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.

Welche situativen Unternehmensfaktoren müssen bei der erfolgreichen Einführung eines SCRM berücksichtigt werden?

English version below

Um ein SCRM erfolgreich implementieren zu können, müssen situative Faktoren berücksichtigt werden. Diese werden in den folgenden Blog-Beiträgen vorgestellt. Die Gruppierung der so genannten situativen Faktoren wurde in Anlehnung an Ritchie & Brindley (2004) vorgenommen, die ihren Ursprung in der Charakteristik des Unternehmens, Supply Chain oder Umwelt haben. Die Ausprägungen wurden aus der Literatur abgeleitet. Hierbei stand eine möglichst eindeutige Charakterisierung der Unternehmen im Vordergrund. Insbesondere auf die Bedürfnisse von KMU ist hierbei eingegangen worden.

Situative Faktoren

Für die Unternehmensgröße wurde eine Unterteilung nach Umsatz in kleine (bis unter 10 Millionen Euro), mittlere (10 Millionen bis unter 125 Millionen Euro) und große (über 125 Millionen Euro) Unternehmen vorgegeben (in Anlehnung an European Commission 2006 und AiF 2013). Eine Unterscheidung zwischen börsennotierten und nicht börsennotierten Unternehmen ist für die Unternehmensform vorgesehen (vgl. Kapitel 3.3.3).

Zur Bestimmung der Fertigungstiefe kann vereinfacht die gesamte Produktpalette eines Unternehmens herangezogen werden. Zur Unterscheidung zwischen niedriger und hoher Fertigungstiefe soll eine grobe quantitative Abschätzung erfolgen. In Anlehnung an Eberle (2005), der in der niedrigen Fertigungstiefe einen Grund für ein systematisches Risikomanagement in der Beschaffungslogistik sieht, wird eine grobe Einteilung in hohe (50 Prozent oder mehr eigene Wertschöpfung) und niedrige (weniger als 50 Prozent eigene Wertschöpfung) Fertigungstiefe gewählt. Detaillierte Analysen der Wertschöpfungsketten für einzelne Produkte und deren Fertigungstiefe sind im eigentlichen SCRM-Prozess sinnvoll und können durch spezielle Methoden durchgeführt werden. Für den Fertigungstyp bietet sich eine Unterscheidung in Auftrags-, Lager- und Programmfertigung an.

Neben den situativen Faktoren, welche das Unternehmen charakterisieren, sollten bei der Implementierung eines SCRM auch Faktoren Berücksichtigung finden, die die Supply Chain charakterisieren: Nach Sydow (2010) kann Komplexität in Supply Chains mit Hilfe der Zahl der Kooperationspartner (Varietät) und der Intensität der Austauschbeziehungen (Konnektivität) bestimmt werden. Lammers (2012) zeigt allerdings auf das noch eine Reihe weiterer Faktoren zur Messung von Komplexität in Supply Chains herangezogen werden kann. Weiterhin existiert eine Vielzahl an Treibern, wie z.B. die Anzahl an Standorten oder der Grad der Informationsasymmetrie, die die Komplexität von Supply Chains beeinflussen (vgl. Lammers 2012). Zur praxisnahen Selbsteinschätzung wird daher eine subjektive Einschätzung herangezogen, die sich auf die empirischen Ergebnisse von Kersten et al. (2012b) stützt. So werden in der Praxis die Varietät und Konnektivität am häufigsten zur Bestimmung von Komplexität verwendet und diese Faktoren daher auch für die subjektive Einschätzung als Erläuterung herangezogen. Für die Schnittstellen zu Supply Chain Partnern wird einer Einschätzung von Ziegenbein (2007) gefolgt, dass unter 1000 direkte Supply Chain Partner auf einer Seite für mittelständische Unternehmen als üblich und steuerbar eingeschätzt werden können. Entsprechend wird ab 1000 Partnern eine hohe Zuliefereranzahl angenommen. Da der Koordinationsaufwand im SCRM durch die Internationalität direkter Supply Chain Partner steigt, wird in Anlehnung an Trippner (2006) eine vereinfachte Einteilung in nationale und internationale Supply Chains gewählt. Wird primär auf erster Supply Chain Ebene mit nationalen Partnern zusammengearbeitet, handelt es sich um eine nationale Supply Chain, ansonsten um eine internationale.

Als dritte Rubrik der situativen Faktoren lässt sich die Umwelt anführen, die bei der Implementierung eines SCRM Berücksichtigung finden sollte.

