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

مدلی برای کنترل موجودی در مدیریت زنجیره تامین حلقه بسته با رویکرد برنامه ریزی چند هدفه در کارخانه برش و پرس ایران خودرو

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانش آموخته مدیریت گرایش تحقیق در عملیات، دانشکده مدیریت و حسابداری، دانشگاه علامه طباطبایی، تهران، ایران

2 استاد گروه مدیریت صنعتی، دانشکده مدیریت و حسابداری، دانشگاه علامه طباطبایی، تهران، ایران

چکیده

امروزه توجه به موضوع مدیریت زنجیره تامین حلقه بسته به منظور بقا در محیط رقابتی در سازمان از اهمیت بسیار زیادی برخوردار است. زنجیره تامین حلقه بسته ترکیبی از دو زنجیره تامین مستقیم و معکوس است. هدف این مقاله ارائه مدلی برای کنترل موجودی در مدیریت زنجیره تامین حلقه بسته با رویکرد چند هدفه می باشد. این پژوهش در صدد است که با طراحی مدل ریاضی چند هدفه و بهینه سازی آن به اهداف اصلی خود، شامل کمینه کردن هزینه نگهداری، تولید و حمل و نقل در جریان مستقیم و همچنین میزان قطعات ضایع و معیوب در جریان معکوس و بیشینه کردن سودآوری سازمان برسد. در این راستا یک مدل دو هدفه در یک زنجیره تامین حلقه بسته شامل سه رده در جریان رو به جلو دربرگیرنده تامین کنندگان، تولیدکنندگان و مشتریان و چهار رده در جریان معکوس دربرگیرنده قسمت های جمع آوری و بازرسی، بازیافت، تعمیر و دفع طراحی شده است. با توجه به اینکه مدل پژوهش از نوع چند هدفه، خطی و عدد صحیح می باشد، ابتدا مدل از دو روش وزن دهی و حدی به تابع تک هدفه تبدیل شده و سپس با استفاده از الگوریتم انشعاب و تحدید و نرم افزار Lingo حل شده است. در نهایت مدل مذکور در کارخانه برش و پرس شرکت ایران خودرو بصورت مورد کاوی توسعه داده شد و عملکرد آن صحه گذاری گردید. نتایج و خروجی حل مدل قابلیت آن را بمنظور برنامه ریزی و کنترل موجودی در مدیریت زنجیره تامین حلقه بسته نشان می دهد.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

A Model for Inventory Control in Closed-Loop Supply Chain Management considering Multiple Objective Planning Case: Iran Khodro Cut and Press Shop Company

نویسندگان [English]

  • Abolfazl Sadeghian 1
  • Seyed Mohammad Ali Khatami Firouzabadi 2
  • Laya Olfat 2
  • maghsoud Amiri 2

1 Graduate in the field of management, Operations Research, Faculty of Management and Accounting, Allameh Tabataba'i University, Tehran, Iran.

2 Professor, Department of Industrial Management, Faculty of Management and Accounting, Allameh Tabatabaei University, Tehran, Iran

چکیده [English]

Nowadays attending to closed-loop supply chain matter for survival in competitive circumstances not only has been become a controversial topic but also has been considered as a critical topic too. Close loop supply chain has combined to direct and reverse flow (method/ manner). This paper’s goal is presenting a model for inventory control in closed loop supply chain by multiple objective approach. This research intends to reach it's main goal including reduce expenses such as production, maintenance, transportation in direct flow also decrease the waste material and defective in reverse flow and in conclusion increase the company’s profit by desingning and optimizing multiple objective model. Hence a double purpose model in closed-loop supply chain consists three classes direct flow in which conclude suppliers, manufactures and customers. Furthermore this consists four classes in reverse flow that concludes: collection centers, inspection, repair centers, recycling centers and disposal centers. According to the article’s model, which is multipurpose, linear and integer, At the beginning the model convert to single objective by Weighting and Constraint method and then is solved by using Branch and bound algorithm and Lingo software. Finally, the model extended in Iran Khodro Company as a study case and its function validated. Results and output of model solving demonstrate its capability to be useful for planning and inventory control in closed-loop supply chain.

