• Home
  • Designing a model of a smart reverse supply chain strategic in the rubber industry with a mixed approach

Share To

Article Url


Manuscript ID : 140308211190185 Visit : 186 Page: 190 - 221

10.71652/jmem.2025.1190185

Article Type: Original Research

Designing a model of a smart reverse supply chain strategic in the rubber industry with a mixed approach

Subject Areas :

Shiva Sadat Moosavipur 1 , Mahmood Modiri 2 * , Kiamars Fathi Hafeshjani 3 , Gholamreza Hashemzadeh khorasgani 4

1 - Department of Industrial Management, ST.C., Islamic Azad University, Tehran, Iran.
2 - Department of Industrial 2.Management, ST.C., Islamic Azad University, Tehran, Iran (Corresponding Author).
3 - Department of Industrial Management, ST.C., Islamic Azad University, Tehran, Iran.
4 - Department of Industrial Management, ST.C., Islamic Azad University, Tehran, Iran.

Received: 2024-11-11 Accepted : 2025-03-12 Published : 2025-03-12

Keywords: strategic supply chain, reverse logistics, smart technology, rubber industry.,

Abstract :

Objective: To design and validate a strategic model for a smart reverse supply chain in the tire industry by identifying key dimensions and analyzing their relationships.

Research Methodology: A mixed-method approach (qualitative-quantitative) was used. The qualitative phase employed hybrid content analysis and Fuzzy DEMATEL (15 experts), while the quantitative phase used Structural Equation Modeling (272 experts).

Findings: The final model consists of 5 dimensions and 17 criteria. “Strategic Intelligence” was identified as the most influential dimension, having a positive and significant impact on other dimensions (infrastructure, logistics, information integration, and strategic collaboration)

Originality/Scientific Value Added: This research provides a validated, hybrid model that serves as a strategic roadmap for implementing a smart reverse supply chain in the tire industry, emphasizing the central role of strategic intelligence as the main driver of success.

 

References:

Abdel-Basset, M., Manogaran, G., & Mohamed, M. (2018). Internet of Things (IoT) and its impact on supply chain: A framework for building smart, secure and efficient systems. Future Generation Computer Systems, 86, 614–628. https://doi.org/10.1016/j.future.2018.04.051.
Akdogan, A. A., & Demirtas, O. (2014). Managerial role in strategic supply chain management. Procedia-Social and Behavioral Sciences, 150, 1020-1029. https://doi.org/10.1016/j.sbspro.2014.09.114.
Al-Shihmani, W. I. M., Ali Agha, M. S., & Masood, T. (2022). Reverse supply chains in Industry 4.0. In 29th International European Operations Management Association Annual Conference, Berlin, Germany. https://pureportal.strath.ac.uk/en/publications/reverse-supply-chains-in-industry-40.
Andoni, M., Robu, V., Flynn, D., Abram, S., Geach, D., Jenkins, D., McCallum, P., Peacock, A. (2019). Blockchain technology in the energy sector: A systematic review of challenges and opportunities. Renew. Sustain. Energy Rev. 100, 143–174. https://doi.org/10.1016/j.rser.2018.10.014.
Aslam, J., Saleem, A., Khan, N. T., & Kim, Y. B. (2021). Factors influencing blockchain adoption in supply chain management practices: A study based on the oil industry. Journal of Innovation & Knowledge, 6(2), 124–134. https://doi.org/10.1016/j.jik.2021.01.002.
Bag, S., & Pretorius, J. H. C. (2020). Relationships between industry 4.0, sustainable manufacturing and circular economy: proposal of a research framework. International Journal of Organizational Analysis, 30(4), 864-898. https://doi.org/10.1108/IJOA-04-2020-2120.
Bányai, T., Bányai, Á., & Kaczmar, I. (Eds.). (2022). Supply Chain - Recent Advances and New Perspectives in the Industry 4.0 Era. IntechOpen. https://doi.org/10.5772/intechopen.98060.
Batista, L., Bourlakis, M., Smart, P., Maull, R. (2018). In search of a circular supply chain archetypeea content-analysis-based literature review. Prod. Plann. Contr, 29(6), 438-451. https://doi.org/10.1080/09537287.2017.1343502.
Bilgin, E.A. (2021). Industry 4.0 and sustainable supply chain. M U Iktisadi ve Idari Bilimler Dergisi, 43(1), 123-144. https://doi.org/10.1016/j.procs.2022.07.094.
Borgi, T., Zoghlami, N., & Abed, M. (2017). Big data for transport and logistics: A review. In 2017 International Conference on Advanced Systems and Electric Technologies (IC_ASET) (pp. 44-49). IEEE. https://doi.org/10.1109/ASET.2017.7983742.
Bouzon, M., Govindan, K., Rodriguez, C., Campos, L. (2016). Identification and analysis of reverse logistics barriers using fuzzyDelphi method and AHP. Resources, Conservation and Recycling, 108, 182-197. https://doi.org/10.1016/j.resconrec.2015.05.021.
Chauhan, C., Singh, A., & Luthra, S. (2020). Barriers to Industry 4.0 adoption and its performance implications: An empirical investigation of emerging economy. Journal of Cleaner Production, 284, 124809. https://doi.org/10.1016/j.jclepro.2020.124809.
De Oliveira, U. R., Espindola, L. S., da Silva, I. R., da Silva, I. N., & Rocha, H. M. (2018). A systematic literature review on green supply chain management: Research implications and future perspectives. Journal of Cleaner Production, 187, 537–561. https://doi.org/10.1016/j.jclepro.2018.03.083.
Dev, N. K., Shankar, R., & Qaiser, F. H. (2020). Industry 4.0 and circular economy: Operational excellence for sustainable reverse supply chain performance. Resources, Conservation and Recycling, 153, 104583. https://doi.org/10.1016/j.resconrec.2019.104583.
Doan, L. T. T., Amer, Y., Lee, S.-H., Phuc, P. N. K., & Dat, L. Q. (2019). A Comprehensive Reverse Supply Chain Model using an Interactive Fuzzy Approach - a Case Study on the Vietnamese Electronics Industry. Applied Mathematical Modelling, 76, 87-108. https://doi.org/10.1016/j.apm.2019.06.003.
Farooque, M., Zhang, A., Thürer, M., Qu, T., & Huisingh, D. (2019). Circular supply chain management: A definition and structured literature review. Journal of Cleaner Production, 228, 882–900. https://doi.org/10.1016/j.jclepro.2019.04.303.
Fatorachian, H. and Kazemi, H. (2020). Impact of industry 4.0 on supply chain performance. Production Planning and Control, 11, 1-19. https://doi.org/10.1080/09537287.2020.1712487.
Gao, Y. L., Gong, B., Liu, Z., Tang, J., & Wang, C. (2023). The behavioural evolution of the smart electric vehicle battery reverse supply chain under government supervision. Industrial Management & Data Systems, 123(10), 2577-2606. https://doi.org/10.1108/IMDS-10-2022-0639.
García-Sánchez, E., Guerrero-Villegas, J., & Aguilera-Caracuel, J. (2018). How Do Technological Skills Improve Reverse Logistics? The Moderating Role of Top Management Support in Information Technology Use and Innovativeness. Sustainability, 11(1), 58. https://doi.org/10.3390/su11010058.
Garrido-Hidalgo, C., Olivares, T., Ramirez, F. J., & Roda-Sanchez, L. (2019). An end-to-end Internet of Things solution for Reverse Supply Chain Management in Industry 4.0. Computers in Industry, 112, 103127. https://doi.org/10.1016/j.compind.2019.103127.
Hair Jr, J. F., Hult, G. T. M., Ringle, C. M., Sarstedt, M., Danks, N. P., Ray, S., ... & Ray, S. (2021). An introduction to structural equation modeling. Partial least squares structural equation modeling (PLS-SEM) using R: a workbook, 1-29. https://doi.org/10.1007/978-3-030-80519-7_1.
Ilgin, M. A., & Gupta, S. M. (2010). Environmentally conscious manufacturing and product recovery (ECMPRO): A review of the state of the art. Journal of environmental management, 91(3), 563-591. https://doi.org/10.1016/j.jenvman.2009.09.037.
Issaoui, Y., Khiat, A., Bahnasse, A., & Ouajji, H. (2019). Smart logistics: Study of the application of blockchain technology. Procedia Computer Science, 160, 266–271. https://doi.org/10.1016/j.procs.2019.09.467.
Kanashiro, P. (2020). Can environmental governance lower toxic emissions? A panel study of US high‐polluting industries. Business Strategy and the Environment, 29(4), 1634-1646. https://doi.org/10.1002/bse.2458.
Kazancoglu, Y., Ekinci, E., Mangla, S. K., Sezer, M. D., & Kayikci, Y. (2021). Performance evaluation of reverse logistics in food supply chains in a circular economy using system dynamics. Business Strategy and the Environment, 30(1), 71-91. https://doi.org/10.1002/bse.2610.
Krstić, M., Agnusdei, G. P., Miglietta, P. P., Tadić, S., & Roso, V. (2022). Applicability of Industry 4.0 Technologies in the Reverse Logistics: A Circular Economy Approach Based on COmprehensive Distance Based RAnking (COBRA) Method. Sustainability, 14(9), 5632. https://doi.org/10.3390/su14095632.
Kumar, A., Choudhary, S., Garza-Reyes, J. A., Kumar, V., Rehman Khan, S. A., & Mishra, N. (2021). Analysis of critical success factors for implementing industry 4.0 integrated circular supply chain–Moving towards sustainable operations. Production Planning & Control, 984-998. https://doi.org/10.1080/09537287.2021.1980905.
Le, T. (2020). Performance measures and metrics in a supply chain environment. Uncertain Supply Chain Management, 8(1), 93-104. https://doi.org/10.1108/01443570110358468.
Liao, Y., Deschamps, F., Loures, E. D. F. R., Ramos, L. F. P., (2017). Past, present and future of Industry 4.0-a systematic literature review and research agenda proposal. International journal of production research. 55(12), 3609-3629. https://doi.org/10.1080/00207543.2017.1308576.
Liu, Z., & Li, Z. (2019). A blockchain-based framework of cross-border e-commerce supply chain. International Journal of Information Management, 52, 102059. https://doi.org/10.1016/j.ijinfomgt.2019.102059.
Luthra, S., & Mangla, S. K. (2018). Evaluating challenges to Industry 4.0 initiatives for supply chain sustainability in emerging economies. Process Safety and Environmental Protection, 117, 168-179. https://doi.org/10.1016/j.psep.2018.04.018.
Machado, E., Scavarda, L. F., Gusmão Caiado, R. G., Tavares Thomé, A. M. (2020). Barriers and Enablers for the Integration of Industry 4.0 and Sustainability in Supply Chains of MSMEs. Sustainability 2021, 13(21), 11664. https://doi.org/10.3390/su132111664.
Mahindroo, A., Samalia, H. V., & Verma, P. (2018). Moderated influence of return frequency and resource commitment on information systems and reverse logistics strategic performance. International Journal of Productivity and Performance Management, 67(3), 550–570. https://doi.org/10.1108/ijppm-05-2016-0101.
Manavalan, E., Jayakrishna, K., (2019). A review of Internet of Things (IoT) embedded sustainable supply chain for industry 0/4requirements. Comput. Ind. Eng, 127, 925-953. https://doi.org/10.1016/j.cie.2018.11.030.
Masoumik, S. M., Abdul-Rashid, S. H., Olugu, E. U., & Ghazilla, R. A. R. (2015). A Strategic Approach to Develop Green Supply Chains. Procedia CIRP, 26, 670–676. https://doi.org/10.1016/j.procir.2014.07.091.
Mastos, T. D., Nizamis, A., Terzi, S., Gkortzis, D., Papadopoulos, A., Tsagkalidis, N., ... & Tzovaras, D. (2021). Introducing an application of an industry 4.0 solution for circular supply chain management. Journal of Cleaner Production, 300, 126886. https://doi.org/10.1016/j.jclepro.2021.126886.
Modiri, M., Shiramin, M. D., & Karimi Shirazi, H. (2019). Identification and Prioritization of Influencing Factors on Safety Performance with hybrid Fuzzy DEMATEL and Analytical Network Process Approach (DANP)(Case Study: A Combined Cycle Power Plant). Journal of Health & Safety at Work, 9(1), 49-60. [In Persian]. http://jhsw.tums.ac.ir/article-1-6038-en.html.
Morgan, T. R., Richey Jr, R. G., & Autry, C. W. (2016). Developing a reverse logistics competency. International Journal of Physical Distribution & Logistics Management, 46(3), 293–315. https://doi.org/10.1108/ijpdlm-05-2014-0124.
Muchaendepi, W., Mbowa, C., Kanyepe, J., & Mutingi, M. (2019). Challenges faced by the mining sector in implementing sustainable supply chain management in Zimbabwe. Procedia Manufacturing, 33, 493–500. https://doi.org/10.1016/j.promfg.2019.04.061.
Papadonikolaki, E. (2020). The digital supply chain: Mobilising supply chain management philosophy to reconceptualise digital technologies and building information modelling (BIM). Successful construction supply chain management: Concepts and case studies, 13-41. https://doi.org/10.1002/9781119450535.ch2.
Pourmehdi, M., Paydar, M. M., Ghadimi, P., & Azadnia, A. H. (2022). Analysis and evaluation of challenges in the integration of Industry 4.0 and sustainable steel reverse logistics network. Computers & Industrial Engineering, 163, 107808. https://doi.org/10.1016/j.cie.2021.107808.
Rahnamayiezekavat, P., Sorooshnia, E., Rashidi, M., Faraji, A., Mostafa, S., & Moon, S. (2022). Forensic analysis of the disputes typology of the NSW construction industry using PLS-SEM and prospective trend analysis. Buildings, 12(10), 1571. https://doi.org/10.3390/buildings12101571.
Rajput, S., & Singh, S. P. (2021). Industry 4.0 model for integrated circular economy-reverse logistics network. International Journal of Logistics Research and Applications, 1–41. https://doi.org/10.1080/13675567.2021.1926950.
Shang, C., Saeidi, P. and Goh, C.F. (2022). Evaluation of circular supply chains barriers in the era of Industry 4.0 transition using an extended decision-making approach. Journal of Enterprise Information Management, 35(4/5), 1100-1128. https://doi.org/10.1108/JEIM-09-2021-0396.
Sharma, M., Kamble, S., Venkatesh, M., Sehrawat, R., Belhadi, A., & Sharma, V. (2020). Industry 4.0 adoption for sustainability in multi-tier manufacturing supply chain in emerging economies. Journal of Cleaner Production, 281, 125013. https://doi.org/10.1016/j.jclepro.2020.125013.
Shoaib, M., Lim, M. K., & Wang, C. (2020). An integrated framework to prioritize blockchain-based supply chain success factors. Industrial Management & Data Systems, 120(11), 2103–2131. https://doi.org/10.1108/imds-04-2020-0194.
Singh, R. K., & Agrawal, S. (2018). Analyzing disposition strategies in reverse supply chains: fuzzy TOPSIS approach. Management of Environmental Quality: An International Journal, 29(3), 427–443. https://doi.org/10.1108/meq-12-2017-0177.
Singh, R. K., Kumar, R., & Kumar, P. (2016). Strategic issues in pharmaceutical supply chains: a review. International Journal of Pharmaceutical and Healthcare Marketing, 10(3), 234–257. https://doi.org/10.1108/ijphm-10-2015-0050.
Sun, X., Yu, H., & Solvang, W. D. (2022). Towards the smart and sustainable transformation of Reverse Logistics 4.0: a conceptualization and research agenda. Environmental Science and Pollution Research, 29(46), 69275–69293. https://doi.org/10.1007/s11356-022-22473-3.
Tseng, M.-L., Islam, M. S., Karia, N., Fauzi, F. A., & Afrin, S. (2019). A literature review on green supply chain management: Trends and future challenges. Resources, Conservation and Recycling, 141, 145–162. https://doi.org/10.1016/j.resconrec.2018.10.0.
Vimal, K. E. K., Churi, K., & Kandasamy, J. (2022). Analysing the drivers for adoption of Industry 4.0 technologies in a functional paper–cement–sugar circular sharing network. Sustainable Production and Consumption, 31, 459-477. https://doi.org/10.1016/j.spc.2022.03.006.
Wanganoo, L., & Tripathi, R. (2023). Reverse Logistics: Rebuilding Smart and Sustainable Transformation Based on Industry 4.0. In Fostering Sustainable Development in the Age of Technologies, 129-143. https://doi.org/10.1108/978-1-83753-060-120231011.
Wanganoo, L., Panda, B. P., Tripathi, R., & Shukla, V. K. (2021, March). Harnessing smart integration: Blockchain-enabled B2C reverse supply chain. In 2021 International Conference on Computational Intelligence and Knowledge Economy (ICCIKE) (pp. 261-266). IEEE. https://doi.org/10.1109/ICCIKE51210.2021.9410677.
Xu, X. Q., Jin, C., & Cao, Y. D. (2012). Smart Reverse Supply Chain: An Application of IoT to Green Manufacturing. Applied Mechanics and Materials, 141, 493–497. https://doi.org/10.4028/www.scientific.net/AMM.141.493.
Yadav, S., & Singh, S. P. (2020). Blockchain critical success factors for sustainable supply chain. Resources, Conservation and Recycling, 152, 104505. https://doi.org/10.1016/j.resconrec.2019.1045.
Full-Text:


