מאמר מחקר

ארכיטקטורה של עמידות בהובלת מטענים גלובלית באמצעות מסגרת בינה מלאכותית סיבתית

DOI:

10.3791/69436

⸱

21 בנובמבר 2025

 ,  , 
1School of Civil Aviation Transportation, Shanghai Civil Aviation College, 2School of Economics & Management, Tongji University, 3Glorious Sun School of Business and Management, Donghua University

* These authors contributed equally

במאמר זה

סיכום

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

מאמר זה מציג מסגרת בינה מלאכותית סיבתית המשתמשת ברשת בייסיאנית למידול סיכונים מערכתיים בהובלת מטענים גלובלית. המטרה היא להעצים את קבלת ההחלטות האסטרטגית על ידי כימות כיצד סיכונים יסודיים משפיעים על מדדי ביצוע מרכזיים (עלות, זמן, אמינות), וכך לאפשר הפחתת סיכונים פרואקטיבית ומונחית דיוק.

תקציר

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

תעשיית המשלוחים העולמית מתמודדת עם סיכונים מורכבים ומתגלגלים. שיטות אנליטיות קונבנציונליות לעיתים אינן מספקות לניהול סיכונים אלו. מאמר זה מציע פרוטוקול לבניית ושימוש במסגרת סיבתית של בינה מלאכותית (AI) לניהול סיכונים מערכתיים. הפרוטוקול מורכב משלושה שלבים עיקריים. השלב הראשון כולל בניית רשת בייסיאנית היררכית (BN). BN זה משמש כגרף ידע סיבתי. הבנייה שלו מסכנזת מומחיות בתחום כדי למפות את הקשרים בין מניעי סיכון בסיסיים לבין מדדי ביצוע מרכזיים (KPIs): עלות, זמן ואמינות. השלב השני הוא פרמטריזציה של ה-BN באמצעות הגדרת הסתברויות מותנות. שלב זה משלב שיקול דעת מומחה עם תובנות מדוחות תעשייה. מודל Noisy-MAX משמש לניהול אי-ודאות בסביבות דלות נתונים. בשלב הסופי, המודל הפרמטרי משמש לביצוע סימולציות חיזוי וניתוחים אבחנתיים. הסקה קדימה יוצרת פרופיל סיכון בסיסי. במקביל, ניתוח רגישות מזהה נקודות התערבות בעלות השפעה גבוהה. יישום פרוטוקול זה מניב מספר תובנות קריטיות: (i) היצע וביקוש בשוק מזוהים כנקודת המרכז של הסיכון המערכתי. (ii) המודל מייצר טביעות אצבע סיכון מובחנות עבור כל KPI. העלות מציגה את הפגיעות הגבוהה ביותר לגורמים מסחריים. הזמן הוא הרגיש ביותר לשיבושים לוגיסטיים. האמינות חשופה באופן ייחודי לאיומי סייבר. עבודה זו תורמת כלי בינה מלאכותית שניתן לפרש. הכלי פועל כמנוע 'מה אם'. היא מאפשרת למובילי מטענים לעבור מניהול משבר תגובתי להפחתת סיכונים פרואקטיבית ומדויקת.

מבוא

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

תעשיית המשלוחים העולמית היא עמוד השדרה הבלתי נראה של המסחר המודרני, מערכת אקולוגית בשווי טריליוני דולרים שמנהלת את זרימת הסחורות שמבססת את הייצור והמסחר האלקטרוני העולמי1. תפעול חלקה אינו רק נוחות לוגיסטית אלא גורם ישיר ליציבות הכלכלית העולמית2. עם זאת, התשתית הקריטית הזו ניצבת כעת בפני סערה מושלמת של לחצים מתכנסים. תחרות שוק עזה3, הידוק תקנות קיימות4, טכנולוגיות משבשות5, ותנודתיות גיאופוליטיתחסרת תקדים 6 כבר אינם אתגרים מבודדים. במקום זאת, הם התמזגו לרשת מסובכת של סיכונים מערכתיים, שבה שיבוש יחיד – שביתת נמל, מכס חדש, מתקפת סייבר – יכול לגרום לכשלים מתדרדרים לאורך כל שרשרת האספקה. רמת הקישוריות הגבוהה הזו משמעותה שניהול סיכונים במחסומים כבר אינו אפשרי; הישרדות תלויה בהבנת המערכת כולה.

המציאות החדשה הזו מציבה אתגר קריטי שמאתגר הן את ניתוח הסיכונים המסורתי והן את הבינה המלאכותית המסורתית. כלים מסורתיים כמו ניתוח עץ שבר (FTA) נוקשים מדי, ואינם מצליחים ללכוד את האופי ההסתברותי והתלוי הדדי של סיכונים מודרניים 7,8. מודלים רבים של חוסן שרשרת האספקה הקיימים, בין אם אנליטיים או מונעי בינה מלאכותית, מיועדים למגזרים כבדי נכסים כמו ייצור, ומתמקדים בהפרעות לזרימות פיזיות ובמאגרי מלאי 6,9. סקירות עדכניות בתחום מראות שמסגרות אלו מתמקדות בדרך כלל ביכולות המבוססות על עיצוב שרשרת אספקה, שיתוף פעולה ארגוני וגמישות לעמוד בהפרעות9. במקביל, עליית הבינה המלאכותית הציגה כלים חדשים ורבי עוצמה לניהול סיכונים. כפי שמראה סקירה שיטתית של Zamani ואחרים, בינה מלאכותית וניתוח ביג דאטה הראו פוטנציאל רב בשיפור החוסן, במיוחד בחיזוי הפרעות ואופטימיזציה של תגובות כאשר יש מספיק נתוניםהיסטוריים זמינים.

