یک زنجیره تامین یکپارچه با در نظر گرفتن شرایط محیط زیستی

چکیده:

افزایش آگاهی نسبت به محیط زیست بر روی شبکه­های زنجیره تامین تاثیر گذاشته است. به صورت سنتی، شبکه­های زنجیره تامین به منظور کمینه کردن هزینه و افزایش کارایی طراحی می­شوند که در شبکه­های امروزی به تنهایی کافی نمی­باشند و عاملی همچون کاهش تاثیر گازهای گلخانه­ای نیز در زنجیره تامین حائز اهمیت می­باشد. در این مقاله، یک مسئله مکانیابی-موجودی درنظر گرفته شده است که سعی در کاهش تاثیر گازهای گلخانه­ای نیز دارد. مدل ارائه شده شامل یک تامین­کننده، چندین توزیع کننده (DCs) و چندین خرده فروش است و مواد تولید شده از تامین کننده به توزیع­کننده و از توزیع­کننده به خرده فروش انتقال پیدا می­کند. همچنین پارامتر تقاضا به صورت غیر قطعی تحت سناریوهای مختلف در نظر گرفته شده است. به دلیل پیچیدگی مدل و زمان حل بالا، از الگوریتم ژنتیک (GA) برای حل آن استفاده شده است. تحلیل حساسیت الگوریتم ژنتیک توسط چندین کروموزوم که به صورت آزمایشی انتخاب شده­اند، صورت گرفته است. مدل GA ارائه شده در ابعاد کوچک با گمز مقایسه شده است. 

 

مقدمه:

در رقابت­های امروزی که در میان شرکت­ها وجود دارد، کمینه کردن هزینه جابجایی، ذخیره­سازی و تولید از جمله مهمترین موارد بررسی شده در یک زنجیره­تامین می­باشند بطوریکه در صورت عدم توجه به هر یک از این موارد، شبکه متحمل هزینه بیشتر شده و یا گاهی ممکن است از چرخه رقابت خارج شود.

تقاضا، عامل مهم دیگر در زنجیره تامین است که باید تخمین زده شود به طوری که تولید و ارسال محصول اگر بدون برنامه­ریزی باشد بر زنجیره فشار وارد می­کند. که این فشار با افزایش هزینه و یا با عدم رضایت مشتری در زنجیره نشان داده می­شود. در صورتی که تقاضا از حد برآورد شده کمتر باشد، شرکت در بخش توزیع با هزینه­های نگهداری موجودی (اضافه بر آنچه تصور شده است) و اگر محصول فساد پذیر باشد، شرکت با هزینه بیشتر که به دلیل از دست رفتن محصول بر سیستم وارد می­شود نیز روبرو می­شود.

تاثیرات زیست محیطی از دیگر عوامل مهم در زنجیره تامین است ( دیابت (2013)، عبدالله (2012 و 2013)). بسیاری از مطالعات اخیر به کمینه کردن این تاثیرات می­پردازند؛ به طور مثال بازیافت و مدیریت زباله را در نظر می­گیرند. به منظور کمینه کردن گازهای گلخانه­ای، پروتکل کیوتو تعریف شده است که دارای اهداف زیر می­باشد:

• مبادله میزان انتشار: به این صورت می­باشد که کشورهایی که مقدار کربن تولیدی از حد در نظر گرفته شده کمتر باشد، می­توانند اجازه تولید کالا در کشورشان را به بقیه بدهند که در این حالت گاز گلخانه­ای به یک کالای بین­المللی تبدیل می­گردد (منظور این است که برخی صنایع از کشورهای پیشرفته به کشورهای در حال توسعه منتقل گردد تا میزان گاز گلخانه­ای در کل کاهش پیدا ­کند).

• مکانیسم توسعه پاک: این اجازه را می­دهد که تمامی کشورها قادر به پیوستن به پیوست شماره (1) برای کمینه کردن گازهای گلخانه­ای باشند. این عمل باعث صنعتی شدن کشورها نیز می­شود.

• اجرای مشترک: با انجام پیوست (2) کشورهای شرکت­کننده در کاهش انتشار گازها، اعتبار کسب می­کنند.

مروری بر ادبیات:

مقالات بسیار به بررسی مکانیابی-موجودی شبکه زنجیره تامین پرداخته­اند (دیابت و همکاران (2013)، دیابت و ریچارد (2015)).

