ارائه چارچوبی برای شناسایی و تحلیل مهم‌ترین روندهای تحقیقاتی زنجیره تأمین کشاورزی هوشمند

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی دکتری، گروه اقتصاد، دانشکده علوم اقتصادی و اداری، دانشگاه قم، قم، ایران

2 دانشیار، گروه اقتصاد، دانشکده علوم اقتصادی و اداری، دانشگاه قم، قم، ایران

3 استاد، گروه مدیریت، دانشکده علوم اقتصادی و اداری، دانشگاه قم، قم، ایران

چکیده

هدف: زنجیره تأمین هوشمند در بخش کشاورزی به‌عنوان یکی از محورهای اصلی توسعه پایدار و بهره‌وری منابع در جهان معاصر مطرح است. افزایش تقاضای محصولات کشاورزی، محدودیت منابع طبیعی و ضرورت کاهش ضایعات، نیاز به به‌کارگیری فناوری‌های نوین و دیجیتال‌سازی فرآیندهای زنجیره تأمین را بیش از پیش آشکار ساخته است. در این راستا، شناسایی روندهای پژوهشی کلیدی و اولویت‌دار در حوزه کشاورزی هوشمند و زنجیره تأمین هوشمند، می‌تواند مسیر توسعه علمی و عملی را هموار ساخته و به اتخاذ تصمیم‌های مدیریتی مبتنی بر داده کمک کند. هدف این پژوهش، شناسایی و اولویت‌بندی مهم‌ترین روندهای پژوهشی مرتبط با زنجیره تأمین هوشمند در بخش کشاورزی است.

روش‌شناسی: برای دستیابی به این هدف، پژوهش حاضر از رویکرد کمی چندگانه بهره گرفته است. داده‌های پژوهش از طریق مرور نظام‌مند ادبیات علمی و پرسشنامه‌های خبره‌سنجی جمع‌آوری شدند. در گام نخست، روندهای پژوهشی از مطالعات منتشرشده در حوزه کشاورزی هوشمند و زنجیره تأمین هوشمند استخراج و ۳۰ روند اولیه شناسایی شد. سپس با مشارکت ۱۰ نفر از خبرگان دانشگاهی و حرفه‌ای، این روندها با استفاده از تکنیک دلفی فازی پالایش و غربال‌گری شدند، به‌گونه‌ای که تنها روندهایی با عدد دیفازی بالاتر از ۰٫۷ برای مرحله بعدی باقی ماندند و ۹ روند کلیدی انتخاب شد. در گام بعد، این روندها بر اساس سه شاخص مهم شامل تکرار در مقالات مروری، سطح تأثیر فناورانه و جهت‌گیری آینده‌پژوهی با استفاده از روش مارکوس تحلیل و رتبه‌بندی شدند. وزن شاخص‌ها در این تحلیل برابر در نظر گرفته شد و داده‌ها به‌صورت خطی نرمال‌سازی و در ماتریس نرمال موزون وارد شدند تا میزان مطلوبیت و اولویت هر روند به‌صورت کمی تعیین گردد.

یافته‌ها: یافته‌های پژوهش نشان داد که پنج روند پژوهشی در صدر اولویت‌ها قرار دارند: ادغام هوش مصنوعی توضیح‌پذیر با بلاک‌چین برای تصمیم‌گیری و امنیت، استفاده از یادگیری ماشین برای بهینه‌سازی جریان کالا و کاهش ضایعات، ترکیب داده‌های حسگری و کلان‌داده برای پیش‌بینی تولید و مصرف، گسترش اینترنت اشیا در مدیریت زنجیره تأمین کشاورزی، و توسعه ردیابی و شفافیت زنجیره تأمین با بلاک‌چین. این روندها نه تنها بازتاب تحولات فناورانه کلیدی در کشاورزی هوشمند هستند، بلکه مسیرهای پژوهشی آینده و استراتژی‌های توسعه‌ای برای بهبود کارایی، شفافیت و پایداری زنجیره تأمین کشاورزی را مشخص می‌کنند.

