پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 25 |
| تعداد شماره‌ها | 960 |
| تعداد مقالات | 7,934 |
| تعداد مشاهده مقاله | 13,426,269 |
| تعداد دریافت فایل اصل مقاله | 9,545,701 |
تأثیر خرده‌فروشی الکترونیک بر تولید: مطالعه شبیه‌سازی مبتنی بر عامل | ||
| تحلیل های اقتصادی توسعه ایران | ||
| مقاله 3، دوره 10، شماره 2، مهر 1403 | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22051/ieda.2025.50571.1463 | ||
| نویسندگان | ||
| زهرا اسداللهی سهی* 1؛ حسین راغفر2 | ||
| 1پژوهشگر پسادکتری، گروه اقتصاد، دانشکده علوم اجتماعی و اقتصاد، دانشگاه الزهرا، تهران، ایران | ||
| 2استاد تمام اقتصاد، گروه اقتصاد، دانشکده علوم اجتماعی و اقتصاد، دانشگاه الزهرا، تهران، ایران | ||
| چکیده | ||
| این پژوهش با به‌کارگیری چارچوب شبیه‌سازی مبتنی بر عامل، اثر خرده‌فروشان الکترونیک را بر موجودی تولیدکنندگان مورد بررسی قرار می‌دهد. درحالی‌که خرده‌فروشان سنتی از طریق سیگنال‌های ایستای تقاضا به تثبیت زنجیره‌های تأمین کمک می‌کنند، خرده‌فروشان الکترونیک با بهره‌گیری از فناوری‌های نوین، جریان‌های پویای داده شامل روندهای فروش، شاخص‌های رضایت مشتری و تغییرات لحظه‌ای ترجیحات مصرف‌کننده را وارد اکوسیستم می‌کنند. این مدل شامل تولیدکنندگان ناهمگون با استراتژی‌های پیشبینی متفاوت در چهار سناریوی تغییر ترجیحات مشتری است. این تولیدکنندگان با پلتفرم‌های الکترونیک و یا خرده‌فروشان سنتی در ارتباط هستند و با شبیه‌سازی مدل، دقت پیشبینی ارزیابی شده است. یافته‌ها حاکی از آن است که تولیدکنندگان متصل به خرده‌فروشان الکترونیک با به‌کارگیری روش‌های پیشبینی و تحلیل تقاضای پیشرفته، در شرایط مازاد تقاضا بر عرضه در زمان شروع شبیه‌سازی، می‌توانند رشدی معادل 54-120% را در فروش تجربه کنند، درحالی‌که تولیدکنندگان وابسته به خرده‌فروشی سنتی در مواجهه با شوک‌های تقاضا با موجودی فروش نرفته زیادی مواجه می‌شوند. نکته حائز اهمیت، ظهور رفتار آشوب‌گونه با نمای لیاپانوف 12/0 در شرایط تعادل اولیه عرضه-تقاضا است که بیانگر ناپایداری ذاتی در بازارهای به‌ظاهر متوازن است. این نتایج نشان می‌دهد مدل‌سازی مبتنی بر عامل ابزاری کلیدی برای تحلیل پیچیدگی‌های اکوسیستم‌های مختلف است | ||
| کلیدواژه‌ها | ||
| خرده‌فروشی الکترونیک؛ شبیه‌سازی مبتنی بر عامل؛ بهینه‌سازی موجودی؛ پیشبینی تقاضا | ||
| عنوان مقاله [English] | ||
| The Impact of E-Retail on Production: An Agent-Based Simulation Study | ||
| نویسندگان [English] | ||
| Zahra Asadollahi Sohi1؛ Hossein Raghfar2 | ||
| 1Postdoctoral Researcher, Department of Economics, Faculty of Social Sciences and Economics, Alzahra University, Tehran, Iran | ||
| 2Full Professor of Economics, Department of Economics, Faculty of Social Sciences and Economics, Alzahra University, Tehran, Iran | ||
| چکیده [English] | ||
| This study employs an agent-based simulation framework to investigate the impact of electronic retailers on manufacturers' inventory. While traditional retailers stabilize supply chains through static demand signals, electronic retailers leverage modern technologies to integrate dynamic data streams—such as sales trends, customer satisfaction metrics, and real-time shifts in consumer preferences—into the ecosystem. The model incorporates heterogeneous manufacturers with distinct forecasting strategies across four scenarios of changing customer preferences. These manufacturers are connected to either electronic platforms or traditional retailers, and the simulation evaluates forecasting accuracy. Findings reveal that manufacturers linked to electronic retailers, utilizing advanced demand forecasting and analytics, can experience growth rates of 54–120% under conditions of excess demand relative to supply at the start of the simulation. In contrast, manufacturers reliant on traditional retail channels face significant excess inventory when encountering demand shocks. A critical insight is the emergence of chaotic behavior, characterized by a Lyapunov exponent of 0.12 under initial supply-demand equilibrium conditions, highlighting the inherent instability of seemingly balanced markets. These results underscore agent-based modeling as a key tool for analyzing the complexities of diverse ecosystems. | ||
| کلیدواژه‌ها [English] | ||
| E-Retail, Agent-Based Simulation, Inventory Optimization, Demand Forecasting | ||
| مراجع | ||
|
References
Adam, C., & Gaudou, B. (2016). BDI agents in social simulations: a survey. The Knowledge Engineering Review, 31(3), 207-238.