 

 

 

 

Modern Management Engineering

Volume 11, Issue 2 , 2025 summer

PP:190-221

Paper type: Research paper

 

 

Designing a Strategic Model for a Smart Reverse Supply Chain in the Tire Industry: A Mixed-Method Approach

 

Shiva Sadat Mousavipour¹, Mahmoud Modiri², Kiamars Fathi Hafshejani³, Gholamreza Hashemzadeh Khorasgani⁴

 

Received: 11/11/2024                                                                     Accepted: 12/03/2025

 

Extended Abstract

 

Introduction

One of the key strategies for supply chain managers is the implementation of smart technologies in the reverse supply chain to manage and reduce environmental pollution and conserve resources. This research, using a mixed-method approach (qualitative-quantitative), analyzes the relationships between the dimensions and criteria of a strategic smart reverse supply chain in the tire industry.

 

Literature Review

While the concepts of reverse logistics and smart technologies are established, there is a gap in research that provides a comprehensive, empirically validated strategic model integrating these concepts specifically for the high-impact tire industry. This study addresses this by developing and testing a model that maps the strategic interdependencies of key factors.

 

_________________________________________________________

1.Department of Industrial Management, ST.C., Islamic Azad University, Tehran, Iran.

2. Department of Industrial 2.Management, ST.C., Islamic Azad University, Tehran, Iran (Corresponding Author). M_Modiri@azad.ac.ir

3.Department of Industrial Management, ST.C., Islamic Azad University, Tehran, Iran.

4.Department of Industrial Management, ST.C., Islamic Azad University, Tehran, Iran.

How to cite this article: Mousavipour, S. S., Modiri, M., Fathi Hafshejani, K., & Hashemzadeh Khorasgani, G. (2025). Designing a Strategic Model for a Smart Reverse Supply Chain in the Tire Industry: A Mixed-Method Approach. Modern Management Engineering, 11(2),.190-221. [In Persian]

img010.71652/jmem.2025.1190185

 

 

 

 

 

 

 

 

 

Research Methodology

The study employs a sequential explanatory mixed-method design. The qualitative phase involved 15 senior managers from the tire industry, selected through purposive and snowball sampling. Data were analyzed using hybrid content analysis (deductive-inductive) to identify the model’s components, followed by Fuzzy DEMATEL to map the network of relationships. The quantitative phase surveyed 272 managers and experts in the tire industry to test the relationships using Structural Equation Modeling (SEM).

 

Results

The qualitative analysis identified a model with five dimensions and 17 criteria. The Fuzzy DEMATEL results showed that “Strategic Intelligence,” “Infrastructure and Technology,” “Logistics System,” and “Information Integration” dimensions influence the “Strategic Collaboration with Partners” dimension. The SEM analysis confirmed a positive and significant relationship between “Strategic Intelligence” and the other four dimensions. Furthermore, a significant relationship was confirmed between “Infrastructure and Technology” and “Logistics System” with “Information Integration.”

 

Discussion and Conclusion

The findings highlight the central role of “Strategic Intelligence” as a foundational driver for developing a successful smart reverse supply chain. The model provides a validated strategic roadmap for tire industry managers, demonstrating that investments in smart technologies and logistics must be guided by strategic intelligence and fostered through information integration and collaboration to be effective.

 

Keywords: Smart Reverse Supply Chain, Strategic Model, Tire Industry, Mixed-Method, Fuzzy DEMATEL, SEM.

JEL Classification: Q53, M11, L62

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

مهندسی مدیریت نوین

سال یازدهم، شماره دوم، تابستان 1404

تعداد صفحات: 190-221

نوع مقاله: پژوهشی

 

طراحی مدل استراتژیک زنجیره‌تأمین معکوس هوشمند در صنعت لاستیک‌سازی با رویکرد آمیختۀ ترکیبی

شیوا سادات موسوی‌پور1، محمود مدیری2، کیامرث فتحی هفشجانی3، غلام‌رضا هاشم‌زاده خوراسگانی4

تاریخ دریافت: 21/08/1403                                                تاریخ پذیرش: 22/12/1403

 

چکیده

هدف: طراحی و اعتبارسنجی یک مدل استراتژیک برای زنجیره‌تأمین معکوس هوشمند در صنعت لاستیک‌سازی از طریق شناسایی ابعاد کلیدی و تحلیل روابط بین آن‌ها.

روش‌شناسی پژوهش: پژوهش با رویکرد آمیخته ترکیبی (کیفی-کمی) انجام شد. در بخش کیفی از تحلیل محتوای ترکیبی و دیمتل فازی (۱۵ خبره) و در بخش کمی از مدل‌سازی معادلات ساختاری (۲۷۲ کارشناس) استفاده شد.

یافته‌ها: مدل نهایی شامل ۵ بعد و ۱۷ معیار است. «هوشمندی استراتژیک» به‌عنوان تأثیرگذارترین بُعد شناسایی شد که بر سایر ابعاد (زیرساخت، لجستیک، یکپارچگی اطلاعات و همکاری استراتژیک) تأثیر مثبت و معنادار دارد.

اصالت / ارزش‌افزوده علمی: این تحقیق با ارائه یک مدل ترکیبی و اعتبارسنجی‌شده، نقشه راه استراتژیکی برای پیاده‌سازی زنجیره‌تأمین معکوس هوشمند در صنعت لاستیک‌سازی فراهم می‌کند و بر نقش محوری هوشمندی استراتژیک به‌عنوان پیشران اصلی موفقیت تأکید می‌ورزد.

کلیدواژه‌ها: زنجیره‌تأمین معکوس هوشمند، مدل استراتژیک، صنعت لاستیک‌سازی، رویکرد آمیخته، دیمتل فازی، SEM.

طبقه‌بندی موضوعی: Q53, M11, L62

_________________________________________________________

۱. گروه مدیریت صنعتی، واحد تهران جنوب، دانشگاه آزاد اسلامی، تهران، ایران.

۲. گروه مدیریت صنعتی، واحد تهران جنوب، دانشگاه آزاد اسلامی، تهران، ایران (نویسنده مسئول). M_Modiri@azad.ac.ir

۳. گروه مدیریت صنعتی، واحد تهران جنوب، دانشگاه آزاد اسلامی، تهران، ایران.

۴. گروه مدیریت صنعتی، واحد تهران جنوب، دانشگاه آزاد اسلامی، تهران، ایران.

نحوه استناد به مقاله: موسوی‌پور، ش. س.، مدیری، م.، فتحی هفشجانی، ک.، و هاشم‌زاده خوراسگانی، غ. (1404). طراحی مدل استراتژیک زنجیره‌تأمین معکوس هوشمند در صنعت لاستیک¬سازی با رویکرد آمیختۀ ترکیبی. مهندسی مدیریت نوین، 11(2)، .190-221.

img010.71652/jmem.2025.1190185

 

 

 

 

 

مقدمه

در سال­های اخیر، به دلیل افزایش سطح بالای صنعتی شدن جهان اقتصادی، محیط زیست به یک موضوع مهم نگرانی تبدیل شده است (Muchaendepi et al., 2019). در این راستا، زنجیره­تامین معکوس به دلیل افزایش سطح نگرانی­های زیست­محیطی، کاهش منابع و مقررات، مورد توجه بسیاری از دولت­ها، شرکت­ها و دانشمندان قرار گرفته است (Doan et al., 2019) و مدیران مجبور شده­اند تا استراتژی­های زنجیره­تأمین را از منظر زیست محیطی درنظر بگیرند (Muchaendepi et al., 2019). مدیریت زنجیره­تأمین معکوس می تواند اثرات منفی زیست­محیطی را دفع و منابع جدید را استخراج کند که منجر به کاهش هزینه­های تولید گردد (Singh et al., 2018). 

