مدل‌سازی ریسک‌ ها در پیکره‌بندی مجدد زنجیره تأمین سبز برای توسعه محصول جدید (مطالعه موردی: محصولات مصرفی پر گردش)

نوع مقاله : مقاله پژوهشی

نویسندگان

1 گروه مهندسی صنایع، دانشگاه آزاد اسلامی، واحد علوم و تحقیقات تهران

2 دانشیار گروه کسب و کار جدید، دانشکده کارآفرینی دانشگاه تهران، دانشگاه تهران، تهران، ایران

3 استادیار گروه مهندسی صنایع، دانشگاه آزاد اسلامی، واحد علوم و تحقیقات تهران

چکیده

با توجه به محیط فعالیت به‌شدت رقابتی امروزه توسعه محصولات جدید در پاسخ به نیاز مشتریان و تلاش جهت کاهش آلایندگی‌های زیست‌محیطی به‌عنوان مزیت رقابتی شرکت‌ها محسوب می‌گردد. توسعه یک محصول جدید منجر به پیکره‌بندی مجدد زنجیره تأمین می‌گردد بنابراین نیازمند اتخاذ تصمیمات استراتژیکی ، فنی و عملیاتی مناسب می‌باشد. تصمیمات فوق عبارت‌اند از تخصیص کارخانه به محصول، انتخاب تأمین‌کنندگان مناسب، میزان تولید محصول و ذخیره مواد اولیه، میزان حمل‌ونقل و میزان خرید مواد اولیه. علاوه بر این توسعه محصول جدید همراه با ریسک‌های زیادی است که استفاده از استراتژی‌های مناسب جهت کاهش انها می‌تواند منجر به افزایش شانس موفقیت معرفی محصول در بازار گردد. مقاله حاضر به بررسی تولید یک محصول جدید در یک زنجیره تأمین سبز چندلایه ، چند منبعی می‌پردازد. پس از شناسایی ریسک‌های مختلف توسعه محصول جدید با استفاده از یک مدل ریاضی بهینه‌سازی ، به شناسایی بهترین استراتژی‌های پاسخگویی به ریسک‌های شناسایی‌شده و نیز اتخاذ تصمیمات فنی،استراتژیکی و عملیاتی بهینه می‌پردازیم. مسئله پیشنهادی متشکل است از سه تابع هدف که عبارت‌اند از تابع هدف اقتصادی، تابع هدف کاهش آلایندگی و تابع هدف کاهش ریسک. مسئله به‌صورت یک مدل ریاضی برنامه‌ریزی خطی عدد صحیح مختلط با پارامترهای قطعی فرموله شده است. اعتبار سنجی مدل پیشنهادی توسط یک مسئله نمونه در صنعت محصولات مصرفی پر گردش صورت پذیرفته است. نتایج حاصل از اجرای مدل بیانگر اثرگذاری حضور یک محصول جدید و انتخاب استراتژی‌های کاهنده ریسک بر روی پیکره‌بندی مجدد زنجیره تأمین سبز می‌باشد. همچنین نتایج حاصل از تحلیل حساسیت نشان‌دهنده کارایی مدل پیشنهادی می‌باشد

کلیدواژه‌ها


عنوان مقاله [English]

Modeling risks in configuring a green supply chain for new product development (case study: fast-moving consumer goods)

نویسندگان [English]

  • Malihe Sabzevari 1
  • Sayed Mojtaba Sajadi 2
  • Sayed Mohamad Hajimolana 3
1 Department of Industrial Engineering, Science and Research Branch, Islamic Azad University, Tehran, Iran.
2 New Business Department, Faculty of Entrepreneurship, University of Tehran, Tehran, Iran
3 Department of Industrial Engineering, Science and Research Branch, Islamic Azad University, Tehran, Iran.
چکیده [English]

Today, companies operate in a very competitive environment, so developing a new product to respond to customer needs and efforts to reduce environmental pollution can be an advantage to them. On the other hand, the development of the new product will re-configure the supply chain, requiring strategic, technical and operational decisions. In addition, the development of a new product has many risks that reducing them by using appropriate strategies can increase the chance of success in introducing a product in the market. In this paper, a multi-echelon multi-sources green supply chain is considered that will produce a new product. Initially, different risks of new product development are identified, and then we are looking for the best risk reduction strategies. Using a new mathematical model, the best risk response strategies will be taken, as well as technical, strategic and operational decisions. The three objective functions include economic criteria, reduction of pollution and the risk reduction is supposed. The mathematical model is a mixed integer linear programming, MILP, that parameters are assumed to be deterministic. The model is solved using GAMS software. The results show that the development of a new product and the selection of the risk reduction strategies affect the reconfiguration of the green supply chain.