עם זאת, נותר פער קריטי בהקשר הייחודי של משלוחים גלובליים. בעוד שהמודלים הקיימים מתמודדים עם הפרעות פיזיות, לעיתים קרובות הם חסרים את הפירוט הדרוש לתפוס את גורמי הסיכון הלא-פיזיים אך הקריטיים – כמו מערכות יחסים מסחריות, שלמות מידע ולחצים מקרו-כלכליים – שמגדירים את תעשיית ההובלה הקלה בנכסים, ממוקדת שירות,10,11. פער זה בספרות משאיר את מנהיגי התעשייה בעיוורון, מצוידים באינטואיציה אך חסרי מצפן כמותי ואינטליגנטי לניווט בנוף שבו הנתונים נדירים והסבר סיבתי הוא חיוני לקבלת החלטות אסטרטגיות.

מאמר זה מתמודד עם פער זה על ידי הצגת מסגרת חדשנית של בינה מלאכותית סיבתית שנועדה במיוחד למערכת האקוסיסטם של שילוח מטענים. אנו מנצלים את רשתות בייסיאניות (BNs), סוג של מודל גרפי הסתברותי שמצטיין בצומת בין נתונים, אי-ודאות וידע מומחה11. בעוד שרשתות בייסיאניות הן מתודולוגיה מבוססת, החידוש במחקר זה טמון בעיצוב האדריכלי החדשני של המודלים, ובפרט במבנה ההיררכי שלהם המותאם לנוף סיכוני הובלת המטענים, בשילוב סיכונים מסחריים ותפעוליים שונים לגרף סיבתי מלוכד, ואסטרטגיית פרמטריזציה מותאמת לסביבה הנדירה של התעשייה. בניגוד למודלים מבוססי נתונים בלבד, BNs מספקים ייצוג שקוף וקופסה לבנה של המערכת, המאפשר גם חזוי (מה אם) וגם הסקה אבחנתית (למה). גישה זו הוכיחה את כוחה בפירוק סיכונים מערכתיים בתחומים סמוכים בעלי סיכון גבוה כמו בטיחות ימית 11,12,13,14,15,16 ומערכות אנרגיה 7,8,15,16,17,18,19. עדות נוספת לרב-גוניות שלהם נמצאת בהנדסה אזרחית, שם הם מדמים סיכוני פרויקט ספציפייםלאתר 20,21, ובתעופה, שם הם מנתחים גורמים סיבתיים בתאונות רחפנים22. יישומים אלו מספקים הוכחת היתכנות חזקה, אך אין מודל כזה לנוף הסיכון הייחודי של הובלת מטענים, המאופיין בשילוב של לחצים מסחריים, תפעוליים ואסטרטגיים.

התרומה שלנו היא בשלושה תחומים: הוקמת פרדיגמה חדשה לניהול סיכונים חכם בלוגיסטיקה:
גרף ידע סיבתי של בינה מלאכותית לסיכון מערכתי: בונים את המודל המשולב וההיררכי הראשון למגזר זה, תוך מעבר לרשימות סיכון פשוטות או מודלים מתאמיים. הוא משמש כגרף ידע שממחיש ומכמת את המסלולים הסיבתיים משינויים גיאופוליטיים לביצועים בסופו של דבר, ומציע מבט הוליסטי שאין שני לו.
מסיכון מופשט לתאום דיגיטלי אסטרטגי: מודל זה מתרגם סיכונים מופשטים להשפעתם הישירה על שלושת מדדי הביצוע המרכזיים: עלות, זמן ואמינות. הוא פועל כתאום דיגיטלי אסטרטגי, המאפשר למקבלי ההחלטות לדמות את השפעות השיבושים והבחירות המדיניות השונות, ובכך לבחון את עמידותם לפני שמשבר מתרחש.
התערבות אסטרטגית מונחית דיוק: באמצעות ניתוח רגישות, מסגרת זו חורגת מניהול משבר תגובתי. הוא מצביע על נקודות ההתערבות בעלות המינוף הגבוה ביותר במערכת, ועונה באופן כמותי על שאלות קריטיות כמו: האם השקעה באבטחת סייבר או בגיוון מערכות יחסים עם ספקים יעילה יותר בשיפור אמינות המשלוח?

כדי להבטיח את עמידות הטענות הסיבתיות, המסגרת המוצעת תאומת באמצעות אסטרטגיות מבוססות. אלה כוללים: (1) סימולציה של התערבויות ממוקדות כדי לבדוק אם תחזיות המודל תואמות את הידע התחומי; (2) ביצוע ניתוחי רגישות להערכת השפעת משתנים פוטנציאליים להושמט; ו-(3) שימוש באלגוריתמים של למידת מבנה על נתוני תת-קבוצה זמינים כבדיקה צולבת למבנה הגרף שהוגדר על ידי המומחים.