کلیدواژه‌ها [English]

  • Supply chain
  • Closed-loop
  • Multiple Objective Planning
مراجع
  1. اصغر پور، م. (1392). تصمیم‌گیری‌های چند معیاره. تهران: موسسه چاپ و انتشارات دانشگاه تهران.
  2. صدری، پدرام. (1395). رویکردی جدید در حل مسائل برنامه‌ریزی عدد صحیح خطی خالص با ضرایب صحیح. نشریه دانشگاه صنعتی اصفهان، 6-13. DOI: https://elmnet.ir/doc/20548242-31891
  3. صمدی، پ. (1395). رویکردی جدید در حل مسائل برنامه‌ریزی عدد صحیح خطی خالص با ضرایب صحیح. نشریه دانشکده مهندسی صنایع و سیستم‌ها صنعتی اصفهان، 15- 18. DOI: https://elmnet.ir/doc/20548242-31891
  4. قدسی پور، س. (1397). مباحثی در تصمیم گیری چند معیاره: برنامه‌ریزی چندهدفه (روش‌های وزن دهی بعد از حل). تهران: مرکز نشر دانشگاه صنعتی امیر کبیر.
  5. کولیایی، مریم. (1394). طراحی مدل ریاضی مدیریت زنجیره تأمین با حلقه بسته (موردکاوی: شرکت تولیدی شیشه ایمنی به‌نور). نشریه دانشکده مدیریت و اقتصاد دانشگاه تربیت مدرس، 20-25. DOI: https://www.magiran.com/p1528381
  6. Acosta, F. J., Quinones Hinojosa, A., Schmidt, M., & Weinstein, P. R. (2003). Diagnosis and management of sacral Tarlov cysts: Case report and review of the literature. Neurosurgical Focus, 15(2). https://doi.org/10.3171/foc.2003.15.2.15
  7. Ahmad, F., Adhami, A. Y., & Smarandache, F. (2020). Modified neutrosophic fuzzy optimization model for optimal closed-loop supply chain management under uncertainty. In Optimization Theory Based on Neutrosophic and Plithogenic Sets (pp. 343-403). https://doi.org/10.1016/B978-0-12-819670-0.00015-9
  8. Amin, S., & Zhang, G. (2013). A multi-objective facility location model for closed-loop supply chain network under uncertain demand and return. Mathematical Modelling, 37(4), 4165-4176. https://doi.org/10.1016/j.apm.2012.09.039
  9. Amin, S., & Zhang, G. (2013). A three-stage model for closed-loop supply chain configuration under uncertainty. International Journal of Production Research, 51(5), 1405-1425. https://doi.org/10.1080/00207543.2012.693643
  10. Chen, C. T., Lin, C. T., & Huang, S. F. (2006). A fuzzy approach for supplier evaluation and selection in supply chain management. International Journal of Production Economics, 102(2), 289-301. https://doi.org/10.1016/j.ijpe.2005.03.009
  11. Chung, S., Wee, H., & Yang, P. (2008). Optimal policy for a closed-loop supply chain inventory system with remanufacturing. Mathematical and Computer Modelling, 47(5-6), 867-881. https://doi.org/10.1016/j.mcm.2007.11.014
  12. Cruz-Rivera, R. J., & Ertel. (2009). Reverse logistics network design for the collection of end-of-life vehicles in Mexico. European Journal of Operational Research, 193(1), 196-206. https://doi.org/10.1016/j.ejor.2008.04.041
  13. Dinesh, K. K., Nachiappan, S., & Abdulrahman, M. (2016). Closed-loop supply chain network: Designs for energy and time value efficiency. International Journal of Production Economics, 171, 382-393. https://doi.org/10.1016/j.ijpe.2016.02.004
  14. Du, F., & Evans, G. (2008). A bi-objective reverse logistics network analysis for post-sale service. Computers & Operations Research, 35(8), 2617–2634. https://doi.org/10.1016/j.cor.2006.12.020
  15. Fleischmann, M., Beullens, P., & Bloemhof-Ruwaard, J. (2001). The impact of product recovery on logistics network design. Production and Operations Management, 10(2), 156-173. https://doi.org/10.1111/j.1937-5956.2001.tb00076.x
  16. Ghodsypour, S., & O’Brien, C. (1998). A decision support system for supplier selection using an integrated analytic hierarchy process and linear programming. International Journal of Production Economics, 56-57, 56–57. https://doi.org/10.1016/S0925-5273(97)00009-1
  17. Gupta, A., & Evans, G. W. (2009). A goal programming model for the operation of closed-loop supply chains. Engineering Optimization, 41(7), 713–735. https://doi.org/10.1080/03052150902802242
