پیوندهای مفید
آمار
| تعداد نشریات | 21 |
| تعداد شماره‌ها | 667 |
| تعداد مقالات | 9,705 |
| تعداد مشاهده مقاله | 69,111,270 |
| تعداد دریافت فایل اصل مقاله | 48,512,728 |
بهبود تاب‌آوری زنجیره‌تأمین ازطریق هوش مصنوعی و کلان‌داده؛ یک مدل ساختاری تفسیری جامع | ||
| مدیریت زنجیره ارزش راهبردی | ||
| مقاله 5، دوره 2، شماره 3 - شماره پیاپی 6، آبان 1404، صفحه 93-117 اصل مقاله (821.04 K) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22075/svcm.2025.39112.1053 | ||
| نویسندگان | ||
| امیراحسان زاهدی؛ علی احسانی* | ||
| گروه مدیریت، دانشکده علوم اداری و اقتصاد، دانشگاه اراک، اراک، ایران | ||
| تاریخ دریافت: 30 شهریور 1404، تاریخ بازنگری: 17 مهر 1404، تاریخ پذیرش: 22 مهر 1404 | ||
| چکیده | ||
| سابقه و هدف: امروزه نگرانی فزاینده‌ای در زنجیره‌تأمین به‌دلیل وجود اختلالات وجود دارد که نیازمند ابزارهایی مناسب به‌‌منظور پشتیبانی‌از زنجیره‌تأمین است تا مقاومت آن افزایش یابد. این مطالعه به بررسی نقش هوش مصنوعی و تجزیه‌وتحلیل کلان‌داده در ایجاد زنجیره‌های تأمین تاب‌آور در شرکت‌های کوچک‌ومتوسط ایران می‌پردازد. روش: پژوهش ازنظر هدف، کاربردی و توسعه‌ای و ازنظر ماهیت داده‌ها، کیفی است. جامعه آماری پژوهش مدیران شرکت‌های کوچک‌ومتوسط ایران هستند. نمونه‌گیری از خبرگان به‌روش هدف‌دار انجام شد و تا دستیابی‌به معیار کفایت نظری، در مجموع با 15 نفر مصاحبه شد. برای تحلیل داده‌ها از روش مدل‌سازی ساختاری تفسیری جامع استفاده شد. یافته ها: پس‌از مرور ادبیات و تأیید خبرگان، عوامل در 12 بُعد شناسایی و سپس در 7 سطح طبقه‌بندی و نحوه ارتباط آن‌ها تعیین گردید. عامل تجزیه‌وتحلیل زنجیره‌تأمین در سطح 7، پیش‌بینی تقاضا، رفتار مصرف‌کننده و عملیات و برنامه‌ریزی در سطح 6، قابلیت مشاهده در سطح 5، نظارت دوره‌ای در سطح 4، تجزیه‌وتحلیل داده‌های نقطه فروش و مدیریت موجودی در سطح 3، بهبود کارایی، حمل‌ونقل و بهینه‌سازی مسیر در سطح 2 و تاب‌آوری زنجیره‌تأمین در سطح 1 قرار گرفتند. نتیجه گیری: برای بهبود تاب‌آوری زنجیره‌تأمین موارد زیر پیشنهاد می‌گردد: استفاده‌از مدل‌های یادگیری ماشین برای تحلیل داده‌های فروش، رفتار مشتریان، و شرایط بازار؛ طراحی سناریوهای مختلف براساس تحلیل داده‌ها و آماده‌سازی برنامه‌های جایگزین؛ استفاده‌از الگوریتم‌های بهینه‌سازی مسیر و زمان‌بندی براساس داده‌های ترافیکی و محیطی؛ تحلیل کلان‌داده برای انتخاب تأمین‌کنندگان و مسیرهای با کمترین ریسک و هزینه؛ به‌کارگیری ربات‌ها و سیستم‌های هوشمند برای انجام عملیات انبارداری، سفارش‌گیری و کنترل موجودی و آموزش پرسنل زنجیره‌تأمین درزمینه تحلیل داده‌ها و کاربردهای هوش مصنوعی. | ||
| کلیدواژه‌ها | ||
| تاب‌آوری زنجیره‌تأمین؛ تجزیه‌وتحلیل کلان‌داده؛ مدل‌سازی ساختاری تفسیری جامع؛ هوش مصنوعی | ||
| عنوان مقاله [English] | ||
| Improving Supply Chain Resilience through Artificial Intelligence and Big Data: A Total Interpretive Structural Model | ||
| نویسندگان [English] | ||
| Amir Ehsan Zahedi؛ Ali Ehsani | ||
| Department of Management, Faculty of Administrative Sciences and Economics, Arak University, Arak, Iran | ||
| چکیده [English] | ||
| Background and Objectives: Today, there is a growing concern in the supply chain due to disruptions, which requires appropriate tools to support the supply chain to increase its resilience. This study examines the role of artificial intelligence and big data analytics in creating resilient supply chains in Iranian SMEs. Materials and Methods: The present study is applied and developmental in terms of purpose and in terms of the nature of the data, it is qualitative. The statistical population of the study is managers of small and medium-sized companies in Iran, Sampling carried out using purposive method and a total of 15 people interviewed to achieve the theoretical adequacy criterion. The Total Interpretive Structural Modeling method was used to conduct this research. Results: Factors identified in 12 dimensions and then, using the total interpretive structural modeling method, 7 levels of classification and their relationship determined. The Supply Chain Analytics (SCA) factor placed at level 7, Demand Forecasting (DF), Consumer Behavior (CB), and Operations and Planning (OP) placed at level 6, Visibility (VIS) placed at level 5, Periodic Monitoring (PM) placed at level 4, Point-Of-Sale data analytics (POS) and Inventory Management (INV) located at Level 3, Efficiency (ECY), Transportation (TRN), and Route Optimization (RO) located at Level 2 and Supply Chain Resilience (SCR) located at Level 1. Conclusion: Practical suggestions for improving supply chain resilience include: Using machine learning models to analyze sales data, customer behavior, and market conditions; Combining internal and external data for more accurate and timely forecasts; Designing different scenarios based on data analysis and preparing alternative plans; Using route and scheduling optimization algorithms based on traffic and environmental data; Big data analysis to select suppliers and routes with the lowest risk and cost; Employing robots and intelligent systems to perform warehousing, ordering, and inventory control operations; training supply chain personnel in data analysis and artificial intelligence applications. | ||
| کلیدواژه‌ها [English] | ||
| Artificial Intelligence, Big Data Analytics, Supply Chain Resilience, TISM | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 77 تعداد دریافت فایل اصل مقاله: 12 |
||