شناسایی و رتبه‌بندی عوامل موثر بر زنجیره تامین و نقش بالانس خط تولید در آن با بکارگیری یک رویکرد ترکیبی تصمیم‌گیری با معیارهای چندگانه

محورهای موضوعی : مدیریت صنعتی

امید آقامرادی بیستونی ¹ , مهرداد نیکبخت ² , محمد رضا فیلی زاده ³ , آرش شاهین ⁴

1 - گروه مهندسی صنایع، واحد نجف آباد،، دانشگاه آزاد اسلامی، نجف آباد، ایران.
2 - استادیار مهندسی صنایع، واحد نجف آباد، دانشگاه آزاد اسلامی، نجف آباد، ایران
3 - دانشیار مهندسی صنایع، دانشکده مهندسی ساخت و فناوری های صنعتی، واحد شیراز، دانشگاه آزاد اسلامی، شیراز، ایران
4 - استادتمام گروه مدیریت کیفیت و مهندسی صنایع، دانشگاه اصفهان، اصفهان، ایران

تاریخ دریافت : 1403/09/21 تاریخ پذیرش : 1404/02/15 تاریخ انتشار : 1404/02/20

کلید واژه: زنجیره تامین, خط تولید, رویکرد دیمتل, رویکرد اولویت‌بندی ترتیبی,

چکیده مقاله :

مدیریت زنجیره تأمین در سه سطح استراتژیک، تاکتیکی و عملیاتی عمل می‌کند. در حالی که رویکرد استراتژیک به طور کلی مربوط به بهینه‌سازی منابع شبکه مانند طراحی شبکه ها، مکان یابی و تعیین تعداد امکانات است، تصمیمات تاکتیکی مربوط به سطوح تولید در همه کارخانجات، سیاست مونتاژ، سطح موجودی و تصمیمات عملیاتی مربوط به چگونگی تصمیم‌گیری تاکتیکی در کوتاه مدت است. چگونگی تحقق بهینه سازی تصمیمات استراتژیک و تاکتیکی در زنجیره تأمین بسیار حیاتی است. بنابراین، مساله شبکه زنجیره تامین به عنوان یک تصمیم استراتژیک در نظر گرفته می‌شود و مسئله تعادل خط مونتاژ به عنوان یک تصمیم تاکتیکی رسیدگی می‌شود. با توجه به اهمیت مساله ذکر شده، پژوهش فعلی این مهم را مورد توجه قرار داده و شناسایی و رتبه بندی عوامل موثر در زنجیره تامین و تعادل خط مونتاژ را هدف خود در نظر گرفته است.  به این منظور رویکرد ترکیبی دیمتل-اولویت‌بندی ترتیبی را پیشنهاد می‌دهد. پژوهش فعلی بعد از تهیه فهرست کاملی از معیارهای تاثیرگذار بر زنجیره تامین، رویکرد دیمتل را برای ترسیم دیاگرام علت و معلولی میان معیارها و غربالگری آنها مورد توجه قرار می‌دهد. بعد از غربالگری و حذف معیارهای کم اهمیت بر مبنای نظر خبرگان، رویکرد اولویت‌بندی تریبی به منظور رتبه‌بندی معیارهای اثرگذار مستقل، به­کار گرفته شد. معیارهای مدت زمان مونتاژ، میانگین فاصله میان تامین کنندگان تا کارخانه و هزینه انتقال مواد اولیه به کارخانه در جایگاه اول تا سوم به لحاظ با اهمیت ترین معیارها قرار گرفتند. در نهایت پژوهش فعلی بر اساس نتایج بدست آمده به ارائه پیشنهادات مدیریتی می پردازد. 

چکیده انگلیسی:

Supply chain management operates across three levels: strategic, tactical, and operational. Strategic decisions focus on optimizing the network's structure, including design, location, and the number of facilities. Tactical decisions relate to production scheduling, inventory control, and coordinating activities among facilities, while operational decisions involve the short-term execution of these strategies. Effectively integrating and optimizing decision-making across these levels is crucial. In this context, supply chain network design is considered a strategic decision, while production line balancing is a tactical issue. Recognizing the importance of these interconnected factors, this study aims to identify and prioritize the key elements that influence both supply chain efficiency and assembly line balancing. To achieve this, a hybrid decision-making framework combining the DEMATEL method and a Sequential Prioritization approach is proposed. First, a comprehensive list of criteria affecting the supply chain is compiled; then, the DEMATEL technique is used to clarify causal relationships among these factors and to eliminate less impactful ones. After expert-based filtering of insignificant criteria, the Triby prioritization method ranks the remaining key factors. The analysis identifies assembly time, the average distance between suppliers and manufacturing facilities, and transportation costs of raw materials as the most critical factors, ranked first through third, respectively. The results offer practical managerial recommendations to improve supply chain performance through targeted interventions on these key influences.

