交通运输研究 >

2025 , Vol. 11 >Issue 3: 43 - 54

DOI: https://doi.org/10.16503/j.cnki.2095-9931.2025.03.005

理论与方法

智能网联新能源汽车供应链韧性评估方法

  • 程茜伶 , 1 ,
  • 王礼刚 , 2, * ,
  • 蔡晓禹 3 ,
  • 陈坚 1
展开
  • 1 重庆交通大学 交通运输学院，重庆 400074
  • 2 重庆交通大学，重庆 400074
  • 3 重庆交通大学 智慧城市学院，重庆 400074
* 王礼刚（1976—），男，重庆人，博士，副教授，研究方向为公路与水路运输、企业经济等。E-mail:

程茜伶（2000—），女，重庆人，硕士研究生，研究方向为智能网联汽车供应链。E-mail:

收稿日期: 2025-03-12

  网络出版日期: 2025-08-04

基金资助

重庆市哲学社会科学创新工程重点项目(2024CXZD26)

收起

Resilience Evaluation Method for Intelligent Connected and New Energy Vehicle Supply Chain

  • CHENG Xiling , 1 ,
  • WANG Ligang , 2, * ,
  • CAI Xiaoyu 3 ,
  • CHEN Jian 1
Expand
  • 1 School of Transportation, Chongqing Jiaotong University, Chongqing 400074, China
  • 2 Chongqing Jiaotong University, Chongqing 400074, China
  • 3 School of Smart City, Chongqing Jiaotong University, Chongqing 400074, China

Received date: 2025-03-12

  Online published: 2025-08-04

Fold

摘要

为衡量智能网联新能源汽车供应链面对外部干扰时保持稳定性的能力，提出了供应链韧性评估方法。首先，考虑智能网联新能源汽车供应链研发、供应、生产、销售、售后等5个环节的抗风险能力，从单一环节抵抗能力与多环节协调能力两个维度提出供应链韧性测度框架；然后，采用熵权-TOPSIS法、耦合协调模型、K-means聚类算法进行供应链韧性的量化评价和等级划分，并基于12个地区的发展数据开展实证研究；最后，通过指标障碍度模型分析供应链韧性的主要影响因素。结果表明：各地区供应链韧性水平总体差距较大，广东、江苏、上海、浙江在供应链各环节的表现领先；高韧性地区与低韧性地区的差距主要来源于供应链上游环节，两者在零部件配套方面的差距最为显著，但在后市场服务保障方面的差距较小；大多地区的供应链处于濒临失衡及以下状态，且足够强的风险抵抗能力伴随着较强的协调能力；维修保养企业聚集密度、经销商聚集密度、专利发布数量、零部件供应商数量、新能源汽车产量是影响供应链韧性的主要因素。因此，各地区在扩大产业规模的同时要注重各环节能力的协调互补，避免因供应链失衡而阻碍供应链效能的提升。

关键词： 智能交通; 供应链韧性; 熵权-TOPSIS模型; 耦合协调度; 智能网联新能源汽车

本文引用格式

程茜伶 , 王礼刚 , 蔡晓禹 , 陈坚 . 智能网联新能源汽车供应链韧性评估方法[J]. 交通运输研究, 2025 , 11(3) : 43 -54 . DOI: 10.16503/j.cnki.2095-9931.2025.03.005

Abstract

To measure the ability of the intelligent connected and new energy vehicle supply chain to maintain stability in the face of external disturbances, a supply chain resilience assessment method is proposed. Firstly, considering the risk resistance capability of the five links of research and development, supply, production, sale, and after-sale in the intelligent connected and new energy vehicle supply chain, a supply chain resilience measurement framework is proposed from two dimensions: single link resistance capability and multi link coordination capability. Then, the entropy weight TOPSIS method, coupled coordination degree model, and K-means clustering algorithm are used to quantitatively evaluate and classify the resilience of the supply chain. And based on the development data of 12 regions, case analysis is conducted. Finally, the main influencing factors of supply chain resilience are identified through the indicator obstacle degree model. The results indicate that there is a significant overall gap in the resilience level of supply chains among different regions, with Guangdong, Jiangsu, Shanghai, and Zhejiang showing leading performances in various links of the supply chain; the gap between high resilience areas and low resilience areas mainly comes from the upstream links of the supply chain, with the most significant difference in component matching between the two, but the gap in post market service guarantee is small; the supply chain in most regions is on the brink of imbalance or below, and strong risk resistance is accompanied by strong coordination ability; the main factors affecting the resilience of the supply chain are the clustering density of maintenance and repair enterprises, the clustering density of dealers, the number of patent publications, the number of component suppliers, and the output of new energy vehicles. Therefore, while expanding the industrial scale in various regions, attention should be paid to the coordination and complementarity of capabilities in each link, in order to avoid hindering the improvement of supply chain efficiency due to supply chain imbalance.

