2026年10月4日 · 星期日
| 主题 | 检索期刊 | 收录论文数 |
|---|---|---|
| AI大模型 | Robotics and Computer-Integrated Manufacturing、Complex & Intelligent Systems、Journal of Intelligent Manufacturing | 4 |
| 供应链金融 | Cogent Economics & Finance、Journal of Accounting, Auditing & Finance、IISE Transactions | 4 |
| 品牌 | European Business Review、Journal of Political Marketing、Journal of Media Business Studies | 4 |
| 合计 | 9 本 | 12 篇 |
注：本期 9 本期刊均为此前未检索过的新增期刊（已与服务器 searched_journals.json 中 AI大模型 199 本、供应链金融 161 本、品牌 170 本记录逐条去重核对）；文献元数据（作者、卷期、页码、DOI、摘要）经出版商官网、Crossref 及 EconPapers/RePEc、dblp、MTMT 等索引页面交叉核对。期刊级别：AI 大模型与供应链金融主题含 SCI 2 区及以上期刊（Robotics and Computer-Integrated Manufacturing、Complex & Intelligent Systems、Journal of Intelligent Manufacturing、IISE Transactions）与 SSCI 收录的 Journal of Accounting, Auditing & Finance；品牌主题因主流 SSCI 品牌期刊此前已基本检索完毕，本期按规则降级选用 ESCI/Scopus 收录的专业期刊，级别已如实标注。此外，品牌主题另试探性检索 Journal of Customer Behaviour，未命中 2025—2026 年品牌资产/品牌战略方向的新文献，未计入本期。
本文面向工业 5.0 对“人的角色与需求”的关注，系统综述大语言模型（LLM）在智能制造中的应用：LLM 凭借类人交互、推理与应答能力，可在感知、学习、决策与执行各环节为人类提供辅助、甚至成为“伙伴”；文章界定了 LLM 的概念、内涵与基础架构，梳理医疗健康、药物发现等跨领域应用，并识别该交叉领域中研究潜力较高的方向。
当前，工业 5.0 开始受到关注，其主张智能制造应充分考虑人的角色与需求。在这一背景下，如何增强人的能力、甚至把人从感知、学习、决策与执行的过程中解放出来，已成为智能制造亟待解决的关键问题之一。大语言模型（LLM）作为新一代人工智能的突破，能够提供适用于多种应用场景的类人交互、推理与应答，因而在帮助人类或成为人类伙伴、参与智能制造的感知、学习、决策与执行方面展现出巨大潜力。LLM 与智能制造的结合具有内在优势，有望成为下一个研究热点。为此，本文主要对 LLM 在智能制造中的应用开展系统性文献综述，以识别具有高研究潜力的主题。文章首先揭示 LLM 的概念、内涵与基础架构；随后梳理若干典型且具趋势性的跨领域 LLM 应用（如医疗健康、药物发现等），并在此基础上识别智能制造场景中值得深入研究的方向与挑战。
文章通过文献综述厘清工业 5.0 情境下 LLM 在数字孪生（DT）中的角色与功能，提出名为 Interactive-DT 的 LLM-DT 融合框架，阐明 LLM 在边缘层、DT 层与服务层三类层次中的职责与技术路径，并归纳该方向的研究空白与前景，指出 LLM 可通过改进 DT 的构建与运行、增强云边协同和复杂数据分析来提升 DT 能力。
在工业 5.0 中，人类的创造力与人工智能、机器人等前沿技术相结合，以可持续发展和人类福祉为核心推动制造业变革，数字孪生（DT）已成为实时优化的关键。然而，大规模系统下 DT 管理的复杂性在数据传输、数据分析和高级应用方面带来挑战，而大语言模型（LLM）有望对此加以应对。本研究首先开展文献综述，考察工业 5.0 情境下 LLM 在 DT 中的角色与功能；随后提出名为 Interactive-DT 的 LLM-DT 融合框架，揭示 LLM 如何被有效集成并在 DT 环境中运行的技术路径，并分别阐述 LLM 在边缘层、DT 层与服务层中的角色与功能；最后梳理并讨论 LLM 与 DT 融合领域的研究空白与前景。研究结果表明，LLM 有望通过改进 DT 的构建与运行、增强云边协同以及更复杂的数据分析来提升 DT 的能力，从而支撑智能制造中的人机协同。
