سامانه مدیریت نشریات علمی دانشگاه شهید بهشتی

جعفرنژاد, احمد, جلالی, رضا, حیدری, محمد. (1405). طراحی مدل بکارگیری فناوری‌‏های انقلاب صنعتی چهارم در زنجیره تأمین بشردوستانه. , 16(1), 103-132. doi: 10.48308/jimp.16.1.103
احمد جعفرنژاد; رضا جلالی; محمد حیدری. "طراحی مدل بکارگیری فناوری‌‏های انقلاب صنعتی چهارم در زنجیره تأمین بشردوستانه". , 16, 1, 1405, 103-132. doi: 10.48308/jimp.16.1.103
جعفرنژاد, احمد, جلالی, رضا, حیدری, محمد. (1405). 'طراحی مدل بکارگیری فناوری‌‏های انقلاب صنعتی چهارم در زنجیره تأمین بشردوستانه', , 16(1), pp. 103-132. doi: 10.48308/jimp.16.1.103
جعفرنژاد, احمد, جلالی, رضا, حیدری, محمد. طراحی مدل بکارگیری فناوری‌‏های انقلاب صنعتی چهارم در زنجیره تأمین بشردوستانه. , 1405; 16(1): 103-132. doi: 10.48308/jimp.16.1.103

طراحی مدل بکارگیری فناوری‌‏های انقلاب صنعتی چهارم در زنجیره تأمین بشردوستانه

چشم‌انداز مدیریت صنعتی
دوره 16، شماره 1 - شماره پیاپی 61، فروردین 1405، صفحه 103-132    اصل مقاله (1.28 M)
نوع مقاله: مقاله پژوهشی
شناسه دیجیتال (DOI): 10.48308/jimp.16.1.103
نویسندگان
احمد جعفرنژاد* 1؛ رضا جلالی2؛ محمد حیدری3
1استاد، گروه مدیریت صنعتی، دانشکده مدیریت صنعتی و فناوری، دانشگاه تهران، تهران، ایران.
2استادیار،گروه مدیریت صنعتی، دانشکده کسب و کار و اقتصاد، دانشگاه خلیج فارس، بوشهر، ایران.
3دانشجوی دکتری، گروه مدیریت صنعتی، دانشکده پردیس کیش، دانشگاه تهران، کیش، ایران.
چکیده
مقدمه و اهداف: پیشرفت‌های صنعت نسل چهارم شامل اینترنت اشیا، هوش مصنوعی، بلاکچین، کلان‌داده، رباتیک و چاپ سه‌بعدی، فرصت‌های مهمی برای ارتقای کارایی، شفافیت و تاب‌آوری زنجیره تأمین بشردوستانه ایجاد کرده است. با این حال، پیچیدگی عملیات امدادی، محدودیت شدید منابع، کمبود زیرساخت‌های دیجیتال و ناهماهنگی بین‌سازمانی، پذیرش مؤثر این فناوری‌ها را در محیط‌های بحرانی با چالش‌های جدی مواجه ساخته است. مرور ادبیات نیز حاکی از آن است که بیشتر مطالعات رویکردی تک‌فناوری و پراکنده داشته و مدل‌های جامع و یکپارچه برای تبیین نحوه پیاده‌سازی این فناوری‌ها در شرایط واقعی بحران اندک است. این پژوهش با هدف طراحی مدل مفهومی یکپارچه، به شناسایی عوامل مؤثر، چالش‌ها، راهبردهای اجرایی و پیامدهای به‌کارگیری فناوری‌های نسل چهارم در زنجیره تأمین بشردوستانه می‌پردازد.
روش‌ها: پژوهش حاضر کاربردی، کیفی و اکتشافی است و با رویکرد نظریه داده‌بنیاد (الگوی استراوس و کوربین) انجام شده است. جامعه خبرگان شامل مدیران لجستیک بشردوستانه، متخصصان فناوری و مسئولان سازمان‌های امدادی دولتی و غیردولتی بود که ۱۸ نفر از آنان با روش نمونه‌گیری هدفمند و گلوله‌برفی انتخاب شدند. داده‌ها از طریق مصاحبه‌های نیمه‌ساختاریافته جمع‌آوری و پس از پیاده‌سازی کامل، با کدگذاری سه‌مرحله‌ای (باز، محوری و انتخابی) در نرم‌افزار MAXQDA تحلیل گردید. اعتبار و پایایی پژوهش از طریق بازبینی مشارکت‌کنندگان، کدگذاری مستقل توسط چند پژوهشگر و رعایت معیارهای اعتبار، انتقال‌پذیری، پایایی و تأییدپذیری تأمین شد. اشباع نظری در مصاحبه هفدهم حاصل گردید.
