ارزیابی استراتژی‌های کاهش ریسک: تلفیق یادگیری ماشین و گسترش کارکرد کیفیت

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشیار، گروه مدیریت، دانشکده علوم اداری و اقتصاد، دانشگاه اصفهان، اصفهان، ایران.

2 دانشجوی کارشناسی ارشد، گروه مدیریت، دانشکده علوم اداری و اقتصاد، دانشگاه اصفهان، اصفهان، ایران.

10.48308/jimp.16.1.58

چکیده

مقدمه و اهداف: 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.
روش‌ها: 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.
یافته‌ها: 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.
نتیجه‌گیری: 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.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

An integrated machin elearning and QFD method to assess risk mitigation strategies

نویسندگان [English]

  • Dariush Mohamadi 1
  • Ali Malekpour 2
1 Associate Professor, Department of management, Faculty of Administrative and Economics, University of Isfahan, Isfahan, Iran.
2 Master Student, Department on Management,, Faculty of Administrative and Economics, University of Isfahan, Isfahan, Iran.
چکیده [English]

Introduction and Purpose: 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.
Methodology: 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.
Findings: 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.
Conclusion: 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.

کلیدواژه‌ها [English]

  • Feature selection
  • Machine learning
  • proactive risk strategies
  • Quality Function Deployment (QFD)
  • Recycling supply chain(RSC)

