随着“数字中国”战略的深入推进，智能制造已成为驱动产业转型升级的核心引擎[1]。白酒作为承载深厚文化底蕴的传统产业[2]，酿造工艺复杂生产周期长[3]，供应链复杂，在面临数字化浪潮时，使得供应链协同效率与市场响应速度成为制约其高质量发展的关键瓶颈[4]。“十五五”规划强调发展数字经济[5]，推动制造业智能化，提升产业链供应链韧性[6]。 在此背景下，以大数据[7]、人工智能[8]为代表的智能制造技术，凭借其在信息融合与资源优化方面的强大能力[9-10]，为破解白酒产业供应链协同困境提供了可行路径[11]。因此，系统性地识别智能制造赋能下影响白酒产业供应链协同创新的关键因素，并探究其内在作用机理，已成为推动该产业高质量发展的核心议题[12-13]。
目前，已有供应链协同的影响因素研究报道，采用层次分析法等对因素权重进行量化的方法难以揭示因素间复杂的相互作用关系[14]；运用结构方程模型验证影响路径[15-16]对大样本数据的依赖性限制了其在白酒行业中的应用。然而，决策试验与评价实验法（decision making trial and evaluation laboratory，DEMATEL）善于识别复杂系统中的因果关系[17]，解释结构模型（interpretive structural modeling，ISM）则擅长解析系统的层次结构[18]。这二者结合形成的DEMATEL-ISM模型，既能识别关键因素，又能揭示其传递路径，尤其适用于本研究这类因素间存在复杂反馈且样本数据有限的探索性问题[19-22]。尽管DEMATEL-ISM方法在供应链领域应用渐广，但仍存在行业聚焦性不强及赋能机理模糊的问题。
基于此，本研究以白酒产业供应链协同创新为研究对象，聚焦智能制造赋能背景下的关键影响因素与运行机理，结合德尔菲法、DEMATEL-ISM方法，系统识别影响供应链协同创新的核心变量，厘清因素之间的交互关系与层级结构，旨在揭示智能制造赋能白酒产业供应链协同创新的内在机制与路径，为白酒行业实现智能化升级与高质量发展提供理论支撑与实践启示。
1 白酒产业供应链协同创新影响因素体系构建
1.1 影响因素的初步识别与筛选
选取入选工信部“智能制造标杆企业（第九批）”的泸州老窖作为调研对象，通过实地走访、深度访谈等方式，考察其智能制造实践经验和供应链协同管理现状。采用文献分析法，在中国知网、Web of Science等学术数据库中，以中文检索式（制造赋能or智能制造）and（供应链协同or供应链协作）and（白酒or白酒产业）and（影响因素or关键因素）和英文检索式（Smart Manufacturing or Intelligent Manufacturing）and（SupplyChain Collaboration or SupplyChain Coordination）and（Chinese Baijiu or Chinese Liquor Industry）and（Influencing Factors or Key Factors）进行复合检索。限定时间范围为近10年，初步获得相关文献约41篇。 对检索文献进行系统研读，重点关注其标题、摘要和关键词，在剔除重复文献和不相关文献后，最终确定29篇核心文献作为研究基础。对这29篇文献进行深入解析，提取潜在影响因素，并结合白酒产业的特殊性和发展现状，从技术、组织、环境及供应链4个维度构建了初步的体系框架。
1.2 基于德尔菲法的指标精炼
采用德尔菲法进行指标遴选，保证影响因素的全面性和代表性。邀请10位白酒行业专家及企业高管对各项指标的重要性进行Likert五级量表评价，采用0～4的赋值区间，每个选项对应一个数值，具体划分为：“0=非常不符合，1=不符合，2=不确定，3=符合，4=非常符合”。
本轮共发放问卷10份，回收率为100%。评估专家对相关咨询内容的判断能力（Ca）与熟悉程度（Cs），计算专家的权威系数（Cr），计算公式为：Cr=（Ca+Cs）/2。 结果表明，专家权威系数的平均值为Cr=0.85，显著高于一般认定的可信标准0.7[23]，因此，所选专家在白酒产业供应链管理领域具有丰富的实践经验和专业洞见。经过统计分析得到专家评分的肯德尔协调系数W为0.62，且协调程度的显著性检验结果P＜0.01，说明专家意见之间具有较高一致性，所提供的评价结果具有良好的参考价值。
