• صفحه اصلی
  • ارزیابی زنجیره تأمین پایدار عاملیت‌های خودروسازی با استفاده از مدل ترکیبی بهینه‌سازی شبیه‌سازی گسسته پیشامد: مطالعه موردی گروه خودروسازی ایران‌خودرو

اشتراک گذاری

آدرس مقاله


کد مقاله : QJOPM-2312-3655 (R1) بازدید : 165 صفحه: 183 - 214

10.71737/JPM.2025.312-3655

نوع مقاله: پژوهشی

ارزیابی زنجیره تأمین پایدار عاملیت‌های خودروسازی با استفاده از مدل ترکیبی بهینه‌سازی شبیه‌سازی گسسته پیشامد: مطالعه موردی گروه خودروسازی ایران‌خودرو

محورهای موضوعی : مدیریت صنعتی گرایش زنجیره تأمین

بنفشه فاموری 1 , سید جواد ایرانبان فرد 2 * , سید محمد سید حسینی 3 , نازنین پیله وری 4

1 - دانشجوی دکتری گروه مدیریت صنعتی، واحدعلوم و تحقیقات ،دانشگاه آزاد اسلامی،تهران، ایران
2 - دانشیار گروه مدیریت صنعتی، واحد شیراز،دانشگاه آزاد اسلامی، شیراز، ایران
3 - استاد گروه مهندسی صنایع- تولیدصنعتی دانشکده مهندسی صنایع دانشگاه علم و صنعت،تهران، ایران
4 - استاد گروه مدیریت صنعتی، واحد تهران غرب، دانشگاه آزاد اسلامی، تهران، ایران

تاریخ دریافت : 1403/01/18 تاریخ پذیرش : 1403/04/11 تاریخ انتشار : 1404/07/01

کلید واژه: زنجیره تأمین , پایداری, شبیه‌سازی, بهینه‌سازی, خودروسازی,

چکیده مقاله :

در این تحقیق یک الگو برای مدل‌سازی زنجیرۀ تأمین پایدار گروه محصولات خودروسازی با استفاده از مدل ترکیبی شبیه­سازی عامل بنیان گسسته پیشامد ارائه شده است. برای این منظور، ابتدا مدل وضعیت فعلی زنجیرۀ تأمین با استفاده از نرم­افزار شبیه­سازی Any Logic پیاده سازی شده و فرایندهای موردنیاز جهت تأیید اعتبارسنجی مدل صورت پذیرفت. پس از تأیید اعتبار مدل شبیه­سازی ترکیبی، در گام اول جنبه­های اقتصادی زنجیرۀ تأمین مورد ارزیابی قرار گرفت. در این راستا، زنجیرۀ تأمین از دو منظر تعداد ناوگان حمل‌ونقل و میزان سطوح سفارش دهی و نگهداری موجودی قطعات یدکی بررسی شد. به منظور بهینه سازی نتابج تابع هدف ، از روش­ فراابتکاری  opt Questبرای حداقل کردن هزینه­ انتظار مشتریان جهت دریافت محصولات، هزینه انتظار نمایندگان جهت دریافت قطعات یدکی و هزینه­های مربوط به نگهداری، تعمیرات و استهلاک وسایل نقلیه استفاده شد. خروجی فرایند بهینه­سازی نشان داد که با افزایش 19 عددی تعداد ناوگان نسبت به وضعیت فعلی، زمان انتظار مشتریان گروه سمند 4 درصد، گروه دنا 1.1 درصد و گروه پژو 8.9 درصد کاهش می­یابد. همچنین تعداد تولید محصولات پژو تا 33 هزار دستگاه در سال افزایش داشته است و در خصوص تولید محصولات سایر گروه­ها تغییر مشخصی حاصل نشده است. استقرار وضعیت بهینه علاوه بر صرفه اقتصادی برای زنجیرۀ، سبب شده است تا در ابعاد اجتماعی و زیست محیطی نیز بهبود حاصل شود.

چکیده انگلیسی:

In this research, a pattern for modeling the sustainable supply chain of the automotive products group by using the hybrid model of discrete event-based simulation is presented. To this end, first, the simulation model of the current state of the supply chain has been developed using AnyLogic simulation software, and the necessary processes were carried out to confirm the validation of the model. After validitating the model, in the first step, the economic aspects of the supply chain were evaluated. In this regard, the supply chain was examined from two perspectives: the number of transportation fleets and the levels of ordering and maintenance of spare parts. In order to optimize the results of the objective function, the meta-heuristic method opt Quest was used to minimize the cost of waiting for customers to receive products, the waiting cost of agents to receive spare parts, and costs related to maintenance, repair and depreciation of vehicles. The output of the optimization process showed that with a 19-digit increase in the number of fleets compared to the current situation, the waiting time of Samand Group customers will decrease by 4%, Dena Group by 1.1%, and Peugeot Group by 8.9%. Also, the annual production of Peugeot products has increased to 33,000 units, and there has been no significant change in the production of other groups. The establishment of the optimal situation, in addition to the economic benefits of the chain, has led to improvements in social and environmental dimensions as well.

Key Words

sustainability, simulation, optimization, automobile manufacturing, supply chain, uncertainty

  1. Introduction

Today, the issue of supply chain and its role in creating and developing competitive advantage, reducing costs, increasing productivity and motivating employees is considered one of the important strategic issues of any business. In this regard, various supply chain paradigms such as green, lean, agile, large, resilient, etc. have been proposed over time, one or a combination of which is used by different organizations based on their strategic conditions and priorities. In recent years, the sustainable supply chain, which is the result of combining and balancing economic, environmental and social aspects, has received a lot of attention. Sustainable supply chain management indeed provides a significant competitive advantage for companies by enhancing efficiency and reducing costs. Vasei et al. (2023) noted that sustainable development in supply chain management is not only a limiting factor but an approach to improve performance and has an effect on the company's competitive power and its supply chain organization. Therefore, identifying and introducing new paradigms in the supply chain is among the needs of companies to stay in today's competitive and uncertain market conditions. All the mentioned cases make it inevitable to design a comprehensive and effective model for the supply chain.

  1. Literature Review

Abir et al. (2020) designed a sustainable closed-loop supply chain network with the objectives of minimizing total costs, reducing carbon dioxide emissions, and maximizing sustainability by fulfilling as much customer demand as possible under uncertainty. Ahranjani et al. (2020), by presenting a mixed integer linear programming model, designed and planned bioethanol supply chain networks with several raw materials. In order to create flexibility against existing uncertainties and the risks of disruption in the supply chain, they used a stochastic combination planning approach. Fazli Khalaf et al. (2020) incorporated sustainability principles in the design of a hydrogen supply chain network across three levels: producers, warehouses and customers. In order to deal with the combined uncertainties included in the model, they developed a mixed flexible possibility planning method and conducted a case study to implement and analyze the results of the proposed model.

  1. Methodology

In this research, a framework for assessing sustainability within the supply chain of Iran Khodro Company is presented by leveraging a hybrid simulation approach that focuses on discrete event- based factors. To this end, the factors identified within the supply chain along with their behaviors have been thoroughly considered to design a sustainable supply chain that effectively balances economic, social and environmental components. In order to simulate the model, AnyLogic software is used and in order to optimize, opt Quest meta-heuristic method is used in each execution of the simulation model. In this algorithm, values ​​for the decision variable are iteratively selected to ultimately lead to the optimization of the objective function. Accordingly, the objective functions and constraints are defined by the following equations within opt Quest software to facilitate the optimization process.

4.Result

The output of the optimization process show that increasing the fleet size by19 units compared to the current level reduces the waiting time for customers as follows: a 4% decrease for the Samand Group, 1.1% for Dana Group, and 8.9% for Peugeot Group. Additionally, the annual production of Peugeot vehicles increased by 33,000 units; however, there has been no significant change in the products of other groups. The 19-digit increase in the fleet size led to an increase in the mileage of about 860,000 kilometers. Furthermore, vehicle traffic related to parts requiring rework due to quality problems also increased by 5,750 kilometers. The increase in the fleet navigation shows that, within the current simulation model, the parts produced by the suppliers as well as the parts requiring rework experience delays due to insufficient fleet capacity. In terms of extracting the optimal/near-optimal point of ordering and inventory levels, the objective function was defined to minimize both the cost of maintaining parts and the cost of waiting for representatives to receive parts. It was found that the optimal close points extracted with the connection of the simulation model and meta-heuristic methods reduce the amount of inventory in Isacco’s warehouse by 50%, representing a significant number to reduce the costs of the supply chain. Furthermore, even if the number of the fleet increases to 223, this inventory reduction will still provide same-day dispatch of parts from the warehouse.

  1. Discussion

In previous researches, the combined approach of simulation and optimization has not been used in the design of supply chain models. For this purpose, by using the mixed simulation approach of the discrete-based event, in the present study, the supply chain was modeled and the aspects of sustainability were optimized. Another important point is that, unlike previous studies which have focused on the economic aspect of the issue, it simultaneously examines the environmental, economic and social factors influencing supply chain performance.

Conflict of interest: none

 

منابع و مأخذ:

