基于高时空分辨率数据的多主体建模方法提升环境保护中企业关停决策效率

, , , , , , , , 周琪 , 曲申 , 刘苗苗 , 杨建勋 , 周佳 , 佘运磊 , 刘洲屹 , 毕军

工程（英文） ›› 2024, Vol. 42 ›› Issue (11) : 310 -323.

PDF (2631KB)
工程（英文） ›› 2024, Vol. 42 ›› Issue (11) : 310 -323. DOI: 10.1016/j.eng.2024.02.006
研究论文

基于高时空分辨率数据的多主体建模方法提升环境保护中企业关停决策效率

作者信息 +

Enhancing the Efficiency of Enterprise Shutdowns for Environmental Protection: An Agent-Based Modeling Approach with High Spatial-Temporal Resolution Data

Author information +
文章历史 +
PDF (2694K)

摘要

自上而下的环境政策旨在降低环境风险，但不可避免地会因企业的市场进入或退出而带来经济损失。为实现环境风险减少与经济可持续性之间的权衡，本研究构建了一种通用的动态多主体供应链模型。该模型用于对企业运营的动态变化及其在供应链网络中的级联效应进行高分辨率的日度模拟。模型引入了生产、消费与运输等多类主体，为供应链各环节赋予经济属性，并捕捉其相互作用关系，同时考虑了企业对每日外部冲击的适应性举措，真实再现企业行为。本研究结合了来自18 916家化工企业的高时空分辨率企业级数据，评估了某项环境政策引发的经济与环境影响——该政策导致三年内1800家化工企业关停。结果显示，该政策导致了258亿美元的经济损失（238亿~318亿美元不等），其中超过80%的损失源于供应链传播。反事实分析表明，若采用分阶段关停策略，可减少18.8%的供应链相关损失，凸显了渐进式政策实施对避免供应链突发中断的重要性。此外，研究还表明，多目标政策设计可有效降低约29%的经济损失和约40%的环境风险，显著提升环境政策的实施效率。这些高分辨率模拟结果为政策制定者提供了重要决策参考，有助于制定兼顾分阶段执行与多重目标的策略，从而缓解供应链损失与环境风险，促进实现可持续未来。

Abstract

Top-down environmental policies aim to mitigate environmental risks but inevitably lead to economic losses due to the market entry or exit of enterprises. This study developed a universal dynamic agent-based supply chain model to achieve tradeoffs between environmental risk reduction and economic sustainability. The model was used to conduct high-resolution daily simulations of the dynamic shifts in enterprise operations and their cascading effects on supply chain networks. It includes production, consumption, and transportation agents, attributing economic features to supply chain components and capturing their interactions. It also accounts for adaptive responses to daily external shocks and replicates realistic firm behaviors. By coupling high spatial-temporal resolution firm-level data from 18 916 chemical enterprises, this study investigates the economic and environmental impacts of an environmental policy resulting in the closure of 1800 chemical enterprises over three years. The results revealed a significant economic loss of 25.8 billion USD, ranging from 23.8 billion to 31.8 billion USD. Notably, over 80% of this loss was attributed to supply chain propagation. Counterfactual analyses indicated that implementing a staggered shutdown strategy prevented 18.8% of supply chain losses, highlighting the importance of a gradual policy implementation to prevent abrupt supply chain disruptions. Furthermore, the study highlights the effectiveness of a multi-objective policy design in reducing economic losses (about 29%) and environmental risks (about 40%), substantially enhancing the efficiency of the environmental policy. The high-resolution simulations provide valuable insights for policy designers to formulate strategies with staggered implementation and multiple objectives to mitigate supply chain losses and environmental risks and ensure a sustainable future.

关键词

多主体模型 / 供应链网络 / 经济可持续性 / 环境政策

Key words

Agent-based model / Supply chain network / Economic sustainability / Environmental policy

引用本文

引用格式 ▾
Qi Zhou,Shen Qu,Miaomiao Liu,Jianxun Yang,Jia Zhou,Yunlei She,Zhouyi Liu,Jun Bi,周琪,曲申,刘苗苗,杨建勋,周佳,佘运磊,刘洲屹,毕军. 基于高时空分辨率数据的多主体建模方法提升环境保护中企业关停决策效率[J]. 工程（英文）, 2024, 42(11): 310-323 DOI:10.1016/j.eng.2024.02.006

登录浏览全文

4963

注册一个新账户 忘记密码

1 引言

中国亟须推动有效的环境管理措施以应对日益严峻的环境挑战。然而，当前对环境政策影响的评估能力仍然有限。目前的政策评估通常基于直接成本-效益分析[1‒2]，忽略了对供应链网络更广泛影响的考量。因此，政策制定者可能低估了政策效应，难以实现经济风险与环境风险的协同管理。近年来，在国家政策的推动下，中国多个省市陆续出台了化工园区及化工企业的整改与关停方案，用于降低环境风险。例如，“3·21”江苏某化工厂爆炸事故发生后，江苏省政府出台了相关环境政策，要求关停省内60%的化工园区及1000余家化工企业。

化工企业的关停对供应链造成了双重影响。首先，由于丁醇、草甘膦、乙酸、尿素等原材料短缺，下游客户的生产活动受限[3]。其次，由于需求减少，向上游供应商发出的订单也随之减少。这两方面的叠加效应可能引发局部地区或行业层面的冲击，并极大地影响整个供应链网络[4‒6]。例如，2021年上半年，江苏省约有50家化工企业在投产首年即关闭，其中近50%的企业运营时间不足半年。此外，自2023年年初以来，化工企业陆续宣布进入定期检修或减产状态。已有50余家化工企业宣布因供应链不稳定而停产检修或减产，涉及的总产能超过2000万吨。在自上而下的环境管理政策下，企业运营状态可能迅速发生大规模变化，因此亟需高时间分辨率的模型来评估供应链风险，并在环境效益与经济后果之间实现平衡。

目前常用的供应链风险评估模型包括投入产出（IO）模型或可计算一般均衡（CGE）模型[7‒10]，这些模型通常用于年度数据模拟，难以捕捉外部冲击下环境经济系统的日度变化。例如，IO模型假设技术水平固定（即直接消耗系数矩阵不变），未考虑未受影响企业可能提高产能以弥补受影响企业的产量损失。因此，IO模型未充分考虑经济系统的弹性，而高估了经济损失。同样，基于价格平衡供需的CGE模型[11]更适用于分析时间跨度较长（1~10年）的问题[12]，在刻画环境经济系统的日度变化方面效果有限。此外，以往评估企业运营状态的研究多聚焦于自然灾害或公共卫生事件[4,13‒14]，其数据来源局限于小规模问卷调查 [15‒18]，难以反映企业频繁进出市场事件及其在供应链网络中的叠加影响[4,19‒20]。

