طراحی زنجیره تامین تجهیزات، غربالگری و خدمات امدادی چند هدفه با تقاضای فازی به مجروحان بحران زلزله؛ به کمک روش ال پی متریک

زمینه و هدف: این روزها بسیاری از انسان‌ها در اثر وقوع حوادث طبیعی مانند سیل، زلزله و توفان جان و مال خود را از دست می‌دهند. برنامه‌ریزی های قبل از بحران باعث کاهش تلفات و امدادرسانی سریع‌تر می‌گردد. همچنین، تعیین تعداد و مکان مراکز تولید و نقاط خدمت رسانی باعث تسهیل کار گروه‌های امدادی و استفاده حداکثری از فضا و امکانات می‌گردد. در این مقاله، یک مدل ریاضی دو هدفه پیشنهاد می گردد که ضمن کمینه کردن هزینه‌های ارسال اقلام امدادی و زمان امدادرسانی به تعیین تعداد نقاط خدمت‌دهی متناسب با شدت زلزله کمک می نماید. روش : در این تحقیق، بسته به شدت جراحت، مجروحان به سه دسته سبز، قرمز و زرد تقسیم می‌شوند. به دلیل اینکه موضوع مورد نظر برای برنامه ریزی های قبل از وقوع بحران می‌باشد، مدل پیشنهادی در دو مرحله حل می گردد. در مرحله اول، حالتی در نظر گرفته می شود که کلیه مجروحان و اقلام امدادی به‌ موقع فرستاده شوند. سپس در مرحله دوم با فرض این‌که ممکن است در تعیین ظرفیت‌ها و یا پیش‌بینی ها به ویژه در شرایطی که با زلزله شدید مواجه هستیم، اندکی خطا وجود داشته باشد و به همین دلیل تعدادی از مجروحان و اقلام به دلیل محدودیت، به موقع فرستاده نشوند، لذا مدل پیشنهادی در نرم افزار گمز و با روش معیار جامع حل شده است.یافته ها :تحلیل مدل نشان می‌دهد که دسته بندی بیماران به ما کمک می کند تا بتوانیم در مواقعی که کمبود منبع داریم و نمی توانیم به تعداد کافی اقلام امدادرسانی ارسال کنیم، تصمیم بگیریم که به کدام یک از مراکز خدمت رسانی اقلام امدادی ارسال کنیم و به کدام مراکز ارسال نکنیم. مشابه این نتیجه برای زمانی که آمبولانس‌ها و هلی کوپترها فضلی کافی برای ارسال مجروحان ندارند نیز صدق می کند. در این شرایط، مدل به ما کمک می کند تا درباره ارسال یا عدم ارسال بیمارن تصمیم بگیریم، به گونه ای که زمان ارسال اقلام و بیماران و هزینه های عدم خدمت رسانی کمینه گردند.نتیجه گیری : کارایی مدل با حل مثال‌های عددی مختلف مورد بررسی قرارگرفته است. نتایج تحلیل حساسیت مدل نشان می‌دهند پیش‌بینی های صورت گرفته برای تعداد تلفات و همچنین هزینه‌ عدم فرستادن به‌ موقع مجروحان از مهم ترین عوامل موثر بر نتیجه مدل است. همچنین پیش‌بینی ما از درصد تبدیل مجروحان به مجروح سبز، زرد و قرمز و درصد تبدیل مجروح زرد به قرمز اثر مهمی بر تعداد بیماران ارسالی به مراکز خدمت رسانی و تخصیص اقلام درمانی به مراکز خدمت‌رسانی دارد

Designing multi-objective supply chain design relief services with considering to equipment, screening and fuzzy demand in earthquake using the LP-metric method

Background and objective: In these days many people lost their lives and properties to natural events like floods, earthquakes, and storms. planning before the occurrence of a crisis in order to come up against it is very important and decreases the number of injured and response time.in addition, choosing the number of emergency stations, production centers, and their location is effective for response teams and maximum the use of equipment and space. In this article a two objective mathematical model that minimum costs of transporting relief items and Relief times is proposed, the model also helps us to choose the number of server centers and production centers according to the severity of the earthquake.Method: Besides in this research we assume that injured people are inthree categories green, red and yellow depends on the severity of their injury. Since the problem assumes for programming before the crisis, the proposed model is solved in twostage. In the first stage, we assume that all injured and relief items transport on time. Then in the second stage, we solve the model with the assumption that we may make some mistakes in the predictions of capacity and demand especially when we confront a drastic earthquake and for this reason, some of the injured people can #39;t transport on time. The proposed model is solved in GAMS with the LPmetric method.Findings: Solving the model shows that patient classification helps us decide which service centers to send relief items to and which centers do not in cases where we have a shortage of resources and cannot send enough relief items. The same is true when ambulances and helicopters do not have enough space to evacuate the injured, in this case, the model helps us decide whether or not to send patients, in such a way that the time of sending items and patients and nonservice costs are minimized.Conclusion: Performance of the model evaluates with solving different examples, Model sensitivity analysis results show that predictions about the number of injuries and the also the costs that we assume for Penalty of not sending equipment and injuries are some of the most effective parameters in the model result. Also, our predictions about the percentage of injured who turn to green, yellow and red patients and the percentage of injured yellow who turn to the red patient has an important effect on the number of patients referred to service centers and the allocation of medical items to service centers.