مطالعات مدیریت صنعتی

شماره جاری

بر اساس شماره‌های نشریه

بر اساس نویسندگان

بر اساس موضوعات

نمایه نویسندگان

نمایه کلیدواژه ها

درباره نشریه

اهداف و چشم انداز

اصول اخلاقی انتشار مقاله

بانک ها و نمایه نامه ها

پیوندهای مفید

پرسش‌های متداول

فرایند پذیرش مقالات

اطلاعات آماری نشریه

اخبار و اعلانات

تفاهم نامه با انجمن علوم مدیریت ایران

راهنمای نگارش

فایل ها

داوران 1402

داوران 1401

داوران 1400

داوران 1399

راهنمای ثبت نام درPublons

ارائه رویکردی مبتنی بر برنامه ریزی تصادفی و زنجیره مارکوف به منظور بهینه سازی بازتولید و برون سپاری در زنجیره تامین

نوع مقاله : مقاله پژوهشی

نویسندگان

1 استاد دانشکده مدیریت و حسابداری دانشگاه تربیت مدرس

2 استادیار دانشکده مدیریت و حسابداری دانشگاه تهران

3 دانشجوی دکتری دانشگاه تهران

چکیده

محیط پر تلاطم و پویای دنیای کسب وکار امروزی بیش از پیش عرصه را بر سازمان هایی که در زمینه های مختلف تجاری فعالیت می کنند تنگ کرده است. در چنین وضعیتی برای رهایی از این شرایط، حرکت به سمت و سویی که برای سازمان ها افق های نوینی از سودمندی و بقا را نوید می دهد، آرزو و تفکر سیستمی بسیاری از آن هاست. در این میان برحسب شرایط و اقتضائات خاصی که بر هر موسسه یا سازمان حاکم است و برای رسیدن به بهره وری مطلوب و موردنظر خود، از استراتژی ها و برنامه های خاصی استفاده می کنند که برون سپاری از جمله این استراتژی ها است. امروزه سازمان ها به طور وسیعی جهت افزایش توان رقابتی و کسب سود و تمرکز بر روی مزیت رقابتی خود به دنبال برون سپاری هستند.در این تحقیق رویکردی مبتنی بر برنامه‌ریزی ریاضی به منظور بهینه سازی مساله برون سپاری در زنجیره تامین ارائه شده است. در این رویکرد در ابتدا مدل ریاضی مساله تشریح شده و سپس به منظور حل مساله تئوری زنجیره های مارکوف تشریح شده است. تابع هدف مساله شامل کمینه سازی هزینه‌های خرید، برون سپاری و تقاضای از دست رفته است. به منظور حل مساله از سه الگوریتم فراابتگاری ژنتیک، گرگ خاکستری و شیرمورچه استفاده شده که پس از بررسی نمودهای عددی، الگوریتم گرگ خاکستری بالترین سطح عملکرد را دارا است. به منظور گسترش ابعاد کاربردی تحقیق در شرایط دنیای واقعی، شرکت تولید کننده عایق‌های فشارقوی، مانه پرتو به عنوان مورد مطالعاتی تحقیق درنظر گرفته شده است

کلیدواژه‌ها

عنوان مقاله [English]

Stochastic And Markov Chain Approach To Optimize Re-Manufacturing and Outsourcing in the Closed Loop Supply Chain

نویسندگان [English]

  • Adel Azar 1
  • Meisam Shahbazi 2
  • Ali Amiri 3

1 Professor, Department of Industrial Management, Tarbiat Moddares University, Thran.

2 Assistant Professor, Department of Industrial Management and Finance, University of Tehran

3 Ph.D. in Industrial Management University of Tehran

چکیده [English]