考虑到多行业中的复杂社会经济结构与供应链网络，近年来的研究重点在于构建日度评估模型来动态模拟经济系统。例如，自适应IO模型[12,21‒23]、Acclimate模型[24‒28]与网络动力学模型[5]等已突破静态IO模型与CGE模型中主体行为简化和模拟步长过长的限制，相关模型的文献综述详见表1 [4‒5,12,21‒32]。值得注意的是，以往基于主体的建模工作尚未深入探讨环境管理与供应链韧性之间的协同效应和权衡关系，尤其是在中国等发展中国家实施企业层面环境政策的情境下。因此，亟须开发一种基于主体的模型框架，利用更高时间分辨率的企业级运营数据，实现供应链网络中环境、社会与经济三者间的平衡。

本研究结合了动态多主体供应链模型及具有高时空分辨率的企业级环境风险与运营信息数据，探讨因环境政策导致企业关停所引发的经济与环境影响的日度动态变化。环境风险评估涵盖与大气污染、水污染、固体废物污染、突发风险及安全生产相关的环境处罚与安全违规记录。本研究聚焦江苏省“3·21”化工厂爆炸事故后出台的地方性政策，该政策要求关停部分化工企业。本研究借此验证所构建模型的可行性并分析供应链冲击的传播机制。本研究以某省份的多区域供应链网络中18 916家化工企业为案例，评估了该政策自2019年1月1日至2021年12月31日期间所带来的经济与环境的日度影响。研究还开展了敏感性分析与模型验证，以测试模型的稳健性，并在综合考虑环境保护、生产安全与经济产出等因素的情况下，通过情景模拟开展了多目标政策优化分析。

本文结构如下：第2节介绍了一个用于评估企业关停所引发的经济与环境影响的通用模型框架；第3节聚焦江苏省化工行业的环境监管政策，开展案例研究；第4节展示案例研究的模拟结果，包括模型验证、多目标政策优化以及相关讨论；第5节总结主要研究发现并给出结论。

2 模型

2.1 模型框架

本研究构建了一个通用模型框架，用于评估因环境政策导致企业关停所引发的经济与环境影响的日度动态变化。首先，利用数据爬虫与地理编码技术构建了标准化企业数据库。该过程结合大数据挖掘与文本分析方法，提取企业的关停与整改时间及关停持续时长。其次，本研究构建了一个由生产、消费与运输主体组成的动态多主体供应链模型。该模型纳入了企业运营状态的日度动态变化，评估企业关停与整改在不同行业和区域内引发的经济风险演化过程。随后，设计了环境风险指标的评估框架，用于分析不同行业与区域中环境风险的日度变化。最后，研究开展了多情景参数敏感性分析与多目标政策优化研究。该通用模型框架可为环境政策设计提供有力的支持体系。

2.2 企业关停信息挖掘

本研究利用多个企业数据库，从多维度获取企业相关信息，包括国家企业信用信息公示系统、中国能源统计数据库、第二次全国污染源普查数据库等数据来源。

数据来源与信息挖掘流程如附录A中的图S1所示。所有数据库通过企业名称与统一社会信用代码进行匹配与整合。基于企业的注册地址，借助百度地图开放平台的地理编码功能获取其经纬度坐标[33]。在数据清洗过程中，部分企业缺失的经济信息通过企业生产能力与实缴资本（若实缴资本缺失，则使用注册资本）之间的线性推断关系进行补全。企业的关停状态及关停时间依据企业工商信息中经营状态及历史变更记录进行推断。若企业被移出所涉行业名录，则该时间点被视为企业关停时间。由于数据库难以直接获取企业整改的具体时间，本研究假设企业在研究期内随机开展整改。根据相关限产停产措施[34]，生产限制持续时长不得超过三个月，因此本研究主要分析中设定整改期为两个月，情景分析则采用了其他不同的整改时长。数据爬虫在RStudio平台（R版本4.1.2和RStudio版本2021.9.1.372）上实现，使用了Rselenium和rvest包来收集企业信息。

2.3 基于主体的复杂网络建模

通过多源数据挖掘获得的企业经营状况数据，用于计算企业关停导致生产能力缩减而引起的日常生产损失及其传播，这一过程采用动态多主体供应链模型。这些损失既包括由所研究行业日度生产能力下降导致的直接损失（一阶影响），也包括因网络中的经济依赖关系引起的间接损失（高阶影响）。基于主体的模型用于模拟IO系统的演变，可以是货币模型或实物模型，适用于单一区域或多个区域。该模型可以用来确定外部冲击[如原材料短缺和（或）生产能力丧失]对供应链的影响，且所模拟的情境可在较精细的时间尺度（如日度）上展开。基于主体的模型包括生产、消费和运输主体，旨在模拟网络中各区域的经济流动，并描述它们的动态互动[4,21,26]。该模型能够捕捉各种实体对日常外部冲击的适应性响应以及企业在年度内的真实行为，包括库存管理、订单和供应商调整以及跨区域货物运输等。

图1是动态多主体供应链模型中主体行为的示意图。生产主体代表区域生产部门，消费主体代表区域最终需求部门，运输主体反映了产品在区域主体之间运输所需的时间。该模型可以描述日度的微小扰动。在遭受扰动后，所有主体都在尽可能迅速恢复其初始生产力，模型中通常有一千多个主体和一百万多对主体。在复杂网络环境中运行这些方程是一个巨大的挑战。因此，研究使用了方程的矩阵形式。模型的详细信息见附录A中的补充文本S1，模型参数列于附录A中的表S1。模型在MATLAB R2021a平台上编码实现。

通过公式（1）~（3），计算了在直接受影响的行业和地区中，产能削减的比例（θ）。这一比例由两部分组成：其一是在企业关停前已部分恢复的扰动，其二是每天新增的扰动因素。这些外部冲击θ被输入到动态多主体模型中，用于模拟因企业关停所造成的增值损失。

X t r , s = ∑ n x n r , s × 1 - α n , t
X t P r , s = ∑ n x n r , s × 1 - α n , t × L i s t n
θ t r , s = 1 - ∆ t τ θ × θ t - 1 r , s + X t P r , s - X t - 1 P r , s X t r , s