به­طور­کلی می­توان گفت که زنجیره-تامین معکوس، با مشکلاتی مانند انتقال اطلاعات، عدم اطمینان و پیچیدگی فرآیند بازیافت محصول (که به یک سیستم پردازش اطلاعات پیشرفته نیاز دارد) مواجه شده است (Xu et al., 2012). این پیچیدگی­ها و مشکلات منجر شده است تا شرکت­ها به دنبال راه­حل­هایی برای بهبود فرآیند کار خود باشند (Issaoui et al., 2019). یکی از راه­کارهای جهت­گیری استراتژیک در این خصوص، بکارگیری سیستم­های اطلاعاتی پیشرفته در مدیریت زنجیره­تأمین معکوس (Singh et al., 2018). چون فناوری اطلاعات و ارتباطات در زنجیره­تأمین معکوس می­تواند عملکرد آن را به میزان قابل توجهی بهبود بخشد (Garrido-Hidalgo et al., 2019). 

 برای به­دست آوردن مزایای استراتژیک، به سیستم­های فناوری اطلاعات (خصوصاً سیستم­های اطلاعاتی) نیاز است تا سازمان­ها را قادر سازد که فعالیت­های لجستیکی را به صورت کارآمد مدیریت کرده و تلفات ناشی از بازده محصول را کاهش دهند (Mahindroo et al., 2018). در این خصوص، زنجیره­تأمین هوشمند معکوس1 (SRSC) می­تواند با استفاده از فناوری­های هوشمند اطلاعات، پاسخ را در زمان واقعی بهبود بخشد (Xu et al., 2012). شایستگی­های فناوری اطلاعات که بر پردازش سریع و دقیق بازده از طریق به­اشتراک­گذاری اطلاعات مؤثر متمرکز است، می­تواند نتایج لجستیکی کلی معکوس را بهبود دهد (Morgan et al., 2016). زنجیره­های تأمین هوشمند عمدتاً با اتصال اشیاء داخلی، با ذینفعان و همچنین تصمیم­گیری مناسب توسط سیستم­های هوشمند و ادغام فرآیند می­توانند اطلاعات و ارتباطات فرآیندهای خود را بهبود بخشید (Issaoui et al., 2019). کاربردی‌ترین فناوری‌های صنعت نسل چهارم در لجستیک معکوس شامل اینترنت اشیاء، محاسبات ابری، بلاک­چین و دوقلوی دیجیتال است که امکان یکپارچه‌سازی بازار لجستیک معکوس هوشمند را فراهم می‌کنند (Wanganoo and Tripathi, 2023). استفاده از فناوری برای به­دست آوردن اطلاعات در مورد جریان مواد و قابلیت ردیابی محصولات در مدیریت زنجیره­تأمین معکوس ضروری است (Issaoui et al., 2019). هوش مصنوعی و یادگیری ماشینی می‌تواند برای پیش‌بینی محصولاتی که احتمالاً بازگردانده می‌شوند و اولویت‌بندی پردازش بازگشت بر اساس این اطلاعات مورد استفاده قرار گیرد (Sun et al., 2022). به­طور کلی، ادغام فناوری جدید در لجستیک معکوس می­تواند منجر به صرفه­جویی در هزینه و بهبود پایداری شود (Wanganoo and Tripathi, 2023). اما استفاده از فناوری­ها با توجه به پیچیدگی های سیستم­های امروزی، چالش برانگیز است و نیاز است تا دانشمندان و سازمان­ها بر آن تمرکز کرده تا بتوانند به مزیت رقابتی دست یابند (Singh et al., 2016).

در دسترس نبودن یک چارچوب تعریف شده، پذیرش فناوری­ها در مدیریت زنجیره­تأمین معکوس را به شدت محدود می­کند (Aslam et al., 2021). علیرغم نتایج مفیدی که در ادبیات برجسته شده است، پذیرش فناوری­های نوظهور توسط سازمان­ها برای برنامه­های کاربردی مدیریت زنجیره­تأمین معکوس در مرحله اولیه است (Yadav et al., 2020Chauhan et al., 2020;). محققان پذیرش فناوری­های هوشمند در حوزه­های مختلف بررسی کرده­اند اما هنوز به طور کامل مشخص نشده است که مدیران چگونه از این فناوری­ها برای مدیریت بهتر زنجیره­­تأمین استفاده کنند (Shang et al., 2022). تحقیقات نشان داده اند که بکارگیری فناوری­های هوشمند یک فرآیند پیچیده است و بسیاری از شرکت­ها در کشورهای مختلف به دنبال راه­حل­هایی برای بکارگیری آن هستند (Luthra and Mangla, 2018). بنابراین، تلاقی صنعت نسل چهارم و مدیریت زنجیره­­تأمین معکوس یک عرصه تحقیقاتی نوظهور است که ارزش بررسی دارد (Bányai et al., 2022). علاوه بر این، هیچ پیشرفت قابل توجهی در جهت توسعه لجستیک معکوس هوشمند که از فناوری‌های مختلف نوظهور و هوشمند برای بهینه‌سازی و بهبود جریان‌های بازگشتی استفاده می‌کند، صورت نگرفته است. همچنین مطالعات بسیار کمی در رابطه با کاربرد فناوری‌های هوشمند در فرآیندهای لجستیک معکوس وجود دارد (Krstić et al., 2020). اینکه چگونه می­توان ادغام فناوری­های هوشمند و زنجیره­تأمین معکوس را برای دستیابی به عملیات زنجیره­تأمین پایدار پیاده­سازی کرد، یک سوال مهم برای تحقیق است (Kumar et al., 2021). بنابراین، در به‌کارگیری لجستیک معکوس، باید از فناوری­های هوشمند استفاده شود تا درک و شناخت مدیران از اطلاعات مربوطه برای تصمیم‌گیری و مواجه‌شدن با محصولات لجستیک معکوس بهتر شود. امروزه با افزایش تقاضای خودرو در کشور، تعداد لاستیک­های زباله نیز افزایش یافته است. اما در میان این لاستیک‌های زباله درصد بسیار پایینی استفاده مجدد قرار می­گیرند به گونه­ای که انباشت زباله­های لاستیک بسیار بیشتر از نرخ بازیافت است. لاستیک­های زباله انباشت شده در محیط موجب آلایندگی منابع و هوا می گردد. علیرغم پتانسیل بسیار زیاد در بازیافت و استفاده مجدد از این محصولات لاستیکی و همچنین ارزش افزوده بالای آن، تولیدکنندگان هنوز نتوانسته­اند سیستمی مبتنی بر فناوری­های پیشرفته و هوشمند برای زنجیره­تأمین معکوس لاستیک­های زباله طراحی کنند. بنابراین سوال تحقیق عبارت است از این که ابعاد تاثیرگذار مدیریت استراتژیک زنجیره­تأمین معکوس هوشمند در صنعت لاستیک­سازی کدامند و ارتباط بین آن­ها چگونه است و اهمیت آن­ها به چه ترتیب می­باشد؟

 

 

 

مبانی نظری و پیشینه پژوهش

زنجیره­تأمین معکوس

طبق استاندارد و پذیرفته‌شده‌ترین تعریف، زنجیره­تأمین معکوس نوعی مدیریت زنجیره­تأمین است که هدف آن بهینه‌سازی جریان‌های معکوس کالاها از نقطه مصرف تا مبدأ به منظور برنامه‌ریزی، اجرا و کنترل مناسب و کارآمد دفع مواد، محصولات نهایی و موجودی­ها، یا بازیابی ارزش آن­ها از طریق فروش مجدد، نوسازی، تعمیر، ساخت مجدد، یا بازیافت است (Ilgin and Gupta, 2010). لجستیک معکوس بلافاصله با بهینه­سازی فرآیندها و فعالیت­هایی که بر شرایط محیطی تأثیر می­گذارد، مانند کاهش ضایعات و حفظ منابع، بر عملکرد مالی هر شرکت تأثیر می­گذارد (Le, 2020). در نتیجه، ملاحظات زیست­محیطی، مانند دفع زباله، انتشار گازهای گلخانه­ای، و مصرف انرژی در طول تولید، مهم­ترین اولویت برای توسعه لجستیک معکوس در نظر گرفته می­شود (Krstić et al., 2020). زنجیره‌های تأمین مستقیم و معکوس از طریق ادغام هدفمند اکوسیستم کسب‌وکار برای ایجاد ارزش از محصولات/خدمات، محصولات جانبی و جریان‌های ضایعات مفید از طریق چرخه‌های عمر طولانی‌مدت، پایداری اقتصادی، اجتماعی و زیست‌محیطی سازمان‌ها را بهبود می‌بخشد (Batista et al., 2018). این گونه سیستم­ها، به طور سیستماتیک مواد فنی را بازیابی می­کند و مواد بیولوژیکی را به سمت چشم­انداز بدون ضایعات از طریق طراحی محصول/خدمات تا پایان عمر و مدیریت ضایعات بازسازی می­کند (Farooque et al., 2019). 

 

زنجیره­تأمین معکوس هوشمند

زمینه تحقیق مدیریت زنجیره­تأمین به طور مداوم در حال ادغام فناوری­های جدید مانند داده­های بزرگ، اینترنت اشیاء و بلاک­چین، رایانش ابری، شناسایی امواج رادیویی تحت عنوان فناوری­های صنعت نسل چهارم است (Liu and Li, 2019). فناوری­های صنعت نسل چهارم، به اشتراک­گذاری اطلاعات و شفافیت را بهبود می­بخشد که احتمالاً به عملکرد زنجیره­تأمین برتری می­رسد. فناوری‌های صنعت نسل چهارم امکان یکپارچه‌سازی فرآیند، اتوماسیون و دیجیتالی‌سازی را فراهم می‌کنند، بنابراین منجر به بهبود در خرید، ساخت، لجستیک و سایر عملکردها می‌شود (Fatorachian and Kazemi, 2020). فناوری نوظهور می­تواند شفافیت را افزایش دهد که برای مدیریت مؤثر زنجیره­های تأمین طولانی و پیچیده امروزی ضروری است (Bag et al., 2020).

صنعت نسل چهارم به بهبود فرآیندهای موجود، جریان مواد، کاهش کالاهای آسیب دیده و زمان انتظار در سراسر زنجیره­تأمین کمک می­کند. زمان‌بندی هوشمند وظایف، شفافیت فرآیند بهبود یافته، انعطاف‌پذیری، کیفیت و سفارشی‌سازی را فراهم می‌کند. علاوه بر این، سیستم‌های انرژی هوشمند به کاهش مصرف انرژی کمک می‌کنند (Sharma et al., 2020). پذیرش دیجیتالی شدن و فناوری­های هوشمند در کل زنجیره­تأمین ممکن است لجستیک معکوس و زنجیره­تأمین حلقه بسته را بهبود بخشد. افزایش کیفیت خدمات با استفاده از فناوری واقعیت افزوده در خدمات نگهداری و تعمیرات در مرحله پس از استفاده امکان­پذیر خواهد بود. در مرحله لجستیک معکوس، با ادغام افقی و اینترنت اشیاء، امکان جمع­آوری محصولات از محل آن­ها پس از استفاده و ارسال آن­ها به سطوح زنجیره ارزش وجود خواهد داشت که در آن­جا می­توان از آن­ها با برنامه­های کاهش، استفاده مجدد، بازیافت، بازیابی، طراحی مجدد و ساخت مجدد، مجددا استفاده کرد. فناوری امنیت سایبری برای اجرای موفقیت‌آمیز اصول صنعت نسل چهارم از اهمیت بالایی برخوردار است (Bilgin, 2021).

