دانشگاه شهید بهشتی چشم‌انداز مدیریت صنعتی 2251-9874 16 1 2026 03 21 An integrated machin elearning and QFD method to assess risk mitigation strategies ارزیابی استراتژی‌های کاهش ریسک: تلفیق یادگیری ماشین و گسترش کارکرد کیفیت 58 76 106779 10.48308/jimp.16.1.58 FA داریوش محمدی دانشیار، گروه مدیریت، دانشکده علوم اداری و اقتصاد، دانشگاه اصفهان، اصفهان، ایران. علی ملک پور دانشجوی کارشناسی ارشد، گروه مدیریت، دانشکده علوم اداری و اقتصاد، دانشگاه اصفهان، اصفهان، ایران. Journal Article 2025 09 06 <strong>Introduction and Purpose: </strong>Plastic waste management has become one of the most critical environmental challenges of the modern era, requiring efficient and resilient supply chains. The recycling supply chain of plastics is exposed to multiple uncertainties, such as fluctuations in the quantity and quality of recyclable inputs, operational instabilities, and process vulnerabilities that threaten its sustainability. In this context, identifying and prioritizing risk factors and formulating preventive strategies to mitigate them are essential. The main purpose of this study is to develop an integrated framework that combines machine learning (ML) algorithms with the fuzzy Quality Function Deployment (QFD) technique to identify key risk factors and prioritize preventive strategies for risk reduction in the plastic recycling supply chain.<br /><strong>Methodology: </strong>This research adopts a data-driven approach that leverages machine learning algorithms for risk assessment. The case study was conducted at Northe Shimi Plast Company, one of the largest plastic recycling complexes. The study population consisted of seven industrial experts, each with more than three years of practical experience in plastic waste recycling operations. Through a systematic literature review and expert validation, eleven risk factors and eight preventive strategies were identified. Feature importance techniques from decision-tree and random forest algorithms were employed to calculate the relative weights of risk factors. These weights were then integrated into the fuzzy QFD framework to rank the preventive strategies. Data analysis and model implementation were carried out using MATLAB software.<br /><strong>Findings:</strong><strong> </strong>The machine learning analysis revealed that input material risks are the most critical threats in the plastic recycling supply chain, followed by recycling process risks and health and safety risks. The fuzzy QFD analysis further indicated that buyer–supplier collaboration represents the most effective preventive strategy for risk mitigation, followed by supply chain transparency and supply chain agility. Buyer–supplier collaboration enhances supply chain resilience through information sharing, joint planning, and contingency strategy development. Meanwhile, digital technologies such as the Internet of Things (IoT), RFID tags, and GPS tracking contribute significantly to improving visibility and real-time risk monitoring across the supply chain.<br /><strong>Conclusion: </strong>The results demonstrate that the proposed integrated ML–QFD approach provides a powerful, data-driven tool for risk management and decision-making in recycling supply chains. By automating weight estimation and reducing subjective bias, the model improves the precision and efficiency of the decision-making process. Moreover, the interpretability of tree-based algorithms allows managers to understand the logic behind the model’s outputs and apply its insights in real-world operations.The proposed framework not only strengthens risk management capabilities in the plastic recycling industry but also offers transferability to other recycling sectors, including electronic waste, metal, and rubber recycling. Nevertheless, the model’s effectiveness depends on the availability of sufficient quantitative data. Future research