Strategische Metamorphose des Supply-Chain-Netzwerkdesigns: Eine Dekadenanalyse von der Robustheit zur Viabilität (2013–2024)

1. Einleitung: Die Erosion der Stabilität und der neue Imperativ

Die betriebswirtschaftliche Disziplin des Supply-Chain-Risikomanagements (SCRM) hat im letzten Jahrzehnt eine Transformation durchlaufen, die in ihrer Tiefe und Geschwindigkeit in der Geschichte der Logistikforschung beispiellos ist. Betrachtet man das Jahr 2013 als Referenzpunkt – markiert durch die hier zur Analyse vorliegende Dissertation von Daniel Dumke – so blicken wir auf eine Ära zurück, die noch stark von den Nachwehen der Finanzkrise 2008 und dem unerschütterlichen Glauben an die Globalisierungsdividende geprägt war. Damals, so zeigt die Analyse der Ausgangsarbeit, lag der Fokus auf der Optimierung bestehender Systeme: Wie kann ein Netzwerk, das primär auf Kosteneffizienz und Just-in-Time (JIT) ausgelegt ist, gegen singuläre Störereignisse „gehärtet“ werden? Der Begriff der Robustheit stand im Zentrum des wissenschaftlichen Diskurses.1

Heute, im Jahr 2024, operieren globale Wertschöpfungsnetzwerke in einem fundamental veränderten Umfeld, das oft mit dem Akronym BANI (Brittle, Anxious, Non-linear, Incomprehensible) statt VUCA beschrieben wird. Die Abfolge systemischer Schocks – von der US-China-Handels войне über die COVID-19-Pandemie bis hin zum Krieg in der Ukraine und der Energiekrise – hat die Axiome des Netzwerkdesigns pulverisiert. Die Fragestellung hat sich von „Wie schützen wir uns vor einem Lieferantenausfall?“ hin zu „Wie überlebt das Netzwerk den Zusammenbruch der geopolitischen Ordnung?“ verschoben.

Dieser Bericht analysiert diese Evolution. Er kontrastiert die Erkenntnisse der Dissertation von 2013 mit der aktuellen Forschungslage bis 2025. Dabei werden nicht nur technologische Quantensprünge durch Künstliche Intelligenz (KI) und Digitale Zwillinge beleuchtet, sondern auch die ontologische Verschiebung vom Konzept der Resilienz hin zur Viabilität (Viability). Es wird aufgezeigt, wie die in der Dissertation identifizierten Forschungslücken – insbesondere der Mangel an quantitativen Bewertungsmodellen für komplexe Netzwerkeffekte – durch moderne Methoden wie Graph Neural Networks (GNN) und Reinforcement Learning (RL) heute geschlossen werden.

—

2. Retrospektive Analyse der Ausgangsbasis (2013): Das Paradigma der Robustheit

Um die Tragweite der aktuellen Entwicklungen zu ermessen, ist eine präzise Dekonstruktion des Wissensstandes von 2013, wie er in der Dissertation „Strategische Ansätze zur Risikoreduktion im Supply-Chain-Netzwerkdesign“ dargelegt wird, unerlässlich.

2.1 Der methodische Status Quo: Agentenbasierte Simulation als Pionierleistung

Im Jahr 2013 stellte die Anwendung der agentenbasierten Simulation (ABM) zur Analyse von Supply-Chain-Risiken einen fortschrittlichen methodischen Ansatz dar. Dumke nutzte die Software AnyLogic, um autonome Akteure (Lieferanten, Hersteller, Händler) zu modellieren, die nach vordefinierten Heuristiken (z.B. (s,S)-Lagerpolitik) agierten.1

Die Arbeit grenzte sich damals bewusst von rein analytischen Optimierungsmodellen (wie Linear Programming) ab, da diese an der Komplexität stochastischer Ereignisse scheiterten. Ein zentrales Merkmal der damaligen Modellierung war die statische Parametrisierung. Die Agenten waren zwar autonom, aber ihre Verhaltensregeln waren fest codiert („hard-coded heuristics“). Sie reagierten auf Störungen, aber sie „lernten“ nicht im Sinne moderner Machine-Learning-Algorithmen.