منابع و مأخذ:

Moreira MCO, Pastor R, Costac AM, Miralles C (2017) The multi-objective assembly line worker integration and balancing problem of type-2. Comput Oper Res 82:114–125 [1]
Kucukkoc, I., & Zhang, D. Z. (2015). Balancing of parallel U-shaped assembly lines. Computers & Operations Research, 64, 233-244. [2]
[3]
Petridis K (2015) Optimal design of multi-echelon supply chain networks under normally distributed demand. Ann Oper Res 227(1):63–91 [4]
Farahani M, Shavandi H, Rahmani D (2017) A location-inventory model considering a strategy to mitigate disruption risk in supply chain by substitutable products. Comput Ind Eng 108:213–224 [5]
Lia M, Tang Q, Zheng Q, Xia X, Floudas C (2017) Rules-based heuristic approach for the U-shaped assembly line balancing problem. Appl Math Model 48:423–439 [6]
Solís-Quinteros, M. M., & Ávila-López, L. A. (2020). Effective Design of Service Supply Chains in México. In Techniques, Tools and Methodologies Applied to Global Supply Chain Ecosystems (pp. 237-258). Springer, Cham. [7]
Sabogal-De La Pava, M. L., Vidal-Holguín, C. J., Manotas-Duque, D. F., & Bravo-Bastidas, J. J. (2020). Supply Chain Design by Minimizing Equivalent Present Cost Considering Weighted Variable Costs. In Techniques, Tools and Methodologies Applied to Global Supply Chain Ecosystems (pp. 285-305). Springer, Cham. [8]
Ramos-Hernández, R., Sánchez-Ramírez, C., Sandoval-Salas, F., Manotas-Duque, D. F., Rivera-Cadavid, L., & Pérez-Rodríguez, S. I. (2020). Systemic Approach for the Design of Renewable Energy Supply Chain Generated from Biomass. In Techniques, Tools and Methodologies Applied to Global Supply Chain Ecosystems (pp. 259-283). Springer, Cham. [9]
Samadi, A., Mehranfar, N., Fathollahi Fard, A. M., & Hajiaghaei-Keshteli, M. (2018). Heuristic-based metaheuristics to address a sustainable supply chain network design problem. Journal of Industrial and Production Engineering, 35(2), 102-117. [10]
Mikhail, M., El-Beheiry, M., & Afia, N. (2019). Incorporating resilience determinants in supply chain network design model. Journal of Modelling in Management. [11]
Zokaee, S., Jabbarzadeh, A., Fahimnia, B., & Sadjadi, S. J. (2017). Robust supply chain network design: an optimization model with real world application. Annals of Operations Research, 257(1-2), 15-44. [12]
Seçme, G., & Özbakır, L. (2019). An Assembly Line Balancing Application on Oven Production Line with Hyper-Heuristics. International Journal of Operations Research and Information Systems (IJORIS), 10(3), 44-58. [13]
Lai, T. C., Sotskov, Y. N., & Dolgui, A. (2019). The stability radius of an optimal line balance with maximum efficiency for a simple assembly line. European Journal of Operational Research, 274(2), 466-481. [14]
Hazır, Ö., & Dolgui, A. (2015). A decomposition based solution algorithm for U-type assembly line balancing with interval data. Computers & Operations Research, 59, 126-131. [15]
Sun, B. Q., & Wang, L. (2019). A decomposition-based matheuristic for supply chain network design with assembly line balancing. Computers & Industrial Engineering, 131, 408-417. [16]
Hamta, N., Shirazi, M. A., & Ghomi, S. F. (2016). A bi-level programming model for supply chain network optimization with assembly line balancing and push–pull strategy. Proceedings of the Institution of Mechanical Engineers, Part B: Journal of Engineering Manufacture, 230(6), 1127-1143. [17]
Saidi, N. Sadeghian, R.(2014). Solving the assembly line balance problem in multi-option operation sequence mode using integer linear programming model, International Conference on Modern Researches in Management and Industrial Engineering. [18]
Samizadeh, R. (2015). Presenting an integrated model to optimize distribution network and production planning considering assembly line balance, International Conference on Industrial Engineering and Management. [19]