نتیجه‌گیری: نتیجه‌گیری پژوهش حاکی از آن است که تمرکز بر فناوری‌های داده‌محور و دیجیتال‌سازی فرآیندها می‌تواند موجب افزایش بهره‌وری، کاهش ضایعات، ارتقای پایداری و تقویت اعتماد میان ذی‌نفعان زنجیره تأمین شود. ادغام XAI با بلاک‌چین، استفاده از یادگیری ماشین و تحلیل داده‌های حسگری و کلان‌داده، و گسترش اینترنت اشیا و شفافیت زنجیره تأمین، ابزارهای کلیدی برای تحقق این اهداف هستند. یافته‌ها می‌توانند به پژوهشگران، مدیران و سیاست‌گذاران کمک کنند تا اولویت‌های تحقیقاتی و توسعه‌ای خود را به‌صورت علمی و مبتنی بر داده تعیین نمایند. با وجود محدودیت‌هایی از جمله حجم نمونه محدود خبرگان، تمرکز بر داده‌های انتشار یافته و ماهیت کمی تحلیل، این پژوهش پایه‌ای ارزشمند برای سیاست‌گذاری علمی، برنامه‌ریزی توسعه فناوری‌های نوین و انجام مطالعات آینده با نمونه‌های گسترده‌تر و تحلیل‌های ترکیبی کمی-کیفی فراهم می‌آورد. تحقیقات آتی می‌تواند به بررسی اثرات زیست‌محیطی، اجتماعی و اقتصادی پیاده‌سازی فناوری‌های هوشمند و طراحی چارچوب‌های پایدار و انسان‌محور برای مدیریت زنجیره تأمین کشاورزی بپردازد.

کلیدواژه‌ها

عنوان مقاله [English]

A Framework for Identifying and Analyzing Key Research Trends in the Smart Agricultural Supply Chain

نویسندگان [English]

  • Hasan Al-Zaidi 1
  • Omid Ali Adeli 2
  • Mohammad Hasan Maleki 3
1 PhD Candidate, Department of Economics, Faculty of Economic and Administrative Sciences, Qom University, Qom, Iran
2 Associate Professor, Department of Economics, Faculty of Economics and Administrative Science, University of Qom, Qom, Iran
3 Professor, Department of Management, Faculty of Economic and Administrative Sciences, University of Qom, Qom, Iran
چکیده [English]

Objective: The smart supply chain in the agricultural sector has emerged as a key driver for sustainable development and resource efficiency in the contemporary world. Increasing demand for agricultural products, limitations in natural resources, and the necessity to reduce waste have highlighted the need for the adoption of advanced technologies and the digitalization of supply chain processes. In this context, identifying the key and priority research trends in smart agriculture and smart supply chains can facilitate both scientific and practical development, as well as support data-driven managerial decision-making. The objective of this study is to identify and prioritize the most significant research trends related to the smart supply chain in the agricultural sector.

Methodology: To achieve this objective, the present study employed a multi-quantitative approach. Research data were collected through a systematic literature review and expert surveys. In the first step, research trends were extracted from published studies in the fields of smart agriculture and smart supply chains, resulting in the identification of 30 initial trends. Subsequently, with the participation of 10 academic and professional experts, these trends were refined and screened using the fuzzy Delphi technique, such that only trends with a fuzzy score higher than 0.7 progressed to the next stage, resulting in the selection of 9 key trends. In the following step, these trends were analyzed and ranked based on three critical criteria—frequency in review articles, technological impact, and future-orientedness—using the MARCOS method. The weights of the criteria were considered equal, and the data were linearly normalized and incorporated into a weighted normalized matrix to quantitatively determine the utility and priority of each trend.

Findings: The research findings indicated that five research trends hold the highest priority: the integration of explainable artificial intelligence (XAI) with blockchain for decision-making and security, the use of machine learning for optimizing product flow and reducing waste, the combination of sensor data and big data for production and consumption forecasting, the expansion of the Internet of Things (IoT) in agricultural supply chain management, and the development of traceability and transparency in the supply chain through blockchain. These trends not only reflect key technological advancements in smart agriculture but also delineate future research directions and development strategies aimed at enhancing the efficiency, transparency, and sustainability of agricultural supply chains.

