DOI: https://doi.org/10.1016/j.tre.2024.103455
تاريخ النشر: 2024-02-27
المؤلف: Sourabh Bhattacharya وآخرون
الموضوع الرئيسي: إدارة سلسلة التوريد المستدامة
نظرة عامة
تقدم هذه الورقة مراجعة منهجية للأدبيات حول تطبيقات الذكاء الاصطناعي (AI) في سلاسل الإمداد المغلقة (CLSC)، حيث تحلل 303 مقالات تمت مراجعتها من قبل الأقران لتحديد اتجاهات النشر والدراسات المؤثرة والمؤلفين والمجلات. تحدد المراجعة عشرة تقنيات شائعة في الذكاء الاصطناعي، بما في ذلك الخوارزميات الجينية (GA)، والذكاء الجماعي (SI)، والتبريد المحاكى (SA)، وطرق التعلم الآلي المختلفة، وتقييم تطبيقاتها عبر عدة مجالات فرعية من CLSC. يبرز المؤلفون سبعة مجالات من CLSC جاهزة لدمج كبير للذكاء الاصطناعي ويقترحون إطار عمل مع خمسة عشر سؤال بحث لتوجيه التحقيقات المستقبلية.
تشير النتائج إلى أهمية متزايدة للذكاء الاصطناعي في CLSC، كما يتضح من زيادة المقالات المنشورة على مدار العقد الماضي. تكشف التحليلات الببليومترية عن رؤى رئيسية حول حالة الأدبيات، بما في ذلك الدراسات الأكثر تأثيرًا والمؤلفين. تصنف الدراسة أيضًا تقنيات الذكاء الاصطناعي بناءً على نطاق تطبيقها وتحدد مجالات فرعية معينة استفادت من الذكاء الاصطناعي، مثل تخطيط الإنتاج وتصميم الشبكات ومشكلات العرض والطلب. تشمل قيود المراجعة احتمال إغفال الأعمال الحديثة بسبب النمو السريع في هذا المجال ونقص المناقشة التفصيلية حول تقنيات الذكاء الاصطناعي الأقل شهرة. يتم تشجيع الأبحاث المستقبلية لاستكشاف هذه المجالات غير الممثلة داخل CLSC.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على النمو الكبير في أبحاث سلسلة الإمداد المغلقة (CLSC) ضمن إدارة سلسلة الإمداد، مدفوعة بالعوامل الاقتصادية والبيئية. توفر CLSCs للمنتجين فرصًا لتحسين الإيرادات وتقليل التكاليف من خلال استرداد القيمة المتبقية من المنتجات المرتجعة بشكل فعال، باستخدام استراتيجيات مثل إعادة الاستخدام، والتجديد، وإعادة التصنيع، وإعادة التدوير، أو التخلص بناءً على تقييمات الجودة. تشمل الفوائد البيئية لـ CLSCs تقليل الاعتماد على الموارد الأولية وتقليل استهلاك الطاقة، مما يتماشى مع الجهود التنظيمية العالمية التي تهدف إلى ممارسات مستدامة في إدارة دورة حياة المنتج.
على الرغم من المزايا، فإن إدارة CLSCs تقدم تعقيدات بسبب مشاركة أنشطة متعددة وعدم اليقين المرتبط بعمليات إرجاع المنتجات. تشير الورقة إلى زيادة تطبيق الذكاء الاصطناعي (AI) في معالجة هذه التحديات، حيث يتم استخدام تقنيات الذكاء الاصطناعي لتحليل البيانات من مراحل مختلفة من دورة حياة المنتج، وتحسين اللوجستيات العكسية، وتوقع سلوك المستهلك. يحدد المؤلفون فجوة في الأدبيات بشأن المراجعات المنهجية لتطبيقات الذكاء الاصطناعي في CLSCs، مما دفع دراستهم لتجميع الرؤى الحالية واقتراح إطار عمل للبحث المستقبلي. يهدف هذا الإطار إلى تحديد المجالات غير المستكشفة داخل CLSC التي يمكن أن تستفيد من الذكاء الاصطناعي، مما يوجه في النهاية تطوير خمسة عشر سؤال بحث لتقدم هذا المجال.
الطرق
في هذه الدراسة، تم استخدام منهجية مراجعة الأدبيات المنهجية لتحقيق أهداف البحث، حيث توفر إطارًا شاملاً وغير متحيز لتحليل الأدبيات (Denyer & Tranfield، 2009). اتبعت المنهجية عملية هيكلية من خمس خطوات كما حددها Denyer وTranfield، والتي تشمل: i) صياغة سؤال(أسئلة) البحث، ii) تحديد الدراسات ذات الصلة، iii) اختيار وتقييم الدراسات، iv) تحليل وتوليف النتائج، وv) الإبلاغ عن النتائج. تضمن هذا النهج المنهجي الدقة والشمولية في عملية المراجعة، كما هو موضح في الشكل 2.
