چکیده
امروزه، رابطه بین صنعت-محیط زیست یک نقش بسیار مهم را در مدیریت زنجیره تامین و کسب و کار ایفا می کند. به دلیل فشار های قانونی، آگاهی مصرف کننده ها و منافع اقتصادی در محصولات مورد استفاده، مفهوم مدیریت زنجیره تامین سبز متولد شده است که لجستیک معکوس مهم ترین عامل آن بوده است. طراحی یک شبکه لجستیک سبز شامل قرار دادن ابعاد زیست محیطی در تصمیم گیری راهبردی در راستای مکان یابی امکانات لجستیک است. در این مطالعه، مدل های برنامه ریزی خطی عدد صحیح مختلط برای طراحی یک شبکه لجستیک معکوس پیشنهاد می شود. ابعاد نوآورانه این مطالعه شامل موارد زیر می شوند: فرض یک محیط پویا و چند محصولی و عدم قطعیت بازگشت محصولات مورد استفاده. نرم افزار CPLEX برای فرموله سازی وحل مدل ها استفاده می شود. تحلیل نتایج و نیز مسیر های تحقیقاتی آینده نیز ارایه شده است.
1-مقدمه
به طور معمول، هدف اصلی تولید کنندگان، ارایه محصولات و خدمات جدید به بازار است. تولید کنندگان به شدت به دنبال افزودن ارزش در سرتاسر زنجیره تامین از عرضه کننده ها به مشتریان نهایی می باشند. بازگشت محصولات در ابتدا به صورت یک فعالیت غیر سوداور و آزاردهنده در نظر گرفته شده و در نتیجه زنجیره های تامین معکوس در ابتدا برای کاهش هزینه و تلاش طراحی شده اند( اسکوه و همکاران 2011). با این حال، در دهه های اخیر، علاقه روز افزونی به مطالعه طراحی این شبکه ها وجود داشته است. دلایل اصلی به صورت زیر هستند: اولا، دولت ها در دنیا به کمبود پیشرونده منابع طبیعی واکنش نشان داده اند و نتیجه آن تصویب برخی از قوانین زیست محیطی ای است که عملیات کسب و کار روزانه را محدود کرده است. یکی از این عملیات، انتشار گاز های گل خانه ای ناشی از حمل و نقل است. این محدودیت در مدل پیشنهادی این مقاله گنجانده شده است. دوما، در عین حال، مصرف کننده ها به طور روز افزونی از این مسئله آگاه بوده و معیار های خرید آن ها بیشتر شامل محصولات" سبز " است. در نهایت این که، شرکت ها به پتانسیل اقتصادی محصولات بازگشت خورده و نیز احتمال تولید یک مزیت رقابتی از طریق لجستیک معکوس پی برده اند.
Abstract
Nowadays, the relationship industry-environment plays a significant role in business and supply chain management. Due to legislation pressures, consumer awareness and economic interest in used products, the concept of Green Supply Chain Management was born, with Reverse Logistics as principal driver. Designing a green logistic network consists in integrating environmental aspects in strategic decision making towards the location of logistic facilities. In this work mixed integer linear programming models are proposed for the design of a reverse logistic network. The innovative aspects of this study are: the assumption of a dynamic, multi-product environment and the uncertainty of used products returns. CPLEX software is used to formulate and solve the models. A results analysis is presented as well as possible research avenues.
1. INTRODUCTION
Traditionally the main objective of manufacturers is to offer new products and services to the market. They are heavily involved in adding value throughout the supply chain, from suppliers to final customers. The return of products was first considered as an activity primarily annoying and unprofitable, in consequence reverse supply chains were originally designed to minimize cost and effort (Schuh et al., 2011). However, in the past decades there has been a growing interest in studying the design of such networks. The main reasons are: First, governments around the world have reacted to the progressive shortage of natural resources and the result is some environmental laws that restrict every-day business operations. One of them is the emissions of greenhouse gases due to transport. This constraint will be included in the model proposed in this paper. Secondly, at the same time, consumers are increasingly aware of this problem and their purchasing criteria are oriented towards “green” products. Last, companies have noticed the economic potential of returned products, as well as the possibility of generating a competitive advantage through reverse logistics.
چکیده
1-مقدمه
2- کار های مرتبط
3- اولین مدل
3-1 فرضیه
3-2 شاخص ها و مشاهدات
3-3 پارامتر های مدل
3-4 متغیر های اصمیم
3-5 تابع هدف
3-6 محدودیت های مدل
4-آزمون مدل
5-تجزیه تحلیل و اصلاحات
6-نتیجه گیری
Abstract
1. INTRODUCTION
2. RELATED WORK
3. FIRST MODEL
3.1 Hypothesis
3.2 Index and abbreviations
3.3 Model parameters
3.4 Decision Variables
3.5 Objective function
4. MODEL TESTING
5. ANALYSIS AND MODIFICATIONS
6. CONCLUSIONS