Gêmeos Digitais na Cadeia de Suprimentos: Gerenciando o Efeito Cascata, Resiliência e Riscos de Interrupção por Otimização Orientada por Dados, Simulação e Visibilidade

1.Introdução

Tecnologias digitais catalisam o desenvolvimento de novos paradigmas, princípios e modelos na gestão da cadeia de suprimento (GCS). A Internet das Coisas (IdC), sistemas ciberfísicos e produtos inteligentes e conectados facilitam o desenvolvimento de cadeias de suprimentos (CS) digitais e operações inteligentes (Fazili et al. 2017, Liao et al. 2017, Qu et al. 2017, Strozzi et al. 2017, Tran-Dang et al. 2017, Yang et al. 2017, Minner et al. 2018).

Pesquisas recentes por Addo-Tenkorang e Helo (2016), Oesterreich e Teuteberg (2016), Gunasekaran et al. (2016, 2017, 2018), Nguyen et al. (2018), Moghaddam e Nof (2018), Choi et al. (2018) e Ben-Daya et al. (2018) propuseram classificações de diferentes tecnologias digitais e discutiram seus potenciais impactos na GCS. Essas tecnologias incluem análise de big data, tecnologias de fabricação avançadas com sensores, controle descentralizado e orientado por agentes, robótica avançada, realidade aumentada, tecnologias avançadas de rastreamento e acompanhamento e manufatura aditiva.

O crescente interesse nas aplicações de dados digitais na GCS não é uma surpresa. A qualidade do suporte na tomada de decisões baseadas em modelos depende fortemente dos dados, sua completude, plenitude, validade, consistência e disponibilidade oportuna. Estes requerimentos para dados são de uma importância especial para a gestão de riscos na cadeia de suprimentos (CS) para prever e reagir a interrupções (Ivanov 2018b). Tecnologia digital, indústria 4.0, blockchain e análise de dados em tempo real têm o potencial de alcançar uma nova qualidade no suporte à tomada de decisões quando se gerencia interrupções severas, resiliência e o Efeito Cascata (Frazzon et al. 2018, Ivanov et al. 2017, 2018).

Uma combinação de simulação, otimização e análise de dados constitui um gêmeo digital: uma nova visão orientada por dados da gestão de riscos na CS. Um gêmeo digital CS é um modelo que pode representar o estado da rede a qualquer momento no tempo e permite a visibilidade completa da CS de ponta a ponta para melhorar a resiliência e testar planos de contingência (Ivanov 2018c). Este capítulo propõe um modelo de análise de riscos na CS e explica o conceito de gêmeos digitais. Ele analisa perspectivas e transformações futuras a serem esperadas na transição para CSs ciberfísicas. Ele demonstra uma visão de como tecnologias digitais e operações inteligentes podem ajudar a integrar resiliência e pensamento lean em um modelo "resileanente" de cadeia de suprimentos com "Necessidade de Baixa Certeza" (NBC) (Ivanov e Dolgui 2019).

A investigação das interrelações entre tecnologia digital e riscos da CS ainda está no início do estágio preliminar de seu desenvolvimento e requer novos modelos conceituais e taxonomias (Ivanov et al. 2018). Este capítulo busca avançar na discussão e desenvolver um modelo para uma análise detalhada da tecnologia digital de CS e efeitos de riscos de interrupção manifestados em dinâmicas estruturais (Ivanov et al. 2010) e o efeito cascata (Ivanov et al. 2014a,b, 2016, Sokolov et al. 2016, Elluru et al. 2017, Dolgui et al. 2018, Ivanov e Rozhkov 2017, Pavlov et al. 2018, Ivanov 2018a,b). Apesar dos esforços iniciais para escavar novas ideias sobre o impacto das tecnologias digitais nos riscos das CS (Schröder et al. 2014, Niesen et al. 2016, Tupa et al. 2017, Ivanov et al. 2017, Papadopoulos et al. 2017, Schlüter et al. 2017, Ivanov et al. 2018, Baryannis et al. 2018), o entendimento de contribuições individuais e interativas na gestão de riscos de interrupção específicos na CS e efeitos cascata continua limitado. Este estudo fecha a lacuna nas pesquisas com um exame combinatorial dos resultados conquistados de duas áreas isoladas, isto é, a digitalização da CS e riscos de interrupção na CS. Especificamente, o foco deste capítulo é direcionado para os sistemas de suporte a decisões orientadas por dados para melhorar a resiliência da CS e gerir o efeito cascata e os riscos de interrupção.

Este capítulo não pretende ser enciclopédico, e sim destacar pesquisas que examinam as relações entre a digitalização da CS e os riscos de interrupção da CS. O objetivo é identificar as perspectivas de gêmeos digitais que podem ser usadas para direcionar pesquisas futuras na exploração de como tecnologias digitais afetam o efeito cascata a performance das CS, e como elas podem ser usadas para gerenciar os riscos de interrupção e para melhorar a resiliência. Mais especificamente, este estudo busca responder às seguintes perguntas:

• que relações existem entre análise de big data, indústria 4.0, manufatura aditiva, blockchain e sistemas avançados de rastreamento e acompanhamento e riscos de interrupção da CS?;

• como a digitalização pode contribuir para aprimorar a mitigação e análise do efeito cascata?;

• Quais extensões baseadas em tecnologias digitais são necessárias em aplicações de análise quantitativa no efeito cascata na CS para emergir com gêmeos digitais da CS?

2. Tecnologias digitais na cadeia de suprimentos

Digitalização significa utilizar dados digitalizados e tecnologias digitais não só para melhorar processos, funções e atividades, mas também para alterar processos para alcançar um determinado benefício. O objetivo é melhorar os fluxos de receita e criar novas oportunidades de negócios (Hagberg et al. 2016). A digitalização das operações visa melhorar a produção e a capacidade e flexibilidade de SC através de comunicação em tempo real e sistemas de dados inteligentes e de alta resolução (Reddy et al. 2016). A digitalização é uma transformação contínua em direção a uma cadeia de suprimentos digital e altera progressivamente a maioria dos processos empresariais.

Esta seção revisa a literatura recente em quatro elementos identificados em pesquisas recentes sobre aplicações de digitalização na GCS, isto é:

• Análise de big data

• Indústria 4.0

• Manufatura aditiva

• Tecnologias avançadas de rastreamento e acompanhamento, blockchain

Em cada um desses grupos, descrevemos a respectiva tecnologia e suas aplicações recentes na GCS.

2.1. Análise de big data e inteligência artificial

A análise de big data (ABD) e a inteligência artificial (IA) trazem um benefício potencial completamente novo para o gerenciamento de riscos da CS baseado em dados. Big data tem sido caracterizado na literatura pelos 5Vs: volume, variedade, velocidade, veracidade e valor (Wamba et al., 2015, 2017). A veracidade e o valor são particularmente importantes, uma vez que a análise de dados mostra o valor real do big data.

A análise de big data (ABD) baseia-se na extração de conhecimento de grandes quantidades de dados, facilitando a tomada de decisões baseada em dados. Quanto mais dados do processo de produção real são registrados, mais importante se torna avaliar esse volume de dados com a ajuda de aplicativos de ABD. Os sistemas ERP geralmente não são adequados para esta tarefa. Um desafio é que os dados internos e externos de produtos de rede inteligentes são frequentemente desestruturados. A solução resultante é um repositório que armazena diferentes fluxos de dados em seus formatos originais. A partir daí, os dados podem ser reformatados e examinados com ferramentas de análise de dados descritivas, diagnósticas, preditivas e prescritivas.

