انتخاب تأمین کننده تاب آور

انتخاب و تخصیص در زنجیره  تأمین تاب آور، زمانی که اختلال زنجیره تأمین را تهدید می کند، به عنوان یک تصمیم استراتژیک و به کانون پژوهش های بسیاری تبدیل شده است؛ از سوی دیگر افزایش کاربردهای یادگیری ماشین در سراسر مطالعات زنجیره تأمین به ظهور روش های تصمیم گیری سریع تر و مطمئن تر منجر شده است، بااین حال در مطالعات کمی از یادگیری ماشین برای مقابله با مشکل انتخاب و تخصیص تأمین کننده به مشتری در حالت تاب آور استفاده شده است. هدف پژوهش حاضر برداشتن گامی در جهت رفع این شکاف با استفاده از الگوریتم های یادگیری ماشین بر روی داده های دنیای واقعی از زنجیره تأمین خودرو در ایران است. بدین منظور از داده های عملکردی441 تأمین کننده و 7 مشتری در سال 1401 استفاده شد. در این پژوهش از دو الگوریتم خوشه بندی برای تولید برچسب بر اساس مفهوم ظرفیت تاب آوری استفاده شده است؛ سپس ازآنجاکه تفسیرپذیری نتایج در اولویت قرار داشت، بر اساس لیبل گذاری خوشه ها توسط خبرگان از درخت تصمیم برای طبقه بندی تأمین کنندگان بر اساس عملکرد آن ها استفاده شد. نتایج نشان داد که درختK-means عملکرد بهتری نسبت به درخت DBSCAN دارد و معیارهای چون تحویل به موقع، درصد تأمین، توقف خط تولید، اخطارهای کیفی، عملکرد لجستیکی و عملکرد کیفی بر تاب آوری تأمین کنندگان مؤثر هستند.

اختلالات علاوه بر تأثیر روی تأمین کنندگان و تولید کننده؛ می توانند بر روی یکدیگر در ابتدای زنجیره یا بر تقاضای مشتری در انتهای زنجیره تأثیرگذار باشند. در این مقاله، میزان این اثرگذاری با استفاده از شبکه بیزی مدل سازی و حل می شود. از نرخ تورم برای پیش بینی و کاهش عدم قطعیت های تقاضا در یک مدل برنامه ریزی خطی با دو تابع هدف افزایش پراکندگی جغرافیایی و کاهش هزینه کل (حمل و نقل، خرید و سفارش دهی و...) استفاده شده است. در این مدل تأمین کنندگان و تولیدکننده برای افزایش تاب آوری زنجیره تأمین مشارکت می کنند. برای اولین بار مفهوم سطح تاب آوری تأمین کننده پیشنهاد می شود. مدل ارائه شده برای تخصیص سفارش علاوه بر قیمت و سایر هزینه های سفارش دهی، هزینه بهبود سطح تاب آوری تأمین کنندگان را نیز در نظر می گیرد. همچنین سطح رضایت مشتری به صورت ضمنی با افزایش هزینه عدم ارضای تقاضا افزایش می باید. به همین منظور یک مطالعه موردی در یکی از شرکت های خودروسازی ایران انجام گرفت. برای اعتبار سنجی مدل پیشنهادی یک مثال عددی حل و تحلیل حساسیت گردید. برای کاهش سناریو از روش خوشه بندی c-میانگین فازی و تحلیل متوازن اثر متقابل استفاده شد. مدل ارائه شده می تواند تولیدکنندگان را برای تصمیم گیری و برنامه ریزی بهتر در مواجه با ریسک ها و عدم قطعیت های آینده آماده کند.