Предиктивное моделирование в сфере управления цепями поставок на основании методов искусственного интеллекта

Цель. Выявление и комплексное сравнение методов предиктивного моделирования с применением искусственного интеллекта в сфере управления цепями поставок на основе систематического обзора литературы.

Задачи. Анализ главных методов предиктивного моделирования; проведение систематического обзора литературы, в том числе выделение критериев отбора анализируемых исследований, определение структуры исследования и поэтапный отбор выборки для исследования; сравнение преимуществ и недостатков методов искусственного интеллекта и традиционных статистических методов для предиктивного моделирования в сфере управления цепями поставок; составление рекомендаций для внедрения и применения различных методов предиктивного моделирования в зависимости от вида операций в цепях поставок.

Методология. Исследование основано на методологии систематического обзора литературы (SLR). Автором применены рекомендации стандарта Preferred Reporting Items for Systematic Reviews and Meta-Analyses (PRISMA), обеспечивающего прозрачность, структурированность и методологическую строгость процесса обзора. Методологическая база исследования состоит из нескольких компонентов. В их числе — формулировка исследовательских вопросов, осуществление комплексного поиска релевантных источников, применение разработанных критериев отбора материалов, обобщение полученных данных для формирования содержательных выводов.

Результаты. Результаты систематического анализа показывают, что использование методов машинного обучения становится все более распространенным и, как доказано, открывает широкие перспективы для повышения точности принятия решений и прогнозирования в области SCM. В рамках исследования предлагаются рекомендации по использованию методов предиктивного моделирования в зависимости от операций внутри цепочки поставок. Помимо преимуществ использования искусственного интеллекта в SCM, выявлен ряд недостатков, в частности проблемы, связанные с качеством данных, интерпретируемостью моделей и необходимостью знания предметной области. Наконец, обобщение результатов показывает, что, хотя модели прогнозирования на основе искусственного интеллекта могут повысить эффективность и скорость реагирования в управлении цепочками поставок, их успешное внедрение требует тщательного учета организационного контекста и операционных ограничений.

Выводы. Наиболее применим сегодня гибридный подход к предиктивной аналитике цепей поставок. Этот подход сочетает традиционные статистические методы с методами машинного обучения, поскольку он обеспечивает многоступенчатую проверку и обработку данных, нивелирует проблемы их интерпретируемости и качества.

1. Xue X., Li X., Shen Q., Wang Y. An agent-based framework for supply chain coordination in construction // Automation in Construction. 2005. Vol. 14. No. 3. P. 413–430. https://doi.org/10.1016/J.AUTCON.2004.08.010

2. Garvey M. D., Carnovale S., Yeniyurt S. An analytical framework for supply network risk propagation: A Bayesian network approach // European Journal of Operational Research. 2015. Vol. 243. No. 2. P. 618–627. https://doi.org/10.1016/j.ejor.2014.10.034

3. Afolabi O. J., Onifade M. K., Olumide O. F. Evaluation of the role of inventory management in logistics chain of an organization // LOGI — Scientific Journal on Transport and Logistics. 2017. Vol. 8. No. 2. P. 1–11. https://doi.org/10.1515/logi-2017-0011

4. Cahyono Y., Purwoko D., Koho I. et al. The role of supply chain management practices on competitive advantage and performance of halal agroindustry SMEs // Uncertain Supply Chain Management. 2023. Vol. 11. No. 1. P. 153–160. https://doi.org/10.5267/j.uscm.2022.10.012

5. Núñez-Merino M., Maqueira-Marín J. M., Moyano-Fuentes J., Martínez-Jurado P. J. Information and digital technologies of Industry 4.0 and Lean supply chain management: A systematic literature review // International Journal of Production Research. 2020. Vol. 58. No. 16. P. 5034–5061. https://doi.org/10.1080/00207543.2020.1743896

6. Gölzer P., Fritzsche A. Data-driven operations management: Organisational implications of the digital transformation in industrial practice // Production Planning and Control. 2017. Vol. 28. No. 16. P. 1332–1343. https://doi.org/10.1080/09537287.2017.1375148

7. Mahraz M. I., Benabbou L., Berrado A. Machine learning in supply chain management: A systematic literature review // International Journal of Supply and Operations Management. 2022. Vol. 9. No. 4. P. 398–416. https://doi.org/10.22034/ijsom.2021.109189.2279

8. Pournader M., Shi Y., Seuring S., Koh S. C. L. Blockchain applications in supply chains, transport and logistics: A systematic review of the literature // International Journal of Production Research. 2020. Vol. 58. No. 7. P. 2063–2081. https://doi.org/10.1080/00207543.2019.1650976

9. Spiliotis E., Petropoulos F., Kourentzes N., Assimakopoulos V. Cross-temporal aggregation: Improving the forecast accuracy of hierarchical electricity consumption // Applied Energy. 2020. Vol. 261. Article 114339. https://doi.org/10.1016/j.apenergy.2019.114339

10. Shahjalal M., Yahia A. K. M., Morshed A. S. M., Tanha N. I. Earthquake-resistant building design: Innovations and challenges // Global Mainstream Journal of Innovation, Engineering & Emerging Technology. 2024. Vol. 3. No. 04. P. 101–119. https://doi.org/10.62304/jieet.v3i04.209

11. Haenlein M., Kaplan A. M. A brief history of artificial intelligence: On the past, present, and future of artificial intelligence // California Management Review. 2019. Vol. 61. No. 4. P. 5–14. https://doi.org/10.1177/0008125619864925

