اثر موج دار در شبکه زنجیره تأمین: انتشار اختلال در جلو و عقب ، سلامت شبکه و آسیب پذیری شرکت

از ژانویه سال 2020 Elsevier یک مرکز منابع COVID-19 با اطلاعات رایگان به زبان انگلیسی و ماندارین در رمان Coronavirus Covid-19 ایجاد کرده است. مرکز منابع COVID-19 در وب سایت اخبار و اطلاعات عمومی شرکت Elsevier Coect میزبان است. Elsevier از این طریق اجازه می دهد تا تمام تحقیقات مربوط به COVID-19 خود را که در مرکز منابع Covid-19 موجود است-از جمله این محتوای تحقیق-بلافاصله در مخازن PubMed Central و سایر سرمایه گذاری های عمومی ، مانند پایگاه داده WHO COVID با حقوق در دسترس باشد ، اعطا کند. تحقیقات بدون محدودیت دوباره استفاده و تجزیه و تحلیل به هر شکلی یا به هر وسیله با تأیید منبع اصلی. این مجوزها تا زمانی که مرکز منابع COVID-19 فعال باشد ، توسط Elsevier به صورت رایگان اعطا می شود.

چکیده < SPAN> اثر موج دار در شبکه زنجیره تأمین: انتشار اختلال در جلو و عقب ، سلامت شبکه و آسیب پذیری شرکت

از ژانویه سال 2020 Elsevier یک مرکز منابع COVID-19 با اطلاعات رایگان به زبان انگلیسی و ماندارین در رمان Coronavirus Covid-19 ایجاد کرده است. مرکز منابع COVID-19 در وب سایت اخبار و اطلاعات عمومی شرکت Elsevier Coect میزبان است. Elsevier از این طریق اجازه می دهد تا تمام تحقیقات مربوط به COVID-19 خود را که در مرکز منابع Covid-19 موجود است-از جمله این محتوای تحقیق-بلافاصله در مخازن PubMed Central و سایر سرمایه گذاری های عمومی ، مانند پایگاه داده WHO COVID با حقوق در دسترس باشد ، اعطا کند. تحقیقات بدون محدودیت دوباره استفاده و تجزیه و تحلیل به هر شکلی یا به هر وسیله با تأیید منبع اصلی. این مجوزها تا زمانی که مرکز منابع COVID-19 فعال باشد ، توسط Elsevier به صورت رایگان اعطا می شود.

اثر Abstractripple در شبکه زنجیره تأمین: انتشار اختلال در جلو و عقب ، سلامت شبکه و آسیب پذیری شرکت

از ژانویه سال 2020 Elsevier یک مرکز منابع COVID-19 با اطلاعات رایگان به زبان انگلیسی و ماندارین در رمان Coronavirus Covid-19 ایجاد کرده است. مرکز منابع COVID-19 در وب سایت اخبار و اطلاعات عمومی شرکت Elsevier Coect میزبان است. Elsevier از این طریق اجازه می دهد تا تمام تحقیقات مربوط به COVID-19 خود را که در مرکز منابع Covid-19 موجود است-از جمله این محتوای تحقیق-بلافاصله در مخازن PubMed Central و سایر سرمایه گذاری های عمومی ، مانند پایگاه داده WHO COVID با حقوق در دسترس باشد ، اعطا کند. تحقیقات بدون محدودیت دوباره استفاده و تجزیه و تحلیل به هر شکلی یا به هر وسیله با تأیید منبع اصلی. این مجوزها تا زمانی که مرکز منابع COVID-19 فعال باشد ، توسط Elsevier به صورت رایگان اعطا می شود.

