مدل پیش بینی ریسک تاخیر لجستیکی با داده های هوشمند IoT: رویکردی برای افزایش تاب آوری زنجیره تامین

تاخیر در تحویل یکی از رایج ترین و پرهزینه ترین اختلالات عملیاتی در زنجیره های تامین است که می تواند از طریق افزایش هزینه های حمل ونقل، اختلال در برنامه ریزی موجودی و کاهش سطح خدمت، به سایر بخش های زنجیره تامین سرایت کند. رویکردهای واکنشی که تاخیر را پس از وقوع شناسایی می کنند، فرصت محدودی برای مداخله اصلاحی فراهم می سازند؛ از این رو، پیش بینی زودهنگام ریسک تاخیر، پیش شرط عملیاتی سازی تاب آوری زنجیره تامین است. هدف این پژوهش، ارائه و ارزیابی یک مدل یادگیری ماشین برای پیش بینی ریسک تاخیر لجستیکی به عنوان متغیر دودویی، با استفاده از ترکیب داده های محیطی-حسگری (دما، رطوبت، وضعیت ترافیک) و داده های عملیاتی (سطح موجودی، زمان انتظار، بهره وری دارایی و پیش بینی تقاضا) است. از میان شانزده متغیر اولیه یک مجموعه داده عمومی (۱۰۰۰ رکورد)، هفت متغیر بر اساس معیار در دسترس بودن پیش از وقوع تاخیر انتخاب شدند تا خطر نشت داده کنترل شود؛ چهار الگوریتم طبقه بندی—رگرسیون لجستیک، درخت تصمیم، جنگل تصادفی و XGBoost—بر پایه تقسیم لایه بندی شده آموزش و آزمون (۸۰۰/۲۰۰) مقایسه شدند. نتایج نشان داد هر چهار مدل عملکردی قابل قبول در تفکیک نمونه های دارای تاخیر داشتند (ROC-AUC در بازه ۰٫۷۶ تا ۰٫۷۹)؛ رگرسیون لجستیک برتری نسبی محدودی نشان داد و وضعیت ترافیک سنگین در هر چهار مدل به عنوان قوی ترین عامل پیش بین شناسایی شد. یافته ها نشان می دهند خروجی چنین مدلی می تواند مبنایی عملی برای طراحی سامانه هشدار زودهنگام چندسطحی فراهم کند، هرچند Recall نسبتا محدود مدل ها و ماهیت ثانویه و کوچک مقیاس داده مورد استفاده، ضرورت اعتبارسنجی بر داده های واقعی و بزرگ مقیاس تر را پیش از هرگونه استقرار عملیاتی برجسته می سازد.

کلیدواژه ها:

پیش بینی ریسک تاخیر لجستیکی ، اینترنت اشیا ، یادگیری ماشین ، تاب آوری زنجیره تامین ، سامانه هشدار زودهنگام