Albino, V., Carbonara, N., & Giannoccaro, I. (2007). Supply chain cooperation in industrial districts: A simulation analysis. European Journal of Operational Research, 177(1), 261-280.
Bhandari, A. (2022). Book review: Sunil Gupta, Driving Digital Strategy: A Guide to Reimagining Your Business. Vision, 26(2), 267-269.
Collins, A., Koehler, M., & Lynch, C. (2024). Methods that support the validation of agent-based models: An overview and discussion. Journal of Artificial Societies and Social Simulation, 27(1).
Steinbacher, M., Raddant, M., Karimi, F., Camacho Cuena, E., Alfarano, S., Iori, G., & Lux, T. (2021). Advances in the agent-based modeling of economic and social behavior. SN Business & Economics, 1(7), 99.
Farmer, J. D., & Foley, D. (2009). The economy needs agent-based modelling. Nature, 460(7256), 685-686.
Fischbach, K., Marx, J., & Weitzel, T. (2021). Agent-based modeling in social sciences. J Bus Econ, 91(9), 1263–1270.
Frost, J. (2003). Mann Whitney U Test Explained. https://statisticsbyjim.com/hypothesis-testing/mann-whitney-u-test/
Goel, M. (2023). The Impact of e-commerce on traditional retail: A comprehensive analysis of economic, social, and policy dimensions. International Journal of Advanced Research, 11(1), 285-288.
Goldhirsch, I., Sulem, P.-L., & Orszag, S. A. (1987). Stability and Lyapunov stability of dynamical systems: A differential approach and a numerical method. Physica D: Nonlinear Phenomena, 27(3), 311-337.
Huang, M. H., & Rust, R. T. (2018). Artificial intelligence in service. Journal of service research, 21(2), 155-172.
Jadhav, G. G., Gaikwad, S. V., & Bapat, D. (2023). A systematic literature review: digital marketing and its impact on SMEs. Journal of Indian Business Research, 15(1), 76-91.
Jannach, D., & Leitner, S. (2016). Agent-Based Modelling in E-Commerce. In F. Wall, S.-H. Chen, & S. Leitner (Eds.), The Oxford Handbook of Agent-based Computational Management Science (pp. 423-450). Oxford University Press.
Javaid, M., Haleem, A., Singh, R. P., Suman, R., & Gonzalez, E. S. (2022). Understanding the adoption of Industry 4.0 technologies in improving environmental sustainability. Sustainable Operations and Computers, 3, 203-217.
Lu, L., & Reardon, T. (2018). An Economic Model of the Evolution of Food Retail and Supply Chains from Traditional Shops to Supermarkets to E-Commerce. American Journal of Agricultural Economics, 100(5), 1320-1335.
Matsui, K. (2016). Asymmetric product distribution between symmetric manufacturers using dual-channel supply chains. European Journal of Operational Research, 248(2), 646-657.
Pu, X., Zhang, S., Ji, B., & Han, G. (2021). Online channel strategies under different offline channel power structures. Journal of Retailing and Consumer Services, 60, 102479.
Qi, X., Chan, J. H., Hu, J., & Li, Y. (2020). Motivations for selecting cross-border e-commerce as a foreign market entry mode. Industrial Marketing Management, 89, 50-60.
Sagar, S. (2024). The Impact Of Digital Transformation On Retail Management And Consumer Behavior. Journal of Business and Management, 26(1), 06-14.
Tesfatsion, L. (2006). Chapter 16 Agent-Based Computational Economics: A Constructive Approach to Economic Theory. In L. Tesfatsion & K. L. Judd (Eds.), Handbook of Computational Economics (Vol. 2, pp. 831-880). Elsevier.
Teece, D. J. (2007). Explicating dynamic capabilities: the nature and microfoundations of (sustainable) enterprise performance. Strategic Management Journal, 28(13), 1319-1350.
Teece, D. J., Pisano, G., & Shuen, A. (1997). Dynamic capabilities and strategic management. Strategic Management Journal, 18(7), 509-533.
Vargová, L., Zibrínová, Ľ., & Baník, G. (2020). The way of making choices: Maximizing and satisficing and its relationship to well-being, personality, and self-rumination. Judgment and Decision Making, 15(5), 798-806 | ||
|
آمار تعداد مشاهده مقاله: 14 |
||