The turbulent and dynamic environment of today's business world has become increasingly challenging for organizations operating in different business areas. In such a situation, in order to get rid of these conditions, moving forward and towards the perspective of the new horizons of prosperity and survival is the dream of many of them. In the meantime, according to the specific circumstances and requirements that govern each institution or organization, and in order to achieve their desired productivity, they use certain strategies and programs that outsourcing is one of these strategies. Today, organizations are outsourcing to boost competitive ability and profit and focus on their competitive edge.
In this research, a mathematical programming approach is proposed to optimize the issue of outsourcing in the supply chain. In this approach, at first the mathematical model of the problem showed and then in order to solve the problem of the theory of Markov chains described. The objective function of the problem involves minimizing the cost of purchasing, outsourcing and lost demand. In order to solve the problem, three genetic metamorphic algorithms, gray wolves and ant lion have been used. After examining the numerical expressions, Gray wolf's algorithm has the highest level of performance. In order to expand the applied dimensions of research in real-world conditions, a company (MPEICO) that manufactures insulators is considered as the case study

کلیدواژه‌ها [English]

  • Supply Chain Outsourcing
  • Genetic Algorithm
  • Gray Wolf's Algorithm
  • Ant Lion Algorithm
مراجع
 
[1] Kakabadse, A., & Kakabadse, N. (2002). Trends in outsourcing:: Contrasting USA and Europe. European management journal, 20(2), 189-198.
[2] Ferguson  M,  Toktay  LB.  The  effect  of  competition  on  recovery  strategies.  Prod  Oper Manag  2006;15(3):351–68
[3] Martin  P,  Guide  VDR  Jr,  Craighead  CW.  Supply  chain  sourcing  in  remanufacturing  operations:  an  empirical  investigation  to  remake  versus  buy.  Decis  Sci 2010;41(2):301–21
[4] Meade  L,  Sarkis  J.  A  conceptual  model  for  selecting  and  evaluating  third  party  reverse logistics  providers.  Supply Chain  Manag  2002;7(5):283–95.
[5] Daugherty  PJ,  Droge  C.  Organizational  structure  in  divisionalized  manufacturers: the  potential  for  outsourcing  logistical  services.  Int  J  Phys  Distrib  Logist  Manag 1997;27(5/6):337–49. De  Brito  MP,  Dekker  R.  Rev
[6] Insigna RC, Werle MJ. Linking outsourcing to business strategy. Acad Manag Exec 2000;14(4):58–70
[7] Boyson S, Corse T, Dresner D, Rabinovich E. Managing effective third party logistics relationships: what does it take? J Bus Logist 1999;20:73–100.
[8] Arnold U. New dimensions of outsourcing: a combination of transaction cost economics and the core competencies concept. Eur J Purch Supply Manag2000;6(1):23–9.
[9] Wu F, Li HZ, Chu LK, Sculli D. An outsourcing model for sustaining long-term performance. Int J Prod Res 2005;43(12):2513–35.
[10] Serrato MA, Ryan SM, Gaytan J. A Markov decision model to evaluate outsourcing in reverse logistics. Int J Prod Res 2007;45(18–19):4289–315
[11] Ko HJ, Evans GW. A genetic algorithm-based heuristic for the dynamic integrated forward/reverse logistics network for 3PLs. Comput Oper Res 2007;34(2):346–66
[12] Pagell M, Wu Z, Murthy NN. The supply chain implications of recycling. Bus Horiz 2007;50:133–43.
[13] Kannan  D,  Diabat  A,  Shankar  KM.  Analyzing  the  drivers  of  end-of-life  tire  management  using  interpretive  structural  modeling  (ISM).  Int  J  Adv  Manuf  Technol 2012;72(9–12):1603–14
[14] Huscroft JR, Hazen BT, Hall DJ, Hanna JB. Task-technology fit for reverse logistics performance. Int J Logist Manag 2012;24(2):230–46
[15] Saurabh Agrawal , Rajesh K. Singh, Qasim Murtaza, A literature review and perspectives in reverse logistics, Resources, Conservation and Recycling 97 (2015) 76–92.
[16] Krumwiede DW, Sheu C. A model for reverse logistics entry by third party providers. Omega 2002;30(5):325–33.