A análise descritiva registra a condição, o ambiente e o funcionamento dos produtos. A análise diagnóstica analisa os motivos da redução do desempenho ou da falha do produto. A análise preditiva reconhece padrões que sinalizam eventos futuros. A análise prescritiva identifica medidas para resolver problemas e melhorar resultados (Porter e Heppelmann 2015).

A ABD emprega ferramentas matemáticas e estatísticas para coletar, armazenar, acumular e analisar grandes volumes de dados. As aplicações em si não são novas, mas é a combinação com big data que traz um novo valor agregado e vantagem competitiva. A novidade é o ritmo acelerado com que os dados podem ser capturados em tempo real. Isto, por sua vez, amplia o tipo e a riqueza dos conjuntos de dados e oferece uma oportunidade sem precedentes para investigação. Além disso, a natureza da investigação mudou. As ferramentas tecnológicas são continuamente abastecidas com dados e tornam-se mais inteligentes através da utilização de algoritmos de autoaprendizagem. Por exemplo, a análise preditiva envolve algoritmos de autoaprendizagem que identificam e analisam relações entre variáveis ​​e desenvolvem resultados como previsões de comportamento do comprador. O envolvimento humano ativo não é necessário neste processo. Como resultado, a ABD torna-se uma participante ativa no processo de investigação e pode criar novos conhecimentos sobre padrões e efeitos desconhecidos ou ocultos. Investigações em larga escala detectam tais padrões, transformando dados volumosos em insights precisos (Sanders 2016).

A ABD tem sido, sem dúvida, a área mais elaborada de aplicação de tecnologia digital à GCS na última década. Johnson et al. (2016) e Simchi-Levi e Wu (2018) analisaram a aplicação da ABD ao varejo. Nguyen et al. (2018) observaram que a otimização é a abordagem mais popular na aplicação de análise prescritiva na área de logística e transporte. Os varejistas se esforçam para aumentar a receita, as margens e a participação de mercado. Os modelos de otimização de preços calculam a variação da demanda com as alterações de preços e combinam essas informações com dados relevantes de custos e estoques para recomendar preços que possam maximizar receitas e lucros. As aplicações de ABD para GCS também podem ser vistas em processos de compras, chão de fábrica, ações de promoção no modelo omnicanal, otimização de rotas, monitoramento de operação de tráfego em tempo real e gestão proativa de segurança (Addo-Tenkorang e Helo 2016). , Gunasekaran et al. 2016, 2017, Nguyen et al. Nguyen et al. (2018) identificaram algumas áreas adicionais onde a ABD pode ser aplicada à SCM num futuro próximo. Essas áreas incluem controle de qualidade na fabricação, roteamento dinâmico de veículos, gerenciamento de estoque em trânsito em logística/transporte e sistemas de seleção de pedidos e controle de estoque em armazenamento. Niesen et al. (2016) e Papadopoulos et al. (2017) observaram que a ABD pode ajudar a melhorar a gestão de riscos da CS e a resistência a desastres. Baryannis et al. (2018) resumiram aplicações recentes de IA para gestão de riscos da CS e identificaram algumas direções de pesquisas futuras na identificação, avaliação e resposta de riscos. Priori et al. (2018) aplicaram aprendizado de máquina à seleção dinâmica de políticas de reabastecimento de acordo com a dinâmica ambiental de SC.

2.2. Indústria 4.0

A rede inteligente de máquinas e processos com a ajuda de tecnologias digitais está criando sistemas de produção autônomos, ligados à Internet e autorregulados, popularmente chamados de Indústria 4.0. A Indústria 4.0 busca visualizar e prever o desempenho de processos, fábricas, CSs e propriedades de produtos com base em informações disponíveis em tempo real (Ivanov et al. 2019). Para isso, sensores inteligentes são aplicados para capturar e comunicar informações e requisitos de forma abrangente a qualquer destinatário em tempo real. Os modelos de produção são implementados na forma dos chamados sistemas de produção ciberfísicos. Esses sistemas de produção ciberfísicos recolhem dados através de sensores e sistemas de medição integrados na produção em tempo real, armazenam e avaliam dados e interagem ativamente com o mundo físico, humano e digital. A conectividade intra e externa é fornecida pela Internet das Coisas por meio de dispositivos de comunicação digital.

A Indústria 4.0 é um fenômeno global. Não existe um conjunto único ou circunscrito de tecnologias ou práticas que definam a Indústria 4.0. A maioria das pesquisas considera conceitos de fábrica que compartilham atributos de redes inteligentes (Strozzi et al. 2017). A visão da Indústria 4.0 é que o produto a ser fabricado carregue todas as informações relevantes sobre os seus requisitos de produção. Além disso, as instalações de produção integradas tornam-se auto-organizadas através da colaboração de máquinas de produção, equipamentos de transporte, ferramentas e componentes logísticos que podem comunicar entre si e trocar dados através de sistemas incorporados. As tecnologias digitais permitem uma tomada de decisão flexível, fornecendo dados em tempo real em todas as áreas da CS (Bonfour 2016, p.20). A digitalização e a Indústria 4.0 oferecem vantagens competitivas baseadas na informação e na coordenação, geram novas oportunidades de emprego e aumentam a visibilidade e o controle nas cadeias de suprimentos. No entanto, requerem compromisso a longo prazo e garantias sobre a segurança dos dados (Porter e Heppelmann 2015).

Os robôs industriais fazem parte da Indústria 4.0, encontrados principalmente na produção em série e em aplicações de armazenamento. Os robôs realizam tarefas de alta precisão de forma independente e também apoiam os funcionários no seu trabalho, entregando ferramentas, por exemplo. A sua utilização acelera, facilita e simplifica as atividades de produção. Ao contrário dos robôs industriais convencionais, que requerem formação demorada, os robôs flexíveis aprendem rapidamente com as pessoas. Eles se comunicam entre si por meio da nuvem e apoiam o planejamento ideal da produção. Na prática, no entanto, ainda permanecem questões sobre diversas questões, como a propriedade de dados em nuvem entre parceiros da CS ou protocolos de intercomunicação de máquinas (Andelfinger e Hänisch 2017).

2.3. Manufatura aditiva

A tecnologia de manufatura aditiva é um processo de fabricação orientado por design, no qual os componentes são produzidos a partir de camadas de materiais com base em conjuntos de dados 3D e em um projeto virtual. "Impressão 3D" é frequentemente usada como sinônimo. A utilização de diferentes materiais e a eliminação de ferramentas especiais anteriormente necessárias são uma vantagem. Além disso, o rápido processo de projeto e fabricação permite economias consideráveis de tempo em comparação com os ciclos convencionais de desenvolvimento de produtos (Zhang e Jung 2018, p. 3-5). A grande liberdade de design, o baixo desperdício de material e a viabilidade de produtos individualizados e fabricados economicamente tornam a fabricação aditiva atraente para muitas indústrias. O método é atualmente usado principalmente na prototipagem rápida, mas também cada vez mais na produção em série (Li et al. 2017). Khajavi et al. (2014), Holmström e Gutowski (2017), Feldmann e Pumpe (2017) e Li et al. (2017) descreveram as aplicações da manufatura aditiva para operações e GCS. Essas aplicações abrangem desde a logística de peças de reposição até o redesenho da estratégia global de produção e fornecimento da CS. O núcleo das aplicações de manufatura aditiva para GCS é o uso de impressoras 3D em diferentes estágios do SC para aumentar a flexibilidade de fabricação, atingir prazos de entrega mais curtos, aumentar a individualização do produto e reduzir o estoque. Contudo, os volumes de produção em massa ainda não são comercialmente possíveis.

