تصمیم‌گیری منعطف در لجستیک: ساختاری یکپارچه برای مدیریت عدم قطعیت در شبکه‌ حمل‌ونقل فازی شهودی بازه ای

مدیریت عدم قطعیت‌های چندلایه در مسائل حمل‌ونقل، به ویژه در شرایطی که داده‌ها ناقص یا متعارض هستند، نیازمند رویکردهای پیشرفته‌تری نسبت به نظریه کلاسیک فازی است. این مطالعه یک چارچوب تصمیم‌گیری نوین را با استفاده از اعداد فازی ذوزنقه‌ای شهودی بازه‌ای برای مدل‌سازی پارامترهای هزینه در مسئله حمل‌ونقل ارائه می‌دهد. این چارچوب امکان نمایش همزمان ابهام ذاتی، عدم قطعیت و تضاد اطلاعات را از طریق درجه های تعلق، عدم تعلق و تردید در قالب بازه‌های عددی فراهم می‌سازد. هسته اصلی این پژوهش، توسعه مفاهیم نظری و عملی برای یک تابع امتیاز پارامتریک است که این اعداد فازی پیچیده را با درنظرگیری مولفه‌های قطعی (شکل ذوزنقه)، فازی (درجه تعلق) و مولفه تردید، به یک مقدار قطعی تبدیل می‌کند. پارامتر وزنی در این تابع سطح ریسک‌پذیری تصمیم‌گیرنده را منعکس می‌نماید. یک مثال عددی با سه مبدا و سه مقصد برای اعتبارسنجی مدل انجام شد. یافته‌ها به وضوح نشان می‌دهند که با افزایش مقدار پارامتر وزنی برای عامل تردید، هزینه‌های دارای عدم قطعیت بالاتر به صورت معناداری افزایش می‌یابند که این امر منجر به رشد منطقی و یکنواخت در هزینه بهینه کل می‌شود. این انعطاف‌پذیری، مدل پیشنهادی را به ابزاری قدرتمند برای صنایع واقعی مانند لجستیک دارویی و مدیریت زنجیره تامین کشاورزی، که با داده‌های ناقص و محیط‌های پویا مواجهند، تبدیل می‌کند.

flexible decision-making in logistics: an integrated framework for managing uncertainty in interval-valued intuitionistic fuzzy transportation networks

managing multi-layer uncertainties in transportation problems, particularly when data is incomplete or conflicting, requires more advanced approaches than classical fuzzy theory. this study presents a novel decision-making framework using interval-valued intuitionistic trapezoidal fuzzy numbers to model cost parameters in transportation problems. this framework enables the simultaneous representation of inherent ambiguity, uncertainty, and information conflict through degrees of membership, non-membership, and hesitation in the form of numerical intervals. the core of this research involves developing theoretical and practical concepts for a parametric scoring function that converts these complex fuzzy numbers into a definite value by considering deterministic (trapezoidal shape), fuzzy (membership degree), and hesitation components. the weighting parameter in this function reflects the decision-maker s risk tolerance level. a numerical example with three origins and three destinations was conducted to validate the model. the findings clearly demonstrate that as the weighting parameter value for the hesitation factor increases, costs with higher uncertainty significantly rise, leading to a logical and monotonic increase in the total optimal cost. this flexibility makes the proposed model a powerful tool for real-world industries such as pharmaceutical logistics and agricultural supply chain management, which face incomplete data and dynamic environments.