Abir, A. S., Bhuiyan, I. A., Arani, M., & Billal, M. M. (2020). Multi-objective optimization for sustainable closed-loop supply chain network under demand uncertainty: A genetic algorithm, arXiv [cs.CY, 1-5. doi: 10.48550/arXiv.2009.06047
Abolghasemian, M., & Darabi, H. (2018). Simulation based optimization of haulage system of an open-pit mine: Meta modeling approach. Organizational resources management researchs, 8(2), 1-17.
Abolghasemian, M., Ghane Kanafi, A., & Daneshmandmehr, M. (2020). A two-phase simulation-based optimization of hauling system in open-pit mine. Iranian journalof management studies, 13(4), 705-732.doi:10.22059/IJMS.2020.294809.673898
Amirian, S., Amiri, M., & Taghavifard, M. T. (2022). Sustainable and reliable closed-loop supply chain network design: Normalized Normal Constraint (NNC) method application. Journal of Industrial and Systems Engineering, 14(3), 33-68. dor:20.1001.1.17358272.2022. 14.3.2.1
Bondy J.A, Murty, U. S. R. (1976), “Graph Theory with Applications,” American Elsevier, New York, 1-264.
Fazli-Khalaf, M., Naderi, B., Mohammadi, M., & Pishvaee, M. S. (2020). Design of a sustainable and reliable hydrogen supply chain network under mixed uncertainties: A case study. Int. J. Hydrogen Energy, vol. 45, no. 59, pp. 34503–34531doi:10.1016/j.ijhydene.2020.05.276
Ghasemi, P., & Abolghasemian, M. (2023). A Stackelberg game for closed-loop supply chains under uncertainty with genetic algorithm and gray wolf optimization. Supply Chain Analytics, 4(4), 1-16. [In Persian]. doi:10.1016/j.sca.2023.100040
Govindan, K., & Gholizadeh, H. (2021). Robust network design for sustainable-resilient reverse logistics network using big data: A case study of end-of-life vehicles. Transportation Research Part E: Logistics and Transportation Review, 149(1). doi: 10.1016/j.tre.2021.102279
Jahangiri, S., Abolghasemian, M., Ghasemi, P., & Chobar, A. P. (2023). Simulation-based optimisation: analysis of the emergency department resources under COVID-19 conditions. International journal of industrial and systems engineering,43(1),1-19. doi:10.1504/IJISE. 2023.128399
Lutfi, A., Alqudah, H., Alrawad, M., Alshira’h, A. F., Alshirah, M. H., Almaiah, M. A., & Hassan, M. F. (2023). Green Environmental Management System to Support Environmental Performance: What Factors Influence SMEs to Adopt Green Innovations? Sustainability, 15 (13), 1-20. doi:org/10.3390/su151310645
Maiurova, A., Kurniawan, T. A., Kustikova, M., Bykovskaia, E., Othman, M. H. D., Singh, D., & Goh, H. H. (2022). Promoting digital transformation in waste collection service and waste recycling in Moscow (Russia): Applying a circular economy paradigm to mitigate climate change impacts on the environment. Journal of Cleaner Production, 354, 1-15. doi:10.1016/j.jclepro.2022.131604
Malihe, E. (2021). Choosing the technology in closed-loop build-to-order supply chain. Journal of Modern Operations Research, 1(1), 1-6. ICIORS13_205
Mousavi Ahranjani, P., Ghaderi, S. F., Azadeh, A. & Babazadeh, R. (2020), Robust design of a sustainable and resilient bioethanol supply chain under operational and disruption risks, Clean Technol. Environ. Policy, 22(1), 119–151. doi:10.1007/s10098-019-01773-2
Panwar, R., Pinkse, J., & De Marchi, V. (2022). The future of global supply chains in a post-COVID-19 world. California Management Review, 64(2), 5-23. doi:10.1177/00081256211073355
Roudbari, E. S., Ghomi, S. F., & Sajadieh, M. S. (2021). Reverse logistics network design for product reuse, remanufacturing, recycling and refurbishing under uncertainty. Journal of Manufacturing Systems, 60, 473-486. doi:10.1016/j.jmsy.2021.06.012
Vaseei, M., Daneshmand-Mehr, M., Bazrafshan, M., & Kanafi, A. G. (2023). A network data Envelopment analysis to evaluate the performance of a sustainable supply chain using bootstrap simulation. Journal of Engineering Research, 12(4), 904-915. doi:org/10.1016/j.jer.2023 .10.003
Zahoor, Z., Latif, M. I., Khan, I., & Hou, F. (2022). Abundance of natural resources and environmental sustainability: the roles of manufacturing value-added, urbanization, and permanent cropland. Environmental Science and Pollution Research, 29(54),82365-82378. doi:10.1007/s11356-022-21545-8

متن کامل:
سنجي فرهنگ دانايي: مطالعه موردي

Vol.19, No.74, Autumn 2025                                                                Journal of Productivity Management 

 

 

 

 

 

 

 

 

Modeling a Sustainable Supply Chain Using a Hybrid Optimization for Discrete Event Simulation under Uncertainty: a Case Study of Iran Khodro Automotive Group

 

Banafsheh Famouri1, Seyyed Javad Iranban fard 2, Seyyed Mohammad Seyyed Hosseini3, Nazanin Pilehvari4

 

(Received:2024.04.04 - Accepted:2024.07.01 )

 

Abstract

In this research, a pattern for modeling the sustainable supply chain of the automotive products group by using the hybrid model of discrete event-based simulation is presented. To this end, first, the simulation model of the current state of the supply chain has been developed using AnyLogic simulation software, and the necessary processes were carried out to confirm the validation of the model. After validitating the model, in the first step, the economic aspects of the supply chain were evaluated. In this regard, the supply chain was examined from two perspectives: the number of transportation fleets and the levels of ordering and maintenance of spare parts. In order to optimize the results of the objective function, the meta-heuristic method opt Quest was used to minimize the cost of waiting for customers to receive products, the waiting cost of agents to receive spare parts, and costs related to maintenance, repair and depreciation of vehicles. The output of the optimization process showed that with a 19-digit increase in the number of fleets compared to the current situation, the waiting time of Samand Group customers will decrease by 4%, Dena Group by 1.1%, and Peugeot Group by 8.9%. Also, the annual production of Peugeot products has increased to 33,000 units, and there has been no significant change in the production of other groups. The establishment of the optimal situation, in addition to the economic benefits of the chain, has led to improvements in social and environmental dimensions as well.

Key Words: sustainability, simulation, optimization, automobile manufacturing, supply chain, uncertainty

 

1. Introduction

Today, the issue of supply chain and its role in creating and developing competitive advantage, reducing costs, increasing productivity and motivating employees is considered one of the important strategic issues of any business. In this regard, various supply chain paradigms such as green, lean, agile, large, resilient, etc. have been proposed over time, one or a combination of which is used by different organizations based on their strategic conditions and priorities. In recent years, the sustainable supply chain, which is the result of combining and balancing economic, environmental and social aspects, has received a lot of attention. Sustainable supply chain management indeed provides a significant competitive advantage for companies by enhancing efficiency and reducing costs. Vasei et al. (2023) noted that sustainable development in supply chain management is not only a limiting factor but an approach to improve performance and has an effect on the company's competitive power and its supply chain organization. Therefore, identifying and introducing new paradigms in the supply chain is among the needs of companies to stay in today's competitive and uncertain market conditions. All the mentioned cases make it inevitable to design a comprehensive and effective model for the supply chain.

2. Literature Review

Abir et al. (2020) designed a sustainable closed-loop supply chain network with the objectives of minimizing total costs, reducing carbon dioxide emissions, and maximizing sustainability by fulfilling as much customer demand as possible under uncertainty. Ahranjani et al. (2020), by presenting a mixed integer linear programming model, designed and planned bioethanol supply chain networks with several raw materials. In order to create flexibility against existing uncertainties and the risks of disruption in the supply chain, they used a stochastic combination planning approach. Fazli Khalaf et al. (2020) incorporated sustainability principles in the design of a hydrogen supply chain network across three levels: producers, warehouses and customers. In order to deal with the combined uncertainties included in the model, they developed a mixed flexible possibility planning method and conducted a case study to implement and analyze the results of the proposed model.

3. Methodology

In this research, a framework for assessing sustainability within the supply chain of Iran Khodro Company is presented by leveraging a hybrid simulation approach that focuses on discrete event- based factors. To this end, the factors identified within the supply chain along with their behaviors have been thoroughly considered to design a sustainable supply chain that effectively balances economic, social and environmental components. In order to simulate the model, AnyLogic software is used and in order to optimize, opt Quest meta-heuristic method is used in each execution of the simulation model. In this algorithm, values ​​for the decision variable are iteratively selected to ultimately lead to the optimization of the objective function. Accordingly, the objective functions and constraints are defined by the following equations within opt Quest software to facilitate the optimization process.

4.Result

The output of the optimization process show that increasing the fleet size by19 units compared to the current level reduces the waiting time for customers as follows: a 4% decrease for the Samand Group, 1.1% for Dana Group, and 8.9% for Peugeot Group. Additionally, the annual production of Peugeot vehicles increased by 33,000 units; however, there has been no significant change in the products of other groups. The 19-digit increase in the fleet size led to an increase in the mileage of about 860,000 kilometers. Furthermore, vehicle traffic related to parts requiring rework due to quality problems also increased by 5,750 kilometers. The increase in the fleet navigation shows that, within the current simulation model, the parts produced by the suppliers as well as the parts requiring rework experience delays due to insufficient fleet capacity. In terms of extracting the optimal/near-optimal point of ordering and inventory levels, the objective function was defined to minimize both the cost of maintaining parts and the cost of waiting for representatives to receive parts. It was found that the optimal close points extracted with the connection of the simulation model and meta-heuristic methods reduce the amount of inventory in Isacco’s warehouse by 50%, representing a significant number to reduce the costs of the supply chain. Furthermore, even if the number of the fleet increases to 223, this inventory reduction will still provide same-day dispatch of parts from the warehouse.

5. Discussion

In previous researches, the combined approach of simulation and optimization has not been used in the design of supply chain models. For this purpose, by using the mixed simulation approach of the discrete-based event, in the present study, the supply chain was modeled and the aspects of sustainability were optimized. Another important point is that, unlike previous studies which have focused on the economic aspect of the issue, it simultaneously examines the environmental, economic and social factors influencing supply chain performance.

Conflict of interest: none

 

 

 


 

 

 

 

 

 

 

 

 

 

 

 

 

طراحی مدل زنجیرۀ تأمین پایدار عاملیت‌های خودروسازی با استفاده از مدل ترکیبی بهینه‌سازی شبیه‌سازی گسسته پیشامد در شرایط عدم قطعیت :

مطالعه موردی گروه خودروسازی ایران‌خودرو

 

بنفشه فاموری5؛ سید جواد ایران بان فرد*6؛ سیدمحمد سید حسینی7؛ نازنین پیله‌وری8

(تاریخ دریافت: 18/01/1403-پذیرش نهایی:11/04/1403)

 

چکیده

در این تحقیق یک الگو برای مدل‌سازی زنجیرۀ تأمین پایدار گروه محصولات خودروسازی با استفاده از مدل ترکیبی شبیه­سازی عامل بنیان گسسته پیشامد ارائه شده است. برای این منظور، ابتدا مدل وضعیت فعلی زنجیرۀ تأمین با استفاده از نرم­افزار شبیه­سازی Any Logic پیاده سازی شده و فرایندهای موردنیاز جهت تأیید اعتبارسنجی مدل صورت پذیرفت. پس از تأیید اعتبار مدل شبیه­سازی ترکیبی، در گام اول جنبه­های اقتصادی زنجیرۀ تأمین مورد ارزیابی قرار گرفت. در این راستا، زنجیرۀ تأمین از دو منظر تعداد ناوگان حمل‌ونقل و میزان سطوح سفارش دهی و نگهداری موجودی قطعات یدکی بررسی شد. به منظور بهینه سازی نتابج تابع هدف ، از روش­ فراابتکاری  opt Questبرای حداقل کردن هزینه­ انتظار مشتریان جهت دریافت محصولات، هزینه انتظار نمایندگان جهت دریافت قطعات یدکی و هزینه­های مربوط به نگهداری، تعمیرات و استهلاک وسایل نقلیه استفاده شد. خروجی فرایند بهینه­سازی نشان داد که با افزایش 19 عددی تعداد ناوگان نسبت به وضعیت فعلی، زمان انتظار مشتریان گروه سمند 4 درصد، گروه دنا 1.1 درصد و گروه پژو 8.9 درصد کاهش می­یابد. همچنین تعداد تولید محصولات پژو تا 33 هزار دستگاه در سال افزایش داشته است و در خصوص تولید محصولات سایر گروه­ها تغییر مشخصی حاصل نشده است. استقرار وضعیت بهینه علاوه بر صرفه اقتصادی برای زنجیرۀ، سبب شده است تا در ابعاد اجتماعی و زیست محیطی نیز بهبود حاصل شود.

