پیش بینی ریسک تحول دیجیتالی زنجیره تامین تولید بر اساس تحلیل مؤلفه اصلی
چکیده
تحول دیجیتالی تولید، موضوع داغی در بین مدیران استراتژیک شرکت های تولیدی است. کلید تحویل دیجیتالی در دیجیتالی کردن زنجیره تأمین تولید (MSC) است. با این حال تحول دیجیتالی زنجیره تأمین تولید (MSC) کاملاً نامعلوم است و این نامعلومی به علت تغییرات پویا و پیچیده در گره ها و ساختار آن در پاسخ به تقاضای رو به رشد مشتریان و رقابت شدید در بازار است. برای پیشبرد تحول دیجیتالی زنجیره تأمین تولید (MSC)، مهم است که عوامل ریسک در زمینه تحول دیجیتالی را به صورت مؤثر شناسایی و پیش بینی کنیم. لذا من در این مقاله تلاش می کنم که به شرکت های تولیدی در چین کمک کنم به یک زنجیره تأمین تولید (MSC) دیجیتالی رو بیاورند. اول، منابع ریسک دیجیتالی کردن زنجیره تأمین تولید (MSC) را شناسایی می کنم، و آنها را به صورت یک سیستم شاخص ارزیابی برای تحول دیجیتالی زنجیره تأمین تولید (MSC) تعدیل می کنم. سپس تحلیل مؤلفه اصلی (PCA) را انجام دادم تا بُعد داده های اصلی را از طریق آشکارسازی سه مؤلفه اصلی کلیدی کاهش دهم و سپس پارامترهای مشخصه پیش بینی ریسک را انتخاب کردم تا ساختار شبکه عصبی را ساده سازم و سرعت و کارایی آموزش شبکه را بهبود دهم. بر این اساس، یک شبکه عصبی پسرو (BPNN) را برای پیش بینی ریسک ها در دیجیتالی کردن زنجیره تأمین تولید (MSC) ایجاد کردیم. نتایج آموزش دادن مدل بر مبنای برخی از داده ها نشان داد که مدل پیشنهادی شبکه عصبی پسرو (BPNN) تاثیر پیشگویانه خوبی دارد. به علاوه، من در یک سری آزمایشات، مدل خود را با مدل شبکه عصبی مصنوعی (ANN) سنتی مقایسه کردیم. این مقایسه نشان داد که مدل من از لحاظ پیش بینی ریسک، اثر بهتری نسبت به مدل سنتی دارد. نتایج همچنین نشان داد که سه مؤلفه اصلی انتخاب شده منطقی هستند و سیستم شاخص ارزیابی نیز ارزشمند می باشد. نتایج تحقیق من بینش های جدیدی را درباره تحول دیجیتالی آسان زنجیره تأمین تولید (MSC) ایجاد کرد.
7. نتیجه گیری ها
تحول دیجیتالی صنعت تولید چین یک پدیده جدید است و هیچ تجربه موجود نیست که بتوان چیزهایی را از آن یاد گرفت. بسیاری از شرکت های تولیدی سنتی در چین با مشکلات زیادی از لحاظ تکمیل سریع تحول دیجیتالی مواجه هستند که این تا حدودی به علت عدم قطعیت ها و ریسک های متعددی است که در حین تحول رخ میدهند. برای اجرای هموار تحول دیجیتالی در بین شرکت های تولیدی در چین، در این مقاله عوامل ریسک شرکت های تولیدی سنتی در تحول دیجیتالی را شناسایی کرده ام، مطالعات مرتبط را مرور نموده ام، و آنها را به صورت یک سیستم شاخص ارزیابی گردآوری کرده ام. سپس تحلیل مؤلفه اصلی (PCA) را انجام دادم تا عوامل ریسک اصلی تحول دیجیتالی را بر مبنای داده های بررسی استخراج کنم و از آنها برای آموزش و بهبود مدل پیش بینی ریسک شبکه عصبی پسرو (BPNN) استفاده کنم. نتایج شبیه سازی نشان میدهد که مدل پیش بینی شبکه عصبی پسرو (BPNN) پیشنهاد شده خیلی سودمند است. ترکیب ریسک موجود منطقی است. از بین سه مؤلفه اصلی کلیدی، سازگاری استراتژی ضعیف معنادارترین عامل می باشد. این عامل نه تنها پایداری زنجیره تأمین (SC) دیجیتالی را تضعیف می کند بلکه بر روی محیط عملیاتی نیز تأثیر می گذارد و توانایی مدیریت ریسک شرکت ها را هم تضعیف می کند. تحقیقات پیگیری، مدل پیش بینی ما را بیشتر بهبود می دهند. به عنوان مثال اندازه، تنوع، و کیفیت نمونه ها افزایش خواهند یافت؛ سیستم شاخص ارزیابی از طریق انجام آزمایش های بیشتر اعتبارسنجی خواهد شد و تعدیل خواهد شد تا کاربردپذیری آن برای سناریوهای دنیای واقعی افزایش یابد.