Key words： intelligent transportation; supply chain resilience; entropy weight TOPSIS model; coupling coordination degree; intelligent connected and new energy vehicle

0 引言

智能网联新能源汽车产业近年来在我国受到高度关注，供应链稳定性对产业的可持续发展具有重要影响。党的二十大报告强调，要着力提升产业链供应链的韧性和安全水平，增强其稳定性、竞争力和自主可控能力。然而，智能网联新能源汽车产业正处于技术迭代与产业链重组速度显著加快的关键阶段，原材料供应波动和市场需求动荡等问题对供应链稳定带来挑战[1]。因此，科学评估供应链韧性已成为该产业稳定安全发展的重要议题之一。
关于供应链韧性的内涵，Christopher等[2]首次将供应链韧性定义为经过干扰后恢复到原来状态甚至达到更优状态的能力。后续研究又在此基础上进行了深化[3-4]，但对其定义的共性都围绕供应链能够抵抗外部干扰并通过协调适应恢复至原来状态的能力，强调抵抗能力和恢复能力。既有研究主要从以下两个视角测度供应链韧性。一是能力视角，即测度影响供应链韧性的关键能力，比如，有学者[5-7]从抵抗能力、恢复能力、更新能力、协同能力多个维度构建了制造企业供应链韧性测度框架。二是供应链结构视角，微观企业供应链韧性多基于供应链网络体系进行测算，如Huang等[8]、Kim等[9]通过考察供应链网络中实体之间的结构关系来概念化供应网络中断和韧性；宏观区域供应链韧性测度多基于供应链各环节的抗风险能力，如贺远琼等[10]、卢昱嘉等[11]通过解构供应链组成环节，分析供应、采购、运输、需求等环节的风险抵抗能力，实现了区域层面的供应链韧性评价。
目前，针对智能网联新能源汽车领域的供应链韧性研究正处于初步探索阶段。国内外研究结合地区供应链面临的现实问题，强调供应链关键环节具备的抗风险能力和产业竞争能力[12-13]，从原材料供应、关键零部件配套[14]、关键核心技术研发[15]、产业价值创造[16]等多维度入手开展供应链韧性研究。虽然现有研究对智能网联新能源汽车领域的供应链韧性展开了前期探索，但仍主要聚焦于理论阐释和宏观策略分析，缺乏全面的指数量化评估和实证分析，这为本研究提供了突破空间。
综上所述，现有研究缺乏基于区域智能网联新能源汽车供应链全链条环节的韧性评估，且较少考虑上下游各环节之间的关联性对供应链韧性的影响，从而无法全面描述供应链韧性的内涵。基于此，本研究将解构智能网联新能源汽车供应链组成环节，从各环节的抵抗能力和协调能力两个角度提出供应链韧性测度框架，采用熵权-TOPSIS模型、耦合协调度模型、K-means聚类算法进行供应链韧性评价，并以12个典型地区为例，分析地区供应链发展特征与协调水平，揭示阻碍供应链韧性提升的关键因素。

1 智能网联新能源汽车供应链的组成

相比传统燃油汽车，智能网联新能源汽车供应链组成更加复杂（见图1），在原材料依赖度、技术复杂度、供应链布局、市场需求等方面都表现出明显差异。在供应链上游，电池原材料、芯片、传感器、智能座舱等关键技术的研发成为产业竞争的关键；在供应链中游，IT服务商和系统集成商将上游硬件技术整合，软件算法与数据交互成为核心；供应链下游在原有销售维修服务的基础上拓展了充电网络运营、OTA（Over-The-Air）远程升级等全生命周期服务要素。智能网联新能源汽车供应链的参与主体从传统车企扩展至科技公司、能源企业，跨行业的协同创新重新构建了供应链网络，使供应链韧性面临多方面的挑战。
图1 智能网联新能源汽车供应链组成

2 供应链韧性评价指标体系构建

2.1 供应链韧性组成框架

供应链韧性的发展与供应链的中断治理需求是相契合的，各环节竞争力的不足都会为供应链的稳定运行带来挑战，导致供应链面临中断风险[17]。贺远琼等[10]、卢昱嘉等[11]认为，供应链韧性反映供应链抵御风险的能力。在区域供应链网络中，任一关键节点的波动都会对整个供应链的稳定性造成巨大冲击，因此，衡量区域供应链韧性水平，需从供应链的各构成环节出发，系统性地考察整个供应链的运作情况。此外，供应链应对外部冲击的过程由多个环节共同作用，不同环节之间的协同整合不仅影响供应链遭受冲击后的复原速率[18]，还能显著增强供应链韧性[19-21]。为掌握供应链韧性作用发挥时内部各环节的相互作用，有必要考虑供应链各环节之间的协调能力。
因此，本研究将供应链韧性定义为“上游-中游-下游”抵御“断链”风险的能力，具体表现为供应链各环节的风险抵抗能力与协调能力。通过解构智能网联新能源汽车供应链的组成要素，将供应链分为研发、供应、生产、销售、售后等5个环节，各环节的风险抵抗能力分别对应技术研发力、零部件配套力、整车生产力、市场竞争力、后市场服务保障力，具体框架如图2所示。
图2 智能网联新能源汽车供应链韧性组成框架示意

