Исследования инновационных проектов и управления в сфере сервисов интеллектуальных цепочек поставок: на примере производства и изготовления автомобилей “Золотой орёл”

В статье в качестве объекта исследования рассматривается российская автомобильная производственная группа Golden Eagle. Нацелившись на проблему нарушения международной цепочки поставок, вызванную западными санкциями, в данной статье строится многомерная аналитическая структура для ее интеллектуального управления инновациями в цепочке поставок на основе теории сложных систем. Вводя динамическую байесовскую сеть (DBN) для моделирования топологии всего процесса проектирования-производства-продаж и объединяя поток данных в реальном времени системы MES с параметрами управления PLC, создается дискретно-событийная имитационная модель (DES), управляемая цифровыми близнецами. Смешанное целочисленное программирование (MIP) используется для оптимизации стратегии планирования роботизированной системы, а архитектура федеративного обучения используется для достижения совместной защиты конфиденциальности трансграничных узлов блокчейна. Эмпирические исследования показывают, что с помощью многоцелевой оптимизации на основе алгоритма NSGA-II локализованная реконструкция цепочки поставок может увеличить скорость оборота материалов на 37,2%; Модель предупреждения о рисках в цепочке поставок (AUC=0,914), построенная с использованием нейронной сети LSTM, значительно снижает вероятность сбоя цепочки, вызванного геополитикой; а механизм цепочки альянсов в сочетании с распределением стоимости Шепли повышает эффективность трансграничного сотрудничества на 28,5%. В этом исследовании представлен набор методологий построения устойчивой цепочки поставок, который объединяет оптимизацию исследования операций и распределенный искусственный интеллект для санкционированных экономик.

This paper takes Golden Eagle, a Russian automobile manufacturing group, as the object of research. Aiming at the problem of international supply chain disruption caused by Western sanctions, this paper builds a multidimensional analytical framework for its intelligent supply chain innovation management based on complex systems theory. By introducing dynamic Bayesian network (DBN) to model the topology of the whole design-production-sales process and merging the real-time data stream of MES system with the control parameters of PLC, a discrete event simulation model (DES) driven by digital twins is established. Mixed integer programming (MIP) is used to optimize the scheduling strategy of the robotic system, and federated learning architecture is used to achieve collaborative privacy protection of cross-border blockchain nodes. Empirical studies show that, through multi-objective optimization based on NSGA-II algorithm, localized supply chain reconstruction can increase the material turnover rate by 37.2%; The supply chain risk warning model (AUC=0.914) built using LSTM neural network significantly reduces the probability of chain failure caused by geopolitics; and the alliance chain mechanism combined with Shapley cost distribution improves the efficiency of cross-border cooperation by 28.5%. This study presents a set of methodologies for building a resilient supply chain that integrates operations research optimization and distributed artificial intelligence for sanctioned economies.