Küresel Nakliye Taşımacılığında Dayanıklılık Mimarlığı Nedensel Yapay Zeka Çerçevesi ile

Özet

Bu makale, küresel nakliye şirketinde sistemik riskleri modellemek için Bayes Ağı kullanan nedensel bir yapay zeka çerçevesini sunmaktadır. Amaç, temel risklerin temel performans göstergelerini (maliyet, zaman, güvenilirlik) nasıl etkilediğini niceleyerek stratejik karar alma süreçlerini güçlendirmek; böylece proaktif ve hassas yönlendirilmiş risk azaltma sağlanmasını sağlamaktır.

Özet

Küresel nakliye sektörü, karmaşık ve zincirli risklerle karşı karşıyadır. Geleneksel analitik yöntemler bu riskleri yönetmek için genellikle yetersizdir. Bu makale, sistemik risk yönetimi için nedensel bir Yapay Zeka (YZE) çerçevesi oluşturmak ve kullanmak için bir protokol önermektedir. Protokol üç ana aşamadan oluşur. İlk aşama, hiyerarşik bir Bayes Ağı'nın (BN) inşasını içerir. Bu BN, nedensel bilgi grafiği olarak hizmet verir. Yapısı, temel risk sürücüleri ile temel Anahtar Performans Göstergeleri (KPI'lar) arasındaki ilişkileri haritalamak için alan uzmanlığını sentezler: Maliyet, Zaman ve Güvenilirlik. İkinci aşama, koşullu olasılıkların tanımıyla BN'nin parametrizasyonudur. Bu adım, uzman yargısını sektör raporlarından alınan içgörülerle birleştirir. Noisy-MAX modeli, veri kıtlığı olan ortamlarda belirsizliği yönetmek için kullanılır. Son aşamada, parametrize edilmiş model öngörücü simülasyonlar ve tanı analizleri yapmak için kullanılır. İleriye dönük çıkarım, temel bir risk profili oluşturur. Aynı zamanda, duyarlılık analizi yüksek kaldıraçlı müdahale noktalarını belirler. Bu protokolün uygulanması birkaç kritik içgörü sağlar: (i) piyasa arzı ve talebi sistemik riskin merkezi düğümü olarak tanımlanır. (ii) Model, her KPI için ayrı risk parmak izleri üretir. Maliyet, ticari faktörlere karşı en yüksek savunmasızlığı gösterir. Zaman lojistik kesintilere karşı en hassas unsurdur. Güvenilirlik, siber güvenlik tehditlerine benzersiz şekilde maruz kalır. Bu çalışma, yorumlanabilir bir yapay zeka aracı katkı sağlamaktadır. Bu araç bir 'ya olsaydı' motoru olarak işlev görür. Bu sayede nakliye şirketleri tepkisel kriz yönetiminden proaktif, hassas yönlendirilmiş risk azaltmaya geçiş yapabilir.

Giriş

Küresel nakliye sektörü, modern ticaretin görünmez omurgasıdır; dünya üretim ve e-ticaretin temelini oluşturan çok trilyon dolarlık bir ekosistemdir^. Sorunsuz işleyişi sadece lojistik bir kolaylık değil, küresel ekonomik istikrarın doğrudan^{belirleyicisidir 2}. Ancak bu kritik altyapı şimdi birleşen baskıların mükemmel bir fırtınasıyla karşı karşıya. Yoğun piyasa^{rekabeti 3}, sıkılaştırılan sürdürülebilirlik^{düzenlemeleri 4}, yıkıcı teknolojiler⁵ ve eşi benzeri görülmemiş jeopolitik dalgalanma⁶ artık tek başına zorluklar değil. Bunun yerine, tek bir kesintinin — liman grevi, yeni bir tarife, bir siber saldırının — tüm tedarik zincirinde zincirli arızaları tetikleyebildiği karmaşık bir sistemik risk ağına birleştiler. Bu yüksek birbirine bağlılık seviyesi, riskleri silolarda yönetmenin artık uygulanabilir olmadığı anlamına gelir; Hayatta kalmak, sistemi bütünüyle anlamaya bağlıdır.

Bu yeni gerçeklik, hem geleneksel risk analizine hem de geleneksel yapay zekaya meydan okuyan kritik bir zorluk teşkil ediyor. Geleneksel araçlar gibi Fay Ağacı Analizi (FTA) çok katıdır ve modern risklerin olasılıksal ve birbirine bağımlı doğasını^{yakalayamıyor 7,8}. Analitik veya yapay zeka odaklı birçok mevcut tedarik zinciri dayanıklılık modeli, fiziksel akışlar ve stok tamponlarındaki kesintilere odaklanan imalat gibi varlık ağırlıklı sektörler^{için tasarlanmıştır 6,9}. Alandaki son incelemeler, bu çerçevelerin genellikle tedarik zinciri tasarımı, organizasyonel iş birliği ve kesintilere dayanma esnekliğine dayanan yeteneklere^{odaklandığını gösteriyor 9}. Aynı zamanda, yapay zekanın yükselişi risk yönetimi için güçlü yeni araçlar ortaya koydu. Zamani ve ^ark.6 tarafından yapılan bir sistematik incelemenin gösterdiği gibi, yapay zeka ve büyük veri analizi, özellikle kesintileri tahmin etme ve yeterli tarihsel veri olduğunda yanıtları optimize etme konusunda dayanıklılığı artırmada büyük umut vaat^{etmiştir 10}.

