Στρατηγική διαχείριση διακινδύνευσης (Risk) σε κρίσεις της εφοδιαστικής αλυσίδας με υπολογιστικές μεθόδους

Abstract

In today’s interconnected global economy, supply chains face an increasingly complex and volatile risk landscape. From natural disasters and pandemics to geopolitical conflicts and economic crises, the frequency and intensity of disruptions that can impact the flow of goods, services, and information have risen dramatically in recent years. The COVID-19 pandemic and the war in Ukraine are just two examples of how unforeseen events can affect multiple industries and geographical regions, exposing the fragility of lean, highly optimized supply chains. In this context, strategic risk management has emerged as a critical capability for ensuring supply chain resilience. While traditional risk management approaches rely heavily on historical data and static risk registries, the dynamic and unpredictable nature of modern crises necessitates more flexible, data-driven methods. This doctoral dissertation explores how cutting-edge computational techniques, fueled by the explosive growth of big data, can transform supply chain risk management. At the core of this dissertation is an innovative framework that integrates data mining, statistical analysis, Fuzzy Cognitive Mapping (FCM), Agent-Based Modeling (ABM), and Dynamic System Simulation (DM). By applying this multi-methodological approach to a diverse dataset of over 3 million crowdsourced web interactions spanning five industries, this research unveils significant insights into the complex dynamics between critical events, online customer behaviors, and perceptions of corporate reputation. This doctoral dissertation is structured into two main parts, aiming for an in-depth analysis of the research subject and a systematic presentation of methodological approaches and findings. The first part conducts a bibliometric analysis of international scientific literature related to the research field. This analysis enables a comprehensive mapping of the current state of research, highlighting key theoretical and methodological directions adopted by the academic community. Subsequently, the theoretical framework of the study is thoroughly developed, focusing on essential concepts and approaches concerning strategic risk management during crises in supply chains. Particular emphasis is placed on the use of crowdsourced big data and the application of advanced computational simulation methods to understand and manage risks. The second part of the dissertation focuses on formulating and analyzing the research questions that guided this study. The methodological steps taken for data collection and processing are presented in detail, along with the scientific approaches employed for analyzing the research findings. Special attention is given to justifying the chosen methodology, ensuring the validity and reliability of the results, and describing the data processing techniques applied. Subsequently, an extensive analysis of the results is provided, aiming to highlight the key conclusions derived from the research. The findings are discussed in relation to the existing literature and theoretical background to determine the dissertation’s contribution to the expansion of scientific knowledge. Finally, the study’s key conclusions are presented, accompanied by a discussion on the practical and theoretical implications of the research. The study’s limitations are acknowledged, and directions for future research are proposed to further develop the field and enhance both scientific and operational knowledge in supply chain risk management during crises. Looking ahead, this doctoral dissertation lays the groundwork for a new paradigm of computational risk management that can help the global supply chain industry thrive in an era of disruptions. As the volume, variety, and velocity of data continue to increase, there are immense opportunities to extend these methods into new domains—from interpreting customer sentiment that shapes purchasing behavior to assessing the operational and financial performance of organizations. Furthermore, advancements in Artificial Intelligence, Cloud Computing, and blockchain technologies open exciting possibilities for more sophisticated predictive and targeted analytics at scale. In conclusion, the objective of this doctoral dissertation is not only to advance the science of risk management but also to empower supply chain leaders with the tools and insights needed to navigate an increasingly uncertain and unpredictable world. By leveraging the power of computational intelligence to forecast, adapt to, and even capitalize on crises, organizations can build resilience—not as a defensive necessity but as a strategic opportunity.