2.4. Blockchain e tecnologias avançadas de rastreamento e acompanhamento

Capturar e compartilhar informações em tempo real é fundamental para detectar falhas e sua extensão, bem como para planejar a recuperação da CS (Sheffi 2015). Os sistemas de rastreamento e acompanhamento (R&A) visam a identificação oportuna de desvios ou perigos de desvios nas CS, análise de tais desvios, alertas sobre interrupções ocorridas ou que possam ocorrer e elaboração de ações de controle para recuperação da operacionalidade da CS.

Os sistemas R&A combinam-se com RFID (identificação por radiofrequência) e dispositivos móveis para fornecer informações atuais sobre a execução do processo (Bearzotti et al. 2012). Os sistemas R&A e o controle de feedback podem ser apoiados pela tecnologia RFID (Dolgui e Proth, 2010) e sistemas de gerenciamento de eventos da CS (Ivanov et al. 2013), comunicando efetivamente interrupções aos níveis da CS e ajudando a revisar os cronogramas iniciais (Dolgui e Proth 2010, Zelbst et al. 2012). Uma questão crítica é detectar interrupções e seu escopo em tempo real. A incorporação da tecnologia de visualização e identificação da CS é crucial para isso, na prática.

Além disso, aplicações emergentes de blockchain em CSs prometem maior escala e escopo de sistemas R&A, juntamente com a criação de sistemas de pipeline de informações e aplicações financeiras da CS (Hofmann et al. 2018). A ideia central é aumentar a visibilidade e a eficiência com base na manutenção de registros dispersos, invioláveis e verificáveis na CS.

Por exemplo, a IBM e o Wal-Mart estão investigando como aumentar o controle da segurança alimentar na CS utilizando a tecnologia blockchain (IBM 2017). Recentemente, as aplicações da tecnologia blockchain começaram a revolucionar diferentes aspectos da CS e do gerenciamento de operações para o desenvolvimento de capacidades da Cs em tempo real (Ivanov et al. 2018, Kshetri 2018, Saberi et al. 2018). A ideia central é aumentar a visibilidade e a eficiência a partir da manutenção de registros na CS. As aplicações blockchain para CSs tornam-se cada vez mais importantes para aumentar a escala e o escopo dos processos digitais, juntamente com a criação de sistemas de pipeline de informações e aplicações financeiras da CS (Hofmann et al. 2018). Um blockchain é um banco de dados descentralizado que existe como cópias em uma rede de computadores (Crosby et al. 2016). É uma cadeia de blocos, pois os dados e informações armazenados são capturados em blocos.

Os processos regulatórios (por exemplo, alfândega) podem ser agilizados usando blockchain, melhorando a confiança nas documentações. Isto, por sua vez, pode resultar em reduções no desperdício, no risco e nos prêmios de seguro. A lista de todas as transações é armazenada como cópias ao longo de todas as evoluções posteriores em vários computadores (uma rede de até centenas de computadores).

Estes e outros exemplos recentes de aplicações da tecnologia blockchain para CSs (Ivanov et al. 2018, Saberi et al. 2018) apoiam a nova proposição de que a competição não é entre as CSs, mas sim entre os serviços de informação e algoritmos analíticos por trás das CSs. Como tal, as CSs deixarão de ser entendidas como um sistema físico rígido com uma alocação fixa e estática de alguns processos para algumas empresas. Em vez disso, diferentes empresas físicas oferecerão serviços de fornecimento, fabricação, logística e vendas, o que resultará na alocação dinâmica de processos e estruturas dinâmicas da CS formando uma CS ciberfísica.

Na prática, novas plataformas analíticas baseadas em nuvem, como SupplyOn Industry 4.0 Sensor Clouds, tornam possível controlar a CS em tempo real e planejar e ajustar processos usando informações atualizadas. Simplesmente clicando em um tipo de recipiente, os gráficos indicam se houve violação dos limites de temperatura ou umidade definidos ao longo do eixo do tempo. A análise dos dados deste gráfico permite uma rápida identificação de todas as encomendas onde o lead time foi ultrapassado, permitindo uma rápida identificação de transportes questionáveis.

Resumindo, o seguinte modelo de digitalização da CS pode ser apresentado (Fig. 1).

 Fig. 1. Modelo de digitalização da gestão de riscos da cadeia de suprimentos (Ivanov et al. 2018)

ABD, manufatura aditiva, Indústria 4.0 e tecnologias avançadas de rastreamento e acompanhamento podem ser consideradas como facilitadores digitais dos quatro principais processos da CS no modelo SCOR (Supply Chain Operations Reference), ou seja, planejar, fornecer, fabricar e entregar, respectivamente. Uma versão digital do modelo SCOR consistiria, portanto, em planejamento digital, produção digital, fornecimento digital e logística digital. Internet das Coisas, tecnologia de nuvem, robôs e sensores formam a essência técnica de uma CS digital. Esta classificação será utilizada posteriormente no artigo para a análise dos impactos da digitalização nos riscos graves da CS e no efeito cascata. Para cada uma das áreas, a Figura 1 sugere possíveis aplicações de tecnologias digitais no que diz respeito aos riscos de interrupção da CS. Por exemplo, a manufatura aditiva pode reduzir os riscos do fornecimento, criando a oportunidade de substituir materiais em falta por componentes impressos em 3D. A ABD pode ser usada na fase de planejamento para identificar a exposição aos riscos do fornecedor. Os sistemas R&A podem ajudar na fase reativa a monitorizar e identificar interrupções. Ao mesmo tempo, é necessário notar que as tecnologias digitais podem ter múltiplas aplicações, que não estão restritas a um processo SCOR específico.

3. O impacto das tecnologias digitais no efeito cascata

3.1. Ligando cadeia de suprimentos digital e riscos de interrupção

Seguindo o estudo de Ivanov et al. (2018), a Tabela 1 resume os principais impulsionadores das aplicações de tecnologias digitais para GCS, os respectivos facilitadores, oportunidades e desafios para a GCS, assim como o impacto na gestão de riscos de interrução e o efeito cascata.

Tabela 1. Principais aplicações de tecnologia digital para SCM e o impacto na gestão de riscos de interrupção e efeito cascata

Especificamente, o impacto da digitalização no efeito cascata, isto é, a magnitude e alcance (a montante e a jusante) de uma interrupção em parte da CS, é elaborada na Tabela 2.

Tabela 2: Contribuição das tecnologias digitais no controle do efeito cascata na CS

Pode-se observar nas Tabelas 1 e 2 que as tecnologias de digitalização geralmente têm um impacto positivo no efeito cascata, mas podem criar alguns desafios para sua mitigação e controle. Análise de big data, Indústria 4.0 e manufatura aditiva têm influências mistas no efeito cascata, enquanto os sistemas R&A avançados têm um impacto positivo.

Estruturando a análise nos termos do modelo SCOR (Supply Chain Operations Reference), as atividades de sourcing e produção envolvendo manufatura aditiva e Indústria 4.0 implicam em maior exposição a riscos externos e efeito cascata. Isto pode dever-se a um aumento da complexidade e à provável redução dos riscos de tempo e de procura devido a uma maior flexibilidade e a prazos de entrega mais curtos. Riscos de fornecimento mais elevados podem ser encontrados se ocorrer uma interrupção na CS a montante, uma vez que não existe estoque intermediário entre as fases. Os riscos do processo de entrega na CS são aliviados pela análise de big data devido à melhor visibilidade da CS e à precisão das previsões, à redução dos riscos de interrupção de informações e à melhor qualidade da ativação do plano de contingência. Para o planejamento integrado da CS, podem ser alcançadas reduções nos riscos de fornecimento e de tempo através da utilização de sistemas R&A avançados que permitem a coordenação em tempo real e a ativação oportuna de políticas de contingência.