Ancak, küresel nakliye şirketinin benzersiz bağlamında kritik bir boşluk var. Mevcut modeller fiziksel bozulmaları ele alırken, genellikle ticari ilişkiler, bilgi bütünlüğü ve makroekonomik baskılar gibi fiziksel olmayan ancak kritik risk faktörlerini — varlık kısıtlı, hizmet odaklı nakliye endüstrisini tanımlayan — yakalama açısından yeterli ayrıntıdan^{yoksundurlar 10,11}. Bu literatürdeki boşluk, sektör liderlerini sezgilerle donanmış ama verilerin kıt olduğu ve nedensel açıklanabilirliğin stratejik karar alma için çok önemli olduğu bir ortamda gezinmek için nicel ve akıllı bir pusula eksikliği yaşamış halde bırakıyor.

Bu makale, nakliye ekosistemi için özel olarak tasarlanmış yeni bir nedensel yapay zeka çerçevesi sunarak bu boşluğu gideriyor. Bayes Ağlarından (BN) yararlanıyoruz; bu, veri, belirsizlik ve uzman bilgisinin kesişiminde üstün olan olasılıksal grafik modeli¹¹. Bayes ağları yerleşik bir metodoloji olsa da, bu araştırmanın yeniliği, modellerin yenilikçi mimari tasarımında, özellikle nakliye riski ortamına uyarlanmış hiyerarşik yapılandırmasında, farklı ticari ve operasyonel risklerin uyumlu bir nedensel grafikte entegrasyonunda ve sektörün veri kıtlığı olan ortamına uyarlanmış bir parametreleştirme stratejisinde yatmaktadır. Tamamen veri odaklı modellerin aksine, BN'ler sistemin şeffaf, beyaz kutu temsili sunar; hem öngörücü (ya şöyle olsaydı) hem de tanısal (neden) akıl yürütmeyi mümkün kılar. Bu yaklaşım, deniz güvenliği^{11, 12, 13, 14, 15, 16} ve enerji^{sistemleri 7, 8, 15, 16, 17, 18, 19} gibi bitişik yüksek riskli alanlarda sistematik riskleri çözme gücünü kanıtlamıştır. Yönlülüklerinin daha fazla kanıtı, sahaya özgü proje risklerini modelledikleri inşaat^{mühendisliğinde ve} drone kazalarındaki nedensel faktörleri analiz ettikleri havacılık^{alanında görülmektedir 22}. Bu uygulamalar sağlam bir kavram kanıtı sunarken, ticari ve operasyonel baskıların birleşmesiyle karakterize edilen nakliye nakliye şirketinin benzersiz risk ortamı için böyle bir model yoktur.

Katkımız üç unsurdur; lojistikte akıllı risk yönetimi için yeni bir paradigma oluşturuyor:
Sistemik risk için nedensel yapay zeka bilgi grafiği: Bu sektör için ilk bütün, hiyerarşik modeli oluşturuyoruz; basit risk listeleri veya korelasyonel modellerin ötesine geçiyor. Jeopolitik değişimlerden katlanma performansına kadar nedensel yolları görselleştiren ve niceleyen bir bilgi grafiği olarak hizmet veriyor; eşsiz, bütüncül bir bakış açısı sunuyor.
Soyut riskten stratejik dijital ikize: Bu model, soyut riskleri üç temel KPI (Maliyet, Zaman ve Güvenilirlik) üzerindeki doğrudan etkilerine dönüştürür. Stratejik bir dijital ikiz olarak işlev görür; karar vericilerin çeşitli kesintilerin ve politika tercihlerinin etkilerini simüle etmesini sağlar ve böylece kriz gelmeden önce dayanıklılıklarını stres testinden geçirir.
Hassas yönlendirilmiş stratejik müdahale: Duyarlılık analizi sayesinde, bu çerçeve tepkisel kriz yönetiminin ötesine geçiyor. Sistemdeki en yüksek kaldıraçlı müdahale noktalarını belirler ve kritik soruları nicel olarak yanıtlar: Siber güvenliğe yatırım yapmak mı yoksa taşıyıcı ilişkilerini çeşitlendirmek mi, teslimat güvenilirliğini artırmada daha mı etkili?