 

واژه­های کلیدی: زنجیرۀ تأمین ، پایداری، شبیه‌سازی، بهینه‌سازی، خودروسازی 

 

مقدمه

تفكیک مدیریت زنجیرۀ تأمین پایدار به بخشهای متفاوت مانند تأکید بر کیفیت، انتخاب تأمین‌کننده، استراتژی عملیات مدیریت زنجیرۀ تأمین و تكنولوژی فرایند و تولید، در مجموع باعث شكل گیری یک پایه دانشی سیستماتیک برای کل حوزه گردیده است.یكی از موانع بزرگ پیش روی حوزه مدیریت زنجیرۀ تأمین پایدار، گذار از تفكر سنتی درباره مدیریت عملیات است (رودباری و همکاران، 2021). برای غلبه بر این موضوع و ایجاد تغییر در این نگرش باید به مواردی همچون پژوهشهای بیشتر، بررسی موردی مسائل و موضوعات مرتبط با حوزه زنجیرۀ تأمین، توجه خاص به ارتباطات صنعتی، استانداردسازی عملكرد و... پرداخت تا در مجموع با کاهش تأثیرات بیرونی که اغلب ناشی از قوانین و مقررات محیط خارجی است و باهماهنگی خط مشی ها و رویه های درونی سازمان باعث بهبود کارایی، کاهش هزینه و افزایش کیفیت گردید. همچنین رویكردهای مؤثر برای تسهیم اطلاعات در پیكره زنجیرۀ تأمین نیازمند گسترش هستند و پژوهشگران باید از مزیت فناوری اطلاعات و ارتباطات برای همكاری و مشارکت مؤثرتر بهره جویند.

در دهه‌های اخیر، ملاحظات زیست‌محیطی و اجتماعی مانند کاهش منابع خام، ازدیاد پسماند، افزایش آلاینده‌ها و گسترش سطح آلودگی ناشی از آنها از موضوعات مهم و قابل‌توجه سازمان‌ها گردیده‌اند (زهور و دیگران،2022). مدیران زنجیرۀ تأمین ناگزیر از تعقیب چندین هدف متناقض هستند، مانند بیشینه سازی سود، کمینه سازی هزینه های عملیات، کاهش تأثیرات مخرب زیست محیطی و افزایش رضایتمندی اجتماعی. البته چندین چالش دیگر همچون تصمیم گیرنده های متعدد، ارزیابی تأثیرات محیطی و مزایای اجتماعی در یک زنجیرۀ تأمین چند جانبه مبتنی بر رویكرد بین سازمانی و مرتبط با فرایندهای گوناگون برای طراحی، تأمین،تولید و توزیع محصولات در بازارهای جهانی را نیز باید به این موارد اضافه نمود. زنجيره تأمين شرکت ايران خودرو به‌عنوان بزرگترین شرکت خودروسازی در ایران، محصولات متفاوتي را  تولید می کند که در این تحقیق محصولات گروه های سمند، دنا و پژو مورد استفاده قرار گرفته است. به منظور استفاده مجدد از قطعات، زنجیرۀ تأمین به صورت حلقه بسته در نظر گرفته شده تا قطعاتی که نیاز به دوباره کاری و تعمیر دارند نیز در این زنجیره در نظر گرفته شود. این قطعات شامل باتري، صندلي و سيلندر مربوط به هر سه گروه محصول می باشد که در زنجیرۀ تأمین و مدل‌سازی لحاظ می گردد. تابع هدف مسأله به گونه ای تعریف شده است که در هر یک از ابعاد بتوان به اهداف موردنظر دست یافت. با توجه به شرایط عدم قطعیت درصنعت خودرو و همجنین ضرورت مدلسازی زنجیرۀ تأمین پایدار، از نرم افزار شبیه سازی AnyLogicاستفاده می شود. در این راستا اثرات عدم قطعیت در داده ها و شرایط حاکم و همچنین بهره گیری از سناریوهای مختلف برای سنجش میزان تأثیر بر ابعاد سه گانه پایداری اقتصادی ، زیست محیطی و اجتماعی مورد استفاده قرار می گیرد که تا کنون در تحقیقات گذشته به آن پرداخته نشده است. در این پژوهش همچنین استخراج نقاط بهینه با استفاده از نرم افزار شبیه سازی بهینه سازی به منظورحفظ تعادل بین ابعاد سه گانه  فوق و ارتقای عملکرد زنجیرۀ تأمین مورد بررسی قرار می گیرد. در هر یک از ابعاد پایداری سناریوهای مختلف جهت بهینه سازی همزمان سه بعد مورد استفاده قرار گرفته و جهت بهینه سازی هر یک از ابعاد پایداری نیز از نرم افزار شبیه سازی بهینه سازی Opt Quest بهره گرفته می شود.

در پژو هش حاضر و در راستای ایجاد الگوی پایداری زنجیرۀ تأمین، مدل شبیه سازی زنجیرۀ تأمین با درنظر گرفتن ابعاد پایداری و بهینه سازی ابعاد به منظور تعادل بین سه بعد ارائه خواهد شد. مدل ارائه شده ،ضمن در نظر گرفتن شرایط عدم قطعیت و ناپایدار و با استفاده از رویکرد شبیه سازی ترکیبی با بهینه سازی، به یک وضعیت پایدار از ابعاد اقتصادی ، زیست محیطی و اجتماعی زنجیرۀ تأمین دست خواهد یافت.

بدین منظور مسأله مورد نظر در ابعاد اقتصادی، اجتماعی و محیط زیستی به دنبال کاهش هزینه ها در گروه های مختلف تولید خودرو در گروه صنعتی ایران‌خودرو خواهد بود. بنابراین هدف اصلی این تحقیق طراحی وبه کارگیری مدل زنجیرۀ تأمین پایدار در گروه صنعتی ایران خودرو  است.

گوويندان و قليزاده (2021)، مدلي براي يک شبکه لجستيک معکوس پايدار براي وسايل نقليه پايان عمر در ايران را با ویژگی‌های داده‌های بزرگ و احتمال اختلال در ظرفيت تسهيلات طراحي کردند. هدف مدل به‌حداقل‌رساندن هزينه کل شبکه لجستيک معکوس پايدار و تاب­آور است. از يک الگوريتم متقاطع آنتروپي به همراه بهینه‌سازی استوار مبتني بر سناريو استفاده شده است. نتايج نشان می‌دهد که تغيير وضعيت سناريو به طور قابل‌توجهی بر هزینه‌های زیست‌محیطی و اجتماعي بهينه تأثير می‌گذارد. رودباری و همکاران (2021)، يک مدل رياضي چندهدفه براي طراحي يک زنجيره تأمين پايدار تاب‌آور بر اساس سطوح تصمیم‌گیری استراتژيک و تاکتيکي معرفي کردند. در اين راستا، از برنامه‌ریزی ظرفيت بر اساس افزونگي براي مواجهه با انعطاف‌پذیری تقاضا استفاده شده است. زنجيره تأمين واکسن آنفلوانزا در ايران براي اعتبار بخشيدن به مدل پيشنهادي موردمطالعه قرار گرفته است. يک رويکرد بهینه‌سازی فازي استوار براي مقابله با عدم‌قطعیت‌ها استفاده شده است. مدل چندهدفه با برنامه‌ریزی آرماني چندگزینه‌ای حل شده است. نتايج مشخص کرد که داشتن افزونگي در زنجيره تأمين هميشه هزینه‌های کل را افزايش نمی‌دهد. اميريان و همکاران (2022) يک مدل برنامه‌ریزی عدد صحيح مختلط غيرخطي براي مسأله طراحي شبکه زنجيره تأمين پايدار و قابل‌اطمینان به‌صورت سه هدفه، چندمحصولی، چندسطحی، چند منبعي، چندظرفیتی و چندمرحله‌ای در نظر گرفتند. آنها از روش محدوديت نرمال شده براي حل مسأله بهینه‌سازی چندهدفه پيشنهادي و يافتن جواب‌های بهينه پارتو استفاده کردند. براي سنجش دقت و عملکرد کلي مدل پيشنهادي، چندين نمونه مثال عددي با داده‌های تصادفي در ابعاد مختلف در نظر گرفته شد و با تغيير پارامترهاي مختلف مدل، تحليل حساسيت توابع هدف براي تحليل رفتار مدل انجام گرفت. پانور و همکاران (2022)، با درنظرگرفتن عوامل تاب‌آوری و تصميمات قيمت­گذاري، يک برنامه ريزي دوسطحی براي بهینه‌سازی يک زنجيره تأمين پايدار ارائه دادند. در مدل توسعه‌یافته از مدل بازي استکلبرگ با رهبري دولت و پيروي توليدکننده براي بررسي تأثير نرخ ماليات بر ايفاي تعهدات مسئوليت زیست‌محیطی، اجتماعي و دولت به‌کاررفته است. قاسمی و ابوالقاسمیان (2023) از یک مدل برنامه‌ریزی دوسطحی برای ارائه یک بازی استاکلبرگ استفاده کرده اند. مدل پیشنهادی برای تعیین مقدار بهینه محصولات و اجزا در هر بخش شبکه، برای به‌حداقل‌رساندن هزینه‌های کل سیستم و بهینه‌سازی حمل‌ونقل در سیستم پیشنهاد شده است. عملکرد مدل پیشنهادی با الگوریتم‌های فراابتکاری ژنتیک و بهینه‌سازی گرگ خاکستری مقایسه شده است. نتایج نشان داد که خطای محاسبه الگوریتم گرگ خاکستری کمتر از خطای ژنتیک است. باتوجه‌ به بررسی‌های صورت پذیرفته در مطالعات نظری و تجربی، شکاف تحقیقاتی مشاهده شده در حوزه ارائه مدل ریاضی جهت بهینه‌سازی زنجیرۀ تأمین پایدار برای صنعت خودروسازی در شرایط عدم‌قطعیت می باشد که تاکنون پژوهشی براین‌اساس انجام نشده است. در جدول 1، طبقه بندی ادبیات تحقیق نشان‌داده‌شده است.

 

جدول 1- طبقه بندی ادبیات

Table 1- Classification of literature

رویکرد حل

منطق حل

روش حل

پایداری

ساختار 

زنجیرۀ تأمین

سال

نویسنده

Experimental

Epsilon constraint

Meta heuristic

Fuzzy

Exact

Simulation

Game Theory

MIP

DEA

WSM

 

 

 

 

*

 

*

 

 

 

 

 

 

*

*

CLSC

2020

آبیر و همکان

*

 

 

 

 

*

 

*

 

 

 

-

2020

اهرنجانی و همکاران

*

 

 

 

 

*

 

 

 

 

 

-

2020

فضلی خلف وهمکاران

 

 

 

*

 

 

 

*

*

 

*

CLSC

2021

گویندان و همکاران

 

*

 

 

*

 

*

 

 

 

*

CLSC

2021

رودباری و همکاران

 

*

 

*

 

 

*

 

 

 

*

CLSC

2022

امیریان و همکاران

 

*

 

 

*

 

*

 

 

 

*

CLSC

2022

پانور و همکاران

*

 

*

 

 

*

*

 

 

 

 

-

2023

قاسمی و ابوالقاسمیان

ازاین‌رو نوآوری و سهم مشارکت این تحقیق به شرح ذیل است:

استفاده از سناریوهای مختلف به‌منظور حفظ تعادل در ابعاد اقتصادی، اجتماعی و زیست محیطی و ارتقای عملکرد زنجیرۀ تأمین مطرح است.در همین راستا استخراج نقاط بهینه با استفاده از نرم‌افزار بهینه‌سازی- شبیه‌سازی صورت می‌پذیرد.