针对大语言模型参数规模庞大带来的部署成本问题，本文系统综述最新的模型压缩技术，围绕剪枝（结构化与非结构化）、量化、知识蒸馏与神经架构搜索（NAS）等基础方法的机理、优势与权衡展开比较，讨论其在不同任务与平台上的组合使用，并展望高效部署面临的挑战与未来方向。
大语言模型（LLM）的高效部署需求推动了压缩技术的发展，目标是在不显著损害任务性能的前提下降低模型规模、推理时延与内存占用。核心方法包括剪枝、量化、知识蒸馏与神经架构搜索（NAS），各具优势与权衡，且常被组合使用以在不同任务与平台上最大化整体效率。本文对该领域的最新进展进行综述：剪枝通过移除权重、神经元或层等相对不重要的组件来改善内存占用、推理时延与计算效率，可分为结构化剪枝与非结构化剪枝；量化、知识蒸馏与 NAS 则分别从数值精度、教师—学生迁移与架构搜索的角度实现模型轻量化。文章同时讨论这些技术在 LLM 场景中的适用性与局限，并指出未来值得探索的方向。
研究提出面向工业机器人的 LLM 智能体框架，使机器人能依据自然语言指令完成制造任务：LLM 智能体负责分解任务并规划抓取与放置位置，随后自主设计刀具路径（平面任务表现熟练、三维空间任务仍有挑战），并在工业机器人仿真中整合具身智能，实验显示 GPT-4 智能体在任务规划方面表现尤为突出。
本文探讨大语言模型（LLM）提升自主工业机器人能力的潜力，提出将 LLM 集成到工业机器人系统中的框架，使机器人能够依据自然语言指令执行复杂制造任务。研究将整体任务拆解为若干组件：在给定约束条件下，（1）由 LLM 智能体分解任务并规划抓取与放置位置；（2）自主设计刀具路径，结果显示 LLM 智能体在平面任务中表现熟练，而在三维空间任务中仍面临挑战；（3）在工业机器人仿真中整合具身智能，体现了 GPT-4 等 LLM 智能体的适应性。实验结果凸显了 GPT-4 智能体的独特表现，尤其在第三部分的任务规划方面表现突出，表明由 LLM 驱动的具身智能在智能制造中具有应用前景。
文章以 2010—2022 年越南上市非金融企业为样本，考察企业应收账款向目标水平的调整速度，发现越南企业确实会向目标应收账款水平调整，且该过程在新冠疫情期间略有加快；内部融资约束的放松能提升企业缩小与目标水平差距的能力，而 Covid-19 对融资约束与调整速度关系的影响因约束代理变量不同而呈混合效应。
本文以 2010—2022 年越南上市非金融企业为样本，通过分析企业向目标水平的调整速度考察应收账款的动态变化，并特别关注 Covid-19 与融资约束的调节作用。研究发现，越南企业确实会向目标应收账款水平调整，且该过程在新冠疫情期间略有加快；此外，内部融资约束的放松能够增强企业更有效缩小与目标水平差距的能力。据作者所知，这是首项在发展中国家中考察融资约束对应收账款调整速度影响的研究。最后，研究显示 Covid-19 对融资约束与应收账款调整速度之间的关系具有混合影响，具体取决于所采用的融资约束代理变量。基于上述发现，文章为发展中经济体的商业信用管理提供了相关启示。本研究为越南这一金融机构欠发达、信息不对称显著的新兴市场中上市非金融企业的应收账款动态提供了新证据；与以往主要关注总体营运资本调整速度的研究不同，本文把应收账款作为关键的营运资本组成部分单独加以考察。
文章聚焦“供应链分析师”（同时跟踪供应商与其主要客户的分析师）这一此前未被充分研究的角色，考察其在抑制所跟踪企业真实盈余管理（REM）活动中的作用；研究以中国 A 股上市公司中的供应商及其主要客户为公司—年度样本，揭示了分析师跨供应链跟踪所形成的信息优势及其外部治理含义。
本研究考察一类尚未被充分研究的分析师角色——供应链分析师（SCA），即同时跟踪供应商与其主要客户的分析师，并检验其在抑制所跟踪企业真实盈余管理（REM）活动方面的作用。研究使用中国 A 股上市公司中供应商及其主要客户的公司—年度样本展开实证分析，考察供应链分析师对供应商真实盈余管理行为的影响。研究结果有助于理解分析师跨供应链跟踪所形成的信息优势，以及其在公司信息环境与外部治理中可能发挥的作用。
研究以库存缓冲机制为切入点，指出订单异常积压往往预示未来负面需求冲击（即牛鞭效应），而同时持有供应链上下游企业股份的共同机构投资者能够将供应商与其客户的私有信息相互关联；基于供应商—客户配对样本发现，供应链共同机构持股较高的企业，其订单积压与未来股票收益之间的负向关系更弱，表明这类投资者的交易加快了价格对相关信息的吸收。