Nedensel iddiaların sağlamlığını sağlamak için, önerilen çerçeve yerleşik stratejilerle doğrulanacaktır. Bunlar şunları içerir: (1) modelin tahminlerinin alan bilgisiyle örtüşüp örtüşmediğini kontrol etmek için hedefli müdahaleleri simüle etmek; (2) potansiyel olarak atlanan değişkenlerin etkisini değerlendirmek için hassasiyet analizleri yapmak; ve (3) mevcut alt küme verilerinde yapı öğrenme algoritmalarının uzman tanımlı grafik yapısı için çapraz kontrol olarak kullanılması.

Özünde, bu araştırma sektörün çalkantılı ortamında gezinmek için nicel ve yapay zeka destekli bir pusula sunuyor. Paydaşların veri bilgili, nedensel farkında kararlar almalarını sağlar; riski kontrol edilemez bir tehditten yönetilebilir bir stratejik değişkene dönüştürür ve böylece hem dayanıklılık hem de rekabet avantajı sağlar.

Protokol

Nedensel yapay zeka modelleme çerçevesi
Nedensel yapay zeka çerçevesi, beyaz kutu olasılıksal yapay zeka modelleri sınıfı olan Bayesian Ağlar (BN) temelinde inşa edilmiştir. Derin sinir ağları gibi kara kutu modellerinin aksine, BN'ler açıklanabilirlik ve nedensel akıl yürütme gerektiren alanlar için ideal olan şeffaf bir yapı^{sunar 11}. Çerçevenin çekirdeği, nedensel bilgi grafigi olarak işlev gören ve nakliye ekosistemindeki neden-sonuç ilişkilerini açıkça haritalayan Yönlendirilmiş Döngüsel Grafik (DAG) idi.

Bu ilişkilerin gücü Koşullu Olasılık Tabloları (CPT) kullanılarak nicelendirilmiştir. BN'deki her düğüm bir CPT ile ilişkilendirilmiştir. Bir düğümün CPT'si, o düğümün herhangi bir durumda olma olasılığını tanımlar. Bu olasılık, ana düğümlerinin durumlarına bağlı idi. Örneğin, bu modelden Endüstri Zaman Performansı düğümünü ele alalım. CPT, ana düğümlerinin her durum kombinasyonu için sonucun Gecikmiş veya Zamanında olma olasılığını tanımlar: Taşıma Riski, Operasyonel ve Uyum Riski ile Ortak Riski. Çok durumlu bağımlılıkların olasılıksal modellemesi kapasitesi, deterministik yöntemlere kıyasla belirgin bir avantaj sundu.

Bir BN'nin yapısı, verimli olasılık hesaplamalarını mümkün kılardı. Tüm değişkenler üzerinde tam ortak olasılık dağılımının hesaplanmasına olanak sağladı. Bu değişkenler X = {X₁, ..., X_n} olsun. Bu dağılım, yerel koşullu olasılıkların çarpımıydı. Her terim, ana düğümleri verilen bir düğümün olasılığıdır. X_i düğümünün ebeveynlerini Pa(X_i) olarak belirttik. Bu ilişki şu şekilde formüle edilmiştir:

Bu çarpanlara ayırma, BN'lerin matematiksel temelini oluşturdu. Karmaşık ağlar üzerinde hesaplama açısından anlaşılabilir^{çıkarım yaptı 23}.

Risk yönetimi için en önemli olan, çerçeve iki yönlü olasılıksal çıkarımı destekler. Bu hem ileriye dönük hem de geriye dönük analizlere olanak sağladı.
Tahminci (İleri) Çıkarım: Bu çıkarım biçimi, belirli bir risk olayının genel sistem performansı üzerindeki potansiyel etkisini değerlendirir. Örneğin, şu soruya cevap verir: Büyük bir siber saldırı gerçekleşirse, Teslimat Süresi ve Maliyeti için ortaya çıkan olasılık dağılımı nedir? Bu hesaplama, Siber Saldırı düğümünün belirli bir duruma getirilerek kanıt olarak yapıldı. BN bu yeni bilgiyi ağ üzerinden yaydı.
Tanısal (Geriye Doğru) Çıkarım: Bu çıkarım türü, gözlemlenen bir sonucun en olası nedenlerini belirler. Şu soruya cevap verebilir: Maliyetlerdeki beklenmedik bir artış göz önüne alındığında, en olası kök neden nedir? Bu senaryoda, Maliyet KPI'si kanıt olarak belirlendi (örneğin, durum = Yüksek). Ağ, tüm potansiyel nedensel faktörlerin olasılıklarını güncelledi. Bu işlev, etkili kök neden analizi ve odak mudaketli önlemler için gereklidir²².

Bilgi mühendisliği ve nedensel grafik yapısı
Nedensel grafiğin inşası, kritik bir bilgi mühendisliği aşamasıydı. Sistemik riskler hakkında yapılandırılmış verilerin kıtlığı göz önüne alındığında, akademik literatür ve otoriter sektör raporlarının hedefli bir incelemesinden alan uzmanlığını sentezledik ve bilgi tabanlı model oluşturma için yerleşik metodolojileri^{takip ettik.} Bu süreç, nitel uzmanlık bilgisini resmi, makine tarafından okunabilir bir nedensel yapıya dönüştürdü; bu, hibrit yapay zeka yaklaşımının tamamen veri odaklı yöntemlere göre önemli bir^{avantajı 11}.

