پیش‌بینی تقاضا و بررسی شبکهٔ زنجیره تأمین مواد فاسدشدنی و مدل‌سازی آن
امروزه ملزومات بشر برای زندگی سالم‌تر و متوازن‌تر باعث افزایش تقاضای میوه و سبزیجات تازه شده است. اما علی‌رغم تقاضای فزاینده برای این‌گونه کالاهای فاسدشدنی، درآمد این صنعت‌ها به دلیل افت کیفیت به خاطر ضایعات و فساد محصولات، با سرعت بسیار کم‌تری رشد می‌کند. با تأخیر زمانی بین برداشت محصول و رسیدن آن به محل مشتری، کیفیت و طول عمر محصولات فاسدشدنی کاهش می‌یابد و در نتیجه از میان دلایل مختلف کاهش کیفیت، شبکۀ زنجیره تأمین مواد فاسدشدنی نقشی حیاتی را ایفا می‌کند.
برای مدل‌سازی زنجیره تأمین این محصولات نیاز به داشتن پارامتر‌هایی نظیر میزان تقاضای آن‌هاست. البته پیش‌بینی تقاضا در هر صنعت بسیار مهم بوده و تأثیر بسیار مهمی در آن صنعت داشته است. این موضوع برای کالاهای فاسدشدنی نیز مهم‌تر است زیرا این کالاها را برای مدت زمان محدودی می‌توان نگه داشت و باید سعی کنیم این مواد را به اندازۀ تقاضا فراهم کنیم. زیرا اگر بیش از تقاضا فراهم شوند، دور ریخته می‌شوند و اگر کم‌تر از تقاضا فراهم شوند، عدم موجودی رخ می‌دهد که باعث کم شدن وفاداری مشتریان و به خطر افتادن فروش آیندۀ محصولات می‌شود.
پیش‌بینی تقاضا در هر صنعت بسیار مهم بوده و اگر به بحث زنجیره تأمین کالاهای فاسدشدنی وارد شویم، این پیش‌بینی مهم‌تر هم می‌شود؛ برای مثال یک مشکل خرده‌فروشان، تصمیم‌گیری میزان سفارش این مواد فاسدشدنی است. پیش‌بینی تقاضا برای کالاهای فاسدشدنی یک سناریوی کاربردی است که می‌تواند با یک سیستم پشتیبانی تصمیم‌گیری مبتنی‌برداده بهبود یابد.
اثر شلاقی، افزایش نوسان تقاضا در زنجیره تأمین است که منجر به موجودی کم‌تر یا بیش از حد می‌شود. این مشکل عمدتاً ناشی از دلایل مختلفی مثل نوسان قیمت به‌وجود می‌آید. عوامل مختلفی در تولید اثر شلاقی نقش دارند: زمان‌های تحویل بلندمدت، بازی‌های کمبود و نوسان قیمت. برای حل این مشکل، همکاری در زنجیره تأمین (مانند برنامه‌ریزی مشترک، پیش‌بینی و تجدید موجودی) پیشنهاد شده است. این همکاری‌ها به افزایش پاسخ‌گویی زنجیره تأمین و اشتراک اطلاعات تقاضا کمک می‌کند.
عملکرد یک زنجیره تأمین به دقت پیش‌بینی‌های تقاضا نیز وابسته است. در مطالعات انجام‌شده، فوائد اصلی پیش‌بینی مؤثر عبارت‌اند از: افزایش دسترسی به محصول، کاهش سطح موجودی در زنجیره تأمین و استفادۀ بهتر از دارایی‌ها. با این حال، سفارش‌های مواد فاسدشونده اغلب بر اساس تجربه و قضاوت مدیر فروشگاه انجام می‌شود زیرا سیستم‌ها به این نوع موارد منطبق نیستند. این موضوع مطلوب نیست چرا که کارکنان فروشگاه‌ها برای دسته‌بندی‌های مختلف محصول می‌توانند قوانین متفاوتی اعمال کنند. بنابراین نیازمند سیستم‌های اتوماتیک است که تصمیم‌گیری را پشتیبانی کنند.
حال کمی به توضیح ARMIA می‌پردازیم؛ مدل‌های ARIMA مدل‌های ریاضی‌ای هستند که برای پیش‌بینی سری‌های زمانی استفاده می‌شوند. استفاده از این مدل‌ها به شرکت‌ها و تولیدکنندگان کمک می‌کند تا فرآیندها را بهینه‌سازی کنند.