2.2 指标选取

根据2.1节提出的智能网联新能源汽车供应链韧性组成框架，构建如表1所示的供应链韧性评价指标体系。考虑到计算的便捷性，各指标均设计为正向指标，即指标值越大，对供应链韧性越有利。
表1 智能网联新能源汽车供应链韧性评价指标体系
一级指标 二级指标 三级指标 指标描述
供应链风险
抵抗能力
A1		 技术研发力B1 R&D经费投入占比C1（%） 汽车制造业R&D经费占工业R&D经费总投入比重
研发人才数量C2/万人 汽车研发人才数量
重点研发企业数量C3/家 智能网联关键技术研发企业数量
专利发布数量C4/项 地区有效专利发布数量
零部件配套力B2 原材料供应商数量C5/家 本地原材料供应商布局情况
零部件供应商数量C6/家 本地零部件供应商布局情况
零部件本地配套率C7（%） 本地零部件自主配套情况
整车生产力B3 代表性整车企业数量C8/家 具备规模生产能力的新能源整车企业数量
新能源汽车产量C9/万辆 地区新能源汽车的年产量
市场竞争力B4 经销商聚集密度C10/（个/km2） 区域内汽车经销商门店的聚集情况
国内新能源汽车市场占有率C11（%） 地区新能源汽车销量占全国的比例
产品多样化指数C12 轿车、SUV、MPV等3种车型的销量构成
后市场服务保障力B5 维修保养企业聚集密度C13/（个/km2） 汽车维修保养企业在本地的聚集情况
桩车比C14/（个/辆） 充电桩满足汽车能源需求的程度
电池回收分解企业数量C15/家 具备新能源汽车退役电池回收处理资质的企业数量
供应链协
调能力A2		 各环节耦合度B6 — 供应链各环节的耦合互补程度
各环节协调度B7 — 供应链各环节的协调促进效果
具体指标选取依据如下。
1）技术研发力。科技创新是供应链韧性的基本保障，通过创新培育形成的新质生产力能实现对关键技术堵点的突破，这是驱动供应链韧性增强的重要内容[22-23]。考虑技术研发的投入和产出，选取R&D经费投入占比、研发人才数量、重点研发企业数量和专利发布数量作为评价指标。
2）零部件配套力。原材料和零部件的自主供应能力越强表明整车生产过程中的对外依赖性越低，这有助于供应链快速恢复到均衡稳定态势从而避免受到外部环境变化的影响[24]。选取原材料供应商数量、零部件供应商数量、零部件本地配套率作为评价指标。
3）整车生产力。生产环节是供应链效能产生的重要环节，生产规模越大，供应链上下游的整合能力越强，从而在受到压力或冲击时表现出更强的抵御能力[25-26]。因此，选取代表性整车企业数量和新能源汽车产量作为评价指标。
4）市场竞争力。销售环节面临市场需求、销售渠道等多重不确定性，比如，产品的多样化能分散单一产品市场萎缩或政策变动风险[27]；经销商聚集密度体现了地区面对市场动荡的灵活性和适应性；市场占有率反映了地区经济实力，可为供应链遭受冲击后的恢复提供经济支持[28]。因此，选取产品多样化指数、经销商聚集密度和国内新能源汽车市场占有率作为评价指标。
5）后市场服务保障力。智能网联新能源汽车供应链下游的售后环节涉及车辆维修保养、能源供应以及退役电池的回收分解。其中，维修保养服务商的分布情况反映了区域售后服务的承载能力和响应效率；充电设施网络的覆盖广度是支撑产业发展的基础条件；退役动力电池蕴含巨大回收价值，是实现可持续发展和构建产业闭环的重要一环。因此，选取维修保养企业聚集密度、桩车比和电池回收分解企业数量作为本环节的评价指标。
6）各环节耦合度和协调度。根据供应链协调能力的测算方法，将供应链各环节协调能力划分为耦合度和协调度两个指标。其中，耦合度反映了不同环节之间的耦合互补程度，协调度用于衡量不同环节通过协调达到的整体效能。

2.3 指标计算方法

表1中部分指标需通过进一步计算得出，具体计算方法如下。
1）供应链协调能力A2：智能网联新能源汽车供应链是高度复杂且相互关联的链式系统。借鉴翁钢民等人的研究方法[29]，采用耦合协调度衡量供应链各环节之间的协调关系，耦合度和协调度两个指标的计算方法将在第3.2.2节中进行具体介绍。
2）R&D经费投入占比C1：这是衡量技术研发投入的指标，采用地区汽车制造业R&D经费投入占地区工业R&D经费总投入的比例来衡量。计算公式为：
C 1 = 地 区 汽 车 制 造 业 R D 经 费 投 入 地 区 工 业 R D 经 费 总 投 入 × 100 %
3）经销商聚集密度C10：为表征汽车经销商个体在区域内的聚集情况，参考周碧华等人的做法[30]，以集成密度指标表征区域内汽车经销商个体的集中度，单位个/km2。计算公式为：
C 10 = 区 域 内 汽 车 经 销 商 数 量 地 区 行 政 规 划 面 积
4）国内新能源汽车市场占有率C11：采用销量市场占有率进行衡量[31]，以地区新能源汽车销量占全国新能源汽车总销量的比例进行计算。计算公式为：
C 11 = 地 区 新 能 源 汽 车 销 量 全 国 新 能 源 汽 车 总 销 量 × 100 %
5）产品多样化指数C12：参考沈国兵的做法[32]，通过1减去赫芬达尔指数（HHI）测算产品多样化指数，以衡量地区不同车型销量的均衡程度。该指数值越高，地区销售产品类型的多样性越好，市场抗风险能力越强。该指数仅考虑目前市场中的3种主要车型，包括轿车、SUV、MPV。计算公式为：
$C_{12}=1-\sum_{i=1}^3\left(\frac{\text{地区第}i\text{种新能源汽车销量 }}{\text{全国新能源汽车总销量 }}\right)^2$
式（4）中：i=1, 2, 3分别表示轿车、SUV、MPV。
6）维修保养企业聚集密度C13：与汽车经销商聚集密度衡量方法类似，以集成密度指标表征区域内维修保养企业聚集情况，单位个/km2。计算公式为：
C 13 = 区 域 内 汽 车 维 修 保 养 企 业 布 局 数 量 地 区 行 政 规 划 面 积
7）桩车比C14：以区域内公共充电桩总数量与新能源汽车保有量的比值反映能源供应设施建设情况，该指标反映区域内充电桩数量满足汽车充电需求的程度，单位个/辆。目前私人充电桩布局较少，因此不对其进行考虑。计算公式为：
C 14 = 地 区 公 共 充 电 桩 布 局 数 量 地 区 智 能 网 联 新 能 源 汽 车 保 有 量