בעצם, מחקר זה מספק מצפן כמותי מונע בינה מלאכותית לניווט בסביבה הסוערת של התעשייה. היא מאפשרת לבעלי עניין לקבל החלטות מבוססות נתונים ומודעות סיבתיות, ולהפוך את הסיכון מאיום בלתי נשלט למשתנה אסטרטגי שניתן לנהל, ובכך מבטיח גם חוסן וגם יתרון תחרותי.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

פרוטוקול

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

מסגרת מידול סיבתית של בינה מלאכותית
מסגרת הבינה המלאכותית הסיבתית נבנתה על בסיס רשתות בייסיאניות (BNs), סוג של מודלים הסתברותיים של בינה מלאכותית בתיבה לבנה. בניגוד למודלים של קופסה שחורה כמו רשתות עצביות עמוקות, רשתות BN מציעות מבנה שקוף האידיאלי לתחומים הדורשים הסבר והסקה סיבתית11. ליבת המסגרת הייתה גרף א-מחזורי מכוון (DAG), שפעל כגרף ידע סיבתי, שמיפוי במפורש את יחסי הסיבה והתוצאה בתוך מערכת המשלוחים של המטענים.

עוצמת הקשרים הללו נמדדה באמצעות טבלאות הסתברות מותנות (CPTs). כל צומת ב-BN היה משויך ל-CPT. ה-CPT של הצומת מגדיר את ההסתברות שאותו צומת יהיה במצב מסוים. הסתברות זו הייתה מותנית במצבים של הצמתים האב שלה. לדוגמה, נבחן את צומת Performance Time Industry מהמודל הזה. ה-CPT שלה מגדיר את ההסתברות שהתוצאה תהיה מאוחרת או בזמן עבור כל שילוב של מצבים בצמתים האב: סיכון תחבורה, סיכון תפעולי וציות, וסיכון שותפים. יכולת זו למידול הסתברותי של תלות רב-מצביות הציעה יתרון ברור לעומת שיטות דטרמיניסטיות.

המבנה של BN אפשר חישובי הסתברות יעילים. הוא אפשר חישוב התפלגות ההסתברות המשותפת המלאה על כל המשתנים. יהי משתנים אלה X = {X1, ..., Xn}. התפלגות זו הייתה מכפלה של הסתברויות מותנות מקומיות. כל מונח היה ההסתברות לצומת בהינתן הצמתים האב שלו. סימנו את ההורים של הצומת Xi כ-Pa(Xi). הקשר הזה נוסח כך:

משוואה 1

פירוק זה היה הבסיס המתמטי של BNs. הוא הפיק הסקה על רשתות מורכבות שניתנות לפתרון חישובית23.

חשוב מאוד לניהול סיכונים, המסגרת תומכת בהסקה הסתברותית דו-כיוונית. זה אפשר ניתוח קדימה ומבט לאחור.
הסקה חזויה (קדימה): סוג זה של הסקה מעריכה את ההשפעה הפוטנציאלית של אירוע סיכון מסוים על ביצועי המערכת הכוללים. לדוגמה, הוא עונה על השאלה: אם מתרחשת מתקפת סייבר משמעותית, מהי התפלגות ההסתברות המתקבלת עבור זמן ועלות אספקה? חישוב זה בוצע על ידי הגדרת צומת התקפת הסייבר למצב מסוים כראיה. ה-BN הפיצה אז את המידע החדש הזה דרך הרשת.
הסקה אבחנתית (לאחור): סוג הסקה זה מזהה את הסיבות הסבירות ביותר לתוצאה נצפית. הוא יכול לענות על השאלה: בהתחשב בעלויות בלתי צפויות, מהו הסיבה הסבירה ביותר לשורש? בתרחיש זה, מדד העלות נקבע כהוכחה (למשל, מצב = גבוה). הרשת עדכנה אז את ההסתברויות של כל הגורמים הסיבתיים האפשריים. פונקציה זו חיונית לניתוח שורשי הבעיה היעיל ולמאמצי הפחתה ממוקדים22.

הנדסת ידע ובניית גרפים סיבתיים
בניית הגרף הסיבתי הייתה שלב קריטי בהנדסת ידע. בהינתן המחסור בנתונים מובנים על סיכונים מערכתיים, סינתזנו מומחיות בתחום מסקירה ממוקדת של ספרות אקדמית ודוחות תעשייתיים מוסמכים, בהתאם למתודולוגיות מבוססות לבניית מודלים מבוססת ידע24. תהליך זה הפך את הידע האיכותי של המומחים למבנה סיבתי פורמלי וקריא על ידי מכונה, יתרון מרכזי של הגישה ההיברידית של הבינה המלאכותית עלפני שיטות מונחות נתונים בלבד.

באמצעות הליך זה, זוהתה קבוצה מקיפה של 13 משתנים ואורגנה למבנה היררכי בן שלוש שכבות כפי שמוצג באיור 1. הוא הגדיר את המסלולים הסיבתיים ממניעים ברמת מאקרו לתוצאות ביצועים ספציפיות. המודל כלל בסך הכול 13 משתנים, או צמתים. צמתים אלו מסווגים לשלוש שכבות מובחנות: (1) מניעי סיכון בסיסיים (צמתים שורשים), (2) אזורי סיכון ליבה בתעשייה (צמתים בינוניים), ו-(3) ביצועי תעשייה סופיים (צמתים עלים). מפרט מפורט של כל משתנה, מצביו הפוטנציאליים וההורים הסיבתיים שלו מוצג בטבלה 1.

