مدیریت استراتژیک هوشمند

مدیریت استراتژیک هوشمند

ارائه مدلی جامع برای ارزیابی تاب‌آوری و پایداری زنجیره تأمین هوشمند با استفاده از ترکیب الگوریتم‌های یادگیری ماشین و تصمیم‌گیری چندمعیاره استراتژیک

نوع مقاله : مقاله پژوهشی

نویسنده
آرین تشکر
کارشناس ارشد هوش مصنوعی، دانشگاه صنعتی اصفهان، اصفهان، ایران.
10.87453/bumara.2026.373601.556
چکیده
هدف: اختلالات متوالی در زنجیره‌های تأمین مدرن و ضرورت دستیابی به توسعه پایدار، سازمان‌ها را ملزم به اتخاذ رویکردهای هوشمند و استراتژیک کرده است. پژوهش حاضر با هدف ارائه مدلی جامع و کاربردی برای ارزیابی و ارتقای هم‌زمان تاب‌آوری و پایداری در زنجیره‌های تأمین هوشمند با تلفیق ابزارهای یادگیری ماشین و روش‌های تصمیم‌گیری چندمعیاره استراتژیک انجام شده است.
روش‌شناسی: این پژوهش از نظر هدف، کاربردی و از نظر روش گردآوری داده‌ها، توصیفی-پیمایشی است. در گام نخست، ابعاد و شاخص‌های کلیدی پایداری و تاب‌آوری شناسایی و غربال شدند. سپس، با استفاده از الگوریتم‌های یادگیری ماشین، داده‌های عملکردی و ریسک‌های اختلال تحلیل و پیش‌بینی گردید. در ادامه، جهت اتخاذ تصمیمات استراتژیک در شرایط عدم قطعیت، از روش بهترین-بدترین فازی برای وزن‌دهی به معیارها و از روش تاپسیس فازی برای اولویت‌بندی و انتخاب تامین‌کنندگان و استراتژی‌های بهینه‌سازی استفاده شد.
یافته‌ها: نتایج نشان داد که تلفیق تحلیل‌های پیش‌بینانه یادگیری ماشین با قضاوت‌های استراتژیک مدیران، دقت ارزیابی تاب‌آوری و پایداری را به میزان چشم‌گیری افزایش می‌دهد. همچنین شاخص‌های شفافیت داده‌ای، انعطاف‌پذیری عملیاتی و مسئولیت زیست‌محیطی بالاترین اولویت را در اتخاذ تصمیمات استراتژیک زنجیره تأمین هوشمند دارا هستند.
نتیجه‌گیری: مدل پیشنهادی با پیوند دادن داده‌های عملیاتی به تصمیم‌گیری‌های سطح بالا، نقشه‌ای راهبردی در اختیار مدیران ارشد قرار می‌دهد تا در مواجهه با بحران‌ها و پدیده‌های نوظهور، پایداری عملیاتی و مزیت رقابتی سازمان را حفظ نمایند.
کلیدواژه‌ها
زنجیره تأمین هوشمند
تاب‌آوری
پایداری
یادگیری ماشین
تصمیم‌گیری چندمعیاره استراتژیک
الگوریتم‌های هوش مصنوعی
موضوعات

عنوان مقاله English

A Comprehensive Model for Assessing the Resilience and Sustainability of Smart Supply Chains by Integrating Machine Learning Algorithms and Strategic Multi-Criteria Decision-Making

نویسنده English

Arian Tashakkor
Master of Science in Artificial Intelligence, Isfahan University of Technology, Isfahan, Iran.
چکیده English

Purpose: Successive disruptions in modern supply chains and the imperative of sustainable development require organisations to adopt intelligent and strategic approaches. This study proposes a comprehensive and practical model for the simultaneous assessment and improvement of resilience and sustainability in smart supply chains by integrating machine learning tools with strategic multi-criteria decision-making methods.
Methodology: The study is applied in purpose and descriptive-survey in data collection. First, the key dimensions and indicators of sustainability and resilience were identified and screened. Machine learning algorithms, including XGBoost and Random Forest, were then used to analyse operational performance data and to predict disruption risk. To support strategic decisions under uncertainty, the Fuzzy Best-Worst Method (Fuzzy BWM) was used to weight the criteria and Fuzzy TOPSIS was used to prioritise suppliers and optimisation strategies.
Findings: The results indicate that combining the predictive analytics of machine learning with managers’ strategic judgements considerably improves the accuracy of resilience and sustainability assessment. Data transparency, operational flexibility and environmental responsibility received the highest priority in strategic decisions for smart supply chains.
Conclusion: By linking operational data with high-level decision-making, the proposed model provides senior managers with a strategic roadmap for maintaining operational sustainability and competitive advantage in the face of crises and emerging phenomena.

