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 1400

داوران سال1399

راهنمای ثبت نام درPublon

توسعه مدل چندهدفه زنجیره تامین با تقاضای تصادفی: رویکرد بهینه سازی مبتنی بر شبیه سازی و تدوین سناریو

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی دکتری، مدیریت صنعتی، دانشگاه آزاد اسلامی، واحد تهران جنوب

2 استاد، گروه مدیریت صنعتی، ، دانشگاه علامه طباطبائی، تهران.

3 استادیار، دانشکده مدیریت و حسابداری، دانشگاه آزاد اسلامی، واحد تهران جنوب، تهران.

چکیده

یکپارچه سازی تصمیمات در زنجیره های تامین منجر به کاهش هزینه ها و زمان تحویل سفارشات به مشتریان می شود ولی عدم قطعیت در پارامترهای مختلف از جمله تقاضا، آن را دچار اختلال می کند. عدم قطعیت در تقاضا، منجر به افزایش علاقه‌مندی در استفاده از مدل‌های برنامه‌ریزی احتمالی و شبیه سازی در مدل سازی زنجیره تامین شده است. هدف کلی از این پژوهش، مدل‌سازی و توسعه مدل شبکه زنجیره‌تأمین چند سطحی، چند محصولی، چند دوره‌ای با اهداف متعارض همچون کمینه‌کردن هزینه، کمینه کردن زمان تحویل و بیشینه‌کردن قابلیت اطمینان کل سیستم است. شبکه زنجیره ‌تأمین مورد بررسی دارای 4 سطح تأمین‌کنندگان، تولید‌کنندگان، توزیع‌کنندگان و خرده‌فروشان است. در این پژوهش، فرض این بود که تقاضا تصادفی و از یک تابع توزیع احتمالی پیروی می کند. بنابراین از تکنیک شبیه سازی برای برآورد هزینه ها شامل هزینه‌های حمل و نقل و هزینه فروش از دست رفته و سایر هزینه‌ها استفاده شد. پس از تدوین مدل چندهدفه، برای مسئله مورد بررسی سناریوسازی بر اساس دیدگاه های مختلف نسبت به سطوح موجودی (حداقل موجودی، حداکثر موجودی و سطح متوسط موجودی) صورت گرفت و بر اساس هر سناریو مقادیر مرتبط با اهداف مورد بررسی برآورد شد. در انتها نیز بر اساس جواب های پارتوی بدست آمده برای هر حالت از مدل،با روش تصمیم گیری ویکور به رتبه بندی نهایی جواب های و انتخاب بهترین حالت از مدل پیشنهادی اقدام شد.نتایج حاکی از آن بود که سناریوی دوم یعنی در نظر گرفتن سطح متوسط موجودی به عنوان بهترین راهکار برای مدل تشریح شده انتخاب شد.

کلیدواژه‌ها

عنوان مقاله [English]

Development of Multi-Objective Supply Chain Model with Stochastic Demand: An Optimization Approach Based on Simulation and Scenario Development

نویسندگان [English]

  • Shima Salehi 1
  • Mohammad Taghi Taghavifard 2
  • Ghanbar Abbaspour esfeden 3
  • a alirezaee 3

1 PhD Student, Industrial Management, Islamic Azad University, South Tehran Branch

2 Professor, Department of Industrial Management, Allameh Tabataba'i University, Tehran.

3 Assistant Professor, Faculty of Management and Accounting, Islamic Azad University, South Tehran Branch, Tehran.

چکیده [English]

Integration of supply chain decisions reduces costs and delivery time to customers, but uncertainty in supply chain offending parameters, including demand, disrupts this integration. This demand uncertainty has led to an increase in interest in the use of probabilistic planning and simulation models in supply chain modeling. Therefore, the overall purpose of this study was to model and develop a multi-level, multi-product, multi-period supply chain network model with conflicting objectives such as cost minimization, delivery time minimization, and maximizing system-wide reliability. The supply chain network under study had 4 levels or subsystems of suppliers, manufacturers, distributors and retailers. In this study, it was assumed that demand is random and follows a probabilistic distribution function. Therefore, the simulation technique was used to estimate costs including shipping costs and lost sales costs and other costs. After developing a multi-objective model, for the studied problem, scenario building was done based on different perspectives on inventory levels (minimum inventory, maximum inventory and average inventory level) and based on each scenario, values related to the objectives were estimated. In the end, based on the Parthian answers obtained for each case of the model, based on Vickor decision-making method, the final ranking of the answers and selection of the best case from the proposed model was performed. The results showed that the second scenario, ie considering the average inventory level, was selected as the best solution for the described model