式中，r表示直接受影响的地区索引；s表示直接受影响的行业索引；n表示位于地区r且属于行业s的企业索引；t为研究期内的日度序列索引；Xt (r,s)表示第t天时地区r中行业s的总生产能力；Xn (r,s)是企业n在地区r和行业s中的初始生产能力；αn,t 表示企业n在第t天的产能下降比例； X t p (r,s)是第t天时地区r中行业s内所有被列入名单企业的总产能；List n 表示企业n是否被列入名单（1表示列入，0表示未列入）；θt (r,s)是因被列入名单的企业在停产或整改过程中导致的第t天地区r中行业s的累计产能下降百分比；∆t为时间步长，取值为1/365； τ θ表示重建的特征时间，取值为1/4。

输入参数θ到动态多主体供应链模型中，模拟由于企业关停和整改政策所带来的日度直接与间接经济风险。用于计算直接和间接经济损失的公式如下所示：

D i r e c t L o s s t r , s = V A ¯ t r , s × θ t r , s
I n d i r e c t L o s s t r , s = V A ¯ t r , s × 1 - X a r , s | θ t r 1 , s 1 , r 2 ,    s 2 ,   … , r R ,    s S X t r , s

式中，DirectLoss t (r,s)表示在第t天时，地区r中行业s的直接经济损失；IndirectLoss t (r,s)表示在第t天时，地区r中行业s的间接经济损失； V A ¯ t (r,s)表示在稳态条件下，生产主体在第t天时为地区r中行业s产生的经济增加值；假设共有R个地区和S个行业，Xɑ (r,s∣θt (r1,s1,r2,s2,… ,rR,sS ))表示在外部冲击θt （来自地区r = 1, …, R和行业s = 1, …, S）的共同作用下，生产主体在第t天时为地区r中行业s生产的产出，且该产出来自基于主体的模型。

2.4 环境风险评估

官方数据显示，导致企业被监管机构责令停产整顿的原因有多种，通常包括环保措施不到位、安全生产不达标、消防管理存在问题、不符合产业政策、资源利用效率低下以及其他未明确说明的原因。在政策制定过程中，环境保护与生产安全是至关重要的考量因素。为量化这些方面，我们引入了三个指标：单位产能环境处罚强度（Pn ）、安全违规比例（Vn ）以及综合风险指数（Risk n ），衡量企业在大气污染、水污染、固体废物污染、突发环境风险以及生产安全等方面的环境与安全风险水平。

首先，计算Pn，即企业因违反环境标准或法规而被处罚的次数与企业总产值之比，反映了企业在空气污染、水污染、固体废物污染以及突发环境风险等方面的整体环境风险水平。相关处罚通过具有法律效力的行政处罚决定进行记录和公开，处罚记录从国家企业信用信息公示数据库中的环境和行政处罚记录中提取。附录A的表S2列举了因环境违法行为被处罚的企业案例。

其次，计算Vn，即企业在各类检查中存在违规行为的次数与其接受检查的总次数之比。监管部门通过定期和临时的安全检查加强企业安全管理，防止事故发生，检查内容涵盖危险废物管理、应急管理、环境影响评估材料的完整性、在线监测合规性等方面。因此，该指标可综合反映企业在生产活动中的环境风险。相关安全检查结果同样来源于国家企业信用信息公示数据库，示例详见附录A中的表S3。

再次，计算Risk n，即通过对各自企业的Pn 和Vn 进行加权计算，如公式（6）所示。权重的分配基于两个指标的均方误差，反映了二者在该指标中的相对重要性。理论上，指标的均方误差越大，表示其变动性越大。这个指标综合评估了企业在空气污染、水污染、固体废物污染、突发环境风险以及生产安全方面的环境风险。

R i s k n = P n × σ P n σ P n + σ V n + V n × σ V n σ P n + σ V n P n ,   V n ,   R i s k n ∈ [ 0,1 ]

式中，n是企业的索引；Pn 和Vn 的取值范围为0~1；σ (Pn )是Pn 的均方误差；σ (Vn )是Vn 的均方误差；Risk n 是Pn 和Vn 的综合风险指数，取值范围为0~1。

研究采用期望模型预测在研究期间（T target）中途停业的企业的反事实风险，假设它们在T target期间持续运营。该模型通过使用在T target及其之前时间段（T previous）内持续运营企业的完整数据记录，根据公式（7）计算两个指标Pn 和Vn 的期望值。采用自助法对数据集中50%的记录进行有放回的随机抽样，重复抽样500次。该模型在每一个自助数据集上重复应用，进而预测期望值，并估算95%的置信区间。

E Y | X i = ∑ j E Y j | X i × p Y j | X i         i = 0,1 ;   j = 0,1

式中，T target表示研究期；T previous表示与T target持续时间相等的前一时间段；X₀表示在T previous期间该指标取值为0的情况；X₁表示在T previous期间该指标取值不为0的情况；Y₀表示在T target期间该指标为0的情况；Y₁表示在T target期间该指标不为0的情况；p (Yj |Xi )表示在X = Xi 时Y = Yj 的概率；E (Yj |Xi )表示在X = Xi 时Y = Yj 的期望值；E (Y₁|X₀)是通过对该组内的Y₁值取平均得到的；而E (Y₁|X₁)则是通过组内样本点线性回归拟合获得。根据企业的生产能力对期望值进行加权，最终将E (Y|Xi )预期值赋予在T target期间停产的企业，以反映其环境风险。

2.5 情景分析

基于第2.3节和第2.4节的结果，我们汇总了企业经济和环境表现的日度动态变化。随后进行了情景分析，评估在调整受影响企业范围和关停政策实施参数后的经济与环境风险。通过对比分析结果，识别出影响政策效率的关键因素。本次分析有助于识别企业、行业和地区层面的关键风险节点，从而为经济与环境风险的前瞻性管理提供可行的决策依据。

3 案例研究

本实验开展了一项案例研究，阐释将用户输入整合进通用模型框架的方式，从而实现实际应用。

3.1 政策背景

2019年3月21日，江苏省响水县一化工厂发生重大爆炸事故（即“3·21”化工厂爆炸事件），造成至少78人死亡、640人受伤，并导致约2.843亿美元的巨大财产损失[35]。调查发现，事故企业在处理化学废弃物过程中未遵守环境保护和生产安全相关的法律法规，对事故负有责任。响水事件发生一个月后，江苏省政府发布了《江苏省化工产业安全环保整治提升方案》（以下简称《整治提升方案》），要求在环境敏感区域、人口密集的城市区域（长江干流1 km范围内）以及化工园区之外大幅减少化工企业数量[36]。该方案对全省3943家化工企业提出了整治建议：其中1728家企业被要求关停并退出市场，552家企业需在限期内暂时关停并完成整改，1587家企业需限期整改，76家企业需搬迁或重组。