שכבה 1: גורמי סיכון בסיסיים
חמשת הצמתים החיצוניים הללו מייצגים את מקורות האי-ודאות ברמת המקרו, שרובם מחוץ לשליטת החברה אך יוצרים את הסביבה שבה היא פועלת. בחירה זו תואמת את מסגרות הסיכון האסטרטגיות שמנתחות את סביבת העסק החיצונית.
גיאופוליטיקה וכלכלה (צומת 1): קטגוריה זו משלבת סיכונים פוליטיים וכלכליים. התפקיד הקריטי של גורמים מקרו-סביבתיים כאלה הוא נושא מרכזי בניהול סיכוני שרשרת האספקה. כפי שתועדו על ידי וו ולי בניתוח שלהם של השפעות רגולטוריות כמו מס פחמן, גורמים כמו סכסוכי סחר ורגולציה תנודתית משפיעים ישירות על עמידה בדרישות ובתכנון התפעולי4. לכן אנו מבצעים תנאים אלו כדרייבר שורש עם מצבים לא יציבים ויציבים.
אסונות (צומת 2): צומת זה מייצג שיבושים רחבי היקף שנגרמו מאסונות טבע ומגפות. התדירות וההשפעה הגוברת של אירועים כאלה על רשתות לוגיסטיקה היא נושא מרכזי בספרות החוסן של שרשרת האספקה. סיכונים מסוג סיכון אלו מפעילים הפרעות חמורות ומדורגות ברחבי רשת הלוגיסטיקה, מה שמדגיש את הצורך בהם כנקודת שורש בכל מסגרת סיכון מודרנית (https://www.millenniumcargo.com/risk-management-freight-forwarding/).
היצע וביקוש בשוק (צומת 3): מנוע זה נכלל כדי ללכוד את הלחצים המסחריים העזים הטבועים בתעשייה. כפי שהודגם בניתוח שיווי המשקל של שו ואחרים, חוסר האיזון בין קיבולת השילוח לביקוש הוא גורם יסודי לרווחיות ויציבות שותפים בשרשרת האספקה של שירותי הספנות3. בהינתן השפעתו הבסיסית על כל המערכת האקולוגית, אנו מדגימים אותה כמניע עיקרי.
כשירות אשראי ללקוח (צומת 4): צומת זה מייצג סיכון פיננסי מרכזי שמקורו בסביבה העסקית החיצונית. חשיבות סיכון הצד השני, ובמיוחד הכדאיות הפיננסית של הלקוחות, היא נושא מבוסס היטב בספרות פיננסית בשרשרת האספקה, המשפיע ישירות על תזרים מזומניםורווחיות. לכן, הכללתו חיונית למידול יציבות פיננסית.
סביבת אבטחת סייבר (צומת 5): צומת זה מייצג את נוף האיום הטכנולוגי החיצוני. בתעשייה שהולכת והופכת לדיגיטלית, אבטחת סייבר התפתחה מבעיות טכניות לסיכון תפעולי מערכתי. כפי שהדגישו Garg ו-Vemaraju5, השילוב בין IoT לבינה מלאכותית מגביר את הפגיעותהזו 5, והופך את סביבת האיום החיצונית לגורם חיצוני קריטי.

שכבה 2: תחומי סיכון מרכזיים בתעשייה
צמתים ביניים אלו מייצגים את הסיכונים הישירים העומדים בפני מובילי המטען. הסיכונים הללו משתרעים על תחומים תפעוליים, עסקיים וטכנולוגיים. הצמתים פועלים כמתווכים בתוך השרשרת הסיבתית. הם מתרגמים מניעים ברמת מאקרו לאתגרים פנימיים ספציפיים.
סיכון תחבורה (צומת 6): צומת זה מתייחס לתנועה הפיזית של סחורות. הכללתו היא יסודית, שכן תחבורה היא הפונקציה המרכזית של הובלת מטענים. היא מושפעת ישירות מהפרעות פיזיות (אסונות) ומאמינות שותפי הלוגיסטיקה (סיכון שותפים), נושא חוזר בספרות ניהול סיכוני לוגיסטיקה (https://genxfreight.co.uk/risk-management-strategies-in-freight-forwarding/).
סיכון תפעולי וציות (צומת 7): קטגוריה זו כוללת סיכונים בביצוע יומיומי ובציות לרגולציה. הצורך לשמור על עמידה, במיוחד בכל הנוגע לקיימות ולשינויים בתקנות, מציב אתגר תפעולי משמעותי שעלול להוביל לקנסות ועיכובים, כפי שנבחן על ידי וו ולי4.
סיכון פיננסי (צומת 8): צומת זה מייצג את היציבות הפיננסית הפנימית של השולח. המניעים שלה הם רב-ממדיים, הנובעים מתנודתיות מקרו-כלכלית (גיאופוליטיקה וכלכלה), לחצים בשוק המשפיעים על ריביות ורווחיות (היצע וביקוש בשוק)3, וסיכון חדלות פירעון ישיר של צד הצד הנגדי (אמינות אשראי ללקוח)25.
סיכון שותף (צומת 9): שליחי ההובלה פועלים בתוך רשת של שותפים (מובילים, סוכני מכס). אמינות הרשת הזו היא קריטית. צומת זה נכלל כדי למודל את הסיכון לכישלונות של שותפים, שיכולים להיגרם על ידי שיבושים רחבי היקף (אסונות) או לחצים חמורים בשוק המאיימים על הכדאיות המסחריתשלהם 3.
סיכון טכנולוגי (צומת 10): סיכון זה נוגע לפגיעויות במערכות הדיגיטליות הפנימיות של השולח. ככל שחברות מאמצות טכנולוגיות מתקדמות יותר כמו IoT ובינה מלאכותית, החשיפה הפנימית שלהן לכשלים בתחום ה-IT ולהתקפות סייבר גדלה, מה שהופך את החוסן הטכנולוגי הפנימילתחום סיכון מובחן וקריטי.