کلیدواژه‌ها English

Smart supply chain
Resilience
Sustainability
Machine learning
Strategic multi-criteria decision-making
Artificial intelligence algorithms
Baryannis, G., Validi, S., Dani, S., & Antoniou, G. (2019). Supply chain risk management and artificial intelligence: State of the art and future research directions. International Journal of Production Research, 57(7), 2179–2202.
Carter, C. R., & Rogers, D. S. (2008). A framework of sustainable supply chain management: Moving toward new theory. International Journal of Physical Distribution & Logistics Management, 38(5), 360–387.
Chen, C.-T. (2000). Extensions of the TOPSIS for group decision-making under fuzzy environment. Fuzzy Sets and Systems, 114(1), 1–9.
Chen, T., & Guestrin, C. (2016). XGBoost: A scalable tree boosting system. In Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (pp. 785–794).
Christopher, M., & Peck, H. (2004). Building the resilient supply chain. The International Journal of Logistics Management, 15(2), 1–14.
Dubey, R., Gunasekaran, A., Childe, S. J., Papadopoulos, T., Luo, Z., Wamba, S. F., & Roubaud, D. (2019). Can big data and predictive analytics improve social and environmental sustainability? Technological Forecasting and Social Change, 144, 534–545.
Elkington, J. (1997). Cannibals with forks: The triple bottom line of 21st century business. Capstone.
Guo, S., & Zhao, H. (2017). Fuzzy best-worst multi-criteria decision-making method and its applications. Knowledge-Based Systems, 121, 23–31.
Hosseini, S., Ivanov, D., & Dolgui, A. (2019). Review of quantitative methods for supply chain resilience analysis. Transportation Research Part E: Logistics and Transportation Review, 125, 285–307.
Hwang, C. L., & Yoon, K. (1981). Multiple attribute decision making: Methods and applications. Springer.
Ivanov, D., & Dolgui, A. (2020). Viability of intertwined supply networks: Extending the supply chain resilience angles towards survivability. International Journal of Production Research, 58(10), 2904–2915.
Ivanov, D., & Dolgui, A. (2021). A digital supply chain twin for managing the disruption risks and resilience in the era of Industry 4.0. Production Planning & Control, 32(9), 775–788.
Lundberg, S. M., & Lee, S.-I. (2017). A unified approach to interpreting model predictions. In Advances in Neural Information Processing Systems 30 (pp. 4765–4774).
MacQueen, J. (1967). Some methods for classification and analysis of multivariate observations. In Proceedings of the Fifth Berkeley Symposium on Mathematical Statistics and Probability (Vol. 1, pp. 281–297).
Opricovic, S., & Tzeng, G.-H. (2004). Compromise solution by MCDM methods: A comparative analysis of VIKOR and TOPSIS. European Journal of Operational Research, 156(2), 445–455.
Pettit, T. J., Fiksel, J., & Croxton, K. L. (2010). Ensuring supply chain resilience: Development of a conceptual framework. Journal of Business Logistics, 31(1), 1–21.
Rezaei, J. (2015). Best-worst multi-criteria decision-making method. Omega, 53, 49–57.
Rezaei, J. (2016). Best-worst multi-criteria decision-making method: Some properties and a linear model. Omega, 64, 126–130.
Saaty, T. L. (1980). The analytic hierarchy process: Planning, priority setting, resource allocation. McGraw-Hill.
Seuring, S., & Müller, M. (2008). From a literature review to a conceptual framework for sustainable supply chain management. Journal of Cleaner Production, 16(15), 1699–1710.
Zadeh, L. A. (1965). Fuzzy sets. Information and Control, 8(3), 338–353.
Ahmadi, E., & Sharma, S. (2024). Data-driven resilient-sustainable supply chain management: A hybrid predictive analytics and Fuzzy TOPSIS framework. Expert Systems with Applications, 238, Article 122150. https://doi.org/10.1016/j.eswa.2023.122150
Liu, Y., & Zhang, H. (2025). Smart and sustainable supply chain network design under disruption risks: A predictive-optimization approach using Random Forest and Fuzzy MCDM. Computers & Industrial Engineering, 199, Article 110650. https://doi.org/10.1016/j.cie.2024.110650
Rahman, M. A., Hossain, M. S., & Islam, M. T. (2024). Integrating Machine Learning and Fuzzy Best-Worst Method (F-BWM) for evaluating supply chain resilience in the era of Artificial Intelligence. Annals of Operations Research, 335(2), 845–872. https://doi.org/10.1007/s10479-023-05612-x
Sardar, M. S., Ali, M., & Raza, A. (2025). A novel hybrid machine learning and Fuzzy BWM-TOPSIS framework for resilient and sustainable supplier selection in Industry 4.0 supply chains. Journal of Cleaner Production, 434, Article 140210. https://doi.org/10.1016/j.jclepro.2024.140210
Breiman, L. (2001). Random forests. Machine Learning, 45(1), 5–32.
Chen, X., & Kumar, A. (2024). Evaluating Industry 4.0 technologies for enhancing sustainable and resilient supply chains using a hybrid ML-MCDM model. International Journal of Production Economics, 268, Article 109120. https://doi.org/10.1016/j.ijpe.2023.109120