ارایه مدل تصمیم‌گیری داده‌محور به‌منظور ارزیابی تامین ‌کنندگان پایدار و تاب‌آور در صنعت خودرو

هدف: با توجه به چالش‌های رو به رشد زنجیره‌های به‌صورت در دنیای امروز، شامل نوسانات بازار، فشارهای فزاینده زیست‌محیطی و اجتماعی و نیز نیاز به افزایش تاب‌آوری در برابر بحران‌های پیش‌بینی‌نشده (مانند همه‌گیری کرونا و بحران‌های اقتصادی)، انتخاب به‌صورت‌کنندگانی که به‌طور همزمان معیارهای پایداری و تاب‌آوری را برآورده کنند، اهمیتی استراتژیک پیدا کرده است. در این راستا، هدف اصلی این پژوهش ارایه یک مدل تصمیم‌گیری جامع و داده‌محور با رویکردی آینده‌نگر برای ارزیابی و انتخاب به‌صورت‌کنندگان در زنجیره‌به‌صورت است که بتواند همزمان ابعاد مختلف پایداری و تاب‌آوری را مد نظر قرار دهد.روش‌شناسی پژوهش: در مدل ارایه‌شده، ابتدا وزن معیارها و زیرمعیارهای مطرح‌شده از طریق روش بهترین-بدترین تصادفی محاسبه گردید. سپس ارزیابی عملکرد به‌صورت‌کنندگان با استفاده از روش تصمیم‌گیری چندمعیاره ویکور تصادفی انجام گرفت. در مرحله بعد، برای پیش‌بینی عملکرد آتی به‌صورت‌کنندگان از الگوریتم رگرسیون جنگل تصادفی استفاده شد. این مدل در قالب یک مطالعه موردی در شرکت خودروسازی سایپا کاشان و با بهره‌گیری از پرسشنامه‌های تخصصی و نظرات کارشناسان صنعت اجرا شد.یافته‌ها: نتایج پژوهش نشان داد که معیارهای مرتبط با پایداری و تاب‌آوری در انتخاب به‌صورت‌کنندگان صنعت خودرو نقش کلیدی دارند. در میان زیرمعیارهای بررسی‌شده، انتشار گازهای گلخانه‌ای و کاهش مصرف انرژی به دلیل الزامات زیست‌محیطی، و هزینه و سطح موجودی ایمنی به علت تاثیر مستقیم بر عملکرد اقتصادی و تداوم عملیات، بیشترین تاثیر را بر کارایی به‌صورت‌کنندگان داشتند.  علاوه‌بر این، به‌کارگیری الگوریتم جنگل تصادفی برای پیش‌بینی عملکرد آینده به‌صورت‌کنندگان نشان داد که این روش از دقت پیش‌بینی بالایی برخوردار است (rmse = 0.0976).اصالت/ارزش‌افزوده علمی: گرچه هر یک از روش‌های به‌کاررفته در این پژوهش (بهترین-بدترین تصادفی، ویکور تصادفی، الگوریتم جنگل تصادفی) به‌صورت جداگانه در مطالعات پیشین مورد استفاده قرار گرفته‌اند، اما ارایه چارچوبی یکپارچه که این سه روش را با یکدیگر ترکیب کند، نوآوری اصلی این مطالعه محسوب می‌شود. در واقع، این پژوهش برای نخستین بار با تلفیق روش‌های چندمعیاره و الگوریتم یادگیری ماشین، یک مدل تصمیم‌گیری جامع و داده‌محور ارایه کرده است که علاوه‌بر ارزیابی عملکرد کنونی به‌صورت‌کنندگان، قابلیت پیش‌بینی عملکرد آینده آن‌ها را نیز فراهم می‌کند. چنین ترکیبی، پیش از این در ادبیات انتخاب به‌صورت‌کننده با تمرکز همزمان بر پایداری و تاب‌آوری زنجیره‌به‌صورت در صنعت خودرو ارایه نشده و از این منظر دارای نوآوری روش‌شناختی مشخص و واضح است.

proposing a data-driven decision-making model for evaluating sustainable and resilient suppliers in the automotive industry

purpose: in light of the growing challenges in today’s supply chains—including market fluctuations, increasing environmental and social pressures, and the need to enhance resilience against foreseeable crises such as the covid-19 pandemic and economic disruptions the strategic importance of selecting suppliers that simultaneously meet sustainability and resilience criteria has become more prominent. accordingly, the main objective of this study is to present a comprehensive, data-driven, and forward-looking decision-making model for evaluating and selecting suppliers within the supply chain, taking into account multiple dimensions of sustainability and resilience simultaneously.methodology: in the proposed model, the weights of the defined criteria and sub-criteria were initially determined using the stochastic best-worst method (sbwm). supplier performance was then evaluated using the stochastic vikor multi-criteria decision-making (mcdm) method. in the final stage, the random forest regression algorithm was applied to predict future supplier performance. the model was tested through a case study conducted at saipa kashan automotive company using expert input collected via structured questionnaires.findings: the results indicated that sustainability and resilience criteria play a central role in supplier selection within the automotive industry. among the sub-criteria, “greenhouse gas emissions” and “energy consumption reduction” were most influential due to environmental regulations, while “cost” and “safety stock level” had the greatest impact due to their direct effect on economic performance and operational continuity. furthermore, the application of the random forest algorithm showed a high level of predictive accuracy (rmse = 0.0976), confirming the model’s ability to generate reliable data-driven forecasts.originality/value: although each of the methods used in this research (random best-worst method, random vikor, and random forest algorithm) has been employed individually in previous studies, the main innovation of this study lies in presenting an integrated framework that combines all three approaches. in fact, this research is the first to merge mcdm methods with a machine learning algorithm, offering a comprehensive, data-driven decision-making model. this model not only assesses the current performance of suppliers but also enables prediction of their future performance. such a combination has not previously been introduced in the supplier selection literature with a simultaneous focus on supply chain sustainability and resilience in the automotive industry, marking a clear methodological innovation.