شناسایی و وزن دهی ریسک‌های زنجیره تامین به کمک رویکرد فرآیند تحلیل سلسله مراتبی فازی (مورد مطالعه: مجتمع فولاد مبارکه اصفهان)

زنجیره‌های تامین نقش مهم و کاملی را در اقتصاد جهانی امروز بازی می‌کنند. عملیات زنجیره تامین نسبت به عدم قطعیت‌های متفاوت نظیر اختلالات تامین‌کنندگان، اختلالات در حمل‌ونقل یا تاخیرها و نوسانات تقاضای مشتری حساس می‌باشد. مدیریت ریسک زنجیره تامین به‌عنوان یک فعالیت مدیریتی می‌تواند به‌منظور شناسایی و مدیریت ریسک‌ها برای زنجیره تامین از طریق رویکرد همکارانه در میان اعضای زنجیره تامین برای کاهش آسیب‌پذیری زنجیره تامین تعریف شود. هدف این پ‍ژوهش شناسایی و اولویت‌بندی ریسک‌های زنجیره تامین مجتمع فولاد مبارکه اصفهان از طریق فرآیند تحلیل سلسله مراتبی فازی می‌باشد. به این منظور ابتدا ریسک‌های زنجیره تامین شرکت به کمک مطالعه پژوهش‌های پیشین و مصاحبه با کارشناسان مربوطه شناسایی و مهم‌ترین آن‌ها از طریق پرسشنامه، غربال‌سازی و انتخاب گردیدند. سپس این ریسک‌ها در دسته‌های مختلف طبقه‌بندی گردیدند و بر اساس آن جداول مقایسات زوجی فازی طراحی و بین خبرگان توزیع و جمع‌آوری گردید. درنهایت، اوزان نسبی عناصر این جداول به روش غیرخطی برنامه‌ریزی ترجیحی فازی استخراج گردیده و سپس با روش فرآیند تحلیل سلسله مراتبی فازی، اوزان نهایی هریک از ریسک‌های شرکت به دست آمد.

identification and weighting of supply chain risks with the help of fuzzy analytical hierarchy process approach (case study: mobarakeh steel complex of isfahan)

supply chains play an important and integral role in today's global economy. supply chain operations are sensitive to various uncertainties such as disruptions in suppliers, transportation disruptions, or fluctuations in customer demand. supply chain risk management can be defined as a management activity aimed at identifying and managing risks for the supply chain through a collaborative approach among supply chain members to reduce the vulnerability of the supply chain. the aim of this study is to identify and prioritize supply chain risks of mobarakeh steel complex in isfahan through the fuzzy analytic hierarchy process. to this end, the company's supply chain risks were identified using previous research studies and interviews with relevant experts, and the most important ones were selected through questionnaires, screening, and selection. then, these risks were classified into different categories and fuzzy pairwise comparison tables were designed and distributed among experts for collection. finally, the relative weights of the elements in these tables were extracted using the non-linear fuzzy preference programming method, and then the final weights of each of the company's risks were obtained using the fuzzy analytic hierarchy process.