DOI: https://doi.org/10.1007/s10898-025-01509-1
تاريخ النشر: 2025-07-02
المؤلف: Funda Iseri وآخرون
الموضوع الرئيسي: البيانات الضخمة وذكاء الأعمال
نظرة عامة
تتناول ورقة البحث تطبيق تحليلات البيانات وتعلم الآلة، وخاصة التحليلات التنبؤية، في تعزيز عمليات اتخاذ القرار ضمن إدارة سلسلة التوريد، مع التركيز على اللوجستيات العكسية للألواح الكهروضوئية (PV). من خلال استخدام البيانات التاريخية، تستخدم الدراسة تقنيات التنبؤ الإحصائية المتقدمة وتقنيات التعلم العميق للتنبؤ بالطلب وأسعار السلع للمواد الأساسية مثل الفضة والألمنيوم والنحاس والسيليكون والبوليمر والزجاج العائم. هذه المواد حيوية ليس فقط لنظام الطاقة الشمسية ولكن أيضًا للصناعات الأخرى التي تواجه تحديات مماثلة في توفر المواد واستدامتها. يوضح دمج هذه النماذج التنبؤية في إطار تحسين سلسلة التوريد تحسينات كبيرة في الكفاءة التشغيلية، وتقليل التكاليف، والقدرة على التكيف مع التغيرات في السوق.
تكشف النتائج أن إطار التنبؤ-التحسين يمكن تعميمه إلى ما هو أبعد من إعادة تدوير الألواح الكهروضوئية إلى هياكل سلسلة التوريد الدائرية المختلفة. تشير تحليل التباين (ANOVA) إلى أن قيم أداء سلسلة التوريد المستمدة من التنبؤات الدقيقة قابلة للمقارنة إحصائيًا مع تلك المستندة إلى البيانات التاريخية الفعلية، مما يبرز موثوقية النماذج التنبؤية. في المقابل، كانت النماذج التي تستخدم المتوسطات البسيطة ذات أداء ضعيف، مما يبرز ضرورة تقنيات التنبؤ المتقدمة. كما تعترف الدراسة بالقيود مثل توفر البيانات وقابلية تفسير نماذج التعلم العميق. تشمل اتجاهات البحث المستقبلية تعزيز شفافية النموذج، ودمج البيانات في الوقت الحقيقي، وتطوير استراتيجيات لتحليل الاضطرابات، مما قد يحسن بشكل أكبر من استدامة ومرونة سلاسل التوريد الدائرية.
مقدمة
تؤكد مقدمة ورقة البحث على الأهمية المتزايدة للمنهجيات المعتمدة على البيانات، بما في ذلك تحليلات البيانات الضخمة (BDA)، وتعلم الآلة (ML)، والذكاء الاصطناعي (AI)، في تعزيز إدارة سلسلة التوريد (SCM). تسهل هذه التقنيات تحسين تبادل البيانات بين أصحاب المصلحة، مما يؤدي إلى تحسين تقييم المخاطر، والتحليلات التنبؤية، وأداء سلسلة التوريد بشكل عام. تصنف الورقة تحليلات سلسلة التوريد إلى تقنيات وصفية، وتنبؤية، وتوجيهية، كل منها يخدم أغراضًا مميزة مثل الوعي بالوضع، وتنبؤ الطلب، وتحسين استراتيجيات التشغيل.
يبرز المؤلفون دمج الذكاء الاصطناعي والصناعة 4.0 كعنصر محوري في زيادة استجابة سلسلة التوريد ومرونتها. يناقشون تطبيقات مختلفة لنماذج تعلم الآلة والتعلم العميق (DL) في تحسين مشاكل سلسلة التوريد المعقدة، بما في ذلك تخطيط الإنتاج وتقييم المخاطر أثناء الاضطرابات مثل جائحة COVID-19. تهدف الدراسة إلى استكشاف دمج التحليلات التنبؤية في إدارة سلسلة التوريد، مع التركيز على نماذج التنبؤ الإحصائية والمبنية على التعلم العميق لأسعار الطلب والسلع، وخاصة في سياق سلاسل التوريد المغلقة لإدارة نفايات الألواح الكهروضوئية (PV). تمهد المقدمة الطريق لإطار منهجي شامل سيتم تفصيله في الأقسام التالية، مما يبرز أهمية التنبؤ الدقيق في تعزيز أداء سلسلة التوريد.
