تقدم هذه الورقة إطار عمل الذكاء الاصطناعي السببي باستخدام شبكة بايزية لنمذجة المخاطر النظامية في الشحن السريع العالمي. الهدف هو تمكين اتخاذ القرار الاستراتيجي من خلال قياس كيفية تأثير المخاطر الأساسية على مؤشرات الأداء الرئيسية (التكلفة، الوقت، الموثوقية)، مما يمكن التخفيف من المخاطر بشكل استباقي وموجه بدقة.
مقالة بحثية
تصميم المرونة في الشحن العالمي باستخدام إطار الذكاء الاصطناعي السببي
* These authors contributed equally
يفتح في علامة تبويب جديدة
في هذه المقالة
ملخص
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
الملخص
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
تواجه صناعة الشحن العالمية مخاطر معقدة ومتتابعة. غالبا ما تكون الطرق التحليلية التقليدية غير كافية لإدارة هذه المخاطر. تقترح هذه الورقة بروتوكولا لبناء واستخدام إطار ذكاء اصطناعي سببي (الذكاء الاصطناعي) لإدارة المخاطر النظامية. يتكون البروتوكول من ثلاث مراحل رئيسية. المرحلة الأولى تتضمن بناء شبكة بايزية هرمية (BN). يعمل هذا الكتاب كرسم بياني للمعرفة السببية. يجمع تصميمه خبرة المجالات لرسم خريطة بين محركات المخاطر الأساسية ومؤشرات الأداء الرئيسية الأساسية: التكلفة، الوقت، والموثوقية. المرحلة الثانية هي تحويل الروابط إلى BN من خلال تعريف الاحتمالات الشرطية. تدمج هذه الخطوة بين الحكم الخبير ورؤى من تقارير الصناعة. يستخدم نموذج Noisy-MAX لإدارة عدم اليقين في البيئات التي تعاني من ندرة البيانات. في المرحلة النهائية، يستخدم النموذج المميز لإجراء محاكاة تنبؤية وتحليلات تشخيصية. الاستدلال المستقبلي يولد ملف مخاطر أساسي. في الوقت نفسه، يحدد تحليل الحساسية نقاط تدخل ذات نفوذ عالي. تطبيق هذا البروتوكول ينتج عنه عدة رؤى حاسمة: (1) يتم تحديد العرض والطلب في السوق كعقدة مركزية للمخاطر النظامية. (2) ينتج النموذج بصمات مخاطر مميزة لكل مؤشر رئيسي (KPI). تظهر التكلفة أعلى درجات التعرض للعوامل التجارية. الوقت هو الأكثر حساسية للاضطرابات اللوجستية. الموثوقية معرضة بشكل فريد لتهديدات الأمن السيبراني. يساهم هذا العمل بأداة قابلة للتفسير الذكاء الاصطناعي. تعمل الأداة كمحرك "ماذا لو". يمكن هذا النموذج شركات الشحن من الانتقال من إدارة الأزمات التفاعلية إلى التخفيف من المخاطر بشكل استباقي وموجه بدقة.
المقدمة
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
صناعة الشحن العالمية هي العمود الفقري غير المرئي للتجارة الحديثة، نظام بيئي بقيمة تريليونات الدولارات ينسق تدفق السلع الذي يدعم التصنيع والتجارة الإلكترونية العالمية1. تشغيله السلس ليس مجرد راحة لوجستية بل هو عامل مباشر محدد للاستقرار الاقتصادي العالمي2. ومع ذلك، تواجه هذه البنية التحتية الحيوية الآن عاصفة مثالية من الضغوط المتقاربة. المنافسة الشديدة في السوق3، تشديد لوائح الاستدامة4، التقنيات المزعزعة5، والتقلبات الجيوسياسية غير المسبوقة6 لم تعد تحديات معزولة. بدلا من ذلك، اندمجت في شبكة معقدة من المخاطر النظامية، حيث يمكن لاضطراب واحد — إضراب ميناء، تعريفة جديدة، هجوم إلكتروني — أن يؤدي إلى فشل متتابع عبر سلسلة التوريد بأكملها. هذا المستوى العالي من الترابط يعني أن إدارة المخاطر في العزل لم تعد ممكنة؛ البقاء يعتمد على فهم النظام ككل.
هذه الحقيقة الجديدة تمثل تحديا حاسما يتحدى كل من تحليل المخاطر التقليدي الذكاء الاصطناعي التقليدي. الأدوات التقليدية مثل تحليل شجرة الصدع (FTA) صارمة جدا، وتفشل في التقاط الطبيعة الاحتمالية والاعتمادية المتبادلة للمخاطر الحديثة7،8. العديد من نماذج مرونة سلسلة التوريد الحالية، سواء كانت تحليلية أو مدفوعة بالذكاء الذكاء الاصطناعي، مصممة للقطاعات ذات الأصول الثقيلة مثل التصنيع، مع التركيز على الاضطرابات في التدفقات الفيزيائية ومخزون المخزون 6,9. تظهر المراجعات الحديثة للمجال أن هذه الأطر تركز عادة على القدرات المتجذرة في تصميم سلسلة التوريد، والتعاون التنظيمي، والمرونة لتحمل الاضطرابات9. في الوقت نفسه، أدى صعود الذكاء الاصطناعي إلى إدخال أدوات جديدة قوية لإدارة المخاطر. كما تظهر مراجعة منهجية أجراها زماني وآخرون، أظهرت تحليلات الذكاء الاصطناعي والبيانات الضخمة وعدا كبيرا في تعزيز المرونة، لا خاصة في التنبؤ بالاضطرابات وتحسين الاستجابات عندما تتوفر بيانات تاريخية كافية10.