Bu prosedür sayesinde, 13 değişkenden oluşan kapsamlı bir set tanımlanmış ve Şekil 1'de gösterildiği gibi üç katmanlı hiyerarşik bir yapıya düzenlenmiştir. Makro seviyedeki faktörlerden belirli performans sonuçlarına nedensel yolları belirledi. Model toplamda 13 değişken veya düğümden oluşuyordu. Bu düğümler üç farklı katmana ayrılır: (1) Temel Risk Sürücüleri (kök düğümler), (2) Temel Endüstri Risk Alanları (ara düğümler) ve (3) Son Endüstri Performansı (yaprak düğümler). Her değişkenin, potansiyel durumlarının ve nedensel ebeveynlerinin ayrıntılı bir tanımı Tablo 1'de sunulmaktadır.

Katman 1: Temel Risk Sürücüleri
Bu beş dışsal düğüm, büyük ölçüde bir firmanın kontrolü dışında olan ancak faaliyet gösterdiği ortamı oluşturan makro düzeyde belirsizlik kaynaklarını temsil eder. Bu seçim, dış iş ortamını analiz eden stratejik risk çerçeveleriyle tutarlıdır.
Jeopolitik ve ekonomi (Node 1): Bu kategori siyasi ve ekonomik riskleri birleştirir. Bu makro-çevresel faktörlerin kritik rolü, tedarik zinciri risk yönetiminde merkezi bir temadır. Wu ve Li'nin karbon vergileri gibi düzenleyici etkiler analizinde belgelendiği üzere, ticaret anlaşmazlıkları ve dalgalı düzenlemeler gibi faktörler doğrudan uyum ve operasyonel planlamayı etkiler⁴. Bu nedenle, bu koşulları Kararsız ve Kararlı durumlarla kök sürücü olarak işlemişleştiririz.
Felaketler (Node 2): Bu düğüm, doğal felaketler ve pandemilerden kaynaklanan büyük ölçekli bozulmaları temsil eder. Bu tür etkinliklerin lojistik ağlar üzerindeki artan sıklığı ve etkisi, tedarik zinciri dayanıklılık literatürünün merkezi bir temasıdır. Bu tehlike tipi riskler, lojistik ağı boyunca ciddi ve ardışık kesintileri tetikler; bu da bunların herhangi bir modern risk çerçevesinde (https://www.millenniumcargo.com/risk-management-freight-forwarding/) temel düğüm olarak gerekliliğini vurgular.
Piyasa arzı ve talebi (Node 3): Bu etkinci, endüstrinin doğuştan gelen yoğun ticari baskılarını yakalamak için dahil edilmiştir. Xu ve ^ark.3 tarafından yapılan denge analizinde gösterildiği gibi, nakliye kapasitesi ile talep arasındaki dengesizlikler, karlılık ve ortak istikrarının temel belirleyicisidir³. Tüm ekosistem üzerindeki temel etkisi göz önüne alındığında, onu birincil bir itici güç olarak modellendiriyoruz.
Müşteri kredi değerliliği (Node 4): Bu düğüm, dış iş ortamından kaynaklanan önemli bir finansal riski temsil eder. Karşı taraf riskinin, özellikle müşterilerin finansal sürdürülebilirliğinin önemi, tedarik zinciri finansman literatüründe iyi bilinen bir konudur ve doğrudan nakit akışı ile kârlılığı^{etkiler 25}. Bu nedenle, bu durumun dahil edilmesi finansal istikrarın modellenmesi için gereklidir.
Siber güvenlik ortamı (Node 5): Bu düğüm, dış teknolojik tehdit ortamını temsil eder. Giderek dijitalleşen bir sektörde, siber güvenlik teknik sorunlardan sistematik bir operasyonel riske dönüştü. Garg ve Vemaraju^5'in vurguladığı gibi, IoT ve yapay zekanın entegrasyonu bu zayıflığı^{güçlendiriyor ve} dış tehdit ortamını kritik bir dışdışı faktör haline getiriyor.