Die Dissertation identifizierte eine kritische Lücke in der damaligen Forschung: Die Vernachlässigung von Unterbrechungsrisiken (Low Frequency, High Impact) zugunsten von stetigen Risiken (High Frequency, Low Impact, wie Nachfrageschwankungen). Dumke argumentierte, dass die Optimierung auf stetige Risiken (z.B. durch Safety Stock) oft wirkungslos gegen echte Disruptionen ist.1

2.2 Strategische Erkenntnisse der Dissertation

Die Simulationsstudie von 2013 lieferte Ergebnisse, die das Fundament für die heutige Resilienzforschung legten, aber auch die Grenzen des damaligen Denkens aufzeigen:

• Ineffektivität der Lagerhaltung: Ein Kernergebnis war, dass reine Lagerhaltungsstrategien (Inventory Redundancy) bei Unterbrechungen von mehr als 5 Wochen ökonomisch ineffizient und operativ wirkungslos sind. Sobald der Puffer leerläuft, bricht das System zusammen. Dies ist eine Erkenntnis, die in der Chip-Krise 2021 schmerzhaft validiert wurde.
• Kapazitätsflexibilität vor Bestand: Die Arbeit favorisierte Strategien der Kapazitätsflexibilität (z.B. flexible Fertigungslinien, Dual Sourcing) gegenüber reiner Bestandsmaximierung.
• Risikoquelle als Determinante: Dumke zeigte, dass die Lokation der Risikoquelle im Netzwerk (z.B. Tier-2 vs. Tier-1) entscheidender für die Wahl der Strategie ist als das bloße Ausmaß der Störung. Er entwickelte das Konzept des „unterbrechungsbedingten kritischen Pfades“ – ein Vorläufer heutiger Netzwerkanalysen.1

2.3 Die Grenzen des 2013er Modells

Aus heutiger Sicht weist der Ansatz von 2013 spezifische Limitationen auf, die den Fortschritt der letzten Jahre definieren:

1. Isolationistische Betrachtung: Das Modell betrachtete die Supply Chain weitgehend als geschlossenes System. Exogene geopolitische Faktoren oder systemische Kaskadeneffekte (Ripple Effects) über Branchengrenzen hinweg wurden nur rudimentär abgebildet.
2. Datenverfügbarkeit (Modellrisiko): Dumke thematisierte explizit das Modellrisiko – die Gefahr, dass die Annahmen über Wahrscheinlichkeiten falsch sind. 2013 fehlten die Echtzeitdaten aus IoT und Sensorik, um diese Unsicherheit zu reduzieren.
3. Fehlende ESG-Dimension: Nachhaltigkeit (Environmental, Social, Governance) spielte als Risikofaktor keine Rolle. Das Ziel war rein ökonomische Robustheit (Gewinnstabilisierung).

—

3. Theoretische Evolution: Von der Resilienz zur Viabilität

Die wohl signifikanteste theoretische Weiterentwicklung seit 2013 ist die Verschiebung des Zielsystems. Während Dumke 2013 Robustheit (Widerstandsfähigkeit ohne Leistungsabfall) als Ideal postulierte, hat die Forschung, getrieben durch die Pandemie, das Konzept der Supply Chain Viability entwickelt.

3.1 Die Ontologie der Viabilität

Das Konzept der Viabilität, maßgeblich geprägt durch Dmitry Ivanov und Alexandre Dolgui ab 2020, erweitert den Resilienzbegriff fundamental.