Na fase proativa, as CSs normalmente são protegidas contra interrupções através do emprego de inventários de riscos, reservas de capacidade e fornecedores reserva. Isto é caro, especialmente se não ocorrer nenhuma interrupção. Blockchain poderia ajudar a reduzir essas ineficiências se formos capazes de criar um registo de atividades e dados necessários para a recuperação em termos de planos de contingência sincronizados. A manufatura aditiva pode reduzir a necessidade de inventários de riscos e reservas de capacidade, bem como de fornecedores de reserva de contingência. Os princípios de controle descentralizado nos sistemas da Indústria 4.0 permitem diversificar os riscos e reduzir a necessidade de redundância estrutural da CS, utilizando a flexibilidade de fabricação.

Na fase reativa, se ocorrer uma interrupção, os planos de contingência da fase proativa podem ser implementados mais rapidamente e implementados de forma eficaz se a visibilidade da CS for aumentada. A ABD e os sistemas avançados de R&A em geral, e a tecnologia blockchain em particular, podem ajudar-nos a rastrear as raízes das interrupções, a observar a propagação das interrupções (ou seja, o efeito cascata), a selecionar ações de estabilização de curto prazo com base numa compreensão clara das capacidades e estoque disponíveis (planejamento de emergência), desenvolver uma política de recuperação a médio prazo e analisar o impacto do efeito cascata no desempenho a longo prazo. A manufatura aditiva tem potencial para reduzir a propagação de interrupções na CS, uma vez que o número de camadas da CS e a complexidade resultante seriam reduzidos.

4. Resileanness na cadeia de suprimentos: o modelo Low-Certainty-Need (LCN)

4.1. Modelo conceitual

O modelo LCN da CS (Ivanov e Dolgui 2018) sugere abordar o risco de ruptura da CS e o campo do efeito cascata de outra perspectiva. Em vez de se opor à eficiência e à resiliência, sugerimos considerar as suas intersecções mútuas para melhorarem-se mutuamente com base em efeitos sinérgicos em termos de resiliência da CS.

Os principais custos da gestão de interrupções são observados na previsão de interrupções, na redundância protetora e nas capacidades reativas, como resultado de uma maior necessidade de certeza e dos resultantes maiores esforços de redundância e recuperação. Como tal, sugerimos estudar estas áreas na perspetiva da complementaridade da eficiência e da resiliência (Fig. 3).

Fig. 3. Modelo low-certainty-need para a cadeia de suprimentos (Ivanov e Dolgui 2018)

De acordo com a Figura 3, a complexidade estrutural, a inflexibilidade do processo e o uso não flexível de recursos e a redundância paramétrica insuficiente aumentam a incerteza e a propagação do risco de interrupção na CS. O objetivo final do projeto da cadeia de suprimentos LCN é desenvolver a capacidade de operar de acordo com o desempenho planejado, independentemente das mudanças ambientais. Como tal, o projeto LCN possui duas capacidades críticas, ou seja, baixa necessidade de consideração de incerteza nas decisões de planejamento e baixa necessidade de esforços de coordenação de recuperação.

A variedade estrutural, a flexibilidade do processo e a redundância paramétrica garantem a resistência a interrupções e a alocação de recursos de recuperação e permitem a operação da CS em uma ampla gama de estados ambientais. Isto significa que as atividades de planejamento nas cadeias de suprimentos LCN não dependem fortemente da previsão da incerteza e de investimentos proativos em proteção. Da mesma forma, os esforços de coordenação da recuperação são reduzidos ao mínimo. Observe que o design da cadeia de suprimentos LCN não implica necessariamente em custos mais elevados, mas busca uma combinação eficiente de elementos enxutos e resilientes.

Vamos discutir os princípios de implementação da estrutura LCN SC na prática usando tecnologia digital.

4.2. Flexibilidade de utilização de processos e recursos

Flexibilidade de utilização de processos e recursos significa, num sentido mais amplo, o estabelecimento de estações de trabalho universais e muito flexíveis, como as postuladas nos sistemas da Indústria 4.0. Da mesma forma, o uso de materiais universais pode ser considerado no que diz respeito à flexibilidade de recuperação na CS. A tecnologia de manufatura aditiva também pode influenciar positivamente a flexibilidade dos produtos e dos processos, resultando numa combinação de eficiência e resiliência. A manufatura aditiva pode reduzir a necessidade de fornecedores de contingência de reserva. Os princípios de controle descentralizado nos sistemas da Indústria 4.0 permitem diversificar os riscos com a ajuda do aumento da flexibilidade de produção. Novas direções de pesquisa podem ser vistas no que diz respeito ao impacto da digitalização na resiliência do design de CS (Ivanov et al. 2018). Por exemplo, a análise de big data e os sistemas avançados de rastreamento e acompanhamento em geral, e a tecnologia blockchain em particular, podem ajudar a rastrear as raízes das interrupções, a observar a propagação das interrupções (ou seja, o efeito cascata), a selecionar ações de estabilização a curto prazo. com base numa compreensão clara das capacidades e estoques disponíveis (planejamento de emergência), para desenvolver uma política de recuperação a médio prazo e para analisar o impacto do efeito cascata no desempenho a longo prazo. A manufatura aditiva tem o potencial de reduzir a propagação de interrupções na CS, uma vez que o número de camadas da CS e a complexidade resultante seriam reduzidos.

4.3. Redundância paramétrica econômica

A redundância paramétrica econômica visa reservas eficientes de capacidade, estoque e prazo de entrega. Mais especificamente, essas reservas precisam ser consideradas não como uma redundância não utilizada, mas também para uso em modos normais de operação. A otimização da redundância de redes pode ser vista como um novo tópico de pesquisa nesta área. Outro aspecto da redundância paramétrica é a sua alocação eficiente. Pode ser considerada uma nova direção de investigação que alargue as técnicas existentes de mapeamento do fluxo de valor para a resiliência da CS. A redundância eficiente pode ser implementada usando a manufatura aditiva que ajuda a reduzir a necessidade de inventário de riscos e reservas de capacidade. Finalmente, novos esquemas de classificação de materiais precisam ser desenvolvidos, sujeitos à criticidade dos materiais e à exposição ao risco em termos de design de CS eficientes e resilientes.

5. Gêmeo Digital da Cadeia de Suprimentos: Otimização e simulação baseadas em dados para gerir os riscos de interrupção

5.1. Cadeias de suprimentos como sistemas ciberfísicos

Hoje e olhando para o futuro próximo, a CS será tão boa quanto a tecnologia digital por trás dela. Os exemplos recentes de aplicações de tecnologia digital para CSs permitem a nova proposição de que a competição não é entre CSs, mas sim entre serviços de CS e os algoritmos analíticos por trás das CSs. Os serviços podem ser encomendados em pacotes ou em módulos individuais (Fig. 4).

Fig. 4. Coordenação de serviços e fluxos de materiais na cadeia de suprimentos ciberfísica

Exemplos de aplicações da CS e análise de operações incluem logística e controle de CS com dados em tempo real, controle de estoque e gerenciamento usando dados de detecção, alocação dinâmica de recursos em sistemas de montagem personalizados da Indústria 4.0, melhoria de modelos de previsão usando big data, técnicas de aprendizado de máquina para controle de processos, visibilidade da CS e controle de risco, otimizando sistemas com base em informações preditivas (por exemplo, manutenção preditiva), combinando algoritmos de otimização e aprendizado de máquina e modelagem e otimização baseadas em simulação para sistemas estocásticos.

