دانلود ترجمه مقاله چارچوبی مبتنی بر داده کاوی برای مدیریت ریسک زنجیره تامین (ساینس دایرکت – الزویر 2020)

 

 

این مقاله انگلیسی ISI در نشریه الزویر در سال 2020 منتشر شده که 12 صفحه می باشد، ترجمه فارسی آن نیز 33 صفحه میباشد. کیفیت ترجمه این مقاله عالی بوده و به صورت کامل ترجمه شده است.

 

دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی
عنوان فارسی مقاله:

چارچوبی مبتنی بر داده کاوی برای مدیریت ریسک زنجیره تامین

عنوان انگلیسی مقاله:

A data mining-based framework for supply chain risk management

 

 

مشخصات مقاله انگلیسی 
نشریه ساینس دایرکت، الزویر – (Sciencedirect – Elsevier)
سال انتشار 2020
فرمت مقاله انگلیسی pdf و ورد تایپ شده با قابلیت ویرایش
تعداد صفحات مقاله انگلیسی 12 صفحه
نوع مقاله ISI
نوع نگارش مقاله پژوهشی (Research Article)
نوع ارائه مقاله ژورنال
رشته های مرتبط با این مقاله مهندسی صنایع – مدیریت
گرایش های مرتبط با این مقاله لجستیک و زنجیره تامین – داده کاوی – مدیریت نوآوری و فناوری – مدیریت فناوری اطلاعات
چاپ شده در مجله (ژورنال) Computers & Industrial Engineering
کلمات کلیدی داده کاوی – تحلیل داده – سیستم پشتبانی از تصمیم – مدیریت ریسک زنجیره تامین
کلمات کلیدی انگلیسی Data mining – Data analytics – Decision support system – Supply chain risk management
نمایه (index) scopus – master journals – JCR
نویسندگان Merve Er Kara – Seniye Ümit Oktay Fırat – Abhijeet Ghadge
شناسه شاپا یا ISSN 0360-8352
شناسه دیجیتال – doi https://doi.org/10.1016/j.cie.2018.12.017
لینک سایت مرجع https://www.sciencedirect.com/science/article/abs/pii/S0360835218306156
ایمپکت فاکتور (IF) مجله 7.938 در سال 2023
شاخص H_index مجله 161 در سال 2024
شاخص SJR مجله 1.701 در سال 2023
شاخص Q یا Quartile (چارک) Q1 در سال 2023
بیس است 
مدل مفهومی دارد  
پرسشنامه ندارد 
متغیر ندارد 
فرضیه ندارد 
رفرنس دارای رفرنس در داخل متن و انتهای مقاله
کد محصول 12732

 

مشخصات و وضعیت ترجمه فارسی این مقاله 
فرمت ترجمه مقاله ورد تایپ شده با قابلیت ویرایش و pdf
وضعیت ترجمه ترجمه شده و آماده دانلود
کیفیت ترجمه عالی (مناسب استفاده دانشگاهی و پژوهشی)
تعداد صفحات ترجمه 33 صفحه با فونت 14 B Nazanin
ترجمه عناوین تصاویر و جداول ترجمه شده است 
ترجمه متون داخل تصاویر ترجمه شده است 
ترجمه متون داخل جداول ترجمه شده است 
ترجمه ضمیمه دارد و ترجمه شده است
درج تصاویر در فایل ترجمه درج شده است  
درج جداول در فایل ترجمه درج شده است  
درج فرمولها و محاسبات در فایل ترجمه ندارد 
منابع داخل متن به صورت انگلیسی درج شده است
منابع انتهای متن به صورت انگلیسی درج شده است

 

فهرست مطالب

چکیده
1. مقدمه
2. مرور مقالات
3. روش تحقیق
4. توسعه چهارچوب مبتنی بر داده کاوی
5. اجرا و آزمون چهارچوب در یک شرکت نمونه
6. جمع بندی
منابع

 

بخشی از ترجمه

چکیده
افزایش سطوح قرارگیری در معرض ریسک، توسعه فناوری و افزایش حجم اطلاعات بارگزاری شده در شبکه های زنجیره تامین سازمان ها واردار می کند تا رویکردهای داده محور را در زنجیره تامین مدیریت ریسک (SCRM) مورد استفاده قرار دهند. داده کاوی (DM) از چندین روش تحلیلی برای انتقال سریع و تصمیم گیری به موقع استفاده می کند. با این وجود، قابلیت آن برای SCRM به طور کامل کشف نشده است. هدف این مقاله ارائه یک چهارچوب مبتنی بر DM برای شناسایی، ارزیابی و کاهش انواع مختلف ریسک در زنجیره تامین است. یک رویکرد جامع فعالیت های DM و مدیریت ریسک را در یک چهارچوب منحصربفرد برای مدیریت موثر ریسک تلفیق می کند. اعتبارسنجی این چهارچوب از طریق یک مطالعه موردی بر اساس مجموعه ای از مصاحبه ها، بحث ها و یک مطالعه متمرکز بر گروه نیمه سازمان یافته انجام شد. این مطالعه نشان داد که چطور DM اطلاعات مخفی و مفید را در داده های ریسک غیرسازمان یافته برای اتخاذ تصمیمات مدیریت ریسک هوشمند کشف می کند.