Στη σημερινή διασυνδεδεμένη παγκόσμια οικονομία, οι εφοδιαστικές αλυσίδες αντιμετωπίζουν ένα ολοένα και πιο περίπλοκο και ευμετάβλητο τοπίο κινδύνων. Από φυσικές καταστροφές και πανδημίες μέχρι γεωπολιτικές συγκρούσεις και οικονομικές κρίσεις, η συχνότητα και η ένταση των κρίσεων που μπορούν να διαταράξουν τη ροή αγαθών, υπηρεσιών και πληροφοριών έχουν αυξηθεί δραματικά τα τελευταία χρόνια. Η πανδημία COVID-19 και ο πόλεμος στην Ουκρανία είναι μόνο δύο παραδείγματα του πώς απρόβλεπτα γεγονότα μπορούν να επηρεάσουν διάφορους κλάδους και γεωγραφικές περιοχές, εκθέτοντας την ευθραυστότητα των λιτών, βελτιστοποιημένων εφοδιαστικών αλυσίδων. Στο συγκεκριμένο πλαίσιο, η στρατηγική διαχείριση διακινδυνεύσεων έχει αναδειχθεί ως μια κρίσιμη ικανότητα για την ανθεκτικότητα της εφοδιαστικής αλυσίδας. Ενώ οι παραδοσιακές προσεγγίσεις διαχείρισης ρίσκου βασίζονται σε μεγάλο βαθμό σε ιστορικά δεδομένα και στατικά μητρώα διακινδυνεύσεων, η δυναμική και απρόβλεπτη φύση των σύγχρονων κρίσεων απαιτεί πιο ευέλικτες, καθοδηγούμενες από δεδομένα μεθόδους. Η παρούσα διδακτορική διατριβή διερευνά πώς οι πρωτοποριακές υπολογιστικές τεχνικές, που τροφοδοτούνται από την εκρηκτική ανάπτυξη των μεγάλων δεδομένων (big data), μπορούν να μετασχηματίσουν τη διαχείριση ρίσκου της εφοδιαστικής αλυσίδας. Ο πυρήνας της συγκεκριμένης διδακτορικής διατριβής αποτελείται από ένα καινοτόμο πλαίσιο που ενσωματώνει την εξόρυξη δεδομένων, τη στατιστική ανάλυση, την ασαφή γνωστική χαρτογράφηση (Fuzzy Cognitive Mapping - FCM), τη μοντελοποίηση με βάση τους πράκτορες (Agent Based Modeling - ABM) και την προσομοίωση δυναμικών συστημάτων (Dynamic Modeling – DM). Εφαρμόζοντας τη συγκεκριμένη πολυμεθοδική προσέγγιση σε ένα ποικίλο σύνολο δεδομένων άνω των 3 εκατομμυρίων αλληλεπιδράσεων crowdsourced web που καλύπτουν 5 κλάδους, η παρούσα Διδακτορική Διατριβή αναδεικνύει ισχυρές γνώσεις για τις πολύπλοκες δυναμικές μεταξύ κρίσιμων γεγονότων, συμπεριφορών online καταναλωτών και αντιλήψεων για την εταιρική επωνυμία. Η παρούσα διδακτορική διατριβή διαρθρώνεται σε δύο κύρια μέρη, με σκοπό την εις βάθος ανάλυση του ερευνητικού αντικειμένου και τη συστηματική παρουσίαση των μεθοδολογικών προσεγγίσεων και ευρημάτων. Στο πρώτο μέρος, πραγματοποιείται βιβλιομετρική ανάλυση της διεθνούς επιστημονικής αρθρογραφίας που σχετίζεται με το αντικείμενο μελέτης. Η συγκεκριμένη ανάλυση επιτρέπει την αποτύπωση της υφιστάμενης κατάστασης στον ερευνητικό χώρο και την επισήμανση των βασικών θεωρητικών και μεθοδολογικών κατευθύνσεων που έχουν υιοθετηθεί από την επιστημονική κοινότητα. Στη συνέχεια, αναπτύσσεται διεξοδικά το θεωρητικό πλαίσιο της μελέτης, εστιάζοντας στις κρίσιμες έννοιες και προσεγγίσεις που αφορούν τη στρατηγική διαχείριση διακινδυνεύσεων κατά τη διάρκεια κρίσεων στις εφοδιαστικές αλυσίδες. Ιδιαίτερη έμφαση δίνεται στη χρήση μεγάλων δεδομένων πληθοπορισμού (crowdsourced