Katman 2: Temel sektör risk alanları
Bu ara düğümler, nakliye şirketlerinin karşılaştığı doğrudan riskleri temsil eder. Bu riskler operasyonel, iş ve teknolojik alanları kapsar. Düğümler, nedensel zincir içinde aracı olarak işlev görür. Makro seviyedeki sürücüleri özel, iç zorluklara dönüştürürler.
Ulaşım riski (Node 6): Bu düğüm, malların fiziksel hareketiyle ilgilidir. Taşımacılığın temel işlevi olduğundan, bu kapsam temeldir. Fiziksel kesintiler (Afetler) ve lojistik ortaklarının güvenilirliği (Partner Risk) doğrudan etkilenir; bu, lojistik risk yönetimi literatüründe tekrar eden bir tema (https://genxfreight.co.uk/risk-management-strategies-in-freight-forwarding/).
Operasyonel ve uyum riski (Node 7): Bu kategori, günlük uygulama ve düzenleyici uyum risklerini kapsar. Özellikle sürdürülebilirlik ve değişen düzenlemeler konusunda uyumu koruma zorunluluğu, Wu ve Li 4 tarafından analiz edildiği gibi, para cezaları ve gecikmelere yol açabilecek önemli bir operasyonel zorluk teşkil etmektedir^.
Finansal risk (Node 8): Bu düğüm, forwarder'ın iç finansal istikrarını temsil eder. Etkenleri çok yönlüdür; makroekonomik dalgalanma (jeopolitik ve ekonomi), oranları ve kârlılığı etkileyen piyasa baskıları (piyasa arzı ve talebi)³ ve doğrudan karşı taraf temerrüt riski (müşteri kredi değerliliği)²⁵.
Partner riski (Node 9): Yük keşişleri, taşıyıcılar, gümrük komisyoncuları gibi bir ortak ağı içinde faaliyet gösterir. Bu ağın güvenilirliği çok önemlidir. Bu düğüm, büyük ölçekli kesintiler (Afetler) veya ticari sürdürülebilirliklerini tehdit eden ciddi piyasa baskıları nedeniyle tetiklenebilen ortak başarısızlık riskini modellemek^{için dahil edilmiştir 3}.
Teknoloji riski (Düğüm 10): Bu risk, forwarder'ın dahili dijital sistemlerinin açıklıklarıyla ilgilidir. Firmalar IoT ve Yapay Zeka gibi daha gelişmiş teknolojileri benimsedikçe, BT hatalarına ve siber saldırılara iç maruziyetleri artıyor ve bu da iç teknoloji dayanıklılığını belirgin ve kritik bir risk alanı^{haline getiriyor 5}.

Katman 3: Son sektör performansı
Bu üç yaprak düğüm, nihai iş sonuçlarını temsil eder ve lojistik ile tedarik zinciri performansını değerlendirmek için en yaygın kabul gören metriklere karşılık gelir. Bunlara genellikle lojistik üçgeni veya altın üçgeni denir; burada aralarında bir takas bulunur.
Endüstri maliyet performansı (Node 11): Toplam hizmet maliyetini temsil eden bu, herhangi bir lojistik operasyon için birincil KPI'dır. Bu, iç verimliliklerin (operasyonel ve uyum riski) ve finansal istikrarın (finansal risk) doğrudan sonucudur.
Sektör zaman performansı (Node 12): Teslim zamanında teslimat, lojistik hizmet kalitesinin temel taşlarından biridir. Bu KPI, fiziksel taşımacılığın bütünlüğünün (taşıma riski), günlük süreçlerin akıcılığının (operasyonel ve uyum riski) ve hizmeti yürüten ortakların güvenilirliğinin (ortak riski) doğrudan bir fonksiyonudur.
Sektör güvenilirliği (Node 13): Genel hizmet güvenilirliği, güvenilirlik ve güvenin daha geniş bir ölçütüdür. Bu KPI, fiziksel taşımacılığın bütünlüğünden (taşımacılık riski), operasyonel yürütmenin (operasyonel ve uyum riski) ve modern lojistik hizmetlerinin temelini oluşturan teknoloji sistemlerinin sağlamlığından (teknoloji riski) etkilenen olarak modellenir. Bu hiyerarşik yapı, belirlenen risk faktörlerinin mantıksal bir organizasyonunu sağlar. Ayrıca, Bayes Ağı'nın riskin yayılmasını modellemesini sağlar. Bu yayılım, dış makro sürücülerden başlayarak, belirli operasyonel zorluklar aracılığıyla nihai ve ölçülebilir iş etkilerine kadar akıyor.

Veri kıt bir ortamda yapay zeka modelinin parametrileştirilmesi
Model parametreleştirme, ağ yapısının tanımını takip etti. Bu kritik adım, her düğüm için olasılığın belirlenmesini içeriyordu. Sistemik nakliye riskleri için kapsamlı bir nicel veri seti mevcut değildir. Bu nedenle, olasılıklar simüle edilmiş bir uzman paneli değerlendirmesiyle ortaya çıkarıldı. Bu metodoloji, nicel içgörülerin niteliksel yargılarla sentezlenmesini sağladı. Girdiler, yetkili sektör raporlarından ve ilgili akademik literatürden alındı.

