بهبود تاب‌آوری زنجیره‌تأمین ازطریق هوش مصنوعی و کلان‌داده؛ یک مدل‌ ساختاری تفسیری جامع

نوع مقاله : مقاله پژوهشی

نویسندگان

گروه مدیریت، دانشکده علوم اداری و اقتصاد، دانشگاه اراک، اراک، ایران

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

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

منابع
احسانی، علی (مترجم). (1403). مدیریت نوآورانه زنجیره‌تأمین ازطریق دیجیتالی‌شدن و هوش مصنوعی (تألیف کومارسان، پرومال، چیرانجی، چودهاری و لوگان، چلا). انتشارات دانشگاه اراک. ایران.
احسانی، علی و زاهدی، امیراحسان. (1404). بررسی تأثیر پایداری و تاب‌آوری بر عملکرد زنجیره تأمین در شرکت های وابسته صنعت خودروسازی ایران. مدیریت زنجیره تأمین، 27(86)، 1-17. dor: 20.1001.1.20089198.1404.27.86.1.3
اصغری،  حامد، اسکندری، محمد، دارابی،  مسعود و مدیری، مهدی. (1403). ارزیابی خطر زنجیره‌‌تأمین شرکت‌های کوچک‌ومتوسط دراثر تهدیدات اقتصادی با رویکرد یکپارچه فازی. پدافند غیرعامل، 15(3)، 39-53.   doi: 20.1001.1.20089198.1404.27.86.1.3
ایران‌فر، مهتاب. (1401). بررسی تعاریف بنگاه‌های کوچک‌ومتوسط (SMEs) و اهمیت این بنگاه‌ها در اقتصاد کشور. دفتر روش‌شناسی آماری و طرح‌های نمونه‌گیری مرکز آمار ایران.
جوکار، علی‌اکبر، محمودی‌میمند، محمد، پرهیزگار، محمدمهدی و محب‌علی، محمدمهدی. (1402). طراحی الگوی تاب‌آوری زنجیره‌تأمین مبتنی‌بر هوش مصنوعی در بخش خرده‌فروشی آنلاین (مورد مطالعه: شهر تهران). فصلنامه اقتصاد و مدیریت شهری، 12(45)، 107-129.
حسینی، نادر، کریمی، مریم و جعفری، محمد. (1400). تحلیل کلان‌داده و هوش مصنوعی در پیش‌بینی ریسک‌های زنجیره‌تأمین خودروسازی. فصلنامه مهندسی صنایع و سیستم‌ها، 31(3)، 145–162.
درجاتی، الهام، جباری، حسین، فرزین‌فر، علی‌اکبر و قدرتی قزانی، حسن . (1404). تحلیل سلسله مراتبی عوامل مؤثر بر تأمین مالی زنجیره‌تأمین در شرکت‌های کوچک‌ومتوسط .(SMEs) توسعه و سرمایه، 10(1)، 119-138.   doi: 10.22103/jdc.2024.22475.1436
سلیمی، رضا و احمدی، فاطمه. (1401). مدل‌سازی بهبود تاب‌آوری زنجیره‌تأمین با رویکرد یادگیری ماشین: مطالعه موردی صنایع غذایی. فصلنامه مدیریت صنعتی، 14(2)، 201–220.
ضیائی حاجی‌پیرلو، مصطفی، تقی‌زاده، هوشنگ و هنرمندعظیمی، مرتضی. (1399). ارائه رویکرد تلفیقی مبتنی‌بر علم‌سنجی و هوش مصنوعی در استخراج الگوی ارزیابی تاب‌آوری زنجیره‌تأمین. نشریه تصمیم‌گیری و تحقیق در عملیات، 5(4)، 522–546  . doi: 10.22105/dmor.2021.251723.1229
کشمیری‌حق، محمدامین و باقری قره‌بلاغ، هوشمند. (1403). تأملی بر نقش پذیرش هوش مصنوعی و تحول دیجیتال بر تاب‌آوری زنجیره‌تأمین و هم‌آفرینی ارزش با نقش تعدیل‌گری عدم‌اطمینان بازار. فصلنامه مدیریت زنجیره‌تأمین، 85، 35–46  . doi: 20.1001.1.20089198.1403.26.85.3.6
نقوی، علی. (1402). یادداشت رئیس کمیسیون خدمات فنی و مهندسی و احداث اتاق ایران درباره سهم صنایع کوچک‌ومتوسط در اقتصاد ایران . 
 