3.2 风险评估

本研究聚焦国家标准《国民经济行业分类》（GB/T 4754—2017）[37]中代码为C251（精炼石油产品制造业）与C26（化学制造业）的化工企业。研究团队从五个企业数据库中收集了18 916家企业的信息：①国家企业信用信息公示数据库提供了企业的工商信息和历史经营状况；②中国能源统计数据库和《整治提升方案》企业数据库提供了企业的经济数据；③第二次全国污染源普查数据库提供了企业的五位数行业分类代码；④《整治提升方案》企业数据库记录了江苏省3943家化工企业的整治建议。通过第2.2节中所述的数据整合与挖掘方法，研究团队依据企业的工商变更历史信息推断其经营状态和关停时间。

在掌握企业具体运营情况的基础上，本研究使用动态多主体供应链模型，评估企业因执行《整治提升方案》减少产能所导致的日度生产损失及其供应链传播影响。模型使用了碳核算数据库[38]中的2017年最新中国城市级多区域投入产出（MRIO）表，确定全国范围内的供应链网络。MRIO表反映了中国313个地区之间42个行业（及终端需求）之间的年度平均货币交易。精炼石油产品制造业（C251）和化学制造业（C26）分别隶属于石油加工部门（MRIO中代码为11）和化工生产部门（MRIO中代码为12）。企业的产能下降比例（α）详见表2 [34]，并在情景分析中进行了验证。

官方数据显示，企业被纳入《整治提升方案》的原因主要有六项：35.2%的企业因环境保护措施不到位，35.6%因生产安全问题，12.1%因消防措施不合格，1.5%因不符合产业政策，0.9%因资源利用效率低下，另外14.7%则归因于其他原因。为了评估企业的环境与安全风险，研究对2016—2018年与2019—2021年两个时期的Pn 、Vn 和Risk n 指标进行了计算。结果显示Pn 的权重为0.48，Vn 的权重为0.52。2019—2021年期间，企业的反事实风险指标通过简化的期望模型进行预测，数据记录来源于2016—2021年期间保持运营的所有企业。

3.3 情景与模拟

本研究进行了情景分析（表3）验证模型的有效性并优化政策设计。基准（BAU）情景描述了《整治提升方案》的实际实施效果。情景S1中进行了敏感性分析，评估整改期限设置的影响。整改期限分别为30 d、60 d和90 d时，生产能力分别减少10%、20%和30%。《整治提升方案》旨在降低化工生产风险，本研究还探讨了根据企业环境和安全表现调整政策设计后的经济影响。依据企业的环境与安全风险指标设计情景S2、情景S3和情景S4，评估执行放宽管控、收紧管控和重新编制《整治提升方案》企业整改名单调整后的政策效果。此外，企业关停和整改的时间安排对因政策导致的经济损失有显著影响。假设如果多个企业在短期内集中关停，将对供应链网络造成更大冲击，因此情景S5和S6分别评估分散关停时间和集中关停时间的影响。

4 结果与讨论

4.1 企业关停

图2（a）展示了截至2021年年底18 916家企业的类型和经营状况。研究分析排除了26.8%的企业，因其于2019年之前已经停产。在列入《整治提升方案》的3434家企业中，99.4%为生产化学产品的普通公司，只有0.6%是小规模个体私营企业。截至2021年年底，《整治提升方案》名单上有52.2%的企业已解散，其中25.2%直接退出市场，56.4%转型至其他行业，如批发、零售和科学研究服务等。

图2（b）展示了基于企业级数据的两类化工企业数量的日度变化。三角形表示《中国基本单位统计年鉴》中普通化工企业数量的官方统计数据。下降曲线与官方统计数据相匹配。2019年年初普通企业数量是12 739家，而到2021年年底大幅下降至8334家。相比之下，占市场份额较小（约8%）的个体私营企业数量在此期间有所增加。

图3（a）展示了2021年年底江苏省化工企业的分布地图。尽管江苏省南部在经济和城市化方面优于北部，但化工企业多位于南部，因为水资源对化工生产至关重要，而江苏省南部的水资源更为丰富[39]。例如，长江是中国水资源最丰富的河流，流经江苏省南部。因此，长江为化工原料和成品运输辐射全国提供了便利。

图3（b）提供了江苏省13个市中化工企业分布的详细信息。灰色三角形和蓝点分别表示2019年和2021年的化工企业数量。线段颜色表示2019—2021年期间企业数量缩减的百分比变化。结果显示江苏南部城市化工企业的数量明显高于北部城市。随着2021年年初《整治提升方案》和长江流域保护行动的推动，人口密集区域和长江1 km范围内的化工企业数量显著减少。因此，江苏省所有城市的化工企业数量从2019年到2021年年底缩减了25%以上。其中，无锡的缩减幅度最大，达到了43.6%。此外，位于长江1 km范围内的企业数量减少了35%以上。其余企业则在关门或转型为非生产型企业。此外，57.4%的化工企业位于城市地区，这些地区仅占江苏总面积的22.4%。近年来，城市地区的化工企业数量已经减少了30%以上。

由于江苏省化工企业在中国化工产业中占据重要地位，同时也面临着与该产业相关的潜在风险，因此对其进行监管至关重要[40]。化工厂拥有成百上千台危险生产设备[41‒42]。化工厂事故可能引发一系列连锁事故反应，导致安全、环境和经济问题[39]。江苏省是一个高度发达的省份，拥有强大的化工生产能力，其长江沿岸分布有许多化工企业，该省化学事故发生频率最高。根据中国环境风险管理法规和《长江保护法》，江苏省化工企业生产监管是一项重要任务。因此，本研究的结果具有实际意义，为江苏省化工企业的治理提供了基础数据和具体建议。

4.2 经济损失

本研究通过多源数据挖掘获得的企业运营状况详细信息与动态多主体供应链模型相结合，用于计算日度生产能力损失及其在供应链网络中的传播。这些损失既包括江苏省化工行业日度生产能力降低造成的直接损失（一阶影响），也包括因网络中的经济依赖关系引起的间接影响（高阶影响）。该模型考虑了两者的影响，为环境管理政策的经济影响提供了全面的评估。

图4（a）展示了江苏省日增值动态模拟。红色线在模拟的前两年拟合较好，但第三年低估了实际增值。三年间模拟增值与实际增值的相对差异分别为0.19%、0.10%和2.58%。第三年出现较大偏差可能是由于外部冲击影响了供应链或直接消费系数矩阵发生了变化。模拟结果的验证涵盖了中国全境和江苏省13个市，如附录A中的图S2所示。结果一致显示，日模拟增值与年鉴中收集的统计数据拟合良好，全国范围内的相对差异在0.17%~2.30%之间，而江苏省各城市的相对差异则在0.1%~10.4%之间。

