مبتدی (مناسب برای درک مفهوم کلی مطلب) 

از شکل ۲ مشاهده می شود، اقدامات اصلی برای مقابله با خطرات خدمات مالی زنجیره تامین عبارتند از: سختگیری استانداردهای دسترسی سازمانی، ایجاد یک پلت فرم عملیات فشرده، ایجاد یک سیستم اعتباری مشترک، استفاده از بسته بندی اعتبار، استفاده منطقی از قوانین و مقررات، اعمال منطقی قوانین و مقررات، و تقویت تحقیقات اطلاعات بازار. سخت‌گیری استانداردهای دسترسی سازمانی به این معنی است که بانک‌ها به‌عنوان ارائه‌دهنده خدمات مالی زنجیره تأمین، باید ارزیابی‌های دسترسی را برای شرکت‌های زنجیره تأمین انجام دهند. برای ارائه خدمات تامین مالی لازم است شرکت هایی با وضعیت عملکرد پایدار و پیشینه تجاری واقعی انتخاب شوند. ایجاد بستر عملیات فشرده به این معنی است که بانک می تواند با ایجاد بستر تبادل اطلاعات با بنگاه، استراتژی مدیریت اعتبار قبلی را تغییر داده و بستر عملیات فشرده را توسعه دهد تا نظارت موثر بر جریان سرمایه و جریان نقدی شرکت را محقق سازد. شرکت، پروژه. استقرار سیستم اعتباری مشترک به این معنی است که وضعیت اعتباری کل شرکت های زنجیره تامین باید در نظر گرفته شود نه فقط اعتبار بنگاه های بزرگ. اتخاذ روش بسته‌بندی اعتباری به همراه کردن دارایی‌های اعتباری شرکت تامین مالی با پروژه‌های تامین مالی و معرفی یک موسسه شخص ثالث برای تنوع بخشیدن به ریسک اعتباری شرکت اشاره دارد. کاربرد منطقی قوانین و مقررات به این معناست که بانک ها باید مفاد قانونی محل مؤسسه تأمین مالی را به دقت مطالعه کنند و کاربرد محصولات تأمین مالی را مطالعه کنند. باید یک اداره امور حقوقی ایجاد شود تا با تقویت همکاری با موسسات حقوقی به مسائل مختلف حقوقی رسیدگی کند تا امنیت مالی بانک ها حفظ شود. تقویت تحقیقات اطلاعات بازار به این معنی است که بانک ها باید منابع انسانی و منابع فنی زیادی را برای بررسی و تحلیل اطلاعات بازار سرمایه گذاری کنند و از نتایج نظرسنجی برای تدوین سیاست های اعتباری معقول استفاده کنند.

(۳) معماری مدل هشدار زودهنگام ریسک خدمات مالی زنجیره تامین
ایجاد مدل هشدار زودهنگام ریسک خدمات مالی زنجیره تامین برای پیش‌بینی و کاهش ریسک‌های تامین مالی زنجیره تامین اهمیت زیادی دارد (وانگ و همکاران، ۲۰۲۲). با تجزیه و تحلیل عوامل خطر و اقدامات پاسخ ریسک خدمات مالی زنجیره تامین، الگوریتم‌های هوش مصنوعی و برخی از دستگاه‌های شبکه برای ایجاد یک مدل هشدار اولیه خطر، همانطور که در شکل ۳ نشان داده شده است، استفاده می‌شوند.
از شکل ۳ می توان دید، مدل هشدار زودهنگام ریسک خدمات مالی زنجیره تامین مبتنی بر الگوریتم هوش مصنوعی به سه ماژول تقسیم می شود: جمع آوری داده های ریسک، محاسبه هشدار اولیه ریسک، و خلاصه رویداد ریسک. جمع آوری داده های ریسک شامل مدیران، سیستم های نظارت و سیستم های جمع آوری داده های خارجی است. مدیران نه تنها باید از سیستم نظارت برای نظارت بر ریسک های خدمات مالی زنجیره تامین شرکت های خود استفاده کنند، بلکه باید از سیستم جمع آوری داده ها برای جمع آوری و تجزیه و تحلیل ریسک های خدمات مالی زنجیره تامین خارجی استفاده کنند. محاسبه هشدار زودهنگام خطر بر اساس الگوریتم‌های هوش مصنوعی و فناوری رایانه است و شاخص ریسک مربوطه بر اساس استانداردهای ریسک تعیین شده محاسبه می‌شود. پس از بیرون آمدن نتایج محاسبات، اطلاعات هشدار طبق رویه‌های مربوطه صادر می‌شود تا بنگاه‌های زنجیره تامین یا بانک‌ها بتوانند به سرعت اقداماتی را برای مقابله با خطرات خدمات مالی زنجیره تامین انجام دهند. پس از حل این رویداد ریسک تامین مالی، پرسنل ارشد شرکت‌های زنجیره تامین یا بانک‌ها جلسه‌ای برگزار می‌کنند تا مشکلات موجود در پیش‌کنترل ریسک خدمات مالی زنجیره تامین را خلاصه کنند. اثربخشی اقدامات پاسخ نیز ارزیابی می شود و سوالات و نظرات در یک پایگاه داده ثبت می شود.