کلیدواژه‌ها [English]

  • supply chain
  • multi-objective model
  • stochastic demand
  • simulation-based optimization
  • scenario
مراجع
اختیاری، مصطفی. (1389). مدیریت زنجیره تأمین سه سطحی تحت عدم قطعیت با استفاده از برنامه‌ریزی فازی چند هدفه. مطالعات مدیریت صنعتی، سال هشتم، شماره 18، پاییز 1389، صفحات 123 تا 160.
اشتدلر، هارتموت و کیلگر، کریستوف (2005) مدیریت زنجیره تأمین» ترجمه نسرین عسگری و رضا فراهانی، انتشارات دانشگاه صنعتی امیرکبیر، چاپ اول 1385
افشاری نیا، زهرا؛ توکلی مقدم، رضا و قلی پور کنعانی، یوسف (1392). استفاده از روش تجزیه بندرز به حل مسئله طراحی شبکه زنجیره تأمین چندمحصولی دوسطحی با تقاضای تصادفی. نشریه پژوهش‌های مهندسی صنایع در سیستم‌های تولید. سال اول، شماره دوم، پاییز و زمستان 1392، صص 155-165.
امیرخان، محمد؛ نورنگ، احم و توکلی مقدم، رضا (1394). یک رویکرد برنامه‌ریزی تعاملی فازی برای طراحی شبکه زنجیره تأمین چندسطحی، چندکالایی و چند دوره‌ای تحت شرایط عدم قطعیت با در نظر گرفتن هزینه و زمان. مدیریت تولید و عملیات، دوره ششم، شماره (1)، پیاپی (10)، بهار و تابستان 1394.
بهنامیان، جواد و بشر، محمدمهدی. (1396) مدل‌سازی چندمرحله‌ای مسئله زنجیره تأمین سه سطحی غیرهمکارانه با در نظر گرفتن تخفیف در شرایط عدم قطعیت. پژوهش‌های نوین در تصمیم‌گیری. دوره 2، شماره 3، پاییز 1396.
روی بیلینتون، رونالد آلن (1390). ارزیابی قابلیت اطمینان سیستم‌های مهندسی؛ مفاهیم و روش‌ها؛ مترجم محسن رضائیان. تهران: دانشگاه صنعتی امیرکبیر (پلی‌تکنیک تهران)، مرکز نشر.
صادقیان، رامین و طالبی لنگرودی، گلناز (1396). ارائه یک مدل موجودی در زنجیرة تأمین سه‌سطحی با در نظر گرفتن تقاضای احتمالی. مهندسی صنایع و مدیریت، دوره 33.1، شماره 1.2، بهار و تابستان 1396، صفحه 101-112.
مظاهری، علی؛ کرباسیان، مهدی؛ سجادی، سیدمجتبی، شیرویه زاد، هادی و عابدی، سعید (1393). ارائه مدلی جهت بهینه‌سازی زنجیره تأمین یکپارچه با استفاده از روش برنامه‌ریزی تصادفی چندهدفه. مهندسی صنایع و مدیریت تولید، شماره 2، جلد 25، شهریورماه 1393. صص 186-204.
Aguirre, Adri´an M., Liu, Songsong, Papageorgiou,Lazaros G., (2018).Optimisation Approaches for Supply Chain Planning and Scheduling under Demand Uncertainty.Chemical Engineering Research and Design, 138: 341-357
Aliev, R. A., Fazlollahi, B., Guirimov, B. G. Aliev, R. R. (2007). "Fuzzy-genetic approach to aggregate production-distribution planning in supply chain management". Informaton Sciences, 177, 4241-4255.
Aqlan, F., & Lam, S. S. (2016). Supply chain optimization under risk and uncertainty: A case study for high-end server man-ufacturing. Computers & Industrial Engineering, 93, 78-87.
Beamon, B. M. (1998). Supply chain design and analysis: Models and Methods. International Journal of Production Economics, 55(3), 281-294.
Bilge, B. (2010).Application of fuzzy mathematical programming approach to the production allocation and distribution supply chain network problem. Expert Systems with Applications, 37(6):4488-4495.
Billala M. M., & Hossaina M. M. (2020). Multi-objective Optimization for Multi-product Multi-period Four Echelon Supply Chain Problems under Uncertainty. Journal of Optimization in Industrial Engineering, 13(1), 1-17.
Burkovskis, R. (2008). Efficiency of freight forwarder’s participation in the process of transportation, Transport, 23(3): 208–213.
Chen,S.P., Chang,P.C. (2006). "A mathematical programming approach to supply chain models with fuzzy parameters". Engineering Optimization, 38, 647-669.
Coskun, S., Ozgur, L., Polat, O. and Gungor, A., (2015). A model proposal for green supply chain network design based on consumer segmentation. Journal of Cleaner Production.38(2), 136-146.
Ehm J, Scholz-Reiter B, Makuschewitz T, Frazzon E M. (2015). Graph-Based Integrated Production and Intermodal Transport Scheduling with Capacity Restrictions. CIRP Journal of Manufacturing Science and Technology, 23-30.
Felfel, H., Ayadi, O., & Masmoudi, F. (2016). Multi-objective stochastic multi-site supply chain planning under demand un-certainty considering downside risk. Computers & Industrial Engineering, 102, 268-279.