در پیشینه تحقیق، وانگانو و تریپاتی (Wanganoo and Tripathi, 2023)، تاکید دارد که یک پلت­فرم دیجیتالی شده و سیستم پشتیبانی تصمیم هوشمند مبتنی بر داده می‌تواند ارتباطات و اشتراک‌گذاری اطلاعات را بین ذینفعان مختلف در زمان واقعی بهبود بخشد، برنامه‌ریزی و استفاده بهتر از منابع را در عملیات لجستیک معکوس در تجارت الکترونیک ممکن می‌سازد و منجر به صرفه‌جویی در هزینه و بهبود پایداری می‌شود. گااو و همکاران (Gao et al., 2023) در مطالعه خود دست یافتند که استفاده از فناوری بلاک­چین برای ساخت زنجیره­تأمین معکوس باتری خودروی الکتریکی هوشمند می­تواند مشکلات عدم اعتماد و داده را حل کند. کرستیک و همکاران (Krstić et al., 2022) نشان داد که کاربرد فن­آوری­های مختلف صنعت نسل چهارم در بخش لجستیک معکوس می­تواند در عملکرد سریع، انعطاف­پذیر، ایمن، اقتصادی، کارآمد و قابل قبول از نظر زیست­محیطی در جریان حمل­و­نقل کالا مؤثر باشد. آن­ها در این مطالعه بر نقش عوامل تکنولوژی، سیاسی-اجتماعی، و اقتصادی عملیاتی در توسعه لجستیک معکوس تاکید کرده اند. شانگ و همکاران (Shang et al., 2022) در مطالعه نشان داد که فقدان دانش در مورد فن‌آوری‌های صنعت نسل چهارم و رویکردهای مدور اولین مانعی است که به دنبال آن مشکلات مرتبط با امنیت داده در مدیریت روابط در جریان‌های مدور، کمبود دانش در مورد مدیریت داده در بین ذینفعان و عدم آگاهی در مورد مزایای بالقوه سیستم‌های مستقل در فعالیت‌های «پایان عمر» مبتنی بر نیروی کار برای زنجیره­تأمین در عصر انتقال صنعت نسل چهارم دارد. بر اساس مطالعات یاداو و سینگ (2020) عوامل ایمنی و تمرکززدایی داده­ها، دسترسی، قوانین و خط­مشی، اسناد، مدیریت داده­ها و کیفیت عوامل حیاتی موفقیت بلاک­چین برای زنجیره­تأمین پایدار می­باشد (Yadav and Singh., 2020). مطالعه عیسی  و همکاران (Issaoui et al., 2019) نشان داد که استفاده از بلاک­چین دارای محدودیت­های مختلف یعنی: تهیه استانداردهای استانداردسازی داده­ها، برای ساده کردن مبادلات بین کانال­های مختلف و تدوین قوانین نظارتی است و چشم­اندازی برای بهبود در هنگام استفاده در زمینه لجستیک هوشمند وجود دارد. عبدالباسط و همکاران (Abdel-Basset et al., 2018) در تحقیق خود بر نقش ایمنی، قابل اعتماد بودن، خدمات، شبکه و حریم خصوصی در سیستم زنجیره­تأمین هوشمند تاکید کرده­اند. نتایج مطالعه گارسیا سانچز و همکاران (García-Sánchez et al., 2018) نشان داد مهارت­های فناوری بر لجستیک معکوس در شرکت­های با تکنولوژی بالا اثر مستقیم و مثبت دارند. همچنین، نتایج نشان داد که حمایت مدیریت از فناوری اطلاعات بر لجستیک معکوس تأثیرگذار است. مطالعه مورگان و همکاران (Morgan et al., 2016) نشان داده است که بنگاه­ها، از طریق همکاری می­توانند توانایی خود را برای مقابله با بازدهی بهبود بخشند و فناوری اطلاعات به عنوان تأثیر تعدیل کننده بر تأثیر همکاری در پیشرفت شایستگی لجستیک معکوس معرفی شده است. در این مطالعه بر شایستگی فناوری اطلاعات در رابطه بین همکاری و صلاحیت لجستیک معکوس تاکید شده است.

مطالعات همچون وانگانو و تریپاتی (Wanganoo and Tripathi, 2023)، گااو و همکاران (Gao et al., 2023)، کرستیک و همکاران (Krstić et al., 2022) و شانگ و همکاران (Shang et al., 2022) نقش بسیار مهم و پراهمیت فناوری های هوشمند در زنجیره­تأمین معکوس را مطرح کرده اند و مشخص شده است که فناوری­های هوشمند می تواند در کل زنجیره­تأمین لجستیک معکوس را بهبود ببخشد. اما یک شکاف تحقیقاتی کلیدی در حوزه ادغام فناوری‌های هوشمند با شیوه‌های لجستیک معکوس وجود دارد. در حالی که ادبیات کنونی توانمندسازها و چارچوب‌های مختلفی را برای تحول لجستیک معکوس هوشمند مورد بحث قرار می‌دهد، اما شواهد تجربی هنوز نتوانسته است یک مفهوم سازی سیستماتیک برای هدایت تغییر پارادایم آتی لجستیک معکوس به سمت هوشمندی در سناریوهای دنیای واقعی اجرا و اندازه‌گیری کند. سان و همکاران (Sun et al., 2022) نشان داده است که لجستیک معکوس هوشمند در مرحله برنامه ریزی اولیه قرار دارد و هنوز به چشم انداز جامع و یکپارچه فاصله دارد و نیاز به درک بهتری از یکپارچگی نوآوری فناوری های هوشمند در حل مسائل لجستیک معکوس است. بنابراین نوآوری این تحقیق توسعه مفهومی وارائه یک نقشه راه روشن برای تحول لجستیک معکوس هوشمند در صنایع با آلایندگی بالا است. برای کاهش این شکاف تحقیقاتی و نبود مدل مفهومی برای هوشمندی زنجیره­تأمین معکوس، این پژوهش به طراحی مدل هوشمند استراتژیک زنجیره­تأمین معکوس در صنایع لاستیک­سازی پرداخته است.

 

روش‌شناسی پژوهش

این تحقیق با هدف تعیین و شناسایی روابط بین ابعاد و معیارهای مدل استراتژیک زنجیره­تأمین معکوس هوشمند در صنعت لاستیک­سازی انجام شده است که از لحاظ هدف کاربردی-توسعه­ای و ماهیت داده­ها آمیخته (کیفی-کمّی) است. جامعه تحقیق در بخش کیفی خبرگان صنعت لاستیک­سازی هستند. این خبرگان دارای ویژگی­هایی همچون دارا بودن تخصص در حوزه تولید و زنجیره­تأمین با فناوری­های هوشمند، تجربه کاری بالای 15 سال و آگاهی کامل به موضوع پژوهش بوده­اند. خبرگان از طریق نمونه­گیری غیر احتمالی هدفمند و با تکنیک گلوله برفی به تعداد 15 نفر انتخاب شده­اند. در بخش کیفی مبنای نمونه­گیری اشباع نظری بوده است.

برای طراحی مدل، محقق نیاز به شناسایی داده­های کیفی دارد که بتوان به آن استناد کرد؛ و علاوه بر این، تجربیات، ادراکات و رفتار پدیده­ها را شناسایی کند. این اطلاعات به­منظور دستیابی به درک بهتر از موضوع مورد مطالعه استفاده می­شود. از طرفی دیگر به منظور پشتیبانی خوب برای کشف ایده­ها و روابط جدید بین دسته­ها و ویژگی­ها از رویکرد تحلیل محتوا ترکیبی از اصل قیاسی و استقرائی استفاده شده­است. بنابراین، در رویکرد کیفی، ابعاد، معیارها و شاخص­های مدل به روش تحلیل محتوا با رویکرد ترکیبی از اصل قیاسی و استقرائی و با تکنیک کدگذاری شناسایی و استخراج شده­اند. در بخش استقرائی، کدهای توصیفی استخراج شده از طریق مصاحبه نیمه ساختاریافته (استقرائی) با خبرگان به کدهای محوری و انتخابی تبدیل شده­اند. در بخش قیاسی، از ادبیات نظری برای دسته­بندی کدهای محوری بهره ­گرفته شده است. در بخش کیفی، روایی محتوایی شاخص­ها با روش نسبت روایی محتوایی2  (CVR) همراه با ضریب لاوشه 49/0 برای 15 خبره مقایسه و همه شاخص­ها تأیید شده­اند. علاوه بر این، برای تأیید معیارها از روش دلفی فازی استفاده شده است. شرط لازم برای دلفی فازی میزان اختلاف بین راندها کمتر از 2/0 و شرط کافی میانگین امتیازات خبرگان بیشتر از 8 در نظر گرفته شده است (Modiri et al., 2019).

پس از کدگذاری­ها و دسته­بندی متغیرهای مدل، برای تعیین روابط بین متغیرهای مدل از روش دیمتل  فازی3 استفاده شده است. این روش روابط علت­ومعلولی و شبکه­ای از روابط متقابل را در یک مدل ساختاری نشان می­دهد و وابستگی‌های متقابل بین متغیرها را نشان می‌دهد. اما همبستگی بین روابط را نشان نمی­دهد. برای پر کردن این شکاف، از رویکرد مدل‌سازی معادلات ساختاری حداقل مربعات جزئی برای تأیید مدل بیرونی و درونی و همبستگی استفاده شده است. اعتقاد بر این است که مدل­های حداقل مربعات جزئی تخمین­های دقیق­تری نسبت به مدل­های ساخته شده دارند. در واقع روش مدل‌سازی معادلات ساختاری برای پیش‌بینی و کاوش مدل‌های پیچیده «با انتظارات آرام از داده‌ها» استفاده می‌شود (Rahnamayiezekavat et al., 2022). بنابراین از ترکیب این دو روش به عنوان مبنایی برای توسعه مدل زنجیره­تأمین معکوس هوشمند استراتژیک برای پیش‌بینی احتمال آینده استفاده شده است.

در روش دیماتل فازی، با استفاده پرسشنامه محقق ساخته برگرفته شده از بخش کیفی، به صورت مقایسات زوجی  طراحی شده است که در آن خبرگان به میزان اثرگذاری هر یک از ابعاد و مولفه­ها بر یکدیگر را به صورت «بدون تأثیر (0)»، «تأثیر کم(1)»، «تأثیر متوسط(2)»، «تأثیر زیاد(3)»، «تأثیر خیلی زیاد (4)» مشخص کرده­اند و سپس بر اساس دیمتل فازی روابط بین آن­ها مشخص و مدل طراحی شده است. پاسخ­دهندگان این بخش خبرگان بخش کیفی بوده­اند که به تعداد 15 نفر انتخاب شده­اند. 

در ادامه برای آزمون روابط از روش مدلسازی معادلات ساختاری استفاده شده است. جامعه آماری این بخش مدیران و کارشناسان 15 شرکت لاستیک­سازی به تعداد 272 نفر می­باشد که به دلیل تعداد کم جامعه، تمامی کارشناسان به عنوان نمونه آماری انتخاب شده­اند. این کارشناسان به سوال­های مطرح شده بر اساس طیف 5 گزینه­ای لیکرت پاسخ داده­اند.

 

تجزیه‌وتحلیل داده‌ها

یافته­های تحقیق در دو بخش کیفی و کمی می­باشد. در بخش کیفی، یافته­های حاصل از مصاحبه نیمه ساختاریافته با خبرگان به روش تحلیل محتوا استقرائی و با تکنیک کدگذاری تحلیل شده است. علاوه بر این، با رویکرد تحلیل محتوا قیاسی، به مرور ادبیات نظری پرداخته شده است و با روش فراترکیب اقدام به شناسایی کدهای بیشتری شده است تا یافته­های تحقیق گذشته بتوانند از قیاس­های مطرح شده توسط خبرگان پشتیبانی کند و به اعتبار تحقیق بیافزاید. در این بخش، گزاره­های کلامی خبرگان و فراترکیب به کدگذاری توصیفی تبدیل شده­اند. سپس، گزاره­هایی که از نظر معنای مشابه و سنخیت داشتند، در کدگذاری محوری تحت عنوان معیارها انتخاب شده­اند و در نهایت معیارهای که همجنس بودند، در دسته های بزرگتر در کدگذاری انتخاب تحت عنوان ابعاد قرار گرفته­اند و بر اساس تجارب خبرگان و همچنین مطالعه ادبیات نظری تحقیق نام­گذاری شده­اند. سپس مقادیر CVR برای شاخص­ها بررسی شده است و ضرورت همه شاخص­ها تأیید شده است. در ادامه، معیارها به روش دلفی فازی غربالگری شده­اند. در این بخش خبرگان در خصوص معیارها به وحدت نظر رسیدند و اجماع صورت گرفت که در نتیجه آن همه معیارها تأیید شده­اند. یافته­های حاصل از بخش کیفی در جدول 1 آمده است.