۳٫ کاربرد الگوریتم هوش مصنوعی در ارزیابی ریسک خدمات مالی زنجیره تامین
(۱) شبکه عصبی مصنوعی
شبکه عصبی مصنوعی یک سیستم پردازش اطلاعات غیرخطی و تطبیقی متشکل از تعداد زیادی واحد پردازش به هم پیوسته است که دارای چهار ویژگی غیرخطی، عدم محدودیت، بسیار کیفی و غیر تحدب است (سانکار و همکاران، ۲۰۲۲).

۴٫ هدف آزمایشی و طراحی مدل هشدار اولیه خطر
(۱) هدف آزمایشی
با استفاده از شبکه عصبی مصنوعی، الگوریتم ژنتیک و الگوریتم ازدحام ذرات برای انجام تحقیقات تجربی در مورد ریسک خدمات مالی زنجیره تامین، ثابت می‌شود که مدل هشدار اولیه ریسک ساخته شده در این مقاله می‌تواند ریسک خدمات مالی زنجیره تامین را که صنعت انرژی با آن مواجه است کاهش دهد. تجارت بین المللی، در نتیجه توسعه صنعت انرژی را ارتقا می دهد.

(۲) طراحی آزمایشی
۴ بانک انتخاب و به دو گروه تقسیم شدند. گروه اول از مدل هشدار اولیه ریسک مبتنی بر الگوریتم هوش مصنوعی برای هشدار و کنترل خطرات خدمات مالی زنجیره تامین استفاده کردند. این گروه گروه R نام داشت که شامل بانک S و بانک T می شد. گروه دوم از روش های سنتی هشدار زودهنگام ریسک برای پیش اخطار و کنترل ریسک های خدمات مالی زنجیره تامین استفاده کردند. این گروه گروه U نام داشت که شامل بانک V و بانک W بود. یک مطالعه تجربی ۶ ماهه بر روی ۴ بانک انجام شد و مطالعه تجربی از پنج بعد ارزیابی صحت اعتبار شرکت، بروز ریسک عملیاتی انجام شد. ، دقت جمع آوری اطلاعات، میزان تغییرات در ریسک های قانونی و نظارتی و دقت پیش بینی ریسک های محیطی خارجی. پس از پایان آزمایش، نتایج تجربی مشاهده و تجزیه و تحلیل می شود.