Rahmenbedingungen spielen eine entscheidende Rolle, da insbesondere eine kurzfristige Reaktion auf Handelshemmnisse problematisch ist. Daher wird eine Unterscheidung zwischen volatilen und stabilen Rahmenbedingungen vorgenommen. Bei volatilen Rahmenbedingungen aus der Umwelt wird angenommen, dass wichtige Bereiche der Supply Chain einer großen Anzahl von unsicheren Veränderungen aus dem Bereich der Handelshemmnisse ausgesetzt sind. Auf der anderen Seite stehen stabile Rahmenbedingungen für die Möglichkeit, seine Supply Chain an bestehenden Verhältnisse auszurichten. Zur Selbsteinschätzung von etablierten Standards soll zwischen den Alternativen unterschieden werden, ob derartige Standardansätze zur Beschreibung, Messung und Bewertung von Supply Chains eingeführt sind oder nicht.

Excerpt from Kersten, W.; Feser, M.; Schröder, M. (2013): Situationsadäquate Implementierung eines Supply Chain Risk Managements, Bundesvereinigung Logistik e.V. (BVL) – Schlussbericht des geförderten Vorhabens 17234N.

What situational corporate factors need to be considered to successfully implement an SCRM?

To successfully implement an SCRM, situational factors should be considered. These will be presented in the following blog posts. The grouping of these situational factors was made in accordance with Ritchie & Brindley (2004) and evince from the respective company’s characteristics: supply chain, environment, etc. The following characteristics were derived from the literature. Here, the focus was on characterizing the companies as clearly as possible. Particular attention was paid to the needs of small and medium sized enterprises, or SMEs.

Situational Factors

For the size of the company, subdivision by cash flow turnover based on company size — small (under 10 million Euros), medium (10 million to 125 million euros), and large (over 125 million euros) — is encouraged by the European Commission 2006 and the AiF 2013.

To determine the vertical integration of manufacturing, the entire production process of a company should be considered. A rough quantitative estimate should be made to distinguish between low and high vertical integration. According to Eberle (2005), low vertical integration (less than 50 per cent own creation of value) in manufacturing is a reason for a systematic risk management in the procurement logistics; whereas, such involvement is less necessary for high integration classifications (50 per cent or more own creation of value). Detailed analyses of value chains for individual products and their manufacturing integrations are meaningful in the actual SCRM process and can be accomplished using special methods. For the manufacturing type, a distinction between order-based, make-to-stock and program-based manufacturing is useful.

In addition to situational factors that characterize the company, factors that characterize the supply chain should also be considered when implementing SCRM. According to Sydow (2010), complexity in supply chains can be determined with the help of various cooperating partners, and high connectivity with information partners. However, Lammers (2012) shows that a number of other factors can be used to measure complexity in supply chains. There are also several other drivers, such as the number of locations or the degree of information asymmetry, which influence the complexity of supply chains (cf. Lammers 2012). Therefore, for a practical self-assessment, a subjective assessment is used, which is based on the empirical results of Kersten et al. (2012b). In practice, “variety” and “connectivity” are most frequently used to determine complexity, and these factors are, therefore, also used as explanations for a subjective assessment. An assessment on supply chain partner intersections by Ziegenbein (2007) indicates that when dealing with fewer than 1,000 direct supply chain partners on one side can be considered normal and controllable for medium-sized companies. Accordingly, above 1,000 direct partners is considered to be a high number of suppliers. Since the coordination effort in SCRM increases due to the internationality of direct supply chain partners, a simplified classification into national and international supply chains is selected in accordance with Trippner (2006). If cooperation with national partners takes place primarily at the first supply chain level, the logistics constitute a national supply chain; otherwise, it is considered an international supply chain.

The third category of situational factors is the environment, which should be taken into account when implementing an SCRM. General conditions play a crucial role, as a short-term reaction to trade barriers is particularly problematic. Therefore, a distinction is made between volatile and stable framework conditions. “Volatile” environmental framework conditions are when the supply chain is exposed to many uncertain changes or trade barriers. On the other hand, stable framework conditions represent the possibility of aligning one’s supply chain with existing conditions. When using established standards for self-assessments, a distinction should be made as to whether such standard approaches for describing, measuring, and evaluating supply chains have already been implemented or not

Excerpt from Kersten, W.; Feser, M.; Schröder, M. (2013): Situationsadäquate Implementierung eines Supply Chain Risk Managements, Bundesvereinigung Logistik e.V. (BVL) – Schlussbericht des geförderten Vorhabens 17234N.

Suche in OpenEdition Search

Sie werden weitergeleitet zur OpenEdition Search