یافته‌ها: تحلیل داده‌ها نشان داد که شرایط علی شامل نیاز به افزایش شفافیت، بهبود هماهنگی بین‌سازمانی، تسریع عملیات امدادی و کاهش خطای انسانی است. شرایط زمینه‌ای عمدتاً شامل ضعف زیرساخت‌های ارتباطی و پردازشی، ناپایداری شبکه‌های داده، کمبود تجهیزات دیجیتال، محدودیت‌های مالی و نبود استانداردهای مشترک میان سازمان‌ها بود. عوامل مداخله‌گر نیز مقاومت فرهنگی و سازمانی، کمبود مهارت‌های دیجیتال کارکنان، تهدیدات امنیت سایبری و پیچیدگی فنی فناوری‌ها را دربرمی‌گیرد. راهبردهای اصلی اجرایی عبارتند از توسعه زیرساخت‌های فنی (رایانش ابری و پردازش لبه)، ایجاد پلتفرم‌های یکپارچه و ماژولار، تقویت همکاری بین‌سازمانی، آموزش تخصصی کارکنان، استقرار سیستم‌های پیش‌بینی مبتنی بر هوش مصنوعی و بهره‌گیری از فناوری‌های اینترنت اشیا، رباتیک و چاپ سه‌بعدی. یافته‌ها حاکی از آن است که این فناوری‌ها در قالب یک چرخه یکپارچه داده (تولید داده توسط اینترنت اشیا، پردازش توسط رایانش ابری و لبه، تحلیل توسط هوش مصنوعی و تضمین امنیت و شفافیت توسط بلاکچین) عملکرد بهینه‌ای در محیط‌های بحرانی دارند. پیامدهای مثبت شامل افزایش تاب‌آوری زنجیره تأمین، کاهش زمان واکنش، بهبود ردیابی منابع، کاهش فساد و افزایش کارایی تخصیص منابع است؛ هرچند پیامدهای منفی احتمالی نظیر وابستگی بیش‌ازحد به فناوری، آسیب‌پذیری در برابر حملات سایبری و هزینه‌های بالای نگهداری نیز شناسایی شد.
نتیجه‌گیری: مدل مفهومی پیشنهادی نشان می‌دهد که پیاده‌سازی موفق فناوری‌های صنعت نسل چهارم در زنجیره تأمین بشردوستانه مستلزم چارچوبی یکپارچه و متناسب با واقعیت‌های بحران است. تمایز این مدل میان فاز آمادگی (با تمرکز بر پیش‌بینی، برنامه‌ریزی و زیرساخت‌سازی) و فاز پاسخ (با تمرکز بر نظارت بلادرنگ، هماهنگی عملیاتی و تحلیل لحظه‌ای داده‌ها) کاربرد عملی آن را تقویت می‌کند. این مدل می‌تواند راهنمایی راهبردی برای سیاست‌گذاران، مدیران سازمان‌های امدادی و طراحان سامانه‌های فناورانه در مسیر تحول دیجیتال عملیات بشردوستانه باشد.
کلیدواژه‌ها
زنجیره تأمین بشردوستانه؛ صنعت نسل چهارم؛ اینترنت اشیا؛ بلاکچین؛ کلان‌داده؛ نظریه داده‌بنیاد؛ مدیریت بحران
عنوان مقاله [English]
The design of a model for the application of Fourth Industrial Revolution technologies in the humanitarian supply chain.
نویسندگان [English]
Ahmad Jafarnejad Chaqooshi1؛ Reza Jalali2؛ Mohammad Hidari3
1Professor, Department of Industrial Management, Faculty of Technology and Industrial Management, University of Tehran, Tehran, Iran.
2Assistant Professor, Department of Industrial Management, Faculty of Business and Economics, Persian Gulf University, Bushehr, Iran.
3Ph.D. student of industrial management, Kish campus faculty, University of Tehran, Kish, Iran.