big data) και στην εφαρμογή προηγμένων υπολογιστικών μεθόδων προσομοίωσης για την κατανόηση και τη διαχείριση των διακινδυνεύσεων. Το δεύτερο μέρος της διδακτορικής διατριβής επικεντρώνεται στη διατύπωση και ανάλυση των ερευνητικών ερωτημάτων που καθοδήγησαν την παρούσα διδακτορική διατριβή. Παρουσιάζονται αναλυτικά τα μεθοδολογικά βήματα που ακολουθήθηκαν για τη συλλογή και επεξεργασία των δεδομένων, καθώς και οι επιστημονικές προσεγγίσεις που αξιοποιήθηκαν για την ανάλυση των ερευνητικών ευρημάτων. Ιδιαίτερη προσοχή δίνεται στην αιτιολόγηση της επιλεγμένης μεθοδολογίας, στη διασφάλιση της εγκυρότητας και αξιοπιστίας των αποτελεσμάτων, καθώς και στην περιγραφή των τεχνικών επεξεργασίας δεδομένων που εφαρμόστηκαν. Στη συνέχεια, παρουσιάζεται εκτενώς η ανάλυση των αποτελεσμάτων, με στόχο την ανάδειξη των βασικών συμπερασμάτων που προκύπτουν από την έρευνα. Τα ευρήματα συζητούνται σε σχέση με την υφιστάμενη βιβλιογραφία και το θεωρητικό υπόβαθρο, προκειμένου να προσδιοριστεί η συμβολή της διατριβής στη διεύρυνση της επιστημονικής γνώσης. Τέλος, παρατίθενται τα τελικά συμπεράσματα της μελέτης, συνοδευόμενα από τη συζήτηση των πρακτικών και θεωρητικών επιπτώσεων της έρευνας. Επισημαίνονται οι ερευνητικοί περιορισμοί που προέκυψαν κατά τη διεξαγωγή της μελέτης και προτείνονται κατευθύνσεις για μελλοντική έρευνα, με στόχο την περαιτέρω ανάπτυξη του πεδίου και την ενίσχυση της επιστημονικής και επιχειρησιακής γνώσης στον τομέα της διαχείρισης διακινδυνεύσεων στις εφοδιαστικές αλυσίδες σε περιόδους κρίσεων. Κοιτάζοντας μπροστά, η παρούσα διδακτορική διατριβή θέτει τα θεμέλια για ένα νέο παράδειγμα υπολογιστικής διαχείρισης διακινδυνεύσεων που μπορεί να βοηθήσει το καθολικό αντικείμενο της εφοδιαστικής αλυσίδας να ευδοκιμήσουν σε μια εποχή αναταραχών. Καθώς ο όγκος, η ποικιλία και η ταχύτητα των δεδομένων συνεχίζουν να αυξάνονται, υπάρχουν τεράστιες δυνατότητες επέκτασης των αναφερόμενων μεθόδων σε νέους τομείς, από την ερμηνεία των συναισθημάτων που καθορίζουν την αγοραστική συμπεριφορά των καταναλωτών μέχρι τις λειτουργικές και οικονομικές επιδόσεις των Οργανισμών. Παράλληλα, οι εξελίξεις στην τεχνητή νοημοσύνη, τα Υπολογιστικά Νέφη (Cloud Computing) και τις τεχνολογίες blockchain ανοίγουν συναρπαστικές δυνατότητες για πιο εξελιγμένη προγνωστική και εστιασμένη ανάλυση σε κλίμακα. Καταλήγοντας, ο στόχος της συγκεκριμένης διδακτορικής διατριβής δεν είναι μόνο να προωθήσει την επιστήμη της διαχείρισης διακινδύνευσης, αλλά να ενδυναμώσει τους ηγέτες της εφοδιαστικής αλυσίδας με τα εργαλεία και τις γνώσεις που χρειάζονται για να πλοηγηθούν σε έναν ολοένα και πιο αβέβαιο και απρόβλεπτο κόσμο. Αξιοποιώντας τη δύναμη της πληροφορικής για να προβλέψουν, να προσαρμοστούν και ακόμη και να αξιοποιήσουν τις κρίσεις, οι οργανισμοί μπορούν να χτίσουν την ανθεκτικότητα όχι ως αμυντική αναγκαιότητα, αλλά ως στρατηγική ευκαιρία.