مدل پیش‌بینی ریسک تأخیر لجستیکی با داده‌های هوشمند IoT: رویکردی برای افزایش تاب‌آوری زنجیره تأمین.

مدل پیش‌بینی ریسک تأخیر لجستیکی با داده‌های هوشمند IoT: رویکردی برای افزایش تاب‌آوری زنجیره تأمین.

فائزه مکرمی1

1) دانشجو کارشناسی ارشد کارافرینی گرایش کسب و کارهای کوچک دانشگاه آزاد اسلامی واحد الکترونیک

کد IOI مقاله : ABDE-ABKGCC
محل انتشار : ششمین کنفرانس بین المللی تحقیقات پیشرفته در مدیریت و علوم انسانی مونیخ، آلمان(huconf.com)
چکیده :
    تأخیر در تحویل یکی از رایج‌ترین و پرهزینه‌ترین اختلالات عملیاتی در زنجیره‌های تأمین است که می‌تواند از طریق افزایش هزینه‌های حمل‌ونقل، اختلال در برنامه‌ریزی موجودی و کاهش سطح خدمت، به سایر بخش‌های زنجیره تأمین سرایت کند. رویکردهای واکنشی که تأخیر را پس از وقوع شناسایی می‌کنند، فرصت محدودی برای مداخله اصلاحی فراهم می‌سازند؛ از این رو، پیش‌بینی زودهنگام ریسک تأخیر، پیش‌شرط عملیاتی‌سازی تاب‌آوری زنجیره تأمین است. هدف این پژوهش، ارائه و ارزیابی یک مدل یادگیری ماشین برای پیش‌بینی ریسک تأخیر لجستیکی به‌عنوان متغیر دودویی، با استفاده از ترکیب داده‌های محیطی-حسگری (دما، رطوبت، وضعیت ترافیک) و داده‌های عملیاتی (سطح موجودی، زمان انتظار، بهره‌وری دارایی و پیش‌بینی تقاضا) است. از میان شانزده متغیر اولیه یک مجموعه‌داده عمومی (۱۰۰۰ رکورد)، هفت متغیر بر اساس معیار در دسترس‌بودن پیش از وقوع تأخیر انتخاب شدند تا خطر نشت داده کنترل شود؛ چهار الگوریتم طبقه‌بندی—رگرسیون لجستیک، درخت تصمیم، جنگل تصادفی و XGBoost—بر پایه تقسیم لایه‌بندی‌شده آموزش و آزمون (۸۰۰/۲۰۰) مقایسه شدند. نتایج نشان داد هر چهار مدل عملکردی قابل‌قبول در تفکیک نمونه‌های دارای تأخیر داشتند (ROC-AUC در بازه ۰٫۷۶ تا ۰٫۷۹)؛ رگرسیون لجستیک برتری نسبی محدودی نشان داد و وضعیت ترافیک سنگین در هر چهار مدل به‌عنوان قوی‌ترین عامل پیش‌بین شناسایی شد. یافته‌ها نشان می‌دهند خروجی چنین مدلی می‌تواند مبنایی عملی برای طراحی سامانه هشدار زودهنگام چندسطحی فراهم کند، هرچند Recall نسبتاً محدود مدل‌ها و ماهیت ثانویه و کوچک‌مقیاس داده مورد استفاده، ضرورت اعتبارسنجی بر داده‌های واقعی و بزرگ‌مقیاس‌تر را پیش از هرگونه استقرار عملیاتی برجسته می‌سازد.

کلمات کلیدی : پیش‌بینی ریسک تأخیر لجستیکی اینترنت اشیا یادگیری ماشین تاب‌آوری زنجیره تأمین سامانه هشدار زودهنگام