图4（b）显示了实施《整治提升方案》导致的日度增值损失的模拟结果。随着企业关停和整改实施带来的每日冲击，经济风险不断放大，呈现出上升趋势。这些冲击在供应链中传播会引发间接损失，并可能导致总经济损失随时间累计增加。从2019—2021年，预计总生产损失为258亿美元，相当于国家国内生产总值（GDP）的0.07%。这些损失的分解结果表明，高阶损失对总损失的贡献非常显著，占比为40.0%~90.8%。因此，即使是一个小的外部冲击也可能导致高阶损失的急剧增加。

本研究还将时间步长调整为一年，使用模型进行年度模拟研究。结果显示，总直接经济损失是日度模型损失的1.1倍，而总间接经济损失是日度模型损失的3.1倍。这一结果表明，模拟增值与实际增值之间的相对差异为90%。这些发现凸显了两个模型在捕捉经济损失动态方面的显著差异。本研究展示了日度模型在捕捉短期波动方面的独特贡献，考虑了适应性行为的潜在影响，并提供了更现实的外部冲击经济影响的表现。结果强调了高分辨率、日常建模在理解动态可适应经济系统中的经济损失的重要性。

图4（b）显示了2019年年底和2020年年底高阶损失的两个尖峰。这些尖峰是由徐州、无锡、镇江和扬州的大规模企业关停或整改引起的（附录A中的图S3）。这两个尖峰出现在年底，可能是因为环境计划通常按年实施。因此，许多企业倾向于将关停时间推迟到年底，导致春节前高阶损失出现显著激增。建议对化工企业实施分阶段监管措施，减缓供应链中突发中断。具体而言，建议将政策截止日期从年末调整到年中，错开企业退出市场的影响。实时模拟提供了宝贵见解，可以提前预警供应链中断，并为政策设计提供依据，实施有效的应对规划。

图5（a）显示了按地区GDP百分比计算的城市级总增值损失分布图。实施《整治提升方案》的江苏省遭遇了最为显著的经济损失。此外，由于供应链网络中的相互依赖性，《整治提升方案》在江苏省的影响扩展到了全国。西北地区位列江苏之后，遭受了最二高比例的损失，而东部沿海地区的损失相对较低。这些发现揭示了供应链网络的内部稳定性差异。

图5（b）列出了总增值损失最高的前20个城市。江苏省的13个城市位列前13名。由《整治提升方案》直接造成的一阶损失占总损失的10.2%~47.4%。徐州的高阶损失最高，表明当地产业对化学产品的依赖程度较高。江苏省的总损失占全国损失的81.5%，占江苏省GDP的0.5%。

图5（c）列出了总增值损失最高的前20个行业。化学生产行业（代码12）遭受了最大损失，达62亿美元，占全国总损失的24.2%。石油加工行业（代码11）遭受了7亿美元的损失，占全国总损失的2.7%。高阶损失最大的四大行业包括化工生产、批发和零售、交通运输以及农业。这些结果表明，由化学工业生产能力下降引发的初期损失通过供应链在生产、销售和使用的各个阶段传播。

4.3 环境与安全表现

官方数据显示，企业被纳入《整治提升方案》的原因主要有六项。其中，环境保护措施不到位和生产安全问题是主要因素，分别占比35.2%和35.6%。我们使用Pn 和Vn 指标分析这些因素，对比普通企业的表现。表4列出了2016—2018年间不同子行业企业的环境、安全和经济表现。结果表明，已关停企业的Pn 和Vn 分别是仍在运营企业的65.52倍和1.51倍。将纳入与未纳入《整治提升方案》的企业进行对比时，也得出了类似的结论。纳入《整治提升方案》的企业Pn 和Vn 分别是未纳入企业的16.53倍和1.53倍。此外，企业之间的差异还体现在非法排放污染空气、污染水、固体废弃物，违反环境影响评估和安全生产的规定以及信息披露不足等方面。

企业改革基于其环境安全表现和生产能力做出决策。每个子行业组中，Pn 和Vn 最高的企业通常会被要求关停，其次是需要暂时停产并整改的企业（表4和附录A中的表S2）。一些环境处罚较重的企业由于在经济市场中的重要作用，未被要求关停。经济产出高且Pn 较低的企业更可能被要求整改，而经济产出低且Pn 较高的企业更可能被要求关停。大规模企业的事故发生率低于中小型企业，这与先前的研究[40]一致，原因可能是大企业拥有更完善的安全管理体系和更丰富的资源。

简化的期望模型用于预测2019—2021年期间关停企业的反事实风险。2016—2018年（T1）和2019—2021年（T2）期间仍在运营的企业数据记录显示，T1期间曾被罚款的企业在T2期间的Pn 比未曾被罚款的企业增加了8.97倍。此外，T1期间曾被罚款的企业在T2期间的Vn 比未曾被罚款的企业增加了4.74倍。这些发现表明利用企业过去的环境行为预测其未来风险是可靠的。

4.4 多目标政策设计

情景分析的结果如图6所示。图6（a）中的红色曲线表示在BAU情景下，总经济损失占GDP比例的日度变化，灰色区域表示整改持续时间和α比例的敏感性分析（S1）结果。结果显示，敏感性分析中的经济损失范围为238亿~318亿美元，表明这些参数对经济损失的影响相对较小，变化幅度为-7.8%~23.3%。经济损失对α更为敏感，该参数对变化的贡献超过90%。原因可能在于损失主要发生在企业生产能力减少的初期。随后，经济体系中的各实体通过适应性行为（如补充库存、调整上游供应商的订单份额、使用备用生产能力、调整生产技术等）适应外部冲击。

放宽监管情景（S2）和加强监管情景（S3）在图6（b）~（c）中的结果显示，考虑到企业的环境和安全表现，调整实施力度显著影响经济损失。S2情景和BAU情景的损失曲线相似，但损失金额差异显著。S2和S3情景的一阶损失分别为BAU情景的84.3%和123.3%，表明加强监管导致了更高的直接损失。S2和S3情景的高阶损失分别为BAU情景的77.9%和328.0%，表明由于加强治理和控制，外部冲击在经济体系中更为显著[图6（g）]。这一发现表明，政策制定者应调整监管强度，避免供应链网络出现突发性变化。

图6（d）~（f）展示了风险降低的结果。按生产能力加权的指标Pn 、Vn 和Riskₙ随着时间的推移逐渐下降。在BAU情景下，这三个指标分别下降了55.56%（范围为48.39%~61.57%）、39.18%（范围为32.80%~44.85%）和51.70%（范围为45.63%~56.93%）。情景S2（放宽监管）与BAU相比，风险降低幅度分别为49.94%、37.24%和46.91%，相当于BAU情景的89.9%、95.0%和90.7%。情景S3（加强监管）与BAU相比，风险降低幅度分别为66.85%、59.80%和65.17%，相当于BAU情景的120.3%、152.6%和126.0%。