שכבה 3: ביצועים סופיים בתעשייה
שלושת צמתים אלו מייצגים את התוצאות העסקיות הסופיות ומתאימים למדדים המקובלים ביותר להערכת ביצועי לוגיסטיקה ושרשרת אספקה. לעיתים קרובות מכונים אותם משולש הלוגיסטיקה או המשולש הזהוב, שבו לעיתים קיים פשרה ביניהם.
ביצועי עלות בתעשייה (צומת 11): מייצג את עלות השירות הכוללת, זהו מדד KPI ראשי לכל פעילות לוגיסטית. זהו תוצאה ישירה של יעילות פנימית (סיכון תפעולי וציות) ויציבות פיננסית (סיכון פיננסי).
ביצועי זמן בתעשייה (צומת 12): זמן אספקה הוא אבן יסוד באיכות שירותי הלוגיסטיקה. KPI זה הוא פונקציה ישירה של שלמות התחבורה הפיזית (סיכון תחבורה), חלקות התהליכים היומיומיים (סיכון תפעולי וציות), ואמינות השותפים המבצעים את השירות (סיכון שותף).
אמינות בתעשייה (צומת 13): אמינות השירות הכוללת היא מדד רחב יותר לאמינות ואמון. לכן, מדד KPI זה מתואר מושפע מאושרת התחבורה הפיזית (סיכון תחבורה), ביצוע תפעולי (סיכון תפעולי וציות), והחוסן של מערכות הטכנולוגיה שמבססות את שירותי הלוגיסטיקה המודרניים (סיכון טכנולוגי). מבנה היררכי זה מספק ארגון לוגי של גורמי הסיכון שזוהו. יתרה מזאת, היא מאפשרת לרשת בייסיאנית למודל את הפצת הסיכון. התפשטות זו נובעת ממניעים מאקרו-חיצוניים, דרך אתגרים תפעוליים ספציפיים, אל ההשפעות העסקיות הסופיות והמדידות.

פרמטריזציה של מודל הבינה המלאכותית בסביבה דלה בנתונים
פרמטריזציה של מודל התבצעה לפי הגדרת מבנה הרשת. שלב קריטי זה כלל הגדרת ההסתברות לכל צומת. מאגר נתונים כמותי מקיף לסיכוני משלוח מערכתיים אינו זמין. לכן, ההסתברויות הוקמו על ידי הערכת פאנל מומחים מדומה. שיטה זו סינתזה תובנות כמותיות עם שיפוטים איכותניים. הקלטים נלקחו מדוחות תעשייתיים מוסמכים ומספרות אקדמית רלוונטית.

יתרה מזאת, הערכות סיכון מהספרות ומחוות דעת מומחים מכילות עמימות וסובייקטיביות מובנות. תורת הקבוצות המטושטשת שימשה כדי להסביר באופן פורמלי את אי-הוודאות הזו19,21. כתוצאה מכך, ההסתברויות שנוצרו הוגדרו כמספרים מעורפלים ולא כערכים חד-נקודתיים. למען בהירות ההצגה, מאמר זה מדווח על הסתברויות חדות. עם זאת, כל ערך קריס מייצג את הנקודה המייצגת ביותר (למשל, המרכז) של התפלגות הסתברות מטושטשת בסיסית. גישה זו מכירה רשמית בכך שטענה איכותית, כמו סיכון גבוה, מתאימה לספקטרום של ערכים ולא למספר מדויק אחד.

תהליך הפרמטריזציה כלל שני שלבים עיקריים. השלב הראשון הגדיר את ההסתברויות השוליות לכל צמתי השורש. השלב השני הגדיר את ההסתברויות המותנות עבור כל צמתים צאצאים. שלב שני זה השתמש בדגם Noisy-MAX.