Abbas, K., Afaq, M., Khan, T.A. & Song, W.C. (2020). A blockchain and machine learning-based drug supply chain management and recommendation system for smart pharmaceutical industry. Electronics (Switzerland), 9(5), 852. https://doi.org/10.3390/electronics9050852
Agboola, O.P. & Tunay, M. (2023). Urban resilience in the digital age: the influence of Information- Communication Technology for sustainability. Journal of Cleaner Production, 428, 139304. https://doi.org/10.1016/J.JCLEPRO.2023.139304
Ahi, P. & Searcy, C. (2015). Assessing sustainability in the supply chain: a triple bottom line approach. Applied Mathematical Modelling, 39(10-11), 2882-2896. https://doi.org/10.1016/J.APM.2014.10.055
Akbar, B. & Aslam, H. (2023). Reinforcing resilience on the supply side: the role of supplier capabilities. Business Process Management Journal, 29(6), 1938-1957. https://doi.org/10.1108/BPMJ-01-2023-0032/FULL/XML
Babu, H. & Yadav, S. (2023). A Supply Chain Risk Assessment Index for Small and Medium Enterprises in Post COVID-19 Era. Supply Chain Analytics, 3. https://doi.org/100023.10.1016/j.sca.2023.100023
Bag, S., Rahman, M. S., Srivastava, G., Chan, H. L. & Bryde, D. J. (2022). The role of big data and predictive analytics in developing a resilient supply chain network in the South African mining industry against extreme weather events. International Journal of Production Economics, 251, 108541. https://doi.org/10.1016/J.IJPE.2022.108541
Belhadi, A., Mani, V., Kamble, S. S., Khan, S. A. R. & Verma, S. (2024). Artificial intelligence-driven innovation for enhancing supply chain resilience and performance under the effect of supply chain dynamism: an empirical investigation. Annals of Operations Research, 333(2-3), 627-652. https://doi.org/10.1007/S10479-021-03956-X/TABLES/5
Boone, T., Fahimnia, B., Ganeshan, R., Herold, D., Sanders, N., Hillsdon, C., Business, R., & Mason, R. (2025). Generative AI: Opportunities, challenges, and research directions for supply chain resilience. Transportation Research Part E Logistics and Transportation Review, 199, 104135. https://doi.org/10.1016/j.tre.2025.104135
Dong, F., Zhao, X., Kumar Mangla, S., & Song, M. (2025). Enhanced supply chain resilience under geopolitical risks: The role of artificial intelligence. Transportation Research Part E: Logistics and Transportation Review, 202, 104300. https://doi.org/10.1016/j.tre.2025.104300
Furstenau, L. B., Zani, C., Terra, S. X., Sott, M. K., Choo, K. K. R., & Saurin T. A.. (2022). Resilience capabilities of healthcare supply chain and supportive digital technologies. Technology in Society, 71, 102095. https://doi.org/10.1016/j.techsoc.2022.102095
Grover, P., Kar, A. K. & Dwivedi, Y. K. (2022). Understanding artificial intelligence adoption in operations management: insights from the review of academic literature and social media discussions. Annals of Operations Research, 308(1-2), 177-213. https://doi.org/10.1007/S10479-020-03683-9/TABLES/7
Hasan, R., Kamal, M. M., Daowd, A., Eldabi, T., Koliousis, I. & Papadopoulos, T. (2024). Critical analysis of the impact of big data analytics on supply chain operations. Production Planning and Control, 35(1), 46-70. https://doi.org/10.1080/09537287.2022.2047237
Hong, Z. & Xiao, K. (2024). Digital economy structuring for sustainable development: the role of blockchain and artificial intelligence in improving supply chain and reducing negative environmental impacts. Scientific Report, 14(1), 1-12. https://doi.org/10.1038/s41598-024-53760-3
