چکیده:
بیشتر مدلهای طراحی شبکه لجستیکی در مقالات فرض کردهاند که تسهیلات همواره در دسترس و قابل اطمینان هستند، در صورتی که در واقعیت چنین نیست و بسیاری از عملگرها تحت ریسک و خرابی میباشند. در این مقاله به بررسی قابلیت اطمینان یک شبکه زنجیره تامین حلقه بسته با در نظر گرفتن دادههای ورودی غیر قطعی، به طوریکه احتمال خرابی برای تسهیلات به صورت کامل و یا بخشی از آن است، پرداخته شده است. مدل ارائه شده یک مسئله عدد صحیح مختلط خطی احتمالی با هدف کمینه کردن هزینه کل که شامل تاسیس تسهیلات جدید و هزینه مورد انتظار در صورت بروز خرابی در هر سناریو میباشد، است. بنابراین از پی-رباست برای محدود کردن هزینه در هر سناریو اختلال استفاده شده است. نتایج بدست آمده نشان میدهد که ریسکهای ایجاد شده در عملکرد و خرابی به صورت قابل ملاحظهای بر کل ساختار شبکه طراحی شده تاثیر میگذارد و باید در هنگام طراحی شبکه حلقه بسته، قابلیت اطمینان شبکه را نیز در نظر گرفت.
مقدمه:
مطالعات بسیار زیادی درباره طراحی شبکه زنجیره تامین (SCND) در سالهای اخیر منتشر شده است. یک شبکه زنجیره تامین شامل تامینکنندگان، تسهیلات و مراکز توزیع در بدنه و مواد خام که به عنوان پل ارتباطی بین اجزا است، میباشد. زنجیره مستقیم یا شبکه توزیع به مراحلی اشاره دارد که محصول از (مبدأ) تأمینکننده تا (مقصد) مشتری نهایی را در زنجیره تأمین طی میکند، بنابراین بر هزینههای زنجیره تأمین و رضایتمندی مشتریان تأثیر مستقیم دارد.
زنجیره تأمین معکوس به مراحلی اشاره دارد که محصول برگشتی از مشتری نهایی تا مرحله بازگشت مجدد به بازار و یا حذف از زنجیره را طی میکند. مشتری به دلایلی مانند پایان عمر محصول، خرابی محصول، از رده خارج شدن محصول و یا ملاحظات زیست محیطی، محصول را برمی گرداند و محصول یا بخشی از آن با طی مراحلی به زنجیره بازگردانده شده و یا از زنجیره خارج میشوند. دلایل متعددی مانند توسعه پایدار، نگرانیهای زیست محیطی، کمبود انرژی، کاهش منابع طبیعی و همچنین مسائلی مانند استفاده مجدد از محصولات معیوب، کاهش هزینههای بازگشت محصولات مرجوعی باعث توجه به مدیریت زنجیره معکوس گردیده است. عمدتا فرآیندهای موجود در زنجیرههای معکوس شامل جمعآوری، مرتب سازی و دستهبندی محصولات مرجوعی، انتقال محصولات مرجوعی به تسهیلات بازیافت، انتقال محصولات قابل بازگردانی به تسهیلات تعمیر یا تولید مجدد و در نهایت حذف محصولات مرجوعی غیرقابل تعمیر میشود. به طور کلی زنجیره معکوس با چهار اصل کاهش، جایگزینی، استفاده مجدد و بازیافت سروکار دارد.