• Resilienz (2013–2019): Definiert als die Fähigkeit, nach einer Störung in den ursprünglichen Zustand zurückzukehren („bounce back“). Der Fokus liegt auf Recovery und Zeitminimierung (Time-to-Recovery).2
• Viabilität (2020–2024): Definiert als die Fähigkeit eines Supply-Chain-Netzwerks (genauer: eines Intertwined Supply Network, ISN), in einem sich radikal ändernden Umfeld langfristig zu überleben. Es geht nicht um die Rückkehr zum Status quo, sondern um die adaptive Transformation. Viabilität akzeptiert, dass Krisen keine singulären Ereignisse (Disruptions), sondern langanhaltende Zustände (Crises) sein können.4

Insight: Die Dissertation von 2013 operierte im Paradigma der „Stabilisierung“. Die heutige Forschung operiert im Paradigma der „Adaptation“. Ein viables Netzwerk muss fähig sein, seine Struktur während der Krise komplett zu verändern (z.B. Umstellung von Automobilproduktion auf Beatmungsgeräte während COVID-19), was über die statischen Flexibilitätsstrategien von 2013 hinausgeht.4

3.2 Ripple-Effekt vs. Bullwhip-Effekt

Während der Bullwhip-Effekt (operationales Aufschaukeln von Nachfrageschwankungen) 2013 bereits Standardwissen war, hat die Forschung der letzten Jahre den Ripple-Effekt als das dominierende Risiko für Netzwerkdesigns identifiziert.

Der Ripple-Effekt beschreibt die strukturelle Kaskadierung von Ausfällen. Anders als beim Bullwhip-Effekt, der Volatilität betrifft, geht es beim Ripple-Effekt um die Disruption von Kapazität. Wenn ein singulärer Knoten (z.B. ein Hafen in China oder ein Kabelbaumhersteller in der Ukraine) ausfällt, breitet sich der Stillstand wellenförmig durch das gesamte globale Netzwerk aus und legt auch nicht direkt betroffene Segmente lahm.7

Die Simulationsmodelle von 2013 bildeten Vorstufen dieses Effekts ab, jedoch fehlte die mathematische Formalisierung, die heute durch komplexe Netzwerttheorie und Entropie-basierte Modelle möglich ist, um die Vulnerabilitätstopologie eines Netzwerks präzise zu kartieren.10

—

4. Strukturelle Transformation: Geopolitik als Design-Parameter

Die Simulationsszenarien in der Arbeit von 2013 basierten auf der Annahme eines globalisierten, prinzipiell offenen Handelsraums, in dem Störungen stochastischer Natur sind (Feuer, Streik, Unwetter). Die Realität der Jahre 2020–2024 hat gezeigt, dass Risiken zunehmend deterministisch und politisch sind.

4.1 Das Ende der naiven Globalisierung: Friend-shoring und Nearshoring

Eine massive Verschiebung im SCND ist die Abkehr von der reinen Kostenoptimierung (Low-Cost Country Sourcing) hin zu einer sicherheitsorientierten Regionalisierung.

• Nearshoring: Die Verlagerung von Produktion in geographische Nähe der Absatzmärkte (z.B. Mexiko für die USA, Osteuropa für die EU) hat sich als dominante Strategie zur Reduktion von Lead-Times und Transportrisiken etabliert. Studien zeigen, dass Mexiko China als größten Handelspartner der USA abgelöst hat – ein direkter Effekt der Strategie, Lieferketten gegen transozeanische Schocks (wie Containerkrisen) zu immunisieren.12
• Friend-shoring: Dieser Begriff existierte 2013 nicht. Er beschreibt die bewusste Beschränkung von Lieferbeziehungen auf politisch verbündete Staaten („Trusted Partners“). Dies ist eine Reaktion auf die Weaponization of Trade (Handelskriege, Sanktionen). Unternehmen modellieren heute „Geopolitische Distanz“ als quantifizierbaren Risikofaktor in ihren Netzwerkdesigns.14

Relevanz zur Ausgangsarbeit: Dumke identifizierte „Lokationsänderungen“ als eine Strategie.1 Was sich geändert hat, ist die Motivation. 2013 war die Lokation eine Variable zur Optimierung von Transportkosten und Reaktionszeit. Heute ist die Lokation eine Variable der nationalen Sicherheit und Compliance. Die Entscheidung für einen Standort wird nicht mehr allein im Supply-Chain-Board getroffen, sondern ist Teil der Corporate Strategy unter Einbeziehung geopolitischer Analysten.17

4.2 Fallstudie: Die Halbleiterkrise als Katalysator

Die Halbleiterkrise (2020–2023) dient als empirischer Beweis für die Grenzen der in der Dissertation diskutierten Strategien. Die Automobilindustrie, die jahrzehntelang auf JIT und minimale Bestände setzte, erlebte einen systemischen Kollaps.