这些比例与一阶经济损失的变化一致[图6（g）]。此外，情景S4显示，重新编制《整治提升方案》企业名单时，考虑环境、安全和经济目标后，一阶经济损失为BAU情景的68.9%，而高阶经济损失为BAU的77.9% [图6（g）]。情景S4与BAU相比，三项风险指标的降低幅度分别为80.84%（范围为78.86%~82.28%）、49.38%（范围为45.98%~52.41%）和73.44%（范围为71.33%~75.09%），相当于BAU情景的146%（范围为142%~148%）、126%（范围为117%~134%）和142.0%（范围为138%~145%），表明在低经济损失的情况下，风险降低效果显著[图6（d）~（f）]。因此，多目标政策设计在显著改善环境、安全和经济结果方面是可行的。

调整实施时间的两个情景（S5和S6）的结果表明，关停和整改的时间是影响总经济损失的重要因素。情景S5和S6的一阶损失与BAU情景相同，但高阶损失与BAU情景存在显著偏差。当实施时间在研究期内均匀分布（S5）时，高阶损失为BAU情景的81.2% [图6（g）]。相反，当实施时间集中在较短时期内（S6）时，如情景S6.1为90 d、S6.2为180 d、S6.3为365 d，高阶损失分别为BAU情景的18.6倍、15.6倍和6.6倍[图6（g）]。当政策制定者准备关停或整改企业时，建议采取分批实施的方式，避免在短时间内（如年末）因供应链网络的剧烈变化而引起巨大经济损失。这一发现强调了仔细规划政策实施时机的重要性，从而实现预期结果，最大限度地减少经济损失。

许多研究已将碳排放作为供应链环境表现的指标[43‒47]，而本研究则将环境风险评估纳入其中。这一新颖视角对供应链中环境管理的多方面动态进行了更深入的分析。将碳排放与环境风险指标（如Pn 和Vn ）结合考虑，拓宽了环境评估的范围。

有效的环境治理需要多个部门协作，而各部门目标各异。例如，环境管理旨在改善环境质量，经济管理追求经济稳定，应急管理则关注减少事故发生。值得注意的是，不同部门目标间可能存在冲突，给有效治理带来了重大挑战。在此背景下，研究所提出的模型考虑了多个部门的需求，并优化了环境改善、安全生产和经济可行性等多个目标。这一创新方法通过平衡不同目标，对实现有效且高效的环境治理发挥了重要作用。

情景分析结果表明，产能削减比例和政策实施时间是降低经济损失的关键因素。随着环境治理和管控措施日益严格，高阶损失呈上升趋势，表明外部冲击在供应链网络中更为显著。此外，这种成本放大效应在企业层面可能更加明显[4,19]。因此，政策制定者应平衡好政策实施力度与政策时间，避免对市场造成大规模影响。

4.5 启示

本研究将动态多主体供应链模型与来自江苏省18 916家化工企业的高时空分辨率企业级数据相结合，评估了环保监管对经济与环境的影响。研究揭示了企业停产与整改引发逐日小规模冲击，导致了经济与环境风险的演变与放大。结果表明，环境治理策略需要更加精细，充分考虑经济与环境体系之间的复杂依赖关系，方能在降低环境风险的同时实现可持续经济增长。

本研究构建了一个通用的动态多主体供应链模型，用以捕捉各类实体对每日外部冲击的适应性响应。模型分析了13 000多个主体，理论上涉及超过1.7亿主体对关系，并采用矩阵化方法降低计算复杂度。传统上，供应约束型IO模型常用于模拟经济体系中的供给侧冲击[48‒49]。然而，与基于主体的方法不同，该模型无法捕捉企业在年度周期内的实际行为，如库存管理、订单与供应商调整以及跨区域商品运输等。

研究分析发现82.2%的损失来自网络中的经济依赖关系，体现了损失通过供应链在生产、销售和使用的各个阶段传播。反事实分析进一步指出，分阶段实施企业关停措施可减少18.8%的供应链损失，说明分阶段执行政策而非一次性政策有助于避免剧烈的供应链冲击。此外，结合环境、安全与经济的多目标政策设计，可有效降低环境风险，减少经济损失。本研究的分析方法和实时模拟可提供有效且高效的初期预警措施，辅助制定更具环境友好性与经济可行性的政策，从而推动可持续发展。

所构建的通用模型还支持“虚拟实验”，可模拟多个主体在复杂网络中互动，帮助政策制定者观察不同情景下环境经济体系的变化。这一独特的能力表明，该模型可广泛应用于评估供应链中断所带来的经济与环境影响以及环境风险、自然灾害和政策情景等问题。例如，已有研究将此类评估模型用于分析加利福尼亚州野火[50]、热应激[27]、日本地震[4]、河流洪水[28]以及2019年新冠病毒肺炎疫情（COVID-2019）[32]的影响。这些应用展示了该建模方法在应对现实世界复杂挑战中的多样性。因此，有必要针对多种情境与实际案例开展进一步研究，验证该模型在不同领域中的适用性、高效性、稳健性及其在辅助有效决策方面的潜力。

4.6 研究局限性

本研究存在一些应解决的局限性。首先，数据中存在一些缺失值。其次，整改的时间基于特定假设。再次，假设企业关停立即发生而不是逐步退出市场。最后，供应链网络是基于MRIO数据构建的，而不是基于工厂层级的供应链数据，这可能会因更加集成但通用化的表示方式而忽视供应链动态细节。整合18 916家企业至42个行业和313个地区，这种整合是必要的，因为MRIO表格是目前最能表征供应链连接的数据集。未来，我们将致力于探索更为详尽的供应链网络数据库，更深入地揭示企业之间的关联关系。

我们通过以下方式解决了这些局限性。首先，对数据进行了清洗和处理，解决缺失和不正确的数据。例如，通过推测经济生产能力与实收资本（或在实收资本缺失时使用注册资本）之间的线性关系，填补某些企业缺失的经济信息。此外，2019—2021年间企业关停导致数据记录不完整时，研究采用了简化的期望模型来预测反事实风险指标。其次，研究还进行了敏感性分析，表明整改时间和时长的假设并未改变主要结论。再次，本研究使用了最优数据，准确描述了大量企业的关停条件。此外，模型还考虑了外部冲击的渐进性缓解过程。