مراجع

  1. Abdulla A., Baryannis G., Badi I.,(2019). Weighting the key features affecting supplier selection using machine learning techniques, in: 7th International Conference on Transport and Logistics, Niš, Serbia, 6 2019, pp. 15–20, http://dx.doi.org/10.20944/preprints201912.0154.v1.
  2. Adobor H., McMullen R.S.,(2018). Supply chain resilience: a dynamic and multidimensional approach, Int. J. Logist. Manag. 29 (4),1451–1471, https://doi.org/10.1108/IJLM-04-2017-0093.
  3. Ahmad M.W., Mourshed M., Rezgui Y., (2018).Tree-based ensemble methods for predict ing PV power generation and their comparison with support vector regression, Energy 164 ,465–474
  4. Ali M.R., Nipu S.M.A., Khan S.A., (2023). A decision support system for classifying supplier selection criteria using machine learning and random forest approach, Anal. J. 7 , 100238.
  5. Alves M.A., Meneghini I.R., Gaspar-Cunha A., Guimarães F.G.,(2023). Machine learning-driven approach for large scale decision making with the analytic Hierarchy process, Mathematics ,11 (3), 627, http://dx.doi.org/10.3390/ math11030627.
  6. Baah C., Acquah I.S.K., Ofori D.,(2021). Exploring the influence of supply chain collaboration on supply chain visibility, stakeholder trust, environmental and f inancial performances: a partial least square approach, Benchmarking, 29 (1),172–193, https://doi.org/10.1108/BIJ-10-2020-0519.
  7. Babazadeh Rafiei, A. , Sohrabi, T. , Motamedi, M. and Darvish Motevalli, M. H. (2024). A Robust Risk Management Model for the Blood Supply Chain in Corona Pandemic Condition. Journal of Industrial Management Perspective, 14(3), 56-78. doi: 10.48308/jimp.14.3.56.[in prsian].
  8. Bai C., Sarkis J., (2013).Flexibility in reverse logistics: a framework and evaluation approach, Clean. Prod. 47 , 306–318, https://doi.org/10.1016/j. jclepro.2013.01.005.
  9. Barrowclough D., Deere Birkbeck C., (2022)Transforming the global plastics economy: The role of economic policies in the global governance of plastic pollution, Sci. Res 11 (1), 1–26, https://doi.org/10.3390/socsci11010026.
  10. Beaumont N.J., Aanesen M., Austen M.C., ¨orger T. B, Clark J.R., Cole M., et al., (2019).Global eco logical, social and economic impacts of marine plastic, Pollut. Bull. 142 , 189–195, https://doi.org/10.1016/j.marpolbul.2019.03.022.
  11. Beheshti S., Heydari J.,(2023). Municipal food waste recycling as an environmental strategy: a game-theoretical approach, Environ. Pollut. Res, 30 (13),36744–36768, https://doi.org/10.1007/s11356-022-23851-7.
  12. Bhatt U., Xiang A., Sharma S., Weller A., Taly A., Jia Y., et al., (2020). Explainable machine learning in deployment, in: Proceedings of the 2020 Conference on Fairness, Accountability, and Transparency, pp. 648–657.
  13. De Lima F.A., Seuring S.,(2023). A Delphi study examining risk and uncertainty management in circular supply chains, J. Prod. Econ., https://doi.org/ 10.1016/j.ijpe.2023.108810.
  14. de Lima F.R.P., Da Silva A.L., Godinho Filho M., Dias E.M.,(2018). Systematic review: resilience enablers to combat counterfeit medicines (https://doi:), Supply Chain Manag. 23 (2) , 117–135, https://doi.org/10.1108/SCM-04-2017-0155.
  15. Diaz A., Sch¨oggl J.P., Reyes T., Baumgartner R.J.,(2021). Sustainable product development in a circular economy: implications for products, actors, decision- making support and lifecycle information management, Sustain Prod. Consum, 26,1031–1045, https://doi.org/10.1016/j.spc.2020.12.044.
  16. Dilkes-Hoffman L.S., Pratt S., Laycock B., Ashworth P., Lant P.A.,(2019). Public attitudes towards plastics, Conserv Recycl, 147,227–235, https://doi.org/ 10.1016 /j.resconrec.2019.05.005.
  17. Feng L., Govindan K., Li C.,(2017). Strategic planning: design and coordination for dual- recycling channel reverse supply chain considering consumer behavior, J. Oper. Res, 260 (2) , 601–612, https://doi.org/10.1016/j.ejor.2016.12.050.
  18. Géron A.,(2019). Hands-on Machine Learning with Scikit-Learn, Keras, and Tensorflow: Concepts, Tools, and Techniques To Build Intelligent Systems, O’Reilly Media, Inc.
  19. Geurts P., Ernst D., Wehenkel L.,(2006). Extremely randomized trees, Mach. Learn. 63 (1) , 3–42.
  20. Guarnieri P., Sobreiro V.A., Nagano M.S., Serrano A.L.M.,(2015). The challenge of selecting and evaluating third-party reverse logistics providers in a multicriteria perspective: a Brazilian case, Clean. Prod. 96, 209–219, https://doi.org/ 10.1016/j.jclepro.2014.05.040.
  21. Huang H., Zhang J., Ren X., Zhou X., (2019). Greenness and pricing decisions of cooperative supply chains considering altruistic preferences, Int J. Environ. Res. Public Health, 16 (1), 51, https://doi.org/10.3390/ijerph16010051.
  22. Jafarnejad Chaghoshi, A. , Khani, A. M. and Rezasoltani,, A. (2024). Risk Modeling in Banking Services for the Blind Using Fuzzy FMEA and Graph Neural Network (GNN). Journal of Industrial Management Perspective, 14(4), 223-255. doi: 10.48308/jimp.14.4.223.[in prsian].
  23. Kamalahmadi M., Parast M.M.,(2016). A review of the literature on the principles of enterprise and supply chain resilience: major findings and directions for future research, J. Prod. Econ. 171, 116–133, https://doi.org/10.1016/j. ijpe.2015.10.023.
  24. Kern F., Sharp H., Hachmann S.,(2020). Governing the second deep transition towards a circular economy: how rules emerge, align and diffuse, Innov. Soc. Transit 37, 171–186, nhttps://doi.org/10.1016/j.eist.2020.08.008.
  25. Liu C., Tang J., Zhang Z.H., (2024). Impacts of capacity redundancy and process flexibility on risk mitigation in e-waste recycling supply chain management,   Omega,128,103110, https://doi.org/10.1016/j.omega.2024.103110.
  26. Lintukangas K., K¨ahk¨onen A.K., Ritala P.,(2016). Supply risks as drivers of green supply management adoption, J. Clean. Prod. 112,1901–1909, https://doi.org/ 10.1016/ jclepro.2014.10.089. 509 .
