شناسایی مؤلفه¬های انتخاب تأمین¬کنندگان در شبکه تأمین تاب¬آور پروژه¬های نفت و گاز ایران تحت محیط عدم اطمینان
الموضوعات :
حمیدرضا کریمی
1
(دانشجوی دکتری مدیریت صنعتی گراش تولید و عملیات،واحد رودهن، دانشگاه آزاد اسلامی، ایران)
صابر خندان
2
(مدیریت صنعتی، مدیریت و حسابداری، دانشگاه آزاد اسلامی رودهن، رودهن، ایران)
ندا فرح بخش
3
(گروه مدیریت، دانشکده حسابداری و مدیریت، واحد رودهن، دانشگاه آزاد اسلامی،رودهن، ایران)
الکلمات المفتاحية: پروژه های نفت و گاز, تاب آوری, تأمین کنندگان, تصمیم گیری چند شاخصه, شبکه تأمین, منطق فازی.,
ملخص المقالة :
هدف از انجام مقاله حاضر شناسایی مؤلفه¬های انتخاب تأمین¬کنندگان در شبکه تأمین تاب¬آور پروژه¬های نفت و گاز ایران با تکنیک دلفی فازی، وزن¬دهی و اولویت¬بندی هریک با تکنیک بهترین – بدترین فازی و ارزیابی و رتبه‌بندی گزینه¬ها (تأمین¬کنندگان) در خصوص میزان تاب¬آوری در شبکه تأمین پروژه¬های نفت و گاز ایران با تکنیک¬های مَپَک و کُوالیفلیکس و تجمیع نتایج با تکنیک بُردا می¬باشد. جنبه نوآوری و جدید بودن پژوهش حاضر بهره¬مندی از منطق فازی، در نظر گرفتن تاب¬آوری تأمین¬کنندگان و ترکیب آن با تکنیک¬های تصمیم¬گیری چند شاخصه در معرفی مدل بومی انتخاب تأمین¬کنندگان صنعت نفت و گاز ایران است. جامعه و نمونه آماری پژوهش حاضر را 23 نفر از مدیران ارشد حوزه لجستیک در صنایع نفت و گاز ایران تشکیل¬ می¬دهند. نتایج حاصل از غربال¬سازی مؤلفه¬ها با دلفی فازی نشان داد، الگوی بومی در شش معیار و سی و هفت زیرمعیار شناسایی شدند. نتایج حاصل از وزن¬دهی به ابعاد انتخاب تأمین¬کنندگان تاب¬آور با تکنیک بهترین – بدترین فازی نشان¬ داد، معیار انعطاف¬پذیری (تاب¬آوری) مهم‌ترین معیار و قیمت و هزینه (معیار اقتصادی)، رتبه دوم و چابکی، خدمات تأمین¬کننده، ویژگی و ظرفیت تأمین¬کننده و کیفیت و تکنولوژی به ترتیب رتبه¬های سوم تا ششم را کسب نمودند. همچنین زیرمعیارهای هر معیار نیز وزن¬دهی و رتبه¬بندی شدند. سپس پیمانکاران تأمین¬کننده ابزار دقیق در صنعت نفت و گاز ایران با مدل پیشنهادی ارزیابی و با تکنیک¬های مپک و کوالیفلیکس رتبه¬بندی گردیدند.
1. Abbaspour Onari, M & Jahangoshai Rezaee, M. (2020). A fuzzy cognitive map based on Nash bargaining game for supplier selection problem: a case study on auto parts industry. Operational Research.
2. Amiri, M., & jahani, S. (2010). Application of IDEA/AHP for Supplier evaluation and Selection. Industrial Management Journal, 2 (2), 5-22. (In Persian)
3. Alinejad, A., Makoui, A., & Esfandiyari, N. (2013). New techniques in multi-attribute decision making. Academic Jihad Publications.
4. Ballard, G & Elfving, J. (2020). Supplier Development: The Gateway to Supply Chain Management in the Construction Industry. Lean Construction Journal.
5. Chen, K.S., Chang, T.C & Guo, Y.Y. (2020). Selecting an optimal contractor for production outsourcing: a case study of gear grinding. Journal of the Chinese Institute of Engineers, 43 (5), 415-424.
6. Carvalho, H., Barroso, A., Machado, V., Azevedo, S. & Machado, C. (2012). Supply chain redesign for resilience using simulation. Computers & Industrial Engineering. 62, 329-341.
7. Gunasekaran, A., Subramanian, N., & Rahman, S. (2015). Supply chain resilience: role of complexities and strategies. International Journal of Production Research, 53 (22), 6809-6819.
8. Ghahremaneram, M., Abdi, A., Rozbahani, Z., & Shahabi, M.(2017). Investigating Models of Resilience in Business, Fifth International Conference on Research Approaches in Humanities and Management.
9. Ji, G., & Hong, W. (2024). Research on the Manufacturer’s Strategies under Different Supply Interruption Risk Based on Supply Chain Resilience. Sustainability, 16 (2), 874.
10. Jahani, M., Azar, A., & Maghbalbaarz, A. (2017). Interpretative-Structural Modeling of Factors Affecting Supply Chain Resilience. Journal of Human Resource Management Research, 7 (4), 1-27.