Abstract
Digital transformation of manufacturing is a hot topic among strategic managers of manufacturing companies. The crux of digital transformation lies in the digitalization of manufacturing supply chain (MSC). However, the digital transformation of the MSC is highly uncertain, owing to the dynamic and complex changes of its nodes and structure in response to growing customer demand and fierce market competition. To propel the MSC digital transformation, it is crucial to effectively identify and predict the risk factors in the course of digital transformation. Therefore, this paper attempts to help manufacturing companies in China to successfully switch to a digital MSC. Firstly, the risk sources of the MSC digitization were identified, and complied into an evaluation index system for the digital transformation of the MSC. Next, the principal component analysis (PCA) was performed to reduce the dimension of the original data by revealing the three key principal components, and then the characteristic parameters of risk prediction are selected, so as to simplify the structure of neural network and improve the speed and efficiency of network training. On this basis, a backpropagation neural network (BPNN) was constructed for predicting the risks in MSC digitization. The results of training the model based on some data show that the proposed BPNN model has a good predictive effect. Furthermore, our model was compared with the traditional artificial neural network (ANN) model on a test set. The comparison demonstrates that our model achieved better effect than the traditional model in risk prediction. The results also show that the selected three principal components are reasonable, and the evaluation index system is valuable. The research results provide new insights to the smooth digital transformation of the MSC.
7. Conclusions
The digital transformation of China’s manufacturing is a new phenomenon, with no experience to learn from. Many traditional manufacturing companies in China are faced with great difficulties in quickly completing the digital transformation, partly owing to the numerous uncertainties and risks that arise in the course of the transformation. For the smooth implementation of digital transformation among manufacturing companies in China, this paper identifies the risk factors of traditional manufacturing companies in digital transformation, referring to the relevant literature, and compiles them into an evaluation index system. Next, the PCA was carried out to extract the principal risk factors of digital transformation based on the survey data, and used to train and improve the BPNN risk prediction model. Simulation results show that the proposed BPNN prediction model is very useful. The risk composition is reasonable. Among the three key principal components, the weak strategy consistency is the most significant factor. This factor not only undermines the stability of the digital SC, but also affects the operating environment and weakens the risk management ability of companies. The follow-up research will further improve our prediction model. For example, the size, diversity, and quality of samples will be increased; the evaluation index system will be verified through even more tests, and adjusted to enhance its applicability to real-world scenarios.
(جهت بزرگ نمایی روی عکس کلیک نمایید)
چکیده
1. مقدمه
2. مرور مطالعات پیشین
2.1 معانی ضمنی زنجیره تأمین تولید (MSC) دیجیتالی
2.2 عوامل محرک تحول دیجیتالی زنجیره تأمین تولید (MSC)
2.3 بحث درباره ریسک های تحول دیجیتالی زنجیره تأمین تولید (MSC)
3. مبانی نظری
3.1 نظریه تکنولوژی، سازمان، و محیط (TOE)
3.2 ریسک های زنجیره تأمین تولید (MSC) دیجیتالی
4. روش شناسی
4.1 تحلیل مؤلفه اصلی (PCA)
5. طراحی سیستم شاخص ارزیابی
5.1 کسب داده های نمونه
5.2 تحلیل مؤلفه اصلی (PCA)
6. طراحی و کاربرد مدل شبکه عصبی پسرو (BPNN) مبتنی بر تحلیل مؤلفه اصلی (PCA)
6.1 طراحی مدل شبکه عصبی پسرو (BPNN)
6.2 آموزش شبکه عصبی پسرو (BPNN)
6.3 شبیه سازی مدل
7. نتیجه گیری ها
منابع
Abstract
1. Introduction
2. Literature Review
2.1. Connotations of digital MSC
2.2. The driving factors of the MSC digital transformation
2.3. Discussion on the Risks of Digital Transformation of MSC
3. Theoretical Foundations
3.1. TOE Theory
3.2. Risks of digital MSC
4. Methodology
4.1. Principal component analysis (PCA)
4.2. BPNn
5. Design of Evaluation Index System
5.1. Sample data acquisition
5.2. PCa
6. Design and Application of PCA-Based BPNN Model
6.1. BPNN model design
6.2. Training of BPNN
6.3. Model simulation
7. Conclusions
Declaration of Competing Interest:
Acknowledgments:
References
- ترجمه فارسی مقاله با فرمت ورد (word) با قابلیت ویرایش، بدون آرم سایت ای ترجمه
- ترجمه فارسی مقاله با فرمت pdf، بدون آرم سایت ای ترجمه