Gibson, B.J., Mentzer, J.T. and Cook, R.L. (2005). Supply chain management: the pursuit of a consensus definition. Journal of Business Logistics, Vol. 26 No. 2, pp. 17-25
Hugos M., (2006),"essential of supply chain management", second edition, published by John Wiley & Sons Inc.
Liang, T. F. Chen, H. W. (2008). Application f fuzzy sets to manufacturing/distribution planning decision with multi-product and multi-time period in supply chains. Expert Systems with Applications, 36, 3367-3377.
Liang, T. F. Chen, H. W. (2013). Application f fuzzy sets to manufacturing/distribution planning decision with multi-product and multi-time period in supply chains. Expert Systems with Applications, 36, 3367-3377.
Lukinskiy, V.S., Lukinskiy, V.V., Churilov, R. (2007). Problem of the Supply Chain Reliability Evaluation. Transport and Telecommunication. 15(2):120-129.
Lukinskiy, V.S., Lukinskiy, V.V., Churilov, R. (2014). "Problem of the Supply Chain Reliability Evaluation". Transport and Telecommunication. Vol.15. no.2:120-129.
Miao, X., Yu, B., Xi, B. (2009). "The Uncertainty Evaluation Method Of Supply Chain Reliability". Transport. 24(4):296-300.
Mirotin, L.B., Sergeev, V.I. (2002). Principles of Logistics. M.: INFRA-M.
Mohammadi Bidhandi, H., & Yusuff R.M. (2011). Integrated Supply Chain Planning under Uncertainty using an Improved Stochastic Approach. Applied Mathematical Modelling, 35(6):2618–2630
Ozkan, O. & Kilic, S. (2019). A Monte Carlo Simulation for Reliability Estimation of Logistics and Supply Chain Networks. IFAC Papers On Line, 52-13,2080–2085.
Pasandideh, S, H, R., Akhavan Niaki, S, T.,Asadi, K. (2015) "Optimizing a bi-objective multi-product multi-period three echelon supply chain network with warehouse reliability". Expert Systems with Applications, 42:2615-2623.
peidro, D., Mulla, J., Poler, R., Verdegay, J, L. (2009). Fuzzy optimization for supply chain planning under supply, demand, and process uncertainties. fuzzy sets and systems, 160, 2640-2657.
Quigley, J.; Walls, L. 2007. Trading reliability targets within a supply chain using Shapley’s value, Reliability Engineering & System Safety 92(10): 1448–1457.
Salema, M., Barbosa-Povoa, A.P., Noavais, A. (2009). "A strategic and tactical model for closed-loop supply chains. OR Spectrum, 31, 573-599.
Svoronos, A., Zipkin. P. (1995). "Evaluation of One-for-One Replenishment Policies for Multiechlon Inventory Systems. Management Science, 37(1), 68-83.
Terzi, S., &  Cavalieri, S. (2004). Simulation in the Supply Chain Context: A Survey. Computers in Industry, 53(1):3-16.
Thomas, A., & Charpentier, P. (2005). Reducing simulation models for scheduling manufacturing facilities”, European Journal of Operation Research, 161, pp. 111-125.
Van Nieuwenhuyse, I., &  Vandaele, N.  (2006) The impact of delivery lot splitting on delivery reliability in a two-stage supply chain. International Journal of Production Economics, 104(2):694-708
Wolfgang, K., Thorsten, B. (2006). "Managing Risks in Supply Chains. How to Build Reliable Collaboration in Logistics". Berlin: Erich Schmidt Verlag.
Zaitzev, E.I., Bochazev, A.A. (2010). Optimizing supply-planning in multi-level network structures in the light of reliability. Logistics and Supply Chain Management, 2 (37).
Zaitzev, E.I., Uvarov, S.A. (2012). Using indicators of Perfect Order Fulfillment in the distribution logistics. Logistics and Supply Chain Management, 4(51).
Zhang, M., Chen, J., & Chang Sh-H. (2020). An adaptive simulation analysis of reliability model for the system of supply chain based on partial differential equations. Alexandria Engineering Journal. Article in press.