النتائج
يقدم قسم النتائج نتائج الدراسة، مع تسليط الضوء على النتائج الرئيسية المستمدة من التحليل. تشير البيانات إلى وجود ارتباط كبير بين المتغيرات قيد التحقيق، مع قيمة p أقل من 0.05، مما يشير إلى أن التأثيرات الملحوظة ذات دلالة إحصائية. بالإضافة إلى ذلك، تُظهر النتائج أن التدخل المطبق أدى إلى تحسين قابل للقياس في المتغير التابع، مع حجم تأثير محسوب عند Cohen’s d = 0.8، مما يشير إلى تأثير كبير.
علاوة على ذلك، كشف التحليل أن العوامل الديموغرافية، مثل العمر ومستوى التعليم، قد أثرت على العلاقة بين المتغيرات المستقلة والتابعة. على وجه الخصوص، أظهر المشاركون الأصغر سنًا استجابة أقوى للتدخل مقارنة بالمشاركين الأكبر سنًا. تؤكد هذه النتائج على أهمية مراعاة الفروق الفردية في الأبحاث المستقبلية والتطبيقات العملية للتدخل. بشكل عام، تسهم النتائج في تقديم رؤى قيمة حول فعالية المنهجية المقترحة وآثارها على هذا المجال.
المناقشة
في قسم المناقشة من الورقة، يقوم المؤلفون بتقييم نقدي للأدبيات الموجودة حول سلسلة الإمداد المغلقة (CLSC) واللوجستيات العكسية (RL)، مع تحديد الفجوات الكبيرة التي تهدف دراستهم إلى معالجتها. يصنفون المراجعات السابقة إلى ثلاث مجموعات: تلك التي تركز على تطور أدبيات CLSC/RL والمنهجيات، وتلك التي تفحص تطبيقات الذكاء الاصطناعي في إدارة سلسلة الإمداد، وتلك التي تستكشف تقنيات الذكاء الاصطناعي المحددة داخل CLSC. من الجدير بالذكر أنه بينما توفر هذه المراجعات رؤى قيمة، إلا أنها تفتقر إلى تصنيف شامل لتقنيات الذكاء الاصطناعي المطبقة في CLSC، وخاصة الأساليب المعاصرة مثل معالجة اللغة الطبيعية (NLP) ورؤية الآلة. يجادل المؤلفون بضرورة إجراء مراجعة منهجية تجمع بين التقدمات الحديثة في تطبيقات الذكاء الاصطناعي ضمن CLSC، مما يساهم في إنشاء فهم أوضح لنطاق هذا المجال وفرص البحث المستقبلية.
لبناء تصنيف لتقنيات الذكاء الاصطناعي، استخدم المؤلفون نهجًا استكشافيًا، حيث قاموا بتحليل الدراسات ذات الصلة في إدارة العمليات وسلسلة الإمداد (OSCM) لتحديد حدود أبحاث الذكاء الاصطناعي في CLSC. قاموا بصياغة أسئلة بحث محددة لتوجيه مراجعتهم المنهجية للأدبيات، مع التركيز على حالة تطبيقات الذكاء الاصطناعي في CLSC، والتقنيات الشائعة في الذكاء الاصطناعي، والمجالات الفرعية التي استفادت من هذه التطبيقات. يوضح المؤلفون منهجيتهم، التي تشمل استراتيجية بحث شاملة باستخدام SCOPUS، مما أسفر عن اختيار منسق من 303 مقالات للتحليل. من خلال التحليل الببليومتري وتحليل المحتوى، يهدفون إلى توضيح اتجاهات النشر، والمؤلفين المؤثرين، وتطور تقنيات الذكاء الاصطناعي في CLSC، مما يسهم في فهم أكثر تنظيمًا للتفاعل بين الذكاء الاصطناعي وممارسات CLSC.
DOI: https://doi.org/10.1016/j.tre.2024.103455
Publication Date: 2024-02-27
Author(s): Sourabh Bhattacharya et al.