3 供应链韧性评价方法

3.1 评价流程

评价过程包含供应链风险抵抗能力评价、供应链协调能力评价、供应链韧性等级划分、供应链韧性影响因素分析4部分，具体流程如图3所示。
图3 供应链韧性评价流程

3.2 评价方法

3.2.1 供应链风险抵抗能力评价

本研究采用熵权-TOPSIS模型对各地区的供应链抵抗能力进行评价。该方法通过计算各地区相对于理想状态的贴近度来量化供应链风险抵抗能力水平，从而实现区域间的横向对比。理想状态是指各项指标在所有评价对象中均达到最优值的情形，代表供应链风险抵抗能力的最佳水平。具体过程如下。
1）采用熵权法计算抵抗能力各项指标的权重 w j。
2）确定指标项的正理想解 y j +和负理想解 y j -。
3）计算样本正负理想解的欧氏距离：
d i + = ∑ j = 1 m b i j - y j + 2
d i - = ∑ j = 1 m b i j - y j - 2
式（7）~式（8）中： b i j为加权计算后的指标值； d i +为评价对象与正理想解的欧式距离； d i -为评价对象与负理想解的欧式距离；i表示评价对象i；j表示评价指标j。
4）计算相对贴近度D：
D = d i - d i - + d i +
式（9）中：D为相对贴近度，即供应链风险抵抗能力的评分，取值范围为[0,1]，该值越大则抵抗风险能力越强，越有利于供应链韧性的增强。

3.2.2 供应链协调能力评价

根据Ahmadi等[33]和张秀艳等[34]的研究可知，供应链韧性是系统适应性演化的过程，可通过各环节之间的相互作用、自我调节实现动态演化。智能网联新能源汽车是高度复杂、相互关联的链式系统，更加强调诸环节之间相互影响和彼此耦合。因此，参考现有研究[29]，采用耦合协调度模型量化供应链5个环节的协调能力，涉及耦合度和协调度两个指标的计算。具体计算方法如下：
C = 5 × D 1 D 2 D 3 D 4 D 5 D 1 + D 2 + D 3 + D 4 + D 5 5 1 5
T = α D 1 + β D 2 + γ D 3 + δ D 4 + μ D 5
R = C T
式（10）~式（12）中：C为耦合度，反映各环节的互补程度；T为协调度，反映各环节的协同效益； D 1, D 2, D 3, D 4, D 5分别为5个环节抵抗风险能力的测度值；α, β, γ, λ, μ为调节系数，取α=β=γ=δ=μ=0.2[35]；R为耦合协调度，该值越大，则供应链上各维度能力的协同性越好。
耦合协调度划分标准如表2所示。
表2 耦合协调度分级标准
耦合协调度值 等级 耦合协调度值 等级
（0.0, 0.1] 极度失衡 （0.5, 0.6] 勉强协调
（0.1, 0.2] 严重失衡 （0.6, 0.7] 初级协调
（0.2, 0.3] 中度失衡 （0.7, 0.8] 中级协调
（0.3, 0.4] 轻度失衡 （0.8, 0.9] 良好协调
（0.4, 0.5] 濒临失衡 （0.9, 1.0] 优质协调

3.2.3 供应链韧性综合计算

考虑到供应链抵抗能力和协调能力的取值范围都为[0,1]，因此使用偏好系数 μ将两个参数进行线性加权，得到供应链韧性指数U，计算公式为：
U = μ D + ( 1 - μ ) R
本研究认为供应链各环节抵抗能力和协调能力同等重要，所以取μ为0.5。

3.3 供应链韧性等级划分

采用K-means聚类算法对供应链韧性评价结果进行等级划分，聚类效果的优劣由平均轮廓系数决定，其计算公式如下：
$S_i=\frac{b_i-a_i}{\max\left(a_i,b_i\right)}$
式（14）中： S i为聚类结果的轮廓系数； b i为簇间分离度； a i为簇内凝聚度。取轮廓系数最大时的聚类结果进行等级划分。