12. Monsalve M. O., Cerón- Muñoz M., Galeano-vasco L., Medina-Sierra M. Use of machine learning models for prediction of organic carbon and nitrogen in soil from hyperspectral imagery in laboratory // Journal of Spectroscopy. 2023. Article 4389885. P. 1–8. https://doi.org/10.1155/2023/4389885

13. Perera H. N., Fahimnia B., Tokar T. Inventory and ordering decisions: A systematic review on research driven through behavioral experiments // International Journal of Operations & Production Management. 2020. Vol. 40. No. 7/8. P. 997–1039. https://doi.org/10.1108/IJOPM-05-2019-0339

14. Carter C. R., Kaufmann L., Wagner C. M. Reconceptualizing intuition in supply chain management // Journal of Business Logistics. 2017. Vol. 38. No. 2. P. 80–95. https://doi.org/10.1111/jbl.12154

15. Mikalef P., Fjørtoft S. O., Torvatn H. Y. Developing an artificial intelligence capability: A theoretical framework for business value // Business information systems workshops / eds. W. Abramowicz, R. Corchuelo. Cham: Springer, 2019. P. 409–416. (Lecture Notes in Business Information Processing. Vol. 373). https://doi.org/10.1007/978-3-030-36691-9-34

16. Wang Y., Gunasekaran A., Ngai E. W. T. Big data in logistics and supply chain management: Certain investigations for future research and applications // International Journal of Production Economics. 2016. Vol. 176. P. 98–110. https://doi.org/10.1016/j.ijpe.2016.03.014

17. Bennett C. C., Hauser K. Artificial intelligence framework for simulating clinical decisionmaking: A Markov decision process approach // Artificial Intelligence in Medicine. 2013. Vol. 57. No. 1. P. 9–19. https://doi.org/10.1016/j.artmed.2012.12.003

18. Amellal I., Amellal A., Seghiouer H., Ech-Charrat M. R. An integrated approach for modern supply chain management: Utilizing advanced machine learning models for sentiment analysis, demand forecasting, and probabilistic price prediction // Decision Science Letters. 2024. Vol. 13. P. 237–248. https://doi.org/10.5267/j.dsl.2023.9.003

19. Deb I., Gupta R. K. A genetic algorithm based heuristic optimization technique for solving balanced allocation problem involving overall shipping cost minimization with restriction to the number of serving units as well as customer hubs // Results in Control and Optimization. 2023. Vol. 11. Article 100227. https://doi.org/10.1016/j.rico.2023.100227

20. Che C., Liu B., Li S., Huang J., Hu H. Deep learning for precise robot position prediction in logistics // Journal of Theory and Practice of Engineering Science. 2023. Vol. 3. No. 10. P. 36–41. https://doi.org/10.53469/jtpes.2023.03(10).05

21. Du M., Luo J., Wang S., Liu S. Genetic algorithm combined with BP neural network in hospital drug inventory management system // Neural Computing and Applications. 2020. Vol. 32. No. 7. P. 1981–1994. https://doi.org/10.1007/s00521-019-04379-3

22. Lei C., Zhang H., Wang Z., Miao Q. Deep learning for demand forecasting: A framework incorporating variational mode decomposition and attention mechanism // Processes. 2025. Vol. 13. No. 2. Article 594. https://doi.org/10.3390/pr13020594

23. Šustrová T. A suitable artificial intelligence model for inventory level optimization // Trends Economics and Management. 2016. Vol. 25. No. 1. P. 48–55. https://doi.org/10.13164/trends.2016.25.48

24. Tan L. P., Le A. N. H., Xuan L. P. A systematic literature review on social entrepreneurial intention // Journal of Social Entrepreneurship. 2020. Vol. 11. No. 3. P. 241–256. https://doi.org/10.1080/19420676.2019.1640770

25. Raut R. D., Mangla S. K., Narwane V. S. et al. Linking big data analytics and operational sustainability practices for sustainable business management // Journal of Cleaner Production. 2019. Vol. 224. P. 10–24. https://doi.org/10.1016/j.jclepro.2019.03.181

26. Singh S., Kumar R., Panchal R., Tiwari M. K. Impact of COVID-19 on logistics systems and disruptions in food supply chain // International Journal of Production Research. 2021. Vol. 59. No. 7. P. 1993–2008. https://doi.org/10.1080/00207543.2020.1792000

27. Alavidoost M. H., Jafarnejad A., Babazadeh H. A novel fuzzy mathematical model for an integrated supply chain planning using multi-objective evolutionary algorithm // Soft Computing. 2021. Vol. 25. No. 3. P. 1777–1801. https://doi.org/10.1007/s00500-020-05251-6

28. Santos L. F. S., Neves L., Martins A. S. et al. Convolutional neural networks enriched by handcrafted attributes (Enriched-CNN): An innovative approach to pattern recognition in histological images // Proceedings of the 27th International conference on enterprise information systems. (Porto, April 4-6, 2025). Red Hook, NY: Curran Associates, Inc., 2025. Vol. 1. P. 467–478. https://doi.org/10.5220/0013277300003929

29. Dabbas H., Friedrich B. Benchmarking machine learning algorithms by inferring transportation modes from unlabeled GPS data // Transportation Research Procedia. 2022. Vol. 62. P. 383–392. https://doi.org/10.1016/j.trpro.2022.02.048

30. Pasupuleti V., Thuraka B., Kodete C. S., Malisetty S. Enhancing supply chain agility and sustainability through machine learning: Optimization techniques for logistics and inventory management // Logistics. 2024. Vol. 8. No. 3. Article 73. https://doi.org/10.3390/logistics8030073