چکیده [English]
Introduction and Objectives: The rapid advancements associated with the Fourth Industrial Revolution—including the Internet of Things (IoT), artificial intelligence (AI), blockchain, big data analytics, robotics, and 3D printing—have created new opportunities to enhance efficiency, transparency, and responsiveness in humanitarian supply chains. However, the complex nature of relief operations, scarcity of resources, lack of digital infrastructure, and limited inter-organizational coordination have made the adoption of these technologies in crisis environments particularly challenging. Moreover, the literature indicates that most existing studies adopt isolated, technology-specific approaches, while comprehensive and integrated models explaining how Industry 4.0 technologies can be deployed in real crisis contexts remain limited. In this context, the present study aims to develop a conceptual model that systematically and contextually explains the influencing factors, challenges, implementation strategies, and potential outcomes of adopting Fourth Industrial Revolution technologies within humanitarian supply chains.
Methods: This study is applied in purpose and qualitative–exploratory in methodology, utilizing a grounded theory approach. Participants included eighteen experts comprising humanitarian logistics specialists, technology professionals, managers of government and non-governmental relief organizations, and crisis management officials. They were selected using purposive and snowball sampling. Data were collected through semi-structured interviews, fully transcribed, and analyzed using the three-stage coding process—open, axial, and selective coding—supported by MAXQDA software. Research validity was ensured through participant checking, independent coding by multiple researchers, and the application of credibility, transferability, dependability, and confirmability criteria. Theoretical saturation was achieved at the seventeenth interview.
Findings: Data analysis identified a set of causal conditions including the need for enhanced transparency, improved inter-organizational coordination, faster relief operations, and reduced human error. Contextual conditions such as weak communication infrastructure, unstable data networks, limited access to digital equipment, financial constraints, and the absence of shared standards among humanitarian organizations were also identified. Additionally, intervening factors such as cultural resistance, insufficient digital skills, cybersecurity threats, and the technical complexity of emerging technologies were found to significantly influence the implementation process.
The main strategies extracted from the data include developing technical infrastructures, creating modular and cloud-based platforms, strengthening inter-organizational collaboration, specialized staff training, establishing AI-based predictive systems, and deploying IoT, edge computing, robotics, and 3D printing technologies. The findings further revealed that these technologies not only operate independently but also function as components of an integrated “data cycle”: IoT generates data; cloud and edge computing process the data; AI analyzes it; and blockchain ensures its security and transparency. This cycle forms the technological backbone for operating effectively in high-uncertainty crisis environments.
The positive outcomes of successful technology adoption include improved supply chain resilience, reduced response time, enhanced resource traceability, reduced administrative corruption, and increased efficiency in resource allocation. However, potential negative consequences—such as over-reliance on technology, exposure to cyberattacks, and increased maintenance costs—were also identified.
Conclusion: The proposed conceptual model demonstrates that the effective implementation of Industry 4.0 technologies in humanitarian supply chains requires an integrated framework aligned with real-world crisis conditions. The model’s distinction between the preparedness phase (emphasizing prediction, planning, and infrastructure creation) and the response phase (emphasizing real-time monitoring, operational coordination, and live data analysis) enhances its practical applicability. This model can serve as a strategic guideline for policymakers, humanitarian organizations, and technology designers seeking to advance digital transformation within humanitarian operations.
کلیدواژه‌ها [English]
Humanitarian Supply Chain, Industry 4.0, Internet of Things, Blockchain, Big Data, Grounded Theory, Crisis Management
مراجع
  1. Ahir, S., Telavane, D., & Thomas, R. (2020). The impact of artificial intelligence, blockchain, big data and evolving technologies in coronavirus disease-2019 (COVID-19) curtailment. In 2020 International Conference on Smart Electronics and Communication (ICOSEC) (pp. 113-120). IEEE.
  2. Asadzadeh, A., Samad-Soltani, T., & Rezaei-Hachesu, P. (2021). Applications of virtual and augmented reality in infectious disease epidemics with a focus on the COVID-19 outbreak. Informatics in Medicine Unlocked, 24, 100579.
  3. Bag, S., Gupta, S., & Wood, L. (2020). Big data analytics in sustainable humanitarian supply chain: Barriers and their interactions. Annals of Operations Research, 1-40.