Conclusion: The research concludes that focusing on data-driven technologies and the digitalization of processes can enhance efficiency, reduce waste, improve sustainability, and strengthen trust among supply chain stakeholders. The integration of explainable artificial intelligence (XAI) with blockchain, the use of machine learning and the analysis of sensor and big data, as well as the expansion of the Internet of Things (IoT) and supply chain transparency, serve as key tools to achieve these objectives. The findings can assist researchers, managers, and policymakers in scientifically and data-drivenly determining their research and development priorities. Despite limitations such as a small expert sample, reliance on published data, and the quantitative nature of the analysis, this study provides a valuable foundation for scientific policymaking, planning the development of emerging technologies, and conducting future studies with larger samples and mixed-method quantitative–qualitative analyses. Future research could investigate the environmental, social, and economic impacts of implementing smart technologies and develop sustainable, human-centered frameworks for agricultural supply chain management.

کلیدواژه‌ها [English]

  • Smart Supply Chain
  • Smart Agriculture
  • Research Trends
  • Blockchain
  • Internet of Things
  • Machine Learning

مراجع

Al Thani, M., Hadid, M., Padmanabhan, R., Kerbache, L., & Elomri, A. (2025). Smart food supply chain management: A bibliometric and systematic review. Food and Humanity, 100736.
Batra, I., Sharma, C., Malik, A., Sharma, S., Kaswan, M. S., & Garza-Reyes, J. A. (2025). Industrial revolution and smart farming: A critical analysis of research components in Industry 4.0. The TQM Journal, 37(6), 1497–1525.
Chen, H. Y., Sharma, K., Sharma, C., & Sharma, S. (2023). Integrating explainable artificial intelligence and blockchain to smart agriculture: Research prospects for decision making and improved security. Smart Agricultural Technology, 6, 100350. https://doi.org/10.1016/j.atech.2023.100350
Feng, Y., Mei, D., & Zhao, H. (2023). Auction-based deep learning-driven smart agricultural supply chain mechanism. Applied Soft Computing, 149, 111009. https://doi.org/10.1016/j.asoc.2023.111009
Friha, O., Ferrag, M. A., Shu, L., Maglaras, L., & Wang, X. (2021). Internet of things for the future of smart agriculture: A comprehensive survey of emerging technologies. IEEE/CAA Journal of Automatica Sinica, 8(4), 718–752.
Jafarpanah, I., & Karshenas, A. (2023). Technological trends in smart agriculture. Journal of Entrepreneurship and Agriculture, 10(2), 100–115.
Jiawei, H., & Xinting, Y. (2025). Smart supply chains for agricultural products: Key technologies, research progress and future direction. Smart Agriculture, 7(3), 1–15.
Khandelwal, C., Singhal, M., Gaurav, G., Dangayach, G. S., & Meena, M. L. (2021). Agriculture supply chain management: A review (2010–2020). Materials Today: Proceedings, 47, 3144–3153. https://doi.org/10.1016/j.matpr.2021.03.442
Kumari, S., Venkatesh, V. G., Tan, F. T. C., Bharathi, S. V., Ramasubramanian, M., & Shi, Y. (2025). Application of machine learning and artificial intelligence on agriculture supply chain: A comprehensive review and future research directions. Annals of Operations Research, 348(3), 1573–1617. https://doi.org/10.1007/s10479-024-06128-3
Liu, W., Wei, S., Wang, S., Lim, M. K., & Wang, Y. (2022). Problem identification model of agricultural precision management based on smart supply chains: An exploratory study from China. Journal of Cleaner Production, 352, 131622. https://doi.org/10.1016/j.jclepro.2022.131622