ومع ذلك، لا تزال هناك فجوة حاسمة في السياق الفريد لنقل الشحن العالمي. بينما تعالج النماذج الحالية الاضطرابات المادية، غالبا ما تفتقر إلى التفاصيل الدقيقة لالتقاط العوامل غير المادية ولكن الحاسمة — مثل العلاقات التجارية، ونزاهة المعلومات، والضغوط الاقتصادية الكلية — التي تحدد صناعة الشحن الخفيفة والمتمركزة على الخدمات10,11. هذه الفجوة في الأدبيات تجعل قادة الصناعة في حالة طيران عمياء، مسلحين بالحدس لكنهم يفتقرون إلى بوصلة كمية وذكية للتنقل في بيئة تكون فيها البيانات نادرة وتفسير السببية أمر بالغ الأهمية لاتخاذ القرار الاستراتيجي.
تعالج هذه الورقة هذه الفجوة من خلال تقديم إطار جديد الذكاء الاصطناعي السببي مصمم خصيصا لمنظومة الشحن البيئي. نستفيد من الشبكات البايزية (BNs)، وهي شكل من أشكال النموذج الرسومي الاحتمالي الذي يتفوق في تقاطع البيانات وعدم اليقين والمعرفة الخبيرة11. بينما تعد الشبكات البايزية منهجية راسخة، تكمن جدة هذا البحث في التصميم المعماري المبتكر للنماذج، وتحديدا هيكلتها الهرمية المصممة لتناسب مشهد مخاطر الشحن الكهربائي، ودمج المخاطر التجارية والتشغيلية المتباينة في رسم بياني سببي متماسك، واستراتيجية معاملية متكيفة مع بيئة الصناعة التي تعاني من ندرة البيانات. على عكس النماذج المعتمدة على البيانات فقط، توفر شبكات BN تمثيلا شفافا في الصندوق الأبيض للنظام، مما يتيح التفكير التنبؤي (ماذا لو) والتشخيصي (لماذا). لقد أثبت هذا النهج قوته في فك تشابك المخاطر النظامية في مجالات عالية المخاطر المجاورة مثل السلامة البحرية 11,12,13,14,15,16 وأنظمة الطاقة 7,8,15,16,17,18,19 . دليل إضافي على تنوعهم يوجد في الهندسة المدنية، حيث يحاولون نمذجة مخاطر المشاريع الخاصةبالموقع 20,21، وفي الطيران حيث يحللون العوامل السببية في حوادث الطائرات بدون طيار22. توفر هذه التطبيقات إثباتا قويا للمفهوم، ومع ذلك لا يوجد نموذج كهذا لمشهد المخاطر الفريد في نقل البضائع، الذي يتميز بمزيجها من الضغوط التجارية والتشغيلية والاستراتيجية.
مساهمتنا ثلاثية، حيث تؤسس نموذجا جديدا لإدارة المخاطر الذكية في اللوجستيات:
رسم بياني لمعرفة الذكاء الاصطناعي السببي للمخاطر النظامية: نبني أول نموذج متكامل هرمي لهذا القطاع، متجاوزين قوائم المخاطر البسيطة أو النماذج الارتباطية. يعمل كرسم بياني معرفي يصور ويكمم المسارات السببية من التحولات الجيوسياسية إلى الأداء الربحي النهائي، مقدما رؤية شاملة لا مثيل لها.
من مخاطرة مجردة إلى توأم رقمي استراتيجي: يترجم هذا النموذج المخاطر المجردة إلى تأثيرها المباشر على مؤشرات الأداء الرئيسية الثلاثة الأساسية: التكلفة، الوقت، والموثوقية. يعمل كتوأم رقمي استراتيجي، يسمح لصناع القرار بمحاكاة تأثيرات الاضطرابات المختلفة وخيارات السياسات، وبالتالي اختبار مرونتهم قبل وقوع الأزمة.
تدخل استراتيجي موجه بدقة: من خلال تحليل الحساسية، يتجاوز هذا الإطار إدارة الأزمات التفاعلية. يحدد نقاط التدخل الأعلى في الرافعة المالية داخل النظام، ويجيب بشكل كمي على أسئلة حاسمة مثل: هل الاستثمار في الأمن السيبراني أم في تنويع علاقات شركات الاتصالات أكثر فعالية في تحسين موثوقية التوصيل؟
لضمان متانة الادعاءات السببية، سيتم التحقق من صحة الإطار المقترح باستخدام استراتيجيات راسخة. تشمل هذه: (1) محاكاة التدخلات المستهدفة للتحقق مما إذا كانت توقعات النموذج تتوافق مع معرفة المجال؛ (2) إجراء تحليلات حساسية لتقييم تأثير المتغيرات التي قد يتم تجاهلها؛ و(3) استخدام خوارزميات التعلم الهيكلي على بيانات المجموعات الفرعية المتاحة كفحص متبادل لبنية الرسم البياني المعرفة من قبل الخبراء.
في جوهر الأمر، يوفر هذا البحث بوصلة كمية مدعومة بالذكاء الذكاء الاصطناعي للتنقل في بيئة الصناعة المضطربة. يمكن أصحاب المصلحة من اتخاذ قرارات مستندة إلى البيانات وواعية بالسبب، مما يحول المخاطر من تهديد لا يمكن السيطرة عليه إلى متغير استراتيجي قابل للإدارة، مما يضمن المرونة والميزة التنافسية معا.
الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.
البروتوكول
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
إطار عمل نمذجة الذكاء الاصطناعي السببي
تم بناء إطار الذكاء الاصطناعي السببي على أساس شبكات بايزيان (BNs)، وهي فئة من نماذج الذكاء الاصطناعي الاحتمالية ذات الصندوق الأبيض. على عكس نماذج الصندوق الأسود مثل الشبكات العصبية العميقة، تقدم شبكات الصندوق الأسود بنية شفافة مثالية للمجالات التي تتطلب قابلية الشرح والاستدلال السببي11. كان جوهر الإطار هو رسم بياني موجه غير دوري (DAG)، يعمل كرسم بياني لمعرفة سببية، يرسم بشكل صريح علاقات السبب والنتيجة داخل منظومة الشحن المشترك.