  4. Baharmand, H., Maghsoudi, A., & Coppi, G. (2021). Exploring the application of blockchain to humanitarian supply chains: Insights from Humanitarian Supply Blockchain pilot project. International Journal of Operations & Production Management, 41(9), 1522-1543.
  5. Behl, A., & Dutta, P. (2020). Engaging donors on crowdfunding platform in Disaster Relief Operations (DRO) using gamification: A Civic Voluntary Model (CVM) approach. International Journal of Information Management, 54, 102140.
  6. Besiou, M., Pedraza‐Martinez, A. J., & Van Wassenhove, L. N. (2014). Vehicle supply chains in humanitarian operations: Decentralization, operational mix, and earmarked funding. Production and Operations Management, 23(11), 1950-1965.
  7. Brown, A., & Davis, R. (2024). Blockchain for humanitarian aid: Enhancing transparency and accountability. Journal of Humanitarian Technology, 10(2), 45-60.
  8. Dennehy, D., Oredo, J., Spanaki, K., Despoudi, S., & Fitzgibbon, M. (2021). Supply chain resilience in mindful humanitarian aid organizations: The role of big data analytics. International Journal of Operations & Production Management, 41(9), 1417-1441.
  9. Dubey, R., Bryde, D. J., Foropon, C., Tiwari, M., Dwivedi, Y., & Schiffling, S. (2021). An investigation of information alignment and collaboration as complements to supply chain agility in humanitarian supply chain. International Journal of Production Research, 59(5), 1586-1605.
  10. Dubey, R., Gunasekaran, A., Childe, S. J., Wamba, S. F., Papadopoulos, T., & Giannakis, M. (2020). Big data analytics and artificial intelligence pathway to operational performance under the effects of entrepreneurial orientation and environmental dynamism: A study of manufacturing organizations. International Journal of Production Economics, 226, 107599.
  11. Fleming, K., Abad, J., Booth, L., Schueller, L., Bailis, A., Scolobig, A., & Leone, M. F. (2020). The use of serious games in engaging stakeholders for disaster risk reduction, management and climate change adaption information elicitation. International Journal of Disaster Risk Reduction, 49, 101669.
  12. Goodarzi G., Javan Jafari A., Yaghoubali Pour Koundelaji A. (2025). Implementation strategies for Fourth Industrial Revolution technologies in Iranian industries aimed at industrial development based on fuzzy DEMATEL. Journal of Industrial Management Perspective, 15(1), 132–159. https://doi.org/10.48308/jimp.15.1.132 (In Persian)
  13. Heaslip, G., Sharif, A. M., & Althonayan, A. (2018). Employing a systems‐based perspective to the identification of interrelationships within humanitarian logistics. International Journal of Production Economics, 204, 83-94.
  14. Jafarnejad A., Khani A. M. (2024). Evaluating the cellophane production supply chain using multi-criteria decision-making approaches. Research in Production and Operations Management, 15(2), 107–130. https://doi.org/10.22108/pom.2024.141101.1551(In Persian)
  15. Jafarnejad A., Rezasoltani A., Khani A. M. (2025). Predicting heart disease using automated machine learning based on genetic algorithms. Journal of Information Technology Management, 17(2), 91–122. https://doi.org/10.22059/jitm.2024.382556.3829 (In Persian)
  16. Kim, I. S., Choi, Y., & Jeong, K. M. (2017). A new approach to quantify safety benefits of disaster robots. Nuclear Engineering and Technology, 49(7), 1414-1422.
  17. Kovács, G., & Spens, K. M. (2018). Humanitarian logistics and supply chain management: The start of a new journal. Journal of Humanitarian Logistics and Supply Chain Management, 8(1), 2-16.
  18. Lee, H., & Kim, S. (2025). Robotic systems in disaster response: Challenges and opportunities. Robotics and Autonomous Systems, 15(3), 78-92.
  19. Liu, C. (2021). Seeing like a state, enacting like an algorithm: (Re) assembling contact tracing and risk assessment during the COVID-19 pandemic. Science, Technology, & Human Values, 01622439211021916.
  20. Lovreglio, R., & Kinateder, M. (2020). Augmented reality for pedestrian evacuation research: Promises and limitations. Safety Science, 128, 104750
  21. Ma, D., Shi, Y., Zhang, G., & Zhang, J. (2021). Does theme game-based teaching promote better learning about disaster nursing than scenario simulation: A randomized controlled trial. Nurse Education Today, 103, 104923.
