تعیین نقطه‌ی‌ سفارش مجدد و ذخیره‌ی احتیاطی در یک سیستم کنترل موجودی با تقاضا و زمان‌های تأمین احتمالی (مطالعه‌ی موردی: رینگ‌های بلادر اندازه‌های 16 و 24 اینچ)

نوع مقاله: مقاله پژوهشی

نویسندگان

1 رئیس انبارهای فنی و ملزومات شرکت لاستیک پارس

2 رئیس پخت تایر شرکت لاستیک پارس

3 سرپرست سفارشات شرکت لاستیک پارس

چکیده

در دنیای پیچیده‌ی کسب‌وکار امروز اصل قطعیت نداشتن، به‌عنوان یک چالش محسوب می‌‌شود. در این میان سازمان‌هایی قادر به بقا هستند که بتوانند در این فضای رقابتی و پیچیده، برآورد دقیق‌تری از نیازمندی‌های خود داشته باشند. در سیستم‌های لجستیک و زنجیره‌ی تأمین، همواره نامعین بودن زمان‌های تأمین، به‌دلیل‌های گوناگونی مانند محدودیت‌های مالی و لجستیکی، اصلی انکارناپذیر است. ازاین‌رو استفاده از مدل‌های سفارش‌دهیِ مبتنی بر داده‌های قطعی، موجب بروز خطاهای گوناگون می‌‌شود. به این منظور از مدل‌های احتمالی برای این‌گونه مواقع استفاده می‌‌شود. ازآنجایی‌که رینگ‌های بلادر جزو قطعه‌های مصرفی و گران‌قیمت خط تولید شرکت‌های تایرسازی‌ هستند، مدیریت مناسب موجودی این اقلام، کمک زیادی به افزایش بهره‌وری در انبارهای شرکت‌های تایرسازی می‌‌کند.
در این مقاله به تعیین نقطه‌ی‌ سفارش و میزان ذخیره‌ی احتیاطی، درحالتی‌که تقاضا مربوط به‌ قطعه‌ها احتمالی بوده و زمان‌های تأخیر نیز قطعی نیستند، می‌پردازیم. نتیجه‌ها نشان می‌‌دهد که استفاده از این ‌روش‌ها، موجب کاهش هزینه‌های کمبود شده و سطح سرویس انبار را افزایش می‌‌دهد. هم‌چنین بررسی وجود تناسب بین متغیرهای نقطه‌‌ی سفارش و ذخیره‌ی احتیاطی، با میزان تقاضا و زمان تحویل اقلام نشان می‌‌دهد که مدل ریاضی مورداستفاده، دارای پتانسیل مناسبی برای به‌کارگیری در مسائل واقعی‌ست.

کلیدواژه‌ها


1. Bousdekis A, Papageorgiou N, Magoutas B, Apostolou D, Mentzas G (2017) A Proactive Event-Driven Decision Model for Joint Equipment Predictive Maintenance and Spare Parts Inventory Optimization. Procedia CIRP 59: 184- 189. doi:https://doi.org/10.1016/j.procir.2016.09.015
2. Garcia- Herreros P, Agarwal A, Wassick JM, Grossmann IE (2016) Optimizing inventory policies in process networks under uncertainty. Computers & Chemical Engineering 92: 256- 272. doi:https://doi.org/10.1016/j.compchemeng.2016.05.014
3. Mikalef P, Pateli A (2017) Information technology- enabled dynamic capabilities and their indirect effect on competitive performance: Findings from PLS- SEM and fsQCA. Journal of Business Research 70:1-16. doi: https://doi.org/10.1016/j.jbusres.2016.09.004
4. Mohammaditabar D, Ghodsypour SH, Hafezalkotob A (2016). A game theoretic analysis in capacity- constrained supplier- selection and cooperation by considering the total supply chain inventory costs. International Journal of Production Economics 181: 87- 97. doi: https://doi.org/10.1016/j.ijpe.2015.11.016
5. Goyal S (1977). An integrated inventory model for a single supplier- single customer problem. The International Journal of Production Research 15 (1): 107- 111
6. Banerjee A (1986) A joint economic‐ lot‐ size model for purchaser and vendor. Decision sciences 17 (3): 292- 311
7. Goyal SK (1988) “A JOINT ECONOMIC‐ LOT‐ SIZE MODEL FOR PURCHASER AND VENDOR”: A COMMENT. Decision sciences 19 (1): 236- 241
8. Lu L (1995) A one-vendor multi-buyer integrated inventory model. European journal of operational research 81 (2):312- 323
9. Pan JC- H, Yang J- S (2002) A study of an integrated inventory with controllable lead time. International Journal of Production Research 40 (5): 1263- 1273
10. Ouyang L- Y, Wu K- S, Ho C- H (2007) An integrated vendor- buyer inventory model with quality improvement and lead time reduction. International Journal of Production Economics 108 (1-2): 349- 358
11. Hadley G, Whitin TM (1963) Analysis of inventory systems.
12. Liao C- J, Shyu C- H (1991) an analytical determination of lead time with normal demand. International Journal of Operations & Production Management 11 (9): 72- 78
13. Ben- Daya Ma, Raouf A (1994) Inventory models involving lead time as a decision variable. Journal of the Operational Research Society 45 (5): 579- 582
14. Ouyang L- Y, Yeh N- C, Wu K- S (1996) Mixture inventory model with backorders and lost sales for variable lead time. Journal of the Operational Research Society 47 (6): 829- 832
15. Lee W- C (2005) Inventory model involving controllable backorder rate and variable lead time demand with the mixtures of distribution. Applied mathematics and computation 160 (3): 701- 717
16. Lee W- C, Wu J- W, Lei C- L (2007) Computational algorithmic procedure for optimal inventory policy involving ordering cost reduction and back- order discounts when lead time demand is controllable. Applied mathematics and computation 189 (1): 186- 200
17. Purohit AK, Choudhary D, Shankar R (2015) Inventory Lot- Sizing under Dynamic Stochastic Demand with Carbon Emission Constraints. Procedia- Social and Behavioral Sciences 189: 193- 197. doi: https://doi.org/10.1016/j.sbspro.2015.03.214
18. Chapman J (2007) Unlocking the essentials of effective blood inventory management. Transfusion 47: 190S- 196S