本文介绍了一项由Divya Singhvi、Somy Singhvi和Xinyu Zhang三位研究者合作完成的研究。Divya Singhvi和Xinyu Zhang隶属于纽约大学Leonard N. Stern商学院，而Somy Singhvi则来自南加州大学Marshall商学院。该研究成果以论文“A Data-Driven Approach to Improve Artisans’ Productivity in Distributed Supply Chains”的形式，于2025年10月27日在线发表在期刊《Operations Research》（卷74，第1期，pp. 281-300）上，该刊由INFORMS出版。

学术背景与研究动机

这项研究属于运营管理（Operations Management）领域，特别是关注发展中国家和分布式供应链背景下的社会责任运营（Socially Responsible Operations）与可持续运营（Sustainable Operations）。全球手工业市场价值巨大（例如2017年约5260亿美元），是发展中国家的主要就业来源，尤其为农村女性提供了大量工作岗位。然而，以小型、分散生产者为特征的“分布式供应链”（distributed supply chains）普遍面临生产率低下和贫困率高企的挑战。一个核心难题在于，由于供应链上游高度分散、地理位置偏远，难以实施有效的管理和干预措施。

现有文献关于监督（supervision）对生产率的影响结论不一。一方面，监督可以通过确保最佳实践、提供反馈和激励工人来提高效率；另一方面，频繁检查可能导致工作分心、压力增大，反而损害生产率。此外，在资源受限的农村地区，面对面的实体监督仍是主流，但关于如何在这种独特环境下优化监督实践、其效果如何，以及能否真正提升手工艺人（artisans）的生产率，仍缺乏可靠的实证证据。

因此，本研究旨在通过一个具体的案例，深入探究并解决以下核心研究问题：第一，监督（具体指监管人员的访问频率）对手工艺人的生产率有何因果性影响？第二，哪些因素（例如任务难度、访问规律性）会影响监督的有效性？第三，在实践中，如何优化监管人员的运营（如访问排程与路径规划），以切实提升生产率？

为了实现这些目标，研究者与印度领先的手工地毯出口商之一——Jaipur Rugs公司展开了紧密合作。该公司雇佣了印度北部数百个村庄的数千名农村编织工，其中约80%为女性，其供应链结构具有典型的分布式、碎片化特征，为研究提供了理想的现实实验室。

详细研究流程与方法

本研究采用了多方法（multimethod）研究路径，结合了实地考察、定性调查、实证计量分析和优化建模与现场实施。

第一阶段：实地考察与数据收集 研究团队对Jaipur Rugs的供应链进行了多次实地走访，与编织工、监管人员和分支经理等利益相关者进行了深入交流，以理解地毯编织的操作流程、监管模式以及面临的挑战。基于这些洞见，他们获得了两个核心数据集： 1. 地毯级别数据集：包含了2017年至2021年间分配给编织工的所有地毯的详细信息。每条记录涵盖地毯的设计代码、材质、尺寸、颜色数量、编织密度、分配的织机与监管员、分配日期、完成所需天数以及地毯长度。关键因变量“编织速率”（weaving rate）通过“地毯长度/完成天数”计算得出，代表了织工每日的平均产出英寸数。 2. 监管员访问数据集：记录了每条地毯编织期间，监管员进行现场访问的具体日期。基于此，可以计算出每条地毯的“平均访问间隔天数”（average days between visits），这是本研究关注的核心自变量，用于衡量监督频率。

此外，研究还收集了织机和监管员家庭的地理位置（用于计算驾车距离作为工具变量）、卫星温度数据等。

第二阶段：实证计量分析 本阶段的目标是识别监督频率对编织速率的因果影响。主要计量经济学挑战是潜在的内生性（endogeneity），例如反向因果（生产率低可能导致监管员增加访问）和遗漏变量偏误。研究采用了以下策略： 1. 固定效应模型：作为基准模型，控制了织机固定效应（捕捉织机个体差异）、收割季节和年份固定效应，以及一系列协变量，包括地毯特征（密度、颜色数等）、织工和监管员经验（根据历史编织/监督的总绳结数分类）、平均温度等。标准误在织机层面聚类。 2. 工具变量法：为了更干净地识别因果关系，研究采用“监管员家庭到织机所在地的驾车距离”作为工具变量（instrumental variable）。其逻辑是：距离越远，访问成本越高，访问频率应越低（相关性）；而距离本身不应直接影响编织速率（排除性约束）。这有助于缓解因反向因果等导致的内生性问题。 3. 异质性分析：在确立主效应后，研究进一步检验了两个调节效应假设：任务难度和访问规律性。通过引入交互项（interaction term）进行回归分析，探究平均访问间隔天数对编织速率的影响是否会因地毯编织难度（以编织密度和颜色数量作为代理变量）或访问间隔的方差（衡量访问日程的一致性）的不同而存在差异。

