Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Mô hình hóa và giảm thiểu các gián đoạn trong chuỗi cung ứng như một bài toán dòng chảy mạng hai cấp
Tóm tắt
Nhiều năm toàn cầu hóa, việc thuê ngoài và cắt giảm chi phí đã làm tăng tính dễ bị tổn thương của chuỗi cung ứng, yêu cầu những chiến lược giảm thiểu rủi ro hiệu quả hơn. Trong nghiên cứu của chúng tôi, chúng tôi phân tích các gián đoạn trong chuỗi cung ứng trong môi trường sản xuất. Sử dụng khung tối ưu hóa hai cấp, chúng tôi tối thiểu hóa tổng chi phí sản xuất cho một nhà sản xuất quan tâm đến việc tìm kiếm các chiến lược giảm thiểu gián đoạn tối ưu. Vấn đề này cấu thành chương trình dòng chảy mạng lồi dưới một ràng buộc xác suất giới hạn sự hối tiếc của nhà sản xuất trong các kịch bản bị gián đoạn. Do đó, trái ngược với các sơ đồ tối ưu hóa hai cấp tiêu chuẩn với hai quyết định viên, một nhà lãnh đạo và một người theo, mô hình của chúng tôi tìm kiếm kế hoạch sản xuất tối ưu của một nhà sản xuất với quan điểm giảm thiểu chuỗi sự hối tiếc đặc thù của kịch bản của chính mình. Được định nghĩa là sự chênh lệch về chi phí giữa một kế hoạch phản ứng, coi gián đoạn là không biết cho đến khi xảy ra, và một kế hoạch tiên đoán chuẩn, dự đoán gián đoạn từ đầu chân trời lập kế hoạch, các sự hối tiếc cho phép đo lường tác động của các chiến lược sản xuất đặc thù của kịch bản đối với tổng chi phí của nhà sản xuất. Để đạt được giải pháp hiệu quả cho vấn đề, chúng tôi áp dụng phân rã Benders tổng quát và phát triển các cắt giảm khả thi tùy chỉnh. Trong phần quản lý, chúng tôi thảo luận về các tác động đối với sản xuất điều chỉnh theo rủi ro và quan sát rằng sự hối tiếc của các gián đoạn kéo dài được giảm thiểu trong chiến lược giảm thiểu của chúng tôi với chi phí của các gián đoạn ngắn hơn, mà sự hối tiếc thường vẫn thấp hơn ngưỡng rủi ro. Điều này cho phép giảm chi phí sản xuất trong các kịch bản gián đoạn hiếm nhưng có tác động lớn.
Từ khóa
#gián đoạn chuỗi cung ứng #quản lý rủi ro #tối ưu hóa hai cấp #chi phí sản xuất #kế hoạch sản xuấtTài liệu tham khảo
Adulyasak Y, Cordeau JF, Jans R (2015) Benders decomposition for production routing under demand uncertainty. Oper Res 63(4):851–867
Amrein M (2011) Monte carlo simulation for estimating rare event probabilities and parameters in markov process models
Bard JF (2013) Practical bilevel optimization: algorithms and applications, vol 30. Springer Science & Business Media
Barroso AP, Machado VH, Machado VC (2008) A supply chain disturbances classification. In: 2008 IEEE international conference on industrial engineering and engineering management. IEEE, pp 1870–1874
Bell DE (1982) Regret in decision making under uncertainty. Oper Res 30(5):961–981
Bertsekas DP (1998) Network optimization: continuous and discrete models. Athena Scientific Belmont
Bussieck M, Vigerske S (2010) Minlp solver software
Calvete HI, Gale C, Mateo PM (2008) A new approach for solving linear bilevel problems using genetic algorithms. Eur J Oper Res 188(1):14–28
Chopra S, Sodhi M (2004) Supply-chain breakdown. MIT Sloan Manag Rev 46(1):53–61
Christopher M, Lee H (2004) Mitigating supply chain risk through improved confidence. Int J Phys Distrib Logi Manage 34(5):388–396
Christopher M, Peck H (2004) Building the resilient supply chain. Int J Logist Manage 15(2):1–14
Dempe S (2002) Foundations of bilevel programming. Springer Science & Business Media
Dong L, Tomlin B (2012) Managing disruption risk: the interplay between operations and insurance. Manage Sci 58(10):1898–1915
Fischetti M, Ljubić I, Sinnl M (2016) Benders decomposition without separability: a computational study for capacitated facility location problems. Eur J Oper Res 253(3):557–569
Geoffrion AM (1972) Generalized Benders decomposition. J Optim Theory Appl 10(4):237–260
Haque M, Paul SK, Sarker R, Essam D (2020) Managing decentralized supply chain using bilevel with nash game approach. J Clean Prod 266:121865
Hatefi S, Jolai F (2014) Robust and reliable forward-reverse logistics network design under demand uncertainty and facility disruptions. Appl Math Model 38(9–10):2630–2647
Hatefi SM, Jolai F, Torabi SA, Tavakkoli-Moghaddam R (2015) A credibility-constrained programming for reliable forward-reverse logistics network design under uncertainty and facility disruptions. Int J Comput Integr Manuf 28(6):664–678
Heckmann I, Comes T, Nickel S (2015) A critical review on supply chain risk: Definition, measure and modeling. Omega 52:119–132
Hendricks KB, Singhal VR (2005) An empirical analysis of the effect of supply chain disruptions on long-run stock price performance and equity risk of the firm. Prod Oper Manag 14(1):35–52