1.3 影响因素体系的确定
基于德尔菲法分析结果，本研究保留全部11项指标，构建了包含4个维度的白酒产业供应链协同创新影响因素体系，见表1。
表1 白酒产业供应链协同创新的影响因素
Table 1 Influencing factors of collaborative innovation in the supply chain of the Baijiu industry
维度影响因素技术驱动组织协同供应链管理外部环境信息化基础设施建设F1智能制造技术应用水平F2企业文化F3企业管理模式F4人才队伍素质F5风险管理能力F6信息共享机制F7供应链合作伙伴关系F8政策法规与行业标准F9市场需求的动态变化F10行业竞争F11
2 DEMATEL-ISM模型构建与求解
2.1 DEMATEL模型的计算
（1）建立直接影响矩阵：采用专家打分与访谈相结合的形式，收集专家对于因素间直接影响程度的双向打分结果。 邀请供应链研究领域的3名专家学者和5名白酒行业高层管理人员，共8人参与评分。评分过程使用0～4五级标度来度量，分别对应“无影响”、“影响低”、“一般影响”、“较高影响”和“非常高影响”。回收问卷后，对评分数据进行平均化处理，计算各因素间影响程度的均值a¯[24]，形成初始直接影响矩阵［Sij］n×n。其中Sij代表要素Si对Sj的直接影响强弱程度，要素本身不参与比较，因此矩阵对角线的取值均为0。
（2）计算规范影响矩阵N：对原始直接影响矩阵归一化处理，得到规范影响矩阵N［nij］n×n
（3）计算综合影响矩阵T考虑因素间的间接影响，进行运算处理得到因素间综合影响程度T=［1ij］n×n，式中I为单位矩阵：
（4）计算“四度”：通过分析因素中心度与原因度识别关键影响因素，明确各因素在系统中的地位和作用。基于综合影响矩阵T，依次求解影响度M、被影响度A、中心度W、原因度V。
其中V＞0为原因因素，V＜0为结果因素。由表2可知，原因度数值为正的F1、F2、F3、F4、F5、F9，具有较强的主动性，能够积极影响系统中的其他因素。 原因度数值为负的F6、F7、F8、F10、F11，这些因素主要受系统中其他因素的影响，其主动性较弱。
表2 决策试验与评价实验法-解释结构模型法求解结果
Table 2 Solution result of decision experiment and evaluation experiment-explanatory structure model method
影响因素影响度M被影响度A原因度V中心度W中心度排名因素属性F1 F2 F3 F4 F5 F6 F7 F8 F9 3 2 1 0 9 8 6 1 7 1 F10 F11 2.67 2.94 2.25 2.04 1.95 1.09 2.46 1.34 2.17 1.72 2.23 2.49 2.31 0.48 1.29 1.61 3.04 3.21 2.71 0.37 2.54 2.79 0.18 0.63 1.78 0.75 0.33-1.96-0.75-1.38 1.81-0.83-0.57 5.15 5.24 2.73 3.33 3.56 4.13 5.68 4.05 2.54 4.26 5.03 1 5 4原因原因原因原因原因结果结果结果原因结果结果
（5）绘制因果关系图：基于DEMATEL法的求解结果，绘制横坐标为中心度、纵坐标为原因度的中心度-原因度笛卡尔坐标分布，见图1。
图1 中心度-原因度笛卡尔直角坐标
Fig. 1 Centrality-causality cartesian rectangular coordinates
由图1可知，将该坐标图划分为四个象限，通过象限分析可验证系统中是否存在核心驱动因素、关键枢纽节点以及潜在的系统瓶颈，从而为管理策略的制定提供依据。 第一象限（高原因度-高中心度）包括F1、F2两个因素，这表明它们是系统中的核心驱动因素，在实践中应重点优先考虑；第二象限（高原因度-低中心度）包括F9、F3、F4、F5因素，虽具有显著的因果影响力，但与系统其他要素的关联程度相对较弱；第四象限（低原因度-高中心度）包括F6、F8、F7、F10、F11因素。这些因素表现出高度的系统关联性但较低的原因度，说明它们更多地承担着效果指标的功能。
2.2 ISM法模型的计算