در این‌جا به دو تعریف می‌پردازیم و سپس ادامه می‌دهیم:
در زمینۀ پیش‌بینی و مدیریت زنجیره تأمین، دو رویکرد اصلی برای پیش‌بینی تقاضا وجود دارد: پیش‌بینی مستقیم و پیش‌بینی با استفاده از خوشه‌بندی یا سلسله‌مراتب محصولات.
بسیاری از رویکردهای موجود، تنها بر پیش‌بینی مستقیم تمرکز دارند و از خوشه‌بندی یا سلسله‌مراتب محصولات استفاده نمی‌کنند.
در ساختارهای خرده‌فروشی، فروشگاه‌ها بر اساس مناطق جغرافیایی یا ویژگی‌های خاص به گروه‌های معینی تقسیم می‌شوند. هر یک از این مناطق ممکن است مرکز توزیع خود را داشته باشد تا بهتر بتواند به نیازهای فروشگاه‌های آن منطقه پاسخ دهد. از سوی دیگر، محصولاتی که خرده‌فروشان به فروش می‌رسانند نیز دارای سلسله‌مراتب خاص خود هستند.
در این متن، یک رویکرد سلسله‌مراتبی برای پیش‌بینی تقاضای محصولات ارائه شده است. در این ساختار محصولات و فروش‌ها بر اساس یک چارچوب شش سطحی تقسیم و تجزیه می‌شوند که به شرح زیر است:
ما به‌دنبال نسبت یا درصدی از فروش کلی هستیم که مربوط به یک محصول خاص در یک روز خاص از هفته است. در واقع به عبارتی دیگر، در این روش ما تقاضای گروه را پیش‌بینی کرده و آن را بین کالاهای مختلف گروه تقسیم می‌کنیم. برای به‌دست آوردن گروه‌ها از روش خوشه‌بندی استفاده می‌کنیم تا کالاهایی که الگوی فروش یکسانی در روز دارند، در یک گروه قرار بگیرند. کالاهای فاسدشدنی اثر جانشینی بالایی را در گروه خود دارند و کمبود کالای خاصی با یک کالای دیگر در همان گروه برطرف می‌شود. پس می‌توان کاری کرد که از هر گروه حداقل یک کالا موجود باشد تا ضرر کم‌تری را متحمل شویم.
برای خوشه‌بندی اطلاعات فروش را به صورت برداری نشان می‌دهیم؛ به‌طوری که اگر a نمایش‌دهندۀ نوع کالا، w روز کاری و q فصل سال باشد،P a,q,w نمایش‌دهندۀ الگوی فروش آن زمان است که به شکل برداری زیر نشان داده خواهد شد:
دریافتیم که قابلیت اجرای خوشه‌بندی کالاها و پیش‌بینی سلسله‌مراتبی، بخشی از سیستم پشتیبانی است که باعث افزایش فرایند سفارش می‌شود تا سطح سرویس‌دهی افزایش و مقدار مواد دورریختنی کم‌تر شود. در این راستا ما بر روی کالاهای دارای مصرف بالا و سریع که به‌صورت روزانه سفارش داده می‌شوند، تمرکز داشتیم. به شکل سنتی این فرایند به مهارت و تجربۀ مدیر فروشگاه بستگی دارد؛ چرا که برای تهیۀ این محصولات باید پیش‌بینی‌ها ارزیابی شود. این روش برای خرده‌فروشانی که صدها فروشگاه دارند بهینه نیست؛ چرا که پیش‌بینی آن‌ها از دقت کمی برخوردار است و ممکن است منجر به دورریخته شدن کالا یا کمبود آن بشود و تأثیر منفی دارد. به همین دلیل سیستم پیشنهادی این مشکل را با ارائۀ پیش‌بینی تقاضا برای تمام کالاها در سطح فروشگاه و سطح منطقه حل می‌کند. رویکرد پیشنهادی این مسائل را با ارائۀ پیش‌بینی‌های تقاضا و محدود کردن عامل انسانی حل می‌کند.
این روش منجر به کاهش هزینه‌های تصمیم‌گیری به دلیل صرفه‌جویی در زمان و نتایج قابل اطمینان‌تر می‌شود.