is encouraged to expand the proposed approach by integrating large language models (LLMs) for feature identification, applying operations research techniques such as DEMATEL or network analysis to explore interrelationships among risks, and using objective weighting methods like entropy, CRITIC, or SECA to enhance precision. Integrating this framework with intelligent, data-driven decision tools could further advance predictive risk management and support sustainable supply chain development. <strong>مقدمه و اهداف</strong><strong>: </strong>مدیریت زباله‌های پلاستیکی به‌عنوان یکی از مهم‌ترین چالش‌های زیست‌محیطی قرن حاضر، مستلزم ایجاد زنجیره‌های تأمین کارآمد و مقاوم در برابر ریسک است. نوسانات در کیفیت و کمیت مواد اولیه بازیافتی، عدم‌قطعیت‌های عملیاتی و آسیب‌پذیری در فرآیند تولید از جمله عواملی‌اند که پایداری زنجیره تأمین بازیافت پلاستیک را تهدید می‌کنند. در چنین شرایطی، شناسایی و اولویت‌بندی ریسک‌ها و تدوین استراتژی‌های پیشگیرانه کاهش آن‌ها از اهمیت بسزایی برخوردار است. هدف اصلی پژوهش حاضر، ارائه رویکردی ترکیبی مبتنی بر تلفیق الگوریتم‌های یادگیری ماشین و تکنیک گسترش کارکرد کیفیت فازی است تا ضمن شناسایی عوامل کلیدی ریسک، استراتژی‌های پیشگیرانه کاهش ریسک در زنجیره تأمین بازیافت پلاستیک اولویت‌بندی شوند.<br /><strong>روش‌ها</strong><strong>: </strong>پژوهش حاضر با رویکرد داده‌محور و بهره‌گیری از الگوریتم‌های یادگیری ماشین انجام شده است. داده‌های پژوهش از شرکت "شیمی‌پلاست شمال" یکی از بزرگ‌ترین مجتمع‌های بازیافت ضایعات پلاستیکی گردآوری گردید. جامعه آماری شامل هفت کارشناس صنعتی با بیش از سه سال تجربه در حوزه زنجیره تأمین بازیافت بود. ابتدا از طریق مرور نظام‌مند ادبیات و تأیید خبرگان، یازده عامل ریسک و هشت راهبرد پیشگیرانه شناسایی شدند. سپس، با استفاده از الگوریتم‌های درخت تصمیم و جنگل تصادفی، اهمیت ویژگی‌ها و وزن نسبی هر عامل ریسک محاسبه شد. وزن‌های استخراج‌شده در چارچوب ماتریس خانه کیفیت فازی ادغام گردید تا استراتژی‌های پیشگیرانه کاهش ریسک رتبه‌بندی شوند. فرآیند تحلیل داده‌ها و کدنویسی در محیط نرم‌افزار متلب انجام شد.<br /><strong>یافته‌ها</strong><strong>: </strong>نتایج تحلیل یادگیری ماشین نشان داد که ریسک‌های مرتبط با مواد اولیه ورودی به‌عنوان مهم‌ترین تهدید زنجیره تأمین بازیافت پلاستیک شناسایی شدند. پس از آن، ریسک‌های فرآیند تولید بازیافت و ریسک‌های ایمنی و بهداشت به‌ترتیب در رتبه‌های دوم و سوم قرار گرفتند. نتایج تحلیلی ماتریس خانه کیفیت نیز نشان داد که همکاری خریدار-تأمین‌کننده مؤثرترین استراتژی پیشگیرانه در کاهش ریسک است و پس از آن، شفافیت و چابکی زنجیره تأمین بیشترین تأثیر را دارند. همکاری میان خریداران و تأمین‌کنندگان از طریق اشتراک اطلاعات، برنامه‌ریزی مشترک و توسعه راهکارهای اضطراری، تاب‌آوری زنجیره را افزایش می‌دهد. همچنین، بهره‌گیری از فناوری‌های نوین نظیر اینترنت اشیاء، برچسب‌های شناسایی فرکانس های رادیویی و جی پی اس نقش مهمی در افزایش شفافیت و نظارت بر جریان مواد ایفا می‌کند.<br /><strong>نتیجه‌گیری</strong><strong>: </strong>نتایج پژوهش نشان داد که رویکرد تلفیقی مبتنی بر یادگیری ماشین و گسترش کارکرد کیفیت فازی می‌تواند ابزاری کارآمد برای تصمیم‌گیری مبتنی بر داده در مدیریت ریسک زنجیره تأمین بازیافت باشد. این رویکرد با حذف نیاز به قضاوت‌های ذهنی متعدد و افزایش دقت محاسبه وزن معیارها، فرایند تصمیم‌سازی را بهینه می‌کند. علاوه بر این، قابلیت تفسیرپذیری الگوریتم‌های درختی به مدیران امکان می‌دهد تا منطق تصمیم‌گیری مدل را درک کرده و نتایج را در شرایط واقعی عملیاتی به کار گیرند. چارچوب پیشنهادی ضمن ارتقای توانمندی مدیریت ریسک در صنعت بازیافت پلاستیک، قابلیت تعمیم به سایر صنایع بازیافت نظیر زباله‌های الکترونیکی، فلزات و لاستیک را نیز دارد. با این حال، محدودیت‌هایی همچون وابستگی به داده‌های کمی و نیاز به اطلاعات جامع می‌تواند دامنه کاربرد آن را محدود سازد. در نهایت، به پژوهشگران آینده پیشنهاد می‌شود که با استفاده از مدل‌های زبانی بزرگ، روش‌های تحقیق در عملیات نظیر دیمتل و تحلیل شبکه، و تکنیک‌های وزن‌دهی عینی مانند آنتروپی و کریتیک چارچوب‌های تصمیم‌گیری ترکیبی دقیق‌تر و منعطف‌تری را برای مدیریت ریسک در زنجیره‌های تأمین پایدار توسعه دهند. https://jimp.sbu.ac.ir/article_106779_f2d27d591c089d68dcaac6577cb7e226.pdf