 

جدول (1) ابعاد، معیارها و شاخص­های استخراج‌شده به روش تحلیل محتوا ترکیبی و تکنیک کدگذاری

ابعاد

معیارها 

امتیاز دلفی

شاخص­ها

هوشمندی استراتژیک لجستیک معکوس

 

سرمایه­گذاری فناوری­های هوشمند

(Rajput & Singh, 2021)

24/8

(هزینه اولیه و راه­اندازی- هزینه­های پشتیبانی و به­روز رسانی)

جهت­گیری استراتژیک هوشمند

(Wangano et al., 2021)

(Singh et al., 2018)

(Garrido-Hidalgo et al., 2019)

23/8

(تدوین برنامه زنجیره­تأمین هوشمند معکوس-پشتیبانی مدیران برای استفاده از فناوری­های هوشمند برای سبز- اصلاح قوانین برای کاربرد نوآوری­های تکنولوژیکی- افزایش آگاهی از مدیریت هوشمند زنجیره­تأمین معکوس و سبز--اهداف و برنامه­های توسعه فناوری با شرکاء- وجود استانداردها و گواهی نامه­ها )

محیط کار هوشمند

(Shang et al., 2022)

08/8

(مهارت‌های فناوری، اطلاعات و فنی-آموزش مجازی- جریان اطلاعات و آگاهی و دانش- پشتیبانی از راه­دور از طریق فناوری‌ها مجازی-سلامت و ایمنی کارکنان)

طراحی محصولات پایدار هوشمند

09/8

(طراحی محصولات هوشمند سازگار با محیط زیست- فرآیندهای هوشمند طراحی و دفع سبز)

زیرساخت‌ها و تکنولوژی زنجیره­تأمین معکوس

توسعه فناوری­های پیشرفته برای بازیابی

85/8

(فناوری و تحقیق­وتوسعه مربوط به بازیابی محصول/مواد- نوآوری­های تکنولوژیکی برای تولید مجدد- فناوری­های مربوط به جمع­آوری داده­ها)

تسهیلات و امکانات هوشمند

(Pourmehdi et al., 2020)

19/8

(زیرساخت صنعتی برای عملیات معکوس از نظر جابجایی تجهیزات، ذخیره­سازی و وسایل نقلیه هوشمند- تعداد و مکان تاسیسات- انبارهای هوشمند-بسترها استقرار تجهیزات فناوری­های پیشرفته)

زیرساخت شبکه­ی دیجیتال

(Wanganoo & Tripathi, 2023)

32/8

(ارتباط و همکاری با پلت­فرم خدمات برنامه­های کاربردی- سیستم‌های داده الکترونیکی- پلتفرم‌های حراج آنلاین برای فرآیند فروش کالاهای برگشتی- اینترنت پر سرعت)

سیستم لجستیک معکوس هوشمند

عملیات هوشمند زنجیره­تأمین معکوس

(خبرگان)

93/8

(کنترل و نظارت بر عملکرد تجهیزات و محصولات از طریق شبکه هوشمند- برنامه­ریزی و کنترل هوشمند کلیه فرآیندها- مدیریت موجودی هوشمند- قرارداد هوشمند مبتنی بر بلاک­چین- خودکارسازی نظارت و مجوز)

مدیریت هوشمند لجستیک معکوس

(خبرگان)

32/8

(طراحی برای جداسازی قطعات- استانداردسازی طرح های محصول و قطعات- برچسب­گذاری هوشمند برای عملیات ردیابی- جمع­آوری هوشمند محصولات پایان عمر و ضایعات- پردازش سریع و ردیابی برگشتی­ها)

طراحی شبکه هوشمند لجستیک معکوس (خبرگان)

02/8

( برنامه­ریزی ظرفیت و طراحی سیستم­های بازسازی/بازیافت- حمل­ونقل قابل اعتماد- شفاف­تر و ایمن­تر کردن لجستیک معکوس)

لجستیک هوشمند سبز

(Wanganoo & Tripathi, 2023)

09/8

(استراتژی حمل­ونقل هوشمند- حمل­ونقل هوشمند سبز- خرید سبز بر اساس پلتفرم دیجیتال- تحویل هوشمند سبز به مشتری) 

همکاری استراتژیک با شرکای زنجیره­تأمین معکوس

یکپارچگی فناوری با شرکاء

01/8

(استانداردهای مشترک سیستم­های فناوری- سازگاری پلتفرم ها در زنجیره­تأمین-پشتیبانی­ها از فناوری اطلاعات- بهبود اتصال با شرکاء از طریق پلتفرم­های دیجیتال- ادغام با پلتفرم­های خرید سیستم عامل­های شخص ثالث)

هماهنگی و همکاری با شرکاء

(Morgan et al., 2016)

(Issaoui et al., 2019)

09/8

(اشتراک­گذاری داده­ها-به­اشتراک گذاشتن اطلاعات استاندارد و سفارشات با شرکای زنجیره­تأمین شامل مشتریان، شخص ثالث و خرده فروشان به­منظور جلوگیری از برگشت­های غیر ضروری / مدیریت دانش مشارکتی-یکپارچگی و انعطاف­پذیری عملیات با شرکاء از طریق روابط زنجیره­تأمین- همکاری و تصمیم­گیری مشترک با شرکاء-همکاری بیشتر با خرده فروشان برای بازگشت محصولات-ایجاد کانال­های ارتباطی در کل طول عمر محصول با شرکاء)

برنامه­ریزی مشارکتی با شرکاء

(Dev et al., 2020)

 

24/8

 

(برنامه­ریزی و پیش­بینی­های تقاضا و برگشتی­ها- توسعه کانال­هاي هوشمند با اعضای شرکاء- اجرای شیوه‌های سبز هوشمند برای برگشتی­ها میان اعضاء-کاهش هزینه­ها برای شرکاء)

یکپارچگی در سیستم اطلاعاتی زنجیره­تأمین معکوس

یکپارچه­سازی اطلاعات

(Wanganoo & Tripathi, 2023)

56/8

(پشتیبانی از تصمیم در خصوص برگشتی­ها- به­موقع بودن تحویل اطلاعات- سیستم­های اطلاعاتی ساده برای پاسخگویی به درخواست­های خدمات و سفارشات از سوی مشتریان- شفافیت در اطلاعات)

ذخیره و مدیریت داده­ها

(Yadav & Singh, 2020)

38/8

(جمع­آوری داده­های در طول تولید- اطلاعات محصول در تمام طول عمر- جمع­آوری اطلاعات مربوط به مشتریان-تجزیه­وتحلیل داده­ها- اطلاعات جداسازی قطعات اختصاصی برای استفاده مجدد- کیفیت داده­ها)

ارتباط سازمانی

(Shang et al., 2022)

25/8

(به­اشتراک­گذاری هزینه و سود- به­اشتراک­گذاری مهارت­ها، ایده­ها و فرهنگ سازمانی- به‌اشتراک‌‌گذاری و یکپارچه­سازی دانش در سازمان- پاسخ‌گویی از طریق یکپارچه‌سازی آسان داده‌ها- ارتباط سریع تر با مشتریان)

 

در بخش کمی، پرسش­نامه مقایسات زوجی 5×5 برای تعیین شدت اثرات ابعاد بر یکدیگر و پرسش­نامه 17×17 برای سنجش میزان تاثیر معیارها بر یکدیگر طراحی شد و داده­های 15 خبره با تجربه برای صنعت لاستیک­سازی جمع­آوری شد. برای قضاوت­های ذهنی متخصص که دارای ابهامات در یک موقعیت واقعی است، نظریه مجموعه­های فازی برای کنترل مبهم بودن و عدم دقت در تصمیم­گیری استفاده شد. سپس نظرات خبرگان تجمیع شد و ماتریس تأثیر اولیه تشکیل شد که در جدول 2 آمده است. سپس ماتریس تأثیر اولیه برای ارائه ماتریس تأثیر مستقیم، نرمال شد.

 

جدول (2) ماتریس مستقیم فازی ابعاد اثرگذار مدیریت زنجیره­تأمین معکوس هوشمند

C5

C…

C2

C1

 

U

M

L

…

U

M

L

U

M

L

75/0

5/0

25/0

…

929/0

75/0

5/0

0

0

0

C1

893/0

714/0

464/0

…

0

0

0

821/0

571/0

321/0

C2

857/0

679/0

429/0

…

893/0

643/0

393/0

714/0

464/0

214/0

C3

893/0

643/0

393/0

…

714/0

464/0

214/0

821/0

571/0

321/0

C4

0

0

0

…

857/0

643/0

393/0

75/0

5/0

286/0

C5

 

ماتریس روابط تأثیر کل برای محاسبه نقشۀ شبکه روابط مستقیم تشکیل شد. شدت اثرات خالص درجه علیت را در بین معیارها نشان می­دهد. اگر شدت اثرات خالص مثبت باشد، آن معیار علت است (یعنی بر معیارهای دیگر تأثیر می­گذارد)، در حالی که اگر شدت اثرات خالص منفی باشد، آن معیار تأثیرپذیر است، یعنی تحت تأثیر معیارهای دیگر است. نتایج در جدول 3  و شکل 1 ارائه شده است.

 

جدول (3) مجموع تأثیر علت­ومعلول بر ابعاد و معیارهای مدیریت زنجیره­تأمین معکوس هوشمند

نتیجه

خالص

کل

اثرپذیر

اثرگذار

کد

ابعاد/معیارها

اثرگذارترین

735/0

365/7

315/03

05/4

C1

هوشمندی استراتژیک

اثرپذیر

008/0-

976/0

492/0

484/0

C11

محیط­کار هوشمند 

اثرگذار

061/0

133/1

536/0

597/0

C12

جهت­گیری استراتژیک هوشمند 

اثرپذیر

061/0-

944/0

502/0

441/0

C13

طراحی محصولات پایدار هوشمند 

اثرگذار

008/0

983/0

488/0

496/0

C14

سرمایه­گذاری فناوری­های هوشمند 

اثرگذار

321/0

81/7

744/3

065/4

C2

زیرساخت‌ها و تکنولوژی

اثرگذار

002/0

035/1

517/0

518/0

C21

توسعه فناوری­های پیشرفته بازیابی 

اثرگذار

014/0

988/0

487/0

501/0

C22

تسهیلات و امکانات هوشمند 

اثرپذیر

015/0-

054/1

535/0

52/0

C23

زیرساخت­های شبکه­های دیجیتال

اثرپذیر

17/0-

066/8

119/4

947/0

C3

سیستم لجستیک معکوس هوشمند

اثرگذار

089/0

265/1

588/0

677/0

C31

هوشمندی عملیات زنجیره­تأمین

اثرگذار

012/0

187/1

588/0

6/0

C32

طراحی شبکه هوشمند لجستیک

اثرپذیر

065/0-

141/1

603/0

538/0

C33

لجستیک هوشمند سبز 

اثرپذیر

036/0-

1/1

568/0

532/0

C34

مدیریت هوشمند لجستیک معکوس 

اثرپذیرترین

61/0

108/8

359/4

75/3

C4

همکاری استراتژیک با شرکاء

اثرپذیر

093/0-

641/0

367/0

274/0

C41

هماهنگی و همکاری با شرکاء 

اثرگذار

12/0

706/0

293/0

413/0

C42

یکپارچگی فناوری با شرکاء  

اثرپذیر

027/0-

689/0

358/0

331/0

C43

برنامه­ریزی مشارکتی با شرکاء 

اثرپذیر

27/0-

588/7

9313

656/3

C5

یکپارچگی اطلاعات

اثرپذیر

034/0-

682/0

358/0

324/0

C51

ارتباط سازمانی  

اثرگذار

012/0

735/0

362/0

374/0

C52

یکپارچه­سازی اطلاعات 

اثرگذار

022/0

699/0

338/0

36/0

C53

ذخیره و مدیریت داده­ها 

 

نقشۀ شبکۀ روابط مستقیم درک رابطۀ متقابل وابسته بین ابعاد و معیارها را در مدل امکان­پذیر می­کند. در نقشۀ شبکۀ روابط تأثیرگذار از پنج بعد نشان می­دهد که بعد «هوشمندی استراتژیک» رابطۀ قوی و تأثیرگذاری با ابعاد دیگر دارد. بعد «زیرساخت‌ها و تکنولوژی» تأثیر قابل توجهی بر ابعاد «سیستم لجستیک معکوس هوشمند»، «یکپارچگی اطلاعات» و «همکاری استراتژیک با شرکای زنجیره­تأمین معکوس» دارد. بنابراین، این مطالعه نشان داد که «هوشمندی استراتژیک» حیاتی­ترین بعد در مدیریت زنجیره­تأمین معکوس هوشمند می­باشد. ابعاد دیگر در زیر محور افقی نشان می‌دهند که ابعاد اثرپذیر هستند.

 

شکل (1) نمودار علی­ومعلولی و نقشۀ شبکۀ روابط بین ابعاد و معیارها

تجزیه­وتحلیل روابط بین معیارها نشان داد که «جهت­گیری استراتژیک هوشمند»، «تسهیلات و امکانات هوشمند»، «عملیات هوشمند زنجیره­تأمین معکوس»، «هماهنگی و همکاری با شرکاء»، و «ذخیره و مدیریت داده­ها» بیشترین تأثیر را در ابعاد مربوط به خود دارند. این پنج معیار هسته اصلی توسعه بعد خود هستند و تأثیر زیادی بر مدیریت زنجیره­تأمین معکوس هوشمند و ایجاد معیارها در بعد خود دارند.

در بین معیارهای «هوشمندی استراتژیک»، بیشترین مقدار اثرگذاری مربوط به معیار «جهت­گیری استراتژیک هوشمند» است که تاثیرگذارترین معیار است و برای تصمیم­گیری بهبود هوشمندی استراتژیک زنجیره­تأمین معکوس در اولویت قرار می­گیرد. تاثیرپذیرترین معیار «طراحی محصولات پایدار هوشمند» است که بیشترین تاثیر را می­پذیرد و مدیریت استراتژیک زنجیره­تأمین معکوس هوشمند باید برای بهبود این معیار باشد. این نتیجه نشان می­دهد که مدیران باید طراحی محصولات پایدار هوشمند را از طریق جهت­گیری استراتژیک هوشمند بهبود دهند. معیار «تسهیلات و امکانات هوشمند» در بعد «زیرساخت‌ها و تکنولوژی» بیشترین اثرگذاری را دارد و معیار «زیرساخت­های شبکه­های دیجیتال» بیشترین اثرپذیری را دارد. بنابراین، با استفاده از تسهیلات و امکانات هوشمند می­توان زیرساخت­های شبکه­های دیجیتال را بهبود داد.