پس از تخمین تقاضای محصولات فاسدشدنی نوبت به مدل‌سازی و بهینه‌سازی شبکۀ زنجیره تأمین آن‌ها می‌رسد. شبکۀ زنجیره تأمین مواد فاسدشدنی با شبکۀ زنجیره تأمین سنتی متفاوت است، زیرا در طراحی یک شبکۀ زنجیره تأمین با در نظر گرفتن پاسخ‌گویی و کارایی، لحاظ کردن هزینه برای محصولات فاسدشدنی یک کار چالش‌برانگیز است. به این منظور مقاله‌ای از چند پژوهشگر بنگلادشی بررسی می‌شود.
ایدۀ اصلی این مقاله از مشکل نواحی شمالی بنگلادش می‌آید که در آن سبزیجات در مقادیر زیاد رشد می‌کنند اما به دلیل سیستم توزیع ناکارآمد، به‌سرعت فاسد می‌شوند. به این منظور سعی شده است که یک سناریوی واقعی برای دو محصول مهم فاسدشدنی یعنی گواوا (Guava) و لیمو در نظر گرفته شود.
بیان مسئله:
ما در این‌جا یک مسئلۀ تخصیص در سه مرحله داریم که در شکل زیر نمایش داده شده است. ابتدا محصول از باغ‌ها به مراکز توزیع (Distribution Centers) و از آن‌جا به دست مشتری می‌رسد. همچنین با توجه به این نکته که محصولات ما فاسدشدنی هستند، مراکز توزیع ما باید به‌صورت انبار سرد باشند و این موضوع هزینۀ بالایی را به همراه خواهد داشت. در نتیجه یک مدل ریاضی با سه تابع هدف ایجاد می‌کنیم تا هزینۀ راه‌اندازی محل ذخیره‌سازی و حملونقل به و از مراکز توزیع و همچنین زمان انجام فرایند (Lead Time) را کمینه کند. برای ساده‌تر شدن مسئله فرض می‌کنیم که روند فساد در محصولات ما خطی است، هزینۀ سرمایه‌گذاری تنها به اندازۀ سردخانه بستگی دارد و همچنین تقاضا در یک منطقه قطعی است. همان‌طور که پیش‌تر توضیح داده شد، برای اعمال این مدل به میزان تقاضا در هر منطقه نیاز است که برای تخمین تقاضای آیندۀ محصولات می‌توان از روشی که در قسمت قبل توضیح داده شد بهره برد.
مدل ارائه‌شده یک برنامه‌ریزی خطی عدد صحیح (Mixed integer linear programming) است و سه تابع هدف برای آن وجود دارد؛ اولین تابع هدف برای به حداقل رساندن هزینۀ کل (هزینۀ حملونقل و هزینۀ عملیاتی) است. همچنین کم کردن هزینۀ حملونقل و در نتیجه بهینه‌سازی تعداد سفرها، منجر به کاهش تعداد وسایل نقلیه و در نتیجه کاهش انتشار کربن می‌شود.
دومین تابع هدف به حداقل‌سازی میانگین زمان تحویل محصولات تازه برای حفظ بالاترین کیفیت ممکن محصول می‌پردازد. به حداقل رساندن زمان، منجر به کاهش فساد می‌شود زیرا محصول تازه در کوتاه‌ترین زمان ممکن به سردخانه می‌رسد.
سومین تابع هدف مربوط به حداقل رساندن هزینۀ سرمایه‌گذاری اولیه برای راه‌اندازی یک مرکز توزیع یخچال‌دار است که شامل کل هزینۀ زمین و هزینۀ تأسیس تمام‌شدۀ ساختمان‌های موردنیاز است.
مجموعه محدودیت‌هایی نظیر موارد زیر در مدل ارائه‌شده در مقالۀ مرجع در نظر گرفته شده‌اند:
۱) عدم ارسال محصول در صورتی که عمر مفید آن قبل از رسیدن به مشتری تمام شود.
۲) یک منطقۀ مشتری به مرکز توزیعی اختصاص داده شود که در حداکثر فاصلۀ تحویل مجاز آن منطقۀ مشتری وجود دارد.
۳) یک منطقۀ مشتری نمی‌تواند محموله‌ها را از چندین مرکز توزیع دریافت کند.
