DOI: https://doi.org/10.1186/s40537-025-01143-4
تاريخ النشر: 2025-04-17
المؤلف: Waleed Abdu Zogaan وآخرون
الموضوع الرئيسي: مرونة سلسلة التوريد وإدارة المخاطر
نظرة عامة
تستكشف هذه الورقة البحثية تعزيز مرونة سلسلة التوريد (SCR) من خلال تطبيق خمسة نماذج تعلم عميق (DL): الشبكات العصبية التكرارية (RNN)، الذاكرة طويلة وقصيرة المدى (LSTM)، وحدات التكرار المغلقة (GRU)، الشبكات العصبية التلافيفية (CNN)، والشبكات العصبية الاصطناعية (ANN). تم اختبار النماذج عبر أربعة صناعات متميزة—الأدوية، السيارات، الزراعة، والطاقة—مظهرة قدرتها على التنبؤ بمخاطر سلسلة التوريد وتسهيل التدابير الاستباقية ضد الاضطرابات التشغيلية. ومن الجدير بالذكر أن نموذج CNN حقق أعلى دقة بنسبة 99.3% في قطاع الأدوية، بينما أظهر نموذج GRU أدنى معدلات خطأ في قطاعات الغذاء والسيارات، وتفوق نموذج ANN في التنبؤ بالطلب على الكهرباء.
تشدد الدراسة على أهمية التنبؤ الدقيق بالمخاطر في مواجهة التحديات مثل تقلبات الطلب والكوارث الطبيعية. تم استخدام تقنيات معالجة البيانات، بما في ذلك التطبيع وإزالة القيم المفقودة، لضمان جودة مجموعة البيانات قبل تدريب النماذج واختبارها. تشير النتائج إلى أن نماذج DL تتفوق بشكل كبير على الأساليب التقليدية للتعلم الآلي من حيث الدقة والأداء. تشمل اتجاهات البحث المستقبلية دمج نماذج DL مع تدابير أمان البيانات، مثل التعلم الفيدرالي، لمعالجة مخاوف الخصوصية، واستكشاف تطبيقات إضافية وتقنيات تحسين لتعزيز SCR عبر صناعات مختلفة.
مقدمة
تتناول مقدمة هذه الورقة البحثية التعقيد المتزايد لعمليات سلسلة التوريد (SC) في سياق التقلبات الاقتصادية الخارجية وديناميكيات السوق العالمية. تبرز أن الاضطرابات في SC يمكن أن تنشأ من عوامل متعددة، بما في ذلك الكوارث الطبيعية والتحولات في طلب العملاء، مما يدفع الشركات إلى السعي لتحقيق مرونة سلسلة التوريد (SCR). تُعرف SCR بأنها قدرة المنظمات على الاستجابة بسرعة وفعالية للاضطرابات من خلال تعديل عمليات SC الخاصة بها. تؤكد الورقة على أهمية نماذج التنبؤ في تحقيق SCR، حيث تعزز هذه النماذج الأداء، وتقلل التكاليف، وتخفض الأخطاء، وتحسن جودة المنتج من خلال تحليل بيانات واسعة لتحسين عمليات SC.
علاوة على ذلك، تناقش المقدمة دور الذكاء الاصطناعي (AI)، وخاصة التعلم العميق (DL) والتعلم الآلي (ML)، في تعزيز SCR. تسهل نماذج AI معالجة مجموعات البيانات الكبيرة، مما يحسن دقة التنبؤ بالطلب ويعزز إدارة الإنتاج والمخزون. تشير الورقة إلى أن هذه النماذج يمكن أن تعزز رؤية SC، مما يسمح للشركات بالاستجابة بفعالية للأخطاء والتغيرات في طلب السوق. تهدف الدراسة إلى تطبيق نماذج DL عبر أربع دراسات حالة في قطاعات الأدوية والصناعة والطاقة والزراعة للتنبؤ بالأخطاء المستقبلية وتخفيف المخاطر، مما يساهم في الاستدامة في سلاسل التوريد.
