|
|
طراحی سناریوهای تاب آوری زنجیره تامین سایپا به منظور ارزیابی فرآیند تولید
|
|
|
|
|
نویسنده
|
شفقی زاده سمیه ,ابراهیم نژاد سعداله ,نوابخش مهرزاد ,سجادی مجتبی ,شفقی زاده سمیه ,ابراهیم نژاد سعداله ,نوابخش مهرزاد ,سجادی مجتبی
|
منبع
|
مديريت راهبردي در سيستم هاي صنعتي - 1400 - دوره : 16 - شماره : 57 - صفحه:74 -110
|
چکیده
|
زنجیرههای تامین معاصر شبکههای پیچیدهای از فرآیندها هستند که در معرض اختلالات فراوان قرار دارند، یک زنجیره تامین تاب آور با ایجاد قابلیتها، سریعتر پاسخگوی تغییرات خواهند بود. تاثیر اجزای شبکه زنجیره تامین بر روی یکدیگر در شرایط عدم اطمینان منجر به پیچیدگی و ایجاد اختلالات میگردد. به جهت کاهش اختلالات، در مواجهه با ریسکهای ناشی از زنجیره تامینهای مدرن باید به سمت رویکرد تابآوری زنجیره تامین حرکت نمود. هدف از این مقاله تجزیه و تحلیل فرآیندهای شبکه از تامین کننده تا توزیع کننده، متناسب با همگرایی فرآیندها با در نظر گرفتن ترکیبی از فاکتورهای تاب آوری در صنعت خودرو است. طراحی سناریوهای پیشنهادی با ترکیب عوامل تاب آوری تاثیرگذار، بر مبنای نظر خبرگان این صنعت با در نظر گرفتن عوامل آسیب پذیر و اختلالات هر سطح ارائه شده است. ابتدا منابع ریسکهای ناشی از زنجیره تامین مانند اختلالات، تاخیرها و عوامل آسیب پذیر شناسایی و سپس بیست و چهار سناریو با ترکیب عوامل تاب آوری انعطاف پذیری، مشاهده پذیری ، سرعت و قابل رویت بودن طراحی گردیده است. زنجیره تامین پیچیده شرکت بر اساس نرخ گذشته سیستم و توابع توزیع آماری شبیه سازی و سپس برای انتخاب سناریوی برتر از تحلیل پوششی داده های شبکه ای استفاده شده است. شاخصهای حاصل از هر سناریو یا خروجی شبیه سازی بر اساس تحلیل پوششی داده ها رتبه بندی و کاراترین سناریو انتخاب می شوند. در نهایت با تحلیلهای آماری و ایجاد یک مدل رگرسیون بین شاخصهای شبیه سازی و کارایی سناریوها به روابط بین متغیرها و کارایی ها پرداخته شده است.
|
کلیدواژه
|
تحلیل پوششی داده های شبکه ای، زنجیره تامین تاب آور، شبیه سازی، فاکتورهای تاب آوری
|
آدرس
|
دانشگاه آزاد اسلامی واحد تهران جنوب, دانشکده مهندسی صنایع, ایران. دانشگاه آزاد اسلامی واحد تهران جنوب, دانشکده مهندسی صنایع, ایران, دانشگاه آزاد اسلامی واحد کرج, گروه مهندسی صنایع, ایران. دانشگاه آزاد اسلامی واحد کرج, گروه مهندسی صنایع, ایران, دانشگاه آزاد اسلامی واحد تهران جنوب, دانشکده مهندسی صنایع, ایران. دانشگاه آزاد اسلامی واحد تهران جنوب, دانشکده مهندسی صنایع, ایران, دانشگاه تهران, دانشکده کارآفرینی, گروه کسب و کار جدید, ایران. دانشگاه تهران, دانشکده کارآفرینی, گروه کسب و کار جدید, ایران, دانشگاه آزاد اسلامی واحد تهران جنوب, دانشکده مهندسی صنایع, ایران, دانشگاه آزاد اسلامی واحد کرج, گروه مهندسی صنایع, ایران, دانشگاه آزاد اسلامی واحد تهران جنوب, دانشکده مهندسی صنایع, ایران, دانشگاه تهران, دانشکده کارآفرینی, گروه کسب و کار جدید, ایران
|
|
|
|
|
|
|
|
|
|
|
Designing SAIPA supply chain resilience scenarios to evaluate the production process
|
|
|
Authors
|
Shafaghizadeh Somayeh ,Ebrahimnejad Sadoullah ,Navabakhsh Mehrzad ,Sajadi Seyed Mojtaba ,Shafaghizadeh Somayeh ,Ebrahimnejad Sadoullah ,Navabakhsh Mehrzad ,Sajadi Seyed Mojtaba
|
Abstract
|
Contemporary supply chains are complex networks of processes that are subject to many disruptions; a resilient supply chain will be able to respond more quickly to changes by creating capabilities. The effect of supply chain network components on each other under conditions of uncertainty contributes to complexity and disruption. The supply chain must be pushed towards a resiliency strategy in order to reduce disruptions and deal with issues that arise from the supply chain. The purpose of this paper is to analyze network processes from supplier to distributor, in proportion to the convergence of processes by a combination of resilience factors in the automotive industry. The design of the proposed scenarios with the combination of effective resilience factors is presented, which is based on the opinion of industry experts and also takes the vulnerable factors and disorders of each level into account. First, the sources of supply chain risks such as disruptions, delays and vulnerabilities are identified and then twentyfour scenarios are designed with a combination of resilience factors of flexibility, visibility, velocity, and visibility. The company’’s complex supply chain is simulated based on the system’’s past rate and statistical distribution functions, and then the network DEA is used to select the superior scenario. The indicators of each scenario or simulation output are selected based on the DEA, ranking the most efficient scenario. Finally, the relationships between them have been explored using mathematical analysis and the creation of a regression model between the simulation indices and the output of scenarios.
|
Keywords
|
|
|
|
|
|
|
|
|
|
|
|