یادگیری هوشمند و تحول مدیریت 3115-8900 4 تیر ماه 1405 1405 04 01 Designing a Hybrid DEA–ANN Model for Predicting and Optimizing Risk Management in the Digital Supply Chain of the Steel Industry طراحی مدل ترکیبی DEA–ANN برای پیش‌بینی و بهینه‌سازی مدیریت ریسک در زنجیره تأمین دیجیتال صنعت فولاد 1 25 FA نادیا شاه محمدی گروه مدیریت صنعتی، واحد تهران مرکزی، دانشگاه آزاد اسلامي، تهران، ايران حسین معین زاد گروه مدیریت صنعتی، واحد تهران مرکزی، دانشگاه آزاد اسلامي، تهران، ايران صفیه مهری نژاد گروه مدیریت مالی ، واحد تهران مرکزی، دانشگاه آزاد اسلامي، تهران، ايران محمدعلی کرامتی گروه مدیریت صنعتی، واحد تهران مرکزی، دانشگاه آزاد اسلامي، تهران، ايران Journal Article 1404/08/08 <p>This study aims to design and validate an intelligent hybrid DEA–ANN model to predict and optimize risk management in the digital supply chain of the steel industry. This applied mixed-method research identified 160 digital supply chain risks through a systematic literature review and expert interviews. Risk indicators including probability, severity, and detectability were quantified using questionnaires. Risk Priority Numbers were calculated, optimized via Data Envelopment Analysis with cross-efficiency, and subsequently used to train an Artificial Neural Network for predictive modeling. The results indicate that the hybrid DEA–ANN model, with an optimized two-hidden-layer architecture, demonstrates strong explanatory power and accurately predicts variations in risk efficiency, showing low prediction error and a satisfactory coefficient of determination. The proposed model provides an effective intelligent tool for risk prediction and decision support in digital steel supply chains and represents a robust alternative to conventional risk assessment approaches.</p> <p>هدف این پژوهش طراحی و اعتبارسنجی یک مدل هوشمند ترکیبی مبتنی بر تحلیل پوششی داده‌ها و شبکه عصبی مصنوعی به‌منظور پیش‌بینی و بهینه‌سازی ریسک در زنجیره تأمین دیجیتال صنعت فولاد است.  پژوهش از نوع کاربردی و با رویکرد آمیخته انجام شد؛ بدین‌صورت که ابتدا با مرور نظام‌مند ادبیات و مصاحبه با خبرگان، 160 ریسک شناسایی گردید و سپس با استفاده از پرسشنامه، شاخص‌های احتمال وقوع، شدت اثر و قابلیت کشف کمی‌سازی شدند. عدد اولویت ریسک محاسبه و به‌منظور بهینه‌سازی و استخراج کارایی متقاطع، مدل DEA به‌کار گرفته شد. در نهایت، خروجی DEA به‌عنوان داده آموزشی برای مدل شبکه عصبی مصنوعی استفاده شد. نتایج نشان داد مدل DEA–ANN با ساختار دو لایه پنهان و تنظیمات بهینه، قدرت تبیین بالایی داشته و قادر است تغییرات سطح ریسک و کارایی متقاطع را با دقت مناسب پیش‌بینی کند؛ به‌گونه‌ای که شاخص‌های خطا کاهش معنادار و ضریب تعیین در سطح مطلوبی قرار گرفت. مدل پیشنهادی ابزاری کارآمد برای پیش‌بینی ریسک و پشتیبانی از تصمیم‌گیری هوشمند در زنجیره تأمین دیجیتال فولاد فراهم می‌کند و می‌تواند جایگزینی مؤثر برای روش‌های سنتی ارزیابی ریسک باشد.</p> https://jilmt.com/index.php/jilmt/article/download/113/99