طراحی سناریوهای تاب آوری زنجیره تأمین سایپا به منظور ارزیابی فرآیند تولید

الموضوعات :

Somayeh Shafaghizadeh ¹ ( Department of Industrial Engineering, South Tehran Branch, Islamic Azad University, Tehran, Iran )
Sadoullah Ebrahimnejad ² ( Department of Industrial Engineering, Karaj Branch, Islamic Azad University, Karaj, Iran )
Mehrzad Navabakhsh ³ ( Department of Industrial Engineering, South Tehran Branch, Islamic Azad University, Tehran, Iran )
Seyed Mojtaba Sajadi ⁴ ( New Business Department, Faculty of Entrepreneurship, University of Tehran )

تاريخ الإرسال : 10 السبت , جمادى الثانية, 1442 تاريخ التأكيد : 23 الثلاثاء , محرم, 1443 تاريخ الإصدار : 12 الأربعاء , ربيع الثاني, 1443

الکلمات المفتاحية: فاکتورهای تاب آوری, شبیه سازی, زنجیره تأمین تاب آور, تحلیل پوششی داده های شبکه ای,

ملخص المقالة :

زنجیره‌های تأمین معاصر شبکه‌های پیچیده‌ای از فرآیندها هستند که در معرض اختلالات فراوان قرار دارند، یک زنجیره تأمین تاب آور با ایجاد قابلیت‌ها، سریعتر پاسخگوی تغییرات خواهند بود. تأثیر اجزای شبکه زنجیره تأمین بر روی یکدیگر در شرایط عدم اطمینان منجر به پیچیدگی و ایجاد اختلالات می‌گردد. به جهت کاهش اختلالات، در مواجهه با ریسک‌های ناشی از زنجیره تأمین‌های مدرن باید به سمت رویکرد تاب‌آوری زنجیره تأمین حرکت نمود. هدف از این مقاله تجزیه و تحلیل فرآیندهای شبکه از تأمین کننده تا توزیع کننده، متناسب با همگرایی فرآیندها با در نظر گرفتن ترکیبی از فاکتورهای تاب آوری در صنعت خودرو است. طراحی سناریوهای پیشنهادی با ترکیب عوامل تاب آوری تأثیرگذار، بر مبنای نظر خبرگان این صنعت با در نظر گرفتن عوامل آسیب پذیر و اختلالات هر سطح ارائه شده است. ابتدا منابع ریسک‌های ناشی از زنجیره تأمین مانند اختلالات، تأخیرها و عوامل آسیب پذیر شناسایی و سپس بیست و چهار سناریو با ترکیب عوامل تاب آوری انعطاف پذیری، مشاهده پذیری ، سرعت و قابل رویت بودن طراحی گردیده است. زنجیره تأمین پیچیده شرکت بر اساس نرخ گذشته سیستم و توابع توزیع آماری شبیه سازی و سپس برای انتخاب سناریوی برتر از تحلیل پوششی داده های شبکه ای استفاده شده است. شاخص‌های حاصل از هر سناریو یا خروجی شبیه سازی بر اساس تحلیل پوششی داده ها رتبه بندی و کاراترین سناریو انتخاب می شوند. در نهایت با تحلیل‌های آماری و ایجاد یک مدل رگرسیون بین شاخص‌های شبیه سازی و کارایی سناریوها به روابط بین متغیرها و کارایی ها پرداخته شده است.

المصادر:

1. Aghajani, H, Ravansetan, K, Safaei, A, Yahyazadeh far, M(2017) Design of resilient Supply Chain Model in Iran Khodro with structural Equation Modeling and Qualitative Techniques, Journal of Industrial Management,12(40)


2. Aggarwal, S, Srivastava, M, Bharadwaj, S(2020) Towards a Definition and Concept of Collaborative Resilience in Supply Chain: A Study of 5 Indian Supply Chain Cases, International Journal of Information Systems and Supply Chain Management, 13(1)


3. Carvalho, H, A P Barroso, V H Machado, S Azevedo, V Cruz-Machado (2012) Supply Chain Redesign For Resilience Using Simulation Computers & Industrial Engineering, 62 (1), 329–341


4. Charnes, A, WW Cooper, and E Rhodes (1978) Measuring the efficiency of decision making units European journal of operational research 2(6),429-444


5. Hosseini S, Ivanov D, Dolgui A, (2019) Review of quantitative methods for supply chain resilience analysis Transportation Research Part E: Logistics and Transportation Review,125, 285-307


6. Kamble, S, Jabbour, C J C, Gunasekaran, A, Ndubisi, N O, Belhadi, A,Venkatesh, M (2021) Manufacturing and service supply chain resilience to the COVID-19 outbreak: Lessons learned from the automobile and airline industries Technological Forecasting and Social Change, 163, 120447


7. Liang, L, WD Cook, and J Zhu, (2008) DEA models for two‐stage processes: Game approach and efficiency decomposition Naval Research Logistics, 55(7),643-653


8. 8 Pettit TJ, Croxton KL, Fiksel J, (2019) The evolution of resilience in supply chain management: a retrospective on ensuring supply chain resilience Journal of Business Logistics40(1), 56-65


9. Pilevari, N, Golzar, AH (2021) Provide a Model in Determining the Impact of Block-Chain Technology on Supply Chain Performance Using Fuzzy Inference Systems in the Automobile IndustryJournal of Industrial Management,16 (55)


10. Ponomarov, Serhiy Y, and Mary C Holcomb (2009) Understanding the Concept of Supply Chain Resilience The International Journal of Logistics Management, 20(1)


11. Rajesh R (2019) Network design for resilience in supply chains using novel crazy elitist TLBO Neural Computing and Applications, 32, 7421–7437


12. Rajesh R (2020) A novel advanced grey incidence analysis for investigating the level of resilience in supply chains Annals of Operations Research, 1-50


13. Ruel, S, Baz, JE (2021) Can supply chain risk management practices mitigate the disruption impacts on supply chains’ resilience and robustness? Evidence from an empirical survey in a COVID-19 outbreak era International Journal of Production Economics, 233, 107972


14. Tan, Wen Jun, Allan N Zhang, and Wentong Cai (2019) A Graph-Based Model to Measure Structural Redundancy for Supply Chain Resilience International Journal of Production Research, 57 (20).