زنجیره تامین معکوس به دو نوع حلقه بسته (CLLN) و حلقه باز تفکیک میشود. لجستیک معکوس ارتباط را بین بازار محصولات جدید و بازار محصولات مرجوعی برقرار میکند. در صورتی که این دو بازار بر هم منطبق شوند، شبکه حلقه بسته و در غیر این صورت حلقه باز نامیده میشود. به عبارت سادهتر در صورتی که لجستیک مستقیم و معکوس یکپارچه شوند، تحت عنوان لجستیک حلقه بسته خوانده میشود. به عنوان نمونه، محصولات مرجوعی از دو مسیر به زنجیره مستقیم بر میگردند: (1) در صورتی که بازیابی (محصول تعمیر و برای همان مصرف قبلی استفاده میشود)شوند، به عنوان محصول جدید بر میگردند. (2) در صورتی که بازیابی نشوند، اجزا سالم آن به عنوان ماده اولیه برگشته و یا بازیافت میشوند.
زنجیره تامین توسط عوامل زیادی تحت شرایط ریسک قرار میگیرد. کلیندورفر و همکاران (2005) و تانگ (2006) ریسک زنجیره تامین را به دو دسته تقسیم کردند: (1) ریسک اپراتور که بر اثر وجود عدم قطعیت بین عرضه و تقاضا بیشتر میشود که از موارد آن میتوان به خرابی ماشین، نوسان تقاضا و قطع برق اشاره کرد. (2) ریسک اختلال که بر اثر بلایای طبیعی مانند زلزله و یا اختلالات انسانی مانند اعتصاب کارگران است، که هر دو این ریسک در CLLN وجود دارد.
سازمانها میتوانند تاکتیکهای مختلفی برای مدیریت ریسک اختلال داشته باشند. (1) تاکتیکهای پیشگیرانه مواردی هستند که در آن ها سازمان فعالیتی را پیش از اختلال انجام میدهد، لذا در صورت بروز یا عدم بروز اختلال، هزینهای برای آن صرف میشود. (2) تاکتیکهای تصادفی دسته دوم مواردی هستند که در آن ها سازمان فعالیتی را پس از بروز اختلال انجام میدهد.
برای نزدیکتر بودن مدل به واقعیت، از دادههای غیر قطعی استفاده شده است. این مشخص است که هیچ چیز بهتر از استفاده از دادههای حقیقی نیست، اما گاهی دادههای تاریخی به اندازه کافی موجود نیستند، در نتیجه مدل از دادههای تصادفی استفاده میکند. برای آنکه دادههای استفاده شده منطقی به نظر برسند، میتوان از اعداد فازی مثلثی و یا ذوزنقهای استفاده کرد.
مروری بر ادبیات:
مقالات بررسی شده به سه دسته تقسیم میشوند، شبکه CLLN ، طراحی شبکه لجستیکی تحت شرایط عدم قطعیت و اختلال در زنجیره تامین.
اختلال در زنجیره تامین: مدلهای گوناگونی از ریسک و مدیریت استراتژیک ریسک در زنجیره تامین توسط تانگ (2006) بررسی شد. تانگ زنجیره تامین را به دو گروه تقسیم کرد، دستهای که باعث افزایش کارایی زنجیره تامین میشود و دستهای که باعث افزایش انعطاف (Resilience) در زنجیره تامین میشوند. اولین مکانیابی تسهیلات که با تامینکنندگان غیر قابل اطمینان بررسی شد توسط درزنر (1987) بیان شد که از روش پیمدیان (p-median) استفاده کرده است. سیندر و داسکین (2005) دو مدل قابلیت اطمینان ارائه کردند، قابلیت اطمینان پی-مدیان و قابلیت اطمینان یک مدل مکانیابی مراکز با هزینه ثابت و ظرفیت نامحدود (RUFL) با در نظر گرفتن خرابی تسهیلات به صورت تصادفی. احتمال خرابی تمامی تسهیلات به صورت یکسان در نظر گرفته شده بود. لی و کوانگ (2010) به بررسی یک مدل RUFL و تاثیر همبستگی مکانی برای خرابی تسهیلات بر روی هزینههای سیستم، زمانی که هر دو احتمال هزینه خرابی دستگاه و جریمه ناشی از تقاضای برآورده نشده بالا در نظر گرفته شده باشند، پرداختند. شن و داسکین (2010) به بررسی یک مدل قابلیت اطمینان برای طراحی مسئله مکانیابی تسهیلات به صورت عدد صحیح پرداختند؛ به این صورت که تامینکننده و خوردهفروش با اختلال مواجه میشوند و هدف مدل کمینه کردن هزینه میباشد. لیم و همکاران (2010) یک مدل برنامهریزی عدد صحیح مختلط با استراتژی سخت بیان کردند و از روش اصلاحسازی لاگرانژ برای حل مسئلهای که با اختلال دستگاهها به صورت تصادفی مواجه میشود، استفاده کردند. پنگ و همکاران از روش RO به همراه پی-رباست برای مواجه با مسئله طراحی شبکه با چندین سطح و وجود اختلال تصادفی در تسهیلات، استفاده کردند.