Hussain, G., Nazir, M. S., Rashid, M. A. & Sattar, M. A. (2022). From supply chain resilience to supply chain disruption orientation: the moderating role of supply chain complexity. Journal of Enterprise Information Management, 36(1), 70-90. https://doi.org/10.1108/JEIM-12-2020-0558
Islam, S., Hassan, S., Hossain, S., Ahmed, T., Karmaker, C. H. L, & Mainul Bari, A. B. M. (2025). Exploring the influence of circular economy on big data analytics and supply chain resilience Nexus: A Structural equation modeling approach. Green Technologies and Sustainability, 3(3). https://doi.org/100219. 10.1016/j.grets.2025.100219
Kumar Vadaga, A. Dokuburra, U. R., Nekkanti, H., Shashank Gudla, S., & Kumari, R. K. (2025). Digital transformation in pharmaceuticals: The impact of AI on supply chain management, Intelligent Hospital, 1(1), 100008. https://doi.org/10.1016/j.inhs.2025.100008
Lahane, S. & Kant, R. (2021). Evaluation and Ranking of Solutions to Mitigate Circular Supply Chain Risks. Sustainable Production and Consumption, 27. https://doi.org/10.1016/j.spc.2021.01.034
Liu, H., Lu, F., Shi, B., Hu, Y. & Li, M. (2023). Big data and supply chain resilience: role of decisionmaking technology. Management Decision, 61(9), 2792-2808. https://doi.org/10.1108/MD-12-2021-1624
Lu, Q., Wang, X. & Wang, Y. (2023). Enhancing supply chain resilience with supply chain governance and finance: the enabling role of digital technology adoption. Business Process Management Journal, 29(4), 944-964. https://doi.org/10.1108/BPMJ-11-2022-0601/FULL/XML
Martınez-Sanchez, M. E., Nicolas-Sans, R., Villoro Armengol, J. & Bustos Dıaz, J. (2023). Color at the point of sale: psychological and communicative implications. Journal of Consumer Behaviour, 22(4), 1000-1015. https://doi.org/10.1002/cb.2140
Mathu, K. (2021). Supply chain management as a competitive advantage of fast moving consumer goods SMEs in South Africa. Journal of Energy and Natural Resources, 10(1), 33. https://doi.org/10.11648/j.jenr.20211001.14
Moderno, O. B., dos, S., Braz, A. C. & Nascimento, P. T. de S. (2024). Robotic process automation and artificial intelligence capabilities driving digital strategy: a resource-based view. Business Process Management Journal, 30(1), 105-134. https://doi.org/10.1108/BPMJ-08-2022-0409/FULL/XML
Modgil, S., Singh, R. K. & Hannibal, C. (2022). Artificial intelligence for supply chain resilience: learning from Covid-19. International Journal of Logistics Management, 33(4), 1246-1268. https://doi.org/10.1108/IJLM-02-2021-0094
Mohammad, A.K., Alsmairat, L. J., Al-Nawayseh, M. K. H., Singhal, E. (2025). Mapping the Intersection of Artificial Intelligence and Supply Chain Resilience: A Literature Review and Future Research Agenda. Reviewing the Latest Trends in Management Literature, 4B. https://doi.org/10.1108/S2754-58652025000004B007
Mubarik, M., Rasi, R. Z. R. M., Pilkova, A., Ghobakhloo, M. & Mubarik, M. S. (2023). Developing resilient supply chain networks through blockchain technology: strategies and implications. Management for Professionals, 539, 35-51. https://doi.org/10.1007/978-981-99-0699-4_3
Nagar, D., Raghav, S., Bhardwaj, A., Kumar, R., Lata Singh, P. & Sindhwani, R. (2021). Machine learning: best way to sustain the supply chain in the era of industry 4.0. Materials Today: Proceedings, 47, 3676-3682. https://doi.org/10.1016/j.matpr.2021.01.267
Naghshineh, B. & Carvalho, H. (2022). The implications of additive manufacturing technology adoption for supply chain resilience: a systematic search and review. International Journal of Production Economics, 247, 108387. https://doi.org/10.1016/j.ijpe.2021.108387