הסרת הסתברויות עבור צמתים שורשים
הצמתים השורשיים של BN מתאימים לצמתים 1-5. גורמים אלה משמשים כמקורות הסיכון העיקריים. ההסתברויות השוליות לצמתים אלו הוערכו לפי ההליך המפורט להלן. טבלה 2 מציגה את הערכים המוערכים הסופיים.
גיאופוליטיקה וכלכלה (צומת 1): ההסתברות למצב לא יציב הוערכה ב-0.30. ערך זה נגזר מדוחות של מוסדות כמו ארגון הסחר העולמי (WTO). דוחות אלו מתעדים מתחים מסחריים מתמשכים ותנודתיות כלכלית עולמית משמעותית (https://www.wto.org/english/res_e/publications_e/publications_e.htm).
אסונות (צומת 2): ההסתברות לאסונות תכופים הוגדרה ל-0.15. הערכה זו התבססה על ניתוחים מחברות מודיעין סיכונים. ניתוחים אלו מתעדים את העלייה בתדירות אירועי מזג אוויר קיצוניים והפרעות רחבות היקף אחרות, כולל מגפות (https://www.everstream.ai/risk-center/).
היצע וביקוש בשוק (צומת 3): ההסתברות לשוק לא מאוזן נקבעה ל-0.40. ערך זה משקף את התנודתיות המתועדת היטב בקיבולת ההובלה ובתעריפי ההובלה המתועדת. תנודתיות זו היא נושא חוזר בביקורות התעשייה המרכזיות (https://unctad.org/topic/transport-and-trade-logistics/review-of-maritime-transport).
כשירות אשראי ללקוח (צומת 4): ההסתברות לאשראי ירוד הוערכה ב-0.10. נתון זה התבסס על מחקרי ברירת מחדל תאגידיים גלובליים. מחקרים כאלה מכמתים את הסיכון הבסיסי לאי-תשלום בעסקאות עסק-לעסק (https://www.spglobal.com/ratings/en/regulatory/annual-reviews).
סביבת אבטחת סייבר (צומת 5): ההסתברות לסביבה עוינת הוגדרה ל-0.25. הערכה זו התבססה על דיווחים על איומים דיגיטליים. דוחות אלו מתעדים את העלייה בנפח והתחכום של מתקפות סייבר המכוונות לשרשראות אספקה ותשתיות קריטיות (https://www.pwc.com/gx/en/issues/cybersecurity/digital-trust-insights.html).

השקת הסתברויות מותנות באמצעות Noisy-MAX
הגדרת טבלאות הסתברות מותנות (CPTs) לצמתים עם מספר הורים היא משימה מורכבת. לכן, מודל Noisy-MAX שימש לניהול מורכבותזו 26. מודל זה הוא הכללה של מסגרת Noisy-OR הידועה. גישה זו מתאימה מאוד למידול מבוסס ידע משום שהיא מפשטת משמעותית את תהליך ההסרה. המודל מפחית את מספר הפרמטרים הנדרשים לכל צומת. במקום CPT מלא, הוערכו רק שני סוגי פרמטרים לכל צומת בן:
הסתברויות השפעה בלתי תלויה (ρi): פרמטר זה מכמת את ההסתברות למנגנון סיבתי מסוים. הוא מייצג את הסיכוי שגורם הורה יחיד, הפועל לבדו, גורם לצומת הילד להיכנס למצב הסיכון הגבוה שלו. הערכת ההסתברויות הללו מבוססת על ניתוח של מחקרי מקרה תעשייתיים בעלי השפעה גבוהה ומתועדים היטב. לדוגמה, שקלו את השפעת סביבת אבטחת הסייבר על תוצאות תפעוליות. מתקפת הסייבר המצוטטת NotPetya על מארסק מספקת דוגמה רלוונטית. אירוע זה מהווה דוגמה אמיתית לכשל טכנולוגי יחיד שגרם לשיתוק תפעולי עולמי. לכן, מקרה זה מציע בסיס שניתן להגן עליו להערכת הסתברות השפעה בלתי תלויה גבוהה עבור הקשר הסיבתי הספציפי הזה (https://www.wired.com/story/notpetya-cyberattack-ukraine-russia-code-crashed-the-world/).
הסתברות לדליפה (ρ0): פרמטר זה לוכד את השפעת כל סיבות הרקע הלא-מודליות. גורמים שאריתיים אלו יכולים גם להוביל את הצומת הילד להיכנס למצב הסיכון הגבוה שלו. לכן, הסתברות הדליפה מייצגת את הסיכון הבסיסי. סיכון זה קיים גם כאשר כל גורמי ההורה המודגמים במפורש נמצאים במצבים חיוביים ובעלי סיכון נמוך.
הפרמטרים שנוצרו לכל הצמתים הביניים והעליים מוצגים בטבלה 3. הערכת ערכים אלו נגזרת מסינזה של דוחות תעשייתיים מוסמכים ומחקרי מקרה מתועדים היטב. הסעיפים הבאים מספקים את ההיגיון הספציפי לכל פרמטר.