مفروضات مدل:
یک مدل با چندین سناریو و با در نظر گرفتن پی-رباست برای مواجه با اختلال تسهیلات در نظر گرفته شده است.
مدل هر دو حالت خرابی که شامل خرابی کامل تسهیلات و خرابی بخشی از تسهیلات میباشد را در نظر گرفته است.
درجه خرابی در تسهیلات مختلف به صورت غیر قطعی در نظر گرفته شده است و در برخی از آنها امکان سرویسدهی به مشتری با فضای سالم باقیمانده تحت سناریوهای مختلف میباشد.
تعریف مسئله:
کمینه کردن هزینه سناریو صفر (حالتی که اختلالی به وجود نیامده است) همراه با هزینه کل ناشی از اختلال ایجاد شده در سناریوها که توسط پی-رباست تعیین میشوند، به عبارتی تصمیم گیرنده میتواند بر سطح قابلیت اطمینان سیستم کنترل داشته باشد.
با توجه به دو حالت خرابی که شامل خرابی کامل تسهیلات و خرابی بخشی از تسهیلات میباشد، از روش فازی برای برخورد با ریسک خرابی ایجاد شده استفاده شده است، به این صورت که برای مقادیر مبهم از اعداد فازی مثلثی (TFNs) استفاده شده است.
استفاده از یک روش برنامهریزی احتمالی که به تازگی توسط ژو (2013) برای رسیدگی به برابری و نابرابری احتمالی محدودیت شانس توسعه یافته است؛ این در حالی است که تعداد مدلهایی که برای حل آن نیاز است نیز کاهش مییابد.
تعریف موضوع و فرمول ریاضی:
مدل در نظر گرفته شده یک مدل چند سطحی CLLN است که شامل سه لایه مراکز تولید چندگانه، مراکز توزیع، نقاط مشتری در جریان رو به جلو و جمعآوری، بازتولید و مرکز دفع در جریان رو به عقب میباشد، ترکیب تسهیلات تولید-بازتولید و توزیع-جمعآوری نیز به منظور کمینه کردن هزینه و آلودگی در نظر گرفته شده است.
همانطور که در شکل (4) مشخص است، محصولات در جریان رو به جلو، در مراکز مختلف تولید شده و از طریق مراکز توزیع چندگانه با توجه به نیاز مشتری، به نقاط تقاضا ارسال میشوند. در جریان رو به عقب، محصولات استفاده شده از میان مشتریها جمعآوری شده و به مراکز توزیع-جمعآوری فرستاده و بازرسی میشوند. محصولات قابل بازیافت مجددا به جریان رو به جلو برای تولید محصول جدید فرستاده میشوند و باقی آنها به مراکز دفع انتقال پیدا میکنند. مقدار و کیفیت محصولات برگشت خورده باید همانند یک پارامتر به سیستم داده شود (ارول و همکاران (2011) و پیشوایی و همکاران (2012)).
تابع هدف اول هزینه کل را تحت سناریوهای اختلال مختلف کمینه میکند که شامل هزینه تاسیس تسهیلات مورد نیاز، پردازش و جابجایی و جریمه تقاضای تامین نشده میباشد. P(I) یک مدل ریاضی احتمالی عدد صحیح خطی مختلط است که بر پایه سناریو بیان شده است.