供应链中各利益相关方之间信息的有效传递对供应链的成功至关重要。供应商为应对需求不确定性而维持库存缓冲；当订单出现异常积压时，往往预示未来负面的需求冲击，即所谓的“牛鞭效应”。同时持有供应链上下游企业股份的共同机构投资者，能够将供应商与其客户的私有信息相互关联。本文以供应商—客户配对为样本，检验供应链共同机构投资者能否识别订单积压所蕴含的牛鞭效应信息。研究发现，供应链共同机构持股较高的企业，其订单积压与未来股票收益之间的负向关系更弱，说明共同机构投资者的交易加快了相关信息被价格吸收的速度，进而有助于改善供应链信息环境与定价效率。
政府与行业标准要求供应链承担社会责任，但供应商违规往往使买方承担成本；文章在供应商责任标准下的损害成本分摊背景下，研究买方的审核设计与供应商的合规决策，围绕供应链风险、安全标准、买方审核与负责任运营等主题，刻画损害成本分担机制对审核与合规激励的影响。
政府与行业标准对供应链的责任提出了要求，但供应商的违规行为往往会给买方带来成本，导致责任与成本在供应链成员之间出现错配。本文在供应商责任标准下的损害成本分摊框架内，研究买方的审核与供应商的合规问题：买方通过审核识别供应商是否遵守安全与责任标准，而损害成本如何在双方之间分摊会影响双方的审核与合规激励。文章围绕供应链风险、安全标准、买方审核、供应商合规与负责任运营等关键词，刻画审核方案与损害成本分担机制的设计及其对合规行为的影响，为构建负责任的供应链提供管理启示。
研究以 Ducoffe 广告价值模型为基础，检验信息性、娱乐性、烦扰性、可信性与感知创造性作为 AI 生成广告价值的前因，并考察 AI 接触经验的调节作用；基于在线问卷与偏最小二乘结构方程模型发现，创造性、娱乐性与烦扰性显著影响 AI 生成广告的感知价值，进而正向影响广告态度与购买意愿。
目的：作为对 Ducoffe 广告价值模型（1995、1996）的拓展，本研究旨在检验信息性、娱乐性、烦扰性、可信性与感知创造性等因素作为人工智能（AI）生成广告价值的前因，同时考察 AI 接触经验（AI exposure）的调节作用。设计与方法：研究采用定量方法，通过在线问卷收集数据，并使用偏最小二乘结构方程模型（PLS-SEM）对假设进行检验。研究发现：结果表明，创造性、娱乐性与烦扰性显著提升 AI 生成广告的感知价值，而感知价值又正向影响广告态度与购买意愿。研究还讨论了上述结论对 AI 生成广告设计与投放实践的意义。
研究以 427 名南非选民为样本，考察政治品牌信任、政治品牌意义、政治品牌形象与政党品牌个性等品牌要素以及政治竞选、媒体等外部影响对政党品牌偏好的作用；结果显示，政治品牌信任、政治品牌形象与政治竞选对政党品牌偏好有显著影响，而政治品牌意义、政党品牌个性与媒体的影响不显著。
本研究旨在评估若干品牌要素（政治品牌信任、政治品牌意义、政治品牌形象与政党品牌个性）以及外部影响（政治竞选与媒体）对南非情境下政党品牌偏好的作用。研究采用非概率抽样，由 427 名选民就其对南非主要政党竞选活动的感知与偏好提供反馈，数据使用 SPSS 29 与 AMOS 29 处理，分别进行描述性统计与结构方程建模。研究发现，政治品牌信任、政治品牌形象与政治竞选对政党品牌偏好具有显著影响；研究同时发现，政治品牌意义、政党品牌个性与媒体对政党品牌偏好的影响不显著。作为一项政治营销研究，本文为政党如何运用品牌化工具提升选民偏好提供了理论与实践启示。
研究聚焦新闻媒体品牌，考察娱乐性与社会互动在塑造消费者品牌参与（CBE）与购买意愿中的作用，并构建有调节的中介模型检验其作用机制；文章回应了多渠道媒体环境下消费者与新闻品牌互动方式的变化，为媒介品牌的参与式营销提供依据。
在当今媒体环境提供众多渠道供新闻媒体品牌与消费者互动的背景下，消费者品牌参与（CBE）——即消费者与品牌之间的互动关系——在媒体行业中比以往任何时候都更为重要。本研究针对新闻媒体品牌，考察娱乐与社会互动在塑造消费者品牌参与及购买意愿过程中的作用，并采用有调节的中介模型刻画其影响机制，以揭示新闻媒体品牌如何通过娱乐体验与社交互动提升消费者的品牌参与水平和购买意愿。
针对以往媒体品牌信任测量偏重理论、可操作性不足的问题，本文在既有媒体品牌信任量表基础上进行精简，提出中版（medium）与短版（short）两套量表：两者在保留“测量媒体品牌信任”这一核心目标的同时，为实践场景提供了不同精度的测量工具，便于在问卷与产业调研中落地使用。
媒体品牌信任及其对消费者行为、对（社会）现实的感知以及媒体环境中广告主效果的影响正受到越来越多的关注。尽管已有文献对媒体信任的本质提供了基础性洞见，但在媒体品牌信任的测量方面，此前仅提出了高度理论化的方法。本文在既有媒体品牌信任量表的基础上，尝试将该量表精简为更适用于实践的形式，由此提出媒体品牌信任量表的中版与短版，在保留核心测量目标（即测量媒体品牌信任）的同时，为使用者提供对构念不同层次洞察力的测量工具。