برنامه‌ریزی استوار–فازی–احتمالی در طراحی شبکه زنجیره تأمین چندسطحی دارو تحت شرایط عدم‌قطعیت
الموضوعات :امین طغیانی 1 , سید اسماعیل نجفی 2 , ندا رفیعی پارسا 3
1 - گروه مهندسی صنایع، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران
2 - گروه مهندسی صنایع، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران
3 - گروه مهندسی صنایع دانشگاه آزاد اسلامی واحد تهران مرکزی، تهران ، ایران
الکلمات المفتاحية: کلیدواژه‌ها: شبکه زنجیره تأمین دارو برنامه‌ریزی استوار–فازی–احتمالی عدم‌قطعیت تخفیف خرید مواد اولیه فسادپذیری الگوریتم MOWOA,
ملخص المقالة :
چکیده هدف: هدف این پژوهش، طراحی شبکه زنجیره تأمین چندسطحی دارو تحت شرایط عدم‌قطعیت است. اهداف اصلی مدل شامل کمینه‌سازی هزینه کل طراحی شبکه، کمینه‌سازی حداکثر تقاضای تأمین‌نشده و بیشینه‌سازی قابلیت اطمینان در تحویل دارو به مشتریان نهایی است. ضرورت: ضرورت انجام این پژوهش ناشی از اهمیت راهبردی زنجیره تأمین دارو و وجود عدم‌قطعیت در مراحل مختلف تأمین، تولید و توزیع محصولات دارویی است. از آنجا که اختلال در عملکرد این زنجیره می‌تواند منجر به افزایش هزینه‌ها، کمبود دارو و کاهش سطح خدمات‌رسانی به مشتریان نهایی شود، طراحی یک شبکه کارآمد و قابل‌اعتماد اهمیت ویژه‌ای دارد. همچنین، ویژگی فسادپذیری برخی محصولات دارویی و ضرورت تحویل مطمئن و به‌موقع آن‌ها، پیچیدگی تصمیم‌گیری در این حوزه را افزایش می‌دهد. بر این اساس، پژوهش حاضر با ارائه یک مدل چندهدفه مبتنی بر برنامه‌ریزی استوار–فازی–احتمالی، تلاش می‌کند هزینه کل طراحی شبکه و میزان تقاضای تأمین‌نشده را کاهش داده و قابلیت اطمینان تحویل دارو را افزایش دهد. در نهایت، به‌کارگیری روش‌های حل مناسب برای مسائل با ابعاد مختلف می‌تواند به تصمیم‌گیری بهتر در طراحی و مدیریت شبکه زنجیره تأمین دارو کمک کند. روش شناسی: در این پژوهش، از روش برنامه‌ریزی استوار–فازی–احتمالی (RFP) برای کنترل پارامترهای غیرقطعی در شبکه زنجیره تأمین دارو استفاده شده است. شبکه پیشنهادی شامل پنج سطح تأمین‌کنندگان، تولیدکنندگان، توزیع‌کنندگان، خرده‌فروشان و مشتریان است. همچنین، تخفیف عمومی در خرید مواد اولیه توسط تولیدکنندگان و قابلیت اطمینان تحویل دارو در مدل لحاظ شده است. برای حل مسائل با ابعاد کوچک، از روش تصمیم‌گیری چندهدفه و برای مسائل با ابعاد بزرگ‌تر، از الگوریتم‌های NSGA-II و MOWOA استفاده شده است. یافته‌ها: یافته های محاسباتی نشان می‌دهد که با افزایش سطح عدم‌قطعیت، هزینه کل طراحی شبکه و میزان کمبود افزایش می‌یابد. همچنین، تحلیل حساسیت پارامتر زمان فسادپذیری نشان می‌دهد که افزایش این زمان موجب کاهش هزینه کل شبکه و میزان کمبود و افزایش قابلیت اطمینان در انتقال محصولات فسادپذیر می‌شود. در مقیاس‌های بزرگ‌تر نیز ۱۵ مسئله نمونه با ابعاد مختلف طراحی و بررسی شده است. نتایج نشان می‌دهد که تفاوت معناداری میان میانگین عملکرد الگوریتم‌ها بر اساس شاخص‌های ارزیابی‌شده وجود ندارد. نتیجه‌گیری: مدل ارائه‌شده چارچوبی چندهدفه برای طراحی شبکه زنجیره تأمین دارو تحت شرایط عدم‌قطعیت فراهم می‌کند که در آن هزینه، تقاضای تأمین‌نشده و قابلیت اطمینان تحویل دارو به‌صورت هم‌زمان مورد توجه قرار می‌گیرند. نتایج بر اهمیت مدیریت عدم‌قطعیت و زمان فسادپذیری در بهبود عملکرد شبکه تأکید دارند. نوآوری پژوهش: نوآوری این پژوهش در ارائه مدلی برای طراحی شبکه زنجیره تأمین چندسطحی دارو است که برنامه‌ریزی استوار–فازی–احتمالی، تخفیف عمومی خرید مواد اولیه، فسادپذیری محصولات، قابلیت اطمینان تحویل دارو و تقاضای تأمین‌نشده را به‌صورت هم‌زمان در شرایط عدم‌قطعیت در نظر می‌گیرد.