Pathak, C., Mukherjee, S., and Kumar Ghosh, S. (2020). A Three Echelon Supply Chain Model with Stochastic Demand Dependent on Price, Quality and Energy Reduction. Journal of Industrial and Management Optimization.1-17.
Chen, S., Wang, W., & Zio, E. (2021). A Simulation-Based Multi-Objective Optimization Framework for the Production Planning in Energy Supply Chains. Energies, 14,2684.
Arman Sajedinejad, Erfan Hassannayebi, Mohammad Saviz Asadi Lari. (2020). Simulation based optimization of multi-product supply chain under a JIT system. Journal of Industrial Engineering and Management Studies. 7(1), pp. 87-106.
Nayeri S., Torabi S. A., Tavakoli, M., & Sazvar Z. (2021). A multi-objective fuzzy robust stochastic model for designing a sustainable-resilient-responsive supply chain network. Journal of Cleaner Production, 311,127691.
Ibrahim Alharkan, Mustafa Saleh, Mageed Ghaleb, Abdulsalam Farhan and Ahmed Badwelan (2020). Simulation-Based Optimization of a Two-Echelon Continuous Review Inventory Model with Lot Size-Dependent Lead Time. Processes, 8, 1014.
Govindan, K., Mina, H., Esmaeili, A., Gholami-Zanjani, S.M., 2020. An integrated hybrid approach for circular supplier selection and closed loop supply chain network design under uncertainty. J. Clean. Prod. 242, 118317.
Jouzdani, J., Govindan, K., (2020). On the sustainable perishable food supply chain network design: a dairy products case to achieve sustainable development goals. J. Clean. Prod. 278, 123060.
Hosseini-Motlagh, S.-M., Samani, M.R.G., Saadi, F.A., 2020. A novel hybrid approach for synchronized development of sustainability and resiliency in the wheat network. Comput. Electron. Agric. 168, 105095.
Vafaei, A., Yaghoubi, S., Tajik, J., Barzinpour, F., 2020. Designing a sustainable multi-channel supply chain distribution network: a case study. J. Clean. Prod. 251, 119628
Ekhtiari, M. (2010). Three-echelon Supply Chain Management under Uncertainty Using Multi-Objective Fuzzy Programming. Industrial Management Studies, 8(18), 123-160. [In Persian]
Schedler, Hartmut and Kielger, Christoph (2005). Supply Chain Management. translated by Nasrin Asgari and Reza Farahani, Amirkabir University of Technology Publications, first edition. [In Persian]
Tavakkoli-Moghaddam, R., Afsharinia, Z., Gholipour-Kanani, Y. (2013). Use of a Benders decomposition method for solving a two-echelon multi-commodity supply chain network design problem with stochastic demands. Journal of Industrial Engineering Research in Production Systems, 1(2), 155-165. [In Persian]
Amirkhan, M., Norang, A., Tavakkoli-Moghaddam, R. (2015). An Interactive Fuzzy Programming Approach for Designing a Multi-Echelon, Multi-Product, Multi-Period Supply Chain Network Under Uncertainty Considering Cost and Time. Journal of Production and Operations Management, 6(1), 127-148. [In Persian]
Behnamian, J., Bashar, M. (2017). Multi-stage modeling for non-cooperative multi-echelon supply chain management problem with discount under uncertainty. Modern Research in Decision Making, 2(3), 49-75. [In Persian]
Roy Billinton, Ronald Allen (1390). Reliability assessment of engineering systems; Concepts and methods. Translated by Mohsen Rezaian. Tehran: Amirkabir University of Technology (Tehran Polytechnic), Publishing Center. [In Persian]
S‌a‌d‌e‌g‌h‌i‌a‌n, R., T‌a‌l‌e‌b‌i L‌a‌n‌g‌a‌r‌o‌u‌d‌i, G. (2017). A‌n inventory model for a three-stage supply chain under stochastic demand. Sharif Journal of Industrial Engineering & Management, 33.1(1.2), 101-112. [In Persian]
Azimi P., Esmati A., & Farajpournazari, M. (2013). Optimization through simulation with comprehensive ED simulation software training. Islamic Azad University of Qazvin. [In Persian]
مطالعات مدیریت صنعتی
دوره 20، شماره 66 - شماره پیاپی 66
مهر 1401
صفحه 197-249
فایل ها
اشتراک گذاری
ارجاع به این مقاله
آمار