در ادامه برای آزمون روابط مشخص شده بر اساس روش دیمتل فازی در شکل 1، از مدلسازی معادلات ساختاری و حداقل مربعات جزئی استفاده کرده­ایم. بدین منظور، داده­های شاخص­های مطرح شده در جدول 1 را بر اساس طیف 5 گزینه­ای لیکرت از تعداد 272 نفر کارکنان صنعت لاستیک­سازی تهیه و جمع­آوری شد و سپس داده­ها در نرم­افزار اسمارت پی­ال­اس اجرا گردید. ما مدل رو در دو جنبۀ مدل اندازه­گیری و مدل ساختاری ارزیابی کردیم. جدول 4 نتایج  مربوط به مدل اندازه­گیری شامل شاخص­های بار عاملی، میانگین واریانس استخراج شده، روایی همگرا و واگرا و قابلیت اطمینان را نشان می­دهد.

 

جدول (4) مقادیر پایایی و روایی واگرا سازه مدل اندازه­گیری

پایایی ترکیبی

آلفای کرونباخ

میانگین واریانس

بار عاملی

شاخص­ها

سازه

 

 

 

835/0

محیط­کار هوشمند 

هوشمندی استراتژیک 

 

 

 

 

928/0

جهت­گیری استراتژیک هوشمند 

940/0

915/0

797/0

928/0

طراحی محصولات پایدار هوشمند 

 

 

 

878/0

سرمایه­گذاری فناور­ های هوشمند 

 

 

 

977/0

توسعه فناوری­های پیشرفته برای بازیابی 

زیرساخت‌ها و تکنولوژی 

 

973/0

958/0

922/0

96/0

تسهیلات و امکانات هوشمند 

 

 

 

942/0

زیرساخت­های شبکه­های دیجیتال

 

 

 

934/0

هوشمندی عملیات زنجیره­تأمین معکوس

سیستم لجستیک معکوس 

 

947/0

964/0

903/0

972/0

طراحی شبکه هوشمند لجستیک معکوس 

 

 

 

928/0

لجستیک هوشمند سبز 

 

 

 

966/0

مدیریت هوشمند لجستیک معکوس 

 

 

 

900/0

هماهنگی و همکاری با شرکاء 

همکاری استراتژیک با شرکا 

960/0

936/0

888/0

969/0

یکپارچگی فناوری با شرکاء  

 

 

 

956/0

برنامه­ریزی مشارکتی با شرکاء 

848/0

722/0

654/0

905/0

ارتباط سازمانی  

یکپارچگی اطلاعات

 

 

 

852/0

یکپارچه­سازی اطلاعات 

 

 

 

646/0

ذخیره و مدیریت داده­ها 

 

همان­طور که در جدول 4 نشان داده شده است، میانگین واریانس استخراج شده همه سازه­ها بالاتر از 5/0 بودند که روایی واگرا را تأیید می­کند. بارعاملی شاخص­ها بیشتر از 6/0 می­باشد که طبق هایر و همکاران (Hair et al., 2021) مورد تأیید است و این نشان می­دهد که شاخص­ها توانسته­اند از سازه­ها به خوبی پشتیبانی کنند. آلفای کرونباخ و پایایی ترکیبی بیشتر از 7/0 می­باشد و طبق هایر و همکاران (Hair et al., 2021) تأیید می­باشد و نشان دهندۀ توافق شاخص­ها برای ساخت سازه­ها است. در مجموع، مقادیر پایایی و روایی واگرا این مدل نشان دهندۀ تأیید مدل اندازه­گیری است. شکل 2 ضرایب مسیر این بررسی تجربی را نشان می­دهد.

جدول 5 نیز همبستگی بین متغیرها و روایی واگرا را نشان می­دهد که که همبستگی سازه­ها از طریق معیار فورنل و لاکر (1981) بررسی شده است و گزارش جدول 5 نشان می­دهد که ریشه‌های مربع میانگین واریانس استخراج شده (به صورت پررنگ) بالاتر از سایر مقادیر همبستگی (در همان ستون‌ها) است و روایی واگرا طبق هایر و همکاران (Hair et al., 2021) مدل تأیید می­شود.

 

 

جدول (5) ضرایب همبستگی و روایی واگرا مدل

سازه ها

1

2

3

4

2

زیرساخت­ها و تکنولوژی

960/0

 

 

 

 

سیستم لجستیک

200/0

950/0

 

 

 

همکاری استراتژیک

351/0

415/0

942/0

 

 

هوشمندی استراتژیک

349/0

397/0

888/0

893/0

 

یکپارچگی اطلاعات

390/0

851/0

648/0

636/0

809/0

 

الگوریتم اسمارت پی­ال­اس همچنین جزئیاتی در مورد اعتبار مدل ساختاری ارائه کرده است. در این خصوص مقادیر R2 به­وضوح قدرت پیش­بینی متیغرها را نشان داده است. شکل 2 نشان می­دهد که ساختارهای مستقل بر 2/80 درصد از همکاری استراتژیک و 7/84 درصد از یکپارچگی اطلاعات در هوشمندسازی لجستیک معکوس تأثیر گذاشته است. سایر اثرات قابل توجه بین متغیرهای مستقل و سیستم لجستیک معکوس (162/0=R2) و زیرساخت‌ها و تکنولوژی (122/0=R2) گزارش شده است که تأثیرات کمتری وجود داشت. مطالعات هایر و همکاران (Hair et al., 2021) پیشنهاد کردند که مقادیر ضرایب تعیین بین 13/0 و 25/0 متوسط ​​و مساوی یا بیشتر از 26/0 قابل توجه است.

 

شکل (2) تصویری از نتایج الگوریتم مدلسازی معادلات ساختاری

برای بررسی آزمون روابط بین متغیرهای این پژوهش از روش بوت­استرپینگ4  استفاده شد. مقادیر t  و بتا استاندارد (β) را محاسبه می­کند. روابط فرضی بین متغیرها بر اساس روش دیماتل فازی با نتایج تجزیه­وتحلیل مدلسازی معادلات ساختاری مشخص شد، همان­طور که در جدول 6 همراه با شکل 2 نشان داده شده است. آزمون با فرض سطح معنی داری 5 درصد و مقدار t برابر یا بیشتر از 69/1 ارزیابی شده است. یافته­ها استحکام مدل ساخت­یافته پیشنهادی را تأیید کرد. آن­ها اثرات بسیار قابل توجهی را بین سازه­های برون­زا و درون­زا گزارش کردند.

جدول (6) نتایج ارزیابی مدل ساختاری

رابطه

روابط متغیرهای مدل

β

آماره T

نتیجه

1

هوشمندی استراتژیک > زیرساخت­ها و تکنولوژی

349/0

040/3

تأیید

2

هوشمندی استراتژیک > سیستم لجستیک

373/0

689/2

تأیید

3

هوشمندی استراتژیک > یکپارچگی اطلاعات

308/0

971/2

تأیید

4

هوشمندی استراتژیک > همکاری استراتژیک

777/0

381/12

تأیید

5

زیرساخت­ها و تکنولوژی > سیستم لجستیک

070/0

531/0

رد

6

زیرساخت­ها و تکنولوژی > یکپارچگی اطلاعات

143/0

375/2

تأیید

7

زیرساخت­ها و تکنولوژی > همکاری استراتژیک

011/0

169/0

رد

8

سیستم لجستیک > یکپارچگی اطلاعات

699/0

094/9

تأیید

9

سیستم لجستیک > همکاری استراتژیک

084/0-

885/0

رد

10

یکپارچگی اطلاعات > همکاری استراتژیک

221/0

666/1

رد

 

یافته­های ثبت شده در جدول 6 و شکل 3 نشان داد که از بین 10 رابطه، 6 رابطه به دلیل 96/1<t و 05/0>p تایید شده است. با کمال تعجب، یافته­ها نشان داد که فقط هوشمندی استراتژیک بر همکاری استراتژیک تأثیر مثبت می­گذارد و سایر متغیرها اثرگذار نیستند که نشان از ضعف سازمان در خصوص همکاری استراتژیک با ذینفعان می­باشد.

 

 

بحث و نتیجه‌گیری

پیشرفت­های اخیر دیجیتالی شدن و فناوری اطلاعات و ارتباطات، نه تنها پارادایم کسب­وکار را به سمت انقلاب صنعتی چهارم تغییر داده است، بلکه فرصت­هایی را برای تحول لجستیک معکوس و هوشمند فراهم کرده است. سهم این تحقیق، از طریق توسعه مفهومی، در ارائه یک نقشۀ راه روشن برای تحول استراتژیک لجستیک معکوس هوشمند است. از طرفی دیگر، همان­گونه که می­دانیم صنعت لاستیک­سازی به دلیل استفاده از مواد نفتی و شیمیایی در محیط زیست برای تجزیه بسیار مقاوم است و هم­چنان در محیط انباشه می­شود، در حالی که این مواد بازیافت شود ارزش افزوده بسیاری برای سازمان­ها ایجاد خواهد کرد و به سلامت محیط­زیست کمک می­شود. هدف این مطالعه، طراحی مدل استراتژیک زنجیره­تأمین معکوس هوشمند در صنعت لاستیک­سازی انجام شده است. برای دستیابی به این هدف، شاخص­ها و متغیرهای مدل با روش تحلیل محتوا ترکیبی از رویکرد قیاسی و استقرائی شناسایی و استخراج شدند. سپس برای تعیین روابط و طراحی مدل از روش دیماتل فازی و مبتنی بر نظرات خبرگان صورت گرفت و در نهایت روابط تعریف شده با روش مدلسازی معادلات ساختاری آزمون شد.

یافته­های بخش کیفی مطالعه نشان داده است که مدل دارای 5 متغیر می­باشد. اولین متغیر، «هوشمندی استراتژیک» می­باشد که اشاره به دیدگاه استراتژیک مدیران به هوشمندسازی لجستیک معکوس به­واسطه فناوری­های پیشرفته دارد. در این بخش جهت­گیری­های استراتژیک در خصوص سرمایه­گذاری­ها و ساختار پایدار سازمان مشخص شود. آکدوگان و دمیرتاش (Akdogan and Demirtas, 2014) نشان داده است که داشتن نقشۀ راه استراتژیک برای هوشمندسازی زنجیره­تأمین می­تواند در نهایت بر موفقیت شرکت‌ها تاثیر گذار باشد. طبق راجپوت و سینگ (Rajput and Singh, 2021)، داشتن برنامه­های استراتژیک سرمایه­گذاری برای پیاده­سازی فناوری­های هوشمند ضروری است.

 متغیر دیگر «زیرساخت­ها و تکنولوژی» است که در بر گیرنده تسهیلات و امکانات همراه با زیرساخت­های شبکه­های دیجیتال است. در این خصوص، پورمهدی و همکاران (Pourmehdi et al., 2020) تاکید می­کند که زیرساخت‌های مبتنی بر حسگر و کلان داده‌ها می‌توانند کارایی ردیابی محصول، پیش‌بینی تقاضا و پاسخگویی لجستیک معکوس ها را بیشتر افزایش دهند. از این رو، شرکت‌ها به دنبال بهبود زیرساخت های خود جهت پیاده­سازی صنعت نسل چهارم هستند. متغیر سوم «سیستم لجستیک» است که به طراحی و مدیریت شبکۀ لجستیک هوشمند اشاره دارد که مشخص کننده تمامی فرآیندهای لجستیک معکوس هوشمند می­باشد. سان و همکاران (Sun et al., 2022)، اشاره می­کند که اتخاذ فناوری‌های صنعت نسل چهارم در کارایی و طراحی لجستیک معکوس مؤثر است. 

متغیر بعدی «همکاری استراتژیک با شرکاء» می­باشد. این متغیر تأکید دارد که بین اعضاء ذینفعان لجستیک معکوس باید هماهنگی و همکاری متقابل وجود داشته باشد تا برنامه­ریزی مشارکتی به اجرا درآید. دوو و همکاران (Dev et al., 2020) تأکید دارند که صنعت نسل چهارم از به­اشتراک‌گذاری اطلاعات امن در لجستیک معکوس پشتیبانی می­کند. علاوه بر این، طبق عیسی و همکاران (Issaoui et al., 2019)، فناوری­های هوشمند بر اشتراک داده­های شبکۀ بین شرکت­کنندگان زنجیره­تأمین معکوس و بر همکاری و برنامه­ریزی مشارکتی تأثیر می­گذارد.