Ayrıca, literatür ve uzman görüşlerinden alınan risk değerlendirmeleri doğasında belirsizlik ve öznellik barındırır. Bu belirsizliği resmi olarak açıklamak için bulanık küme^{teorisi kullanılmıştır 19,21}. Sonuç olarak, ortaya çıkan olasılıklar tek noktalı değerler yerine bulanık sayılar olarak kavramsallaştırıldı. Sunum netliği için, bu makale net olasılıkları rapor eder. Ancak her net değer, altta yatan bulanık olasılık dağılımının en temsilci noktasını (örneğin, centroid) temsil eder. Bu yaklaşım, yüksek risk gibi nitel bir ifadenin tek, kesin bir sayıdan ziyade bir değer spektrumuna karşılık geldiğini resmi olarak kabul eder.

Parametrizasyon süreci iki ana aşamadan oluşuyordu. İlk aşama, tüm kök düğümler için marjinal olasılıkları tanımladı. İkinci aşama, tüm çocuk düğümler için koşullu olasılıkları tanımladı. Bu ikinci aşama Noisy-MAX modelini kullandı.

Kök düğümler için olasılıkların ortaya çıkarılması
BN'nin kök düğümleri 1-5 düğümlerine karşılık gelir. Bu faktörler, birincil risk kaynakları olarak işlev görür. Bu düğümler için marjinal olasılıklar aşağıda detaylandırılan prosedüre göre tahmin edilmiştir. Tablo 2 , nihai tahmini değerleri sunar.
Jeopolitik ve ekonomi (Node 1): Kararsız bir durum olasılığı 0,30 olarak tahmin edildi. Bu değer, Dünya Ticaret Örgütü (DTÖ) gibi kurumların raporlarından türetilmiştir. Bu raporlar, kalıcı ticari gerilimleri ve önemli küresel ekonomik dalgalanmaları (https://www.wto.org/english/res_e/publications_e/publications_e.htm) belgelemektedir.
Felaketler (Node 2): Sık sık felaketlerin olasılığı 0.15 olarak ayarlandı. Bu tahmin, risk istihbaratı firmalarının analizlerine dayanıyordu. Bu analizler, aşırı hava olaylarının ve pandemiler dahil olmak üzere diğer büyük ölçekli bozulmaların artan sıklığını belgelemektedir (https://www.everstream.ai/risk-center/).
Piyasa arzı ve talebi (Node 3): Dengesiz bir piyasa olasılığı 0.40 olarak belirlendi. Bu değer, nakliye kapasitesi ve yük oranlarındaki iyi belgelenmiş dalgalığı yansıtır. Bu dalgalanma, büyük sektör incelemelerinde (https://unctad.org/topic/transport-and-trade-logistics/review-of-maritime-transport) tekrar eden bir temadır.
Müşteri kredi değerliliği (Node 4): Kötü kredi değeri olasılığı 0,10 olarak tahmin edildi. Bu rakam, küresel kurumsal temerrüt çalışmalarına dayanıyordu. Bu tür çalışmalar, işletmeden işletmeye işlemlerde (https://www.spglobal.com/ratings/en/regulatory/annual-reviews) ödeme yapmamanın temel riskini nicelikle değerlendirir.
Siber güvenlik ortamı (Node 5): Düşmanca bir ortam olasılığı 0.25 olarak ayarlandı. Bu tahmin, dijital tehditlerle ilgili raporlarla şekillenmiştir. Bu raporlar, tedarik zincirlerini ve kritik altyapıyı hedef alan siber saldırıların artan hacmini ve karmaşıklığını (https://www.pwc.com/gx/en/issues/cybersecurity/digital-trust-insights.html) belgelemektedir.

Koşullu olasılıkların Noisy-MAX kullanılarak ortaya çıkarılması
Birden fazla ebeveyne sahip düğümler için Koşullu Olasılık Tabloları (CPT) tanımlamak karmaşık bir görevdir. Bu nedenle bu karmaşıklığı yönetmek için Noisy-MAX^{modeli kullanıldı 26}. Bu model, ünlü Noisy-OR çerçevesinin genelleştirilmiştir. Bu yaklaşım, bilgi tabanlı modelleme için son derece uygundur çünkü çıkarma sürecini önemli ölçüde basitleştirir. Model, her düğüm için gereken parametre sayısını azaltır. Tam bir CPT yerine, her çocuk düğüm için yalnızca iki parametre tipi tahmin edilmiştir:
Bağımsız etki olasılıkları (ρ_i): Bu parametre, belirli bir nedensel mekanizmanın olasılığını nicelikletir. Bu, tek ebeveyn faktörünün tek başına hareket etmesi sonucu çocuk düğümün yüksek risk haline girme ihtimalini temsil eder. Bu olasılıkların tahmini, yüksek etkili, iyi belgelenmiş sektör vaka çalışmalarının analizine dayanır. Örneğin, Siber Güvenlik Ortamı'nın operasyonel sonuçlar üzerindeki etkisini ele alalım. Maersk'e yönelik yaygın olarak atıfta bulunan NotPetya siber saldırısı bunun yerinde bir örnektir. Bu olay, küresel operasyonel felç yaratan tek bir teknolojik başarısızlığın gerçek dünya örneği olarak hizmet vermektedir. Bu durum, bu özel nedensel bağlantı (https://www.wired.com/story/notpetya-cyberattack-ukraine-russia-code-crashed-the-world/) için yüksek bağımsız etki olasılığını tahmin etmek için savunulabilir bir temel sunar.
Sızıntı olasılığı (ρ₀): Bu parametre, modellenmemiş tüm arka plan nedenlerinin etkisini yakalar. Bu kalıntı faktörler ayrıca çocuk düğümünün yüksek risk haline girmesine yol açabilir. Böylece sızıntı olasılığı temel riski temsil eder. Bu risk, tüm açıkça modellenmiş ebeveyn faktörleri olumlu ve düşük riskli durumlarda bile vardır.
Tüm ara ve yaprak düğümleri için çıkarılan parametreler Tablo 3'te sunulmaktadır. Bu değerlerin tahmini, yetkili sektör raporları ve iyi belgelenmiş vaka çalışmalarının sentezinden elde edilmiştir. Aşağıdaki bölümler her parametre için özel gerekçeleri sunmaktadır.

