مجلة النمو الاقتصادي والمقاولاتية
Volume 8, Numéro 3, Pages 96-113
2025-10-19
The Role Of Machine Learning Techniques In Improving Supply Chain Management: A Comparative Analysis Of Predictive Models With An Application To Wheat Consumption In Algeria
Authors : Kahoui Hacen . Sahed Abdelkeder . Chekouri Sidi Mohammed .
Abstract
With the rapid advancement of information technology, global competition has intensified, prompting many organizations to anticipate a fundamental transformation in the future of operations and supply chain management. This shift particularly affects areas such as planning, scheduling, optimization, and transportation, driven by the increasing adoption of artificial intelligence (AI) and machine learning (ML) technologies. In this context, the integration of intelligent systems into supply chain management has become a key area of interest to enhance performance and resilience. This study investigates the role of machine learning techniques in improving forecasting accuracy for domestic wheat consumption in Algeria, aiming to support supply chain optimization and reduce risks associated with inventory imbalances. A comparative analysis was conducted using three models: the traditional ARIMA model, the Multilayer Perceptron Neural Network (MLPNN), and the Support Vector Machine (SVM) model. Annual data spanning from 1960 to 2024 were used to build and validate the models. The results reveal that machine learning models, particularly SVM, outperform traditional methods in terms of accuracy and error minimization, especially in the context of nonlinear and volatile data. MLPNN also showed better performance than ARIMA, confirming its ability to detect complex patterns. These findings highlight the potential of machine learning to enhance supply chain forecasting, improve responsiveness to demand changes, and contribute to long-term business sustainability and food security. الملخص بالعربية: مع التقدم السريع في تكنولوجيا المعلومات، اشتدت المنافسة العالمية، مما دفع العديد من المؤسسات إلى توقّع تحوّل جذري في مستقبل العمليات وإدارة سلسلة التوريد. يؤثر هذا التحول بشكل خاص على مجالات مثل التخطيط، والجدولة، والتحسين، والنقل، مدفوعا بالتبني المتزايد لتقنيات الذكاء الاصطناعي (AI) وتعلم الآلة (ML). وفي هذا السياق، أصبحت عملية دمج الأنظمة الذكية في إدارة سلسلة التوريد مجالا رئيسيا للاهتمام من أجل تعزيز الأداء والمرونة. تستقصي هذه الدراسة دور تقنيات تعلم الآلة في تحسين دقة التنبؤ بالاستهلاك المحلي للقمح في الجزائر، بهدف دعم تحسين سلسلة التوريد وتقليل المخاطر المرتبطة باختلالات المخزون. تم إجراء تحليل مقارن باستخدام ثلاثة نماذج: النموذج التقليدي ARIMA، وشبكة الأعصاب متعددة الطبقات (MLPNN)، ونموذج آلة الدعم الناقل (SVM). تم استخدام بيانات سنوية تغطي الفترة من 1960 إلى 2024 لبناء النماذج والتحقق من صحتها. تكشف النتائج أن نماذج تعلم الآلة، ولا سيما SVM، تتفوق على الطرق التقليدية من حيث الدقة وتقليل الخطأ، خاصة في سياق البيانات غير الخطية والمتقلبة. كما أظهرت شبكة MLPNN أداء أفضل من ARIMA، مما يؤكد قدرتها على اكتشاف الأنماط المعقدة. وتبرز هذه النتائج الإمكانات الكبيرة لتعلم الآلة في تحسين التنبؤات في سلسلة التوريد، وتعزيز الاستجابة لتغيرات الطلب، والمساهمة في استدامة الأعمال على المدى الطويل والأمن الغذائي.
Keywords
Wheat Consumption ; Forecasting ; Machine Learning ; ARIMA ; Supply Chain Management
Les articles similaires
بوسالم أحلام
.
عابد يوسف
.
ص 117-132.
Yahia Zeghoudi
.
pages 74-88.
Said Houari Amel
.
pages 257-268.
Smail Mohamed Yacine
.
Asri Ayoub
.
pages 79-97.
Benatek Omar
.
Boudjemaa Chahrazed
.
Belmokaddem Mostefa
.
pages 403-417.