هدف اصلی از انجام این تحقیق طراحی  مدل زنجیرۀ تأمین پایدار با استفاده از  مدل ترکیبی بهینه‌سازی شبیه‌سازی گسسته پیشامد  در شرایط عدم قطعیت در خودروهاي تجاري گروه صنعتي ايران خودرو می باشد.

 

معرفی ساختار مدل زنجیرۀ تأمین 

در زنجيره تأمین شرکت ایران‌خودرو و با نظر گرفتن ويژگي­هاي اجزای زنجيره تأمین، تعريف هر جز به‌صورت عامل صورت پذیرفته که در ادامه عاملیت‌های اين زنجيره تأمین به شرح زير شناسايي شده­اند:

1)       عامل تأمین کنندگان

2)       عامل کارخانه

3)       عامل ايسيکو

4)       عامل ايساکو

5)       عامل ساپکو

6)       عامل وسايل نقليه

7)       عامل نمايندگان فروش

8)       عامل سازمان بازرسي کيفيت قطعات

 

نحوه تعامل هر يک از عامل­هاي ذکر شده در شکل 1 نشان‌داده‌شده است.

C:\Users\Ashk\Desktop\3.png 

شکل 1- مدل ساختار زنجیرۀ تأمین

Figure 1- Supply chain structure model

 

ابزار و روش

تابع هدف مسأله برای دو عامل نمایندگان و مشتریان مطابق روابط 1 و 2 می باشند:

 

img0 (1)

متغییرها و پارامتر ها:

img0 C

هزینه انتظار مشتری جهت دریافت گروه محصول i ام

img0 

مجموع زمان انتظار مشتریان جهت دریافت گروه محصول i ام

CT

هزینه نگهداری و تعمیرات و استهلاک وسیله نقلیه

img0 C

هزینه انتظار نمایندگان جهت دریافت قطعه i ام از گروه محصول j ام

img0 

مجموع انتظار نمایندگان جهت دریافت قطعه i ام از گروه محصول j ام

img0 

تعداد وسیله نقلیه

 

(2) img0

 

       متغییرها و پارامتر ها:

 

هزینه انتظار نمایندگان جهت دریافت قطعه i ام از گروه محصول j ام

Cimg0

 

مجموع انتظار نمایندگان جهت دریافت قطعه i ام از گروه محصول j ا

img0 

 

هزینه نگهداری قطعه i ام از گروه محصول j ام

Cimg0

 

تعداد قطعه i ام از گروه محصول j ام موجود در انبار عامل ایساکو

img0 

 

محدودیت ها :

 

حد پایین سفارش قطعه i ام از گروه محصول j ام

Limg0

 

حد بالای سفارش قطعه i ام از گروه محصول j ام

Uimg0

 

 

معادلات 1 و 2 همواره براساس محدودیتimg0 در نرم افزار opt Quest به اجرا در آمده است. در جدول 2، کلیه پارامترها و متغیرهای مسأله نشان‌داده‌شده است.

 

 

 

جدول 2- نمادگذاری   

   Table 2- Notation

توضیحات

نماد(پارامترها)

عاملیت

هزینه انتظار مشتری جهت دریافت گروه محصول img0 ام

img0 

نمایندگان

زمان انتظار مشتریان جهت دریافت گروه محصول img0 ام

img0 

هزینه نگهداری و تعمیرات و استهلاک وسیله نقلیه

img0 

هزینه انتظار نمایندگان جهت دریافت قطعه img0 ام از گروه محصول img0 ام

img0 

تأمین‌کنندگان

زمان انتظار نمایندگان جهت دریافت قطعه img0ام از گروه محصول img0ام

img0 

هزینه نگهداری قطعه img0ام از گروه محصول img0ام

img0 

تعداد قطعه img0ام از گروه محصول img0ام موجود در انبار عامل ایساکو

img0 

ایساکو

تعداد وسیله نقلیه

img0 

کارخانه

حد پایین سفارش قطعه img0ام از گروه محصول img0ام

img0 

کارخانه

حد بالای سفارش قطعه img0ام از گروه محصول img0ام

img0 

 

 

عامل تأمين­کنندگان، وظيفۀ توليد قطعات موردنیاز جهت توليد خودرو را بر عهده دارند. در خصوص قطعات صندلي و سرسيلندر به دليل نياز به قطعات پيش­ساخته (استراکچر صندلي و سرسيلندر خام) عامل­هاي تأمین‌کننده قطعه نهايي براي عامل­هايي که قطعات پيش­ساخته صندلي و سيلندر را توليد مي­کنند، سفارش ثبت مي­نمايند. در زنجيره تأمین اين تحقيق، تعداد 23 عامل تأمین‌کننده به شرح جدول 3 فعاليت­ مي­نمايند.

 

 

 

 

 

 

 

 

 

 

جدول 3- عوامل تأمین‌کننده در زنجیرۀ تأمین

Table 3- Supplier agents in the supply chain

شماره عامل تأمین‌کننده

Supplier agent number

موقعيت مکاني

 

Location

قطعه تولیدی

 

production piece

ظرفيت روزانه

توليد Daily production capacity

1

قزوين

Qazvin

استراکچر صندلي

chair structure

700

2

ورامين

Varamin

استراکچر صندلي

chair structure

1000

3

کرج

Karaj

استراکچر صندلي

structure chair

600

4

کرج

Karaj

استراکچر صندلي

structure chair

600

5

قلعه خان

Hasan Khan

استراکچر صندلي

Structure Chair

1100

6

تهران

Tehran

صندلي مونتاژ شده

assembled chair

1200

7

ورامين

Varamin

صندلي مونتاژ شده

assembled chair

1200

8

کرج

Karaj

صندلي مونتاژ شده

seat assembled

1200

9

قلعه خان

Hasan Khan

صندلي مونتاژ شده

Seat assembled

200

10

قلعه خان

Hasan Khan

صندلي مونتاژ شده

assembled chair

200

11

قزوين

Qazvin

سيلندر خام

Raw cylinder

1000

12

ابهر

Abhar

سيلندر خام

cylinder raw

800

13

اشتهارد

Ishtehard

سيلندر خام

raw cylinder

400

14

تاکستان

Takestan

سيلندر خام

Raw cylinder

700

15

مشهد

Mashhad

سيلندر خام

raw cylinder

600

16

تبريز

Tabriz

سيلندر خام

raw cylinder

400

17

ساوه

Saweh

سيلندر خام

raw cylinder

300

18

قائم‌شهر

Gaemshahr

سيلندر ماشين­کاري

machined cylinder

1000

19

قزوين

Qazvin

سيلندر ماشين­کاري

machined cylinder

1200

20

تهران

Tehran

سيلندر ماشين­کاري

machined cylinder

2200

21

اصفهان

Isfahan

باتري

Battery

800

22

تبريز

Tabriz

باتري

battery

1400

23

تهران

Tehran

باتري

battery

2000

 

عامل کارخانه، توليد محصول نهايي (خودرو) را بر عهده دارد. براي توليد محصول نهايي، خطوط توليدي با ظرفيت توليد متفاوتي در نظر گرفته شده است که براي توليد هر خودرو، نياز به موجود بودن قطعات موردنیاز در انبار اين عامل وجود دارد. عامل کارخانه برنامه­ريزي توليد محصولات خود را بر اساس تقاضاي دريافتي از عامل نمايندگان انجام مي­دهد. بدين صورت که پس از دريافت تقاضا از عامل نمايندگان، تعداد قطعات موردنیاز جهت توليد را به عامل ساپکو براي برنامه­ريزي تأمین اعلام مي­نمايد. از آنجايي که عامل کارخانه داراي انبار و موجودي خطوط توليدي است، فرایند توليد هم‌زمان با ثبت سفارش قطعات موردنیاز انجام مي‌شود. در صورت موجود نبودن قطعات موردنیاز جهت توليد خودرو، خط توليدي مربوط به محصول موردنظر متوقف مي­گردد. الگوريتم نحوه رفتار عامل کارخانه مربوط به هر يک از محصولات در شکل 2 نشان‌داده‌شده است.

 

img0 

شکل 2- الگوریتم رفتار عامل کارخانه

Figure 2 -the Algorithm of factory agent behavior

 

 

عامل ایساکو، وظيفه تأمين قطعات مورد نياز جهت خدمات پس از فروش را بر عهده دارد. تقاضاي قطعات از سوي نمايندگان شرکت ايران خودرو براي عامل ايساکو ارسال مي­گردد. عامل ايساکو داراي انباري جهت ذخيره­سازي قطعات يدکي است که از منطق سفارش­دهي img0 پيروي مي­نمايد. بدين­ صورت که اگر موجودي قطعه موردنظر کمتر از حد پايين img0 گردد، تا رسيدن موجودي به اندازه حد بالاي img0 سفارش­گذاري انجام مي­شود. ارسال براي عامل ايساکو به صورت مستقيم از عامل تأمين­کنندگان و با هماهنگي حمل توسط عامل ايسيکو صورت مي­گيرد. تقاضاي خودرو و قطعات يدکي مربوط به خدمات پس از فروش از سوي عامل نمايندگان به زنجيره تأمين وارد      مي­شود. اطلاعات مربوط به تقاضاي اين عامل از داده­هاي موجود برای تقاضای قطعات هر گروه از محصولات مربوط به بازه ۳۶ماهه در سيستم استخراج شده و در جدول 4 نشان‌داده‌شده است.

 

 

 

جدول 4- نتایج برازش تابع توزیع احتمالی نمایندگان مربوط به قطعات و خودروها

Table 4- The Results of distribution function of representatives (parts & cars)

عنوان

Title

تابع توزیع برازش شده

The fitted distribution function

تقاضای ماهانه باتری گروه سمند

Samand Group's monthly battery demand

D. Uniform

a=1697  b=1994

 

تقاضای ماهانه باتری گروه دنا

Monthly battery demand of Dena Group

D. Uniform

a=2368  b=2500

 

تقاضای ماهانه باتری گروه پژو

Peugeot Group's monthly battery deman

D. Uniform

a=3495  b=3824

 

تقاضای ماهانه صندلی گروه سمند

Samand Group's monthly seat demand

D. Uniform

a=509  b=598

 

تقاضای ماهانه صندلی گروه دنا

Monthly demand for Dena Group seats

D. Uniform

a=710  b=750

 

تقاضای ماهانه صندلی گروه پژو

Peugeot Group's monthly seat demand

D. Uniform 

a=1048  b=1147

 

تقاضای ماهانه سیلندر گروه سمند

Samand group's monthly cylinder demand

D. Uniform

a=424  b=498

 

تقاضای ماهانه سیلندر گروه دنا

Dena group's monthly cylinder demand

D. Uniform

a=592  b=625

 

تقاضای ماهانه سیلندر گروه پژو

Peugeot group's monthly cylinder demand

D. Uniform

a=873  b=956

 

 

عامل سازمان بازرسی کیفیت قطعات وظيفه بررسي قطعات توليد شده توسط عامل تأمين کنندگان در محل توليد قطعه و محصول را بر عهده دارد. در صورت وجود مشکلات کيفي در خطوط توليدي عامل کارخانه، قطعات به‌منظور انجام دوباره­کاري و فرایندهای اصلاحي به عامل تأمين­کننده مربوطه عودت داده مي‌شود. در جدول 5، درصد دفعات مواجهه با خرابی قطعات هر گروه خودروسازی نشان‌داده‌شده است.

