شناسایی و ارزیابی عوامل خطر در زنجیره تامین صنایع دارویی با استفاده از هوش مصنوعی

با بالا رفتن دشواری ها، سطح عدم اطمینان و خطر موجود در زنجیره تامین افزایش می یابد. دارو یک محصول راهبردی است و به صورت مستقیم با سلامتی جامعه ارتباط دارد. این پژوهش با هدف ارزیابی عوامل خطرزنجیره تامین دارویی با روش های هوش مصنوعی انجام شده است.

با مرور متون و مصاحبه با 6 نفر از کارشناسان خبره که دارای مدرک تحصیلی کارشناسی ارشد و دکتری تخصصی بودند و تجربه ای بین 7 تا 15 سال در زمینه خطر و زنجیره تامین دارو داشتند، عوامل خطر شناسایی شدند. در نهایت با استفاده از شبکه های عصبی پرسپترون چندلایه و ماشین های بردار پشتیبان با توابع کرنل خطی، چندجمله ای و پایه شعاعی در دو کلاس کم خطر و پرخطر در نرم افزار پایتون طبقه بندی گردیدند.

22عامل در 5 دسته دارایی، شبکه حمل و نقل، دولت و بازار، راهبردی و تهیه و تامین کننده شناسایی و با استفاده از شبکه های عصبی طبقه بندی شدند. تغییرات بهره و تورم، تغییرات نرخ ارز، عدم انعطاف پذیری در تولید و اختلال در خدمات مشتری به ترتیب بیشترین اهمیت را در خطرهای زنجیره تامین دارو دارند. نتایج معیارهای ارزیابی نشان داد، مدل پرسپترون چندلایه عملکرد بهتری نسبت به ماشین های بردار پشتیبان با توابع کرنل خطی، چندجمله ای و پایه شعاعی داشته است.

نتایج نشان داد که شبکه های عصبی مصنوعی قادر به طبقه بندی عوامل خطر زنجیره تامین دارو با دقت قابل قبولی هستند. در نتیجه طبقه بندی عوامل خطر با دقت 07/97% نشان دهنده توانایی بالای شبکه پرسپترون چندلایه در ارزیابی خطر زنجیره تامین دارو است.