داسکین (2003) به ارائه یک رویکرد کیفی با روشهای مختلف برای مسائل زنجیره تامین پرداخت. وی به بررسی مسئله به صورت قطعی، پویا، تصادفی و بر پایه سناریوهای مختلف پرداخت و به این نتیجه رسید که برنامه­ریزی تصادفی بهترین جواب و نتیجه­گیری را برای سیستم انجام می­دهد. ژانگ (1992) به مقایسه مسئله بین دو رویکرد قطعی و تصادفی پرداخت و به این نتیجه رسید که در ابعاد بزرگ، تفاوت بین این دو بسیار کم است و حتی به یک-هشتم نیز نمی­رسد.

تصمیم­گیری درباره یک زنجیره تامین به سه دسته تقسیم­بندی می­­شود، عملیاتی، تاکتیکال و استراتژیک. تصمیمات استراتژیک به فاکتورهایی همچون مکانیابی و تاسیس تسهیلات می­پردازد. تصمیمات تاکتیکال به فاکتورهایی همچون تصمیمات موجودی می­پردازد و تصمیمات عملیاتی به برنامه­ریزی­های روزانه همچون میزان بار وسایل نقلیه و ظرفیت آن می­پردازد. داسکین و همکاران (2002) به بررسی زنجیره تامین خون پرداختند. مدل ارائه شده یک مدل برنامه­ریزی غیرخطی عدد صحیح بود که در سطح استراتژیک و تاکتیکال بررسی شده است. یو و همکاران (2009) به بررسی یک مدل دو سطحی زنجیره تامین چند محصوله با درنظر گرفتن عدم قطعیت در تقاضا و نرخ حمل و نقل پرداخته‌اند. از شبیه سازی مونت کارلو جهت تخمین تقاضا و نرخ حمل و نقل در هر سناریو استفاده شده است. گوپتا و مارانس (2003) بر روی عدم قطعیت در زنجیره تامین تحقیق کردند. آنها مدل را در دو سطح بررسی کردند، سطح تولید و سطح لجستیکی. سطح تولید بدون در نظر گرفتن مقدار تقاضا صورت می­گیرد و عدم قطعیتی ندارد اما اگر مدل در سطح لجستیکی بررسی شود، با عدم قطعیت در تقاضا مواجه می­شود. در مدل در نظر گرفته شده ظرفیت تولید و تقاضای عقب افتاده مشتری نیز در نظر گرفته شده است. شو و همکاران (2005) به طراحی یک زنجیره تامین رو به عقب پرداختند. تحقیق آنها به جریان مواد و مقدار بازگشتی توجه داشته است و هدف آن بیشینه کردن سود حاصل از جریان با در نظر گرفتن شبکه زنجیره تامین سبز می­باشد. عبدالله و همکاران (2010) به بررسی یک شبکه زنجیره تامین تجارت کربن پرداخته‌اند. مدل آنها به بررسی توزیع موجودی و محصولات در شبکه زنجیره تامین سبز پرداخته است.

هدف این مسئله کمینه کردن میزان انتشار در شرایطی که تقاضا و تاثیرات محیطی تصادفی (احتمالی) در نظر گرفته شده است،  می­باشد. برای حل این مدل از الگوریتم فرا ابتکاری ژنتیک استفاده شده است. در نهایت به آنالیز حساسیت مدل تحت پارامترهای قطعی در GA پرداخته شده است.

فرمولبندی مدل:

مسئله در نظر گرفته شده، مدل توسعه داده شده از مقاله دیابت و همکاران (2013) است. مدل اصلی بر پایه مقدار سفارشات اقتصادی (EOQ) و تصمیمات استراتژیک و تاکتیکال در زمینه مکانیابی مراکز توزیع و مقدار موجودی در هر دوره می­باشد. پنج هزینه اصلی که در مدل آمده است، به صورت زیر می­­باشد:

• هزینه ثابت تاسیس مراکز توزیع و جمع­آوری آن

• هزینه جابجایی هر محصول از مراکز توزیع به خرده­فروشان

• هزینه ثابت تاسیس مراکز اولیه (منابع) و جمع­آوری مواد

• هزینه جابجایی هر محصول از مراکز اولیه به مراکز توزیع

• هزینه انتشار گار کربن در صورت بیشتر بودن از سقف مجاز در نظر گرفته شده

تابع هدف:

قسمت اول تابع هدف به منظور بهینه کردن مقدار موجودی سفارش داده شده و هزینه آن در هر دوره می­باشد. قسمت دوم آن مقدار هزینه ثابت جهت باز کردن هر انبار (مراکز توزیع) را نشان می­دهد. قسمت سوم هزینه جابجایی از مراکز اولیه به مراکز توزیع و از مراکز توزیع به خرده فروشان را در نظر گرفته است. قسمت چهارم هزینه انتشار کربن را نشان می­دهد که به دو قسمت تقسیم می‌شوند: قسمت اول کربن انتشار پیدا کرده از مراکز توزیع است که به مقدار موجودی انتقال داده شده به هر یک از مراکز توزیع مرتبط می­شود و قسمت دوم کربن انتشار پیدا کرده به دلیل جابجایی (از مراکز اولیه به مراکز توزیع و یا از مراکز توزیع به خرده فروشان) می­باشد.