 

جدول 5- درصد نياز به دوباره کاري قطعات

Table 5- Rework percentage of the parts 

عنوان

Title

قطعات داراي مشکل کيفي در فرایند توليد

Defective parts in the production process

سمند Samand

دنا Dena

پژو Peugeot

باتري   battery

0.5%

0.4%

0.6%

صندلي chair

0.9%

1.1%

0.8%

سيلندر Cylinder

0.4%

0.5%

0.9%

عامل ايسيکو وظيفه برنامه­ريزي حمل‌ونقل در زنجيره تأمین را بر عهده دارد. اين عامل داراي ناوگان حمل‌ونقل به تعداد مشخصي است. درخواست­هاي جابه جايي از عامل­هاي ديگر عبارت است از:

·       از عامل تأمین‌کننده جهت حمل قطعه به کارخانه

·       از عامل تأمین‌کننده قطعات خام براي حمل قطعه به عامل تولیدکننده قطعه نهايي

·       از عامل تأمین‌کننده جهت حمل قطعه به عامل ايساکو

·       از عامل کارخانه جهت حمل قطعات معیوب و انجام فرایند اصلاحي و دوباره­کاري

 

همان‌طور که مشخص است، اين عامل، سفارش حمل از عامل­هاي تأمین‌کننده و کارخانه را دريافت مي­نمايد و به ترتيب دريافت سفارش و در صورت موجود بودن وسيله نقليه آماده‌به‌خدمت، فرایند حمل آغاز مي­گردد.

عامل وسيلۀ نقليه، وظيفه جابه‌جایی قطعات را بر عهده دارد. فراخواني اين عامل توسط عامل ايسيکو خواهد بود و اين عامل ممکن است بين عامل­هاي کارخانه، تأمین‌کنندگان و ايساکو تردد نمايد. اين عامل داراي ظرفيت مشخص براي جابه‌جایی هر کدام از قطعات ذکر شده را دارا است. نحوه حرکت اين عامل بر روي نقشه GIS خواهد بود و اطلاعات موردنیاز شامل مسير و مسافت را از سرورهاي OSM دريافت مي­نمايد.

 

روش حل مسأله 

در این تحقیق از رویکرد شبیه­سازی ترکیبی عامل بنیان گسسته پیشامد برای مدلسازی و برای بهینه سازی از روش فراابتکاری opt Questاستفاده شده است. opt Quest که برای حل مسائل بهینه‌سازی پیچیده استفاده می‌شود، عملیات بهینه‌سازی را بر اساس الگوریتم جستجوی تصادفی که از ترکیب سه الگوریتم جستجوی ممنوعه، جستجوی پراکندگی و شبکه عصبی می باشد انجام می‌دهد (ابوالقاسمیان و همکاران، 2020). برای شبیه سازی مدل از نرم افزار Any logic  و با در نظر گرفتن عاملیت های مختلف زنجیرۀ تأمین استفاده می شود . به منظور بهینه سازی ابعاد اقتصادی ، زیست محیطی و اجتماعی از opt Quest  استفاده می شود. در ابتدا، opt Quest یک نقطه تصادفی را به ‌عنوان پاسخ اولیه انتخاب می‌کند. سپس با استفاده از تابع هدف و محدودیت‌های مسأله، مقدار هدف برای نقطه انتخاب شده را محاسبه می‌کند. سپس مجموعه‌ای از نقاط تصادفی دیگر را تولید کرده و برای هر کدام از این نقاط، مقادیر هدف را محاسبه می‌کند و با نقطه انتخابی اولیه مقایسه می‌کند (جهانگیری و همکاران، 2023). با استفاده از مقایسه مقادیر هدف،opt Quest  تصمیم می‌گیرد که آیا نقطه انتخابی برتر است و در این صورت آن را به‌عنوان نقطه بهبودیافته تلقی می‌کند. سپس محدوده جستجو را بر اساس نقطه بهبودیافته تغییر می‌دهد و این فرایند تکرار می‌شود تا به حالت هدف مورد نظر دست یابد. به‌عنوان یکی از الگوریتم‌های بهینه‌سازی قابل‌اطمینان و مؤثر شناخته می‌شود و در حل مسائل پیچیده و محاسباتی استفاده می‌شود (ابوالقاسمیان و همکاران، 2018). 

 

یافته ها 

متناسب سازی توابع برازش شده سیستم

مشخصات خطوط توليدي شرکت ایران‌خودرو مربوط به گروه محصولات ذکر شده در شکل‌های زير ارائه شده است. به‌منظور استخراج تابع توزيع مربوط به سيکل زماني توليد گروه محصولات، از داده­هاي موجود در سيستم مربوطه به بازه زماني ۳ماهه برای ساخت مدل شبیه‌سازی در Any logic استفاده شده است.

img0 

شکل 3-تابع توزيع توليد ساعتي گروه محصولات سمند

Figure 3- Hourly production distribution function of Samand products group

 

در هیستوگرام ترسیم شده در شکل 3، تعداد توليد ساعتي گروه محصولات سمند نشان داده شده است، خطوط توليدي اين گروه محصول از تابع توزيع triangular (20, 28, 31) پيروي مي­نمايد. در نمودار هيستوگرام شکل 4، تعداد توليد ساعتي گروه محصولات دنا نشان داده شده است، خطوط توليدي اين گروه محصول از تابع توزيع beta با پارامترهاي 1=2/39، 2=2/7479، a=28/958 و b=38/229 پيروي مي­نمايد.

img0 

شکل 4- تابع توزيع توليد ساعتي گروه محصولات دنا

Figure 4- hourly production distribution function of Dena products group

 

 

در نمودار هيستوگرام 5، تعداد توليد ساعتي گروه محصولات پژو نشان‌داده‌شده است، خطوط توليدي اين گروه محصول از تابع توزيع triangular (45, 50, 53) پيروي مي­نمايد.

 

img0 

شکل 5- تابع توزيع توليد ساعتي گروه محصولات پژو

Figure 5- - hourly production distribution function of Peugeot product group

 

اعتبارسنجی مدل شبیه‌سازی

به جهت انجام اعتبارسنجي و به دليل ماهيت احتمالي مدل شبيه­سازي، نياز است تا خروجي­هاي مدل شبيه­سازي با هسته­هاي عدد تصادفي متفاوتي استخراج گردد. اين امر به کاهش همبستگي بين خروجي­هاي مدل و همگرا شدن نتايج کمک مي­نمايد. به همين منظور مدل شبيه­سازي ترکيبي به تعداد 30 اجرا با هسته عدد تصادفي متفاوت اجرا شده است و ميانگين نتايج آن با واقعيت در جدول 6 مقايسه شده است.

 

جدول 6- میانگین خروجی مدل شبیه‌سازی از منظر کارخانه

Table 6- The average output of the simulation model- the perspective of the factory

عنوان

مقدارواقعی واقعیت

میانگین مدل شبیه­سازی

اختلاف

Title

 

amount of reality

The average output of the simulation model

 

difference

تولید سالانه گروه سمند 

Annual production of Samand

212600

208287

2%

تولید سالانه گروه دنا

Annual production of Dena

240250

233726

2.7%

تولید سالانه گروه پژو

Annual production of Peugeot

352478

344463

2.2%

 

همان‌طور که مشاهده می­شود اختلاف بین نتایج تولید واقعی گروه محصولات در یک سال با میانگین نتایج اجرای 30 بار مدل شبیه­سازی با اعداد تصادفی متفاوت، کمتر از 5 درصد است  بنابراین اعتبار مدل شبیه­سازی از منظر تعداد تولید سالانه گروه محصولات تأیید می­گردد. به منظور اعتبارسنجی مدل شبیه­سازی از منظر تقاضای ورودی و نحوه برآورد تقاضای مشتریان، نتایج میانگین زمان انتظار مشتریان در گروه محصولات متفاوت از واقعیت با نتایج میانگین اجرای 30 بار مدل شبیه­سازی در جدول 7 مقایسه شده است.

 

جدول 7- میانگین خروجی مدل شبیه‌سازی از منظر عاملیت مشتریان (ساعت)

Table 7- The average output of the simulation model- customer agency (hours)

عنوان

Title

مقدار واقعی

amount of reality

خروجی مدل شبیه­سازی

output of the simulation model

اختلاف

difference

زمان انتظار مشتریان گروه سمند

Waiting time Samand customers

1580

1623.06

2%-

زمان انتظار مشتریان گروه دنا

Waiting time Dena customers

1790

1876.6

4.8%-

زمان انتظار مشتریان گروه پژو

Waiting time Peugeot customers

730

702.1

3.8%

همان‌طور که مشاهده می­شود اختلاف بین زمان انتظار مشتریان مربوط به گروه محصولات در واقعیت با خروجی­های مدل شبیه­سازی کمتر از 5 درصد است. بنابراین اعتبار مدل شبیه­سازی مورد تأیید قرار می­گیرد.

 

نتایج بهینه سازی مدل شبیه‌سازی برای تعیین تعداد ناوگان مورد نیاز

الگوریتم بهینه­سازی برای 500 بار تکرار می­گردد و در هر تکرار متغیر تصمیم تعداد وسیله نقلیه به‌عنوان ورودی در مدل شبیه­سازی تنظیم می­گردد و در انتهای زمان یکسال(8760 ساعت)، تابع هدف محاسبه و با استفاده از آن، مقدار جدید تعداد وسیله نقلیه مشخص می­­گردد. لازم به ذکر است که پارامترهای ورودی مسأله بهینه­سازی با استفاده از محاسبات مربوط به فرصت از دست رفته، خواب سرمایه، هزینه استهلاک و نگهداری و تعمیرات ماشین­آلات انجام گرفته است که در جدول 8 ارائه شده است.