تم قياس قوة هذه العلاقات باستخدام جداول الاحتمالات الشرطية (CPTs). كل عقدة في BN كانت مرتبطة ب CPT. يحدد CPT العقدة احتمال وجود تلك العقدة في حالة معينة. كان هذا الاحتمالي مشروطا بحالات العقد الأم. على سبيل المثال، انظر إلى عقدة أداء الوقت الصناعي من هذا النموذج. يحدد نموذج CPT الخاص به احتمال أن تكون النتيجة متأخرة أو في الوقت المحدد لكل تركيبة من حالات عقدتها الأم: مخاطر النقل، مخاطر التشغيل والامتثال، ومخاطر الشركاء. قدمت هذه القدرة على النمذجة الاحتمالية للتبعيات متعددة الحالات ميزة واضحة مقارنة بالطرق الحتمية.
مكن هيكل BN حسابات احتمالية فعالة. سمح بحساب توزيع الاحتمالات المشترك الكامل على جميع المتغيرات. لتكن هذه المتغيرات X = {X1, ..., Xn}. كان هذا التوزيع حاصل ضرب الاحتمالات الشرطية المحلية. كل مصطلح هو احتمال العقدة التي تمنح عقدها الأصلية. قمنا بتحديد والدي العقدة Xi ك Pa(Xi). تم صياغة هذه العلاقة كما يلي:
كان هذا التحليل هو الأساس الرياضي لروايات BN. وقد أدت إلى استنتاج على شبكات معقدة قابلة للحساب23.
ومن الأهم لإدارة المخاطر، أن الإطار يدعم الاستنتاج الاحتمالي ثنائي الاتجاه. سمح ذلك بتحليل مستقبلي ونظري إلى الوراء معا.
الاستدلال التنبؤي (الأمامي): هذا النوع من الاستدلال يقيم التأثير المحتمل لحدث خطر محدد على الأداء العام للنظام. على سبيل المثال، يجيب على السؤال: إذا حدث هجوم إلكتروني كبير، ما هو توزيع الاحتمالات الناتج لوقت التسليم والتكلفة؟ تم إجراء هذا الحساب عن طريق ضبط عقدة الهجوم السيبراني على حالة محددة كدليل. ثم نشرت البحرية هذه المعلومات الجديدة عبر الشبكة.
الاستدلال التشخيصي (العكسي): يحدد هذا النوع من الاستدلالات الأسباب الأكثر احتمالا لنتيجة مرصودة. يمكن أن يجيب على السؤال: في ظل ارتفاع غير متوقع في التكاليف، ما هو السبب الجذري الأكثر احتمالا؟ في هذا السيناريو، تم تعيين مؤشر التكلفة كدليل (مثلا، الحالة = عالية). ثم قامت الشبكة بتحديث احتمالات جميع العوامل السببية المحتملة. هذه الوظيفة ضرورية لتحليل السبب الجذري الفعال وجهود التخفيف المركزة22.
هندسة المعرفة وبناء الرسوم البيانية السببية
كان بناء الرسم البياني السببي مرحلة حاسمة في هندسة المعرفة. نظرا لندرة البيانات المنظمة حول المخاطر النظامية، قمنا بتلخيص خبرة المجال من مراجعة مستهدفة للأدبيات الأكاديمية وتقارير الصناعة الموثوقة، وفقا لمنهجيات معتمدة لبناء النماذج القائمة على المعرفة24. حولت هذه العملية المعرفة النوعية للخبراء إلى بنية سببية رسمية قابلة للقراءة آليا، وهي ميزة رئيسية لنهج الذكاء الاصطناعي الهجين مقارنة بالطرق المعتمدة فقط على البيانات11.
من خلال هذا الإجراء، تم تحديد مجموعة شاملة من 13 متغيرا وتنظيمها في هيكل هرمي ثلاثي الطبقات كما هو موضح في الشكل 1. وقد حدد المسارات السببية من المحركات على المستوى الكلي إلى نتائج أداء محددة. تكون النموذج من إجمالي 13 متغيرا أو عقدة. تصنف هذه العقد إلى ثلاث طبقات مميزة: (1) محركات المخاطر الأساسية (العقد الجذرية)، (2) مناطق المخاطر الأساسية للصناعة (العقد الوسيطة)، و(3) الأداء النهائي للصناعة (عقد الورق). يتم عرض مواصفات تفصيلية لكل متغير، وحالاته المحتملة، ووالده السببي في الجدول 1.
الطبقة الأولى: العوامل الأساسية للمخاطر
تمثل هذه العقد الخمسة الخارجية مصادر عدم اليقين على المستوى الكلي التي تكون إلى حد كبير خارج سيطرة الشركة لكنها تخلق البيئة التي تعمل فيها. هذا الاختيار يتوافق مع أطر المخاطر الاستراتيجية التي تحلل بيئة الأعمال الخارجية.
الجغرافيا السياسية والاقتصاد (العقدة 1): تجمع هذه الفئة بين المخاطر السياسية والاقتصادية. الدور الحاسم لهذه العوامل البيئية الكلية هو موضوع مركزي في إدارة مخاطر سلسلة التوريد. كما وثق وو ولي في تحليلهما للتأثيرات التنظيمية مثل ضرائب الكربون، فإن عوامل مثل النزاعات التجارية واللوائح المتقلبة تؤثر مباشرة على الامتثال والتخطيط التشغيلي4. لذلك نقوم بتفعيل هذه الشروط كسائق جذر بحالات غير مستقرة ومستقرة.