الطرق
في هذا القسم، يصف المؤلفون إطار عمل للتعلم العميق (DL) مصمم لإدارة مخاطر سلسلة التوريد (SCR)، يهدف إلى تعزيز تحديد المخاطر والتخفيف منها في الوقت الحقيقي. يشمل الإطار خطوات متنوعة تساعد المنظمات في حماية نفسها من المشكلات المحتملة في إدارة سلسلة التوريد (SCM). تشمل العناصر الرئيسية المعنية في عملية سلسلة التوريد بيانات التسليم، معرفات المنتجات، أرقام المبيعات، الخصومات، تفاصيل الموردين، أنواع الشحن، ومعلومات العملاء، والتي قد تختلف عبر دراسات الحالة المختلفة.
يتم استخدام إطار DL للتنبؤ بالطلب على العملاء، وتسعير المنتجات، وطرق النقل المثلى، مما يقلل من المخاطر المرتبطة بـ SCR. من خلال تحسين دقة التنبؤات وتقليل الأخطاء، يعزز الإطار عملية اتخاذ القرار في عمليات سلسلة التوريد. تتضمن المنهجية عدة خطوات حاسمة، بما في ذلك جمع البيانات، المعالجة المسبقة، والتنبؤ، والتي تعزز مجتمعة جودة مجموعة البيانات وقوة نموذج DL. يتم تقديم تمثيل بصري لهذه الخطوات في الشكل 1، موضحًا النهج الشامل لإدارة مخاطر SCR من خلال إطار DL.
المناقشة
تؤكد قسم المناقشة في الورقة على الأهمية الحاسمة لمرونة سلسلة التوريد (SCR) في تمكين المنظمات من التكيف بفعالية والتعافي من الاضطرابات الناجمة عن مخاطر متنوعة، بما في ذلك الكوارث الطبيعية، النزاعات الجيوسياسية، وعدم اتساق السوق. يبرز المؤلفون أن SCR هي تحدٍ متعدد الأوجه يشمل مختلف أصحاب المصلحة والمكونات، وأن استراتيجيات SCR الفعالة يمكن أن تؤدي إلى تقليل المخاطر، وزيادة الإنتاجية، والنمو العام. تؤكد الورقة على دور نماذج التعلم العميق (DL) في تحسين SCR من خلال تقديم تنبؤات دقيقة وتحسينات في الوقت الحقيقي لعمليات سلسلة التوريد، مما يقلل من المخاطر المرتبطة باضطرابات سلسلة التوريد.
يقدم المؤلفون خمسة نماذج DL—الشبكة العصبية التكرارية (RNN)، الذاكرة طويلة وقصيرة المدى (LSTM)، وحدة التكرار المغلقة (GRU)، الشبكة العصبية التلافيفية (CNN)، والشبكة العصبية الاصطناعية (ANN)—مظهرين تطبيقها عبر أربع دراسات حالة في قطاعات الأدوية، الغذاء، السيارات، والطاقة. تشير النتائج إلى أن هذه النماذج DL تتفوق على الأساليب التقليدية للتعلم الآلي من حيث الدقة والأداء، خاصة في التنبؤ بمؤشرات سلسلة التوريد الحرجة مثل توقيت تسليم الأدوية، مستويات إمدادات الغذاء، أسعار السيارات، والطلب على الكهرباء. تختتم الورقة بالتوصية بدمج هذه النماذج DL في ممارسات الصناعة لتعزيز SCR، مع معالجة التحديات المتعلقة بتكاليف الحوسبة وخصوصية البيانات. تشمل اتجاهات البحث المستقبلية استكشاف تطبيقات إضافية لنماذج DL ودمج تدابير الأمان لحماية البيانات الحساسة.
DOI: https://doi.org/10.1186/s40537-025-01143-4
Publication Date: 2025-04-17
Author(s): Waleed Abdu Zogaan et al.
