مدل پیش بینی هزینه کل در زنجیره تأمین دو سطحی همراه با ریسک عملیاتی و هزینه یابی بر مبنای فعالیت توسط شبکه عصبی مصنوعی (مطالعه موردی: شرکت تولید قطعات خودرو)
حوزه های تخصصی:
تصمیمات مربوط به هزینه های زنجیرة تأمین جزء تصمیمات راهبردی می باشد. در این پژوهش، به منظور پیش بینی هزینه کل در چهار بخش سفارش، موجودی، ریسک عملیاتی و تولید از روش شبکه عصبی مصنوعی بهره گرفته شده است. داده های مورد استفاده، میزان تولید محصول، میزان سفارش خرید مواد اولیه، میزان موجودی و تقاضا در کنار هزینه های تولید، موجودی، سفارش خرید مواد اولیه و تعمیر و نگهداری ماشین آلات می باشد که به صورت ماهانه از فروردین سال 1394 تا اسفند سال 1396 از شرکت تولید قطعات خودرو اخذ گردیده است. به منظور طراحی مدل پیش بینی داده ها به دو بخش شامل داده های آموزشی و داده های آزمایشی برای آزمون مدل، تقسیم شده اند؛ سپس شبکه بهینه با 32 داده آموزش، 2 داده اعتبارسنجی و 2 داده آزمایش، 20 تعداد نرون لایه پنهان و 2 تأخیر در تکرار 7 انتخاب شد. در نهایت برای اثبات اعتبار مدل نتایج روش شبکه عصبی مصنوعی با مدل های رگرسیون چند متغیره خطی و سری زمانی (ARIMA) توسط معیارهای MAPE، MAD وRMSE مورد سنجش قرار گرفت. نتایج نشان داد که روش شبکه عصبی مصنوعی میزان خطاها را به ترتیب 38٪ برای RMSE، ٪34 برای MAD و 32٪ برای MAPE نسبت به مدل ARIMA و 50٪ برای RMSE، ٪72 برای MAD و 67٪ برای MAPE نسبت به مدل رگرسیون کاهش داده است.