessment. The second phase is, therefore, based on the results of the first, and is composed of a quantitative or semi-quantitative assessment of the identified supply chain risks. Such a list should be as complete and continuous as possible (Ho et al. 2015, p. 5032; Denk et al. 2008, p. 102).

Quantitative methods presuppose risk-relevant information and enable supply chain risks to be “calculated” to the greatest possible extent. Methods used in this context include, for example, cash flow at risk, real options, simulation methods, and decision tree methods (Burger & Buchhart 2002, p. 103; Fiege 2006, p. 167; Wildemann 2006, p. 112; Bergener 2006, p. 295).

Semi-quantitative methods are also based on quantitative data, but unlike quantitative methods, these are obtained via qualitative methods. Here, for example, risk portfolios, scoring procedures, and supplier evaluations are used (Janker 2008; Wildemann 2006, p. 148).

If quantification is not possible due to a lack of available data, a qualitative risk assessment is carried out. The assessment is based on suitable criteria selected by the user (Handfield & McCormack 2008, p. 101; Denk et al. 2008, p. 106). The criteria “intensity of damage” and “probability of occurrence” are frequently used, which lend themselves to visualization in a risk matrix (also called risk map) (Sodhi et al. 2012, p. 35 and Fig. 3-4). The individual risks are entered on the axes of the risk matrix on the basis of the values of the two criteria. Depending on the scaling of the axes (ordinal or cardinal), the individual risks can be represented using qualitative or quantitative criteria. If there is insufficient data for quantitative classification, the supply chain risks are classified in the qualitative assessment using the probability of occurrence categories “low,” “medium,” and „high”, and the extent of damage categories “insignificant,” “moderate,” and “significant.

Qualitative and quantitative risk matrix

In addition to portfolio analyses, risk profiles and risk rankings can be cited as further methods within the framework of qualitative procedures (Wildemann 2006, p. 148).

Möglichkeiten der Klassifizierung/ Gruppierung von Risiken

Im Rahmen der Risikoidentifikation können Risikoklassifikationen bei der Ermittlung und der Strukturierung von Risiken unterstützen. Da eine Vielzahl von Supply Chain-Risiken existieren, gibt es verschiedene Ansätze, diese zu kategorisieren.

Beispiele für Klassifikationen von Risiken

Die Tabelle zeigt einige Beispielen für Klassifikationen von Risiken, die in der betriebswirtschaftlichen Literatur diskutiert werden.

Die Klassifikation hilft, eine Risikolandschaft aufzuzeigen und die einzelnen Risiken systematisch darzustellen. Aufgrund der Komplexität einer Supply Chain ist es in vielen Fällen erforderlich, Supply Chain-Äste zu priorisieren und so z.B. kritische Akteure oder Produkte auszuwählen und näher zu analysieren (Böger 2010, S. 58). In Abhängigkeit zum übergeordneten Ziel sind demnach entsprechende thematische Schwerpunkte zu setzen.

Als Ergebnis der ersten SCRM-Phase sollte ein strukturierter Katalog mit allen erfassten Supply Chain-Risiken vorliegen (Ziegenbein 2007, S. 77f.).

Auszug aus Schröder, M. (2019): Strukturierte Verbesserung des Supply Chain Risikomanagement. In: Supply Chain Management – Beiträge zu Beschaffung und Logistik, Reihen-Hrsg.: Eßig, M.; Stölzle, W., Kersten, W., Springer Gabler: Wiesbaden

Options for classifying/grouping risks

In the context of risk identification, risk classifications can support the identification and structuring of risks. Since a large number of supply chain risks exist, there are various approaches to categorizing them.

Examples of classifications of risks

The table shows some examples of classifications of risks discussed in business literature.

The classification helps to show a risk landscape and to present the individual risks systematically. Due to the complexity of a supply chain, it is necessary in many cases to prioritize supply chain branches and thus, for example, select critical actors or products and analyze them in more detail (Böger 2010, p. 58). Accordingly, appropriate thematic priorities are to be set depending on the overriding objective.

The result of the first SCRM phase should be a structured catalog with all the supply chain risks recorded (Ziegenbein 2007, p. 77f.).

Extract from Schröder, M. (2019): Structured improvement of supply chain risk management. In: Supply Chain Management – Contributions to Procurement and Logistics, Series-Editor: Essig, M.; Stölzle, W., Kersten, W., Springer Gabler: Wiesbaden

Instrumente der Supply Chain Risiko-Identifikation

In einem ersten Prozessschritt erfolgt die Identifizierung der Supply Chain-Risiken. Werden die Supply Chain-Risiken nicht umfänglich erfasst, so kann nur mit Einschränkungen steuernd eingegriffen werden. Bei der Risikoidentifikation lassen sich verschiedene Instrumente anführen, mit deren Hilfe Supply Chain-Risiken erhoben werden können:

Kollektions- und Suchmethoden zur Risikoidentifikation (Auszug)

Allgemein ist zwischen Kollektions- und analytischen Suchmethoden zu differenzieren. Während sich Kollektionsmethoden vorwiegend für die Identifikation bestehender Risiken eignen, zielen analytische Suchverfahren auf die Identifikation zukünftiger und bisher unbekannter Risiken ab (Romeike 2004a, S. 157; Romeike 2004b, S. 174). Bei den Kollektionsmethoden werden in der Praxis häufig Checklisten verwendet, mit deren Hilfe die Risikoquellen identifiziert werden können. Problematisch hierbei ist neben dem hohen Aggregationsgrad die mangelnde Vollständigkeit der identifizierten Risiken (Ziegenbein 2007, S. 60; Schorcht 2004, S. 115). Des Weiteren lassen sich z.B. die 5-‘whys’-Methode, Interviews oder Befragungen anführen, anhand deren eine Risikoidentifikation erfolgen kann (Jüttner 2005, S. 128; Burger & Buchhart 2002, S. 69; Schubert 2004, S. 164, Romeike 2004c, S. 185).