Primary Topic: Supply Chain Resilience and Risk Management
Overview
This research paper investigates the enhancement of supply chain resilience (SCR) through the application of five deep learning (DL) models: recurrent neural networks (RNN), long-short-term memory (LSTM), gated recurrent units (GRU), convolutional neural networks (CNN), and artificial neural networks (ANN). The models were tested across four distinct industries—pharmaceuticals, automotive, agriculture, and energy—demonstrating their capability to predict supply chain risks and facilitate proactive measures against operational disruptions. Notably, the CNN model achieved the highest accuracy of 99.3% in the pharmaceutical sector, while the GRU model exhibited the lowest error rates in food and automotive sectors, and the ANN model excelled in predicting electricity demand.
The study emphasizes the importance of accurate risk prediction in addressing challenges such as demand fluctuations and natural disasters. Data preprocessing techniques, including normalization and the removal of missing values, were employed to ensure dataset quality before model training and testing. The findings indicate that DL models significantly outperform traditional machine learning approaches in terms of accuracy and performance. Future research directions include integrating DL models with data security measures, such as federated learning, to address privacy concerns, and exploring additional applications and optimization techniques to further enhance SCR across various industries.
Introduction
The introduction of this research paper addresses the increasing complexity of supply chain (SC) operations in the context of external economic fluctuations and global market dynamics. It highlights that disruptions in SC can arise from various factors, including natural disasters and shifts in customer demand, prompting firms to strive for supply chain resilience (SCR). SCR is defined as the capability of organizations to swiftly and effectively respond to disruptions by adapting their SC processes. The paper emphasizes the significance of prediction models in achieving SCR, as these models enhance performance, minimize costs, reduce errors, and improve product quality by analyzing extensive data to optimize SC operations.
Furthermore, the introduction discusses the role of Artificial Intelligence (AI), particularly Deep Learning (DL) and Machine Learning (ML), in bolstering SCR. AI models facilitate the processing of large datasets, thereby improving demand prediction accuracy and optimizing production and inventory management. The paper notes that these models can enhance SC visibility, allowing firms to respond effectively to errors and changes in market demand. The study aims to apply DL models across four case studies in the pharmaceutical, industrial, energy, and agricultural sectors to predict future errors and mitigate risks, ultimately contributing to sustainability in supply chains.
Methods
In this section, the authors describe a Deep Learning (DL) framework designed for Supply Chain Risk (SCR) management, aimed at enhancing real-time risk identification and mitigation. The framework encompasses various steps that assist organizations in safeguarding against potential issues in supply chain management (SCM). Key elements involved in the supply chain process include delivery data, product identifiers, sales figures, discounts, supplier details, shipping types, and customer information, which may vary across different case studies.
The DL framework is utilized to forecast customer demand, product pricing, and optimal transportation methods, thereby minimizing risks associated with SCR. By improving the accuracy of predictions and reducing errors, the framework enhances decision-making in supply chain operations. The methodology involves several critical steps, including data collection, preprocessing, and prediction, which collectively strengthen the quality of the dataset and the robustness of the DL model. A visual representation of these steps is provided in Figure 1, illustrating the comprehensive approach to SCR risk management through the DL framework.
Discussion
The discussion section of the paper emphasizes the critical importance of supply chain resilience (SCR) in enabling organizations to effectively adapt to and recover from disruptions caused by various risks, including natural disasters, geopolitical conflicts, and market inconsistencies. The authors highlight that SCR is a multifaceted challenge involving various stakeholders and components, and effective SCR strategies can lead to risk reduction, enhanced productivity, and overall growth. The paper underscores the role of deep learning (DL) models in improving SCR by providing accurate predictions and real-time optimization of supply chain operations, thus mitigating risks associated with supply chain disruptions.
The authors present five DL models—Recurrent Neural Network (RNN), Long Short-Term Memory (LSTM), Gated Recurrent Unit (GRU), Convolutional Neural Network (CNN), and Artificial Neural Network (ANN)—demonstrating their application across four case studies in the pharmaceutical, food, automotive, and energy sectors. The results indicate that these DL models outperform traditional machine learning approaches in terms of accuracy and performance, particularly in predicting critical supply chain metrics such as drug delivery timeliness, food supply levels, car prices, and electricity demand. The paper concludes by recommending the integration of these DL models into industry practices to enhance SCR, while also addressing challenges related to computational costs and data privacy. Future research directions include exploring additional applications of DL models and incorporating security measures to protect sensitive data.