הנימוק להסתברויות צומת ביניים:
סיכון תחבורה (צומת 6): השפעת האסונות גבוהה (0.70). ערך זה מסביר את ההשפעה הישירה והחמורה שלהם על התשתיות הפיזיות (https://www.everstream.ai/risk-center/). השפעת סיכון השותף משמעותית גם היא (0.60). תקלות נושאות מטוסים מובילות להפסקת התחבורה המיידית. קריסת הספנות של חאנג'ין מהווה דוגמה בולטת לאפקט זה (https://unctad.org/publication/review-maritime-transport-2024). הסתברות הדליפה הנמוכה (0.05) מייצגת תקלות פיזיות קלות ומבודדות.
סיכון תפעולי וציות (צומת 7): השפעת סביבה גיאופוליטית לא יציבה מוגדרת ל-0.50. סביבה כזו יוצרת אי-ודאות משמעותית בדרישות הציות ומכשולים תפעוליים4. השפעת סיכון השותף גם היא משמעותית (0.40). אי-ביצועים של שותפים גורמים ישירות לכשלים תפעוליים וחוזיים. הסתברות הדליפה גבוהה יותר (0.10) כדי להתחשב במגוון הרחב של גורמים פנימיים לא מודלים, כגון טעויות אנושיות או תהליכיות.
סיכון פיננסי (צומת 8): מספר גורמים משפיעים מאוד על הסיכון הזה. ראשית, דירוג אשראי לקוי (0.90) מהווה את האיום הישיר ביותר. הוא מייצג את הסבירות הגבוהה להפסד כספי כתוצאה מברירת מחדל של הלקוח21. שנית, ההיצע והביקוש הלא מאוזנים בשוק (0.80) משפיע מאוד. זה משפיע ישירות על תנודתיות ורווחיות בתעריפי ההובלה3. שלישית, גיאופוליטיקה וכלכלה לא יציבות (0.60) מציבות סיכון פיננסי חזק בשל תנודות במטבע ובמחירי דלק. ההסתברות הנמוכה מאוד לדליפה (0.02) מרמזת שמצוקה כלכלית משמעותית נובעת כמעט אך ורק מהמניעים הכלכליים המרכזיים הללו.
סיכון שותף (צומת 9): תנאי שוק לא מאוזנים הם הגורם העיקרי לסיכון זה (0.70). תחרות עזה ושיעורי הובלה נמוכים עלולים לדחוף את המובילים לעבר חדלות פירעון. אסונות הם גם גורם משמעותי (0.50). הם עלולים לנטרל שותפים אזוריים או לשבש את היכולת התפעולית שלהם. הסתברות הדליפה מוגדרת ל-0.05 נמוך. ערך זה מייצג את הסיכון הבסיסי לכישלון שותף מסיבות ייחודיות, כגון ניהול פנימי לקוי, שאינו מתבטא באירועי שוק או אסונות משמעותיים.
סיכון טכנולוגי (צומת 10): סיכון זה מושפע ישירות וחזק מסביבת סייבר עוינת (0.60). דבר זה משקף את ההסתברות הגבוהה שאיומי חוץ גוברים יובילו לפגיעות פנימיות במערכת5. ההסתברות הגבוהה יחסית לדליפה (0.10) מתייחסת לבעיות טכנולוגיות פנימיות ללא תלות בהתקפות חיצוניות, כגון באגים בתוכנה או תקלות חומרה.

הסיבות להסתברויות צומת העלה:
ביצועי עלות בתעשייה (צומת 11): סיכון פיננסי גבוה הוא הגורם המרכזי לקביעת תוצאה בעלות גבוהה (0.90). גורמים כמו חדלות פירעון של הלקוח משפיעים באופן מיידי וחמור על הרווחיות. סיכון תפעולי ועמידה גבוה הוא גם תורם חזק מאוד (0.70). זה מוביל לעלויות הנובעות מחוסר יעילות, קנסות ותיקון שגיאות. ההסתברות הנמוכה מאוד לדליפה (0.01) מרמזת כי חריגות משמעותיות בעלויות נגרמות כמעט אך ורק משני אזורי הסיכון המרכזיים הללו.
ביצועי זמן בתעשייה (צומת 12): סיכון הובלה גבוה הוא הסיבה הישירה ביותר לעיכוב במשלוח (0.85). סיכון שותף גבוה כמעט משפיע באותה מידה (0.75), שכן המובילים תלויים לחלוטין בביצוע השותפים. ההשפעה של סיכון תפעולי וציות (0.60) משמעותית אך נמוכה יחסית. חלק מהבעיות התפעוליות, כמו עיכובים במכס, עשויות שלא לסכן את כל לוח הזמנים של המסירה (https://lpi.worldbank.org/). הסתברות הדליפה הנמוכה מאוד (0.02) משקפת הנחה מרכזית. אם תחבורה, תפעול ושותפים מתפקדים באופן אמין, הסיכוי לעיכוב משמעותי ובלתי מוסבר הוא מינימלי.
אמינות בתעשייה (צומת 13): התפיסה של אמינות נמוכה מושפעת בעיקר מכשלים בשירות הפיזי המרכזי (סיכון תחבורה, 0.80). הסיכון הטכנולוגי הוא הגורם השני המרכזי (0.65). תקלות מערכת או פרצות מידע פוגעות קשות באמון הלקוחות ובשלמות השירות. סיכון תפעולי וציות (0.50) הוא גורם משמעותי נוסף, שכן כשלים תפעוליים עקביים פוגעים בתפיסת האמינות שלהם. הסתברות הדליפה (0.03) מתחשבת בגורמים משניים נוספים המשפיעים על תפיסת הלקוח.

