طراحی یک مدل دو هدفه بهینه سازی مبتنی بر شبیه سازی برای بازپرسازی موجودی زنجیره تأمین: مورد مطالعه صنعت برق (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
مقدمه و اهداف: صنعت برق بخش مهمی از اقتصاد کشور را تشکیل می دهد. بنابراین، بروز اختلال در زنجیره تأمین این صنعت منجر به از بین رفتن منافع اقتصادی و کاهش توان رقابتی صنایع وابسته به این حوزه می شود. تحلیل ساختار صنعت برق نشان داده که عدم وجود روابط صحیح بین نهادهای مرتبط با تأمین کالاو تجهیزات، منجر به ایجاد اختلال در زنجیره تأمین برق می شود. از سوی دیگر، شرایط خاص سیاسی و اقتصادی کشور، وجود بلایای طبیعی و سطح بالای تغییرات در منطقه خاورمیانه تاثیرات قابل توجهی بر روی افزایش عدم قطعیت در سطوح مختلف زنجیره تأمین این حوزه گذاشته است. با توجه به عدم قطعیت بالا در تأمین قطعات این صنعت، در این پژوهش به ارائه مجموعه ای از سناریوهای بازپرسازی کالا در نهادهای زنجیره تأمین کنندگان تجهیزات این حوزه پرداخته شد. روش ها: برای این منظور، یک مدل احتمالی چهار حلقه ای شامل تأمین کننده، توزیع کننده، خرده فروش و مشتری برای حداقل نمودن هزینه کل موجودی و نسبت تقاضای برآورده نشده مشتریان بر اساس سیاست (R,Q) ارائه گردید. همچنین از طریق جستجو در اسناد و مدارک سازمانی، مصاحبه با خبرگان صنعت و استفاده از نرم افزار مدیریت انبار داده های مدل جمع آوری شد و سپس با استفاده از طراحی آزمایشات مجموعه جواب اولیه برای الگوریتم تکاملی تفاضلی فراهم گردید و بر اساس این الگوریتم فراابتکاری، مقادیر مختلف نقطه سفارش مجدد و مقدار سفارش تعیین و با بکارگیری روش شبیه سازی مقادیر اهداف مدل تخمین زده شد و مجموعه راه حل ها در نمودار پارتو نشان داده شد. یافته ها: یافته های تحقیق نشان داد که افزایش متوسط سطح موجودی انبارهای خرده فروشان منجر به کاهش نسبت تقاضای برآورده نشده مشتریان می گردد که این در زمان بالابودن مقادیر نقطه سفارش مجدد دو خرده فروش صورت می گیرد؛ ولی با توجه به تابع احتمالی تقاضای مشتریان، مقدار سفارش می تواند مقادیر متفاوتی را بگیرد. از طرفی، کاهش هزینه های سفارش دهی و انبار منجر به افزایش تقاضای برآورده نشده مشتریان می شود، به عبارت دیگر، زمانی که مقادیر نقطه سفارش مجدد کالا و مقدار سفارش پایین باشد منجر به کاهش موجودی انبار و افزایش نارضایتی مشتریان می گردد. الگوریتم تکاملی تفاضلی بکار رفته در این پژوهش منجر به سرعت بخشیدن در یافتن راه حل و افزایش کارآمدی مدل شده است. این الگوریتم مقادیر بین سطوح بالا و پایین نقطه سفارش مجدد و مقدار سفارش را در نظر گرفته که مقادیر تابع هدف متعددی را نشان داده است. استفاده از روش شبیه سازی برای تخمین توابع اهداف احتمالی بکار رفته در مدل منجر به افزایش سرعت اجرای سناریوهای متعدد گردیده که در کاهش هزینه و زمان اجرای مدل کمک نموده است.نتیجه گیری: بر اساس نتایج این پژوهش، آن دسته از تجهیزات الکتریکی دارای سطح نوآوری بالا می بایست نقطه سفارش مجدد پایین و مقدار سفارش بالایی در زنجیره تأمین این صنعت داشته باشد؛ زیرا با توجه به طول عمر کوتاه محصول در طول زنجیره منسوخ و مستهلک گردیده و فاقد تقاضای مشتری خواهد شد و در نتیجه باعث افزایش هزینه زنجیره می گردد. نتایج محاسباتی این پژوهش نشان داد که افزایش 105 درصدی کالاهای موجود در انبار منجر به افزایش 104 درصدی سطح رضایت مشتریان و کاهش 95 درصدی هزینه فروش ازدست رفته خواهد شد؛ ولی با توجه به هزینه بالای خرید و حجم زیاد محصول در هنگام سفارش می بایست سناریوی متناسب با شرایط مالی و ظرفیت انبار نهادهای زنجیره را انتخاب نمود.A Simulation-Based Bi-Objective Optimization Model for Supply Chain Inventory Replenishment: A Case Study of the Electric Industry
Introduction: The electricity sector plays a crucial role in the country's economy. Therefore, any disruptions in the supply chain of this industry can result in the loss of economic benefits and decrease the competitiveness of industries dependent on this sector. The industry structure analysis of the electricity sector has shown that the lack of proper relationships between entities involved in the supply of goods and equipment leads to disruptions in the electricity supply chain. On the other hand, the specific political and economic conditions of the country, the presence of natural disasters, and high levels of change in the Middle East region have had significant impacts on increasing uncertainty at various levels of the supply chain in this sector. Considering the high uncertainty in the procurement of components in this industry, this study focuses on presenting a set of scenarios for replenishing goods in the supply chain entities of this sector.Methods: To achieve this, a probabilistic four-echelon model consisting of a supplier, distributor, retailer, and customer was presented to minimize total inventory costs and the ratio of unmet customer demand based on the (R, Q) policy. Furthermore, by searching organizational documents, interviewing industry experts, and utilizing warehouse management software, data for the model was collected. Subsequently, through experimental design, initial solutions were provided for the differential evolutionary algorithm, and based on this algorithm, different values for reorder points and order quantities were determined. By employing simulation methods, the model's objective values were estimated, and the set of solutions was illustrated in a Pareto chart.Result and Discussion: Research findings have shown that increasing the average inventory levels of retailers' warehouses leads to a decrease in the proportion of unmet customer demand. This occurs when different reorder point values for two retailers have high levels, but considering the probabilistic demand function, the order quantity can vary. On the other hand, reducing ordering and inventory costs leads to an increase in unmet customer demand. In other words, when reorder point values and low order quantities lead to inventory reduction, customer dissatisfaction increases. The Differential Evolution Algorithm used in this study has accelerated the process of finding solutions and improved model efficiency. This algorithm considers values between high and low levels of reorder points and order quantities, presenting multiple objective function values. Utilizing simulation methods to estimate the probabilistic objective functions employed in the model has increased the speed of executing multiple scenarios, aiding in cost reduction and model execution time.Conclusions: Based on the results of this research, electric equipment with high innovation should have a low reorder point and a high order quantity in the supply chain. This is because the short product lifespan renders the product obsolete along the chain, lacking customer demand and consequently increasing the chain's costs. The computational results of this study indicate that a 105% increase in inventory leads to a 104% increase in customer satisfaction and a 95% decrease in lost sales costs. However, considering the high purchasing costs and large product volume during ordering, a scenario aligned with financial conditions and warehouse capacity should be selected for chain entities.
تبلیغات