مکانیابی مراکز به دلیل استراتژیک بودن آنها وابسته به سناریو نمی­باشند، اما تخصیص هر خرده فروش به توزیع کننده بر پایه سناریو است.

محدودیت­ها:

محدویت (1) این اطمینان را می­دهد که تنها یک مرکز توزیع به هر خرده‌فروش تخصیص داده شده است. محدودیت (2) از تخصیص خرده‌فروشان به مراکز توزیع بسته جلوگیری می­کند. محدودیت (3) و (4) متغیرهای باینری را معرفی می­کنند. محدودیت (5) و (6) سیاست EOQ را برقرار می­کنند. این سیاست به نسبت زمان بین چرخه سفارش خرده­فروش و چرخه سفارش توزیع کننده اشاره دارد. محدودیت (7) و (8) این اطمینان را می‌دهند که زمان سفارش عددی مثبت باشد.

الگوریتم ژنتیک:

در طبیعت از ترکیب کروموزوم‌های بهتر، نسل‌های بهتری پدید می‌آید. در این بین گاهی اوقات جهش‌هایی نیز در کروموزوم‌ها روی می‌دهد که ممکن است باعث بهتر شدن نسل بعدی شوند. در الگوریتم‌های ژنتیک نیز ابتدا به طور تصادفی، چندین جواب برای مسئله تولید می‌شود. این مجموعه جواب، جمعیت اولیه نامیده می‌شود که هر جواب یک کروموزوم نامیده می‌شود. سپس با استفاده از عملگرهای الگوریتم ژنتیک پس از انتخاب کروموزوم‌های بهتر، کروموزوم‌ها یا باهم ترکیب شده و بهبود می‌یابند و یا جهشی در آنها ایجاد می‌شود. در نهایت نیز جمعیت فعلی با جمعیت جدیدی که حاصل می‌شود، ترکیب می‌شوند. در مدل ارائه شده، الگوریتم با 1500 کروموزوم برای باز یا بسته بودن تسهیلات توزیع شروع می­شود. کروموزوم‌ها بصورت باینری در نظر گرفته می‌شوند، عدد 1 به معنی باز بودن تسهیل و عدد 0 به معنای بسته بودن آن می‌باشد. به ازای هر کروموزوم باینری، 200 کروموزوم غیر باینری نیز تعریف شده‌ است که به تخصیص خرده‌فروشان به مراکز توزیع می‌پردازد. پس از آن به بررسی سازگاری هر کروموزوم پرداخته می‌شود (هر کروموزوم ارزیابی می‌شود که که در شبکه باقی بماند و یا حذف شود). یک تابع تناسب به منظور ارزیابی هر کروموزوم در نظر گرفته می‌شود. بر اساس نتیجه بدست آمده کروموزوم­های انتخاب شده (که بصورت تصادفی بودند) قابلیت بهبود و جهش را دارند. شکل (1) شمای کلی از نحوه کار این الگوریتم را نمایش می­دهد. در هر سناریو، سه کروموزوم که کمینه هزینه را دارند به دوره بعدی منتقل می­شوند. این پروسه، 500 یا 1000 بار انجام می­شود و در نهایت الگوریتم، 200 کروموزوم را به عنوان جواب حل برای تمامی سناریوها انتخاب می­کند.

                                                    شکل (1)، نحوه حل الگوریتم ژنتیک

برای فهمیدن فواصل زمانی بین دو سفارش، از دو روش دقیق و ابتکاری استفاده می‌شود. در روش دقیق، از متد رودی (1985) استفاده می‌شود که برای مسائلی با یک مرکز توزیع و چند خرده­فروش کارایی دارد. در روش­های ابتکاری، جواب بهینه بصورت تقریبی و نزدیک به جواب بهینه بدست می­آید. در ابتدا از طریق روش رودی، چرخه سفارش مراکز توزیع، محاسبه می­شوند (رابطه 9) و سپس از از طریق محدودیت (5) چرخه سفارش خرده فروشان تعیین می­گردد.