Ara düğüm olasılıklarının gerekçesi:
Ulaşım riski (Node 6): Felaketlerin etkisi yüksektir (0.70). Bu değer, fiziksel altyapı (https://www.everstream.ai/risk-center/) üzerindeki doğrudan ve ciddi etkilerini açıklar. Partner Risk'in etkisi de anlamlıdır (0.60). Uçak gemisi arızaları ise taşıma anında durmasına yol açar. Hanjin Shipping çöküşü bu etkinin belirgin bir örneğidir (https://unctad.org/publication/review-maritime-transport-2024). Düşük sızıntı olasılığı (0,05), küçük, izole fiziksel arızaları temsil eder.
Operasyonel ve uyum riski (Node 7): Kararsız bir jeopolitik ortamın etkisi 0.50 olarak belirlenmiştir. Böyle bir ortam, önemli uyum belirsizliği ve operasyonel engeller^{yaratır 4}. Partner riskinin etkisi de oldukça yüksektir (0.40). Ortakların performanssızlığı doğrudan operasyonel ve sözleşmesel başarısızlıklara neden olur. Kaçak olasılığı, insan veya süreç hataları gibi modellenmemiş iç faktörlerin geniş spektrumunu açıklamak için daha yüksektir (0.10).
Finansal risk (Node 8): Bu riski güçlü şekilde etkileyen birkaç faktör vardır. Birincisi, kötü müşteri kredi değeri (0.90) en doğrudan tehdit oluşturur. Bu, müşteri temerrütlerinden kaynaklanan yüksek finansal kayıp^{olasılığını temsil eder 21}. İkinci olarak, dengesiz piyasa arzı ve talebi (0,80) oldukça etkilidir. Bu, doğrudan yük fiyatı volatilitesini ve kârlılığını^{etkiler 3}. Üçüncüsü, istikrarsız jeopolitik ve ekonomi (0,60) para birimi ve yakıt fiyatlarındaki dalgalanmalar yoluyla güçlü bir finansal risk oluşturur. Çok düşük sızıntı olasılığı (0.02), önemli finansal sıkıntıların neredeyse tamamen bu ana ekonomik faktörlere atfedildiğini gösterir.
Partner riski (Node 9): Dengesiz piyasa koşulları bu riskin başlıca itici gücüdür (0.70). Yoğun rekabet ve düşük yük ücretleri, taşıyıcıları iflasa sürükleyebilir. Afetler de önemli bir neden (0.50). Bölgesel ortakları devre dışı bırakabilir veya operasyonel kapasitelerini bozabilirler. Sızıntı olasılığı düşük 0.05 olarak ayarlanmıştır. Bu değer, büyük piyasa veya felaket olayları tarafından yakalanmayan iç yönetim hataları gibi kendine özgü nedenlerle ortak başarısızlığının temel riskini temsil eder.
Teknoloji riski (Düğüm 10): Bu risk, düşmanca bir siber güvenlik ortamı tarafından doğrudan ve güçlü şekilde etkilenir (0.60). Bu, artan dış tehditlerin iç sistem tehlikelerine yol açma olasılığının yüksek olduğunu^{yansıtır 5}. Görece yüksek sızıntı olasılığı (0.10), yazılım hataları veya donanım arızaları gibi dış saldırılardan bağımsız olarak dahili teknolojik sorunları açıklar.