الكوارث (العقدة 2): تمثل هذه العقدة اضطرابات واسعة النطاق الناتجة عن الكوارث الطبيعية والأوبئة. يعد تزايد تكرار وتأثير مثل هذه الأحداث على شبكات اللوجستيات موضوعا مركزيا في أدبيات مرونة سلسلة التوريد. هذه المخاطر من نوع المخاطر تثير اضطرابات شديدة ومتسلسلة في شبكة اللوجستيات، مما يؤكد ضرورتها كنقطة جذرية في أي إطار مخاطر حديث (https://www.millenniumcargo.com/risk-management-freight-forwarding/).
العرض والطلب في السوق (العقدة 3): يتم تضمين هذا الدافع لالتقاط الضغوط التجارية الشديدة الكامنة في الصناعة. كما ظهر في تحليل التوازن الذي أجراه شو وآخرون، فإن الاختلالات بين قدرة الشحن والطلب هي عامل أساسي محدد للربحية واستقرار الشركاء ضمن سلسلة توريد خدمات الشحن3. نظرا لتأثيرها الأساسي على النظام البيئي بأكمله، نعتبره محركا أساسيا.
الجدارية الائتمانية للعميل (العقدة 4): تمثل هذه العقدة مخاطرة مالية رئيسية تنشأ من بيئة الأعمال الخارجية. أهمية مخاطر الطرف المقابل، وخاصة الجدوى المالية للعملاء، هي موضوع راسخ جيدا في أدبيات تمويل سلسلة التوريد، حيث تؤثر مباشرة على التدفق النقدي والربحية25. لذلك، فإن إدراجها أمر أساسي لنمذجة الاستقرار المالي.
بيئة الأمن السيبراني (العقدة 5): تمثل هذه العقدة مشهد التهديدات التكنولوجية الخارجية. في صناعة تزداد رقمنة، تطور الأمن السيبراني من قضايا تقنية إلى خطر تشغيلي نظامي. كما أشار Garg وVemaraju5، فإن دمج إنترنت الأشياء الذكاء الاصطناعي يعزز هذه الثغرة5، مما يجعل بيئة التهديد الخارجية عاملا خارجيا حاسما.
الطبقة 2: مناطق المخاطر الأساسية في الصناعة
تمثل هذه العقد الوسيطة المخاطر المباشرة التي تواجه شركات الشحن المباشرة. تشمل هذه المخاطر مجالات تشغيلية وتجارية وتكنولوجية. تعمل العقد كوسيط داخل السلسلة السببية. إنها تترجم المحركات على المستوى الكلي إلى تحديات داخلية محددة.
مخاطر النقل (العقدة 6): تتعلق هذه العقدة بالحركة الفيزيائية للبضائع. إدماجه أمر أساسي، حيث أن النقل هو الوظيفة الأساسية لنقل البضائع. يتأثر بشكل مباشر بالاضطرابات المادية (الكوارث) وموثوقية شركاء اللوجستيات (مخاطر الشركاء)، وهو موضوع متكرر في أدبيات إدارة المخاطر اللوجستية (https://genxfreight.co.uk/risk-management-strategies-in-freight-forwarding/).
مخاطر التشغيل والامتثال (العقدة 7): تشمل هذه الفئة المخاطر في التنفيذ اليومي والالتزام بالتنظيمات. تمثل ضرورة الحفاظ على الامتثال، خاصة فيما يتعلق بالاستدامة وتغير اللوائح، تحديا تشغيليا كبيرا قد يؤدي إلى غرامات وتأخيرات، كما حلل وو ولي4.
المخاطر المالية (العقدة 8): تمثل هذه العقدة الاستقرار المالي الداخلي للجهة المحولة. دوافعه متعددة الأوجه، ناتجة عن التقلبات الاقتصادية الكلية (الجغرافيا السياسية والاقتصاد)، والضغوط السوقية التي تؤثر على الأسعار والربحية (العرض والطلب في السوق)، ومخاطر التخلف المباشر عن السداد من الطرف المقابل (الجدارة الائتمانية للعميل)25.
مخاطر الشريك (العقدة 9): يعمل وكلاء الشحن ضمن شبكة من الشركاء (الناقلين، وسطاء الجمارك). موثوقية هذه الشبكة أمر بالغ الأهمية. يتم تضمين هذه العقدة لنمذجة خطر فشل الشركاء، والذي يمكن أن يثار بسبب اضطرابات واسعة النطاق (كوارث) أو ضغوط سوقية شديدة تهدد جدواها التجارية3.
مخاطر التكنولوجيا (العقدة 10): ينطبق هذا الخطر على ثغرات الأنظمة الرقمية الداخلية للجهة الجديدة. مع تبني الشركات لتقنيات أكثر تقدما مثل إنترنت الأشياء والذكاء الذكاء الاصطناعي، يزداد تعرضها الداخلي لفشل تكنولوجيا المعلومات والهجمات السيبرانية، مما يجعل مرونة التكنولوجيا الداخلية مجال مخاطرة مميز وحاسم5.
الطبقة 3: الأداء النهائي للصناعة
تمثل هذه العقد الثلاث الورقية النتائج النهائية للأعمال وتتوافق مع أكثر المقاييس قبولا لتقييم أداء اللوجستيات وسلسلة التوريد. غالبا ما يشار إليها باسم مثلث اللوجستيات أو المثلث الذهبي، حيث يوجد غالبا ما يوجد مقايضة بينها.
أداء تكلفة الصناعة (العقدة 11): تمثل هذه التكلفة الإجمالية للخدمة، وهي مؤشر رئيسي رئيسي لأي عملية لوجستية. وهو نتيجة مباشرة للكفاءة الداخلية (مخاطر التشغيل والامتثال) والاستقرار المالي (المخاطر المالية).