פרוטוקול חישובי למימוש מודל
בניית הדגם: השקנו את GeNIe ויצרנו 13 צמתים של Chance לפי טבלה 1. השתמשנו בכלי Add Arc כדי לשרטט קישורים סיבתיים בין הצמתים, תוך שכפול המבנה המוצג באיור 1 (נקודת ביקורת ויזואלית 1: מבנה הרשת הסופי חייב להתאים לאיור 1).
פרמטריזציה: לכל צומת פתחנו תכונות כדי להגדיר את מצביה (טבלה 1). עבור צמתים שורשים, הזנו את ההסתברויות השוליות מטבלה 2 בלשונית ההגדרות. לצמתים צאצאים, בחרנו ב-NoisyMAX כסוג הצומת והזנו את פרמטרי ההשפעה הסיבתית הבלתי תלויה (ICP) והפרמטרים של דליפה מטבלה 3.
ביצוע ניתוח:
הסקה בסיסית: לחצנו על אייקון עדכון האמונות בסרגל הכלים הראשי כדי לחשב את ההסתברויות הבסיסיות לכל הצמתים. (נקודת ביקורת ויזואלית 2: התוצאות צריכות להתאים לערכי ההסתברות באיור 2).
ניתוח רגישות: לחצנו קליק ימני על צומת KPI (למשל, Cost) כדי להגדיר אותו כמטרה, ניווטנו לניתוח רגישות > רשת, בחרנו את נקודות השורש כקלטים, והרצנו את הניתוח. (נקודת ביקורת ויזואלית 3: דיאגרמות הטורנדו שנוצרו צריכות להתאים לאלו שבאיור 3).

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

תוצאות

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

אינטליגנציה בסיסית ממודל הבינה המלאכותית הסיבתית
הרצנו תחילה את מסגרת הבינה המלאכותית המפורטת במלואה כדי ליצור תמונת מצב בסיסית של מערכת. ההסקה הקדימה של המודל מחשבת את התפלגות ההסתברות השולית לכל צומת, ומספקת תחזית כמותית של מצב הסיכון ברירת המחדל של התעשייה. הפרופיל המלא מוצג באיור 2.

ניתוח סיכוני ליבה בתעשייה
המודל מזהה את הסיכון הפיננסי וסיכון השותפים כאתגרים המובנים המשמעותיים ביותר. ההסתברות למצב סיכון פיננסי גבוה היא ...

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

דיון

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

מחקר זה הציע והדגים מסגרת בינה מלאכותית סיבתית לניהול סיכונים מערכתיים בענף המשלוחים. הממצאים לא רק מזהים גורמי סיכון קריטיים, אלא גם מדגישים את המורכבות והמקושרת של נוף הסיכון. סעיף זה דן בהשלכות הרחבות יותר של ממצאים אלו, ביישומים המעשיים עבור בעלי עניין שונים, ובמגבלות המחקר הנוכחי.

התרומה העיקרית של עבודה זו טמונה במעבר מכלי ניהול סיכונים קונבנציונליים וסטטיים לגישה דינמית, ניתנת לפרשנות וסיבתית מונחית בינה מלאכותית. רשומות סיכון מסורתיות או ניתוח עץ שבר ל...

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

גילויים

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

המחברים מצהירים כי אין להם אינטרסים פיננסיים מתחרים ידועים או מערכות יחסים אישיות שיכולות להיראות כמשפיעות על העבודה המדוונת במאמר זה. המחברים גם מאשרים כי תוכן כתב היד לא פורסם או הוגש לפרסום במקום אחר.

תודות

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

עבודה זו נתמכה חלקית על ידי הקרן הלאומית למדעי הטבע של סין (NSFC) במסגרת מענק 72071144.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

חומרים

רשימת החומרים שנעשה בהם שימוש במאמר זה
שםחברהמספר קטלוגהערות
נתוני מודל סיבתיהמחברים (דרך זנודו)DOI: 10.5281/zenodo.17255289
GeNIe Academicבייספיוז'ןגרסה 2.3

מקורות

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Statista. Size of the global logistics market from 2020 to 2028. , Statista Research Department. (2024).
  2. World Bank. Connecting to Compete 2023: Trade Logistics in an Uncertain Global Economy. , World Bank Group. Washington, D.C. (2023).
  3. 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).
  4. 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).
  5. 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).
  6. 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).
  7. 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).
  8. 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).
  9. 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).
  10. 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).
  11. Animah, I. Application of Bayesian network in the maritime industry: Comprehensive literature review. Ocean Eng. 302, 117610(2024).
  12. 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).
  13. 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).
  14. 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).
  15. 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).
  16. 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).
  17. Hong, B., et al. Dynamic Bayesian network risk probability evolution for third-party damage of natural gas pipelines. Appl Energ. 333, 120620(2023).
  18. 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).
  19. 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).
  20. 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).
  21. Lin, S. S., Zhou, A., Shen, S. L. Multi-status Bayesian network for analyzing collapse risk of excavation construction. Automat Constr. 158, 105193(2024).
  22. 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).
  23. Jensen, F. V., Nielsen, T. D. Bayesian Networks and Decision Graphs. , Springer. (2007).
  24. 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).
  25. 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).
  26. Canonical probabilistic models for knowledge engineering. Díez, F. J., Druzdzel, M. J. Proc 22nd Conf Uncertainty Artif Intell, , 137-145 (2006).

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

הדפסות חוזרות והרשאות

בקש הרשאה לשימוש חוזר בטקסט או באיורים של מאמר JoVE זה

בקש הרשאה

תגיות

Noisy MAX
הסרטון יגיע בקרוב

מאמרים קשורים