جدول 8- محاسبه هزینه انتظار

Table 8- Calculation of waiting cost

عنوان 

Title

هزینه ساعتی 

Cost per hour

 

هزینه انتظار مشتری گروه سمند Samand Group customer waiting cost

115740

هزینه انتظار مشتری گروه دنا Dena group customer waiting cost

208333

هزینه انتظار مشتری گروه پژو Peugeot group customer waiting cost

92592

هزینه انتظار نمایندگان برای باتری گروه سمند

cost of waiting for representatives to receive Samand batteries

694

هزینه انتظار نمایندگان جهت دریافت باتری گروه دنا

cost of waiting for representatives to receive Dana group batteries

694

هزینه انتظار نمایندگان جهت دریافت باتری گروه پژو

cost of waiting for representatives to receive Peugeot group batteries

694

هزینه انتظار نمایندگان جهت دریافت صندلی گروه سمند

cost of waiting for the representatives to get a seat in the Samand group

6944

هزینه انتظار نمایندگان جهت دریافت صندلی گروه دنا

cost of waiting for the representatives to receive the Dena Group seat

8680

هزینه انتظار نمایندگان جهت دریافت صندلی گروه پژو

cost of waiting for the representatives the seats of the Peugeot group

6250

هزینه انتظار نمایندگان جهت دریافت سیلندر گروه سمند

cost of waiting for representatives to receive Samand Group cylinders

6944

هزینه انتظار نمایندگان جهت دریافت سیلندر گروه دنا

cost of waiting for representatives to receive Dana group cylinders

10416

هزینه انتظار نمایندگان جهت دریافت سیلندر گروه پژو

cost of waiting for representatives to receive Peugeot group cylinders

6944

به‌منظور هدایت مسأله به سمت عدم افزایش غیرمؤثر وسیله نقلیه، به‌ازای هر وسیله نقلیه 10% ارزش آن به‌عنوان هزینه در نظر گرفته شده است. پس از انجام فرایند بهینه­سازی با opt Quest، تعداد 219 وسیله نقلیه به‌عنوان تعداد بهینه/ نزدیک بهینه انتخاب می­شود. تعداد جدید ناوگان در مدل شبیه­سازی وضعیت فعلی قرار داده می­شود. در این صورت، مدت زمان انتظار مشتریان در     گروه های مختلف محصولات نسبت به مدل وضعیت فعلی کاهش از خود نشان می­دهد. نتایج مقایسه­ای در جدول 9 ارائه شده است.

 

جدول 9- مقایسه مدت زمان انتظار مشتری

Table 9- Comparison of customer waiting time

عنوان

Title

مقدار مدل شبیه­سازی وضعیت فعلی

The value of the current state simulation model

نتایج مدل شبیه­سازی با تعداد ناوگان بهینه

The results of the simulation model with the optimal number of fleets

درصد کاهش

Percentage reduction

سمند  Samand

1681

1613

%4

دناDena

1798

1778

%1.1

پژوPeugeot

716

652

%8.9

 

بیشترین تأثیر از افزایش تعداد ناوگان، در تولیدات گروه پژو بوده است که با کاهش 8.9 درصدی زمان انتظار مشتریان همراه است. این امر به دلیل افزایش تعداد تولید این گروه محصول است.تعداد تولید سالیانه گروه محصولات مختلف با بهینه سازی تعداد ناوگان در زنجیرۀ تأمین نشان داده شده است، در تعداد تولیدات گروه سمند و دنا تغییر ناچیز است، ولی تعداد تولید گروه محصولات پژو در یکسال بیش از 33 هزار تولید خودرو بوده است.

 

نتایج بهینه سازی مدل شبیه‌سازی برای تعیین اندازه سطوح سفارش ایساکو

میزان سطوح سفارش دهی و میزان انبارش از مهم‌ترین ویژگی­های عامل ایساکو است که در این بخش نسبت به انجام فرایند بهینه­سازی آنها اقدام می­شود. برای بهینه­سازی از رویکرد شبیه­سازی- بهینه­سازی و استفاده از الگوریتم­های فراابتکاری مشابه بخش تعیین اندازه ناوگان اقدام شده است. وضعیت فعلی نقاط سفارش و حداکثر موجودی عامل ایساکو در جدول 10 ارائه شده است.

 

 

جدول 10- وضعیت فعلی نقاط سفارش و حداکثر موجودی عامل ایساکو

Table 10- The current status of the order points and the maximum inventory-Isaku agent

عنوان

Title

حداقل موجودی 

Minimum inventory

حداکثر موجودی

Maximum inventory

باتری سمند Samand battery

1480

3700

باتری دنا Dana battery

1960

4900

باتری پژو  Peugeot battery

2920

7300

صندلی سمند  Chair Samand

440

1100

صندلی دنا Dana chair

584

1460

صندلی پژو Peugeot chair

880

2200

سیلندر سمند Samand cylinder

400

1000

سیلندر دنا Dana cylinder

488

1220

سیلندر پژوPeugeot cylinder

740

1850

 

جهت انجام فرایند بهینه­سازی، تابع هدف، محدودیت­ها و متغیرهای تصمیم در پکیج بهینه­ساز opt Quest تنظیم شده‌اند. داده­های مربوط به هزینه نگهداری قطعات در جدول 11 ارائه شده است. هزینه نگهداری شامل خواب سرمایه و 30 درصد به‌عنوان هزینه­های سربار در نظر گرفته شده است که از داده­های موجود در سیستم و نظر خبرگان استخراج گردیده است.

 

جدول 11- هزینه نگهداری قطعات

Table 11- Parts maintenance cost

عنوان

Title

هزینه روزانه (ریال)

Daily cost (Rials)

هزینه روزانه نگهداری باتری سمند

Samand daily battery maintenance cost

103000

هزینه روزانه نگهداری باتری دنا

Daily cost of battery maintenance of Dana

103000

هزینه روزانه نگهداری باتری پژو

The daily cost of Peugeot attery maintenance

103000

هزینه روزانه نگهداری صندلی سمند

The daily cost of maintaining the chair of the Samand

1030000

هزینه روزانه نگهداری صندلی دنا

The daily cost of maintaining the chair of the Dana

1287500

هزینه روزانه نگهداری صندلی پژو

The daily cost of maintaining Peugeot chairs

927000

هزینه روزانه نگهداری سیلندر سمند

The daily cost of maintaining the cylinder of Samand

1030000

هزینه روزانه نگهداری سیلندر دنا

Daily maintenance cost of Dena cylinders

1545000

هزینه روزانه نگهداری سیلندر پژو

Daily maintenance cost of Peugeot cylinder

1030000

 

لازم به ذکر است به دلیل امکان تحت‌تأثیر قرارگرفتن سطوح سفارش دهی جدید از تعداد وسایل نقلیه در اختیار عامل ایساکو، عدد مربوط به تعداد وسایل نقلیه مقدار بزرگی در نظر گرفته شده است تا در مرحله بعد مجدداً با سطوح سفارش­دهی جدید و بر اساس تابع هدف، محدودیت­ها و متغیرهای تصمیم مشابه بهینه گردد. تعداد تکرار الگوریتم بهینه­ساز برابر 1000 تکرار تنظیم شده است. خروجی بهینه­سازی در جدول 12 برای هزینه انتظار به‌منظور تعیین اندازه سطوح ارائه شده است.

 

جدول 12- بهینه سازی هزینه انتظار نمایندگان

Table 12- Optimization of agents waiting cost

عنوان

Title

حداقل موجودی بهینه­

Optimized inimum inventory

حداکثر موجودی بهینه

Optimized maximum inventory

حداکثر موجودی وضعیت فعلی

Maximum inventory- current situation

درصد کاهش موجودی انبار

Percentage reduction in warehouse stock

باتری سمندSamand battery

800

1800

3700

%51

باتری دنا Dena battery

1100

2400

4900

%51

باتری پژو Peugeot battery

1600

3600

7300

%50

صندلی سمند SamandChair

300

500

1100

%54

صندلی دنا Dena chair

550

700

1460

%52

صندلی پژو Peugeot chair

750

1100

2200

%50

سیلندر سمند Samand cylinder

350

450

1000

%55

سیلندر دنا Dana cylinder

500

600

1220

%50

سیلندر پژو Peugeot cylinder

700

930

1850

%49

 

همانطور که مشاهده می­شود، سطح حداکثر نگهداری موجودی مربوط به تمامی اقلام بعد از انجام بهینه­سازی، در حدود 50 درصد کاهش داشته است. این کاهش موجودی با حفظ حداکثر مجاز انتظار نمایندگان است.

 

تأثیر بهینه سازی مدل بر روی محیط زیست

در این قسمت، به بررسی جنبه­های زیست‌محیطی پایداری زنجیرۀ تأمین شرکت ایران‌خودرو پرداخته خواهد شد. انتشار گاز دی‌اکسیدکربن یکی از مهم‌ترین جنبه­های زیست­محیطی زنجیرۀ تأمین است. در این تحقیق نیز باتوجه‌به تردد بالای وسایل نقلیه به جهت جابه‌جایی قطعات و قطعات معیوب، در سناریوهای مختلف میزان انتشار گاز دی‌اکسیدکربن مورد بررسی قرار می­گیرد.

در این سناریو فرض می­گردد که امکان افزایش حمل قطعات با درنظرگرفتن طراحی مجدد سایز پالت و نحوه قرارگیری قطعات وجود دارد. به همین منظور در دو سناریوی  مختلف و با افزایش حمل و بارگیری قطعات به میزان‌های 5 درصدی و 10 درصدی ،میزان تردد وسایل نقلیه و به‌تبع آن میزان انتشار گاز دی‌اکسیدکربن سنجیده می­شود. داده­های مربوط به وضعیت فعلی ظرفیت حمل و بارگیری قطعات مختلف در زنجیرۀ تأمین در جدول 13 ارائه شده است.

 

جدول 13- وضعیت فعلی ظرفیت حمل و بارگیری قطعات در زنجیرۀ تأمین

Table 13- The current status of the capacity of carrying and loading parts in the supply chain

عنوان

Title

ظرفیت حمل و بارگیری وضعیت فعلی

Carrying and loading capacity- current situation

ظرفیت حمل باتری محصولات مختلف

Battery carrying capacity of different product

150

ظرفیت حمل صندلی محصولات مختلف

Carrying capacity of different product seats

48

ظرفیت حمل سیلندر محصولات مختلف

Cylinder carrying capacity of different product

100

 

سناریو 1: تغییر سایز پالت و افزایش 5 درصدی ظرفیت بارگیری وسیله نقلیه

با افزایش 5 درصدی ظرفیت حمل و بارگیری قطعات باتری، صندلی و سیلندر مربوط به گروه محصولات مختلف، مقدار کیلومتر پیمایش شده توسط ناوگان برای جابه‌جایی قطعات از عامل تأمین‌کنندگان به عامل کارخانه و عامل ایساکو کاهش 4.7 درصدی (780 هزار کیلومتر) و مقدار پیمایش جهت جابه جایی قطعات معیوب کاهش 1.3 درصدی (2800 کیلومتر) را از خود نشان     می­دهد. در خصوص افزایش تعداد تولید و کاهش مدت زمان انتظار مشتریان جهت دریافت خودرو تفاوت معناداری مشاهده نشد. مجموع کاهش 873 هزار کیلومتر ناوگان منجر به کاهش انتشار گاز دی­اکسید کربن در زنجیرۀ تأمین خواهد شد. باافزایش ظرفیت 5 درصدی حمل و بارگیری، درصد مواقع بیکاری ناوگان افزایش یافته است. با توجه به اجرای فرایند بهینه سازی مدل شبیه‌سازی مشخص گردید که تعداد نزدیک بهینه ناوگان در صورت افزایش 5 درصدی ظرفیت حمل و بارگیری می­تواند به 219 وسیله کاهش یابد.

سناریو 2: تغییر سایز پالت و افزایش 10 درصدی ظرفیت بارگیری وسیله نقلیه

با افزایش 10 درصدی ظرفیت حمل و بارگیری قطعات باتری، صندلی و سیلندر مربوط به گروه محصولات مختلف، مقدار کیلومتر پیمایش شده توسط ناوگان برای جابه‌جایی قطعات از عامل تأمین‌کنندگان به عامل کارخانه و عامل ایساکو کاهش 9.2 درصدی (1،540 هزار کیلومتر) و مقدار پیمایش جهت جابه جایی قطعات معیوب کاهش 19،2 درصدی (4039 کیلومتر) را از خود نشان می­دهد. در خصوص افزایش تعداد تولید و کاهش مدت زمان انتظار مشتریان جهت دریافت خودرو تفاوت معناداری مشاهده نشد. مجموع کاهش 1،544 هزار کیلومتر ناوگان منجر به کاهش انتشار گاز دی­اکسید کربن در زنجیرۀ تأمین خواهد شد.