أداء الوقت الصناعي (العقدة 12): الالتزام بتوقيت التسليم هو حجر الأساس لجودة خدمات اللوجستيات. هذا المؤشر الرئيسي هو وظيفة مباشرة لسلامة النقل الفعلي (مخاطر النقل)، وسلاسة العمليات اليومية (مخاطر التشغيل والامتثال)، وموثوقية الشركاء الذين ينفذون الخدمة (مخاطر الشركاء).
موثوقية الصناعة (العقدة 13): موثوقية الخدمة بشكل عام هي مقياس أوسع للموثوقية والثقة. لذلك، يتم نمذجة هذا المؤشر على أنه يتأثر بسلامة النقل المادي (مخاطر النقل)، والتنفيذ التشغيلي (مخاطر التشغيل والامتثال)، ومتانة أنظمة التكنولوجيا التي تدعم خدمات اللوجستيات الحديثة (مخاطر التكنولوجيا). يوفر هذا الهيكل الهرمي تنظيما منطقيا لعوامل الخطر المحددة. علاوة على ذلك، يمكن الشبكة البايزية من نمذجة انتشار المخاطر. يتدفق هذا الانتشار من المحركات الكلية الخارجية، مرورا بتحديات تشغيلية محددة، إلى التأثيرات النهائية والقابلة للقياس على الأعمال.
تمثيل نموذج الذكاء الاصطناعي في بيئة تعاني من نقص البيانات
اتبعت معلمات النموذج تعريف بنية الشبكة. تضمنت هذه الخطوة الحاسمة تحديد احتمال كل عقدة. لا تتوفر مجموعة بيانات كمية شاملة لمخاطر الشحن النظامي. لذلك، تم استخلاص الاحتمالات من خلال تقييم محاكى من لجنة الخبراء. جمعت هذه المنهجية بين الرؤى الكمية والأحكام النوعية. تم الحصول على المدخلات من تقارير صناعية موثوقة وأدبيات أكاديمية ذات صلة.
علاوة على ذلك، تحتوي تقييمات المخاطر من الأدبيات ورأي الخبراء على غموض وذاتية متأصلة. تم استخدام نظرية المجموعات الضبابية لتفسير هذا عدم اليقين بشكل رسمي19,21. وبالتالي، تم تصور الاحتمالات المستخرجة كأرقام ضبابية بدلا من قيما نقطة واحدة. لتوضيح العرض، تقدم هذه الورقة احتمالات دقيقة. ومع ذلك، تمثل كل قيمة واضحة النقطة الأكثر تمثيلا (مثل المركز المركزي) لتوزيع احتمالي ضبابي أساسي. تعترف هذه الطريقة رسميا بأن البيان النوعي، مثل المخاطرة العالية، يتوافق مع طيف من القيم بدلا من رقم واحد ودقيق.
تكونت عملية المعلمات من مرحلتين أساسيتين. حددت المرحلة الأولى الاحتمالات الحدية لجميع عقد الجذور. المرحلة الثانية عرفت الاحتمالات الشرطية لجميع العقد الفرعية. استخدمت هذه المرحلة الثانية نموذج Noisy-MAX.
استخلاص الاحتمالات للعقد الجذرية
العقد الجذرية في BN تتوافق مع العقد من 1 إلى 5. تعمل هذه العوامل كمصادر رئيسية للمخاطر. تم تقدير الاحتمالات الحدية لهذه العقد وفقا للإجراء الموضح أدناه. يعرض الجدول 2 القيم المقدرة النهائية.
الجغرافيا السياسية والاقتصاد (العقدة 1): تم تقدير احتمال حدوث حالة غير مستقرة ب 0.30. وقد استمدت هذه القيمة من تقارير مؤسسات مثل منظمة التجارة العالمية (WTO). توثق هذه التقارير التوترات التجارية المستمرة والتقلبات الاقتصادية العالمية الكبيرة (https://www.wto.org/english/res_e/publications_e/publications_e.htm).
الكوارث (العقدة 2): تم ضبط احتمال حدوث الكوارث المتكررة إلى 0.15. استند هذا التقدير إلى تحليلات من شركات استخبارات المخاطر. توثق هذه التحليلات تزايد تكرار الأحداث الجوية المتطرفة وغيرها من الاضطرابات واسعة النطاق، بما في ذلك الأوبئة (https://www.everstream.ai/risk-center/).
العرض والطلب في السوق (العقدة 3): تم ضبط احتمال وجود سوق غير متوازن عند 0.40. تعكس هذه القيمة التقلبات الموثقة جيدا في قدرة الشحن وأسعار الشحن. هذا التقلب هو موضوع متكرر في مراجعات الصناعة الكبرى (https://unctad.org/topic/transport-and-trade-logistics/review-of-maritime-transport).
الجدارية الائتمانية للعميل (العقدة 4): تم تقدير احتمال ضعف الجدارة الائتمانية ب 0.10. استند هذا الرقم إلى دراسات التخلف عن السداد على الشركات العالمية. تحدد هذه الدراسات المخاطر الأساسية لعدم الدفع في المعاملات بين الشركات (https://www.spglobal.com/ratings/en/regulatory/annual-reviews).
بيئة الأمن السيبراني (العقدة 5): تم ضبط احتمال وجود بيئة معادية إلى 0.25. وقد استند هذا التقدير إلى تقارير حول التهديدات الرقمية. توثق هذه التقارير حجم وتعقيد الهجمات السيبرانية التي تستهدف سلاسل التوريد والبنية التحتية الحيوية (https://www.pwc.com/gx/en/issues/cybersecurity/digital-trust-insights.html).