Maleki, M. H., Nasrollahi, M., & Mohammadi, Z. (2025). Identifying and prioritizing drivers affecting the future of the healthcare supply chain with a focus on fourth-generation technologies. Journal of Foresight and Health Governance, 2(3), 1–13.
Mirabelli, G., & Solina, V. (2020). Blockchain and agricultural supply chains traceability: Research trends and future challenges. Procedia Manufacturing, 42, 414–421. https://doi.org/10.1016/j.promfg.2020.02.054
Morkūnas, M., Rudienė, E., & Ostenda, A. (2022). Can climate-smart agriculture help to assure food security through short supply chains? A systematic bibliometric and bibliographic literature review. Business, Management and Economics Engineering, 20(2), 207–223. https://doi.org/10.3846/bmee.2022.15178
Movahed, A. B., Movahed, A. B., & Nozari, H. (2024). Opportunities and challenges of smart supply chain in Industry 5.0. In Information Logistics for Organizational Empowerment and Effective Supply Chain Management (pp. 108–138). IGI Global. https://doi.org/10.4018/978-1-6684-8347-2.ch006
Nasrollahi, M., Maleki, M. H., & Mohammadi, Z. (2025). Presenting a model of factors affecting the development of medical tourism in Iran. Journal of Foresight and Health Governance, 2(3), 1–12.
Nguyen, V. D., Pham, T. C., Le, C. H., Huynh, T. T., Le, T. H., & Packianather, M. (2023). An innovative and smart agriculture platform for improving the coffee value chain and supply chain. In Machine Learning and Mechanics Based Soft Computing Applications (pp. 185–197). Springer. https://doi.org/10.1007/978-981-99-4570-1_15
Pang, Y., Marinello, F., Tang, P., Li, H., & Liang, Q. (2023). Bibliometric analysis of trends in smart irrigation for smart agriculture. Sustainability, 15(23), 16420.
Pasi, B. N., Mahajan, S. K., & Rane, S. B. (2020). Smart supply chain management: A perspective of Industry 4.0. Supply Chain Management, 29(5), 3016–3030.
Putri, A. N., Hariadi, M., & Wibawa, A. D. (2020). Smart agriculture using supply chain management based on Hyperledger blockchain. IOP Conference Series: Earth and Environmental Science, 466(1), 012007. https://doi.org/10.1088/1755-1315/466/1/012007
Sharma, K., Sharma, C., Sharma, S., & Asenso, E. (2022). Broadening the research pathways in smart agriculture: Predictive analysis using semiautomatic information modeling. Journal of Sensors, 2022, 5442865. https://doi.org/10.1155/2022/5442865
Sharma, S., Sharma, C., Asenso, E., & Sharma, K. (2023). Research constituents and trends in smart farming: An analytical retrospection from the lens of text mining. Journal of Sensors, 2023, 6916213. https://doi.org/10.1155/2023/6916213
Srikanth, M., Mohan, R. J., & Naik, M. C. (2023). Blockchain-based consensus for a secure smart agriculture supply chain. European Chemical Bulletin, 12(4), 8669–8678. https://doi.org/10.31838/ecb/2023.12.4.105
Suebsombut, P., Sekhari, A., Sureepong, P., Ueasangkomsate, P., & Bouras, A. (2017). The using of bibliometric analysis to classify trends and future directions on “smart farm”. In 2017 International Conference on Digital Arts, Media and Technology (ICDAMT) (pp. 136–141). IEEE. https://doi.org/10.1109/ICDAMT.2017.7904968
Wu, L., Yue, X., Jin, A., & Yen, D. C. (2016). Smart supply chain management: A review and implications for future research. The International Journal of Logistics Management, 27(2), 395–417. https://doi.org/10.1108/IJLM-02-2014-0035
Zhang, G., Yang, Y., & Yang, G. (2023). Smart supply chain management in Industry 4.0: The review, research agenda and strategies in North America. Annals of Operations Research, 322(2), 1075–1117. https://doi.org/10.1007/s10479-021-04511-2

فایل ها

هم رسانی

ارجاع به این مقاله

آمار