تأثیر بهینه سازی بر روی مؤلفه های اجتماعی

مؤلفه­های اجتماعی یکی دیگر از جنبه­های پایداری در زنجیرۀ تأمین است که در این تحقیق، تأثیر آن بر روی عملکرد کل زنجیرۀ تأمین ارزیابی شده است. در این تحقیق تأثیر مؤلفه­های اجتماعی بر روی نرخ تولید گروه محصولات مختلف کارخانه و میزان تولید عامل تأمین­کنندگان سنجیده شده است. به‌منظور تعیین میزان تأثیر هر یک از مؤلفه­های اجتماعی شناسایی شده بر افزایش تولید خطوط تولیدی عامل کارخانه، از روش دلفی فازی بهره گرفته شده است. با مصاحبه با خبرگان، مؤلفه­های اجتماعی تأثیرگذار بر تعداد تولید عامل کارخانه به شرح زیر استخراج گردیده است:

·       سیستم مدیریت ایمنی و بهداشت شغلی (OHSAS)

·       کاهش غیبت نیروی انسانی با سیستم­های انگیزشی و کنترلی

·       ایجاد ثبات شغلی

·       برگزاری دوره­های آموزشی جهت توانمندسازی پرسنل

·       ایجاد امکانات رفاهی و تشویقی به‌منظور افزایش انگیزه شغلی

در خصوص تأثیر بعد اجتماعی بر عامل تأمین‌کنندگان، مؤلفه­های زیر از طریق مصاحبه با خبرگان استخراج شد:

·       برگزاری دوره­های آموزشی تخصصی 

·       ایجاد روابط کاری بلندمدت و ایجاد اعتماد متقابل با تأمین‌کنندگان

·       انتقال تجارب جهت کاهش غیبت نیروی انسانی 

·       الزام پیاده­سازی سیستم­ مدیریت ایمنی و بهداشت شغلی(OHSAS)

·       امکان استفاده از خدمات رفاهی و انگیزشی شرکت ایران‌خودرو برای تأمین‌کنندگان

به‌منظور ارزیابی تأثیر هر یک از موارد شناسایی شده، طیف فازی 3 نقطه­ای مثلثی9 به شرح جدول زیر توسط خبرگان تدوین شده است.

 

جدول 14- طیف فازی 3 نقطه ای مثلثی

Table 14- Triangular 3-point phase spectrum

عنوان

Title

عدد فازی مثلثی

Triangular fuzzy number

خیلی کم very little

(0, 0, 0.02)

کم Low

(0, 0.02, 0.1)

متوسط medium

(0.02, 0.1, 0.12)

زیاد Much

(0.1, 0.12, 0.15)

خیلی زیاد very much

(0.12, 0.15, 0.2)

 

به جهت ارزیابی میزان تأثیر مؤلفه­های اجتماعی شناسایی شده در خصوص نرخ تولید کارخانه، از 15 نفر صاحب­نظر در صنعت خودروسازی درخواست شد که به هر یک از مؤلفه­ها یکی از اعداد فازی طراحی شده را تخصیص دهند. سپس با استفاده از روش دلفی فازی، میانگین نظرات و در نهایت دی­فازی کردن اعداد انجام شد. نتایج در جدول 15 ارائه شده است.

 

جدول 15- میانگین فازی و دی فازی نظرات

Table 15- Fuzzy and difuzzy average comments

مؤلفه اجتماعی

Social dimension

میانگین فازی  بعد اجتماعی

Fuzzy average of

Social dimension

عدد دی­فازی number Diphasis

سیستم مدیریت ایمنی و بهداشت شغلی (OHSAS)

Occupational Health and Safety Management System

(0.005, 0.033, 0.073)

.037

کاهش غیبت نیروی انسانی با سیستم­های انگیزشی و کنترلی

Reducing the absence of manpower with incentive and control systems

(0.049, 0.094, 0.131)

.092

ایجاد ثبات شغلی

Creating job stability

(0.018, 0.073, 0.11)

.067

برگزاری دوره­های آموزشی جهت توانمندسازی پرسنل

Holding training courses to empower personnel

(0.026, 0.066, 0.116)

.070

ایجاد امکانات رفاهی به‌منظور افزایش انگیزه شغلی

Creating comfort facilities in order to increase job motivation

(0.024, 0.072, 0.119)

.072

 

همچنین به جهت ارزیابی میزان تأثیر مؤلفه­های اجتماعی شناسایی شده در خصوص نرخ تولید عامل تأمین­کنندگان، از نفرات مصاحبه‌شونده درخواست شد مشابه رویه قبل، به هر یک از مؤلفه‌ها یکی از اعداد فازی طراحی شده را تخصیص دهند. سپس با استفاده از روش دلفی فازی، میانگین نظرات و در نهایت دی­فازی کردن اعداد انجام شد. نتایج در جدول 16 ارائه شده است.

 

جدول 16- تخصیص اعداد فازی به هر یک از مؤلفه های بعد اجتماعی

Table 16- Allocation of fuzzy numbers to each component of the social dimension

مؤلفه اجتماعی

میانگین فازی بعد اجتماعی

عدد دیفازی

Social dimension

Fuzzy average of

Social dimension

number Diphasis

برگزاری دوره های آموزشی تخصصی

Holding specialized training courses

(0.019, 0.049, 0.091)

0.053

ایجاد روابط کاری بلندمدت و ایجاد اعتماد متقابل

Establishing long-term working relationships and establishing mutual trust

(0.088, 0.122, 0.154)

0.121

انتقال تجارب جهت کاهش غیبت نیروی انسانی

Transferring experiences to reduce the absence of manpower

(0.041, 0.085, 0.125)

0.084

الزام پیاده سازی(  OHSAS )

Implementation requirement (OHSAS)

(0.007, 0.043, 0.091)

0.047

استفاده از خدمات رفاهی جهت تأمین

Use of welfare services for supply

(0.036, 0.084, 0.123)

0.081

 

باتوجه‌به محدودیت منابع، دو آیتم اجتماعی دارای بالاترین تأثیر در نرخ تولید کارخانه (کاهش غیبت نیروی انسانی و ایجاد امکانات رفاهی و تشویقی) به‌عنوان کاندید پیاده­سازی در عامل کارخانه و دو آیتم ایجاد روابط کاری بلندمدت و ایجاد اعتماد متقابل و انتقال تجارب جهت کاهش غیبت نیروی انسانی به‌عنوان کاندید پیاده­سازی در عامل تأمین‌کنندگان در نظر گرفته شده است؛ بنابراین در خطوط تولیدی مدل شبیه­سازی موجود در عامل کارخانه، افزایش 16.4 درصدی و در ظرفیت تولید تأمین‌کنندگان افزایش 20.5 درصدی پیاده­سازی شده است. مفروضات زنجیرۀ تأمین با درنظرگرفتن بعد اقتصادی زنجیرۀ تأمین شامل تعداد بهینه ناوگان در زنجیرۀ تأمین و سطوح بهینه نگهداشت موجودی و سفارش دهی عامل ایساکو (223 وسیله نقلیه)و بعد اجتماعی (افزایش 10 درصدی ظرفیت حمل و بارگیری) اجرا شده است. 

 در نهایت تعداد تولید گروه محصولات سمند افزایش 9.8 درصدی، گروه دنا افزایش 31 درصدی و گروه پژو افزایش 7.6 درصدی از خود نشان داده است.

 

بحث و نتیجه گیری 

بدین منظور ابتدا مدل شبیه­سازی وضعیت فعلی زنجیرۀ تأمین با استفاده از نرم­افزار شبیه­سازی Any Logic ایجاد گردید و فرایندهای موردنیاز جهت اعتبارسنجی مدل انجام شد. پس از تأیید اعتبار مدل شبیه­سازی ترکیبی، در گام اول جنبه­های اقتصادی زنجیرۀ تأمین مورد ارزیابی قرار گرفت.در این راستا، زنجیرۀ تأمین از دو منظر تعداد ناوگان حمل‌ونقل و میزان سطوح سفارش دهی و نگهداری موجودی قطعات یدکی بررسی شد. در مدل وضعیت فعلی تعداد 200 عدد ناوگان حمل و نقل در اختیار عامل تأمین کنندگان قرار دارد. به منظور استخراج جواب بهینه / نزدیک بهینه مربوط به تعداد ناوگان مورد نیاز و سطوح سفارش­دهی و میزان نگهداشت موجودی، از رویکرد شبیه­سازی بهینه­سازی واستفاده از روش­های فراابتکاری  opt Questبهره گرفته شد. تابع هدف حداقل کردن هزینه­ انتظار مشتریان جهت دریافت محصولات، هزینه انتظار نمایندگان جهت دریافت قطعات یدکی و هزینه­های مربوط به نگهداری و تعمیرات و استهلاک وسایل نقلیه بود.

یکی از مهم‌ترین تأثیرات زیست­محیطی زنجیرۀ تأمین خودروسازی انتشار گاز دی‌اکسیدکربن است. یکی از مهم‌ترین عامل­های انتشار گاز دی‌اکسیدکربن، حمل و نقل­هایی است که جهت انتقال قطعات از عامل تأمین‌کنندگان به عامل کارخانه و عامل ایساکو و همچنین انتقال قطعات نیازمند دوباره­کاری از عامل کارخانه به عامل تأمین‌کنندگان است. به همین منظور و طی مصاحبه با خبرگان مشخص گردید در صورت طراحی مجدد سایز پالت­ها و تغییرات در فضای بارگیری، می­توان در حالت بدبینانه 5 درصد، در حالت متوسط 10 درصد و در حالت خوش­بینانه 15 درصد افزایش ظرفیت حمل و بارگیری در وسایل نقلیه ایجاد نمود. به همین منظور تحلیل حساسیت میزان پیمایش وسایل نقلیه و تأثیر این افزایش بر عملکرد زنجیرۀ تأمین با استفاده از مدل شبیه­سازی انجام شد. در خصوص افزایش 5 درصدی ظرفیت حمل و بارگیری کاهش 4.7 درصدی پیمایش، در حالت افزایش 10 درصدی ظرفیت حمل و بارگیری کاهش 9.2 درصدی پیمایش و در حالت افزایش 15 درصدی ظرفیت حمل و بارگیری کاهش 12.6 درصدی پیمایش را می­توان انتظار داشت.