محدودیتها:
محدودیت (2) این اطمینان را میدهد که تقاضای مشتریها به صورت کامل و یا بخشی از آن تامین میشود. محدودیت (3) این اطمینان را میدهد که محصولات برگشت خورده از نقاط تقاضا جمعآوری میشوند. محدودیت (4 تا 7) به تعادل جریان برای مراکز تولید-بازتولید، توزیع-جمعآوری، مراکز دفع و نقاط تقاضا اشاره دارد. محدودیت (8 تا 12) به اعمال محدودیت ظرفیت اشاره دارد و این اطمینان را میدهد که مقدار کل مواد انتقال یافته به هر تسهیل از بیشینه ظرفیت آن در هر اختلال کمتر است. محدودیت (13) و (14) به عدد صحیح بودن و نامنفی بودن محدودیتها اشاره دارد.
محاسبه پی-رباست:
برای محاسبه پی-رباست از روش سیندر و داسکین (2006) استفاده شده است به این صورت که P(II) یک فرمول پی-رباست برای یک مدل ریاضی احتمالی عدد صحیح مختلط خطی بر پایه سناریو میباشد. متغیرهای مکانیابی مستقل از سناریوها میباشند، درحالی که متغیرهای جریان وابسته به سناریو است. فرض کنید (x,y) یک جواب شدنی باشد بطوریکه X و Y بترتیب نمایانگر متغیرهای مکان و جریان است و بهینه جواب برای (x,y) در سناریو s میباشد:
که برابر است با:
بهبود دادن به روش برنامهریزی احتمالی:
در دنیای واقعی، به دلیل نوسانات و حالت دینامیکی، پارامترهای ورودی طراحی شبکه لجستیکی به صورت غیر قطعی در نظر گرفته شدهاند. پارامترهای غیر قطعی میتوانند تاثیر زیادی بر روی شبکه بگذارند که با نادیده گرفتن غیرقطعی بودن آنها، هزینه بالایی بر شبکه تحمیل میشود. در نتیجه دادههای ورودی بر پایه سناریوهای مختلف اعداد گوناگونی میگیرند که تصادفی میباشند؛ همچنین اختلال در تسهیلات نیز به صورت تصادفی رخ میدهد. پیچیدگی ریاضی محاسبات بر پایه سناریو باعث شده از روش برنامهریزی احتمالی استفاده کنیم. این روش زمانی استفاده میشود که تصمیمگیرنده داده واقعی نداشته باشد و پارامترها به صورت غیرقطعی در نظر گرفته شده باشند.
بیشتر مطالعات مروری گذشته این را نشان میدهد که برای مواجهه با عدم قطعیت شناختی (epistemic uncertainty) از روشهای برنامهریزی محدودیت شانس استفاده میشود. در این میان استفاده از روش برنامهریزی امکانی محدودیت شانس نیز برای تعیین کمینه سطح اطمینان مناسب میباشد.
و درجه الزام آن بصورت زیر است:
بر اساس رابطه 18، درجه Me بصورت زیر میباشد:
برای مقابله با پارامترهای نامشخص که با عدم قطعیت شناختی در توابع هدف و محدودیتهای شانس مواجه می شوند، مدل برنامهریزی احتمالی چند هدفه زیر در نظر گرفته شده است:
E[.] مقدار عملگر مورد انتظار، Ch عملگر محدودیت شانس میباشد. برای جلوگیری از بوجود آمدن شرایط خوشبینانه و بدبینانه برای مدل (به دلیل اینکه در هر دو حالت ساختار واقعی بوجود آمده در شبکه دور میشویم.) که ممکن است توسط تصمیمگیرنده ایجاد شود، مقدار این دو عملگر را از طریق محاسبات Me در نظر میگیریم. در نتیجه ارزش انتظاری برای یک فازی مثلثی بصورت زیر محاسبه میشود:
در نتیجه P(II) به صورت زیر بازنویسی میگردد:
پی-رباست این کمک را به مدل میکند تا تصمیمگیرنده درجه قابلیت اطمینان مدل را در سطوح مختلف با توجه به هزینه طراحی شبکه و اختلال ایجاد شده، کنترل نماید. اگر تصمیمگیرنده فردی محتاط باشد اندازه پی-رباست را کمتر در نظر میگیرد. شکل 6 نشان میدهد که با کاهش مقدار پی-رباست، در یک زمان قابلیت اطمینان شبکه و هزینه کل افزایش مییابند.