O sucesso competitivo da CS se tornará cada vez mais dependente de algoritmos analíticos em combinação com otimização e modelagem de simulação. Inicialmente destinadas à automação de processos, as técnicas de análise de negócios agora revolucionam os mercados e os modelos de negócios e têm um impacto significativo no desenvolvimento da GCS. Como tal, surgirão novos modelos de negócio disruptivos de CS, onde as CS serão entendidas não como sistemas físicos rígidos com uma atribuição fixa e estática de alguns processos a algumas empresas. Em vez disso, diferentes empresas físicas oferecerão serviços de fornecimento, produção, logística e vendas, o que resultará numa alocação dinâmica de processos e estruturas de CS dinâmicas. A literatura recente documentou a possibilidade de modelar tais CSs de fluxo integrado de serviços e materiais (Ivanov et al. 2014c).

5.2. Gêmeos digitais da cadeia de suprimentos

Dunke et al. (2018) sublinham que a digitalização e a Indústria 4.0 podem influenciar significativamente as técnicas de otimização no domínio da CS, bem como os impactos da propagação da interrupção no desempenho da CS. Com a ajuda de abordagens de otimização e simulação, a pesquisa atual gera novos conhecimentos sobre a influência da propagação da interrupção no desempenho da saída CS, considerando a localização da interrupção, a duração e as políticas de propagação e recuperação. As novas tecnologias digitais criam novos desafios para a aplicação de técnicas de análise quantitativa à análise de efeito cascata SC e abrem novos caminhos e declarações de problemas para essas aplicações.

Nas últimas décadas, a simulação e a otimização desempenharam papéis significativos na resolução de problemas complexos. Exemplos de sucesso incluem planejamento e programação de produção, design de CS e otimização de rotas, para citar alguns. No entanto, muitos problemas permanecem desafiadores devido à sua complexidade e grande escala, e/ou incerteza e natureza estocástica. Além disso, a principal aplicação de métodos de otimização e simulação nas últimas décadas foi observada no apoio à decisão, o que significa que os tomadores de decisão deveriam fornecer manualmente a entrada do modelo e interpretar a saída do modelo. Por outro lado, a rápida ascensão da análise de negócios oferece oportunidades interessantes para a Pesquisa Operacional e o reexame desses difíceis problemas de otimização, bem como de problemas emergentes (Fig. 5).

Fig. 5. Modelo de análise de riscos da cadeia de suprimentos digital

Os dados de fornecimento, fabricação, logística e vendas são distribuídos entre sistemas muito diferentes, como ERP, RFID, sensores e blockchain. A análise de big data integra esses dados às informações utilizadas pelos algoritmos de IA na CS cibernética e pelos gerentes na CS física. Como tal, está surgindo uma nova geração de modelos de simulação e otimização. A adoção generalizada de análises e sua integração com a Pesquisa Operacional mostra que a simulação e a otimização são fundamentais, não apenas na modelagem de sistemas de CS físicas, mas também na modelagem de sistemas de CS cibernéticas e no aprendizado com eles.

Um exemplo de sistema de apoio à decisão que combina simulação, otimização e análise de dados é mostrado na Fig. 6.

Fig. 6. Conceito de um sistema de apoio à decisão para análise de risco da cadeia de abastecimento (Ivanov et al. 2018)

O sistema de apoio à decisão para análises de risco de CSs visa um design de CS proativo e resiliente em antecipação a interrupções e adaptação estrutural-paramétrica em caso de interrupções. O sistema de apoio à decisão é baseado em um conceito que combina simulação, otimização e análise de dados. A parte Simulação-Otimização do sistema destina-se a fornecer otimização proativa e resiliente da CS e simulação do comportamento dinâmico da CS no caso de possíveis interrupções ou cenários de interrupção. Além disso, isto suporta a simulação reativa e preditiva de impactos de interrupções no desempenho da CS e de políticas de recuperação que são posteriormente otimizadas de maneira prescritiva usando um modelo analítico. A parte de análise de dados do sistema é aplicada à identificação de interrupções em tempo real usando dados de feedback do processo, por exemplo, de sensores e RFID. Além disso, visa a entrada automatizada de dados de interrupção no modelo de simulação reativa para simulação e otimização de políticas de recuperação. Finalmente, a análise de dados é utilizada como sistema de aprendizagem orientado por dados na fase proativa, ajudando a gerar cenários de interrupção adequados para a concepção e planejamento resilientes de CSs.

No nível proativo, os modelos de programação matemática produzem insights notáveis ​​para os gestores e podem ser aplicados onde a probabilidade de ruptura pode ser estimada aproximadamente. Por um lado, a análise de big data e os sistemas avançados de rastreamento e acompanhamento podem ajudar na previsão de interrupções e no fornecimento de dados mais precisos para construir cenários de interrupção sofisticados para análises de projetos de CS resilientes. As tecnologias digitais abrem novos problemas para o design resiliente de CS. Por exemplo, a manufatura aditiva altera os projetos de CS, podendo surgir novos problemas de abastecimento resilientes. Esta área ainda pode ser melhorada através de plataformas de compras colaborativas.

No nível reativo e no que diz respeito às estratégias de mitigação e à identificação do impacto das interrupções no desempenho financeiro e operacional, as tecnologias digitais podem ser amplamente utilizadas para obter informações em tempo real sobre o âmbito e a escala das interrupções, a sua propagação na CS e para simular possíveis estratégias de recuperação. Além disso, no nível reativo, a adaptação é necessária para alcançar o desempenho de produção desejado, garantindo a possibilidade de alteração dos planos da CS e das políticas de estoque. Os processos de adaptação no controle do efeito cascata podem ser apoiados por feedback e métodos de controle adaptativos usando técnicas de agentes descentralizados com a ajuda de tecnologias digitais (Levalle e Nof 2017). A visualização destes processos através de simulação apoiada pela realidade virtual ainda não foi feita extensivamente para modelar o efeito cascata na cadeia de suprimento. Para isso, os modelos de simulação, juntamente com as novas tecnologias digitais, podem aprimorar ferramentas já utilizadas no desenvolvimento da agilidade e visibilidade da CS em termos de velocidade de disrupção.

Uma combinação de simulação e otimização pode ampliar o escopo de ambas. A combinação dos métodos permite:

● Otimização da rede para minimizar o custo total da CS.

● Análise dinâmica de políticas de pedidos, produção, estoque e controle de fornecimento usando simulação.

A simulação é uma ferramenta mais recente e especialmente poderosa quando combinada com a otimização. Mais gestores de CS estão agora adotando a prática de usar essas técnicas em conjunto.

O que um modelo típico de otimização de simulação de CS pode incluir e quais fatores ele pode levar em conta ao trabalhar na análise de risco?

Design de rede e informação geográfica

O projeto de rede, no que diz respeito à localização geográfica dos locais, é o núcleo da maioria dos modelos de simulação de CS. Os mapas GIS são usados ​​em modelos de simulação para localizar os locais e calcular distâncias, rotas e tempos de viagem ao longo de estradas reais. Além dos cálculos geoespaciais, proporcionam visualização e transparência em um modelo.

Parâmetros operacionais

Políticas de controle de estoque, regras de pedidos pendentes, lotes de produção e algoritmos de programação, bem como regras e políticas de remessa, precisam ser definidas no modelo e equilibradas entre si tanto para o modo de operação normal como para o modo de operação interrompida. As ferramentas modernas de simulação de CS permitem a modelagem visual dessas políticas e não requerem habilidades de programação.

