Rısk analysis and outlier detection in cold chain 4.0 logistics : an empirical study

Abstract

Farmasötik soğuk zincir yönetimi, sıcaklık kontrollü üretim, depolama, paketleme ve dağıtımı içeren karmaşık ve kritik bir süreçtir. Farmasötik ürünler sıcaklık, nem, ışık ve titreşim gibi çevresel faktörlerden kolayca etkilenebilir. Farmasötik soğuk zincir süreçlerinde meydana gelen bir aksama, özellikle soğuk zincirin kırılma riskinin en yüksek olduğu lojistik faaliyetler sırasında, ciddi insan sağlığı sorunlarına ve mali kayıplara yol açmaktadır. Bu çalışma, soğuk zincir taşımacılığında anormal sıcaklık ölçümlerinin belirlenmesi için Rota Tespit Tabanlı Destek Vektör Regresyonu (RT-DVR) adı verilen yeni bir hibrit aykırı değer tespit yöntemi önermektedir. Bu yaklaşım iki aşamadan oluşmaktadır: (1) Rota Tespit (RT) algoritması, taşıma araçlarının rotalarını belirler ve büyük veri setinden gereksiz verileri eleyerek sağlam bir veri ön işleme süreci sağlar; (2) Destek Vektör Regresyonu (DVR) algoritması ise budanmış veriyi kullanarak modeli eğitir ve taşıma sırasında aralık dışındaki sıcaklık değerlerini tespit eder. Önerilen RT-DVR modeli, Türkiye'nin en büyük uluslararası lojistik firmalarından birine ait iki araca ilişkin bir yıllık sıcaklık veri kaydı üzerinde uygulanmıştır. Modelin performansı, Rastgele Orman ve Yapay Sinir Ağları algoritmalarının performansları ile karşılaştırılmıştır. Karşılaştırma, sonuçların görselleştirilmesini ve rota tabanlı duyarlılık analizini içermekte olup, modelin soğuk zincir kırılmalarını tespit etmedeki sağlamlığını ve etkinliğini vurgulamaktadır. Farmasötik soğuk zincirde büyük veri analitiği ve makine öğrenmesi uygulamalarının nadirliği göz önüne alındığında, bu çalışma hem kuramsal hem de uygulamalı olarak yenilikçi bir katkı sunmaktadır. Çalışma, farmasötik soğuk zincir lojistiğinde kalite güvencesine yönelik ölçeklenebilir, otomatik ve doğru bir yaklaşım ortaya koymaktadır.

Pharmaceutical cold chain management is a complex and critical process that involves temperature-controlled production, storage, packaging and distribution. Pharmaceutical goods can easily get affected by environmental conditions such as light, humidity, temperature and vibration. A disruption in pharmaceutical cold chain processes poses significant human health issues and financial losses particularly during logistic activities where the risk of cold chain breakage is highest. In this study, a novel hybrid outlier detection methodology, named Route Detection-based Support Vector Regression (RD-SVR), is proposed for the identification of anomalous temperature measurements in cold chain transportation. This approach consists of two phases: (1) Route Detection (RD) algorithm captures the routes of transportation vehicles and provides robust data pre-processing by eliminating the unnecessary data from a large dataset, and (2) Support Vector Regression (SVR) algorithm is employed to detect outliers where pruned data is used in training the model to identify out-of-range temperature values during transportation. The proposed RD-SVR model is implemented on one-year temperature data loggers records from two vehicles belonging to one of the largest international logistics companies in Türkiye. The performance of the proposed model is compared with the performances of Random Forest and Artificial Neural Network algorithms. The comparison includes visualization of results and route-based sensitivity analysis, emphasizing the robustness and effectiveness of the proposed model in detecting breakage of cold chain and safeguarding product integrity. Given the scarcity of the studies applying big data analytics and machine learning to pharmaceutical cold chains, this study makes a novel contribution to both theory and practice by demonstrating a scalable, automated, and accurate approach to quality assurance in pharmaceutical cold chain logistics.