نتیجه و مطالعات آتی:
این مقاله یک مدل احتمالی بر اساس me برای یک مسئله قابلیت اطمینان طراحی شبکه CLLN میباشد. هدف این مدل، مقابله با هر دو اختلال در تسهیلات که به صورت جزئی و کامل است،میباشد. در حالی که ریسک عملیاتی بدلیل عدم اطمینان در دادههای ورودی بیشتر میشود. این اولین مطالعه با هدف طراحی شبکه CLLN که در آن تسهیلات ممکن است تا حدی و یا به طور کامل مختل شوند، است. علاوه بر این، از اعداد فازی برای تعریف اختلالات در ظرفیت بصورت جزئی و یا کامل در تسهیلات استفاده شده است. برای مقابله با اختلالات تصادفی تسهیلات، روش مدل سازی مبتنی بر سناریو با محدودیت پی-رباست در نظر گرفته شده است. معیار پی-رباست کمک میکند تا تصمیمگیرندگان به کنترل سطح قابلیت اطمینان شبکه از طریق ایجاد تبادل بین هزینه شبکه و پشیمانی نسبی سناریو اختلال (به معنی ریسک در صورت وقوع اختلال و در نظر نگرفتن آن) بپردازند. یک رویکرد برنامهریزی احتمالی پیشرفته برای کنترل عدم قطعیت پارامترهای مهم شبکه و شدت اختلالات ظرفیت در تسهیلات غیرقابل اعتماد (محتمل به خرابی) پیشنهاد شده است. سهم عمده این تحقیق این است که رویکرد برنامهریزی احتمالی، انعطافپذیری بیشتری نسبت به مدل اصلی دارد. این باعث میشود که تصمیمگیرنده به جلوگیری از انتخاب نگرشهای افراطی، یعنی انتخاب چیزی بین دیدگاههای خوشبینانه و بدبینانه در مواجهه با محدودیت شانس احتمالی بپردازد.
بررسیهای محاسباتی همراه با چندین تجزیه و تحلیل حساسیت نشان میدهد که مدل پیشنهادی با در نظر گرفتن عدم قطعیت پارامترها و اختلالات تسهیلات در CLLN مناسب است؛ همچنین در این مقاله نشان داده شده است که با ترکیب امکان اختلال (جزئی یا کامل) در طراحی شبکه، ساختار شبکه طراحی شده میتواند بطور قابل توجهی متفاوت از شبکه طراحی شدهای باشد که ریسک ناشی از خرابی در آن درنظر گرفته نمیشود.
برای تحقیقات آتی میتوان یک مدل چندمحصولی، چند دوره با ظرفیت محدود تسهیلات در نظر گرفت. در این مقاله از روش توزیع یکنواخت برای تخمین خرابی تسهیلات استفاده شده است در حالی که توزیع وایبول برای سیستم توزیع مناسبتر پیشنهاد میشود؛ همچنین میتوان مسائل مسیریابی، مدیریت موجودی و افزایش ظرفیت را درنظر گرفت؛ و در آخر، اگر چه در این مدل زمان حل مورد توجه قرار نگرفته است، اما برای حل مدل در ابعاد بزرگتر میتوان از متدهای ابتکاری و فراابتکاری استفاده نمود.