Die Reaktion war nicht, wie 2013 vielleicht empfohlen, nur mehr Lagerbestand aufzubauen (was bei veraltenden Chips riskant ist), sondern eine strukturelle Duplizierung der Wertschöpfungskette. Der Bau von Fabs in den USA und Europa (gefördert durch CHIPS Acts) ist die extremste Form der von Dumke diskutierten Strategie der „Redundanten Kapazität“.19 Hier zeigt sich, dass bei kritischen Komponenten die ökonomische Effizienz der Versorgungssicherheit (National Security Supply Chain) untergeordnet wird.

—

5. Technologische Revolution: Vom statischen Modell zum Digital Twin

Der wohl tiefgreifendste Wandel seit 2013 betrifft die Technologien, die für das Design und das Management von Risiken zur Verfügung stehen.

5.1 Der Aufstieg des Digital Supply Chain Twin (DSCT)

Dumkes Arbeit nutzte eine isolierte Simulationsumgebung. Daten mussten manuell erhoben und als Parameter (z.B. Durchschnittsnachfrage, Standardabweichung) eingegeben werden. Dies entspricht dem damaligen Stand der „Offline-Simulation“.

Heute ist der Digital Supply Chain Twin (DSCT) der Goldstandard. Ein DSCT ist ein virtuelles, dynamisches Abbild der physischen Lieferkette, das in Echtzeit oder Near-Real-Time mit Daten aus ERP-Systemen, IoT-Sensoren und externen Datenquellen (Wetter, Verkehr, News) synchronisiert wird.22

Vorteil gegenüber 2013:

• Visibility: Der DSCT bietet Transparenz über Tier-n-Lieferanten (Lieferanten der Lieferanten), ein Bereich, den Dumke als „Black Box“ und großes Risiko identifizierte.25
• Prädiktion statt Reaktion: Während die Simulation von 2013 reaktiv testete („Was passiert, wenn…?“), nutzen DSCTs Predictive Analytics, um Störungen vorherzusagen, bevor sie eintreten.26

5.2 Künstliche Intelligenz und Reinforcement Learning

Die Dissertation nutzte fest definierte Entscheidungsregeln für die Agenten. Die moderne Forschung integriert Reinforcement Learning (RL) in die agentenbasierte Simulation.

• Lernende Agenten: Anstatt einer festen (s,S)-Lagerpolitik lernt ein RL-Agent durch Millionen von Simulationszyklen selbstständig, welche Lagerstrategie in welchem Szenario optimal ist. Er entwickelt emergente Strategien, die ein menschlicher Planer (oder ein statisches Modell von 2013) nicht vorhersehen könnte.27
• Generative AI (GenAI): Seit 2023 revolutioniert GenAI das Risikomanagement. Systeme wie ChatGPT-basierte Supply-Chain-Copiloten können unstrukturierte Daten (Nachrichten über Streiks, politische Unruhen) scannen und daraus automatisch Risikoszenarien generieren, die dann im DSCT simuliert werden.30 Dies löst das Problem der „Fantasielosigkeit“ bei der Szenariodefinition, das in der Risikoanalyse oft kritisiert wurde.

5.3 Graph Neural Networks (GNN)

Ein weiteres Defizit, das Dumke ansprach, war die Schwierigkeit, Risiken in tiefen Tiers zu erkennen. Graph Neural Networks bieten hier eine Lösung. Da Supply Chains mathematisch als Graphen (Knoten und Kanten) darstellbar sind, können GNNs Muster in den Beziehungen erkennen und vorhersagen, welche versteckten Verbindungen (z.B. zwei Tier-1-Lieferanten, die vom selben Tier-2-Lieferanten abhängen) ein Klumpenrisiko darstellen.32 Dies ermöglicht eine Risikotransparenz, die 2013 methodisch unerreichbar war.