3.4 影响因素分析模型

为进一步分析制约智能网联新能源汽车供应链韧性提升的关键因素，参考栗欣如等[36]的做法，构建指标障碍度模型，测算单项指标对阻碍系统整体水平的相对贡献程度，以有效识别影响目标实现的主要障碍因素。具体公式为：
Q i j = w j H i j ∑ j = 1 n w j H i j × 100 %
H i j = 1 - V i j 0 V i j ≤ 1 V i j 1
式（15）~式（16）中： Q i j为i地区第j指标的障碍度； V i j为i地区第j指标标准化后的值； H i j表示i地区第j指标偏离最佳值的程度。
Q i j的值越大，则该指标对区域供应链韧性提升的制约作用越强。

4 实例验证与结果分析

以上海市、江苏省、浙江省、广东省、重庆市、四川省、湖北省、湖南省、安徽省、北京市、天津市、河北省等12个地区的智能网联新能源汽车产业发展数据为样本进行实例分析，所选地区既具有传统燃油汽车产业基础，又对智能网联新能源汽车产业进行了一定布局。

4.1 数据来源

数据来源包括以下3类：一是地方统计年鉴、政府报告，研发经费投入占比、代表性整车企业数量、新能源汽车产量、国内新能源汽车市场占有率、电池回收分解企业数量均来源于官方公布的数据；二是行业数据库，专利发布数量、原材料供应商数量、零部件供应商数量分别来源于智慧芽[38]、盖世汽车[39]、太平洋汽车[40]，经销商数量、汽车维修保养企业数量均来源于天眼查[41]；三是行业报告，研发人才数量[42]、重点研发企业数量、充电桩数量[43]分别来源于中国人才研究会、国汽（北京）智能网联汽车研究院、中国充电联盟。数据收集过程中，保证各地区的各项指标数据统计维度相同，数据库检索时间均设置为2024年年底，确保了数据的可靠性和时效性。
为消除指标间量纲差异对评价结果的影响，需对所有原始数据进行归一化处理，使所有评价指标均转化为无量纲的相对数值。处理后的指标数据如表3所示。
表3 评价指标数据标准化后的结果
指标 重庆 四川 江苏 浙江 上海 广东 北京 天津 河北 湖南 湖北 安徽
C1 0.246 0.032 0.055 0.057 0.137 0.055 0.064 0.054 0.144 0.044 0.067 0.046
C2 0.035 0.015 0.150 0.126 0.104 0.265 0.110 0.017 0.048 0.021 0.050 0.059
C3 0.063 0.032 0.156 0.061 0.188 0.160 0.172 0.026 0.018 0.028 0.057 0.038
C4 0.026 0.038 0.171 0.108 0.074 0.282 0.120 0.026 0.022 0.030 0.048 0.055
C5 0.051 0.043 0.236 0.078 0.117 0.175 0.021 0.026 0.110 0.044 0.053 0.046
C6 0.037 0.034 0.216 0.146 0.087 0.241 0.033 0.021 0.061 0.022 0.047 0.056
C7 0.100 0.064 0.136 0.131 0.114 0.128 0.043 0.043 0.057 0.041 0.050 0.093
C8 0.082 0.059 0.106 0.094 0.071 0.141 0.059 0.047 0.035 0.071 0.106 0.129
C9 0.094 0.013 0.117 0.091 0.121 0.357 0.029 0.007 0.035 0.014 0.050 0.072
C10 0.021 0.011 0.071 0.067 0.451 0.055 0.138 0.098 0.022 0.016 0.021 0.028
C11 0.037 0.081 0.127 0.158 0.049 0.199 0.048 0.037 0.093 0.049 0.060 0.062
C12 0.084 0.082 0.084 0.083 0.084 0.081 0.083 0.083 0.083 0.087 0.083 0.083
C13 0.022 0.018 0.061 0.035 0.422 0.047 0.196 0.110 0.026 0.016 0.018 0.029
C14 0.090 0.077 0.078 0.065 0.077 0.104 0.074 0.079 0.062 0.063 0.123 0.109
C15 0.011 0.022 0.075 0.086 0.065 0.215 0.011 0.075 0.054 0.194 0.075 0.118

