ترجمه مقاله پیش بینی ریسک تحول دیجیتالی زنجیره تامین تولید بر اساس تحلیل مؤلفه اصلی و شبکه عصبی مصنوعی پسرو – سال 2021
مشخصات مقاله:
عنوان فارسی مقاله:
پیش بینی ریسک تحول دیجیتالی زنجیره تامین تولید بر اساس تحلیل مؤلفه اصلی و شبکه عصبی مصنوعی پسرو
عنوان انگلیسی مقاله:
Risk Prediction of Digital Transformation of Manufacturing Supply Chain Based on Principal Component Analysis and Backpropagation Artificial Neural Network
کلمات کلیدی مقاله:
تحول دیجیتالی، زنجیره تأمین تولید (MSC)، عامل ریسک، شبکه عصبی پسرو (BPNN)، تحلیل مؤلفه اصلی (PCA)
مناسب برای رشته های دانشگاهی زیر:
مهندسی صنایع و مدیریت
مناسب برای گرایش های دانشگاهی زیر:
لجستیک و زنجیره تامین، مدیریت استراتژیک، مدیریت صنعتی، تولید و عملیات، مدیریت تکنولوژی، تکنولوژی صنعتی، تولید صنعتی
وضعیت مقاله انگلیسی و ترجمه:
مقاله انگلیسی را میتوانید به صورت رایگان با فرمت PDF از باکس زیر دانلود نمایید. ترجمه این مقاله با فرمت WORD – DOC آماده خریداری و دانلود آنی میباشد.
فهرست مطالب:
چکیده
1. مقدمه
2. مرور مطالعات پیشین
2.1 معانی ضمنی زنجیره تأمین تولید (MSC) دیجیتالی
2.2 عوامل محرک تحول دیجیتالی زنجیره تأمین تولید (MSC)
2.3 بحث درباره ریسک های تحول دیجیتالی زنجیره تأمین تولید (MSC)
3. مبانی نظری
3.1 نظریه تکنولوژی، سازمان، و محیط (TOE)
3.2 ریسک های زنجیره تأمین تولید (MSC) دیجیتالی
4. روش شناسی
4.1 تحلیل مؤلفه اصلی (PCA)
5. طراحی سیستم شاخص ارزیابی
5.1 کسب داده های نمونه
5.2 تحلیل مؤلفه اصلی (PCA)
6. طراحی و کاربرد مدل شبکه عصبی پسرو (BPNN) مبتنی بر تحلیل مؤلفه اصلی (PCA)
6.1 طراحی مدل شبکه عصبی پسرو (BPNN)
6.2 آموزش شبکه عصبی پسرو (BPNN)
6.3 شبیه سازی مدل
7. نتیجه گیری ها
منابع
قسمتی از مقاله انگلیسی و ترجمه آن:
Abstract
Digital transformation of manufacturing is a hot topic among strategic managers of manufacturing companies. The crux of digital transformation lies in the digitalization of manufacturing supply chain (MSC). However, the digital transformation of the MSC is highly uncertain, owing to the dynamic and complex changes of its nodes and structure in response to growing customer demand and fierce market competition. To propel the MSC digital transformation, it is crucial to effectively identify and predict the risk factors in the course of digital transformation. Therefore, this paper attempts to help manufacturing companies in China to successfully switch to a digital MSC. Firstly, the risk sources of the MSC digitization were identified, and complied into an evaluation index system for the digital transformation of the MSC. Next, the principal component analysis (PCA) was performed to reduce the dimension of the original data by revealing the three key principal components, and then the characteristic parameters of risk prediction are selected, so as to simplify the structure of neural network and improve the speed and efficiency of network training. On this basis, a backpropagation neural network (BPNN) was constructed for predicting the risks in MSC digitization. The results of training the model based on some data show that the proposed BPNN model has a good predictive effect. Furthermore, our model was compared with the traditional artificial neural network (ANN) model on a test set. The comparison demonstrates that our model achieved better effect than the traditional model in risk prediction. The results also show that the selected three principal components are reasonable, and the evaluation index system is valuable. The research results provide new insights to the smooth digital transformation of the MSC.
چکیده
تحول دیجیتالی تولید، موضوع داغی در بین مدیران استراتژیک شرکت های تولیدی است. کلید تحویل دیجیتالی در دیجیتالی کردن زنجیره تأمین تولید (MSC) است. با این حال تحول دیجیتالی زنجیره تأمین تولید (MSC) کاملاً نامعلوم است و این نامعلومی به علت تغییرات پویا و پیچیده در گره ها و ساختار آن در پاسخ به تقاضای رو به رشد مشتریان و رقابت شدید در بازار است. برای پیشبرد تحول دیجیتالی زنجیره تأمین تولید (MSC)، مهم است که عوامل ریسک در زمینه تحول دیجیتالی را به صورت مؤثر شناسایی و پیش بینی کنیم. لذا من در این مقاله تلاش می کنم که به شرکت های تولیدی در چین کمک کنم به یک زنجیره تأمین تولید (MSC) دیجیتالی رو بیاورند. اول، منابع ریسک دیجیتالی کردن زنجیره تأمین تولید (MSC) را شناسایی می کنم، و آنها را به صورت یک سیستم شاخص ارزیابی برای تحول دیجیتالی زنجیره تأمین تولید (MSC) تعدیل می کنم. سپس تحلیل مؤلفه اصلی (PCA) را انجام دادم تا بُعد داده های اصلی را از طریق آشکارسازی سه مؤلفه اصلی کلیدی کاهش دهم و سپس پارامترهای مشخصه پیش بینی ریسک را انتخاب کردم تا ساختار شبکه عصبی را ساده سازم و سرعت و کارایی آموزش شبکه را بهبود دهم. بر این اساس، یک شبکه عصبی پسرو (BPNN) را برای پیش بینی ریسک ها در دیجیتالی کردن زنجیره تأمین تولید (MSC) ایجاد کردیم. نتایج آموزش دادن مدل بر مبنای برخی از داده ها نشان داد که مدل پیشنهادی شبکه عصبی پسرو (BPNN) تاثیر پیشگویانه خوبی دارد. به علاوه، من در یک سری آزمایشات، مدل خود را با مدل شبکه عصبی مصنوعی (ANN) سنتی مقایسه کردیم. این مقایسه نشان داد که مدل من از لحاظ پیش بینی ریسک، اثر بهتری نسبت به مدل سنتی دارد. نتایج همچنین نشان داد که سه مؤلفه اصلی انتخاب شده منطقی هستند و سیستم شاخص ارزیابی نیز ارزشمند می باشد. نتایج تحقیق من بینش های جدیدی را درباره تحول دیجیتالی آسان زنجیره تأمین تولید (MSC) ایجاد کرد.