—

6. Die Integration von ESG als Risikodimension

In der Dissertation von 2013 spielte Nachhaltigkeit eine untergeordnete Rolle; der Fokus lag auf ökonomischen Kennzahlen (Gewinn, Service-Level). In den letzten zehn Jahren hat sich ESG (Environmental, Social, Governance) von einem Compliance-Thema zu einem harten Risikofaktor gewandelt.

6.1 ESG als Treiber von Disruptionen

Klimarisiken (Dürren, die Flusspegel senken; Stürme, die Häfen schließen) sind heute direkte Treiber von Supply-Chain-Unterbrechungen. Das Supply-Chain-Netzwerkdesign muss daher Klimamodelle integrieren. Ein Netzwerk, das ökonomisch robust ist, aber in einer Zone mit hohem Wasserstress liegt, gilt heute als nicht viabel.35

6.2 Der Trade-off: Resilienz vs. Nachhaltigkeit

Neuere Forschungen zeigen einen komplexen Zielkonflikt auf, der 2013 noch nicht diskutiert wurde: Maßnahmen zur Erhöhung der Resilienz können der Nachhaltigkeit schaden.

• Konflikt: Höhere Lagerbestände und redundante Fabriken erhöhen den Ressourcenverbrauch und CO2-Fußabdruck.
• Synergie: Nearshoring verkürzt Transportwege und senkt damit Emissionen.36

Moderne Optimierungsmodelle sind daher multi-kriteriell und suchen nach dem Pareto-Optimum zwischen Kosten, Resilienz und CO2-Emissionen.38

—

7. Der „Cost of Resilience“: Ein neues ökonomisches Verständnis

Ein zentraler Punkt in Dumkes Experteninterviews (2013) war die Zurückhaltung der Unternehmen, in Resilienz zu investieren, wenn dies die Kosten erhöht. „Efficiency is king“ war das Dogma.

Die Jahre 2020–2024 haben hier einen kulturellen Wandel erzwungen. Der „Cost of Resilience“ wird heute nicht mehr als Verschwendung (Waste) im Lean-Sinne betrachtet, sondern als notwendige Operational Hedging-Kosten. Studien von Bain und BCG zeigen, dass CEOs bereit sind, Redundanzen zu finanzieren, um Marktanteile in Krisenzeiten zu sichern.39

Tabelle 1 fasst den Wandel der Entscheidungsparameter zusammen:

Entscheidungsparameter	Sichtweise 2013 (Dumke)	Sichtweise 2024 (Aktuell)
Lagerhaltung	Minimieren (JIT), Kostenfaktor	Strategischer Puffer (JIC), Sicherheitsfaktor
Sourcing	Global Sourcing (Best Cost)	Friend-shoring / Regionalisierung (Best Risk)
Redundanz	Zu vermeiden (Ineffizienz)	Notwendig für kritische Komponenten
Technologie	Insel-Lösungen, Simulation	Vernetzte Ökosysteme, Digital Twins, AI
Fokus	Robustheit (Stabilisierung)	Viabilität (Überleben & Anpassung)

—

8. Quantitative Methoden: Supply Chain Stress Testing

Methodisch hat sich die Forschung von der reinen Optimierung hin zum Stress Testing bewegt. Inspiriert durch die Regulierung des Bankensektors (Basel III) nach 2008, nutzen Unternehmen heute den „Digital Twin“, um ihre Supply Chain Stresstests zu unterziehen.42

Dabei werden zwei zentrale Kennzahlen ermittelt, die von David Simchi-Levi popularisiert wurden:

1. Time-to-Recovery (TTR): Wie lange dauert es, bis ein Knoten nach einem Ausfall wieder läuft?
2. Time-to-Survive (TTS): Wie lange kann die Supply Chain weiterlaufen, wenn dieser Knoten ausfällt (basierend auf Beständen in der Pipeline)?