4.2 评价结果分析

4.2.1 供应链韧性评价结果

测算得到的各地区供应链韧性评价结果见表4。总体来看，各地区供应链韧性指数差距较大，广东以绝对优势排名第一，供应链韧性为0.696，其次为上海、江苏、浙江。从风险抵抗能力来看，各地区呈现梯度划分特点，广东、上海、江苏、浙江保持领先优势，其次为北京、重庆、安徽、湖北，韧性排名靠中间的地区差异较小，四川、天津则较大程度落后于其他地区。由协调能力指数判断出各地区供应链的协调类型，结果如表5所示。供应链各环节达到协调的有广东、上海、江苏、浙江、重庆，其中，广东的供应链各环节协调优势明显，协调能力指数为0.802，达到良好协调等级；安徽、北京、湖北的供应链协调性处于濒临失衡状态，这些地区在扩大产业规模的同时要注重各维度能力的协调互补，避免供应链陷入不稳定状态；河北、湖南、四川、天津由于供应链各方面能力较弱，因此供应链协调能力相对较差。可见，大部分地区的供应链协调性处于濒临失衡及以下状态。此外，风险抵抗能力指数显著较高的地区，其供应链协调能力也较强。
表4 各地区供应链韧性评价结果
地区 风险抵抗能力指数 协调能力
指数		 供应链
韧性指数		 供应链韧性
排名
广东 0.591 0.802 0.696 1
上海 0.527 0.697 0.612 2
江苏 0.483 0.655 0.569 3
浙江 0.368 0.576 0.472 4
重庆 0.296 0.514 0.405 5
安徽 0.279 0.490 0.384 6
北京 0.301 0.417 0.359 7
湖北 0.256 0.445 0.351 8
河北 0.202 0.394 0.298 9
湖南 0.223 0.365 0.294 10
四川 0.118 0.329 0.223 11
天津 0.146 0.274 0.210 12
表5 各地区供应链协调类型
地区 类型 协调能力指数范围
广东 良好协调 （0.8, 0.9]
上海、江苏 初级协调 （0.6, 0.7]
浙江、重庆 勉强协调 （0.5, 0.6]
安徽、北京、湖北 濒临失衡 （0.4, 0.5]
河北、湖南、四川 轻度失衡 （0.3, 0.4]
天津 中度失衡 （0.2, 0.3]
供应链韧性指数的分布情况如图4所示。各地区供应链韧性指数主要分布在0.2~0.7，供应链韧性水平整体较弱；大部分地区的韧性水平分布在0.2~0.5，占总样本的1/2以上。其原因在于，目前国内大部分地区智能网联新能源汽车产业发展正处于起步阶段，各方面布局尚不完善，导致供应链面对外部冲击时的稳定性不足。
图4 地区供应链韧性分布直方图

4.2.2 评价结果合理性检验

为验证评价结果的有效性，将供应链韧性评价结果与智能网联新能源汽车实际产量进行比较，结果如图5所示。采用Pearson检验对两项数据进行相关性分析，在1%的显著水平下相关性系数P值为0.862，即供应链韧性水平与智能网联新能源汽车实际产量呈正向高度相关关系，说明各地区供应链韧性评价结果与实际相符，本研究构建的方法体系能较好地衡量智能网联新能源汽车供应链韧性。
图5 各地区供应链韧性与智能网联新能源汽车实际产量对比

4.3 供应链韧性等级划分

以供应链韧性指数和实际汽车产量作为数据集进行K-means聚类分析，异常值处理后的聚类结果如图6所示。由聚类结果可知，所有数据被划分为两簇，据此将供应链韧性划分为高韧性和低韧性两个等级。以两个聚类中心的中点作为等级划分界限，可得不同等级在供应链韧性和汽车产量两个指数的划分阈值分别为0.37和62.07。因此，广东、江苏、浙江、上海、重庆和安徽被划分为高韧性地区，天津、湖北、四川、北京、河北和湖南被划分为低韧性地区。
图6 K-means聚类散点图
比较不同韧性等级地区在供应链5个环节的风险抵抗能力，如图7所示。可以看出，高韧性地区在供应链各环节能力均优于低韧性地区，且主要在供应链上游的研发、供应、生产环节具有显著优势，其中，两个等级在零部件配套力的差距最大，在该环节的评分均值分别为0.517和0.106，差值为0.411。这凸显了高韧性地区在产业基础、资源整合和人才吸引方面的显著优势，而相对较低的原材料和零部件对外依赖度，使得该类地区在供应和生产环节展现出较强的抗风险能力。低韧性地区的产业基础较为薄弱，在关键零部件配套、技术研发能力、供应链协同机制等方面存在不足，导致其在供应链各环节的自主可控能力较弱，更容易面临断链风险。相比之下，两个等级在后市场服务保障力方面的差距则较小。因此，对于高韧性地区，一方面要保持其发展优势和协调能力，防止供应链平衡遭到破坏导致韧性下降；另一方面要加强供应链下游各环节的保障服务，进一步提高供应链整体效能。对于低韧性地区，应有针对性地加大对供应链上游零部件、原材料等供应环节的技术突破和基础建设，同时培养自身长板，提高产业竞争力。
图7 不同韧性等级地区供应链各环节风险抵抗能力对比

4.4 供应链韧性影响因素分析

根据3.4节的计算方法测算得到不同供应链韧性等级地区在供应链抵抗能力下各三级指标的障碍度，如图8所示。
图8 不同韧性等级地区三级指标障碍度
由图8可知，高韧性地区的指标障碍度主要分布在0~2，低韧性地区则主要分布在1~3.5。此外，虽然不同韧性等级地区的指标障碍度大小具有明显差距，但在高障碍度指标的分布具有相似性。对两个韧性等级地区各项指标的平均障碍度分别进行计算，发现高障碍度的指标都集中在维修保养企业聚集密度、经销商聚集密度、专利发布数量、零部件供应商数量和新能源汽车产量这5个指标，高韧性和低韧性等级地区在这5个指标的平均障碍度分别为1.25, 1.06, 0.80, 0.76, 0.67和2.38, 2.06, 1.58, 1.52, 1.39。具体来看，首先，在新能源汽车售后阶段的全生命周期保障过程中，电池、车载系统等核心部件的技术复杂性对汽车的售后服务提出了更高要求，而维修保养企业聚集密度的高障碍度则体现了目前各地区在售后服务网点布局的不足；其次，经销商聚集密度的高障碍度说明地区在快速响应市场需求变化方面的灵活性不足；专利发布数量与零部件供应商数量体现了各地区在核心技术攻关能力（如芯片、操作系统）与本地化、多元化配套体系方面较薄弱，这是目前大多地区产业发展中面临的共同难题；新能源汽车产量则反映了地区产业规模效应对产业韧性的基础支撑作用尚未充分发挥，制约了供应链整体效能的提升。