Ali Bakshi, F. Mahmoudi, M. Valmohammadi, Ch. Hashemzadeh Khorasgani, Gha. (1402). Identifying and ranking the factors affecting the resilient supply chain strategies in medical centers with DIMATELl Gray technique and ANP. 3(9). Journal of Operations Management. [20]
Haddadsisakht A, Ryan SM (2018) Closed-loop supply chain network design with multiple transportation modes under stochastic demand and uncertain carbon tax. Int J Prod Econ 195:118–131 [21]
Govindan K, Fattahi M, Keyvanshokooh E (2017) Supply chain network design under uncertainty: a comprehensive review and future research directions. Eur J Oper Res 263(1):108–141 [22]
Alavidoost, M. H., Babazadeh, H., & Sayyari, S. T. (2016). An interactive fuzzy programming approach for bi-objective straight and U-shaped assembly line balancing problem. Applied Soft Computing, 40, 221-235. [23]
Arifin, M. Z., Probowati, B. D., & Hastuti, S. (2015). Applications of Queuing Theory in the Tobacco Supply. Agriculture and Agricultural Science Procedia, 3, 255-261. [24]
Fattahi, A., & Turkay, M. (2015). On the MILP model for the U-shaped assembly line balancing problems. European Journal of Operational Research, 242(1), 343-346. [25]
Sharma, M., Joshi, S., & Kumar, A. (2020). Assessing enablers of e-waste management in circular economy using DEMATEL method: An Indian perspective. Environmental Science and Pollution Research, 27(12), 13325-13338. [26]
Ataei, Y., Mahmoudi, A., Feylizadeh, M. R., & Li, D. F. (2020). Ordinal priority approach (OPA) in multiple attribute decision-making. Applied Soft Computing, 86, 105893. [27]
Che, Z. H. (2017). A multi-objective optimization algorithm for solving the supplier selection problem with assembly sequence planning and assembly line balancing. Computers & Industrial Engineering, 105, 247-259. [28]
Bortolini, M., Faccio, M., Gamberi, M., & Pilati, F. (2017). Multi-objective assembly line balancing considering component picking and ergonomic risk. Computers & Industrial Engineering, 112, 348-367. [29]
Arampantzi, C., Minis, I., & Dikas, G. (2019). A strategic model for exact supply chain network design and its application to a global manufacturer. International Journal of Production Research, 57(5), 1371-1397. [30]
Masmoudi, O., Yalaoui, A., Ouazene, Y., & Chehade, H. (2017). Lot-sizing in a multi-stage flow line production system with energy consideration. International Journal of Production Research, 55(6), 1640-1663. [31]
Hamzas, M. F. M. A., Bareduan, S. A., Zakaria, M. Z., Ghazali, S., & Zairi, S. (2017, September). A representation model for developing double-sided assembly line balancing model: An industrial case study. In AIP Conference Proceedings (Vol. 1885, No. 1, p. 020180). AIP Publishing LLC. [32]
Pachghare, V., & Dalu, R. S. (2014). Assembly line balancing–a review. International Journal of Science and Research, 3(3), 807-811. [33]
Nallusamy, S. (2016). Productivity enhancement in a small scale manufacturing unit through proposed line balancing and cellular layout. International Journal of Performability Engineering, 12(6), 523-534. [34]
Binninger, M., Dlouhy, J., Müller, M., Schattmann, M., & Haghsheno, S. (2018). Short Takt time in construction–a practical study. Proceedings (IGLC 26). Chennai, India. [35]
Fischer, S., Benzaman, B., Diegel, E., Soriano Gimenez, M., & Claudio, D. (2020). Effects of different types of imperfect advance demand information in production systems. Journal of Simulation, 1-13. [36]
Li, L., Manier, H., & Manier, M. A. (2019). Hydrogen supply chain network design: An optimization-oriented review. Renewable and Sustainable Energy Reviews, 103, 342-360. [37]