در گام بعدی تأثیر مؤلفه­های اجتماعی بر عملکرد زنجیرۀ تأمین مورد بررسی قرار گرفته شد. به‌منظور استخراج عوامل اجتماعی تأثیرگذار بر زنجیرۀ تأمین خودرو، از خبرگان شرکت ایران‌خودرو مصاحبه صورت گرفت و 5 مؤلفه اجتماعی جهت افزایش نرخ تولید عامل کارخانه شامل سیستم مدیریت ایمنی و بهداشت شغلی، کاهش غیبت نیروی انسانی با سیستم­های انگیزشی و کنترلی، ایجاد ثبات شغلی، برگزاری دوره­های آموزشی جهت توانمندسازی پرسنل و ایجاد امکانات رفاهی و تشویقی به منظور افزایش انگیزه شغلی و 5 مؤلفه اجتماعی جهت افزایش ظرفیت تولید عامل تأمین‌کنندگان شامل برگزاری دوره­های آموزشی تخصصی، ایجاد روابط کاری بلندمدت و ایجاد اعتماد متقابل با تأمین‌کنندگان، انتقال تجارب جهت کاهش غیبت نیروی انسانی با سیستم­های کنترلی و انگیزشی در تأمین‌کنندگان، الزام پیاده­سازی سیستم­های مدیریت یکپارچه و سیستم مدیریت ایمنی و بهداشت و امکان استفاده از خدمات رفاهی و انگیزشی شرکت ایران خدرو برای تأمین کنندگان شناسایی شد. به دلیل پیچیده بودن ارزیابی میزان تأثیر هر کدام از مؤلفه­های اجتماعی بر موارد ذکر شده، از منطق فازی بهره گرفته شد. به همین منظور، ابتدا اعداد فازی متناسب با تأثیرات پیش­بینی شده طراحی شد و با استفاده از رویکرد دلفی فازی، نظرات 15 نفر از خبرگان گروه صنعتی ایران‌خودرو جمع­آوری و تأثیر نهایی مؤلفه­های اجتماعی مشخص شد. در خصوص تأثیر مؤلفه­های اجتماعی شناسایی شده بر نرخ وتولید عامل کارخانه، بیشترین تأثیر مؤلفه کاهش غیبت نیروی انسانی با سیستم­های انگیزشی و کنترلی شناسایی شد. در رتبه بعدی مؤلفه ایجاد امکانات رفاهی و تشویقی به منظور افزایش انگیزه شغلی تعیین شد. در خصوص مؤلفه­های اجتماعی تأثیرگذار بر عملکرد تأمین‌کنندگان نیز ایجاد روابط کاری بلندمدت و ایجاد اعتماد متقابل در رتبه اول و انتقال تجارب جهت کاهش غیبت نیروی انسانی با سیستم­های انگیزشی و کنترلی در تأمین‌کنندگان در رتبه دوم قرار دارند. برای مطالعات بیشتر بهره­گیری از الگوریتم­های یادگیری ماشین نیز یکی دیگر از جنبه­های توسعه تحقیق فعلی است. در این حالت می­توان از الگوریتم­های یادگیری تقویتی و طراحی عامل یادگیرنده استفاده نمود. عامل تصمیم­گیرنده فرایند یادگیری خود را با استفاده از مدل شبیه­سازی ترکیبی توسعه داده شده انجام خواهد داد و در نهایت سیاست بهینه نحوه سفارش­دهی و نگهداشت موجودی و برنامه­ریزی تولید استخراج خواهد شد.

با توجه به اینکه دادهای مربوط به تقاضا و سفارش گذاری تولید، نقش بسیار مهمی در تحقق برنامه های تولید دارند،پیشنهاد می گردد شرکت ایران خودرو انسجام حوزه برنامه ریزی را با حوزه تولید بر مبنای تقاضا و کاهش داده های غیر قطعی مد نظر قرار دهند. همچنین گسترش ابعاد زنجیرۀ تأمین در خصوص تعداد محصولات و قطعات و تأمین کنندگان بیشتر مورد توجه قرار گیرد. تمرکز بر زنجیرۀ تأمین حلقه بسته به منظور کاهش هزینه های دوباره کاری ، تعمیرات و ضایعات مربوط به قطعات بسیار کاربردی و ضروری است.

یکی از محدودیت های عمده تحقیق در ارتباط با حجم و تنوع داده های تحقیق بود . تعداد قطعات موجود در یک خودرو بیش از ده هزار قطعه است و تأمین کنندگان متعددی در رده های مختلف، مسئولیت تأمین قطعات را به عهده دارند. بنابراین امکان لحاظ نمودن همه موارد در مدل تحقیق نبود.

از محدودیتهای دیگر تحقیق شرایط عدم اطمینان و قطعیت درخصوص شرایط حاکم بر صنعت خودرو می باشد که بر عدم امکان استخراج داده های واقعی تأثیر گذار است.

از آنجا که در تحقیق حاضر از رویکرد شبیه سازی ترکیبی عامل بنیان گسسته پیشامد در صنعت خودروسازی استفاده شده است پیشنهاد می شود که این مدل در صنایع دیگر نیز مورد استفاده قرار گیرد. پیشنهاد می شود محدودیتهای سفارش گذاری و تأمین مواد اولیه توسط عامل تأمین کنندگان مورد نظر قرار گیرد.

تعارض منافع: نویسندگان هیچگونه تعارض منافع ندارند.

 

 


References

Abir, A. S., Bhuiyan, I. A., Arani, M., & Billal, M. M. (2020). Multi-objective optimization for sustainable closed-loop supply chain network under demand uncertainty: A genetic algorithm, arXiv [cs.CY, 1-5. doi: 10.48550/arXiv.2009.06047

Abolghasemian, M., & Darabi, H. (2018). Simulation based optimization of haulage system of an open-pit mine: Meta modeling approach. Organizational resources management researchs, 8(2), 1-17. 

Abolghasemian, M., Ghane Kanafi, A., & Daneshmandmehr, M. (2020). A two-phase simulation-based optimization of hauling system in open-pit mine. Iranian journalof management studies, 13(4), 705-732.doi:10.22059/IJMS.2020.294809.673898

Amirian, S., Amiri, M., & Taghavifard, M. T. (2022). Sustainable and reliable closed-loop supply chain network design: Normalized Normal Constraint (NNC) method application. Journal of Industrial and Systems Engineering, 14(3), 33-68. dor:20.1001.1.17358272.2022. 14.3.2.1

Bondy J.A, Murty, U. S. R. (1976), “Graph Theory with Applications,” American Elsevier, New York, 1-264.

Fazli-Khalaf, M., Naderi, B., Mohammadi, M., & Pishvaee, M. S. (2020). Design of a sustainable and reliable hydrogen supply chain network under mixed uncertainties: A case study. Int. J. Hydrogen Energy, vol. 45, no. 59, pp. 34503–34531doi:10.1016/j.ijhydene.2020.05.276

Ghasemi, P., & Abolghasemian, M. (2023). A Stackelberg game for closed-loop supply chains under uncertainty with genetic algorithm and gray wolf optimization. Supply Chain Analytics, 4(4), 1-16. [In Persian]. doi:10.1016/j.sca.2023.100040

Govindan, K., & Gholizadeh, H. (2021). Robust network design for sustainable-resilient reverse logistics network using big data: A case study of end-of-life vehicles. Transportation Research Part E: Logistics and Transportation Review, 149(1). doi: 10.1016/j.tre.2021.102279

Jahangiri, S., Abolghasemian, M., Ghasemi, P., & Chobar, A. P. (2023). Simulation-based optimisation: analysis of the emergency department resources under COVID-19 conditions. International journal of industrial and systems engineering,43(1),1-19. doi:10.1504/IJISE. 2023.128399

Lutfi, A., Alqudah, H., Alrawad, M., Alshira’h, A. F., Alshirah, M. H., Almaiah, M. A., & Hassan, M. F. (2023). Green Environmental Management System to Support Environmental Performance: What Factors Influence SMEs to Adopt Green Innovations? Sustainability, 15 (13), 1-20. doi:org/10.3390/su151310645

Maiurova, A., Kurniawan, T. A., Kustikova, M., Bykovskaia, E., Othman, M. H. D., Singh, D., & Goh, H. H. (2022). Promoting digital transformation in waste collection service and waste recycling in Moscow (Russia): Applying a circular economy paradigm to mitigate climate change impacts on the environment. Journal of Cleaner Production, 354, 1-15. doi:10.1016/j.jclepro.2022.131604

Malihe, E. (2021). Choosing the technology in closed-loop build-to-order supply chain. Journal of Modern Operations Research, 1(1), 1-6. ICIORS13_205

Mousavi Ahranjani, P., Ghaderi, S. F., Azadeh, A. & Babazadeh, R. (2020), Robust design of a sustainable and resilient bioethanol supply chain under operational and disruption risks, Clean Technol. Environ. Policy, 22(1), 119–151. doi:10.1007/s10098-019-01773-2

Panwar, R., Pinkse, J., & De Marchi, V. (2022). The future of global supply chains in a post-COVID-19 world. California Management Review, 64(2), 5-23. doi:10.1177/00081256211073355

Roudbari, E. S., Ghomi, S. F., & Sajadieh, M. S. (2021). Reverse logistics network design for product reuse, remanufacturing, recycling and refurbishing under uncertainty. Journal of Manufacturing Systems, 60, 473-486. doi:10.1016/j.jmsy.2021.06.012

Vaseei, M., Daneshmand-Mehr, M., Bazrafshan, M., & Kanafi, A. G. (2023). A network data Envelopment analysis to evaluate the performance of a sustainable supply chain using bootstrap simulation. Journal of Engineering Research, 12(4), 904-915. doi:org/10.1016/j.jer.2023 .10.003

Zahoor, Z., Latif, M. I., Khan, I., & Hou, F. (2022). Abundance of natural resources and environmental sustainability: the roles of manufacturing value-added, urbanization, and permanent cropland. Environmental Science and Pollution Research, 29(54),82365-82378. doi:10.1007/s11356-022-21545-8

 

 

(183)

 

 

[1] .Ph.D. candidate Department of in Industrial Management, Science and Research Unit, Islamic Azad University, Tehran, Iran

[2] .Associate Professor, Department of Industrial Management, Shiraz Branch, Islamic Azad University, Shiraz, Iran.

 *. Corresponding author: Javad.iranban@iau.ac.ir

[3] .Professor, Department of Industrial Engineering, Faculty of Industrial Engineering, University of Science and Technology, Tehran, Iran

[4] .Professor, Department of Industrial Management,West Tehran Branch,Islamic Azad University,Tehran, Iran

[5] .دانشجوی دکتری گروه مدیریت صنعتی، واحد علوم و تحقیقات،دانشگاه ازاد اسلامی، تهران، ایران

[6] .دانشیار گروه مدیریت صنعتی، واحد شیراز،دانشگاه آزاد اسلامی، شیراز، ایران 

*.نویسنده مسؤول:  Javad.iranban@iau.ac.ir

[7] .استاد گروه مهندسی صنایع، دانشکده مهندسی صنایع، دانشگاه علم و صنعت،تهران، ایران

[8] .استاد گروه مدیریت صنعتی، واحد تهران غرب، دانشگاه آزاد اسلامی، تهران، ایران

[9] .Triangular Fuzzy numbers for five-point scale


مقالات مرتبط

حقوق این وب‌سایت متعلق به سامانه مدیریت نشریات دانشگاه آزاد اسلامی است.
حق نشر © 1404-1400

صفحه اصلی| عضویت/ ورود| درباره سند| تماس با ما|
[English] [العربية] [en] [ar]