11. Jamasbi, N., Olfat, L., Amiri, M., & Pishvaee, M. S. (2023). Presenting a Model for Evaluation and Selection of Sustainable Third Party Logistics Service Providers in the supply chain Based on the Combined Approach of Fuzzy Analytical Hierarchy and Cocoso Technique (case study: dairy industry). Iranian journal of management sciences, 17 (68), 45-74. (In Persian)
12. Jafarnejad, A., Kazemi, A., & Arab, A. (2016). Identify and prioritization of the supplier's resilience assessment indicators based on the best-worst- method. Journal of Industrial Management Perspective, (23), 159-186.
13. Khan, M.M., Bashar, I., Minhaj, G.M., Wasi, A.I., & Hossain, N.U.I. (2023). Resilient and sustainable supplier selection: an integration of SCOR 4.0 and machine learning approach. Sustainable and Resilient Infrastructure, 8 (5), 453-469.
14. Khatami Firouzabadi, S. M. A. (2014). Evaluation and Selection of International Supplier, Underscoring Risk Factors. Research in Production and Operations Management, 5 (1), 53-70. (In Persian)
15. Karimmian, Z., Ghodsypour, S. H., & Gheidar-Kheljani, J. (2018). Supplier Selection Problem Considering Relationships between Suppliers and Supply Disruption Risk in complex products. Research in Production and Operations Management, 8 (2), 135-150. (In Persian)
16. Karimi, H. (2023). Designing a model for selecting suppliers in oil and gas projects with a fuzzy multi-criteria decision-making approach. International Conference on Management and Industry, 5 (5), 705-734. (In Persian)
17. Kobagani, M.H., & Shahbandarzadeh, H. (2022). Quantitative analysis of supplier selection criteria in resilient supply chain using multi-criteria decision making techniques. Business Journal, 90 (23), 115-140. (In Persian) 18. Li, Y., Diabat, A & Lu, C.C. (2020). Leagile supplier selection in Chinese textile industries: a DEMATEL approach. Annals of Operations Research, 287 (1), 303-322
19. Morovati Sharifabadi, A., Kazemi, F., & Hayati, M. (2013). A Fuzzy QFD and Fuzzy MCDM Approach for Supplier Selection (A study of Snow-Pars co. of Yazd). Journal of Industrial Management Perspective, 3 (2), 129-146. (In Persian)
20. Mirfakhrodini, H., Sharifabadi, A., & Mohammadi, M. (2017). Prioritize organizational strategies. Strategic Management Research, Twenty-third Year, No. 66, 109-81.
21. Nayeri, S., Khoei, M.A., Rouhani-Tazangi, M.R., GhanavatiNejad, M., Rahmani, M., & Tirkolaee, E.B. (2023). A data-driven model for sustainable and resilient supplier selection and order allocation problem in a responsive supply chain: A case study of healthcare system. Engineering Applications of Artificial Intelligence, 124, 106511.
22. Rahimi, A., Rönnqvist, M., LeBel, L & Audy, J. F. (2020). Selecting wood supply contracts under uncertainty using stochastic programming. INFOR: InformationSystems and Operational Research, 1-21.
23. Ravanestan, K., Aghajani, H., Safaeeghadikalaei, A.h., & Yahyazadehfar, M.(2017). Determine the strategies and numbers of Iran Khodro Supply Chain. Journal of Strategic management research, (66), 24-45.
24. Shojaei, P & bolvardizadeh, A. (2020). Rough MCDM model for green supplier selection in Iran: a case of university construction project. Built Environment Project and Asset Management, 10 (3), 437-452.
25. Salehi, M., & Sayyah, M. (2017). Evaluation and Selection of Efficient Suppliers in terms of Uncertainty -The Grey Data Envelopment Analysis Approach. Iranian Journal of Trade Studies, 21 (81), 181-203. (In Persian)
26. Savoodi, S. (2019). Evaluation and Selection of Suppliers with Quantity Discounts (Case Study: Isfahan’s Mobarakeh Steel Company). Commercial Surveys, 16(93-92), 55-78.
27. Tong, L., Pu, Z., Chen, K & Yi, J. (2020). Sustainable maintenance supplier performance evaluation based on anextend fuzzy PROMETHEE II approach in petrochemical industry. Journal of Cleaner Production, 273, 122771.
28. Rezaei, J., (2015). Best –Worst multi –criteria decision- making method. Omega. 53, 49-57.
29. Ravanestan, K., Aghajani, H., Safaeeghadikalaei, A.h., & Yahyazadehfar, M. (2017). Determine the strategies and numbers of Iran Khodro Supply Chain. Journal of Strategic management research, (66), 24-45.
30. Urmia, I., Bonab, S.R., Haseli, G. (2023). Sustainable resilient supplier selection for IoT implementation based on the integrated BWM and TRUST under spherical fuzzy sets. Decision Making: Applications in Management and Engineering, 6 (1), 153-185.
31. Yazdi, A.K., Komijan, A.R., Wanke, P.F & Sardar, S. (2020). Oil project selection in Iran: A hybrid MADM approach in an uncertain environment. Applied Soft Computing, 88, 106066.
