تبیین مدل تأثیر توسعه هوش مصنوعی بر تنوع و تابآوری زنجیره تأمین در صنایع تولیدی ایران با رویکرد مدلسازی معادلات ساختاری (PLS)
کلمات کلیدی:
هوش مصنوعی, زنجیره تأمین, تنوع زنجیره تأمین, تابآوری زنجیره تأمین, مدلسازی معادلات ساختاریچکیده
هدف این پژوهش بررسی اثر توسعه هوش مصنوعی بر تنوع و تابآوری زنجیره تأمین با در نظر گرفتن نقش میانجی شفافیت اطلاعات و کاهش هزینههای هماهنگی و نقش تعدیلگر سطح دیجیتالی شدن سازمان است. این پژوهش از نوع کاربردی و با روش توصیفی–پیمایشی انجام شد. جامعه آماری شامل ۲۸۰ نفر از مدیران و کارشناسان زنجیره تأمین شرکتهای تولیدی شهر تهران بود که با استفاده از فرمول کوکران، ۱۶۰ نفر به شیوه نمونهگیری تصادفی طبقهای انتخاب شدند. دادهها از طریق پرسشنامه محققساخته شامل ۳۸ گویه در شش متغیر اصلی جمعآوری شد. پایایی پرسشنامه با استفاده از آلفای کرونباخ و اعتبار مرکب تأیید شد و روایی همگرا با AVE مناسب احراز گردید. تحلیل دادهها با نرمافزار Smart PLS و روش مدلسازی معادلات ساختاری (PLS-SEM) برای ارزیابی اثرات مستقیم، غیرمستقیم و تعدیلگری انجام شد. نتایج نشان داد توسعه هوش مصنوعی اثر مثبت و معناداری بر تنوع زنجیره تأمین (β=0.42، p<0.001) و تابآوری زنجیره تأمین (β=0.35، p<0.001) دارد. همچنین توسعه AI بهطور معنادار شفافیت اطلاعات (β=0.63، p<0.001) و کاهش هزینههای هماهنگی (β=0.59، p<0.001) را افزایش داد. شفافیت اطلاعات بر تنوع زنجیره (β=0.38، p<0.001) و کاهش هزینههای هماهنگی بر تابآوری زنجیره (β=0.33، p=0.001) اثر مثبت داشت. سطح دیجیتالی شدن سازمان اثر AI بر تنوع زنجیره (β=0.21، p=0.033) و تابآوری زنجیره (β=0.19، p=0.041) را تقویت کرد. نقش میانجی شفافیت اطلاعات نیز تأیید شد (β=0.24، p=0.002). توسعه هوش مصنوعی از طریق ارتقای شفافیت اطلاعات، کاهش هزینههای هماهنگی و تقویت دیجیتالی شدن سازمان، بهطور مؤثر موجب افزایش تنوع و تابآوری زنجیره تأمین میشود و میتواند بهعنوان راهبردی کلیدی در مدیریت زنجیره تأمین صنایع تولیدی ایران به کار رود.
دانلودها
مراجع
Adenekan, O., Smith, J., & Lee, H. (2024). Reducing coordination costs in supply chains through AI-enabled systems. International Journal of Production Economics, 278, 108652. https://doi.org/10.1016/j.ijpe.2024.108652
Ahmad, S., Zhang, Y., & Kumar, V. (2022). Artificial intelligence in supply chain management: Opportunities and challenges. Journal of Business Research, 145, 101–115. https://doi.org/10.1016/j.jbusres.2022.01.015
Chen, L., Wang, X., & Zhao, Y. (2024). Artificial intelligence and supply chain resilience: Evidence from manufacturing firms. Computers & Industrial Engineering, 178, 109312. https://doi.org/10.1016/j.cie.2024.109312
Christopher, M., & Peck, H. (2004). Building the resilient supply chain. International Journal of Logistics Management, 15(2), 1–13. https://doi.org/10.1108/09574090410700275
Guo, F., Li, J., & Sun, H. (2025). AI-driven supply chain diversification: Mechanisms and outcomes. Journal of Operations Management, 72(1), 23–40. https://doi.org/10.1016/j.jom.2025.03.001
Ivanov, D., Dolgui, A., & Sokolov, B. (2024). The digital supply chain and resilience: A simulation study. International Journal of Production Research, 62(8), 2345–2365. https://doi.org/10.1080/00207543.2024.1823456
Li, M., Wang, Q., & Chen, R. (2025). Digitalization as a moderator in AI adoption and supply chain resilience. Journal of Supply Chain Management, 61(3), 45–62. https://doi.org/10.1111/jscm.12256
Liu, Y., Zhang, P., & Zhao, W. (2024). Predictive analytics and supply chain recovery: AI applications in manufacturing. Decision Support Systems, 178, 113010. https://doi.org/10.1016/j.dss.2024.113010