Interrupções e recuperação

A duração de eventos de interrupção aleatórios ou programados pode ser modelada com distribuição de probabilidade. Quanto à recuperação, os analistas podem definir políticas de recuperação individuais para diferentes locais e definir as regras de ativação da política dependendo de quando o evento ocorre, da duração esperada e da gravidade da interrupção.

Impacto no desempenho

O impacto direto do efeito cascata se reflete nas alterações nos KPIs. Receita, vendas, nível de serviço, taxa de preenchimento e custos são normalmente calculados. Ao contrário dos modelos analíticos que normalmente se concentram numa métrica específica (por exemplo, custos/lucro), a simulação permite a medição simultânea de todas as métricas no mesmo modelo. Seus valores podem ser verificados em qualquer momento escolhido do período modelado. Dessa forma, a duração da interrupção pode ser modelada, o impacto no desempenho medido e as políticas de mitigação avaliadas quanto à eficiência.

Um modelo de simulação que considere todos esses fatores pode ser a base para a construção de um gêmeo digital bem-sucedido de uma CS física que pode ser usado para análises complexas de riscos da CS, desenvolvimento de planos de contingência e gerenciamento operacional mais eficiente.

Um gêmeo digital da CS pode apoiar a tomada de decisões sobre a CS física com base em dados. Em cada ponto do tempo, o gêmeo digital reflete a CS física: os dados reais de transporte, estoque, demanda e capacidade e podem ser usados para planejamento e decisões de controle em tempo real. A combinação de simulação, otimização e análise de dados constitui um conjunto completo de tecnologias que podem ser usadas para criar um gêmeo digital da CS – um modelo que sempre representa o estado da rede em tempo real (Fig. 7).

Fig. 7. Gêmeo digital da cadeia de suprimentos (Ivanov 2018c)

Conforme afirmado, um gêmeo digital reflete o estado atual de uma CS, com os dados reais de transporte, estoque, demanda e capacidade. Por exemplo, se houver uma greve num centro logístico internacional, esta interrupção pode ser detectada por uma ferramenta de monitorização de dados de risco e transmitida ao modelo de simulação como um evento disruptor. Então, a simulação no gêmeo digital pode ajudar a prever a possível propagação de interrupções e quantificar seu impacto. Além disso, a simulação permite testes eficientes de políticas de recuperação e a adaptação de planos de contingência – por exemplo, topologias de rede alternativas e rotas reserva podem ser reconsideradas em tempo real. Estas capturas de tela foram tiradas do software anyLogistix™ e mostram a animação do modelo baseado em mapa e o editor de construção de modelo.

Os dados de saída de uma simulação de gêmeo digital podem ser transferidos para um sistema ERP ou uma ferramenta de business intelligence (BI) para analisar o impacto das interrupções no desempenho. Além disso, um modelo de simulação pode ativar algoritmos de BI. Por exemplo, se o nível de serviço num modelo de simulação diminuir até um determinado nível, o gêmeo digital poderá ativar um algoritmo de BI para procurar a causa do problema. Interagindo com outras ferramentas de gestão da cadeia de suprimentos, um gêmeo digital fornece uma torre de controle para visibilidade da CS de ponta a ponta.

6. Conclusões

O impacto da digitalização e da Indústria 4.0 no efeito cascata na CS foi estudado neste capítulo. Apesar de alguns esforços parciais para descobrir novos conhecimentos sobre o impacto das tecnologias digitais nos riscos da CS, a compreensão da contribuição individual e da interação de diferentes tecnologias digitais na gestão específica do risco de interrupção da CS e do efeito cascata ainda é vaga. Este estudo contribui para o corpo de conhecimento na área ao combinar os resultados obtidos em duas áreas isoladas, ou seja, o impacto da digitalização na GCS e a gestão do efeito cascata na CS.

Espera-se que a digitalização penetre cada vez mais na indústria nos próximos anos, alterando enormemente os sistemas operacionais e de negócios e a economia. Esse potencial oferece novas abordagens à gestão de riscos da CS que trazem oportunidades e desafios. A fusão do mundo digital com os processos industriais é a chamada transformação digital. Além dos processos internos e interempresariais de produção e logística, isto também se aplica aos produtos e serviços oferecidos aos clientes que precisam ser refinados através do uso de tecnologias digitais. Este capítulo explicou que as tecnologias digitais podem ser utilizadas na gestão dos riscos de interrupção da CS e do efeito cascata.

A tendência de aplicação de tecnologias digitais vai além da empresa fabricante. A rede de fornecedores, a rede de clientes e os prestadores de serviços logísticos também devem instalar e desenvolver tecnologias digitais para flexibilizar toda a CS em entrega contínua. Por esta razão, o foco deve estar na gestão de riscos para todos os atores da CS no caso de incidentes mais frequentes, como catástrofes naturais ou interrupções de fornecedores. As fontes e o processo de tratamento dos riscos precisam ser compreendidos para facilitar a aplicação bem-sucedida das tecnologias digitais. As tecnologias digitais podem potencialmente oferecer enormes benefícios para as CS em termos de transparência, visibilidade, redução de custos, eficiência e resiliência. No entanto, ainda existe uma grande incerteza sobre a aplicação e a aceitação das tecnologias, uma vez que muitas tecnologias ainda estão em desenvolvimento e os padrões da indústria ainda não estão estabelecidos.

Mais especificamente, este estudo concluiu que, na fase proativa, as tecnologias digitais aumentam a capacidade de resposta à demanda e a flexibilidade da capacidade. Isto pode ter um impacto positivo nas reduções do inventário de riscos no controle do efeito cascata. Além disso, prazos de entrega mais curtos devido à manufatura aditiva aumentam o impacto da digitalização no controle de estoque. A Indústria 4.0 e a manufatura aditiva com o apoio das tecnologias de ABD e R&A facilitam uma nova qualidade de planejamento proativo da infraestrutura de gestão de risco e aumentam a capacidade de reconfigurar recursos na fase de recuperação. Na fase reativa, as tecnologias blockchain, R&A e ABD permitem principalmente uma nova qualidade de coordenação de dados e visibilidade da CS ao simular e ativar políticas de recuperação.

Em termos do modelo SCOR, as atividades de abastecimento e produção podem ser afetadas negativamente pela manufatura aditiva e pela Indústria 4.0, que apresentam maior exposição a riscos externos e efeito cascata. Uma explicação plausível é o aumento da complexidade e a redução dos riscos de tempo e de procura que ocorrem, impulsionados, por sua vez, por uma maior flexibilidade e prazos de entrega mais curtos. Riscos de fornecimento mais elevados podem ser encontrados se ocorrer uma interrupção na CS a montante, uma vez que não há estoque intermediário entre as etapas. Os riscos nos processos de entrega são influenciados pela análise de big data no que diz respeito à redução dos riscos de demanda devido à melhor visibilidade da CS e precisão das previsões, redução dos riscos de disrupção da informação e melhor qualidade da ativação do plano de contingência. As reduções nos riscos de fornecimento e de tempo no planejamento integrado da CS podem ser alcançadas usando blockchain e sistemas avançados de R&A que fornecem coordenação em tempo real enquanto ativam políticas de contingência. A concepção de uma CS resiliente pode ser influenciada por maiores riscos de informação, maior exposição a riscos externos e uma redução nos riscos de tempo e procura com base na tecnologia da Indústria 4.0 e na manufatura aditiva.