[17] Ordoobadi SM. Outsourcing reverse logistics and remanufacturing functions: a conceptual strategic model. Manag Res News 2009;32(9):831–45.
[18] Bernon M, Rossi S, Cullen J. Retail reverse logistics: a call and grounding framework for research. Int J Phys Distrib Logist Manag 2011;41(5):484–510
[19] Mafakheri F, Nasiri F. Revenue sharing coordination in reverse logistics. J Clean Prod2013;59:185–96
[20] Bottani E, Rizzi A. A fuzzy TOPSIS methodology to support outsourcing of logistics services. Supply Chain Manag 2006;11(4):294–308.
[21] Poles, R., & Cheong, F. (2009). A system dynamics model for reducing uncertainty in remanufacturing systems. PACIS 2009 Proceedings, 24.
[22] Gicquel, C., Kedad-Sidhoum, S., & Quadri, D. (2016, June). Remanufacturing planning under uncertainty: a two-stage stochastic programming approach. In International Conference on Informations Systems, Logistics and Supply chain ILS2016.
[23] Lee, D.-H., Dong, M., 2009. Dynamic network design for reverse logistics operations under uncertainty. Transp. Res. Part E Logist. Transp. Rev. 45, 61e71.
[24] El-Sayed, M., Afia, N., El-Kharbotly, A., 2010. A stochastic model for forward-reverse logistics network design under risk. Comput. Ind. Eng. 58, 423e431.
[25] Chu, L.K., Shi, Y., Lin, S., Sculli, D., Ni, J., 2010. Fuzzy chance-constrained programming model for a multi-echelon reverse logistics network for household appliances. J. Oper. Res. Soc. 61, 551e560.
[26] Fonseca, M.C., García-Sanchez, A., Ortega-Mier, M., Saldanha-Da-Gama, F., 2010.A stochastic bi-objective location model for strategic reverse logistics. Top 18,158e184.
[27] Kenne, J. P., Dejax, P., & Gharbi, A. (2012). Production planning of a hybrid manufacturing–remanufacturing system under uncertainty within a closed-loop supply chain. International Journal of Production Economics, 135(1), 81-93.
[28] Ramezani, M., Bashiri, M., Tavakkoli-Moghaddam, R., 2013. A new multi-objective stochastic model for a forward/reverse logistic network design with responsiveness and quality level. Appl. Math. Model. 37, 328e344
[29] De Rosa, V., Gebhard, M., Hartmann, E., Wollenweber, J., 2013. Robust sustainable bi-directional logistics network design under uncertainty. Int. J. Prod. Econ. 145, 184e198
[30] Chen, Y. J., & Liu, D. B. (2013). An uncertain programming model for manufacturing/remanufacturing hybrid system in reverse logistics environment. In Applied Mechanics and Materials (Vol. 288, pp. 251-255). Trans Tech Publications.
[31] Roghanian, E., Pazhoheshfar, P., 2014. An optimization model for reverse logistics network under stochastic environment by using genetic algorithm. J. Manuf. Syst. 33, 348e356
[32] Soleimani, H., Govindan, K., 2014. Reverse logistics network design and planning utilizing conditional value at risk. Eur. J. Oper. Res. 237, 487e497
[33] Govindan, K., Paam, P., Abtahi, A.-R., 2016b. A fuzzy multi-objective optimization model for sustainable reverse logistics network design. Ecol. Indic. 67, 753e768
[34] Soleimani, H., Seyyed-Esfahani, M., Shirazi, M.A., 2016. A new multi-criteria scenario- based solution approach for stochastic forward/reverse supply chain network design. Ann. Oper. Res. 242, 399e421
[35] Feito-Cespon, M., Sarache, W., Piedra-Jimenez, F., Cespon-Castro, R., 2017. Redesign of a sustainable reverse supply chain under uncertainty: a case study. J. Clean. Prod. 151, 206e217.
[36] Soleimani, H., Govindan, K., Saghafi, H., Jafari, H., 2017. Fuzzy multi-objective sustainable and green closed-loop supply chain network design. Comput. Ind. Eng. 109, 191e203
[37] Yu, H., & Solvang, W. D. (2017). A carbon-constrained stochastic optimization model with augmented multi-criteria scenario-based risk-averse solution for reverse logistics network design under uncertainty. Journal of cleaner production, 164, 1248-1267.
 
مطالعات مدیریت صنعتی
دوره 18، شماره 57
تیر 1399
صفحه 1-42
فایل ها
هم رسانی
ارجاع به این مقاله
آمار