5 结论

本研究分析了环境政策与经济影响之间的复杂关系，强调了在经济损失和环境风险之间权衡的重要性。研究提出了一种通用的动态多主体供应链模型，模拟因企业关停和整改所引发的逐日冲击下，环境风险和经济状态的日度变化。该模型的独特之处在于其采用矩阵形式来应对庞大的计算复杂度，同时具备捕捉各类实体在每日外部冲击下的适应性响应。与传统的供应约束型IO模型不同，本研究提出的模型能够模拟企业在一年中的真实行为，包含库存管理、订单调整、供应商互动以及跨区域商品运输。

研究结果强调了区域政策带来的巨大经济损失，2019—2021年间生产损失估计为258亿美元，占全国GDP的0.07%。值得注意的是，其中超过80%的损失可以归因于供应链中的级联效应。模型展示了较高的准确性，三年间的模拟增值和实际增值之间的相对差异分别为0.19%、0.10%和2.58%。多目标政策设计的有效性是本研究另一项关键发现，采用这一方式经济损失约减少了29%，环境风险约减少了40%。这一发现强调了协同治理在实现经济稳定和环境可持续性中的关键作用。

此外，该模型具有很强的泛化能力和多样性，可以应用于多种场景。决策者可以利用这一模型进行“虚拟实验”，观察在不同条件下环境-经济体系的变化。未来应开展进一步的案例研究，验证该模型在各种真实情景中的适用性。

参考文献

原文顺序 | 出版日期 | 本文引用
[1]

Sofia D, Gioiella F, Lotrecchiano N, Giuliano A. Cost-benefit analysis to support decarbonization scenario for 2030: a case study in Italy. Energ Policy 2020;137:111137. . 10.1016/j.enpol.2019.111137
[2]

Liu W, Zhang J, Yang T. Will China’s household coal replacement policies pay off: a cost‒benefit analysis from an environmental and health perspective. J Clean Prod 2022;357:131904. . 10.1016/j.jclepro.2022.131904
[3]

Barrot JN, Sauvagnat J. Input specificity and the propagation of idiosyncratic shocks in production networks. Q J Econ 2016;131(3):1543‒92. . 10.1093/qje/qjw018
[4]

Inoue H, Todo Y. Firm-level propagation of shocks through supply-chain networks. Nat Sustain 2019;2(9):841‒7. . 10.1038/s41893-019-0351-x
[5]

Shughrue C, Werner BT, Seto KC. Global spread of local cyclone damages through urban trade networks. Nat Sustain 2020;3(8):606‒13. . 10.1038/s41893-020-0523-8
[6]

Acemoglu D, Carvalho VM, Ozdaglar A, Tahbaz-Salehi A. The network origins of aggregate fluctuations. Econometrica 2012;80(5):1977‒2016.
[7]

Wiedmann T, Lenzen M. Environmental and social footprints of international trade. Nat Geosci 2018;11(5):314‒21. . 10.1038/s41561-018-0113-9
[8]

Xia Y, Li Y, Guan D, Tinoco DM, Xia J, Yan Z, et al. Assessment of the economic impacts of heat waves: a case study of Nanjing. China. J Clean Prod 2018;171:811‒9. . 10.1016/j.jclepro.2017.10.069
[9]

Baghersad M, Zobel CW. Economic impact of production bottlenecks caused by disasters impacting interdependent industry sectors. Int J Prod Econ 2015;168:71‒80. . 10.1016/j.ijpe.2015.06.011
[10]

Tan L, Wu X, Xu Z, Li L. Comprehensive economic loss assessment of disaster based on CGE model and IO model—a case study on Beijing “7.21 Rainstorm”. Int J Disast Risk Re 2019;39:101246. . 10.1016/j.ijdrr.2019.101246
[11]

Xie W, Rose A, Li S, He J, Li N, Ali T. Dynamic economic resilience and economic recovery from disasters: a quantitative assessment. Risk Anal 2018;38 (6):1306‒18. . 10.1111/risa.12948
[12]

Hallegatte S. Modeling the role of inventories and heterogeneity in the assessment of the economic costs of natural disasters. Risk Anal 2014;34 (1):152‒67. . 10.1111/risa.12090
[13]

Kim J, Kim J, Wang Y. Uncertainty risks and strategic reaction of restaurant firms amid COVID-19: evidence from China. Int J Hospit Manag 2021;92:102752. . 10.1016/j.ijhm.2020.102752
[14]

Eyre R, De Luca F, Simini F. Social media usage reveals recovery of small businesses after natural hazard events. Nat Commun 2020;11(1):1629. . 10.1038/s41467-020-15405-7
[15]

Cole MA, Elliott RJR, Okubo T, Strobl E. Pre-disaster planning and post-disaster aid: examining the impact of the great east Japan earthquake. Int J Disast Risk Re 2017;21:291‒302. . 10.1016/j.ijdrr.2016.12.015
[16]

Lee J. Business recovery from Hurricane Harvey. Int J Disast Risk Re 2019;34:305‒15. . 10.1016/j.ijdrr.2018.12.004
[17]

Isoda Y, Masuda S, Nishiyama SI. Effects of post-disaster aid measures to firms: evidence from Tohoku University earthquake recovery firm survey 2012‒ 2015. J Disaster Res 2019;14(8):1030‒46. . 10.20965/jdr.2019.p1030
[18]

Altay N, Ramirez A. Impact of disasters on firms in different sectors: implications for supply chains. J Supply Chain Manag 2010;46(4):59‒80. . 10.1111/j.1745-493x.2010.03206.x
[19]

Henriet F, Hallegatte S, Tabourier L. Firm-network characteristics and economic robustness to natural disasters. J Econ Dyn Control 2012;36 (1):150‒67. . 10.1016/j.jedc.2011.10.001
[20]

Colon C, Hallegatte S, Rozenberg J. Criticality analysis of a country’s transport network via an agent-based supply chain model. Nat Sustain 2021;4 (3):209‒15. . 10.1038/s41893-020-00649-4
[21]

Hallegatte S. An adaptive regional input‒output model and its application to the assessment of the economic cost of Katrina. Risk Anal 2008;28(3):779‒99. . 10.1111/j.1539-6924.2008.01046.x
[22]

Ranger N, Hallegatte S, Bhattacharya S, Bachu M, Priya S, Dhore K, et al. An assessment of the potential impact of climate change on flood risk in Mumbai. Clim Change 2011;104(1):139‒67. . 10.1007/s10584-010-9979-2
[23]

Hallegatte S, Ranger N, Mestre O, Dumas P, Corfee-Morlot J, Herweijer C, et al. Assessing climate change impacts, sea level rise and storm surge risk in port cities: a case study on Copenhagen. Clim Change 2011;104(1):113‒37. . 10.1007/s10584-010-9978-3
[24]