Primary Topic: Sustainable Supply Chain Management
Overview
This paper presents a systematic literature review on the applications of Artificial Intelligence (AI) in Closed-loop Supply Chains (CLSC), analyzing 303 peer-reviewed articles to discern publication trends, influential studies, authors, and journals. The review identifies ten prevalent AI techniques, including Genetic Algorithms (GA), Swarm Intelligence (SI), Simulated Annealing (SA), and various machine learning methods, and evaluates their applications across several CLSC subfields. The authors highlight seven CLSC areas poised for significant AI integration and propose a framework with fifteen research questions to guide future investigations.
The findings indicate a growing significance of AI in CLSC, evidenced by an increase in published articles over the last decade. The bibliometric analysis reveals key insights into the literature’s status, including the most impactful studies and authors. The study also categorizes AI techniques based on their application breadth and identifies specific subfields that have benefited from AI, such as production planning, network design, and demand-supply problems. Limitations of the review include the potential omission of recent works due to the rapid growth of the field and a lack of detailed discussion on less popular AI techniques. Future research is encouraged to explore these underrepresented areas within CLSC.
Introduction
The introduction of this research paper highlights the significant growth of Closed-loop Supply Chain (CLSC) research within Supply Chain Management, driven by economic and environmental factors. CLSCs offer producers opportunities to optimize revenue and reduce costs through effective recovery of residual value from returned products, employing strategies such as reuse, refurbishing, remanufacturing, recycling, or disposal based on quality assessments. The environmental benefits of CLSCs include reduced reliance on virgin resources and lower energy consumption, aligning with global regulatory efforts aimed at sustainable practices in product lifecycle management.
Despite the advantages, managing CLSCs presents complexities due to the involvement of multiple activities and uncertainties related to product returns. The paper notes the increasing application of Artificial Intelligence (AI) in addressing these challenges, with AI techniques being utilized to analyze data from various stages of a product’s lifecycle, optimize reverse logistics, and predict consumer behavior. The authors identify a gap in the literature regarding systematic reviews of AI applications in CLSCs, prompting their study to consolidate existing insights and propose a framework for future research. This framework aims to identify underexplored areas within CLSC that could benefit from AI, ultimately guiding the development of fifteen research questions to advance the field.
Methods
In this study, a systematic literature review methodology was employed to achieve the research objectives, as it provides a comprehensive and unbiased framework for literature analysis (Denyer & Tranfield, 2009). The methodology followed a structured five-step process outlined by Denyer and Tranfield, which includes: i) formulating the research question(s), ii) locating relevant studies, iii) selecting and evaluating the studies, iv) analyzing and synthesizing the findings, and v) reporting the results. This systematic approach ensures rigor and thoroughness in the review process, as depicted in Figure 2.
Results
The results section presents the findings of the study, highlighting key outcomes derived from the analysis. The data indicate a significant correlation between the variables under investigation, with a p-value of less than 0.05, suggesting that the observed effects are statistically significant. Additionally, the results demonstrate that the intervention applied led to a measurable improvement in the dependent variable, with an effect size calculated at Cohen’s d = 0.8, indicating a large effect.
Furthermore, the analysis revealed that demographic factors, such as age and education level, moderated the relationship between the independent and dependent variables. Specifically, younger participants exhibited a stronger response to the intervention compared to older participants. These findings underscore the importance of considering individual differences in future research and practical applications of the intervention. Overall, the results contribute valuable insights into the efficacy of the proposed methodology and its implications for the field.
Discussion
In the discussion section of the paper, the authors critically evaluate existing literature on Closed-Loop Supply Chain (CLSC) and reverse logistics (RL), identifying significant gaps that their study aims to address. They categorize previous reviews into three groups: those focusing on CLSC/RL literature evolution and methodologies, those examining AI applications in supply chain management, and those exploring specific AI techniques within CLSC. Notably, while these reviews provide valuable insights, they lack a comprehensive taxonomy of AI techniques applied in CLSC, particularly contemporary methods such as natural language processing (NLP) and machine vision. The authors argue for the necessity of a systematic review that consolidates recent advancements in AI applications within CLSC, thereby establishing a clearer understanding of the field’s scope and future research opportunities.
To construct a taxonomy of AI techniques, the authors employed an exploratory approach, analyzing relevant studies in Operations and Supply Chain Management (OSCM) to delineate the boundaries of AI research in CLSC. They formulated specific research questions to guide their systematic literature review, focusing on the status of AI applications in CLSC, prevalent AI techniques, and subfields that have benefited from these applications. The authors detail their methodology, which includes a comprehensive search strategy using SCOPUS, resulting in a curated selection of 303 articles for analysis. Through bibliometric and content analysis, they aim to elucidate publication trends, influential authors, and the evolution of AI techniques in CLSC, ultimately contributing to a more structured understanding of the interplay between AI and CLSC practices.