Wenn TTR > TTS, entsteht eine Unterbrechung. Diese Metrik macht das von Dumke qualitativ beschriebene Risiko quantifizierbar und erlaubt eine finanzielle Bewertung des Risikos („Value at Risk“ der Supply Chain).

—

9. Fazit und Ausblick

Die Dissertation von Daniel Dumke aus dem Jahr 2013 war weitsichtig in ihrer Identifikation der Probleme, die durch überzogene Effizienzsteigerungen entstehen. Ihre Forderung nach einer strategischen Verankerung von Risikomanagement im Netzwerkdesign ist heute valider denn je.

Doch das Feld hat sich radikal weiterentwickelt. Was 2013 eine akademische Übung in agentenbasierter Simulation war, ist heute eine datengetriebene, KI-gestützte Notwendigkeit für das Überleben von Unternehmen. Die „neuen Erkenntnisse“ der letzten 10 Jahre lassen sich in drei Punkten zusammenfassen:

1. Technologische Reife: Die Vision der Simulation ist durch Digital Twins und KI Realität geworden. Wir simulieren nicht mehr abstrakte Modelle, sondern digitale Kopien der Realität.
2. Systemische Viabilität: Das Ziel ist nicht mehr nur, Störungen abzuwehren (Robustheit), sondern das System so zu designen, dass es sich in Krisen neu erfinden kann (Viabilität).
3. Geopolitische und Ökologische Integration: Risikomanagement ist nicht mehr rein operativ/ökonomisch, sondern hochgradig politisch und normativ aufgeladen.

Für die Forschung und Praxis bedeutet dies, dass das Supply-Chain-Netzwerkdesign der Zukunft eine Symbiose aus menschlicher Strategie (Geopolitik, ESG) und maschineller Intelligenz (KI-Optimierung, Stress-Testing) sein muss. Die Zeit der statischen, rein kostenoptimierten Netzwerke ist endgültig vorbei.