（1）计算邻接矩阵：在综合影响矩阵T的基础上，引入阈值λ∈[0，1] ，剔除影响程度偏小的非核心因素。将阈值λ定为综合影响矩阵中各因素均值与方差之和[25]。计算得到λ=μ+σ=0.188 8+0.011 3=0.200 1。矩阵构建规则如下：
（2）计算可达矩阵：基于布尔运算法计算可达矩阵，通过对邻接矩阵进行迭代处理确定各因素间的可达性。旨在确定因素间的传递性关系，为构建层次结构模型奠定基础。
K=（B+I）n+1=（B+I）n≠（B+I）n-1≠B+I
（3）进行因素层级划分：在可达矩阵基础上求出影响因素的可达集、前因集以及两者交集。
上述等式成立时，意味着要素可达集与前因集的交集仅包含要素本身，认为R（fi）为最高级的因素。 由此可得第一层因素为F6、F8，依次将已分层要素删除后重复上述操作，直至所有影响因素层次划分完毕，并据此构建解释结构模型呈现各因素之间的作用路径，见图2。
图2 多级递阶解释结构模型
Fig. 2 Multilevel hierarchical explanatory structure model
3 模型结果分析
对DEMATEL分析中识别出的高中心度与高因果度因素进行重点分析，明确其在协同机制模型中的主导作用和影响范围。
3.1 影响因素的因果关系分析
由表2可知，信息共享机制（F7）在系统中占据最高的中心性，其次为智能制造技术应用水平（F2）和信息化基础设施建设（F1）。这表明F7对整个供应链协同系统具有较高的综合作用力。F2和F1同样具有较高的影响力，表明它们在白酒产业供应链协同中具有重要地位，应作为管理和优化的重点关注对象。
3.2 影响因素的层次结构分析
对ISM模型中各级影响因素进行分类解读，明确根本性驱动因素、中介传导因素与表层表现因素之间的结构关系。 结合模型（图2）结果可知，影响因素可以划分为四个层次，各层次因素之间的作用具有显著的层次性和传递性，呈现“由下至上”的递进影响路径。
（1）直接影响因素分析（L1层）：风险管理能力（F6）和供应链合作伙伴关系（F8）位于解释结构模型的第一层级，属于直接影响因素，对供应链协同的表现产生最为直接的影响。风险管理能力的高低决定了供应链在面对不确定性时的应对能力，而供应链合作伙伴关系的质量则直接影响协同效率与合作深度。这两个因素具有显著的短期可操作性，通过优化风险管理机制和强化供应链伙伴间的信任与协作关系，可以快速提升供应链协同的表现。但是第一层因素的稳定性和可持续性依赖于下层因素的支撑，风险管理能力的被影响度和中心度均较高，说明它在系统运行中非常重要。同时风险管理能力可能涉及供应链的运行效率或资源流转能力，在实践中其改善需要依赖信息化基础设施建设、智能制造技术应用水平、信息共享机制等关键因素的正向驱动。而同一层级的供应链合作伙伴关系被影响度和中心度略低于F6，表现出较强的被动性。这表明F8可能与供应链协同中间接环节的优化有关。
（2）间接影响因素分析（L2层）：信息共享机制（F7）、市场需求的动态变化（F10）和行业竞争（F11）位于第二层因素，属于间接影响因素。 这些因素对第一层因素起到中介和传导作用，间接影响供应链协同的效果。 信息共享机制是供应链协同的核心驱动要素，其完善程度直接决定了风险管理能力和合作伙伴关系的效率。市场需求的动态变化则反映了供应链外部环境的复杂性，对风险管理能力提出更高要求。 行业竞争加剧对供应链合作伙伴关系形成压力，同时驱动企业在协同中追求效率与创新。因此，这一层次的因素需要通过优化信息共享机制、增强企业适应市场变化的能力以及在竞争中寻求合作共赢来形成对第一层因素的正向支撑。
（3）深层次间接影响因素（L3层）：信息化基础设施建设（F1）、智能制造技术应用水平（F2）、企业管理模式（F4）和人才队伍素质（F5）位于第三层因素，属于深层次的间接影响因素。这些因素主要作用于第二层因素，通过对信息共享机制、市场适应能力和行业竞争力的支撑，间接推动供应链协同的实现。信息化基础设施建设和智能制造技术应用水平是供应链数字化和智能化转型的物质基础，为信息共享和协同运作提供必备条件；企业管理模式直接影响供应链协作的规范性和效率；而人才队伍素质则决定了技术应用和管理创新的实施效果。这些因素虽然不会直接显现在供应链协同的结果中，但它们的优化程度决定了第二层因素的运转效率。因此，在供应链协同实践中，应将第三层因素作为能力建设的重点，通过提升信息化水平、智能制造技术应用能力、管理创新能力和人才素质，为上层因素的优化奠定基础。
