ارزیابی عملکرد زنجیره تامین پایدار با استفاده از یادگیری ماشین و تحلیل پوششی داده شبکه‌ای

صنعت پتروشیمی در ایران به‌عنوان صنعت مولد و یکی از پایه‌های اقتصاد کشور بوده و نظارت بر کارایی و عملکرد زنجیره تامین پایدار در این صنعت یکی از فاکتورهای مهم برای مدیران جهت تصمیم‌گیری و تنظیم راهبردهای کلان توسعه پایدار است. باتوجه به اینکه تحلیل پوششی داده شبکه ای برای ارزیابی کارایی نسبی بین واحدهای تحت بررسی یک روش پذیرفته شده و معتبر در تحقیقات دانشگاهی بوده، یکی از چالش ها این حوزه محاسبه کارایی نسبی بین واحدهای همگن و مشابه است. در این پژوهش بر اساس مدلسازی ریاضی با استفاده از تحلیل پوششی داده شبکه‌ای (ndea) ضمن بهره‌گیری از یادگیری ماشین بهترین الگورتیم برای خوشه بندی زنجیره تامین دوسطحی بین 28 واحد پتروپالایشی فعال در ایران برای 90 دوره زمانی با رویکرد پایداری انتخاب و نتایج با روش سنتی محاسبه کارایی بدون خوشه‌بندی مقایسه گردید. نتایج مقایسه سه الگورتیم مختلف یادگیری ماشین در خوشه بندی نشان داد که الگوریتم deep embedded clustering بر اساس شاخص های سه گانه ارزیابی کیفیت خوشه‌بندی، به میزان 10% از سایر الگورتیم ها کیفیت بهتری را بر روی مجموعه داده مورد مطالعه ارائه داده، ضمنا به صورت میانگین فاصله واحدهای ناکارا تا مرز کارایی خوشه خود به میزان 10 تا 20 درصد نسبت به محاسبه کارایی بدون خوشه بندی کاهش داشته است. این راهکار در تعیین برنامه بهبود عملیاتی تر برای واحدهای ناکارا بسیار مناسب است. همچنین مقایسه فاصله واحدهای ناکارا تا مرز کارایی در هر خوشه می تواند مبنای مناسب تری برای مقایسه کارایی واحدها در ارائه راهکار بهبود و سیاست گذاری های کلان مدیریتی در راستای توسعه محصولات در نظر گرفته شود. هدف این پژوهش نشان دادن تاثیر خوشه‌بندی در محاسبه کارایی نسبی است که از آن می‌توان برای ارزیابی کارایی سایر صنایع بهره جست.

assessing sustainability of supply chain performance using machine learning and network data envelopment analysis

using network data envelopment analysis (ndea) models to assess the efficiency of decision making units (dmus) is a widely accepted method in academic research. an ongoing challenge in this field involves the computation and implementation of enhancement solutions within homogeneous clusters utilizing machine learning techniques. the primary aim of this paper is to identify the optimal clustering algorithm for a two-stage sustainable supply chain within the petrochemical industry in iran. subsequently, the application of ndea within each cluster aims to ascertain efficiency levels and devise improvement strategies to facilitate a more targeted development approach for inefficient units. this paper investigates the best clustering algorithms in the area of machine learning by using quality measurement indicators and using network data envelopment analysis (ndea) for measuring the efficiency of dmus with sustainability approach. upon examination, it has been determined that the deep embedded clustering algorithm yields the most favorable results when applied to the data set. furthermore, the comparison of the clustering result with the standard ndea model has demonstrated the utility of clustering and comparing units in homogeneous categories for the purpose of efficiency calculation and determining the distance to the efficient frontier. this article, showed that how to find the best algorithm for two-stage supply chain clustering. also, by comparing the effect of clustering on measuring the distance of inefficient units to the efficiency frontier, it was shown that clustering of units can play a significant role in planning to reach a practical development plan in each cluster.