Yaprak düğümü olasılıklarının gerekçesi:
Endüstri maliyet performansı (Node 11): Yüksek finansal risk, yüksek maliyetli bir sonucun (0.90) birincil belirleyicisidir. Müşteri temerrüdü gibi faktörler, kârlılık üzerinde anında ve ciddi bir etkiye sahiptir. Yüksek operasyonel ve uyum riski de çok güçlü bir kaynaktır (0.70). Bu durum, verimsizlikler, cezalar ve hata düzeltme gibi maliyetlere yol açar. Son derece düşük sızıntı olasılığı (0.01), büyük maliyet aşımlarının neredeyse tamamen bu iki temel risk alanından kaynaklandığını gösteriyor.
Sektör zaman performansı (Node 12): Yüksek taşıma riski, gecikmenin en doğrudan nedenidir (0,85). Yüksek partner riski neredeyse en az onun kadar etkili (0.75), çünkü forwarderlar tamamen partner yürütüne bağımlıdır. Operasyonel ve uyum riskinin (0.60) etkisi önemli olmakla birlikte nispeten daha düşüktür. Gümrük gecikmeleri gibi bazı operasyonel sorunlar, teslimat zaman çizelgesini (https://lpi.worldbank.org/) tehlikeye atmayabilir. Çok düşük sızıntı olasılığı (0.02) önemli bir varsayımı yansıtır. Taşıma, operasyonlar ve ortaklar güvenilir performans gösterirse, açıklanamayan önemli bir gecikme olasılığı minimumdur.
Sektör güvenilirliği (Node 13): Düşük güvenilirlik algısı, en çok temel fiziksel hizmetteki başarısızlıklardan etkilenir (Ulaşım riski, 0.80). Teknoloji riski ikinci büyük etkendir (0.65). Sistem kesintileri veya veri ihlalleri, müşteri güvenini ve hizmet bütünlüğünü ciddi şekilde zedeledi. Operasyonel ve uyum riski (0.50) ise bir diğer önemli faktördür; çünkü sürekli operasyonel başarısızlıklar güvenilirlik algısını aşındırır. Sızıntı olasılığı (0.03), müşteri algısını etkileyen diğer küçük faktörleri de açıklar.

Model uygulaması için hesaplamalı protokol
Model yapımı: GeNIe'yi başlattık ve 13 Chance düğümü oluşturduk, bunları Tablo 1'e göre adlandırdık. Add Arc aracını kullanarak düğümler arasında nedensel bağlantılar çizdik ve Şekil 1'de gösterilen yapıyı çoğalttık (Görsel kontrol noktası 1: Son ağ yapısı Şekil 1 ile eşleşmeli).
Parametreleştirme: Her düğüm için, durumlarını tanımlamak amacıyla Özellikler'i açtık (Tablo 1). Kök düğümler için, Tanım sekmesine Tablo 2'den marjinal olasılıkları girdik. Çocuk düğümler için, NoisyMAX'ı düğüm tipi olarak seçtik ve Tablo 3'ten Bağımsız Nedensel Etki (ICP) ve Sızıntı parametrelerini girdik.
Analiz uygulaması:
Temel çıkarım: Tüm düğümler için temel olasılıkları hesaplamak için ana araç çubuğundaki İnançları Günle simgesine tıkladık. (Görsel kontrol noktası 2: Sonuçlar, Şekil 2'deki olasılık değerleriyle eşleşmelidir).
Hassasiyet analizi: Bir KPI düğümünü (örneğin, Maliyet) sağ tıklayarak hedef olarak ayarladık, Network > Sensitivity Analysis'e geçtik, Kök düğümleri girdi olarak seçtik ve analizi yaptık. (Görsel kontrol noktası 3: Oluşturulan hortum diyagramları, Şekil 3'teki diyagramlarla eşleşmelidir).

Sonuçlar

Nedensel yapay zeka modelinden temel zeka
İlk olarak tam parametreli yapay zeka çerçevesini çalıştırarak sistem genelinde bir temel zeka anlık görüntüsü oluşturduk. Modelin ileri çıkarımı, her düğüm için marjinal olasılık dağılımını hesaplar ve sektörün temerrüt risk durumunun nicel bir tahminini sunar. Tam profil Şekil 2'de gösterilmiştir.

Temel sektör risklerinin analizi
Model, finansal risk ve ortak riskini en önemli doğa...

Tartışma

Bu çalışma, nakliye sektöründe sistemik riskin yönetimi için nedensel bir yapay zeka çerçevesi önermiş ve göstermiştir. Bulgular sadece kritik risk faktörlerini belirlemekle kalmıyor, aynı zamanda risk ortamının karmaşık ve birbirine bağlı doğasını da ortaya koyuyor. Bu bölüm, bu bulguların daha geniş sonuçlarını, çeşitli paydaşlar için pratik uygulamalarını ve mevcut araştırmanın sınırlamalarını tartışmaktadır.

Bu çalışmanın temel katkısı, geleneksel, statik ...

Malzemeler

Bu makalede kullanılan malzemelerin listesi

Ad	Şirket	Katalog numarası	Yorumlar
Nedensel Model Verileri	Yazarlar (Zenodo vasiteyle)	DOI: 10.5281/zenodo.17255289
GeNIe Akademik	BayesFusion	Sürüm 2.3