Bei den analytischen Suchverfahren ist zusätzlich zwischen analytischen Methoden und Kreativitätsmethoden zu unterscheiden (Burger & Buchhart 2002, S. 68). Einige analytische Suchverfahren, wie z.B. die FMEA (Failure Mode and Effect Analysis), wurden ursprünglich für das Qualitätsmanagement entwickelt (Bergener 2006, S. 274; Brühwiler 2003, S. 182; Ziegenbein 2007, S. 54). Da das Risikomanagement ähnliche Prozessstrukturen wie das Qualitätsmanagement vorweist, liegt es nahe, etablierte Methoden zu übertragen (Romeike 2004b, S. 176). Die analytischen Methoden geben im Vergleich zur Kreativitätsmethode einen Bezugsrahmen vor und sind durch eine systematische Vorgehensweise gekennzeichnet. Kreativitätsmethoden hingegen basieren auf kreativen Prozessen, die durch divergentes Denken charakterisiert sind (Romeike 2004b, S. 177). Hier lassen sich z.B. Brainstorming oder Brainwriting als bekannte Methoden anführen
(Schorcht 2004, S. 187; Ziegenbein 2007, S. 60).

Darüber hinaus ist bei der Risikoidentifikation zu entscheiden, ob Einzelrisiken oder aggregierte (zusammengefasste) Risiken erfasst werden sollen (Romeike 2004c, S. 183; Singer 2012, S. 65; Winkler & Kaluza 2015, S. 311). Auch die Reichweite der zu erfassenden Risikolandschaft spielt eine wichtige Rolle. So können z.B. nur Risiken innerhalb des eigenen Unternehmens identifiziert werden oder aber Risiken, die innerhalb der gesamten Supply Chain eintreten können (Kajüter 2003, S. 123). Demnach ist vor der Auswahl der geeigneten Instrumente auch darüber zu entscheiden, ob und wie viele Supply Chain-Partner in den Prozessschritt der Risikoidentifikation einbezogen werden sollen (Kersten et al. 2013, S. 31). Hierbei können direkte Zulieferer bzw. Kunden (Tier 1) in den Prozess der Risikoidentifikation integriert, oder sogar eine Ausweitung bis hin zum Erstzulieferer oder Endkunden (Tier 2 bis n) vorgenommen werden (Eberle 2005, S. 48ff.).

Auszug aus Schröder, M. (2019): Strukturierte Verbesserung des Supply Chain Risikomanagement. In: Supply Chain Management – Beiträge zu Beschaffung und Logistik, Reihen-Hrsg.: Eßig, M.; Stölzle, W., Kersten, W., Springer Gabler: Wiesbaden

Supply chain risk identification tools

The first step in the process is to identify supply chain risks. If supply chain risks are not comprehensively identified, only limited control measures can be taken. In risk identification, various instruments can be used to identify supply chain risks:

Collection and search methods for risk identification (excerpt)

In general, a distinction must be made between collection and analytical search methods. While collection methods are predominantly suitable for identifying existing risks, analytical search methods are aimed at identifying future and previously unknown risks (Romeike 2004a, p. 157; Romeike 2004b, p. 174). In the case of collection methods, checklists are frequently used in practice to help identify the sources of risk. In addition to the high degree of aggregation, the lack of completeness of the identified risks is problematic here (Ziegenbein 2007, p. 60; Schorcht 2004, p. 115). Furthermore, the 5 ‘whys’ method—for example, interviews or surveys—can be used to identify risks (Jüttner 2005, p. 128; Burger & Buchhart 2002, p. 69; Schubert 2004, p. 164, Romeike 2004c, p. 185).

In the case of analytical search methods, an additional distinction must be made between analytical and creative methods (Burger & Buchhart 2002, p. 68). Some analytical search methods, such as FMEA (Failure Mode and Effect Analysis), were originally developed for quality management (Bergener 2006, p. 274; Brühwiler 2003, p. 182; Ziegenbein 2007, p. 54). Since risk management has similar process structures as quality management, the established methods are largely transferable between the two (Romeike 2004b, p. 176). Compared to creative methods, analytical methods provide a frame of reference and are characterized by a systematic approach. Creative methods, on the other hand, are based on creative processes characterized by divergent thinking (Romeike 2004b, p. 177). Here, for example, brainstorming or free-writing can be cited as common idea-generation methods (Schorcht 2004, p. 187; Ziegenbein 2007, p. 60).

In addition, when identifying risks, it must be decided whether individual risks or aggregated (summarized) risks should be recorded (Romeike 2004c, p. 183; Singer 2012, p. 65; Winkler & Kaluza 2015, p. 311). Selecting a risk landscape that falls within a relevant scope also plays an important role. For example, only risks within one’s own company can be identified or risks that may occur within the entire supply chain (Kajüter 2003, p. 123). Accordingly, before selecting the appropriate tools, whether and how many supply chain partners should be included in the risk identification step should be decided (Kersten et al. 2013, p. 31). Direct suppliers or customers (Tier 1) can be integrated into the risk identification process, or even extended to the initial supplier or end customer (Tier 2 to n) (Eberle 2005, p. 48ff.).

Extract from Schröder, M. (2019): Structured improvement of supply chain risk management. In: Supply Chain Management – Contributions to Procurement and Logistics, Series-Editor: Essig, M.; Stölzle, W., Kersten, W., Springer Gabler: Wiesbaden

Suche in OpenEdition Search

Sie werden weitergeleitet zur OpenEdition Search