ارائه یک چارچوب داده محور برای ارزیابی خرده فروشان در زنجیره تامین کشاورزی با رویکرد ترکیبی مبتنی بر یادگیری ماشین

زنجیره تامین کشاورزی در سال های اخیر با چالش هایی نظیر عدم قطعیت تقاضا، محدودیت منابع و الزامات پایداری مواجه بوده است که نیاز به رویکردهای نوین تصمیم گیری را افزایش داده است. در این پژوهش، یک چارچوب داده محور چندمرحله ای برای ارزیابی و انتخاب خرده فروشان در زنجیره تامین کشاورزی با در نظر گرفتن ابعاد چابکی، پایداری، تاب آوری، صنعت ۴.۰ و اقتصاد چرخشی ارائه شده است. در گام نخست، شاخص های ارزیابی با استفاده از مرور ادبیات و نظرات خبرگان استخراج شدند. سپس، به منظور تعیین اهمیت نسبی شاخص ها، از روش بهترین بدترین فازی استفاده گردید که امکان لحاظ عدم قطعیت در قضاوت های انسانی را فراهم می کند. در ادامه، یک مدل یادگیری ماشین مبتنی بر الگوریتم CatBoost Regressor توسعه داده شد که در آن وزن شاخص ها به عنوان ورودی در فرآیند یادگیری لحاظ شد. برای ارزیابی مدل، یک دیتاست شامل ۶۰۰ مشاهده ایجاد و پس از انجام مراحل پیش پردازش، مدل آموزش داده شد. نتایج نشان داد که الگوریتم CatBoost با مقادیر R² برابر با ۰.۹۱۱، RMSE برابر با ۲.۶۷۱ و MAE برابر با ۱.۵۱۴ عملکرد بهتری نسبت به سایر الگوریتم ها دارد. همچنین، تحلیل نتایج بیانگر اهمیت بالای شاخص هایی نظیر کاهش ضایعات، سرعت پاسخ به تقاضا و تنوع تامین کنندگان در ارزیابی عملکرد خرده فروشان است. چارچوب پیشنهادی با ترکیب روش های تصمیم گیری چندمعیاره و یادگیری ماشین، ابزاری کارآمد برای بهبود دقت تصمیم گیری و ارتقای کارایی و پایداری زنجیره تامین فراهم می کند.

کلیدواژه ها:

زنجیره تامین کشاورزی ، ارزیابی خرده فروشان ، تصمیم گیری چندمعیاره ، FBWM ، CatBoost ، اقتصاد چرخشی