النتائج
تسلط نتائج الدراسة الضوء على فعالية نماذج التنبؤ المختلفة—تحديدًا، الشبكة العصبية متعددة الطبقات (MLP)، والذاكرة طويلة وقصيرة المدى (LSTM)، والمتوسط المتحرك التكاملي الذاتي الموسمي (SARIMA)—في التنبؤ بالطلب على الألواح الكهروضوئية (PV) وأسعار السلع. تم استخدام بحث الشبكة لتحسين المعلمات الفائقة لهذه النماذج، مما يكشف أن MLP كانت الطريقة الأكثر اختيارًا، حيث تم اختيارها لثلاث سلع مختلفة، بينما تم اختيار LSTM وSARIMA لسلعتين. تشير النتائج إلى أن النماذج المعتمدة على الشبكات العصبية تتفوق في إدارة مجموعات البيانات المعقدة التي تتميز بعدم الخطية وعدم الاستقرار، بينما تكون النماذج الإحصائية التقليدية مثل SARIMA أكثر ملاءمة لمجموعات البيانات البسيطة والثابتة.
تقيم الدراسة أيضًا تأثير دقة التنبؤ على أداء سلسلة التوريد باستخدام مقياس أداء سلسلة التوريد (SCPM). تظهر تحليلات صندوق الرسم أن قيم SCPM المستمدة من البيانات التاريخية وتلك الناتجة عن أكثر نماذج التنبؤ دقة تظهر وسائط وتباين مشابه، مما يشير إلى استقرار عمليات سلسلة التوريد. في المقابل، تظهر قيم SCPM المستندة إلى متوسط إحصائي بسيط تباينًا أكبر بكثير، مما يشير إلى زيادة المخاطر التشغيلية. تؤكد التحليلات الإحصائية باستخدام اختبار فرق التباين الهام (HSD) من توكي عدم وجود فرق كبير بين قيم SCPM من البيانات الفعلية والمقدرة، بينما يوجد فرق كبير بين القيم الفعلية والمتوسطات البسيطة. وهذا يبرز الدور الحاسم للتنبؤ الدقيق في تعزيز موثوقية سلسلة التوريد وتقليل عدم اليقين.
المناقشة
تؤكد قسم المناقشة في ورقة البحث على التحديات الحرجة التي تواجه سلاسل التوريد الكهروضوئية (PV)، خاصة في سياق إعادة تدوير الألواح الكهروضوئية في نهاية عمرها (EoL). تبرز الحاجة إلى أدوات اتخاذ قرار متقدمة تدمج الذكاء الاصطناعي (AI) وتحليلات البيانات لتعزيز تخطيط الطلب وكفاءة سلسلة التوريد. تشير الورقة إلى أنه بينما من المتوقع أن تزيد السعة العالمية للطاقة الشمسية بشكل كبير، فإن معدل إعادة تدوير الألواح الكهروضوئية الحالي لا يزال منخفضًا بشكل مقلق عند حوالي 10%، مع انتهاء معظم النفايات في مدافن النفايات. تؤكد هذه الحالة على الحاجة الملحة لسلاسل التوريد المغلقة (CLSCs) التي يمكن أن تستعيد مواد قيمة مثل الفضة والسيليكون والعناصر الأرضية النادرة من الألواح في نهاية عمرها، والتي تعتبر ضرورية لمجموعة متنوعة من الصناعات ذات القيمة العالية.
يقترح المؤلفون إطارًا منهجيًا يجمع بين النماذج الإحصائية ونماذج التعلم العميق للتنبؤ بأسعار السلع والطلب على الألواح الكهروضوئية. يهدف هذا الإطار إلى تحسين عمليات سلسلة التوريد من خلال تقليل التكاليف مع ضمان إدارة فعالة للمخزون وتلبية الطلب في الوقت المناسب. يسمح دمج هذه النماذج التنبؤية في نموذج سلسلة توريد متعدد الفترات حتمي بتقييم سيناريوهات مختلفة، بما في ذلك تأثير نسب إعادة التدوير على أداء سلسلة التوريد. تستخدم الدراسة مقاييس مثل مقياس أداء سلسلة التوريد (SCPM) لتقييم فعالية نموذج التنبؤ والتحسين المدمج، مما يوضح في النهاية الدور الكبير لتقنيات التنبؤ المتقدمة في تعزيز مرونة سلسلة التوريد وقدرتها على التكيف في سوق سريع التطور.
DOI: https://doi.org/10.1007/s10898-025-01509-1
Publication Date: 2025-07-02
Author(s): Funda Iseri et al.