استخلاص الاحتمالات الشرطية باستخدام Noisy-MAX
تعريف جداول الاحتمالات الشرطية (CPTs) للعقد ذات الآباء المتعددة مهمة معقدة. لذلك تم استخدام نموذج Noisy-MAX لإدارة هذا التعقيد26. هذا النموذج هو تعميم لإطار عمل Noisy-OR المعروف. هذا النهج مناسب جدا للنمذجة القائمة على المعرفة لأنه يبسط بشكل كبير عملية الاستخراج. يقلل النموذج من عدد المعلمات المطلوبة لكل عقدة. بدلا من CPT كامل، تم تقدير نوعين فقط من المعلمات لكل عقدة فرعية:
احتمالات التأثير المستقل (ρi): هذا المعامل يحدد احتمال وجود آلية سببية محددة. يمثل احتمال أن يكون عامل أحد الوالدين الواحد، يعمل بمفرده، في دخول العقدة الفرعية إلى حالتها عالية الخطورة. يستند تقدير هذه الاحتمالات إلى تحليل دراسات حالة صناعية عالية التأثير وموثقة جيدا. على سبيل المثال، فكر في تأثير بيئة الأمن السيبراني على نتائج العمليات. الهجوم الإلكتروني على مايرسك الذي يستشهد به على نطاق واسع على NotPetya يقدم مثالا ذا صلة. يعد هذا الحدث مثالا واقعيا على فشل تكنولوجي واحد تسبب في شلل تشغيلي عالمي. لذلك، تقدم هذه الحالة أساسا قابلا للدفاع عن تقدير احتمال تأثير مستقل عالي لهذا الرابط السببي المحدد (https://www.wired.com/story/notpetya-cyberattack-ukraine-russia-code-crashed-the-world/).
احتمال التسرب (ρ0): تلتقط هذه المعامل تأثير جميع الأسباب الخلفية غير النمذجة. يمكن أن تؤدي هذه العوامل المتبقية أيضا إلى دخول العقدة الفرعية إلى حالتها عالية الخطورة. لذا يمثل احتمال التسرب الخطر الأساسي (Baseline). هذا الخطر موجود حتى عندما تكون جميع العوامل الأم التي تم نمذجتها صراحة في حالتها الإيجابية منخفضة المخاطر.
تعرض المعلمات المستخرجة لجميع العقد الوسيطة والورقية في الجدول 3. يتم استخلاص تقدير هذه القيم من تجميع تقارير صناعية موثوقة ودراسات حالة موثقة جيدا. تقدم الأقسام التالية المنطق المحدد لكل معاملة.
مبررات احتمالات العقدة الوسيطة:
مخاطر النقل (العقدة 6): تأثير الكوارث مرتفع (0.70). هذه القيمة تفسر تأثيرها المباشر والشديد على البنية التحتية المادية (https://www.everstream.ai/risk-center/). تأثير مخاطر الشريك أيضا كبير (0.60). تؤدي أعطال حاملات الطائرات إلى توقف النقل فورا. يعد انهيار هانجين للشحن مثالا بارزا على هذا التأثير (https://unctad.org/publication/review-maritime-transport-2024). يمثل احتمال التسرب المنخفض (0.05) أعطالا فيزيائية بسيطة ومعزولة.
مخاطر التشغيل والامتثال (العقدة 7): تأثير البيئة الجيوسياسية غير المستقرة مضبوطة على 0.50. مثل هذا البيئة تخلق عدم يقين كبير في الامتثال وعقبات تشغيلية4. تأثير مخاطر الشريك كبير أيضا (0.40). عدم أداء الشريك يسبب بشكل مباشر إخفاقات تشغيلية وتعاقدية. احتمالية التسرب أعلى (0.10) لأخذ طيف واسع من العوامل الداخلية غير النمذجة، مثل الأخطاء البشرية أو الأخطاء العملياتية.
المخاطر المالية (العقدة 8): هناك عوامل متعددة تؤثر بشكل قوي على هذا الخطر. أولا، ضعف الجدارة الائتمانية للعميل (0.90) يشكل التهديد الأكثر مباشرة. يمثل احتمالية عالية لخسارة مالية بسبب تعثر العميل21. ثانيا، فإن العرض والطلب غير المتوازن في السوق (0.80) له تأثير كبير. يؤثر ذلك بشكل مباشر على تقلبات أسعار الشحن والربحية3. ثالثا، تشكل الجغرافيا السياسية والاقتصاد غير المستقرين (0.60) خطرا ماليا قويا بسبب تقلبات العملات وأسعار الوقود. احتمال التسرب المنخفض جدا (0.02) يعني أن الضائقة المالية الكبيرة تعزى تقريبا حصريا إلى هذه المحركات الاقتصادية الكبرى.
مخاطر الشريك (العقدة 9): الظروف غير المتوازنة في السوق هي المحرك الرئيسي لهذا الخطر (0.70). يمكن أن تدفع المنافسة الشديدة وانخفاض أسعار الشحن شركات النقل نحو الإفلاس. الكوارث أيضا سبب مهم (0.50). يمكنها تعطيل الشركاء الإقليميين أو تعطيل قدراتهم التشغيلية. احتمال التسرب مضبوط على 0.05 منخفض. تمثل هذه القيمة الخطر الأساسي لفشل الشريك لأسباب خاصة، مثل سوء الإدارة الداخلية، والتي لا تعبر عن أحداث السوق الكبرى أو الكوارث.
مخاطر التكنولوجيا (العقدة 10): يتأثر هذا الخطر بشكل مباشر وبقوة ببيئة أمن سيبراني معادية (0.60). هذا يعكس الاحتمالية العالية لأن تؤدي التهديدات الخارجية المتزايدة إلى اختراقات داخلية في النظام5. احتمالية التسرب العالية نسبيا (0.10) تأخذ في الاعتبار المشاكل التكنولوجية الداخلية بشكل مستقل عن الهجمات الخارجية، مثل أخطاء البرمجيات أو أعطال الأجهزة.