Ma, K., Zhou, J., & Liu, H. (2025). Artificial intelligence, supply chain flexibility, and firm performance. International Journal of Production Economics, 281, 109782. https://doi.org/10.1016/j.ijpe.2025.109782
Modgil, S., Sharma, R., & Gaur, V. (2022). Artificial intelligence for supply chain transparency: A review and framework. Supply Chain Management: An International Journal, 27(6), 1010–1025. https://doi.org/10.1108/SCM-11-2021-0421
Rane, N., Choudhary, S., & Rane, J. (2024). Artificial intelligence and machine learning for resilient and sustainable logistics and supply chain management. Available at SSRN 4847087. https://doi.org/10.2139/ssrn.4847087
Rashid, A., Baloch, N., Rasheed, R., & Ngah, A. H. (2024). Big data analytics-artificial intelligence and sustainable performance through green supply chain practices in manufacturing firms of a developing country. Journal of Science and Technology Policy Management.
Seifi, N., Ghoodjani, E., Majd, S. S., Maleki, A., & Khamoushi, S. (2025). Evaluation and prioritization of artificial intelligence integrated block chain factors in healthcare supply chain: A hybrid Decision Making Approach. Computer and Decision Making: An International Journal, 2, 374-405. https://doi.org/10.59543/comdem.v2i.11029
Spreitzenbarth, J. M., Bode, C., & Stuckenschmidt, H. (2024). Artificial intelligence and machine learning in purchasing and supply management: A mixed-methods review of the state-of-the-art in literatu re and practice. Journal of Purchasing and Supply Management, 30(1), 100896. https://doi.org/10.1016/j.pursup.2024.100896
Wang, L., Li, Q., & Chen, S. (2024). Organizational digitalization and AI-enabled supply chain diversification. Journal of Business Logistics, 45(4), 350–370. https://doi.org/10.1111/jbl.12345
Wang, W., Chen, Y., Wang, Y., Deveci, M., Cheng, S., & Brito-Parada, P. R. (2024). A decision support framework for humanitarian supply chain management – Analysing enablers of AI-HI integration using a complex spherical fu zzy DEMATEL-MARCOS method. Technological Forecasting and Social Change, 206, 123556. https://doi.org/10.1016/J.TECHFORE.2024.123556
Wong, L. W., Tan, G. W. H., Ooi, K. B., Lin, B., & Dwivedi, Y. K. (2024). Artificial intelligence-driven risk management for enhancing supply chain agility: A deep-learning-based dual-stage PLS-SEM-ANN analysis. International Journal of Production Research, 62(15), 5535-5555. https://doi.org/10.1080/00207543.2022.2063089
Xu, L., & Lin, Z. (2021). Supply chain risk management in the digital era: AI perspectives. Computers & Industrial Engineering, 157, 107297. https://doi.org/10.1016/j.cie.2021.107297
Yamin, B. M., Almuteri, S. D., Bogari, K. J., & Ashi, A. K. (2024). The Influence of Strategic Human Resource Management and Artificial Intelligence in Determining Supply Chain Agility and Supply Chain Resilience. Sustainability, 16(7), 2688. https://doi.org/10.3390/su16072688
Yang, F., Zhao, L., & Guo, R. (2014). Supply chain risk and resilience in emerging economies. International Journal of Production Economics, 147, 130–141. https://doi.org/10.1016/j.ijpe.2013.05.013
Zhou, J., Chen, Y., & Li, M. (2024). Supply chain diversification as a strategic response to environmental uncertainty: The role of AI. Journal of Supply Chain Management, 60(2), 22–38. https://doi.org/10.1111/jscm.12123
دانلود
چاپ شده
ارسال
بازنگری
پذیرش
شماره
نوع مقاله
مجوز
حق نشر 2025 Rozmehr Akhlaghi Feiz Asar
این پروژه تحت مجوز بین المللی Creative Commons Attribution-NonCommercial 4.0 می باشد.
