La naturaleza duradera de las cadenas de suministro en la región de Oriente Medio es crítica, dado el papel estratégico de la región en los corredores comerciales globales, sin embargo, los conflictos geopolíticos, las disputas territoriales y los desafíos de gobernanza interrumpen persistentemente rutas clave como el Canal de Suez, amplificando las vulnerabilidades. Este estudio aborda la urgente necesidad de predecir y mitigar los riesgos de la cadena de suministro mediante la evaluación de modelos de aprendizaje automático (ML) para pronosticar la complejidad económica como un proxy para la resiliencia en 18 países de Oriente Medio. Utilizando un conjunto de datos secundarios multidimensional, comparamos unidades recurrentes en puertas (GRU), regresión de vectores de soporte (SVR), aumento de gradiente y otros modelos de conjunto, evaluando el rendimiento a través de MSE, MAE, RMSE y R. Los resultados demuestran la superior precisión del modelo GRU (R = 0.9813; MSE = 0.0011), con SHAP, sensibilidad y análisis de sensibilidad confirmando su solidez en la identificación de los determinantes de la resiliencia. Los análisis revelan que la calidad de la infraestructura y las rentas de recursos naturales son factores clave que influyen en el índice de complejidad económica (ECI), mientras que las interrupciones como embargos comerciales o fallos en la infraestructura degradan significativamente la resiliencia. Nuestros hallazgos subrayan la importancia de diversificar las inversiones en infraestructura y estabilizar los marcos de gobernanza para amortiguar los choques. Esta investigación avanza en la aplicación del aprendizaje profundo en la analítica de resiliencia de la cadena de suministro, ofreciendo información práctica para los responsables de políticas y los planificadores logísticos para fortalecer los corredores comerciales regionales y mitigar los efectos globales en cadena.