مبررات احتمالات عقدة الورقة:
أداء تكلفة الصناعة (العقدة 11): المخاطر المالية العالية هي العامل الأساسي في نتيجة التكلفة العالية (0.90). عوامل مثل تخلف العميل عن السداد لها تأثير فوري وشديد على الربحية. المخاطر التشغيلية والامتثال العالية أيضا تساهم بقوة كبيرة (0.70). يؤدي ذلك إلى تكاليف ناتجة عن عدم الكفاءة، والغرامات، وتصحيح الأخطاء. تشير احتمالية التسرب المنخفضة جدا (0.01) إلى أن تجاوز التكاليف الكبير ناتج تقريبا حصريا عن هذين المجالين الرئيسيين للمخاطر.
أداء الوقت الصناعي (العقدة 12): المخاطر العالية في النقل هي السبب الأكثر مباشرة لتأخر الشحنة (0.85). المخاطر العالية للشركاء تؤثر تقريبا بنفس القدر (0.75)، حيث يعتمد المحولون بالكامل على تنفيذ الشركاء. تأثير المخاطر التشغيلية والامتثال (0.60) كبير لكنه أقل نسبيا. بعض المشاكل التشغيلية، مثل تأخيرات الجمارك، قد لا تعرض الجدول الزمني الكامل للتسليم (https://lpi.worldbank.org/). احتمال التسرب المنخفض جدا (0.02) يعكس افتراضا رئيسيا. إذا كانت عمليات النقل والعمليات والشركاء جميعها تعمل بشكل موثوق، فإن احتمال حدوث تأخير كبير غير مبرر يكون ضئيلا.
موثوقية الصناعة (العقدة 13): يتأثر الإدراك بانخفاض الموثوقية بشكل أكبر بفشل الخدمة الفيزيائية الأساسية (مخاطر النقل، 0.80). تعد مخاطر التكنولوجيا ثاني الدافع الرئيسي (0.65). انقطاعات النظام أو اختراقات البيانات تقوض ثقة العميل ونزاهة الخدمة بشكل كبير. تعد المخاطر التشغيلية والامتثال (0.50) مساهما رئيسيا آخر، حيث تؤدي الإخفاقات التشغيلية المستمرة إلى تآكل تصور الاعتمادية. احتمالية التسرب (0.03) تأخذ في الاعتبار عوامل ثانوية أخرى تؤثر على تصور العملاء.
بروتوكول الحاسوبية لتنفيذ النموذج
بناء النماذج: أطلقنا GeNIe وأنشأنا 13 عقدة فرصة، وسميناها حسب الجدول 1. استخدمنا أداة Add Arc لرسم روابط سببية بين العقد، مكررة البنية الموضحة في الشكل 1 (نقطة التحقق البصرية 1: يجب أن تتطابق البنية النهائية للشبكة مع الشكل 1).
التمثيل المعلمي: لكل عقدة، فتحنا خصائص لتعريف حالاتها (الجدول 1). بالنسبة للعقد الجذرية، أدخلنا الاحتمالات الحدية من الجدول 2 في تبويب التعريف. بالنسبة للعقد الفرعية، اخترنا NoisyMAX كنوع العقدة وأدخلنا معايير التأثير السببي المستقل (ICP) ومعلمات التسريب من الجدول 3.
تنفيذ التحليل:
الاستدلال الأساسي: نقرنا على أيقونة المعتقدات في التحديث في شريط الأدوات الرئيسي لحساب الاحتمالات الأساسية لجميع العقد. (نقطة التحقق البصرية 2: يجب أن تتطابق النتائج مع قيم الاحتمالية في الشكل 2).
تحليل الحساسية: قمنا بنقر الفأرة الأيمن على عقدة مؤشرات أداء رئيسية (مثل التكلفة) لتعيينها كهدف، ثم انتقلنا إلى تحليل الحساسية > الشبكة، واخترنا عقد الجذور كمدخلات، وأجرينا التحليل. (نقطة التحقق البصرية 3: يجب أن تتطابق مخططات الأعاصير المولدة مع تلك الموجودة في الشكل 3).
الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.
النتائج
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
الذكاء الأساسي من نموذج الذكاء الاصطناعي السببي
قمنا أولا بتشغيل إطار الذكاء الاصطناعي المميز بالكامل لإنشاء لقطة ذكاء على مستوى النظام على مستوى النظام. يحسب الاستدلال الأمامي للنموذج توزيع الاحتمالات الحدي لكل عقدة، مما يوفر توقعا كميا لحالة المخاطر الافتراضية في الصناعة. الملف الكامل موضح في الشكل 2.
تحليل المخاطر الأساسية في الصناعة
يحدد النموذج المخاطر المالية ومخاطر الشركاء كأهم التحديات المتأصلة. احتمالية وجود حالة ذا...
الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.
المناقشة
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
اقترحت هذه الدراسة وأظهرت إطارا الذكاء الاصطناعي السببي لإدارة المخاطر النظامية في صناعة الشحن الخاص. لا تحدد النتائج فقط المحركات الحرجة للمخاطر، بل تبرز أيضا الطبيعة المعقدة والمترابطة لمشهد المخاطر. يناقش هذا القسم الآثار الأوسع لهذه النتائج، والتطبيقات العملية لمختلف أصحاب المصلحة، وحدود البحث الحالي.
تكمن المساهمة الأساسية لهذا العمل في الانتقال من أدوات إدارة المخاطر التقليدية الثابتة إلى نهج ديناميكي، قابل للتفسير، ويعتمد على الذكاء الاصطناعي السببي. غا...
الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.
الإفصاحات
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
يعلن المؤلفون أنه لا توجد لديهم مصالح مالية متنافسة معروفة أو علاقات شخصية قد تكون أثرت على العمل المبلغ عنه في هذه الورقة. كما يؤكد المؤلفون أن محتوى المخطوطة لم ينشر أو يعرض للنشر في مكان آخر.
