>
Fa   |   Ar   |   En
   طبقه‌بندی و تخصیص تامین‌کنندگان به مشتری در زنجیره تامین تاب‌آور با استفاده از یادگیری ماشین  
   
نویسنده اسماعیلی مهدی ,الفت لعیا ,امیری مقصود ,رئیسی وانانی ایمان
منبع چشم انداز مديريت صنعتي - 1402 - دوره : 13 - شماره : 51 - صفحه:39 -70
چکیده    انتخاب و تخصیص در زنجیره  تامین تاب آور، زمانی که اختلال زنجیره تامین را تهدید می‌کند، به‌عنوان یک تصمیم استراتژیک و به کانون پژوهش های بسیاری تبدیل شده است؛ از سوی دیگر افزایش کاربردهای یادگیری ماشین در سراسر مطالعات زنجیره تامین به ظهور روش‌های تصمیم‌گیری سریع‌تر و مطمئن‌تر منجر شده است، بااین‌حال در مطالعات کمی از یادگیری ماشین برای مقابله با مشکل انتخاب و تخصیص تامین‌کننده به مشتری در حالت تاب آور استفاده شده است. هدف پژوهش حاضر برداشتن گامی در جهت رفع این شکاف با استفاده از الگوریتم‌های یادگیری ماشین بر روی داده‌های دنیای واقعی از زنجیره تامین خودرو در ایران است. بدین منظور از داده‌های عملکردی441 تامین‌کننده و 7 مشتری در سال 1401 استفاده شد. در این پژوهش از دو الگوریتم خوشه‌بندی برای تولید برچسب بر اساس مفهوم ظرفیت تاب‌آوری استفاده شده است؛ سپس ازآنجاکه تفسیرپذیری نتایج در اولویت قرار داشت، بر اساس لیبل گذاری خوشه‌ها توسط خبرگان از درخت تصمیم برای طبقه‌بندی تامین‌کنندگان بر اساس عملکرد آن‌ها استفاده شد. نتایج نشان داد که درختk-means عملکرد بهتری نسبت به درخت dbscan دارد و معیارهای چون تحویل به‌موقع، درصد تامین، توقف خط تولید، اخطارهای کیفی، عملکرد لجستیکی و عملکرد کیفی بر تاب‌آوری تامین‌کنندگان موثر هستند.
کلیدواژه تاب‌آوری زنجیره تامین، انتخاب تامین‌کننده تاب آور، یادگیری ماشین، تخصیص تامین‌کننده به مشتری، زنجیره تامین خودرو
آدرس دانشگاه علامه طباطبایی, ایران, دانشگاه علامه طباطبایی, ایران, دانشگاه علامه طباطبایی, ایران, دانشگاه علامه طباطبایی, ایران
پست الکترونیکی imanraeesi@atu.ac.ir
 
   classification and allocation of suppliers to customers in resilince supply chains using machine learning  
   
Authors esmaeili mahdi ,olfat laya ,amiri maghsoud ,raeesi vanani iman
Abstract    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.
Keywords supply chain resilience ,resilient supplier selection ,machine learning ,supplier-to-customer allocation ,automotive supply chain
 
 

Copyright 2023
Islamic World Science Citation Center
All Rights Reserved