Bierkandt R, Wenz L, Willner SN, Levermann A. Acclimate—a model for economic damage propagation. Part 1: basic formulation of damage transfer within a global supply network and damage conserving dynamics. Environ Syst Decis 2014;34(4):507‒24. . 10.1007/s10669-014-9523-4
[25]

Wenz L, Willner SN, Bierkandt R, Levermann A. Acclimate—a model for economic damage propagation. Part Ⅱ: a dynamic formulation of the backward effects of disaster-induced production failures in the global supply network. Environ Syst Decis 2014;34(4):525‒39. . 10.1007/s10669-014-9521-6
[26]

Otto C, Willner SN, Wenz L, Frieler K, Levermann A. Modeling loss-propagation in the global supply network: the dynamic agent-based model acclimate. J Econ Dyn Control 2017;83:232‒69. . 10.1016/j.jedc.2017.08.001
[27]

Wenz L, Levermann A. Enhanced economic connectivity to foster heat stress-related losses. Sci Adv 2016;2(6):e1501026. . 10.1126/sciadv.1501026
[28]

Willner SN, Otto C, Levermann A. Global economic response to river floods. Nat Clim Chang 2018;8(7):594‒8. . 10.1038/s41558-018-0173-2
[29]

Inoue H, Todo Y. Propagation of negative shocks across nation-wide firm networks. PLoS One 2019;14(3):e0213648. . 10.1371/journal.pone.0213648
[30]

Krichene H, Inoue H, Isogai T, Chakraborty A. A model of the indirect losses from negative shocks in production and finance. PLoS One 2020;15(9): e0239293. . 10.1371/journal.pone.0239293
[31]

Inoue H, Todo Y. The propagation of economic impacts through supply chains: the case of a mega-city lockdown to prevent the spread of COVID-19. PLoS One 2020;15(9):e0239251. . 10.1371/journal.pone.0239251
[32]

Guan D, Wang D, Hallegatte S, Davis SJ, Huo J, Li S, et al. Global supply-chain effects of COVID-19 control measures. Nat Hum Behav 2020;4(6):577‒87. . 10.1038/s41562-020-0896-8
[33]

Baidu. Baidu Map open platform [Internet]. Beijing: Baidu Maps; 2022 Mar 1 [cited 2023 Aug 22]. Available from: 10.4324/9781003189893
[34]

China’s Ministry of Ecology and Environment. Measures for restricting production and stopping production [Internet]. Beijing: Ministry of Ecology and Environment; 2014 Dec 19 [cited 2023 Aug 22]. Available from:

[35]

The State Council of the People’s Republic of China. Cause of deadly chemical plant blast in east China revealed. Beijing: The State Council of the People’s Republic of China; 2019 Nov 15 [cited 2023 Aug 22]. Available from:

[36]

The Jiangsu Provincial People’s Government. Improvement plan for the safety and environmental protection of chemical industries in Jiangsu Province. Jiangsu: The Jiangsu Provincial People’s Government; 2019 May 15 [cited 2023 Aug 22]. Available from:

[37]

The State Bureau of Quality and Technical Supervision. GB/T 4754‒2017: Industrial classification for national economic activities. Chinese standard. Beijing: The State Bureau of Quality and Technical Supervision 2017. Chinese.
[38]

Zheng H, Tobben J, Dietzenbacher E, Moran D, Meng J, Wang D, et al. Entropy-based Chinese city-level MRIO table framework. Econ Syst Res 2022;34 (4):519‒44. . 10.1080/09535314.2021.1932764
[39]

Wang F, Wang J, Ren J, Li Z, Nie X, Tan RR, et al. Continuous improvement strategies for environmental risk mitigation in chemical plants. Resour Conserv Recycling 2020;160:104885. . 10.1016/j.resconrec.2020.104885
[40]

Chen C, Reniers G. Chemical industry in China: The current status, safety problems, and pathways for future sustainable development. Safety Sci 2020;128:104741. . 10.1016/j.ssci.2020.104741
[41]

Zeng T, Chen G, Yang Y, Chen P, Reniers G. Developing an advanced dynamic risk analysis method for fire-related domino effects. Process Saf Environ 2020;134:149‒60. . 10.1016/j.psep.2019.11.029
[42]

Chen C, Reniers G, Khakzad N. Cost‒benefit management of intentional domino effects in chemical industrial areas. Process Saf Environ 2020;134:392‒405. . 10.1016/j.psep.2019.10.007
[43]

Jemai J, Chung BD, Sarkar B. Environmental effect for a complex green supply-chain management to control waste: a sustainable approach. J Clean Prod 2020;277:122919. . 10.1016/j.jclepro.2020.122919
[44]

Ullah M, Asghar I, Zahid M, Omair M, AlArjani A, Sarkar B. Ramification of remanufacturing in a sustainable three-echelon closed-loop supply chain management for returnable products. J Clean Prod 2021;290:125609. . 10.1016/j.jclepro.2020.125609
[45]

Sarkar B, Sarkar M, Ganguly B, Cárdenas-Barrón LE. Combined effects of carbon emission and production quality improvement for fixed lifetime products in a sustainable supply chain management. Int J Prod Econ 2021;231:107867. . 10.1016/j.ijpe.2020.107867
[46]

Sepehri A, Mishra U, Sarkar B. A sustainable production-inventory model with imperfect quality under preservation technology and quality improvement investment. J Clean Prod 2021;310:127332. . 10.1016/j.jclepro.2021.127332
[47]

Sarkar B, Tayyab M, Kim N, Habib MS. Optimal production delivery policies for supplier and manufacturer in a constrained closed-loop supply chain for returnable transport packaging through metaheuristic approach. Comput Ind Eng 2019;135:987‒1003. . 10.1016/j.cie.2019.05.035
[48]

Dietzenbacher E. In vindication of the Ghosh model: a reinterpretation as a price model. J Regional Sci 1997;37(4):629‒51. . 10.1111/0022-4146.00073
[49]

Qu S, Liang S, Konar M, Zhu Z, Chiu ASF, Jia X, et al. Virtual water scarcity risk to the global trade system. Environ Sci Technol 2018;52(2):673‒83. . 10.1021/acs.est.7b04309
[50]

Wang D, Guan D, Zhu S, Kinnon MM, Geng G, Zhang Q, et al. Economic footprint of California wildfires in 2018. Nat Sustain 2021;4(3):252‒60. . 10.1038/s41893-020-00646-7
AI Summary AI Mindmap
PDF (2631KB)

Supplementary files

2024-42-11-S295

2140

访问

0

被引

详细
导航
相关文章

AI思维导图

/

〈 〉