رابطه (9) از تقسیم هزینه ثابت تولید هر کالا به هزینه نگهداری و مقدار تولیدی بدست می‌آید.

نتایج محاسباتی:

جدول (1) مقاله اندازه پارامترها را بیان کرده است. در جدول (2) مقاله به بررسی جواب بهینه بدست آمده از هر دو روش ابتکاری و قطعی پرداخته شده است. ستون دوم، جواب بهینه بدست آمده از طریق گمز و ستون سوم جواب بهینه بدست آمده از طریق الگوریتم ژنتیک را بیان می­کند. ستون آخر نیز مقدار خطای الگوریتم ژنتیک را در نظر گرفته است. نتایج بدست آمده، این نکته را در نظر دارد که جواب حاصل از الگوریتم ژنتیک قابل اعتماد می­باشد زیرا که خطای محاسبه شده از الگوریتم ژنتیک بیشتر از 1% نمی­باشد.

آنالیز حساسیت:

جدول (3) به تحلیل حساسیت پارامترها و بررسی رابطه بین تعداد نسل تولید شده و صحت جواب بدست آمده پرداخته است. برای بررسی جهش ایجاد شده در الگوریتم، ابتدا نرخ بهبود (عملگر بهبود به معنی فرزند حاصل شده از ادغام دو کروموزوم) 20% فرض شده است، به این دلیل که بهترین جواب در نتایج قبلی، در این نرخ بدست آمده است. نتایج در شکل (2) نمایش داده شده است. همانطور که مشاهده می­شود، هر چقدر احتمال جهش کمتر باشد، نتیجه بهتری دارد (هزینه کل را کمتر می­کند). اگر نرخ جهش بیش از 30% افزایش پیدا کند، هزینه به شدت بالا می­رود.

                                                                   شکل (2)، مقایسه هزینه کل و احتمال جهش

شکل (3) با فرض آنکه احتمال جهش 10% فرض شود، نرخ بهبود را در اندازه­های مختلف بررسی می­کند. کاملا مشخص است که نرخ بهبود تاثیری کاملا متفاوت با نرخ جهش نشان می‌دهد؛ بطوریکه با افزایش نرخ بهبود، هزینه کل کاهش پیدا می‌کند.

                                                               شکل (3)، مقایسه هزینه کل و احتمال بهبود

پس از بررسی قابلیت اطمینان الگوریتم ژنتیک، به بررسی مسئله در ابعاد بزرگتر پرداخته شده است. در جدول (4)، ابعاد مسئله، در چهار اندازه بررسی شده است. برای بررسی، به دلیل محدود بودن حافظه، از تولید 500 نسل استفاده شده است. همچنین نرخ بهبود و نرخ جهش به ترتیب 20% و 10% فرض شده‌اند. هرچه ابعاد زنجیره تامین بزرگتر باشد، هزینه نگهداری موجودی و جابجایی کالا نیز بیشتر می‌شود. مقدار زمان مورد نیاز جهت حل مسئله، در شکل (4) مشخص شده است. زمان حل در الگوریتم ژنتیک در ابعاد  ، سی دقیقه فرض شده است، این در حالی است که گمز قادر به پاسخگویی نمی‌باشد.

                                                 شکل (4)، محاسبات زمانی در مقایسه با ابعاد مسئله

عدم قطعیت در تقاضا:

به منظور بررسی اثر تعداد سناریوها بر مدل، چهار سناریو 3، 5، 7 و 9 در زنجیره تامین با ابعاد  بررسی شده است. جدول (5) به بررسی نتایج بدست آمده پرداخته و به این نتیجه رسیده است که با افزایش تعداد سناریوها، هزینه کل لزوما افزایش پیدا نمی‌کند. همانطور که مشاهده می­شود، هر دو سناریو 5 و 7 هزینه بیشتری نسبت به سناریو 3 بر سیستم وارد می‌کنند؛ اما سناریو 7 هزینه کمتری نسبت به سناریو 5 دارد. این عمدتا بخاطر احتمال وقوع هر سناریو و میزان تقاضای آن می‌باشد. هرچقدر احتمال وقوع یک سناریو کمتر (با آنکه ممکن است سناریو در ابعاد بزرگتری باشد) فرض شود، هزینه کل نیز کمتر می‌شود.

