AI-Logistics Risk Self-Assessment Tool
15 道题，5 个维度，3 分钟自评，自动生成风险雷达图 + 分级管控方案。
专为 AI 物流科技企业设计，基于 COSO (2017)、ISO 31000 (2018) 和改进 FMEA-C 方法论。
AI 物流企业面临五种典型风险——算法出错、数据违规、安全事故、专利纠纷、地缘断供。大多数中小企业没有风控团队，出了问题才知道。
ALRSAT 让非风控人员也能在 3 分钟内完成一次结构化风险自评，拿到一份可落地的管控时间线。
| 入口 | 地址 | 说明 |
|---|---|---|
| ⭐ GitHub Pages | jinli-ping.github.io/ALRSAT | 推荐，双击即用 |
| 🌐 Flask 完整版 | jinli.pythonanywhere.com | 含后端服务 |
| 📂 离线版 | 下载 ALRSAT.html 双击打开 |
无需网络 |
| 功能 | 说明 |
|---|---|
| 五维评估 | 算法可靠性 · 数据合规 · 物流安全伦理 · 知识产权保护 · 地缘博弈应对 |
| 15 题量表 | 每维度 3 题，1~5 分，含反向题自动反转 |
| 雷达图 | Chart.js 实时渲染，五维保护率一目了然 |
| 三级管控 | 立即行动（24h）→ 短期改进（1周）→ 长期建设（1月），按风险等级自动产出 |
ALRSAT/
├── ALRSAT.html # 纯前端单文件版（可离线使用）
├── index.html # GitHub Pages 入口
├── app.py # Flask 后端（含完整量表 + 评分逻辑）
├── requirements.txt # Python 依赖
├── 启动ALRSAT.bat # Windows 一键启动
├── docs/ # 截图 & 素材
│ ├── 1-assessment.png
│ ├── 2-result.png
│ ├── 3-radar.png
│ └── 4-suggestions.png
├── README.md
└── LICENSE
# 方式一：Flask（有后端）
pip install flask
python app.py
# 打开 http://localhost:5000
# 方式二：纯前端（无需安装任何东西）
# 直接双击 ALRSAT.html| 得分 | 等级 | 含义 |
|---|---|---|
| 60 ~ 75 | 🟢 低风险 | 体系完善，每 6 个月复评 |
| 40 ~ 59 | 🟡 中风险 | 存在 1~3 个短板，每 3 个月复评 |
| 15 ~ 39 | 🔴 高风险 | 系统性缺陷，立即整改，每月复评 |
标注 ★ 的题目（Q3/Q6/Q9/Q12/Q15）自动执行 实际得分 = 6 - 填写分，例如：填写"完全符合"（5 分）→ 实际得分 1 分（表示该风险敞口最大）。
本工具基于以下国际风险管理标准：
- COSO (2017) — 企业风险管理整合框架，全球上市公司风控合规的事实标准
- ISO 31000:2018 — 风险管理指南，适用于任何类型、规模的组织
- FMEA-C — 在传统失效模式与影响分析（FMEA）基础上引入场景复杂度权重，将定性判断转化为可量化、可比较的结构化评分
五维风险框架和 15 项评估指标针对 AI 物流科技企业做了行业适配——每条题目对应真实的合规风险敞口。
- AI 物流 / 无人配送 / 智能仓储 创业团队
- 没有专职风控岗位的中小科技企业
- 投资人尽调辅助
- 高校《风险管理》《物流管理》教学案例
| 工具 | 定位 | 链接 |
|---|---|---|
| LogisticsOps | 物流运营小助手 — 订单分析 · 库存预警 · 供应商评分 | GitHub · 在线体验 |
两个工具互补，覆盖「风险管控」+「日常运营」完整链路。
如果这个工具对你有用，给个 Star ⭐ 就是最好的鼓励。
作者： jinli-ping · 湖北第二师范学院 · 经济与管理学院
MIT © 2026 湖北第二师范学院经济与管理学院