---

Weitere Links und Informationen auch auf dem (archivierten) SCRMBlog

Works cited

1. Strategische Ansätze zur Risikoreduktion im Supply-Chain-Netzwerkdesign; Dissertation
2. Full article: Towards resilient and viable supply chains: a multidimensional model and empirical analysis, accessed December 26, 2025, https://www.tandfonline.com/doi/full/10.1080/00207543.2025.2470350
3. Viable supply chain model: integrating agility, resilience and sustainability perspectives—lessons from and thinking beyond the COVID-19 pandemic - IDEAS/RePEc, accessed December 26, 2025, https://ideas.repec.org/a/spr/annopr/v319y2022i1d10.1007_s10479-020-03640-6.html
4. Full article: Toward supply chain viability theory: from lessons learned through COVID-19 pandemic to viable ecosystems, accessed December 26, 2025, https://www.tandfonline.com/doi/full/10.1080/00207543.2023.2177049
5. Viable supply chain model: integrating agility, resilience and sustainability perspectives—lessons from and thinking beyond the COVID-19 pandemic - PMC - PubMed Central, accessed December 26, 2025, https://pmc.ncbi.nlm.nih.gov/articles/PMC7243232/
6. Towards resilient and viable supply chains: a multidimensional model and empirical analysis - ResearchGate, accessed December 26, 2025, https://www.researchgate.net/publication/389386967_Towards_resilient_and_viable_supply_chains_a_multidimensional_model_and_empirical_analysis
7. Does the ripple effect influence the bullwhip effect? An integrated analysis of structural and operational dynamics in the supply chain - IDEAS/RePEc, accessed December 26, 2025, https://ideas.repec.org/a/taf/tprsxx/v58y2020i5p1285-1301.html
8. The Bullwhip Effect and Ripple Effect with Respect to Supply Chain Resilience: Challenges and Opportunities - MDPI, accessed December 26, 2025, https://www.mdpi.com/2305-6290/9/2/62
9. Supply Chain Risk Management: Bullwhip Effect and Ripple Effect - ResearchGate, accessed December 26, 2025, https://www.researchgate.net/publication/320932292_Supply_Chain_Risk_Management_Bullwhip_Effect_and_Ripple_Effect
10. Modeling of cluster supply network with cascading failure spread and its vulnerability analysis | Request PDF - ResearchGate, accessed December 26, 2025, https://www.researchgate.net/publication/271623020_Modeling_of_cluster_supply_network_with_cascading_failure_spread_and_its_vulnerability_analysis
11. Resilience of interdependent supply chain networks design and protection under the ripple effect - ResearchGate, accessed December 26, 2025, https://www.researchgate.net/publication/380308220_Resilience_of_interdependent_supply_chain_networks_design_and_protection_under_the_ripple_effect
12. Nearshoring to Mexico and US Supply Chain Resilience as a Response to the COVID-19 Pandemic | Published in Findings, accessed December 26, 2025, https://findingspress.org/article/91272-nearshoring-to-mexico-and-us-supply-chain-resilience-as-a-response-to-the-covid-19-pandemic
13. Nearshoring and Reshoring for Modern Global Business Supply Chains - Northern Kentucky University, accessed December 26, 2025, https://onlinedegrees.nku.edu/programs/undergraduate/bsba/global-supply-chain-management/nearshoring-and-reshoring-for-supply-chain/
14. A New Geopolitics of Supply Chains. The Rise of Friend-Shoring - Stiftung Wissenschaft und Politik, accessed December 26, 2025, https://www.swp-berlin.org/publications/products/comments/2022C45_Geopolitics_Supply_Chains.pdf
15. The Price of De-Risking: Reshoring, Friend-Shoring, and Quality Downgrading, WP/24/122, June 2024, accessed December 26, 2025, https://www.imf.org/-/media/files/publications/wp/2024/english/wpiea2024122-print-pdf.pdf
16. Measuring geopolitical distance: A quantitative approach to friendshoring in globalized supply chains - AgEcon Search, accessed December 26, 2025, https://ageconsearch.umn.edu/record/361039/
17. How Geopolitics Changes the Procurement Equation - Boston Consulting Group, accessed December 26, 2025, https://www.bcg.com/publications/2024/geopolitics-changes-the-global-sourcing-equation
18. Geopolitical Risks: What Keeps Us Up at Night - ISM, accessed December 26, 2025, https://www.ismworld.org/supply-management-news-and-reports/news-publications/inside-supply-management-magazine/blog/2024/2024-093/geopolitical-risks-what-keeps-us-up-at-night/
19. Chip shortage: how the semiconductor industry is dealing with this worldwide problem, accessed December 26, 2025, https://www.weforum.org/stories/2022/02/semiconductor-chip-shortage-supply-chain/
20. Emerging Resilience in the Semiconductor Supply Chain | BCG, accessed December 26, 2025, https://www.bcg.com/publications/2024/emerging-resilience-in-semiconductor-supply-chain
21. Resilience of the Semiconductor Supply Chain, accessed December 26, 2025, https://www.semi.org/sites/semi.org/files/2022-12/glo-csi-dhl-resilience-of-the-semiconductor-supply-chain.pdf