Foi identificada uma série de instruções para a aplicação de simulação e otimização para a GCS a aplicação de tecnologias digitais. A análise de big data e sistemas avançados de R&A podem ajudar a prever interrupções e fornecer dados mais precisos para construir cenários de interrupção sofisticados para análises de projetos de CSs resilientes. As tecnologias digitais podem ser utilizadas extensivamente para obter informações em tempo real sobre o âmbito e a escala das interrupções, a sua propagação na CS e para simular possíveis estratégias de recuperação. Além disso, no nível reativo, a adaptação é necessária para alcançar o desempenho de produção desejado, garantindo a possibilidade de alteração dos planos da CS e das políticas de estoque. Os processos de adaptação no controle de efeito cascata podem ser apoiados por métodos de feedback e controle adaptativo usando técnicas de agentes descentralizados com a ajuda de tecnologias digitais. A visualização desses processos por meio de simulação apoiada em realidade virtual ainda não foi feita extensivamente para modelar o efeito cascata na CS.

Os futuros sistemas de apoio à decisão utilizarão extensivamente tecnologias digitais e o gêmeo digital da CS, ou seja, um modelo computadorizado de uma CS atualizada com dados reais em tempo real.

Apesar dos rápidos desenvolvimentos nas CSs e nos seus gêmeos digitais, surgem várias questões:

• A CS é tão resiliente quanto a tecnologia digital por trás dele?

• Se sim, o que proporcionará a maior vantagem competitiva no futuro: CSs físicas ou seus gêmeos digitais?

• A resiliência da CS será gerida por inteligência humana, artificial ou um híbrido de ambas?

• Qual será o papel dos futuros Gestores de Risco das CSs?

Há muita pesquisa e potencial prático em relação às questões mencionadas acima. Esperamos que estes possam motivar novos desenvolvimentos perspicazes na investigação sobre o efeito cascata e o risco de interrupção.

REFERÊNCIAS

Addo-Tenkorang, R., Helo P.T. (2016). Big data applications in operations/supply-chain management: A literature review. Computers & Industrial Engineering, 101, 528-543.

Akkermans H.A., van Wassenhove L.N. (2018). A dynamic model of managerial response to grey swan events in supply networks. International Journal of Production Research, 56(1-2), 10-21.

Andelfinger, V., Hänisch, T. (2017): Industrie 4.0: Wie cyber-physische Systeme die Arbeitswelt ver- ändern. Springer Gabler, Wiesbaden.

Baryannis, G., Validi, S., Dani S., & G. Antoniou (2018). Supply chain risk management and artificial intelligence: state of the art and future research directions. International Journal of Production Re- search, DOI: 10.1080/00207543.2018.1530476

Bearzotti, L.A., Salomone, E., & Chiotti, O.J. (2012). An autonomous multi-agent approach to supply chain event management. International Journal of Production Economics, 135(1), 468–478.

Ben-Daya, M., Hassini E., & Bahroun Z. (2018). Internet of things and supply chain management: a literature review. International Journal of Production Research, DOI: 10.1080/00207543.2017.1402140

Bonfour, A. (2016): Digital Future, Digital Transformation. From Lean Production to Ac-celuction. Springer, Switzerland.

Bonfour, A. (2016): Digital Future, Digital Transformation. From Lean Production to Acceluction. Springer, Switzerland.

Choi, T.M., Wallace S.W., and Wang Y. (2018). Big Data Analytics in Operations Management. Pro- duction and Operations Management, DOI: 10.1111/poms.12838

Crosby, M., Pattanayak, P., Verma, S., & Kalyanaraman, V. (2016). Blockchain technology: Beyond bitcoin. Applied Innovation, 2, 6-10.

Dolgui, A., & Proth, J.M. (2010). Supply chain engineering: Useful methods and techniques, Springer: London.

Dolgui, A., Ivanov, D., Sokolov, B. (2018) Ripple Effect in the Supply Chain: An Analysis and Recent Literature. International Journal of Production Research, 56(1-2), 414-430.

Dunke F., Heckmann I., Nickel S., Saldanha-da-Gama F. (2018). Time traps in supply chains: I opti- mal still good enough? European Journal of Operational Research, 264, 813-829.

Elluru, S., H Gupta, H Kaur, SP Singh (2017) Proactive and reactive models for disaster resilient sup- ply chain. Annals of Operations Research, published online

Fazili, M., Venkatadri, U., Cyrus P. & M. Tajbakhsh (2017). Physical Internet, conventional and hy- brid logistic systems: a routing optimisation-based comparison using the Eastern Canada road net- work case study. International Journal of Production Research, 55(9), 2703-2730.

Feldmann K., Pumpe A. (2017). A holistic decision framework for 3D printing investments in global supply chains. Transportation Research Procedia 25:677-694

Frazzon, E. M., Kück, M., & Freitag, M. (2018). Data-driven production control for complex and dy- namic manufacturing systems. In: CIRP Annals - Manufacturing Technology, 67(1), 515-518.

Gunasekaran A., Papadopoulos T., Dubey R., Wamba SF., Childe S.J., Hazen B., Akter S. (2017) Big data and predictive analytics for supply chain and organizational performance. Journal of Business Research, 70. 308-317

Gunasekaran A., Subramanian H., Rahman S. (2015). Supply chain resilience: role of complexities and strategies. International Journal of Production Research, 53(22), 6809-6819.

Gunasekaran, A., Tiwari MK., Dubey, R., Wamba SF (2016). Big data and predictive analytics appli- cations in supply chain management. Computers and Industrial Engineering 101, 525-527

Gunasekaran, A., Y. Y. Yusuf, E. O. Adeleye & T. Papadopoulos (2018) Agile manufacturing practic- es: the role of big data and business analytics with multiple case studies. International Journal of Production Research, 56(1-2), 382-397.

Hagberg, J., Sundstrom, M., Egels-Zandén, N. (2016): The digitalization of retailing: An exploratory framework. International Journal of Retail & Distribution Management, 44(7), 694-712.

Hofmann, E. Strewe, U.M, Bosia, N. (2018). Supply Chain Finance and Blockchain Technology. Springer International.

Holmström J., Gutowski T. (2017). Additive Manufacturing in Operations and Supply Chain Man- agement: No Sustainability Benefit or Virtuous Knock-On Opportunities? Journal of Industrial Ecology, 21(1), 21-24.

IBM (2017). https://www-03.ibm.com/press/us/en/pressrelease/50816.wss, accessed on November 20, 2017

ISO (2017). www.iso.org, accessed on December 15, 2017.

Ivanov D. (2018c). Managing Risks in Supply Chains with Digital Twins and Simulation. Available at: https://www.anylogistix.com/resources/white-papers/managing-risks-in-supply-chains-with- digital-twins/

Ivanov D. (2018a). Revealing interfaces of supply chain resilience and sustainability: a simulation study. International Journal of Production Research, 56(10), 3507-3523.

Ivanov D., Dolgui, A. (2018) Low-Certainty-Need (LCN) Supply Chains: A new perspective in man- aging disruption risks and resilience. International Journal of Production Research, in press.

Ivanov D., Rozhkov M. (2017). Coordination of production and ordering policies under capacity dis- ruption and product write-off risk: An analytical study with real-data based simulations of a fast moving consumer goods company. Annals of Operations Research, published online.

Ivanov D., Sokolov B., Dilou Raguinia, E.A. (2014c) Integrated dynamic scheduling of material flows and distributed information services in collaborative cyber-physical supply networks, International Journal of Systems Science: Operations & Logistics, 1(1), 18-26.

Ivanov D., Sokolov B., Dolgui A. (2014a). The Ripple effect in supply chains: trade-off ‘efficiency- flexibility-resilience’ in disruption management, International Journal of Production Research, 52(7), 2154-2172.

