طبقه بندی و تخصیص تامین کنندگان به مشتری در زنجیره تامین تاب آور با استفاده از یادگیری ماشین

انتخاب و تخصیص در زنجیره  تامین تاب آور، زمانی که اختلال زنجیره تامین را تهدید می کند، به عنوان یک تصمیم استراتژیک و به کانون پژوهش های بسیاری تبدیل شده است؛ از سوی دیگر افزایش کاربردهای یادگیری ماشین در سراسر مطالعات زنجیره تامین به ظهور روش های تصمیم گیری سریع تر و مطمین تر منجر شده است، بااین حال در مطالعات کمی از یادگیری ماشین برای مقابله با مشکل انتخاب و تخصیص تامین کننده به مشتری در حالت تاب آور استفاده شده است. هدف پژوهش حاضر برداشتن گامی در جهت رفع این شکاف با استفاده از الگوریتم های یادگیری ماشین بر روی داده های دنیای واقعی از زنجیره تامین خودرو در ایران است. بدین منظور از داده های عملکردی 441 تامین کننده و 7 مشتری در سال 1401 استفاده شد. در این پژوهش از دو الگوریتم خوشه بندی برای تولید برچسب بر اساس مفهوم ظرفیت تاب آوری استفاده شده است؛ سپس ازآنجاکه تفسیرپذیری نتایج در اولویت قرار داشت، بر اساس لیبل گذاری خوشه ها توسط خبرگان از درخت تصمیم برای طبقه بندی تامین کنندگان بر اساس عملکرد آن ها استفاده شد. نتایج نشان داد که درخت K-means عملکرد بهتری نسبت به درخت DBSCAN دارد و معیارهای چون تحویل به موقع، درصد تامین، توقف خط تولید، اخطارهای کیفی، عملکرد لجستیکی و عملکرد کیفی بر تاب آوری تامین کنندگان موثر هستند.