（4）根本影响因素分析（L4）：企业文化（F3）和政策法规与行业标准（F9）处于模型的底层，是根本影响因素，也是其他所有层次因素的基础。 企业文化的创新性、开放性和协同性对供应链协同的整体氛围和方向具有根本性影响。政策法规与行业标准则为供应链协同提供了规范性框架和外部支持。作为根本影响因素，这些因素的优化难度较大，其作用具有长期性和系统性特点，但它们对供应链协同的促进作用最为深远。企业文化需要通过长期的积累和塑造来形成协同意识；政策法规与行业标准的完善则需要政府、行业组织和企业的共同努力。 在供应链协同建设中，应从战略高度重视第四层因素的优化，以确保整个系统的稳定性和可持续性。
4 管理启示
白酒企业在管理实践中应采取“由下而上、分层优化”的策略。一方面，企业应注重短期内直接影响因素的优化，通过提升风险管理能力和加强合作伙伴关系快速见效。另外需将重点逐步转向间接影响因素和深层次影响因素的建设，尤其是信息化基础设施和智能制造技术的推广应用。长远来看，企业文化的培育和行业标准的完善能够为供应链协同的可持续发展提供根本保障。
4.1 提升风险管理能力：提升白酒产业供应链弹性与预警能力
企业应构建风险监测预警系统识别和应对潜在的风险。 包括利用大数据技术预测市场需求，并监测原材料从供应到生产各环节的风险点。 在突发事件来临前，加强对供应链弹性的建设，如开发多元化供货渠道，在供应链某一节点受损时能快速切换备用的供应商，从而降低原料断供的风险。在保证正常生产经营的基础上优化库存的管理，建立合理的安全库存。 制定风险应对策略和应急预案，明确各环节的责任和应对措施并建立风险处置小组。
4.2 加强白酒产业供应链合作伙伴关系：构建信任基础
供应链协同创新的核心在于上下游企业之间的高效协作与资源共享。企业需注重与供应链合作伙伴建立信任关系，以实现协同效应最大化。包括与关键供应商、物流企业共同制定发展目标和策略，通过签订风险分担协议增强与核心供应商的协同粘性，实现企业间互利共赢。 搭建行业联盟合作平台，利用云计算技术提高信息流动的透明度，保证数据能够实时共享，进而增强上下游企业之间的信任度。定期组织合作伙伴研讨会，企业间积极沟通交流，从而加深理解互信。 加强与合作伙伴的技术研发合作，共享技术成果，特别是在智能酿造设备和智慧物流等领域，更好地提升企业合作协同能力。
4.3 增强白酒产业供应链的市场适应性：策略与实践
当前白酒市场的消费需求呈现出多样化、个性化和动态化趋势。 企业需根据市场变化灵活调整供应链策略，建立数据分析中心分析消费者行为和销售数据，并不断调整生产和供应能力。 推行柔性生产模式，通过智能制造技术实现生产线的快速切换，满足不同市场需求的产品定制化生产。
4.4 提升信息化与智能制造技术：白酒产业供应链协同的关键
白酒企业应更加重视数字化基础设施的投入。借助物联网与人工智能等技术构建信息化网络、数据存储中心以及生产控制系统，数字化管理供应链全流程，使白酒从生产到运输再到销售的各个环节全程可追溯。企业还需定期开展技术培训，帮助员工掌握系统操作，确保新技术能够真正落地实施。
4.5 企业文化与政策：供应链协同的基石
企业文化与政策导向是供应链协同创新的重要软实力。企业可以通过树立鼓励创新、合作和学习的企业文化，激励员工参与协同创新。 建立激励机制，对取得的创新成果采取奖励机制，激发团队活力与创造力。 同时企业应积极与政府和行业协会沟通，推动行业技术标准和管理规范的制定与完善。 在粮食供应、物流保障等关键环节争取政策和资源支持。 企业要关注政策动态，努力适应政府出台的相关政策。
5 结论
本研究基于DEMATEL-ISM方法，从智能制造赋能的视角出发，系统探讨了白酒产业供应链协同创新的关键影响因素及其作用机制。 研究表明，协同创新的影响因素呈现出由深层到底层逐级传导的四级递阶系统结构。分析模型结果进一步识别出信息化基础设施建设、智能制造技术应用水平、信息共享机制以及行业竞争等因素，是驱动白酒产业供应链协同创新的关键要素。 在此基础上，构建了清晰的层级关系结构，并提出“分层优化”策略，旨在为推动白酒产业智能化转型和实现高质量发展提供理论支持与实践路径。
[1] 惠宁，杨金璇，许潇丹. 论人工智能对制造业新质生产力影响的逻辑机理[J] .北京工业大学学报（社会科学版），2025：1-13.