  22. Mehregan M. R., Khani A. M. (2024). Improving organizational performance: The role of supply chain 4.0 and financing in reducing supply chain risk. Journal of International Business Administration, 7(3), 39–59. https://doi.org/10.22034/jiba.2024.60005.2164(In Persian)
  23. Murphy, R. R., Tadokoro, S., & Kleiner, A. (2022). An analysis of international use of robots for COVID-19. Robotics and Autonomous Systems, 148, 103922.
  24. Nooraei Abadeh, M. , Bahadori, S. , Mirzaei, M. and Ebrahimi, N. (2024). A Quantitative Approach for Prioritizing Supply Chain Priorities in Smart Industries Using Data-Driven Prediction: Two Common Industrial Case Studies. Journal of Industrial Management Perspective, 14(3), 169-188. doi: 10.48308/jimp.14.3.169(In Persian)
  25. Oe, H., & Kawakami, S. (2021). A disaster prevention programme using virtual schemes: Recommendation of tradition populaire integrated with tendenko as an approach to immersive training. International Journal of Disaster Risk Reduction, 57, 102135.
  26. Patel, S., & Kumar, V. (2024). Big data analytics for humanitarian supply chain: A comprehensive review. Journal of Big Data in Humanitarian Contexts, 6(2), 33-50.
  27. Rezasoltani A., Jafarnejad A., Khani A. M. (2025). A voting-based hybrid machine learning model for predicting backorders in the supply chain. Journal of Decisions and Operations Research, 10(1), 194–213. https://doi.org/10.22105/dmor.2025.511401.1924
  28. Rodriguez-Espindola, O., Chowdhury, S., Beltagui, A., & Albores, P. (2020). The potential of emergent disruptive technologies for humanitarian supply chains: The integration of blockchain, Artificial Intelligence and 3D printing. International Journal of Production Research, 58(15), 4610-4630.
  29. Sahebi, I. G., Masoomi, B., & Ghorbani, S. (2020). Expert oriented approach for analyzing the blockchain adoption barriers in humanitarian supply chain. Technology in Society, 63, 101427.
  30. Sengupta, T., Narayanamurthy, G., Moser, R., Pereira, V., & Bhattacharjee, D. (2021). Disruptive technologies for achieving supply chain resilience in COVID-19 era: An implementation case study of satellite imagery and blockchain technologies in fish supply chain. Information Systems Frontiers, 1-17.
  31. Sharma, K., Anand, D., Sabharwal, M., Tiwari, P. K., Cheikhrouhou, O., & Frikha, T. (2021). A disaster management framework using Internet of Things-based interconnected devices. Mathematical Problems in Engineering, 2021.
  32. Smith, J., & Johnson, L. (2023). Application of AI in humanitarian supply chain: A case study of disaster response in urban areas. International Journal of Humanitarian Logistics and Supply Chain Management, 12(1), 56-73.
  33. Taghi Taghavi Fard M., Khani A. M., Beyrami S. (2022). The social responsibility role of corporate in accepting green supply chain management with respect to the mediating role of big data analysis. Logistics Thought, 20(79), 69–106. https://doi.org/10.22034/lot.2022.210582.1149 (In Persian)
  34. Taylor, R., & Anderson, K. (2025). 3D printing in humanitarian aid: A game-changer for rapid response. Additive Manufacturing in Humanitarian Contexts, 7(3), 19-34.
  35. Tomasini, R. M., & Van Wassenhove, L. N. (2009). Humanitarian logistics. Palgrave Macmillan.
  36. Vahdani, B., & Farzaneh Kol Tappeh, F. (2022). A Location-Inventory Model for Casualty Response Planning in Crisis Situations. Journal of Industrial Management Perspective, 12(3), 239–278. https://doi.org/10.52547/jimp.12.3.239(In Persian)
  37. Van Wassenhove, L. N. (2006). Blackett memorial lecture humanitarian aid logistics: Supply chain management in high gear. Journal of the Operational Research Society, 57(5), 475-489.
  38. Wang, Y., & Zhang, X. (2024). IoT in humanitarian supply chain: Real-time data for effective decision-making. Journal of Humanitarian Engineering, 9(2), 41-57.
آمار
تعداد مشاهده مقاله: 317
تعداد دریافت فایل اصل مقاله: 167