Hsueh CF (2015) A bilevel programming model for corporate social responsibility collaboration in sustainable supply chain management. Transp Res Part E Logist Transp Rev 73:84–95
Ivanov D, Dolgui A, Sokolov B, Ivanova M (2017) Literature review on disruption recovery in the supply chain. Int J Prod Res 55(20):6158–6174
Liberatore F, Scaparra MP, Daskin MS (2012) Hedging against disruptions with ripple effects in location analysis. Omega 40(1):21–30
Lim MK, Bassamboo A, Chopra S, Daskin MS (2013) Facility location decisions with random disruptions and imperfect estimation. Manufact Serv Oper Manage 15(2):239–249
Loomes G, Sugden R (1982) Regret theory: An alternative theory of rational choice under uncertainty. Econ J 92(368):805–824
Luciano E, Peccati L, Cifarelli DM (2003) VaR as a risk measure for multiperiod static inventory models. Int J Prod Econ 81:375–384
Lücker F, Chopra S, Seifert RW et al (2019) Disruption risk management in serial multi-echelon supply chains. Found Trends Technol Inform Oper Manage 12(2–3):315–398
Lücker F, Seifert RW (2017) Building up resilience in a pharmaceutical supply chain through inventory, dual sourcing and agility capacity. Omega 73:114–124
Markovitz H (1952) Portfolio selection. J Finance 7(1):77–91
Olson DL, Wu D (2011) Risk management models for supply chain: a scenario analysis of outsourcing to China. Supply Chain Manage Int J 16(6):401–408
Outrata JV (1988) A note on the usage of nondifferentiable exact penalties in some special optimization problems. Kybernetika 24(4):251–258
Pfohl HC, Gallus P, Thomas D (2011) Interpretive structural modeling of supply chain risks. Int J Phys Distrib Logist Manage 41(9):839–859
Scheibe KP, Blackhurst J (2018) Supply chain disruption propagation: a systemic risk and normal accident theory perspective. Int J Prod Res 56(1–2):43–59
Schmitt AJ, Snyder LV, Shen ZJM (2010) Inventory systems with stochastic demand and supply: properties and approximations. Eur J Oper Res 206(2):313–328
Schmitt AJ, Sun SA, Snyder LV, Shen ZJM (2015) Centralization versus decentralization: risk pooling, risk diversification, and supply chain disruptions. Omega 52:201–212
Simchi-Levi D, Wang H, Wei Y (2018) Increasing supply chain robustness through process flexibility and inventory. Prod Oper Manag 27(8):1476–1491
Snyder LV, Atan Z, Peng P, Rong Y, Schmitt AJ, Sinsoysal B (2016) OR/MS models for supply chain disruptions: a review. IIE Trans 48(2):89–109
Snyder LV, Scaparra MP, Daskin MS, Church RL (2006) Planning for disruptions in supply chain networks. Models Methods Appl Innov Decis Making 234–257 (INFORMS)
Sodhi MS, Tang CS (2020) Supply chain management for extreme conditions: research opportunities. J Supply Chain Manag 57(1):7–16
Tang CS (2006) Perspectives in supply chain risk management. Int J Prod Econ 103(2):451–488
The Business Continuity Institute (2012) New models for addressing supply chain and transport risk. Supply chain resilience 2012. 4th Annual survey
The Economist (2011) Japan and the global supply chain: Broken links. http://www.economist.com/node/18486015
Timonina-Farkas A, Katsifou A, Seifert RW (2020) Product assortment and space allocation strategies to attract loyal and non-loyal customers. Eur J Oper Res
Tomlin B (2006) On the value of mitigation and contingency strategies for managing supply chain disruption risks. Manage Sci 52(5):639–657
Torabi S, Namdar J, Hatefi S, Jolai F (2016) An enhanced possibilistic programming approach for reliable closed-loop supply chain network design. Int J Prod Res 54(5):1358–1387
van Opstal D (2009) The resilient economy: integrating competitiveness and security. Technical report, Council on Competitiveness
World Economic Forum (2012) New models for addressing supply chain and transport risk. Industry Agenda, World Economic Forum
World Economic Forum (2013) Building resilience in supply chains. World Economic Forum, Industry Agenda, p 2013
Xie C, Anumba CJ, Lee TR, Tummala R, Schoenherr T (2011) Assessing and managing risks using the supply chain risk management process (SCRMP). Supply Chain Manage Int J 16(6):474–483
Yue D, You F (2017) Stackelberg-game-based modeling and optimization for supply chain design and operations: a mixed integer bilevel programming framework. Comput Chem Eng 102:81–95
Zheng QP, Shen S, Shi Y (2015) Loss-constrained minimum cost flow under arc failure uncertainty with applications in risk-aware kidney exchange. IIE Trans 47(9):961–977