Ivanov D., Sokolov, B., & Pavlov, A. (2014b). Optimal distribution (re)planning in a centralized mul- ti-stage network under conditions of ripple effect and structure dynamics. European Journal of Op- erational Research, 237(2), 758–770.

Ivanov, D. (2018b). Structural Dynamics and Resilience in Supply Chain Risk Management. Springer, New York.

Ivanov, D., Dolgui A., Sokolov B., Ivanova M. (2017). Literature review on disruption recovery in the supply chain. International Journal of Production Research, 55(20), 6158-6174.

Ivanov, D., Dolgui, A., Sokolov, B. (2018). The impact of digital technology and Industry 4.0 on the ripple effect and supply chain risk analytics. International Journal of Production Research, https://doi.org/10.1080/00207543.2018.1488086

Ivanov, D., Sokolov B., Kaeschel J. (2010) A multi-structural framework for adaptive supply chain planning and operations control with structure dynamics considerations, European Journal of Oper- ational Research, 200(2), 2010, pp. 409-420.

Ivanov, D., Sokolov, B., Dolgui, A., Werner, F., Ivanova, M. (2016). A dynamic model and an algo- rithm for short-term supply chain scheduling in the smart factory Industry 4.0. International Journal of Production Research, 54(2), 386-402.

Ivanov D., Tsipoulanidis, A., Schönberger, J. (2019) Global Supply Chain and Operations Manage- ment: A decision-oriented introduction into the creation of value, Springer Nature, Cham, 2nd Ed.

Johnson, K., A. B. H. Lee and D. Simchi-Levi (2016), Analytics for an Online Retailer: Demand Fore- casting and Price Optimization. Manufacturing and Service Operations Management. 18(1), 69-85.

Khajavi SH, Partanen J., Holmström J. (2014) Additive manufacturing in the spare parts supply chain Computers in Industry, 65(1), 50-63

Kshetri N. (2018). Blockchain's roles in meeting key supply chain management objectives. Interna- tional Journal of Information Management 39, pp. 80-89

Levalle R.R., Nof S.Y (2017) Resilience in supply networks: Definition, dimensions, and levels, An- nual Reviews in Control, 43, 224-236.

Li J., Jia G., Cheng Y., Hu Y. (2017). Additive manufacturing technology in spare parts supply chain: a comparative study. International Journal of Production Research, 55(5), 1498-1515

Liao, Y., Deschamps, Y., de Freitas, E., Loures R., & LFP Ramos (2017). Past, present and future of Industry 4.0 - a systematic literature review and research agenda proposal. International Journal of Production Research, 55(12), 3609-3629.

Minner S., Battini D., Çelebi D. (2018). Innovations in production economics. International Journal of Production Economics, https://doi.org/10.1016/j.ijpe.2017.10.017.

Mizgier K. J. (2017) Global sensitivity analysis and aggregation of risk in multi-product supply chain networks, International Journal of Production Research, 55(1), 130-144.

Moghaddam, M., Nof SY (2018) Collaborative service-component integration in cloud manufacturing, International Journal of Production Research, 56(1-2), 676-691.

Nguyen T., Zhou L., Spiegler V., Ieromonachou P., Lin Y. (2018) Big data analytics in supply chain management: A state-of-the-art literature review. Computers & Operations Research, 98, 254-264.

Oesterreich T.D., Teuteberg F. (2016). Understanding the implications of digitisation and automation in the context of Industry 4.0: A triangulation approach and elements of a research agenda for the construction industry. Computers in Industry, 83, 121-139.

Papadopoulos, T., Gunasekaran, A., Dubey, R., Altay, N., Childe SJ, Wamba SF (2017). The role of Big Data in explaining disaster resilience in supply chains for sustainability. Journal of Cleaner Production, 142(2), 1108-1118

Pavlov A., Ivanov D., Dolgui A., Sokolov B. (2018) Hybrid fuzzy-probabilistic approach to supply chain resilience assessment. IEEE Transactions on Engineering Management, forthcoming.

Porter ME, Heppelmann, JE (2015) How Smart, Connected Products Are Transforming Companies, Harvard Business Review, October 2015

Priore, P., Ponte, B., Rosillo R. & D. de la Fuente (2018). Applying machine learning to the dynamic selection of replenishment policies in fast-changing supply chain environments. International Jour- nal of Production Research, DOI: 10.1080/00207543.2018.1552369

Qu, T., Thürer, M., Wang, J., Wang, Z., Fu, H., Li C., & G. Q. Huang (2017). System dynamics analy- sis for an Internet-of-Things-enabled production logistics system. International Journal of Produc- tion Research, 55(9), 2622-2649.

Reddy, G.R., Singh, H, Hariharan, S. (2016): Supply chain wide transformation of traditional industry to industry 4.0. Journal of Engineering and Applied Sciences, 11(18), 11089-11097.

RM (2018) https://www.riskmethods.net/en/software/overview, accessed on February 10, 2018

Saberi S., Kouhizadeh M., Sarkis J., Shen L. (2018). Blockchain Technology and Supply Chain Man- agement. International Journal of Production Research, DOI: 10.1080/00207543.2018.1533261

Sanders, N. R. (2016): How to Use Big Data to Drive Your Supply Chain. California Management Review, 58(3), 26-48.

Schlüter F., E. Hetterscheid and M. Henke (2017). A Simulation-Based Evaluation Approach for Digi- talization Scenarios in Smart Supply Chain Risk Management. Journal of Industrial Engineering and Management Science, 1, 179-206.

Sheffi Y (2015) Preparing for Disruptions Through Early Detection. MIT Sloan Manag Rev 57:31

Simchi-Levi, D. and M. X. Wu (2018), Powering Retailers Digitization Through Analytics and Auto- mation. International Journal of Production Research, 56(1-2), 809-816

Sokolov B., Ivanov D., Dolgui A., Pavlov A. (2016). Structural quantification of the ripple effect in the supply chain. International Journal of Production Research, 54(1), 152-169.

Strozzi, F., Colicchia, C., Creazza A., & C. Noè (2017). Literature review on the ‘Smart Factory’ con- cept using bibliometric tools. International Journal of Production Research, 55(22), 6572-6591.

Tran-Dang, H., Krommenacker N., & P. Charpentier (2017). Containers monitoring through the Phys- ical Internet: a spatial 3D model based on wireless sensor networks. International Journal of Pro- duction Research, 55(9), 2650-2663.

Wamba, S. F., Ngai, E.W.T., Riggins, F. and Akter, S. (2017), "Transforming operations and produc- tion management using big data and business analytics: future research directions", International Journal of Operations & Production Management, 37(1), 2–9.

Wamba, S.F., Akter, S., Edwards, A., Chopin, G. and Gnanzou, D. (2015), “How ‘big data’ can make big impact: Findings from a systematic review and a longitudinal case study”, International Journal of Production Economics, Elsevier, 165, 234–246.

Yang, Y., Pan S., & E. Ballot (2017). Innovative vendor-managed inventory strategy exploiting inter- connected logistics services in the Physical Internet. International Journal of Production Research, 55(9), 2685-2702.

Zelbst, P. J., Green, K. W., Sower, V. E. and Reyes, P. M. 2012. “Impact of RFID on manufacturing effectiveness and efficiency”, International Journal of Operations & Production Management, 32:3, pp. 329-350

Zhang, J., Jung, Y. (2018): Additive Manufacturing. Elsevier Science & Technology, Oxford.

Zhong, R.Y., Xu, C., Chen, C., Huang, G.Q. (2017). Big Data Analytics for Physical Internet-based intelligent manufacturing shop floors. International Journal of Production Research, 55(9), 2610- 2621.