 

2. مرور مقالات
خطرات بیشمار طبیعی و انسانی وجود دارد که دارایی های فیزیکی و عملیاتی را در شبکه های SC تهدید می-کنند. برخی از این ریسک ها شامل نوسانات قیمت، تقاضای بی ثبات، مشکلات عرضه، خطرات عملیاتی، خطر تحویل، خطر شهرت و بلایای طبیعی هستند (Chen & Wu, 2013; Rajagopal, Venkatesan, & Goh, 2017). کاهش عملکرد کاری، آسیب به ارزش نام تجاری، دارایی های فیزیکی و ورشکستگی برخی از تبعات ریسک های SC هستند. SCRM یک روش سیستماتیک برای شناسایی، ارزیابی و کاهش ریسک در SC است (Ghadge, Dani, & Kalawsky, 2012). هدف از SCRM درک ریسک ها و اثرات آن ها و تلاش برای انجام اقدامات پیشگیرانه و بازدارنده برای کاهش آن است. اطلاعات امروز و فناوری های ارتباطی فرصتی را برای گرداوری، ذخیره و تحلیل مجموعه متنوعی از داده های مرتبط با ریسک در منابع داده ناهمگن فراهم می کند (Schlegel & Trent, 2014; Lee, Zhou, Souza, & Park, 2016; Kang et al., 2017). مفهوم هوش ریسک (RI) در نتیجه این پیشرفت ها ایجاد شده است (Lee & Kulkarni, 2011; Ponemon Institute, 2017). هوش ریسک می تواند به صورت توانایی سازمان برای شناسایی، اندازه گیری، ارزیابی و پیش-بینی تهدیدها تعریف شود که از طریق استفاده از داده ها و تجربیات مرتبط گذشته است (Apgar, 2006). مطالعات آکادمیک محدودی به بررسی رفتار ریسک یا هوش برخاسته از دیدگاه SC پرداخته اند(Ghadge, Dani, Chester, & Kalawsky, 2013).

 

روش است که سازمانها نمی توانند ریسک خود را بدون مدیریت داده ها و اطلاعات/دانش مدیریت کنند (Neef, 2005)؛ در نتیجه بسیاری از سازمان ها شروع به استفاده از چهارچوب مدیریت ریسک خودکار برای رقابت در محیط کسب و کاری برگرفته از دانش حال حاضر نموده اند (Haksöz, 2013; Wu, Chen, & Olson, 2014). برخلاف علاقمندی زیاد در صنعت، تحقیقات دانشگاهی در زمینه استفاده از BI برای مدیریت ریسک های SC وجود ندارد (Liu, Daniels, & Hofman, 2014; Wu, Chen, & Olson, 2014; Aruldoss, Travis, & Venkatesan, 2015). BI حاوی پایگاه های داده، ابزارها، روش ها، فرایندها و فناوری هایی برای تبدیل داده های خام به اطلاعات باارزش و مفید برای اهداف تجریه و تحلیل کسب و کار است. استخراج، تبدیل و بارگزاری (ETL)، مخزن داده، فرایند تحلیل برخط (OLAP)، تحلیل آماری، پیش بینی و شفاف سازی برخی از ابزارها/فناوری های کلیدی BI (Sherman, 2015; Coronel & Morris, 2017) هستند. DM نقش مهمی در تامین یک محیط BI فراهم می کند (Ranjan & Bhatnagar, 2011) و کاربردهای متعددی در زمینه های مختلف دارد (Giudici & Figini, 2009; Köksal, Batmaz, & Testik, 2011; Murray, Agard, & Barajas, 2017). DM از الگوریتم هایی برای کشف اطلاعات مخفی، قبلاً شناخته شده و مفید و همچنین الگوهای مجموعه داده های بزرگ استفاده می کند (Han, Kamber, & Pei, 2012; Witten, Frank, Hall, & Pal, 2017). DM برای پیش بینی تقاضا و قیمت در بازهای بی ثبات، شناسایی مشتریان و بازارهای پرخطر تشخیص کلاهبرداری و پشتیبانی از سیستم های اخطار اولیه استفاده می شود (Seng & Chen, 2010; Carneiro, Figueira, & Costa, 2017; Lee, Kim, & Lee, 2017). جدول 1 برخی از کاربردهای DM در مقالات مدیریت ریسک را به طور خلاصه ارائه داده است.

 

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

دکمه بازگشت به بالا