Primary Topic: Big Data and Business Intelligence
Overview
The research paper discusses the application of data analytics and machine learning, particularly predictive analytics, in enhancing decision-making processes within supply chain management, focusing on reverse logistics for photovoltaic (PV) panels. By utilizing historical data, the study employs advanced statistical and deep learning forecasting techniques to predict demand and commodity prices of essential materials such as silver, aluminum, copper, silicon, polymer, and float glass. These materials are critical not only for the PV ecosystem but also for other industries facing similar challenges in material availability and sustainability. The integration of these predictive models into a supply chain optimization framework demonstrates significant improvements in operational efficiency, cost reduction, and adaptability to market changes.
The findings reveal that the forecasting-optimization framework can be generalized beyond PV recycling to various circular supply chain structures. An analysis of variance (ANOVA) indicates that SCPM values derived from accurate forecasts are statistically comparable to those based on actual historical data, highlighting the reliability of the predictive models. In contrast, models using simple averages performed poorly, emphasizing the necessity of advanced forecasting techniques. The study also acknowledges limitations such as data availability and the interpretability of deep learning models. Future research directions include enhancing model transparency, incorporating real-time data, and developing strategies for disruption analysis, which could further improve the sustainability and resilience of circular supply chains.
Introduction
The introduction of the research paper emphasizes the growing significance of data-driven methodologies, including big data analytics (BDA), machine learning (ML), and artificial intelligence (AI), in enhancing supply chain management (SCM). These technologies facilitate improved data exchange among stakeholders, leading to better risk assessment, predictive analytics, and overall supply chain performance. The paper categorizes supply chain analytics into descriptive, predictive, and prescriptive techniques, each serving distinct purposes such as situational awareness, demand forecasting, and optimization of operational strategies.
The authors highlight the integration of AI and Industry 4.0 as pivotal in increasing supply chain responsiveness and resilience. They discuss various applications of ML and deep learning (DL) models in optimizing complex supply chain problems, including production planning and risk assessment during disruptions like the COVID-19 pandemic. The study aims to explore the integration of predictive analytics into SCM, focusing on statistical and DL-based forecasting models for demand and commodity prices, particularly in the context of closed-loop supply chains for photovoltaic (PV) waste management. The introduction sets the stage for a comprehensive methodological framework that will be detailed in subsequent sections, underscoring the importance of accurate forecasting in enhancing supply chain performance.
Results
The results of the study highlight the effectiveness of various forecasting models—specifically, Multi-Layer Perceptron (MLP), Long Short-Term Memory (LSTM), and Seasonal Autoregressive Integrated Moving Average (SARIMA)—in predicting photovoltaic (PV) demand and commodity prices. A grid search was employed to optimize the hyperparameters of these models, revealing that MLP was the most frequently chosen method, selected for three different commodities, while LSTM and SARIMA were chosen for two. The findings indicate that neural network-based models excel in managing complex datasets characterized by non-linearity and non-stationarity, whereas traditional statistical models like SARIMA are more suited for simpler, stationary datasets.
The study further assesses the impact of forecasting accuracy on supply chain performance using the Supply Chain Performance Metric (SCPM). Box-plot analyses demonstrate that SCPM values derived from historical data and those generated by the most accurate forecasting models exhibit similar medians and variability, suggesting stable supply chain operations. In contrast, SCPM values based on a simple statistical average show significantly greater variability, indicating increased operational risk. Statistical analysis using Tukey’s Honest Significant Difference (HSD) test confirms no significant difference between SCPM values from actual and forecasted data, while a significant difference exists between actual and simple average values. This underscores the critical role of accurate forecasting in enhancing supply chain reliability and reducing uncertainty.
Discussion
The discussion section of the research paper emphasizes the critical challenges faced in photovoltaic (PV) supply chains, particularly in the context of recycling end-of-life (EoL) PV panels. It highlights the necessity for advanced decision-making tools that integrate artificial intelligence (AI) and data analytics to enhance demand planning and supply chain efficiency. The paper notes that while the global capacity for solar PV is projected to increase significantly, the current recycling rate for PV panels remains alarmingly low at around 10%, with most waste ending up in landfills. This situation underscores the urgent need for closed-loop supply chains (CLSCs) that can recover valuable materials such as silver, silicon, and rare-earth elements from EoL panels, which are essential for various high-value industries.
The authors propose a methodological framework that combines statistical and deep learning models to forecast commodity prices and demand for PV panels. This framework aims to optimize supply chain operations by minimizing costs while ensuring effective inventory management and timely fulfillment of demand. The integration of these predictive models into a deterministic multi-period supply chain model allows for the evaluation of various scenarios, including the impact of recycling ratios on supply chain performance. The study employs metrics such as the Supply Chain Performance Metric (SCPM) to assess the effectiveness of the integrated forecasting and optimization model, ultimately demonstrating the significant role of advanced forecasting techniques in enhancing supply chain resilience and adaptability in a rapidly evolving market.