کاربرد هوش مصنوعی در پیش بینی و برنامه ریزی لجستیکی عملیات امداد و نجات جمعیت هلال احمر: یک مرور سیستماتیک

عملیات امداد و نجات در حوادث و بحران ها نیازمند تصمیم گیری سریع، تخصیص بهینه منابع و مسیردهی کارآمد است؛ عواملی که نقش حیاتی در کاهش تلفات و افزایش اثربخشی پاسخ ایفا می کنند. پیشرفت های اخیر در حوزه هوش مصنوعی (AI) امکان بهبود چشمگیر این فرایندها را فراهم ساخته است. این پژوهش با هدف بررسی سیستماتیک کاربردهای هوش مصنوعی در پیش بینی و برنامه ریزی لجستیکی عملیات امداد و نجات جمعیت هلال احمر و شناسایی عوامل موثر بر موفقیت یا شکست این پیاده سازی ها انجام شد. مطالعه حاضر به صورت مرور سیستماتیک بر اساس دستورالعملPRISMA ۲۰۲۰ طراحی و اجرا گردید. جستجوی جامع در پایگاه های SID، نورمگز، مگ ایران، PubMed، Scopus، Web of Science و Google Scholar با کلیدواژه های فارسی و انگلیسی مرتبط با «هوش مصنوعی»، «لجستیک امداد و نجات»، «جمعیت هلال احمر»، «پیش بینی نیاز»، «تخصیص منابع» و «مسیردهی پویا» انجام شد. از میان ۱۸۵ مقاله شناسایی شده، ۴۷ مقاله واجد شرایط برای تحلیل نهایی انتخاب گردید. داده ها شامل نوع مطالعه، حوزه کاربرد AI، الگوریتم های استفاده شده، شاخص های عملکرد لجستیکی و یافته های کلیدی استخراج و تحلیل شدند.نتایج مرور نشان داد که استفاده از الگوریتم های یادگیری ماشین و یادگیری عمیق دقت پیش بینی تقاضای لجستیکی را تا ۴۵٪ افزایش داده و زمان پاسخ به محل حادثه را در برخی موارد تا ۳۰٪ کاهش داده است. همچنین، مدل های تخصیص منابع هوشمند موجب کاهش هدررفت منابع و افزایش عدالت در توزیع کمک ها شدند. با وجود این مزایا، موانعی نظیر کمبود داده های بومی، مشکلات فنی در یکپارچه سازی سیستم ها، هزینه های اولیه بالا و کمبود نیروی انسانی آموزش دیده شناسایی شد. یافته ها نشان می دهد که برای بهره برداری کامل از ظرفیت های AI، توسعه بانک های داده مشترک، بومی سازی الگوریتم ها، و آموزش تخصصی نیروهای امدادی ضروری است.

کلیدواژه ها:

هوش مصنوعی ، لجستیک امداد و نجات ، پیش بینی نیاز ، تخصیص منابع ، مسیردهی پویا ، مرور سیستماتیک.