در نظر گرفتن شرایط محیط زیست:

در این قسمت، هزینه محیط زیست نیز به تابع هدف اضافه می­شود و مسئله تحت 5 اندازه در نظر گرفته شده بالا حل می­‌شود. در جدول (6) پارامترهای جدید اضافه شده را نشان می‌دهد. جدول (7) هزینه کل را با در نظر گرفتن شرایط محیط زیستی بررسی کرده است. نتایج حاصله نشان می­دهد که انتشار کربن اثر قابل توجهی در هزینه‌های زنجیره تامین دارد. شکل (5) مقدار افزایش هزینه را بدون در نظر گرفتن هزینه کربن و با در نظر گرفتن آن نمایش می‌دهد. مقدار افزایش هزینه در ابعاد  و   به یک اندازه می‌باشد. دلیل آن این است که زمانی که یک مرکز توزیع تاسیس می‌شود، هزینه حمل و نقل عمومی افزایش  و حمل و نقل از راه دور کاهش می‌یابد که این منجر به کاهش انتشار گازهای گلخانه‌ای می شود ( هزینه کل جابجایی زیاد شده است و فاصله ها کوتاه تر شده اند در نتیجه انتشار کربن هم کمتر می شود). برای درک تاثیر تعیین سقف انتشار گاز در هزینه کل، مدل در اندازه  با پارامترهای مفروض و با در نظر گرفتن سه سناریو و مقدار سقف انتشار گاز در اندازه­های مختلف حل شده است. این بررسی نشان می‌دهد که با افزایش سقف انتشار، هزینه‌های کل کاهش پیدا می‌کنند تا جایی که به حالت پایداری می‌رسد. دلیل آن وجود فاصله زیاد بین مقدار گاز منتشر شده و حداکثر سقف تعیین شده می‌باشد.

شکل (6) هزینه کل وارده به سیستم را با افزایش سقف انتشار گاز نشان می‌دهد. اندازه سقف از طریق پروتکل کیوتو در نظر گرفته شده است تا این اطمینان را به سیستم بدهد که امکان انتشار گاز بیش از حد تعریف شده نباشد.

                         شکل (5)، مقایسه هزینه کل با در نظر گرفتن هزینه کربن و بدون در نظر گرفتن آن

                                            شکل (6)، هزینه کل با توجه به سقف انتشار مختلف

تقاضای احتمالی و توجه به محیط زیست:

در شکل (7) به بررسی تاثیر انتشار گاز کربن در هر سناریو پرداخته است. سناریوهای در نظر گرفته شده، 3، 5، 7 و 9 در ابعاد  می‌باشند. سقف انتشار نیز  150000 تن در نظر گرفته شده است. نتایج حاصله نشان می‌دهد که بین تعداد سناریوها و مقدار گاز منتشر شده رابطه مستقیم وجود دارد. با افزایش تعداد سناریوها، مقدار تقاضا افزایش و در نتیجه تعداد تسهیلات توزیع باز نیز بیشتر می‌شود که باعث افزایش انتشار گاز کربن می‌شود.

                شکل (7)، نسبت تعداد سناریوها به هزینه کل ( با در نظر گرفتن گاز کربن انتشار یافته)

نتیجه و پیشنهادات آتی:

در این مقاله یک مدل غیر خطی عدد صحیح مختلط با هدف کمینه کردن هزینه در یک زنجیره تامین دو سطحی تصادفی مطرح شده است. مدل توسط الگوریتم ژنتیک توسعه داده شد و با حالت بهینه قطعی که از طریق گمز بدست آمده است، مقایسه شد. تفاوت بین جواب بهینه بدست آمده از طریق گمز و جواب بهینه بدست آمده از طریق الگوریتم ژنتیک کمتر از 1% محاسبه شده است؛ از آنجا که زمان محاسبه جواب بهینه نیز حائز اهمیت است، الگوریتم زنتیک بر جواب قطعی برتری دارد. در ادامه به بررسی هزینه انتشار گاز کربن در محیط زیست پرداخته شد. سقفی به عنوان حداکثر مقدار کربن انتشار شده تعریف شد که در صورتی که میزان انتشار گاز کربن بیشتر از از سقف تعیین شده باشد، شرکت متحمل هزینه بالایی می‌شود. بررسی‌ها نشان می‌دهد که با افزایش ابعاد زنجیره تامین، هزینه کل افزایش پیدا می‌کند.

برای مطالعات آتی، می‌توان به بررسی انتشار مواد دیگری غیر از کربن پرداخته شده و به مدل اضافه شود.