第三阶段：优化框架开发（理论建模与离线评估） 实证分析证明了更频繁、更规律的访问能提高生产率，但均匀增加所有织机的访问在操作上不可行（受限于监管员的工作时间）。因此，研究提出了一个数据驱动的优化框架，旨在智能分配有限的监管资源。 1. 预测模型：首先，利用历史地毯数据训练机器学习模型（如随机森林），以预测当前正在编织的地毯的“编织速率”。特征包括地毯属性、织工历史表现等。 2. 优化建模：基于预测的编织速率和实证估计出的监督效果参数（β，即访问间隔变化1天对编织速率的影响百分比），研究构建了两种混合整数规划模型来优化未来一段时间（如一周）的监管员访问排程与路径： * OSVP-Joint（联合优化）：该模型同时决定每个村庄的访问次数和具体的每日访问路径，目标是最小化所有地毯的预测编织速率与公司设定的基准速率之间的总差距（仅考虑低于基准的部分）。约束条件包括监管员每日最大工作时长、旅行时间、每个织机的基本访问要求等。这是一个复杂的组合优化问题。 * OSVP-Bilevel（双层优化）：这是一个更实用、计算效率更高的模型。它首先根据预测结果，为每个村庄设定一个预定的目标访问次数（例如，预测为低生产率的地毯所在村庄目标为每周访问2次，高生产率的访问1次）。然后，优化模型的目标是找到一条监管员路径，使得实际访问次数尽可能接近这些预定目标，同时满足旅行和工作时长约束。 3. 离线评估：研究使用历史数据分割出的测试集，模拟了上述优化策略的实施效果。评估指标重点关注优化后的排程是否成功地将更多的访问次数分配给了实际生产率低的地毯。结果表明，两种优化策略都比现状基准更有效地分配了访问资源，其中OSVP-Joint策略效果最强，但OSVP-Bilevel策略在计算效率和操作简易性上更具优势。

第四阶段：现场实施与影响评估 基于离线评估结果和与Jaipur Rugs的商讨，研究选择了OSVP-Bilevel模型进行实地实施。 1. 实施设计：在Jaipur Rugs的一个主要分支进行了一项为期25周（约6个月）的实地实验。该分支的监管员被分为两组：处理组（treatment group）的监管员按照研究团队每周生成的优化路径进行访问；对照组（control group）的监管员则继续沿用原有的自主规划方式。 2. 实施过程：每周，研究团队根据最新的织机进度数据，运行优化模型，为每位处理组监管员生成下一周的访问日程（按天列出要访问的村庄序列），并提供可视化工具以方便使用。实施前与监管员和分支经理进行了沟通，并纳入了他们的实际操作反馈（如调整旅行速度参数、避免连续两天访问同一织机等）。 3. 影响评估方法：为了评估实施效果，研究采用了双重差分法（Difference-in-Differences, DID）。收集了实施前后处理组和对照组所有监管员访问的详细数据（包括两次访问间完成的编织进度）。通过比较处理组和对照组在实施前后编织速率的变化差异，来估计优化排程实施所带来的影响。

主要研究结果

1. 监督频率对生产率的正向因果影响：

   • 固定效应模型估计显示，平均访问间隔天数每增加一天（即访问频率降低），编织速率显著下降2.4%。
   • 工具变量分析提供了更强的因果证据，估计结果显示，平均访问间隔天数每减少一天（即访问频率提高），编织速率将显著提高8.5%。由于织工按件计酬，这直接等同于其月收入的潜在增长。这一结果为研究假设1(a)提供了强有力的支持，表明在分布式手工业供应链中，增加实体监督频率能够有效提升生产率。