[2] 曾绍伦，王强. 白酒上市公司质量评价及高质量发展路径研究[J] . 四川轻化工大学学报（社会科学版），2020（2）：18-32.
[3] 明深圳，王录，汤有宏，等. 白酒智能酿造技术以及未来展望[J] . 酿酒，2025，52（1）：19-24.
[4] ZAMAN S I,KHAN S A,KUSI-SARPONG S.Investigating the relationship between supply chain finance and supply chain collaborative factors[J] .Benchmarking：An International Journal,2024,31(6)：1941-1975.
[5] 冯明.基于“十五五”时期工业化、城镇化、人口结构重大变化的前瞻性研究[J] .中央社会主义学院学报，2024（5）：5-18.
[6] XIA J,LI H,HE Z.The effect of blockchain technology on supply chain collaboration：A case study of lenovo[J] .Systems,2023,11(6)：299.
[7] 熊先青，岳心怡.面向智能制造的家居企业ERP/MES集成管理技术[J] .木材科学与技术，2022，36（4）：25-31.
[8] 熊皓舒，王鐾璇，侯健，等.生成式人工智能（AI）在中药智能制造及供应链中的应用场景设计与展望[J] .中国中药杂志，2024（14）：3963-3970.
[9] TIAN H,SHI T.Corporate digital transformation and supply chain synergy effects[J] .Financ Res Lett,2024,62：105247.
[10] 颜逢，任鹤，赵秀云. 智能制造与供应链配置多元化[J] . 中南财经政法大学学报，2024（5）：110-123.
[11] 张伯伟，马凡慧. 智能制造如何提升产业链供应链韧性：理论机制与实证检验[J] .经济学动态，2024（11）：20-37.
[12] 李士燃，孙宗帝，徐兴花，等. 中国白酒产业区域化发展特征及对策研究[J] .中国酿造，2024，43（11）：254-258.
[13] 苗强，张恒，严幸友. 大规模制造产业网状结构价值链数字生态理论研究构想[J] .工程科学与技术，2022，54（6）：1-11.
[14] 李学工，李芳. 重大突发事件下应急冷链供应链协同化评价模型及策略研究[J] .中国安全生产科学技术，2021（10）：18-24.
[15] 贺金霞. 全渠道供应链协同要素关系模型实证研究[J] . 技术经济，2020（9）：44-50，81.
[16] 张瑞敏，杨晓英.基于SEM-CM的装备制造业供应链物流协同评价方法[J] .计算机应用与软件，2022（6）：61-69.
[17] 肖容，袁利伟，邢志华，等.基于模糊DEMATEL-ISM模型的尾矿库事故影响因素研究[J] .化工矿物与加工，2023，52（5）：74-80.
[18] HE Y,KANG J,PEI Y,et al.Research on influencing factors of fuel consumption on superhighway based on DEMATEL-ISM model[J] .Energ Policy,2021,158：112545.
[19] 李俊亭，袁培琢，曹金凤，等. 面对不确定性时供应链韧性的驱动因素：以装配式建筑为例[J] .工程管理学报，2025，39（1）：41-47.
[20] 钱存华，陈海滨，周骏贵. 灾害背景下提升应急供应链韧性影响因素研究[J] .安全与环境学报，2023（5）：1474-1481.
[21] 李青维，马琳，张炎培，等.基于DEMATEL-ISM的老年数字鸿沟关键影响因素及其作用路径研究[J] .情报科学，2025，43（7）：74-85.
[22] LIANG Y,WANG H,ZHAO X.Analysis of factors affecting economic operation of electric vehicle charging station based on DEMATEL-ISM[J] .Comput Ind Eng,2022,163：107818.
[23] 朱天曈，丁坚勇，郑旭.基于改进TOPSIS法和德尔菲——熵权综合权重法的电网规划方案综合决策方法[J] . 电力系统保护与控制，2018（12）：91-99.
[24] 仲建兰.基于DEMATEL-ISM-MICMAC法的中小旅游企业组织韧性的影响因素研究[J] .商业经济与管理，2024（9）：91-104.
[25] 刘永旭，高常青，杨波，等.基于DEMATEL-ISM的物场模型影响度分析[J] .机械设计，2025，42（1）：181-185.