چکیده:
در دهه های اخیر، رقابت جهت ارایه ارزش برتر به مشتریان، از رقابت میان بنگاه ها به سمت رقابت میان زنجیره های تامین سوقپیدا کرده است. طراحی مناسب زنجیره تامین با توجه به ابعاد اقتصادی، اجتماعی و زیستمحیطی در سطوح استراتژیک،تاکتیکی و عملیاتی ضامن بقا و توسعه پایدار بنگاهه های فعال در هر بخش از زنجیره تامین است. یکی از مسایل مهم در زنجیرهتامین، وجود تقلب و مخاطرات مرتبط با آنها در سرتاسر زنجیره است. همچنین با توجه به حجم پژوه شهای علمی و تجربیصورت گرفته در سالهای اخیر، مساله کشف و ارزیابی تقلب با استفاده از روش های محاسباتی به تنهایی یک موضوع بااهمیت برای پژوهش م یباشد . از مه مترین چالشهای کشف و ارزیابی تقلب میتوان به د ر دسترس نبود ن مجموعه های داد هایواقعی، وجود مجموعه های داد های نامتقارن، عظیم بودن اندازه مجموعه های داد های، رفتار پویای متقلب و پراکندگی رخدادهایتقلبآمیز اشاره نمود که نتیجه این دو عدم اطمینان و ابهام در تصمیمسازی است. لذا هدف این پژوهش، ارایه مدلی جهتکشف و ارزیابی تقلب در فرایند زنجیره تامین مبتنی بر رو یکرد تلفیقی ANN-Big data میباشد. این پژوهش از نظر هدف،یک پژوهش توسعهای و کاربردی است. نخست به دلیل ا یجاد یک مدل جامع، با در نظر گرفتن منابع مختلف اخذ تصمیم درخصوص قانون ی یا تقلبآمیز بودن تراکنشهای کارت الکترونیک و الزامات تح لیل بزرگ داده، سعی به توسعه دانشی نظری د راین حوزه دارد، این پژوهش را م یتوان از لحا ظ ماهی تیک پژوهش تحلیل ی ریاضی در نظر گرفت، بر همین اساس اینپژوهش از نظر رویکرد، ی ک پژوهش کمی است . فرآیند استاندارد میا ن صنعتی داد هکاوی یا به اختصار CRISP DM)چپمنو همکاران 2000 (، ب هعنوان روششناسی تحلیل مورد استفاده قرار کرفته است. از مدل های خوشه بندی و الگوریت مهای K-means ، شبکه عصبی Kohone ، کشف ناهنجاری مبتنی بر خوشهبندی، مدل مخفی مارکوف، روش پردازش موازینگاشتکاهش و مدل ه مجوشی دمپستر شیفر فازی استفاده میشود. تجزیه و تحلیل با استفاده از نرمافزارهای MATLAB و R انجامشده است. مدل پیشنهادی توانسته است از نظر خروجی و زمان اجرا ، نسبت به مدلهای دیگر عملکرد برتری را به نمایشگذارد.
In recent decades, competition to provide superior value to customers has shifted from competition between companies to competition between supply chains. Appropriate design of the supply chain with regard to the economic, social and environmental dimensions at the strategic, tactical and operational levels guarantees the survival and sustainable development of enterprises active in each part of the supply chain. One of the important issues in the supply chain is the existence of fraud and the risks associated with it throughout the chain. Also, according to the amount of scientific and experimental research conducted in recent years, the problem of detecting and evaluating fraud using computational methods alone It is an important topic for research. The most important challenges of fraud detection and evaluation are the unavailability of real data sets, the existence of asymmetric data sets, the large size of data sets, the dynamic behavior of fraudsters and the dispersion of fraudulent events, which are the result of these two Uncertainty and ambiguity in decision making. Therefore, the aim of this research is to provide a model to detect and evaluate fraud in the supply chain process based on the ANN-Big data integrated approach. In terms of its purpose, this research is a developmental and applied research. First, due to the creation of a comprehensive model, taking into account the various sources of decision-making regarding the legitimacy or fraud of electronic card transactions, and the requirements of big data analysis, it tries to develop theoretical knowledge in this field, this research can be considered Considering the nature of a mathematical analytical research, on the basis of this research, in terms of approach, it is a quantitative research. The inter-industry standard process of data mining or CRISP DM (Chapman et al. 2000) has been used as the analysis methodology. Clustering models and K-means algorithms, Kohonen neural network, anomaly detection based on clustering, hidden Markov model, parallel processing method of reduction mapping and fuzzy Dempster cipher fusion model are used. The analysis was done using MATLAB and R software. The proposed model has been able to show superior performance compared to other models in terms of output and execution time.