کلیدواژه‌ها [English]

  • supply chain configuration
  • Green Supply Chain Management
  • New Product Development
  • Risk Management
  1. Markham, S. K., & Lee, H. (2013). "Product Development and Management Association's 2012 Comparative Performance Assessment Study". Journal of Product Innovation Management, 408-429.
  2. Mu, J., Peng, G., & MacLachlan, D. L. (2009). "Effect of risk management strategy on NPD performance". Technovation, 170-180.
  3. Aqlan, F., & Lam, S. S. (2016). "Supply chain optimization under risk and uncertainty: A case study for high-end server manufacturing". Computers & Industrial Engineering, 78-87.
  4. Ulrich, K. T., & Eppinger, S. D. (2009). "Product Design and Development. NY: McGraw-Hill".
  5. Juneja, P. (2008). "Product Development Process - Developing New Market Offerings".https://www.managementstudyguide.com/product-development-rocess.htm.
  6. Fourt, L. A., & Woodlock, J. W. (1960). "Early prediction of market success for new grocery products". The Journal of Marketing, 31-38.
  7. Amini, M., & Li., H. (2011). "Supply chain configuration for diffusion of new products: an integrated optimization approach". Omega, 39, 313–322.
  8. Li, H., & Amini., M. (2012). "A hybrid optimization approach to configure a supply chain for new product diffusion: a case study of multiple-sourcing strategy". International Journal of Production Research, 3152-3171.
  9. Gaur, J., Amini, M., & Rao, A. K. (2017). "Closed-loop supply chain configuration for new and reconditioned products: An integrated optimization model". Omega, 212-223 66.
  10. Nepal, B., Monplaisir, L., & Oluwafemi, F. (2011). "A multi-objective supply chain configuration model for new products." International Journal of Production Research. 7107-7134 ,49(23).
  11. Jafarian, M., & Bashiri, M. (2014). "Supply chain dynamic configuration as a result of new product development". Applied Mathematical Modelling, 38(3), pp. 1133-1146.
  12. Afrouzy, Z. A., Nasseri, S. H., & Mahdavi, I. (2016). "A genetic algorithm for supply chain configuration with new product development". Computers & Industrial Engineering, 101, pp. 440-454.
  13. Afrouzy, Z. A., & al., e. (2016). "A fuzzy stochastic multi-objective optimization model to configure a supply chain considering new product development". Applied Mathematical Modelling, 40(17-18) pp. 7545-75.
  14. Brandenburg, M. (2015). "Low carbon supply chain configuration for a new product–a goal programming approach". International Journal of Production Research, 53(21), pp.6588-6610.
  15. Brandenburg, M. (2017)." A hybrid approach to configure eco-efficient supply chains under consideration of performance and risk aspects". Omega, 70, pp. 58-76.
  16. Graves, S. C., & Willems, S. P. (2005). "Optimizing the supply chain configuration for new products". Management science, 51(8),pp. 1165-1180.
  17. Jahani, H., Abbasi, B., & Alavifard, F. (2017). "Supply chain network reconfiguration in new products launching phase". 2017 IEEE International Conference on. (pp. 95-99). IEEE.
  18. Klibi, W., Martel, A., & Guitoni, A. (2010). "The design of robust value-creating supply chain networks: a critical review". European Journal of Operational Research, 2031283–93.

 

  1. Kayis, B., Arndt, G., Zhou, M., & Amornsawadwatana, S. (2007)." A risk mitigation methodology for new product and process design in concurrent engineering projects". CIRP Annals-Manufacturing Technology, 56(1)167-170.
  2. Tang, O., & Mena, S. (2011). "Identifying risk issues and research advancements in supply chain risk management". International Journal of Production Economics, 133125–34.
  3. Prakash, S., Gunjan, S., & Ajay Pal Singh, R. (2017). "A critical analysis of supply chain risk management content: a structured literature review". Journal of Advances in Management Research , 69-90.
  4. Peidro, D., Mula, J., Poler, R., & Lario, F. C. (2009)." Quantitative models for supply chain planning under uncertainty: a review". The International Journal of Advanced Manufacturing Technology, 43(3-4), pp. 400-420.
  5. Khojasteh-Ghamari, Z., & Takashi, I. (2018). "Supply Chain Risk Management: A Comprehensive Review". Khojasteh-Ghamari, & I. Takashi, Supply Chain Risk Management (pp. 3-22). Singapore: Springer.
  6. Heckmann, I., Comes, T., & Nickel, S. (2015). "A critical review on supply chain risk definition, measure and modeling". Omega , 521119–32.
  7. Aqlan, F., & Lam, S. S. (2015). "A fuzzy-based integrated framework for supply chain risk assessment". International Journal of Production Economics, 161, 54-63.