ارائه مدل هوشمند تعیین قیمت فولاد با رویکرد ترکیبی نظریه بازی ها و الگوریتم های یادگیری ماشین

هدف: مدیریت زنجیره تامین نوعی مدیریت سازمانی مدرن است که جریان اطلاعات، جریان سرمایه و مشارکت های تجاری را در زنجیره تامین سازمان دهی و برنامه ریزی می کند و به اطلاعات کامل تجاری و بازار نیاز دارد (کویین و همکاران، ۲۰۱۲)؛ با این حال، هزینه به دست آوردن شرکت های زنجیره تامین و اطلاعات محصول با روش های سنتی، بسیار سنگین است. فناوری اطلاعات نیرویی را برای شرکت ها فراهم می کند تا مدیریت زنجیره تامین را پیاده سازی کنند و زنجیره تامین را به راحتی به اشتراک بگذارند. همه شرکت ها در زنجیره تامین، می توانند از طریق مدیریت اطلاعات ارزش ایجاد کنند (حسین نیاشاواکی و همکاران، ۲۰۲۳). استفاده از رویکردهای هوشمند برای پیش بینی قیمت و میزان تقاضا، عملکرد تحویل تامین کننده، دقت پیش بینی تقاضا، افزایش دقت برنامه ریزی کارخانه و پیش بینی تقاضا برای محصولات جدید را بهبود می دهد و باعث می شود که ریسک تامین کننده، هزینه حمل ونقل، هزینه های موجودی و عملیات و زمان پاسخ گویی کاهش یابد (تیرکلایی و همکاران، ۲۰۲۱). در مدیریت زنجیره تامین، پیش بینی دقیق تقاضا که از قیمت تبعیت می کند، موضوعی حیاتی است که می تواند هزینه موجودی را کاهش دهد و سطح خدمات مطلوب را به دست آورد (زوقاق و همکاران، ۲۰۲۰). رویکردهای هوشمند قیمت گذاری در زنجیره تامین، به شرکت های زنجیره تامین کمک می کند تا با توجه به دانش به دست آمده، کیفیت نحوه ارائه محصول خود را در مدیریت زنجیره تامین تطبیق دهند (کوتسیوپولوس و همکاران، ۲۰۲۱). در صنعت فولاد و مدیریت زنجیره تامین، شناسایی و مدلسازی نوسان های بازار فولاد بسیار مهم است. با توجه به زنجیره عمودی در این صنعت و تعامل مابین بازیکنان این صنعت، از نظریه بازی برای مدلسازی قیمت بهینه بهره برده شده است. از طرفی با توجه به اینکه برای رسیدن به تعادل، به تعامل بازیکنان و تکرار بازی نیاز است، از مدل های شبکه عصبی برای تکرار بازی استفاده شده است. در ادامه با توجه به شرایط خاص کشور در خصوص تحریم های شدید در صنعت فلزات، متغیر تحریم به عنوان عامل تعدیل در مدلسازی قیمت این صنعت در نظر گرفته شده است. روش: پژوهش حاضر از نظر هدف کاربردی است. بازه زمانی پژوهش برای پیش بینی قیمت فولاد و محاسبه شاخص تحریم، داده های فصلی سال های ۲۰۱۱ تا ۲۰۲۰ بوده است. نرم افزار استفاده شده در این پژوهش، نرم افزار متلب است. یافته ها: برای پیش بینی قیمت فولاد، از سه شبکه عصبی بیزین، بردارهای پشتیبان و پاد انتشار گراسبرگ بهره گرفته شد. نتایج بیانگر این واقعیت است که مدل پاد انتشار گراسبرگ، در پیش بینی قیمت فولاد دقت بیشتری دارد. در ادامه، قیمت پیش بینی شده وارد فرایند نظریه بازی ها شد و نقطه تعادل نش مدل تعیین شد. با توجه به شرایط خاص کشور، متغیر تحریم در مدل نظریه بازی ها وارد شد. نتایج نشان داد که حضور تحریم ها در مدل، باعث افزایش قیمت ها و کاهش تولید در صنعت فولاد شده است. با توجه به اینکه در پژوهش حاضر، تغییرات قیمت ناشی از تغییرات عرضه و تقاضا، در حضور تحریم ها بررسی شد، به علت کاهش عرضه و افزایش سطح تحریم، سطح قیمت ها با رشد فزاینده ای نسبت به تغییرات عرضه مواجه شد؛ در نتیجه می توان گفت که فولاد یک نهاده کم کشش است. این امر موجب می شود که هر گونه اخلال در زنجیره تامین فولاد، افزایش شدید قیمت این کالا و تلاطم در بازار آن را در پی داشته باشد. در نتیجه، این امر حساسیت مدیریت زنجیره تامین در محصول فولاد را دوچندان می کند. بر این اساس، لازم است که از دیدگاهی سیستمی و پویا در سیاست های تنظیم بازار، سیاست های تامین مواد اولیه و حمل ونقل، انبارداری و... بهره گیری شود. باید توجه شود که استفاده از رویکردهای هوشمند و یادگیری ماشینی، در راستای هماهنگ سازی این امور نقش بسزایی را ایفا می کند. نتیجه گیری: با توجه به اینکه در پژوهش حاضر از رویکرد استکلبرگ استفاده شده است، نتایج به ترتیب ورود بازیکنان به بازی، بر تعادل نش حساس است. تدوین قوانین و مقررات نظارت ورود به بازار در این صنعت باید بررسی شود؛ زیرا صنعت فولاد جزء صنایعی است که هزینه های ورود و خروج سنگینی دارد. با توجه به نتایج پژوهش، بایستی نظارت بر ورود و خروج بازیکنان در این صنعت، در کانون توجه سیاست گذاران و مدیران این صنعت قرار گیرد و تلاش شود که قواعد بازی و استانداردهایی برای فعالان این بازار تدوین شود.

Keywords:

شبکه عصبی , صنعت فولاد , قیمت بهینه , نظریه بازی ها