5 结束语

本研究基于智能网联新能源汽车供应链研发、供应、生产、销售、售后5个组成环节，从风险抵抗能力和协调能力两个维度构建了智能网联新能源汽车供应链韧性组成框架，得到以下主要结论。
1）各地区供应链韧性与实际汽车产量数据呈现正向高度相关，本研究构建的评价体系能有效衡量智能网联新能源汽车供应链韧性水平。
2）各地区供应链韧性水平具有差距显著且总体偏弱的特点，其中：广东、江苏、浙江、上海、重庆、安徽为高韧性地区，天津、湖北、四川、北京、河北、湖南为低韧性地区。相对于低韧性地区，高韧性地区主要在供应链上游环节表现出明显优势，其中，不同韧性等级在零部件配套力的差距最为显著。
3）大部分地区智能网联新能源汽车供应链的协调类型为濒临失衡及以下状态，且当供应链各环节的风险抵抗能力足够强时，供应链的协调能力也较强。
4）低韧性地区的指标障碍度明显高于高韧性地区，但两个韧性等级地区的主要影响因素具有较强一致性，维修保养企业聚集密度、专利发布数量、零部件供应商数量、新能源汽车产量、经销商聚集密度5个指标是阻碍供应链效能提升的主要因素。
本研究充分考虑供应链各环节的组成要素，从风险抵抗能力和协调能力两个维度构建了供应链韧性组成框架，为后续供应链韧性研究提供了新思路。但随着智能网联新能源汽车技术的革新，供应链将不断面临新的风险挑战，后续研究可在本文指标体系基础上，从社会环境、经济发展、政策支持等多个维度进一步完善指标，并深入探索供应链各环节的韧性提升路径。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
魏际刚, 王超. 构建安全韧性的新能源汽车全球供应链体系[J]. 新经济导刊, 2024(11):42-49.

[2]
CHRISTOPHER M, PECK H. Building the resilient supply chain[J]. International Journal of Logistics Management, 2004, 15(2): 1-13.

[3]
曾宪奎. 在高质量发展中提升产业链供应链韧性和安全水平[J]. 宁夏社会科学, 2023(2):101-107.

[4]
江英, 隋广军, 杨永聪. 自贸试验区建设助推产业链供应链韧性提升的机理及路径——以粤港澳大湾区为例[J]. 国际贸易, 2023(6):55-63.

[5]
郭健. 农业产业链韧性测度与时空演化研究[D]. 南京: 南京工业大学, 2024.

[6]
綦方中, 张磊磊. 基于改进灰色预测模型的供应链韧性评价与预警研究[J]. 工业技术经济, 2022, 41(12):100-107.

[7]
王泽宇, 唐云清, 韩增林, 等. 中国沿海省份海洋船舶产业链韧性测度及其影响因素[J]. 经济地理, 2022, 42(7):117-125.

[8]
HUANG Z, ZHOU Y, LIN Y, et al. Resilience evaluation and enhancing for China′s electric vehicle supply chain in the presence of attacks: A complex network analysis approach[J]. Computers & Industrial Engineering, 2024, 195: 110416. DOI: 10.1016/j.cie.2024.110416

[9]
KIM Y, CHEN Y, LINDERMAN K. Supply network disruption and resilience: A network structural perspective[J]. Journal of Operations Management, 2015, 33-34(1): 43-59.

[10]
贺远琼, 欧阳航, 孟家琪. 我国区域供应链韧性测度及时空分异特征研究[J/OL]. 软科学, 2025:1-17. (2025-03-11)[2025-06-17]. http://kns.cnki.net/kcms/detail/51.1268.g3.20250310.1706.006.html.

[11]
卢昱嘉, 陈秧分, 吴振磊. 全球供应链风险评估与韧性测度——以大豆为例[J]. 地理学报, 2024, 79(10):2651-2669.

[12]
张义博. 产业链安全内涵与评价体系[J]. 中国经贸导刊, 2021(10):55-59.

[13]
盛朝迅. 新发展格局下推动产业链供应链安全稳定发展的思路与策略[J]. 改革, 2021(2):1-13.

[14]
王晓红, 郭霞. 新冠疫情后我国产业链外移及产业链竞争力研究——以集成电路产业链为例[J]. 国际贸易, 2020(11):18-27.

[15]
李伟, 贺俊. 基于能力视角的产业链安全内涵、关键维度和治理战略[J]. 云南社会科学, 2022(4):102-110.

[16]
陈晓东, 杨晓霞. 数字经济可以实现产业链的最优强度吗?——基于1987—2017年中国投入产出表面板数据[J]. 南京社会科学, 2021(2):17-26.

[17]
宋华. 中国供应链韧性建设与高质量发展:内涵、机制与路径[J]. 供应链管理, 2023, 4(9):5-24.

[18]
蓝婷婷, 邵留国. 中国清洁能源金属产业链供应链韧性评估[J]. 资源科学, 2025, 47(4):891-906.