2. 任务难度的调节效应：

   • 异质性分析发现，监督对生产率的积极影响在编织难度更大的地毯上更为显著。具体而言，对于高编织密度（如64或121结/平方英寸）或颜色数量更多的地毯，增加访问频率带来的生产率提升幅度更大。这支持了研究假设2。研究者结合实地调查指出，监管员访问有助于及时发现并纠正复杂的编织错误（如斜织、用错线），并为从事高难度任务的织工提供必要的激励，这些对于高难度任务尤为关键。

3. 访问规律性的调节效应：

   • 分析表明，访问日程的一致性（consistency，即访问间隔时间的方差小）能进一步增强监督的效果。与访问间隔不规律的情况相比，在访问频率相同的前提下，访问越规律，编织速率越高。这支持了竞争性假设3(b)。规律性的访问有助于建立预期和信任，可能使激励效果更持续，而突如其来的访问可能带来压力。

4. 优化框架的离线与在线效果：

   • 离线模拟显示，两种优化策略（尤其是OSVP-Bilevel）都能将监管访问更精准地导向预测为低生产率的织机，从而在理论上减少低产出的地毯比例。
   • 现场实施的DID分析结果表明，在控制了织机固定效应、月份效应和地毯特征后，实施优化排程的处理组织机，其编织速率相比对照组有了16.7%的统计学显著提升。这一增幅大于前期实证分析估计的8.5%，研究者认为可能归因于多种因素的综合作用，例如监管员因参与实验而提高了投入度、优化策略的每周动态调整，以及处理组织机本身具有更大的提升空间（基线生产率较低）。

结论与意义

本研究得出结论：在分布式的、劳动密集的手工业供应链中，优化实体监督操作——通过增加访问频率、确保访问规律性，并利用数据驱动方法智能调度监管资源——是提升手工艺人生产率和收入的一个有效且可实施的渠道。这对于致力于减贫和赋能农村女性（该行业的主要劳动力）的组织和企业具有重要启示。

研究的科学价值与应用价值： * 学术贡献：本研究首次在分布式手工业供应链背景下，提供了关于实体监督对生产率影响的严谨实证证据，并揭示了任务难度和访问规律性两个重要的边界条件。它将运营管理中的实证分析、优化建模与现场实验相结合，展示了多方法研究在解决复杂社会运营问题上的力量。研究补充了关于基础金字塔（Base of the Pyramid）运营、社会责任运营以及劳动力生产率管理的文献。 * 实践意义：研究提出的数据驱动优化框架具有直接的实践应用价值。不仅适用于Jaipur Rugs，其核心洞察（频繁、规律、有针对性的监督）和优化方法可以推广到其他具有类似结构的分布式供应链，例如摩洛哥的Anou、印度的Fab India、肯尼亚的Soko等平台，以及农业供应链等资源受限的环境。研究证明，通过优化内部运营而非仅仅增加资源投入，可以实现制造商与手工艺人的双赢。

研究亮点

1. 重要的实证发现：清晰量化了监管员访问频率对编织生产率的正面因果效应（工具变量估计为8.5%的提升），并发现了任务难度和访问规律性的调节作用，这些发现具有理论和实践指导意义。
2. 新颖的研究方法：采用“实证洞察驱动优化建模，再通过现场实施验证”的完整闭环研究设计。将计量经济学、机器学习和运筹学优化模型有机结合，为解决现实世界中的运营问题提供了一个强有力的范式。
3. 特殊的研究对象与社会意义：聚焦于发展中国家分布式手工业供应链这一独特且重要的场景，研究对象是通常被主流运营管理研究忽视的农村女性手工艺人。研究不仅追求科学发现，也明确以实现积极的社会影响（提高收入、减贫）为目标，体现了运营管理学科的社会责任。
4. 理论与实践的紧密结合：与业界伙伴Jaipur Rugs的深度合作贯穿始终，从问题定义、数据获取到最终方案的设计与实施，确保了研究的现实相关性和可行性，并为学术界如何与企业合作创造实际影响提供了范例。

其他有价值的要点

研究也坦诚地指出了局限性，为未来研究指明了方向：例如，由于数据限制，未能直接量化监督减少错误的具体机制；优化框架未将“访问规律性”作为核心优化目标联合求解；现场实施由于非随机分组和样本量限制，其因果推断强度受限等。这些坦诚的讨论增强了研究的严谨性。研究还分享了现场实施中的宝贵经验，如平衡方案个性化与可推广性、开发用户友好工具的重要性，以及数据收集管理的挑战，这些对于后续类似干预措施的设计和实施具有参考价值。