در نهایت آخرین متغیر، «یکپارچگی اطلاعات» می­باشد. هوشمندی لجستیک معکوس به ارتباطات سازمانی مناسب برای مدیریت و ذخیره­سازی داده­ها و یکپارچه­سازی اطلاعات نیازمند است تا بتواند اطلاعات را در سراسر لجستیک معکوس جاری کند. گاریدو-هیدالگو و همکاران (Garrido-Hidalgo et al., 2019) عنوان کرده است که فناوری­های هوشمند می­توانند به عنوان ابزاری برای تسهیل مدیریت اطلاعات در عملیات بازیابی محصول پس از عمر در نظر گرفت. طبق عیسی و همکاران (Issaoui et al., 2019)، فناوری­های هوشمند، جریان‌های اطلاعات در لجستیک معکوس را فراهم می‌کند.

در نتایج دیماتل فازی، متغیرهای «هوشمندی استراتژیک»، «زیرساخت ها و تکنولوژی»، «سیستم لجستیک» و «یکپارچگی اطلاعات» بر «همکاری استراتژیک با شرکاء» به ترتیب تأثیرگذار هستند. بنابراین برای بهبود سیستم لجستیک معکوس هوشمند باید به ترتیب اثرگذاری آن­ها توجه کرد. 

سپس رابطه­ها و تأثیرات دیماتل فازی با مدلسازی معادلات ساختاری آزمون شد. برخی از روابط تأیید و برخی رد شد. یافته­ها نشان داد که تنها متغیر «هوشمندی استراتژیک» بر اساس نظرات کارکنان بر «همکاری استراتژیک با شرکاء» تأثیر مثبت و معنی­دار دارد و سایر متغیرها بی­تأثیر بودند. این یافته نشان می­دهد که برنامه­ریزی استراتژیک هوشمند لاستیک­سازی توانسته است همکاری استراتژیک شرکاء را تحت تأثیر قرار دهد. در این رابطه، وانگانو و همکاران (Wangano et al., 2021) مطرح کرده است که برنامه­های استراتژیک بکارگیری فناوری­های هوشمند موجب افزایش قابلیت همکاری و اعتماد در شبکه­های لجستیک معکوس و توانمندسازی شرکت­ها برای مقابله با رقابت شدید در بازار را افزایش می­دهد.

همچنین، نتایج مدلسازی معادلات ساختاری نشان داده است که متغیر «یکپارچگی سیستم­های اطلاعات» از سه متغیر دیگر یعنی «هوشمندی استراتژیک»، «زیرساخت­ها و تکنولوژی»، «سیستم لجستیک» تأثیر مثبت می­پذیرد. فعالیت­های سیستم لجستیک مانند جمع­آوری، مرتب­سازی، بازرسی، جداسازی قطعات به صورت هوشمند می­تواند بر کارآیی، ایمنی، به‌موقع بودن اطلاعات مورد نیاز لجستیک معکوس مؤثر باشد. مطالعۀ (Garrido-Hidalgo et al., 2019) از این رابطه پشتیبانی می­کند و آن­ها مطرح کرده­اند که فناروی­های هوشمند مانند اینترنت اشیاء می­تواند اطلاعات را دریافت و بر پلت­فرم نظارت بر موجودی ارسال کند و ذینفعان می­توانند از این راه­حل برای دستیابی به مدیریت بهتر منابع بر اساس اطلاعات موجودی در زمان واقعی از طریق یک زیرساخت کم هزینه و مشارکتی بهره­مند شوند. در خصوص پشتیبانی مطالعات از رابطۀ «سیستم لجستیک» و «یکپارچگی سیستم­های اطلاعات»، بورگی و همکاران (Borgi et al., 2017) گفته­اند که داده­ها در مورد مکان­ها، ساختار کالاها و مواد، اندازه­های تحویل، نقاط شروع و پایان و غیره توسط فناروی­های هوشمند ردیابی، ثبت و ذخیره می­شوند و سپس با استفاده از آن­ها پردازش و تجزیه­وتحلیل می­شوند تا اطلاعات عملیاتی را در قالب آستانه در اختیار تصمیم گیرندگان قرار دهند.

همچنین متغیر «هوشمندی استراتژیک» بر دو متغیر «زیرساخت­ها و تکنولوژی» و «سیستم لجستیک» تأثیر مثبت می­گذارد. طبق این یافته، استراتژی­های لجستیک معکوس هوشمند شامل اهداف و برنامه­های محصولات سبز می­تواند از پیاده­سازی­های زیرساخت­ها و همچنین طراحی سیستم لجستیک معکوس حمایت کند و منابع را برای ایجاد آن­ها اختصاص دهد. کرستیچ  و همکاران (Krstić et al., 2022) نشان داده است که تصمیمات استراتژیک می­تواند تصمیمات عملیاتی و تاکتیکی مانند از جمله طراحی شبکه و سایر امکانات در داخل شبکه را ارئه دهد.

 یافته­های ترکیبی دو روش دیماتل فازی و مدلسازی معادلات ساختاری نشان داده است که متغیر «هوشمندی استراتژیک لجستیک معکوس» تاثیرگذارترین در هوشمندسازی لجستیک معکوس صنعت لاستیک­سازی می باشد. بنابراین مدیران باید این متغیر را اولویت تصمیم­گیری خود برای بهبود سیستم مدنظر قرار دهند. برای بهبود این متغیر، داشتن جهت­گیری استراتژیک برای پیاده­سازی لجستیک هوشمند می­تواند کمک کننده باشد. مدیران در ابتدا می­توانند برنامه­ریزی دقیق برای اصلاح قوانین در بکارگیری نوآوری­های تکنولوژیکی در لجستیک معکوس صنعت لاستیک­سازی از جمع­آوری تا بازیافت و طراحی مجدد محصول در نظر بگیرند. در این برنامه­ریزی باید اهداف و برنامه­های توسعه فناوری با شرکاء، استانداردها و گواهی نامه­ها، حمایت­های مالی و سرمایه گذاری­ها، مهارت‌های فنی و آموزشی کارکنان، سلامت و ایمنی کارکنان را مشخص کنند. علاوه بر این، مدیران همچنین سطح تصمیمات استراتژیک برای طراحی محصولات پایدار هوشمند سازگار با محیط­زیست و فرآیندهای هوشمند دفع سبز را اتخاذ کنند. امروزه، با توجه به افزایش تردد خودرو و مصرف زیاد لاستیک، زباله­های لاستیک روز به روز در حال افزایش است و برای استفاده مجدد آن ها نیاز به حمایت مدیران در طراحی محصولات از ضایعات لاستیک می­باشد تا بتوان از آن­ها استفاده مجدد کرد.

متغیر دومی که اثرگذار می­باشد، شامل «زیرساخت‌ها و تکنولوژی» می­باشد. پیشنهاد می­شود تا مدیران در وهله اول تسهیلات و امکانات هوشمند مانند زیرساخت صنعتی برای عملیات معکوس از نظر جابجایی تجهیزات، ذخیره­سازی و وسایل نقلیه هوشمند، تعداد و مکان تاسیسات، انبارهای هوشمند و فراهم کردن بسترها استقرار تجهیزات فناوری­های پیشرفته را ایجاد کنند. علاوه بر این، نوآوری­های تکنولوژیکی برای تولید مجدد، بازیابی محصول/مواد و فناوری­های مربوط به جمع­آوری داده­ها را استقرار دهند. چون که مراکز جمع­آوری لاستیک­ها در سطح شهرها بسیار زیاد می­باشد و فناوری­های پیشرفته می­توانند برای شناسایی این مراکز و ردیابی محصولات و یا ضایعات لاستیک ضروری باشند.

از طرفی دیگر، صنعت لاستیک­سازی در «همکاری استراتژیک با شرکاء زنجیره­تأمین معکوس» بسیار ضعیف می­باشد. پیشنهاد می­شود که برنامه­ریزی مشارکتی دقیق با شرکاء زنجیره­تأمین معکوس شامل جمع­آوری­کنندگان، لجستیک معکوس، شرکت­های بازیافت کننده و تولیدکننده، بازاریابان و توزیع­کنندگان لاستیک صورت گیرد که مدیران از طریق آن بتوانند شیوه‌های سبز هوشمند برای برگشتی­های لاستیک میان شرکاء را طراحی کنند و کانال­هاي هوشمند با اعضاء شرکاء را بهبود دهند. برای دستیابی به این هدف نیاز است تا مدیران شرکاء صنعت لاستیک­سازی، پلتفرم­های یکپارچه در طول زنجیره­تأمین معکوس با شرکاء را اجرا کنند تا با بهبود اتصال با شرکاء از طریق پلتفرم­های دیجیتال بتوانند برنامه­ریزی و پیش­بینی­های تقاضا و برگشتی­ها را تخمین بزنند. همچنین پیشنهاد می­شود در طول زنجیره­تأمین معکوس، به­اشتراک­گذاشتن داده­ها و اطلاعات و سفارشات با شرکای زنجیره­تأمین شامل مشتریان، شخص ثالث و خرده­فروشان به­منظور جلوگیری از برگشت­های غیر ضروری برنامه­ریزی شود. در این خصوص فناوری­های اینترنت اشیاء و داده کلان مؤثر هستند. پیشنهاد می­شود که برنامه­ریزی مشارکتی را از طریق تعریف سیاست و چشم­انداز یکپارچه با شرکاء زنجیره­تأمین معکوس بهبود دهند. این امر موجب می­شود تا کل اعضاء زنجیره­تأمین معکوس صنعت لاستیک­سازی، به­دلیل داشتن اهداف مشترک بتوانند با یکدیگر همکاری و برنامه­ریزی بیشتری داشته باشند.

برای انجام هر پژوهشی محدودیت­هایی وجود دارد و این پژوهش نیز از این امر مستثنی نیست. اولاً، نتایج پژوهش مربوط به شرکت با اندازه بزرگ بوده و برای سازمان­های کوچک و متوسط قابل تعمیم نیست و دوماً، این پژوهش به صورت مقطعی انجام شده است و به­همین دلیل، نتیجه گیری درباره علیت را دشوار می­سازد. بنابراین، پیشنهاد می­شود تا محققین در آینده ابعاد و معیارهای استراتژیک مدیریت زنجیره­تأمین معکوس هوشمند را برای سازمان­های کوچک­ومتوسط استخراج کنند و علاوه بر این، عوامل مؤثر در هماهنگی­های بین­بخشی در زنجیره­تأمین معکوس و سناریوهای مربوط به بکارگیری فناوری­های هوشمند در زنجیره­تأمین معکوس را در نظر بگیرند.

 

تشکر و سپاسگزاری

از تمام افرادی که به‌نحوی در انجام مطالعه نقش داشته­اند مورد تقدیر قرار می‌گیرند.

 

تعارض منافع

هیچ‌گونه تعارض منافع توسط نویسندگان بیان نشده است.

 

 

References

Abdel-Basset, M., Manogaran, G., & Mohamed, M. (2018). Internet of Things (IoT) and its impact on supply chain: A framework for building smart, secure and efficient systems. Future Generation Computer Systems, 86, 614–628. https://doi.org/10.1016/j.future.2018.04.051.

Akdogan, A. A., & Demirtas, O. (2014). Managerial role in strategic supply chain management. Procedia-Social and Behavioral Sciences, 150, 1020-1029. https://doi.org/10.1016/j.sbspro.2014.09.114.

Andoni, M., Robu, V., Flynn, D., Abram, S., Geach, D., Jenkins, D., McCallum, P., Peacock, A. (2019). Blockchain technology in the energy sector: A systematic review of challenges and opportunities. Renew. Sustain. Energy Rev. 100, 143–174. https://doi.org/10.1016/j.rser.2018.10.014.

Aslam, J., Saleem, A., Khan, N. T., & Kim, Y. B. (2021). Factors influencing blockchain adoption in supply chain management practices: A study based on the oil industry. Journal of Innovation & Knowledge, 6(2), 124–134. https://doi.org/10.1016/j.jik.2021.01.002.

Bag, S., & Pretorius, J. H. C. (2020). Relationships between industry 4.0, sustainable manufacturing and circular economy: proposal of a research framework. International Journal of Organizational Analysis, 30(4), 864-898. https://doi.org/10.1108/IJOA-04-2020-2120.

Bányai, T., Bányai, Á., & Kaczmar, I. (Eds.). (2022). Supply Chain - Recent Advances and New Perspectives in the Industry 4.0 Era. IntechOpen. https://doi.org/10.5772/intechopen.98060.

Batista, L., Bourlakis, M., Smart, P., Maull, R. (2018). In search of a circular supply chain archetypeea content-analysis-based literature review. Prod. Plann. Contr, 29(6), 438-451. https://doi.org/10.1080/09537287.2017.1343502.

Bilgin, E.A. (2021). Industry 4.0 and sustainable supply chain. M U Iktisadi ve Idari Bilimler Dergisi, 43(1), 123-144. https://doi.org/10.1016/j.procs.2022.07.094.

