طبقه بندی و تخصیص تأمین کنندگان به مشتری در زنجیره تأمین تاب آور با استفاده از یادگیری ماشین (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
انتخاب و تخصیص در زنجیره تأمین تاب آور، زمانی که اختلال زنجیره تأمین را تهدید می کند، به عنوان یک تصمیم استراتژیک و به کانون پژوهش های بسیاری تبدیل شده است؛ از سوی دیگر افزایش کاربردهای یادگیری ماشین در سراسر مطالعات زنجیره تأمین به ظهور روش های تصمیم گیری سریع تر و مطمئن تر منجر شده است، بااین حال در مطالعات کمی از یادگیری ماشین برای مقابله با مشکل انتخاب و تخصیص تأمین کننده به مشتری در حالت تاب آور استفاده شده است. هدف پژوهش حاضر برداشتن گامی در جهت رفع این شکاف با استفاده از الگوریتم های یادگیری ماشین بر روی داده های دنیای واقعی از زنجیره تأمین خودرو در ایران است. بدین منظور از داده های عملکردی441 تأمین کننده و 7 مشتری در سال 1401 استفاده شد. در این پژوهش از دو الگوریتم خوشه بندی برای تولید برچسب بر اساس مفهوم ظرفیت تاب آوری استفاده شده است؛ سپس ازآنجاکه تفسیرپذیری نتایج در اولویت قرار داشت، بر اساس لیبل گذاری خوشه ها توسط خبرگان از درخت تصمیم برای طبقه بندی تأمین کنندگان بر اساس عملکرد آن ها استفاده شد. نتایج نشان داد که درختK-means عملکرد بهتری نسبت به درخت DBSCAN دارد و معیارهای چون تحویل به موقع، درصد تأمین، توقف خط تولید، اخطارهای کیفی، عملکرد لجستیکی و عملکرد کیفی بر تاب آوری تأمین کنندگان مؤثر هستند.Classification and Allocation of Suppliers to Customers in Resilince Supply Chains Using Machine Learning
Selection and allocation in the resilient supply chain, when disruption threatens the supply chain, has become a strategic decision and the focus of many researches; increase in the applications of machine learning in supply chain studies has led to the emergence of faster and reliable decision-making methods, however, in few studies, machine learning has been used to deal with the problem of selecting and assigning suppliers to customers in resilient mode. The purpose of this research is to take a step towards solving this gap by using machine learning algorithms on real world data from the automotive supply chain in Iran. the performance data of 441 suppliers and 7 customers in 1401 was used. In this research, two clustering algorithms have been used to generate labels based on the concept of resilience capacity; Then, since the interpretability of the results was a priority, based on the labeling of the clusters by the experts, the decision tree was used to classify the suppliers based on their performance. The results showed the K-means tree performs better than the DBSCAN tree and criteria such as on-time delivery, capacity, production line stoppage, quality alert, logistics performance and quality performance are effective on suppliers' resilience.
تبلیغات