  18. Jayaraman, V., Guide Jr, V., & Srivastava, R. (1999). A closed-loop logistics model for remanufacturing. The Journal of the Operational Research Society, 50(5), 497-508. https://doi.org/10.2307/3009998
  19. Keyvanshokooh, E., Ryan, S. M., & Kabir, E. (2015). Hybrid robust and stochastic optimization for closed-loop supply chain network design using accelerated Benders decomposition. European Journal of Operational Research, 241(1), 76-92. https://doi.org/10.1016/j.ejor.2015.08.028
  20. Ko, H., & Evans, G. (2007). A genetic algorithm-based heuristic for the dynamic integrated forward/reverse logistics network for 3PLs. Computers & Operations Research, 34(2), 346–366. https://doi.org/10.1016/j.cor.2005.03.004
  21. Lu, Z., & Bostel, N. (2007). A facility location model for logistics systems including reverse flows: The case of remanufacturing activities. Computers & Operations Research, 34(2), 299–323. https://doi.org/10.1016/j.cor.2005.03.002
  22. Ohmori, S., & Yoshimoto, K. (2020). A robust optimization for multi-period lost sales inventory control problem. Operations and Supply Chain Management: An International Journal, 13(4), 375-381. https://doi.org/10.1016/j.ejor.2015.08.028
  23. Pishvaee, M. S., Farahani, R. Z., & Dullaert, W. (2010). A memetic algorithm for bi-objective integrated forward/reverse logistics network design. Computers & Operations Research, 37(6), 1100–1112. https://doi.org/10.1016/j.cor.2009.09.018
  24. Sarrafha, K., Rahmati, S. H., Niaki, S. T., & Zaretalab, A. (2015). A bi-objective integrated procurement, production, and distribution problem of a multi-echelon supply chain network design: A new tuned MOEA. Computers & Operations Research, 54, 35-51. https://doi.org/10.1016/j.cor.2014.08.010
  25. Taleizadeh, A. A., Aryanezhad, M. B., & Makoee, A. (2009). A hybrid method of Pareto, TOPSIS, and genetic algorithm to optimize multi-product multi-constraint inventory control systems with random fuzzy replenishments. Mathematical and Computer Modelling, 49(3-4), 49. https://doi.org/10.1016/j.mcm.2008.10.013
  26. Taleizadeh, A., Niaki, S. T., & Makui, A. (2012). Multi-product multiple-buyer single-vendor supply chain problem with stochastic demand, variable lead-time, and multi-chance constraint. Expert Systems with Applications, 39(5), 5338-5348. https://doi.org/10.1016/j.eswa.2011.11.001
  27. Wang, H. F., & Hsu, H. W. (2010). Resolution of an uncertain closed-loop logistics model: An application to fuzzy linear programs with risk analysis. Journal of Environmental Management, 91(8), 2148-2162. https://doi.org/10.1016/j.jenvman.2010.05.009
  28. Wee, H. M., & Yang, P. C. (2007). A mutual beneficial pricing strategy of an integrated vendor-buyers inventory system. International Journal of Advanced Manufacturing Technology, 33(1-2), 179–187. https://doi.org/10.1007/s00170-006-0581-8
  29. Xanthopoulos, A., & Iakovou, E. (2009). On the optimal design of the disassembly and recovery processes. Waste Management, 29(6), 1702–1711. https://doi.org/10.1016/j.wasman.2008.11.009
  30. Yang, G., Wang, Z., & Li, X. (2009). The optimization of the closed-loop supply chain network. Transportation Research Part E: Logistics and Transportation Review, 45(1), 16-28. https://doi.org/10.1016/j.tre.2008.02.007
  31. Yu, W., Hou, G., & Li, J. (2019). Supply chain joint inventory management and cost optimization based on ant colony algorithm and fuzzy model. Tehnički vjesnik, 26(6), 1729-1737. https://doi.org/10.17559/tv-20190805123158
  32. Zhou, W. Q., Chen, L. G., & M., H. (2013). A multi-product multi-echelon inventory control model with joint replenishment strategy. Applied Mathematical Modeling, 37(4), 2039-2050. https://doi.org/10.1016/j.apm.2012.04.054
مطالعات مدیریت صنعتی
دوره 22، شماره 74
مهر 1403
صفحه 95-139
فایل ها
هم رسانی
ارجاع به این مقاله
آمار