22. Leveraging Supply Chain Digital Twins: Advanced Route Optimization for Enhanced Lead Time Predictability - EA Journals, accessed December 26, 2025, https://eajournals.org/wp-content/uploads/sites/21/2025/06/Leveraging-Supply-Chain-Digital-Twins.pdf
23. Digital twins in supply chain management: a review of their role in boosting operational efficiency - Emerald Publishing, accessed December 26, 2025, https://www.emerald.com/bpmj/article/doi/10.1108/BPMJ-02-2025-0147/1277451/Digital-twins-in-supply-chain-management-a-review
24. Digital Twin Supply Chain - BearingPoint, accessed December 26, 2025, https://www.bearingpoint.com/en-us/services/operations/digital-twin-supply-chain/
25. State of the Art of Digital Twins in Improving Supply Chain Resilience - MDPI, accessed December 26, 2025, https://www.mdpi.com/2305-6290/9/1/22
26. Full article: Deploying hybrid modelling to support the development of a digital twin for supply chain master planning under disruptions - Taylor & Francis Online, accessed December 26, 2025, https://www.tandfonline.com/doi/full/10.1080/00207543.2023.2244604
27. Advancing Sustainability in Global Supply Chains through Agent-based Simulation, accessed December 26, 2025, https://www.nec.com/en/global/techrep/journal/g24/n01/240118.html
28. Reinforcement Learning of Supply Chain - World Scientific Publishing, accessed December 26, 2025, https://www.worldscientific.com/doi/full/10.1142/S0129065709002063
29. Multi-Agent Deep Reinforcement Learning for Integrated Demand Forecasting and Inventory Optimization in Sensor-Enabled Retail Supply Chains - MDPI, accessed December 26, 2025, https://www.mdpi.com/1424-8220/25/8/2428
30. Leveraging Generative AI In Supply Chain Risk Assessment And Mitigation - Forbes, accessed December 26, 2025, https://www.forbes.com/councils/forbestechcouncil/2025/02/13/leveraging-generative-ai-in-supply-chain-risk-assessment-and-mitigation/
31. Generative AI in the Supply Chain - GS1 US, accessed December 26, 2025, https://www.gs1us.org/articles/generative-ai-in-the-supply-chain
32. From Data to Decisions—Building Resilient Supply Chains with Graph Neural Networks, accessed December 26, 2025, https://www.hitachi.com/en-us/insights/articles/building-resilient-supply-chains-with-graph-neural-networks/
33. Optimizing Supply Chain Networks with the Power of Graph Neural Networks - arXiv, accessed December 26, 2025, https://arxiv.org/html/2501.06221v1
34. Full article: Towards knowledge graph reasoning for supply chain risk management using graph neural networks - Taylor & Francis Online, accessed December 26, 2025, https://www.tandfonline.com/doi/full/10.1080/00207543.2022.2100841
35. Supply Chain Risk Management: Trends & Strategies 2025 - Achilles, accessed December 26, 2025, https://www.achilles.com/industry-insights/supply-chain-risk-hotspots-to-watch-in-2025-and-beyond/
36. Solving trade-offs between resilience and sustainability in supply chains: a case study on real-time tracking technologies - ScholarSpace, accessed December 26, 2025, https://scholarspace.manoa.hawaii.edu/bitstreams/a7d21e80-eaf5-4c14-957a-5e14a5a5c4ed/download
37. Green supply chain network optimization and the trade-off between environmental and economic Objectives | Request PDF - ResearchGate, accessed December 26, 2025, https://www.researchgate.net/publication/277349136_Green_supply_chain_network_optimization_and_the_trade-off_between_environmental_and_economic_Objectives
38. Model Sustainability Trade-offs in Supply Chain Network Design to Reduce Emissions, accessed December 26, 2025, https://www.aimms.com/story/model-sustainability-trade-offs-in-supply-chain-network-design-to-reduce-emissions/
39. Retooling Strategy for a Post-Pandemic World | Bain & Company, accessed December 26, 2025, https://www.bain.com/insights/retooling-strategy-for-a-post-pandemic-world/
40. Balancing Cost and Resilience: The New Supply Chain Challenge, accessed December 26, 2025, https://www.bcg.com/publications/2025/cost-resilience-new-supply-chain-challenge
41. It’s Time to Build Resilience into Retail and Consumer Goods Supply Chains, accessed December 26, 2025, https://www.bain.com/insights/its-time-to-build-resilience-into-retail-and-consumer-goods-supply-chains/
42. Supply chain viability, by Prof. Dmitry Ivanov; Oct. 22 noon webinar; SE Michigan Chapter | INFORMS Open Forum, accessed December 26, 2025, https://connect.informs.org/discussion/supply-chain-viability-by-prof-dmitry-ivanov-oct-22-noon-webinar-se-michigan-chapter
43. Ripple effect in the supply chain: an analysis and recent literature - IDEAS/RePEc, accessed December 26, 2025, https://ideas.repec.org/r/taf/tprsxx/v56y2018i1-2p414-430.html