Borgi, T., Zoghlami, N., & Abed, M. (2017). Big data for transport and logistics: A review. In 2017 International Conference on Advanced Systems and Electric Technologies (IC_ASET) (pp. 44-49). IEEE. https://doi.org/10.1109/ASET.2017.7983742.

Bouzon, M., Govindan, K., Rodriguez, C., Campos, L. (2016). Identification and analysis of reverse logistics barriers using fuzzyDelphi method and AHP. Resources, Conservation and Recycling, 108, 182-197. https://doi.org/10.1016/j.resconrec.2015.05.021.

Chauhan, C., Singh, A., & Luthra, S. (2020). Barriers to Industry 4.0 adoption and its performance implications: An empirical investigation of emerging economy. Journal of Cleaner Production, 284, 124809. https://doi.org/10.1016/j.jclepro.2020.124809.

 De Oliveira, U. R., Espindola, L. S., da Silva, I. R., da Silva, I. N., & Rocha, H. M. (2018). A systematic literature review on green supply chain management: Research implications and future perspectives. Journal of Cleaner Production, 187, 537–561. https://doi.org/10.1016/j.jclepro.2018.03.083.

Dev, N. K., Shankar, R., & Qaiser, F. H. (2020). Industry 4.0 and circular economy: Operational excellence for sustainable reverse supply chain performance. Resources, Conservation and Recycling, 153, 104583. https://doi.org/10.1016/j.resconrec.2019.104583.

Doan, L. T. T., Amer, Y., Lee, S.-H., Phuc, P. N. K., & Dat, L. Q. (2019). A Comprehensive Reverse Supply Chain Model using an Interactive Fuzzy Approach - a Case Study on the Vietnamese Electronics Industry. Applied Mathematical Modelling, 76, 87-108. https://doi.org/10.1016/j.apm.2019.06.003.

Farooque, M., Zhang, A., Thürer, M., Qu, T., & Huisingh, D. (2019). Circular supply chain management: A definition and structured literature review. Journal of Cleaner Production, 228, 882–900. https://doi.org/10.1016/j.jclepro.2019.04.303.

Fatorachian, H. and Kazemi, H. (2020). Impact of industry 4.0 on supply chain performance. Production Planning and Control, 11, 1-19. https://doi.org/10.1080/09537287.2020.1712487.

Gao, Y. L., Gong, B., Liu, Z., Tang, J., & Wang, C. (2023). The behavioural evolution of the smart electric vehicle battery reverse supply chain under government supervision. Industrial Management & Data Systems, 123(10), 2577-2606. https://doi.org/10.1108/IMDS-10-2022-0639.

García-Sánchez, E., Guerrero-Villegas, J., & Aguilera-Caracuel, J. (2018). How Do Technological Skills Improve Reverse Logistics? The Moderating Role of Top Management Support in Information Technology Use and Innovativeness. Sustainability, 11(1), 58. https://doi.org/10.3390/su11010058.

Garrido-Hidalgo, C., Olivares, T., Ramirez, F. J., & Roda-Sanchez, L. (2019). An end-to-end Internet of Things solution for Reverse Supply Chain Management in Industry 4.0. Computers in Industry, 112, 103127. https://doi.org/10.1016/j.compind.2019.103127.

Hair Jr, J. F., Hult, G. T. M., Ringle, C. M., Sarstedt, M., Danks, N. P., Ray, S., ... & Ray, S. (2021). An introduction to structural equation modeling. Partial least squares structural equation modeling (PLS-SEM) using R: a workbook, 1-29. https://doi.org/10.1007/978-3-030-80519-7_1.

Ilgin, M. A., & Gupta, S. M. (2010). Environmentally conscious manufacturing and product recovery (ECMPRO): A review of the state of the art. Journal of environmental management, 91(3), 563-591. https://doi.org/10.1016/j.jenvman.2009.09.037.

Issaoui, Y., Khiat, A., Bahnasse, A., & Ouajji, H. (2019). Smart logistics: Study of the application of blockchain technology. Procedia Computer Science, 160, 266–271. https://doi.org/10.1016/j.procs.2019.09.467.

 Kanashiro, P. (2020). Can environmental governance lower toxic emissions? A panel study of US high‐polluting industries. Business Strategy and the Environment, 29(4), 1634-1646. https://doi.org/10.1002/bse.2458.

Kazancoglu, Y., Ekinci, E., Mangla, S. K., Sezer, M. D., & Kayikci, Y. (2021). Performance evaluation of reverse logistics in food supply chains in a circular economy using system dynamics. Business Strategy and the Environment, 30(1), 71-91. https://doi.org/10.1002/bse.2610.

Krstić, M., Agnusdei, G. P., Miglietta, P. P., Tadić, S., & Roso, V. (2022). Applicability of Industry 4.0 Technologies in the Reverse Logistics: A Circular Economy Approach Based on COmprehensive Distance Based RAnking (COBRA) Method. Sustainability, 14(9), 5632. https://doi.org/10.3390/su14095632.

Kumar, A., Choudhary, S., Garza-Reyes, J. A., Kumar, V., Rehman Khan, S. A., & Mishra, N. (2021). Analysis of critical success factors for implementing industry 4.0 integrated circular supply chain–Moving towards sustainable operations. Production Planning & Control, 984-998. https://doi.org/10.1080/09537287.2021.1980905.

Le, T. (2020). Performance measures and metrics in a supply chain environment. Uncertain Supply Chain Management, 8(1), 93-104. https://doi.org/10.1108/01443570110358468.

Liu, Z., & Li, Z. (2019). A blockchain-based framework of cross-border e-commerce supply chain. International Journal of Information Management, 52, 102059. https://doi.org/10.1016/j.ijinfomgt.2019.102059.

Luthra, S., & Mangla, S. K. (2018). Evaluating challenges to Industry 4.0 initiatives for supply chain sustainability in emerging economies. Process Safety and Environmental Protection, 117, 168-179. https://doi.org/10.1016/j.psep.2018.04.018.

Mahindroo, A., Samalia, H. V., & Verma, P. (2018). Moderated influence of return frequency and resource commitment on information systems and reverse logistics strategic performance. International Journal of Productivity and Performance Management, 67(3), 550–570. https://doi.org/10.1108/ijppm-05-2016-0101.

Masoumik, S. M., Abdul-Rashid, S. H., Olugu, E. U., & Ghazilla, R. A. R. (2015). A Strategic Approach to Develop Green Supply Chains. Procedia CIRP, 26, 670–676. https://doi.org/10.1016/j.procir.2014.07.091.

Mastos, T. D., Nizamis, A., Terzi, S., Gkortzis, D., Papadopoulos, A., Tsagkalidis, N., ... & Tzovaras, D. (2021). Introducing an application of an industry 4.0 solution for circular supply chain management. Journal of Cleaner Production, 300, 126886. https://doi.org/10.1016/j.jclepro.2021.126886.

Modiri, M., Shiramin, M. D., & Karimi Shirazi, H. (2019). Identification and Prioritization of Influencing Factors on Safety Performance with hybrid Fuzzy DEMATEL and Analytical Network Process Approach (DANP)(Case Study: A Combined Cycle Power Plant). Journal of Health & Safety at Work, 9(1), 49-60. [In Persian]. http://jhsw.tums.ac.ir/article-1-6038-en.html.

Morgan, T. R., Richey Jr, R. G., & Autry, C. W. (2016). Developing a reverse logistics competency. International Journal of Physical Distribution & Logistics Management, 46(3), 293–315. https://doi.org/10.1108/ijpdlm-05-2014-0124.

Muchaendepi, W., Mbowa, C., Kanyepe, J., & Mutingi, M. (2019). Challenges faced by the mining sector in implementing sustainable supply chain management in Zimbabwe. Procedia Manufacturing, 33, 493–500. https://doi.org/10.1016/j.promfg.2019.04.061.

 Pourmehdi, M., Paydar, M. M., Ghadimi, P., & Azadnia, A. H. (2022). Analysis and evaluation of challenges in the integration of Industry 4.0 and sustainable steel reverse logistics network. Computers & Industrial Engineering, 163, 107808. https://doi.org/10.1016/j.cie.2021.107808.

Rahnamayiezekavat, P., Sorooshnia, E., Rashidi, M., Faraji, A., Mostafa, S., & Moon, S. (2022). Forensic analysis of the disputes typology of the NSW construction industry using PLS-SEM and prospective trend analysis. Buildings, 12(10), 1571. https://doi.org/10.3390/buildings12101571.

Rajput, S., & Singh, S. P. (2021). Industry 4.0 model for integrated circular economy-reverse logistics network. International Journal of Logistics Research and Applications, 1–41. https://doi.org/10.1080/13675567.2021.1926950.

Shang, C., Saeidi, P. and Goh, C.F. (2022). Evaluation of circular supply chains barriers in the era of Industry 4.0 transition using an extended decision-making approach. Journal of Enterprise Information Management, 35(4/5), 1100-1128. https://doi.org/10.1108/JEIM-09-2021-0396.

Sharma, M., Kamble, S., Venkatesh, M., Sehrawat, R., Belhadi, A., & Sharma, V. (2020). Industry 4.0 adoption for sustainability in multi-tier manufacturing supply chain in emerging economies. Journal of Cleaner Production, 281, 125013. https://doi.org/10.1016/j.jclepro.2020.125013.

Shoaib, M., Lim, M. K., & Wang, C. (2020). An integrated framework to prioritize blockchain-based supply chain success factors. Industrial Management & Data Systems, 120(11), 2103–2131. https://doi.org/10.1108/imds-04-2020-0194.

Singh, R. K., & Agrawal, S. (2018). Analyzing disposition strategies in reverse supply chains: fuzzy TOPSIS approach. Management of Environmental Quality: An International Journal, 29(3), 427–443. https://doi.org/10.1108/meq-12-2017-0177.

Singh, R. K., Kumar, R., & Kumar, P. (2016). Strategic issues in pharmaceutical supply chains: a review. International Journal of Pharmaceutical and Healthcare Marketing, 10(3), 234–257. https://doi.org/10.1108/ijphm-10-2015-0050.

Sun, X., Yu, H., & Solvang, W. D. (2022). Towards the smart and sustainable transformation of Reverse Logistics 4.0: a conceptualization and research agenda. Environmental Science and Pollution Research, 29(46), 69275–69293. https://doi.org/10.1007/s11356-022-22473-3.

Tseng, M.-L., Islam, M. S., Karia, N., Fauzi, F. A., & Afrin, S. (2019). A literature review on green supply chain management: Trends and future challenges. Resources, Conservation and Recycling, 141, 145–162. https://doi.org/10.1016/j.resconrec.2018.10.0.

Vimal, K. E. K., Churi, K., & Kandasamy, J. (2022). Analysing the drivers for adoption of Industry 4.0 technologies in a functional paper–cement–sugar circular sharing network. Sustainable Production and Consumption, 31, 459-477. https://doi.org/10.1016/j.spc.2022.03.006.

Wanganoo, L., & Tripathi, R. (2023). Reverse Logistics: Rebuilding Smart and Sustainable Transformation Based on Industry 4.0. In Fostering Sustainable Development in the Age of Technologies, 129-143. https://doi.org/10.1108/978-1-83753-060-120231011.

Wanganoo, L., Panda, B. P., Tripathi, R., & Shukla, V. K. (2021, March). Harnessing smart integration: Blockchain-enabled B2C reverse supply chain. In 2021 International Conference on Computational Intelligence and Knowledge Economy (ICCIKE) (pp. 261-266). IEEE. https://doi.org/10.1109/ICCIKE51210.2021.9410677.

Xu, X. Q., Jin, C., & Cao, Y. D. (2012). Smart Reverse Supply Chain: An Application of IoT to Green Manufacturing. Applied Mechanics and Materials, 141, 493–497. https://doi.org/10.4028/www.scientific.net/AMM.141.493.

Yadav, S., & Singh, S. P. (2020). Blockchain critical success factors for sustainable supply chain. Resources, Conservation and Recycling, 152, 104505. https://doi.org/10.1016/j.resconrec.2019.1045.

 

COPYRIGHTS

© 2023 by the authors. Licensee Advances in Modern Management Engineering Journal. This article is an open access article distributed under the terms and conditions of the Creative Commons Attribution 4.0 International (CC BY 4.0) (http://creativecommons.org/licenses/by/4.0/).

 

img0 

 

 

[1]  Reverse supply chain

[2]  Content Validity Ratio

[3]  Fazzy Decision-Making Trial and Evaluation Laboratory (DEMATEL)

[4]  Bootstrapping


Related articles

The rights to this website are owned by the Raimag Press Management System.
Copyright © 2021-2025

Home| Login| About Us| Contact Us|
[فارسی] [العربية] [fa] [ar]