[19]
马潇宇, 黄明珠, 杨朦晰. 供应链韧性影响因素研究:基于SEM与fsQCA方法[J]. 系统工程理论与实践, 2023, 43(9):2484-2501.

[20]
SIAGIAN H, TARIGAN Z, JIE F. Supply chain integration enables resilience, flexibility, and innovation to improve business performance in COVID-19 era[J]. Sustainability, 2021, 13(9): 4669. DOI: 10.3390/su13094669.

[21]
宋华, 陈思洁. 供应链网络惯性与供应链动态能力[J]. 北京交通大学学报(社会科学版), 2017, 16(4):80-87.

[22]
袁中华, 李佩宁, 万欢. 新质生产力视域下制造业产业链供应链韧性测度——以广西为例[J/OL]. 新疆师范大学学报(哲学社会科学版).(2025-05-07)[2025-06-17]. https://doi.org/10.14100/j.cnki.65-1039/g4.20250506.001.

[23]
宋跃刚, 王紫琪. 新质生产力与制造业产业链供应链韧性:理论分析与实证检验[J]. 河南师范大学学报(自然科学版), 2024, 52(5):29-42.

[24]
朱永光, 张伍丰, 王迪, 等. 中国铜资源产业链供应链韧性评价[J]. 资源科学, 2023, 45(9):1761-1777.

[25]
张娇, 苏洋, 刘维忠, 等. 中国棉花产业链韧性评估及影响因素分析[J]. 棉花学报, 2024, 36(5):408-419.

[26]
ROY R, GAIN A, SAMAT N, et al. Resilience of coastal agricultural systems in Bangladesh: Assessment for agroecosystem stewardship strategies[J]. Ecological Indicators, 2019, 106:105-120. DOI: 10.1016/j.ecolind.2019.105525

[27]
吕越, 邓利静. 着力提升产业链供应链韧性与安全水平——以中国汽车产业链为例的测度及分析[J]. 国际贸易问题, 2023(2):1-19.

[28]
樊雪梅, 卢梦媛. 新冠疫情下汽车企业供应链韧性影响因素及评价[J]. 工业技术经济, 2020, 39(10):21-28.

[29]
翁钢民, 唐亦博, 潘越, 等. 京津冀旅游—生态—城镇化耦合协调的时空演进与空间差异[J]. 经济地理, 2021, 41(12):196-204.

[30]
周碧华, 吴秋明. 基于AHP的产业集群综合评价指标体系研究[J]. 现代管理科学, 2006(2):66-68,115.

[31]
菲利普·科特勒, 洪瑞云, 梁绍明, 等. 市场营销管理(亚洲版·第二版)[M]. 梅清豪,译. 北京: 中国人民大学出版社, 2003.

[32]
沈国兵. 中国重点产业链供应链行业产品进口韧性评估[J]. 广西师范大学学报(哲学社会科学版), 2025, 61(3):96-113.

[33]
AHMADI S, SABOOHI Y, VAKILI A. Frameworks, quantitative indica-tors, characters, and modeling approaches to analysis of energy system resilience: A review[J]. Renewable and Sustainable Energy Reviews, 2021, 144:110988. DOI: 10.1016/j.rser.2021.110988.

[34]
张秀艳, 白雯, 郑雪. 我国区域经济韧性的关联识别与演化特征分析[J]. 吉林大学社会科学学报, 2021, 61(1):90-101.

[35]
刘玒玒, 刘书芳. 祁连山地区复合生态系统韧性时空演化及障碍因子识别[J]. 干旱区地理, 2024, 47(2):237-247.

[36]
栗欣如, 姜文来, 冯欣. 我国水利绿色发展水平测算分析[J]. 中国农业资源与区划, 2021, 42(1):7-17.

[37]
郑明贵, 倪京生, 罗来文, 等. 中国石油资源产业链供应链安全评价[J]. 中国矿业, 2025, 34(2):99-110.

[38]
智慧芽. 专利检索数据库[DB/OL].(2024-12-29)[2025-02-11]. https://www.zhihuiya.com/.

[39]
盖世汽车. 配套企业库[DB/OL].(2024-07-31)[2025-02-05]. https://auto.gasgoo.com/.

[40]
太平洋汽车. 经销商数据库[DB/OL]. (2025-01-30)[2025-02-24]. https://www.pcauto.com.cn/.

[41]
天眼查. 企业库[DB/OL]. (2025-02-30)[2025-03-10]. https://www.tianyancha.com/.

[42]
汽车人才研究会. 中国汽车产业从业者不少于2228万人,研发工程师不少于114.2万人！[EB/OL].(2024-07-09)[2025-03-10]. https://mp.weixin.qq.com/s/qCz7i7vmz6LydihJ9a8leQ.

[43]
中国充电联盟. 2024年全国电动汽车充换电基础设施运行情况[EB/OL].(2025-01-23)[2025-02-25]. https://mp.weixin.qq.com/s/WYrM2YdywHRaZR79Ku6dZw.

Options
文章导航

/

〈 〉

版权所有 © 《交通运输研究》编辑部　
京公网安备 11010102003417号    京ICP备17006742号-3
地址：北京市朝阳区北土城东路11号北京书院办公楼　邮编：100029
电话：010-58278983 Email：jtysyj@vip.163.com
本系统由北京玛格泰克科技发展有限公司设计开发