  27. Liu S., Zhang J., Niu B., Liu L., He X.,(2022). A novel hybrid multi-criteria group decision- making approach with intuitionistic fuzzy sets to design reverse supply chains for COVID-19 medical waste recycling channels, Ind. Eng. 169,108228, https://doi.org/10.1016/j.cie.2022.108228.
  28. Mangla S.K., Govindan K., Luthra S., (2016).Critical success factors for reverse logistics in Indian industries: a structural model, J. Clean. Prod. 129,608–621, https:// doi.org/10.1016/j.jclepro.2016.03.124.
  29. Mhatre P., Panchal R., Singh A., Bibyan S.,(2021). A systematic literature review on the circular economy initiatives in the European Union, Prod. Consum, 26,187–202, https://doi.org/10.1016/j.spc.2020.09.008.
  30. nematniya, R. , khademi, M. , Fathi Hafshejani, K. and sardar, S. (2025). Intelligent anomaly detection in unbalanced industrial data using the XGBoost model and genetic algorithm (GA) to optimize performance in identifying defective products in the production linee. Journal of Industrial Management Perspective, (15), doi: 10.48308/jimp.2025.235743.1564.[in prsian].
  31. Nikolaou I.E., Evangelinos K.I., Allan S.,(2013). A reverse logistics social responsibility evaluation framework based on the triple bottom line approach, Clean. Prod. 56 ,173–184, https://doi.org/10.1016/j.jclepro.2011.12.009.
  32. Noguchi T., Park W.J., Kitagaki R.,(2015). Risk evaluation for recycled aggregate according to deleterious impurity content considering deconstruction scenarios and production methods, Conserv Recycl, 104, 405–416, https://doi. org/10.1016/j.resconrec.2015.08.002.
  33. Palm E., Hasselbalch J., Holmberg K., Nielsen T.D., (2022).Narrating plastics governance: policy narratives in the European plastics strategy, Env Polit. 31 (3),365–385, https://doi.org/10.1080/09644016.2021.1915020.
  34. Parida V., Wincent J., (2019). Why and how to compete through sustainability: a review and outline of trends influencing firm and network-level transformation, Entrep. Manag J. 15 , 1–19, https://doi.org/10.1007/s11365-019-00558-9.
  35. Qu Y., Zhang Y., Guo L., Cao Y., Zhu P.,(2022). Decision strategies for the WEEE reverse supply chain under the “Internet+ recycling” model, Ind. Eng. 172,108532, https://doi.org/10.1016/j.cie.2022.108532.
  36. Rajesh R., Ravi V.,(2015). Supplier selection in resilient supply chains: a grey relational analysis approach, Clean. Prod. 86,343–359, https://doi.org/10.1016/j. jclepro.2014.08.054.
  37. Rameezdeen R., Chileshe N., Hosseini M.R., Lehmann S.,(2016). A qualitative examination of major barriers in implementation of reverse logistics within the South Australian construction sector, J. Constr. Manag. 16 (3),185–196, https://doi.org/ 10.1080/15623599.2015.1110275.
  38. Rice J.B., Caniato F., (2003).Building a secure and resilient supply network. Supply Chain, Manag Rev. 7 (5), 22–30.
  39. Santander P., Sanchez F., Boudaoud H., Camargo M.,(2020). Closed loop supply chain network for local and distributed plastic recycling for 3D printing: a MILP-based optimization approach, Conserv. Recycl. 154,104531, https://doi. org/10.1016/j.resconrec.2019.104531.
  40. Sasaki H., Sakata I.,(2021). Business partner selection considering supply-chain centralities and causalities, Supply Chain Forum Int. J. 22 (1), 74–85.
  41. Seetharaman A., Kumar Sahu V., Saravanan A.S., Rudolph Raj J., Niranjan I.,(2017). The impact of risk management in credit rating agencies (https://doi.org/doi:), Risks, 5 (4), 52, https://doi.org/10.3390/risks5040052.
  42. Senthil S., Murugananthan K., Ramesh A.,(2018). Analysis and prioritisation of risks in a reverse logistics network using hybrid multi-criteria decision making methods, Clean. Prod. 179, 716–730, https://doi.org/10.1016/j. jclepro.2017.12.095.
  43. Soh K.L., Wong W.P.,(2021). Circular economy transition: exploiting innovative eco- design capabilities and customer involvement, Clean. Prod. 320,128858, https://doi.org/10.1016/j.jclepro.2021.128858.
  44. Srivastava S.K.(2008). Network design for reverse logistics. Omega 36 (4), 535–548, https://doi.org/10.1016/j.omega.2006.11.012.
  45. Tennakoon G.A., Rameezdeen R., Chileshe N.,(2022). Diverting demolition waste toward secondary markets through integrated reverse logistics supply chains: a systematic literature review, Waste Manag. Res. 40 (3),274–293, https://doi.org/ 10.1177/0734242×211021478.
  46. Van Den Brink S., Kleijn R., Sprecher B., Tukker A.(2020). Identifying supply risks by mapping the cobalt supply chain, Conserv. Recycl. 156,104743, https://doi.org/10.1016/j.resconrec.2020.104743.
  47. Wang Y., Ji X., Lin B., (2025). The choice of recycling and remanufacturing strategy for power battery supply chain under carbon border adjustment mechanism and cap-and-trade, Transportation Research Part E: Logistics and Transportation Review,203, 104384, https://doi.org/10.1016/j.tre.2025.104384.
  48. Wu C.Y., Hu M.C., Ni F.C.,(2021). Supporting a circular economy: insights from Taiwan’s plastic waste sector and lessons for developing countries, Sustain Prod. Consum, 26 , 228–238, https://doi.org/10.1016/j.spc.2020.10.009.
  49. Yang R., Tang W., Dai R., Zhang J.,(2018). Contract design in reverse recycling supply chain with waste cooking oil under asymmetric cost information, Clean. Prod. 201, 61–77, https://doi.org/10.1016/j.jclepro.2018.07.329.
  50. Zhang C., Tian Y.X., Han M.H., (2022). Recycling mode selection and carbon emission reduction decisions for a multi-channel closed-loop supply chain of electric vehicle power battery under cap-and-trade policy, Clean. Prod. 375,134060, https://doi.org/10.1016/j.jclepro.2022.134060.

فایل ها

هم رسانی

ارجاع به این مقاله

آمار