Negri, M., Cagno, E., Colicchia, C. & Sarkis, J. (2021). Integrating sustainability and resilience in the supply chain: a systematic literature review and a research agenda. Business Strategy and the Environment, 30(7), 2858-2886. https://doi.org/10.1002/BSE.2776
Olan, F., Ogiemwonyi Arakpogun, E., Suklan, J., Nakpodia, F., Damij, N. & Jayawickrama, U. (2022). Artificial intelligence and knowledge sharing: contributing factors to organizational performance. Journal of Business Research, 145, 605-615, https://doi.org/10.1016/j.jbusres.2022.03.008
Osaba, E., Lana, I. & Del Ser, J. (2023). Traffic data analysis and route planning. Decision-Making Techniques for Autonomous Vehicles, 217-243. https://doi.org/10.1016/B978-0-323-98339-6.00008-7
Pandey, A. K., Pratap, S., Dwivedi, A. & Khan, S. A. (2024). Industry 4.0 and supply chain sustainability: benchmarking enablers to build reliable supply chain. Benchmarking: An International JournalBenchmarking. https://doi.org/10.1108/BIJ-06-2023-0358/FULL/HTML
Singh, R. K. (2024). Strengthening resilience in supply chains: the role of multi-layer flexibility, supply chain risks and environmental dynamism. International Journal of Logistics Management. https://doi.org/10.1108/IJLM-08-2023-0337
Singh, S. & Goyal, M.K. (2023). Enhancing climate resilience in businesses: the role of artificial intelligence. Journal of Cleaner Production, 418, 138228. https://doi.org/10.1016/j.jclepro.2023.138228
Soluk, J., Decker-Lange, C. and Hack, A. (2023). Small steps for the big hit: a dynamic capabilities perspective on business networks and non-disruptive digital technologies in SMEs. Technological Forecasting and Social Change, 191, 122490. https://doi.org/10.1016/j.techfore.2023
Spieske, A., Gebhardt, M., Kopyto, M., Birkel, H. & Hartmann, E. (2023). The future of industry 4.0 and supply chain resilience after the COVID-19 pandemic: Empirical evidence from a Delphi study. Computers & Industrial Engineering, 181, 109344. https://doi.org/10.1016/j.cie.2023.109344
Wamba-Taguimdje, S. L., Fosso Wamba, S., Kala Kamdjoug, J. R. & Tchatchouang Wanko, C. E. (2020). Influence of artificial intelligence (AI) on firm performance: the business value of AIbased transformation projects. Business Process Management Journal, 26(7), 1893-1924. https://doi.org/10.1108/BPMJ-10-2019-0411
Wang, G., Gunasekaran, A., Ngai, E.W.T. & Papadopoulos, T. (2016). Big data analytics in logistics and supply chain management: certain investigations for research and applications. International Journal of Production Economics, 176, 98-110. https://doi.org/10.1016/j.ijpe.201603.014
Xu, J., Pero, M. & Fabbri, M. (2023). Unfolding the link between big data analytics and supply chain planning. Technological Forecasting and Social Change, 196, 122805. https://doi.org/10.1016/J.TECHFORE.2023.122805
Yan, B., Chen, X., Cai, C. & Guan, S. (2020). Supply chain coordination of fresh agricultural products based on consumer behavior. Computers and Operations Research, 123, 105038. https://doi.org/10.1016/j.cor.2020.105038
Zhang, C. and Lu, Y. (2021). Study on artificial intelligence: the state of the art and future prospects. Journal of Industrial Information Integration, 23, 100224. https://doi.org/10.1016/j.jii.2021.100224
مدیریت زنجیره ارزش راهبردی
دوره 2، شماره 3 - شماره پیاپی 6
مقالات پژوهشی
آبان 1404
صفحه 93-117

فایل ها

سابقه مقاله

  • تاریخ دریافت: 30 شهریور 1404
  • تاریخ بازنگری: 17 مهر 1404
  • تاریخ پذیرش: 22 مهر 1404
  • تاریخ انتشار: 01 آبان 1404

هم رسانی

ارجاع به این مقاله

آمار