Akbarpour, M., Torabi, S. A., & Ghavamifar, A. (2020). Designing an integrated pharmaceutical relief chain network under demand uncertainty. Transportation Research Part E: Logistics and Transportation Review, 136,101867
Aliahmadi, A., Ghahremani-Nahr, J., & Nozari, H. (2023). Pricing decisions in the closed-loop supply chain network, taking into account the queuing system in production centers. Expert Systems with Applications, 212, 118741.
Alkaabneh, F., Diabat, A., & Gao, H. O. (2020). Benders decomposition for the inventory vehicle routing problem with perishable products and environmental costs. Computers & Operations Research, 113, 104751.
Baboli, A., Fondrevelle, J., Tavakkoli-Moghaddam, R., & Mehrabi, A. (2011). A replenishment policy based on joint optimization in a downstream pharmaceutical supply chain: centralized vs. decentralized replenishment. The International Journal of Advanced Manufacturing Technology, 57(1–4), 367–378.
Biuki, M., Kazemi, A., & Alinezhad, A. (2020). An integrated location–routing–inventory model for sustainable design of a perishable products supply chain network. Journal of Cleaner Production, 260,120842.
Diabat, A., Abdallah, T., & Le, T. (2016). A hybrid tabu search based heuristic for the periodic distribution inventory problem with perishable goods. Annals of Operations Research, 242(2), 373–398.
Mardan, E., Govindan, K., Mina, H., & Gholami-Zanjani, S. M. (2019). An accelerated benders decomposition algorithm for a bi-objective green closed loop supply chain network design problem. Journal of Cleaner Production, 235, 1499–1514.
Masoumi, A. H., Yu, M., & Nagurney, A. (2012). A supply chain generalized network oligopoly model for pharmaceuticals under brand diferentiation and perishability. Transportation Research Part E: Logistics and Transportation Review, 48(4), 762–780.
Mousazadeh, M., Torabi, S. A., & Zahiri, B. (2015). A robust possibilistic programming approach for pharmaceutical supply chain network design. Computers & Chemical Engineering, 82,115–128.
Nagurney, A., & Li, D. (2015). A supply chain network game theory model with product diferentiation, outsourcing of production and distribution, and quality and price competition. Annals of Operations Research, 226(1), 479–503.
Nasrollahi, M., & Razmi, J. (2019). A mathematical model for designing an integrated pharmaceutical supply chain with maximum expected coverage under uncertainty. Operational Research, 1–28.
Nozari, H., & Aliahmadi, A. (2022). Lean supply chain based on IoT and blockchain: Quantitative analysis of critical success factors (CSF). Journal of Industrial and Systems Engineering, 14(3), 149-167.
Nozari, H., Tavakkoli-Moghaddam, R., & Gharemani-Nahr, J. (2022). A neutrosophic fuzzy programming method to solve a multi-depot vehicle routing model under uncertainty during the covid-19 pandemic. International Journal of Engineering, 35(2), 360-371.
Ozsen, L., Coullard, C. R., & Daskin, M. S. (2008). Capacitated warehouse location model with risk pooling. Naval Research Logistics (NRL), 55(4), 295–312.
Sabouhi, F., Pishvaee, M. S., & Jabalameli, M. S. (2018). Resilient supply chain design under operational and disruption risks considering quantity discount: A case study of pharmaceutical supply chain. Computers & Industrial Engineering, 126,657–672.
Savadkoohi, E., Mousazadeh, M., & Torabi, S. A. (2018). A possibilistic location–inventory model for multi-period perishable pharmaceutical supply chain network design. Chemical Engineering Research and Design, 138,490–505.
Singh, S. K., & Goh, M. (2018). Multi-objective mixed integer programming and an application in a pharmaceutical supply chain. International Journal of Production Research, 57,124.
Aliahmadi, A., & Nozari, H. (2023, January). Evaluation of security metrics in AIoT and blockchain-based supply chain by Neutrosophic decision-making method. In Supply Chain Forum: An International Journal (Vol. 24, No. 1, pp. 31-42). Taylor & Francis.
Weraikat, D., Zanjani, M. K., & Lehoux, N. (2016). Two-echelon pharmaceutical reverse supply chain coordination with customers incentives. International Journal of Production Economics, 176,41–52.
Weraikat, D., Zanjani, M. K., & Lehoux, N. (2019). Improving sustainability in a two-level pharmaceutical supply chain through vendor-managed inventory system. Operations Research for Health Care,21,44–55.
Zahiri, B., Jula, P., & Tavakkoli-Moghaddam, R. (2018). Design of a pharmaceutical supply chain network under uncertainty considering perishability and substitutability of products. Information Sciences, 423,257–283.
Zahiri, B., Zhuang, J., & Mohammadi, M. (2017). Toward an integrated sustainable-resilient supply chain: A pharmaceutical case study. Transportation Research Part E: Logistics and Transportation Review, 103,109–142