در مطالعۀ موردی انجام‌شده، تعداد کارخانه‌ها (P) برابر با ۴ واحد، تعداد مراکز توزیع (S) برابر با ۶ واحد، تعداد مناطق مشتری (Z) برابر با ۸ منطقه و و تعداد محصولات (t) برابر با ۲ نوع (گواوا و لیمو) در نظر گرفته شده است. همچنین این مدل با استفاده از نرم‌افزار «ILOGCEPLX» حل شده است.
از آن‌جایی که مدل دارای سه تابع هدف مختلف است، باید آن را به یک مسئله با یک تابع هدف تبدیل کنیم. روش‌های زیادی برای این تبدیل وجود دارد. یکی از محبوب‌ترین روش‌ها، روش جمع وزن‌دار (Weighted sum method) می‌باشد؛ در این روش به هر هدف یک وزن اختصاص داده می‌شود و اهداف بر اساس این وزن‌ها با هم جمع می‌شوند. با تغییر وزن‌ها ترکیب‌های مختلفی برای به‌دست آوردن راه‌حل بهینه آزمایش می‌شود. در این مطالعه هفت ترکیب وزنی مختلف برای سه هدف (هزینۀ سالانه، زمان تأخیر و هزینۀ راه‌اندازی سردخانه) مورد بررسی قرار می‌گیرد.
از آن‌جایی که اهداف در یک مسئلۀ بهینه‌سازی چندهدفه متضاد هستند، همۀ اهداف به‌طور هم‌زمان نمی‌توانند به مقدار بهینۀ خود برسند. به همین علت مسائل چندهدفه دارای چند جواب بهینه خواهند بود و آن‌ها تشکیل منحنی مرز بهینۀ پارتو (Pareto Optimal Frontier) را می‌دهند و با استفاده از منحنی پارتو، تمام نقاط حل روی آن قرار می‌گیرد. با توجه به شکل این منحنی، نقطۀ زانو به عنوان بهترین حل انتخاب می‌شود. در این مطالعه نقطۀ زانو مربوط به وزن (3/1 و 3/1 و 3/1) بوده و مقادیر بهینه برای این وزن مشخص شده است. می‌توان حل متناظر با این ترکیب وزنی را در شکل زیر مشاهده کرد:
با بهره‌گیری از تکنیک پیش‌بینی تقاضا بر پایۀ خوشه‌بندی، می‌توان ترجیحات الگوهای تقاضای مصرف‌کنندگان را به‌دقت پیش‌بینی و عدم قطعیت موجود در بازار کالاهای فاسدشدنی را مدیریت کرد.
استراتژی برنامه‌ریزی توزیع چندهدفه که مشخص شد، راهی برای بهینه‌سازی تصمیمات مربوط به موجودی، حملونقل و توزیع فراهم می‌آورد که توازن مناسبی بین کاهش هزینه‌ها و افزایش رضایت مشتریان برقرار می‌کند.
ترکیب این دو رویکرد نوآورانه (پیش‌بینی دقیق تقاضا و کارایی توزیع) چارچوب قدرتمندی ایجاد می‌کند که کل مدیریت کالاهای فاسدشدنی را در برمی‌گیرد. این راه‌حل جامع نه تنها به تخصیص مؤثر منابع و کنترل موجودی کمک می‌کند، بلکه تضمین می‌کند که اقلام فاسدشدنی به‌سرعت به مقاصد مناسب تحویل داده شوند. در نهایت ترکیب این استراتژی‌ها برای افزایش انعطاف‌پذیری و کارایی زنجیره تأمین و پایداری بیشتر در مدیریت کالاهای فاسدشدنی کمک خواهد کرد. از آن‌جایی که چشم‌انداز کالاهای فاسدشدنی در حال رشد است، بدون شک تلفیق پیش‌بینی تقاضا با کارایی توزیع، نقشی اساسی در آیندۀ زنجیره تأمین خواهد داشت.
این نوشته بر اساس دو مقالۀ (Huber , Gossmann & Stuckenschmidt , 2017) و (Jaigirdar et al., 2022) تهیه شده است.
این متن به کوشش ثنا منصوری، محمدعرفان عمو، سبحان کسائی، رژین صوفی، ساغر رضانواز، شادی جوانمردی، بیتا باقر، امیرحسین زارعی و علی ابراهیمی گردآوری شده است.