شكر وتقدير
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
وقد حظي هذا العمل بدعم جزئي من المؤسسة الوطنية للعلوم الطبيعية في الصين (NSFC) بموجب منحة 72071144.
الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.
المواد
| الاسم | الشركة | رقم فهرسي | التعليقات |
|---|---|---|---|
| بيانات النموذج السببي | المؤلفون (عبر زينودو) | DOI: 10.5281/zenodo.17255289 | |
| جينيي أكاديمي | بايزفيوجن | الإصدار 2.3 |
المراجع
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
- Statista. Size of the global logistics market from 2020 to 2028. , Statista Research Department. (2024).
- World Bank. Connecting to Compete 2023: Trade Logistics in an Uncertain Global Economy. , World Bank Group. Washington, D.C. (2023).
- Xu, L., Wei, Y., Chen, J., Luo, Y. Carrier channel encroachment and forwarder order sequence: an equilibrium analysis of shipping service supply chain. Int J Shipp Transp Logist. 19, 82-97 (2024).
- Wu, R., Li, M. Optimization of shipping freight forwarding services considering consumer rebates under the impact of carbon tax policy. Ocean Coast Manage. 258, 107361(2024).
- Garg, A., Vemaraju, S. Integrating IoT and Smart AI for Enhanced Sustainability in Freight Forwarding Companies Performance. J Intell Syst Internet Things. 16, 49-60 (2025).
- Zamani, E. D., Smyth, C., Gupta, S., Dennehy, D. Artificial intelligence and big data analytics for supply chain resilience: a systematic literature review. Ann Oper Res. 327, 605-632 (2023).
- Meng, H., et al. Risk analysis of lithium-ion battery accidents based on physics-informed data-driven Bayesian networks. Reliab Eng Syst Saf. 251, 110294(2024).
- Meng, H., An, X., Xing, J. A data-driven Bayesian network model integrating physical knowledge for prioritization of risk influencing factors. Process Saf Environ Prot. 160, 434-449 (2022).
- Shishodia, A., Sharma, R., Rajesh, R., Munim, Z. H. Supply chain resilience: A review, conceptual framework and future research. Int J Logist Manag. 34 (4), 879-908 (2023).
- Papadopoulos, T., Singh, S. P., Spanaki, K., Gunasekaran, A., Dubey, Towards the next generation of manufacturing: implications of big data and deep learning in Industry 4.0. Prod Plan Control. 33 (2-3), 101-104 (2022).
- Animah, I. Application of Bayesian network in the maritime industry: Comprehensive literature review. Ocean Eng. 302, 117610(2024).
- Fan, H., Jia, H., He, X., Lyu, J. Navigating uncertainty: A dynamic Bayesian network-based risk assessment framework for maritime trade routes. Reliab Eng Syst Saf. 250, 110311(2024).
- Zhang, J., Jin, M., Wan, C., Dong, Z., Wu, X. A Bayesian network-based model for risk modeling and scenario deduction of collision accidents of inland intelligent ships. Reliab Eng Syst Saf. 243, 109816(2024).
- Li, H., Zhou, K., Zhang, C., Bashir, M., Yang, Z. Dynamic evolution of maritime accidents: Comparative analysis through data-driven Bayesian Networks. Ocean Eng. 303, 117736(2024).
- Zhou, Y., Li, X., Yuen, K. F. Holistic risk assessment of container shipping service based on Bayesian Network Modelling. Reliab Eng Syst Saf. 220, 108305(2022).
- Wang, J., Fan, H., Chang, Z., Lyu, J. Unleashing data power: Driving maritime risk analysis with Bayesian networks. Reliab Eng Syst Saf. 264, 111310(2025).
- Hong, B., et al. Dynamic Bayesian network risk probability evolution for third-party damage of natural gas pipelines. Appl Energ. 333, 120620(2023).
- Zhou, Y., et al. Risk analysis of urban low-pressure natural gas networks based on hybrid dynamic Bayesian networks. J Loss Prev Process Ind. 96, 105649(2025).
- Mahmood, Y., Chen, J., Yodo, N., Huang, Y. Optimizing natural gas pipeline risk assessment using hybrid fuzzy Bayesian networks and expert elicitation for effective decision-making strategies. Gas Sci Eng. 125, 205283(2024).
- Liu, W., Shao, Y., Li, C., Li, C., Jiang, Z. Development of a non-Gaussian copula Bayesian network for safety assessment of metro tunnel maintenance. Reliab Eng Syst Saf. 238, 109423(2023).
- Lin, S. S., Zhou, A., Shen, S. L. Multi-status Bayesian network for analyzing collapse risk of excavation construction. Automat Constr. 158, 105193(2024).
- Sun, X., Hu, Y., Qin, Y., Zhang, Y. Risk assessment of unmanned aerial vehicle accidents based on data-driven Bayesian networks. Reliab Eng Syst Saf. 248, 110185(2024).
- Jensen, F. V., Nielsen, T. D. Bayesian Networks and Decision Graphs. , Springer. (2007).
- Moher, D., Liberati, A., Tetzlaff, J., Altman, D. G. PRISMA Group. Preferred reporting items for systematic reviews and meta-analyses: the PRISMA statement. PLoS Med. 6, e1000097(2009).
- Gelsomino, L. M., Mangiaracina, R., Perego, A., Tumino, A. Supply chain finance: a literature review and a research agenda. Int J Phys Distrib Logist Manag. 46, 348-366 (2016).
- Canonical probabilistic models for knowledge engineering. Díez, F. J., Druzdzel, M. J. Proc 22nd Conf Uncertainty Artif Intell, , 137-145 (2006).
الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.
إعادة الطباعة والأذونات
طلب إذن لإعادة استخدام النص أو الأشكال في مقالة JoVE هذه
طلب إذنالوسوم