۵٫ نتایج تجربی مدل هشدار اولیه خطر
(۱) ارزیابی دقت اعتبار شرکت
آزمون ارزیابی اعتبار شرکتی ۶ ماهه برای بانک‌های گروه R و بانک‌های گروه U انجام شد. بانک‌های گروه R از مدل هشدار زودهنگام ریسک مبتنی بر الگوریتم هوش مصنوعی برای ارزیابی و آزمایش استفاده کردند، در حالی که بانک‌های گروه U از روش‌های سنتی هشدار اولیه ریسک برای ارزیابی و آزمایش استفاده کردند. همانطور که در شکل ۴ نشان داده شده است، آمار داده ها یک بار در ماه برای به دست آوردن دقت ارزیابی اعتبار بانک از شرکت انجام شد.
شکل ۴a دقت ارزیابی بانک از اعتبار شرکتی و شکل ۴b میانگین دقت ارزیابی بانک از اعتبار شرکتی را نشان می دهد. در مجموع، دقت ارزیابی بانک S و بانک T بالاتر از بانک V و بانک W بود. دقت ارزیابی بانک S در ماه اول ۷۳٫۶۶ درصد، بانک T 72.7 درصد، بانک V و بانک W بود. به ترتیب ۶۵٫۷ درصد و ۶۴٫۸ درصد. در ماه اول، دقت ارزیابی بانک‌های گروه R 7.93 درصد بیشتر از بانک‌های گروه U بود. مدل هشدار اولیه ریسک مبتنی بر الگوریتم هوش مصنوعی از همان ابتدا در بهبود دقت ارزیابی بانک نقش داشت. از نتایج آزمون نهایی، دقت ارزیابی بانک اس و بانک تی به ترتیب ۲۶/۸۵ و ۳۹/۸۵ درصد و دقت ارزیابی بانک V و بانک W به ترتیب ۶۳/۷۹ و ۵۹/۸۱ درصد بود. دقت ارزیابی گروه R بالاتر از گروه U بود. در ماه چهارم، بانک V و بانک W هر دو کاهش اندکی در دقت ارزیابی داشتند، در حالی که بانک S و بانک T روند نزولی نشان ندادند، که نشان می‌دهد. که مدل هشدار اولیه خطر مبتنی بر الگوریتم هوش مصنوعی از نظر دقت ارزیابی نسبتاً پایدار است. میانگین دقت ارزیابی گروه R 79.81% و در گروه U 74.29% بود. میانگین دقت ارزیابی گروه R 7.43 درصد بیشتر از گروه U بود که نشان داد مدل هشدار اولیه خطر مبتنی بر الگوریتم هوش مصنوعی می تواند نقش مهمی در بهبود دقت ارزیابی داشته باشد.

(۲) بروز ریسک عملیاتی بانک
یک مطالعه ۶ ماهه در مورد بروز ریسک عملیاتی بانک برای مقایسه تفاوت بین بانک‌های گروه R و بانک‌های گروه U انجام شد. نتایج تجربی در جدول ۱ نشان داده شده است.
از جدول ۱ می توان مشاهده کرد که بروز ریسک عملیاتی بانک در چهار پیوند عملیاتی طراحی طرح خدمات، تایید تامین مالی، وام دهی و مدیریت پس از اعتبار منعکس شده است. در طراحی طرح خدمات، بانک T با ۲۱٫۶۳ درصد کمترین میزان بروز ریسک عملیاتی و بانک W با ۲۴٫۴۷ درصد بیشترین میزان بروز ریسک عملیاتی را داشتند. در فرآیند تایید تامین مالی، بانک T با ۲۱٫۲۴% کمترین میزان وقوع ریسک عملیاتی را داشت و بانک S دارای نرخ بروز ریسک عملیاتی بود که ۰٫۴۱% کمتر از بانک V بود. در فرآیند وام دهی، نرخ ریسک عملیاتی بانک T 20.23 درصد بود که ۲٫۲۴ درصد کمتر از بانک W بود. از نظر مدیریت پس از اعتبار، بانک V با ۲۴٫۵۶ درصد بیشترین میزان بروز ریسک عملیاتی را داشت که ۲٫۴ درصد بیشتر از بانک T بود. نرخ بروز ریسک عملیاتی کلی بانک S و بانک T به ترتیب ۲۲٫۷۱% و ۲۱٫۳۲% بود. نرخ بروز ریسک عملیاتی کل بانک V و بانک W به ترتیب ۲۳٫۳۷٪ و ۲۳٫۷۶٪ بود. بروز ریسک عملیاتی در گروه R 6.58 درصد کمتر از گروه U بود. مدل‌های هشدار اولیه ریسک مبتنی بر الگوریتم‌های هوش مصنوعی نقش مهمی در کاهش بروز ریسک‌های عملیاتی بانک داشتند.
(۳) دقت جمع آوری اطلاعات
بررسی ۶ ماهه صحت جمع آوری اطلاعات توسط بانک ها انجام شد. با مقایسه تفاوت بین بانک‌های گروه R و بانک‌های گروه U، تأثیر مدل هشدار زودهنگام ریسک و روش سنتی هشدار زودهنگام ریسک بر دقت جمع‌آوری اطلاعات مورد بررسی قرار گرفت. محتوای خاص در شکل ۵ نشان داده شده است.