چکیده

یک اختلال محلی می تواند از طریق جریان مواد به جلو و پایین گسترش یابد و در نهایت بر کل شبکه زنجیره تامین (SCN) تأثیر بگذارد. این پدیده اثر موج دار، که به شدت در عمل وجود دارد، در سال های اخیر مورد توجه زیادی قرار گرفته است. علاوه بر این، انتشار اختلالات رو به جلو و عقب به عوامل استرس زای اصلی برای SCNها در طول همه گیری COVID-19 تبدیل شد که ناشی از اختلالات عرضه و تقاضای همزمان و متوالی بود. با این حال، ادبیات فعلی کمتر به تأثیرات مختلف جهت انتشار اختلال توجه کرده است. این مطالعه انتشار اختلال را از طریق شبیه سازی قوانین تعامل ساده شرکت ها در داخل SCN بررسی می کند. به طور خاص، یک مدل محاسباتی مبتنی بر عامل برای ترسیم رفتار انتشار اختلال زنجیره تامین توسعه داده شده است. سپس، ما تجزیه و تحلیل کمی چند سطحی را برای بررسی اثرات انتشار اختلال رو به جلو و عقب، که توسط ساختار شبکه، سلامت سطح شبکه و آسیب پذیری در سطح گره تعدیل می شود، انجام می دهیم. نتایج ما نشان می دهد که تمایز بین انتشار اختلال رو به جلو و عقب از نظر عملی مهم است، زیرا آنها در استراتژی های کاهش مرتبط و در تأثیرات بر عملکرد شبکه و شرکت فردی متمایز هستند. انتشار اختلال رو به جلو به طور کلی می تواند با عرضه جایگزین و پشتیبان کاهش یابد و تأثیر بیشتری بر شرکت هایی دارد که نقش مونتاژ و شبکه های عرضه / مونتاژ را انجام می دهند، در حالی که انتشار اختلال به عقب به طور معمول با عملکرد و توزیع انعطاف پذیر کاهش می یابد و تأثیر بیشتری بر شرکت هایی دارد که در خدمت خدمات هستند. نقش توزیع و در شبکه های توزیع. ما بیشتر استراتژی های سرمایه گذاری را در یک شبکه تامین دو کانونی تحت انتشار اختلال تجزیه و تحلیل می کنیم. ما پیشنهاداتی را برای تسهیل تصمیم گیری و خلاصه کردن پیامدهای مهم مدیریتی ارائه می دهیم.

کلمات کلیدی: اثر امواج، انتشار اختلال رو به جلو، انتشار اختلال به عقب، شبکه زنجیره تامین، سرمایه گذاری تاب آوری

1. مقدمه

در زنجیره های عرضه محکم امروز ، اختلال در طرف تأمین کننده یا طرف مشتری می تواند به راحتی در کل شبکه زنجیره تأمین (SCN) ویران شود. در طول همه گیر COVID-19 ، زنجیره های تأمین جهانی هم با کمبود عرضه و هم تقاضا روبرو هستند که ممکن است منجر به انتشار همزمان یا پی در پی به جلو و عقب مانده از اختلالات شود (ایوانوف و دالگی ، 2020a ؛ کوئیروز ، ایوانوف ، دالگی و فاسو وبا ، 2020 ؛ ایوانوف& das ، 2020 ؛ Paul & Chowdhury ، 2020). به عنوان مثال ، این بیماری همه گیر باعث تعلیق عملیات در چین در فوریه و مارس 2020 شد که به دلیل کمبود عرضه ، تولید کنندگان و خرده فروشان ایالات متحده و اروپایی را مختل کرد (ایوانف ، 2020a ؛ توماس ، 2020). علاوه بر این ، دستور اقامت در خانه در طول همه گیر Covid-19 باعث ایجاد اختلال در صنایع مسافرتی و گردشگری شده است. سپس این اختلال در شرکت های هواپیمایی ، هتل ها و رستوران ها پخش می شود و بیشتر بر شرکت های تأمین کننده آنها تأثیر می گذارد (CRS Insight ، 2020). انتشار یک اختلال عملیاتی فراتر از منشأ آن و در کل شبکه به عنوان انتشار اختلال گفته می شود (Basole & Bellamy ، 2014 ؛ Bierkandt ، Wenz ، Willner & Leverma ، 2014 ؛ Garvey ، Caovale & Yeniyurt ، 2015 ؛ Scheibe & Blackhurst ، 2018)، همچنین به عنوان The Ripple Effect شناخته می شود (Dolgui ، Ivanov & Sokolov ، 2018 ؛ Ivanov ، Sokolov & Dolgui ، 2014b ؛ Ghadge ، Dani ، Chester ، & Kalawsky ، 2013).

اثرات تبلیغاتی ، تأثیرات یک اختلال محلی را غیرقابل پیش بینی می کند ، از این رو آماده سازی و مدیریت دشوار است. مدیریت ریسک زنجیره تأمین سنتی به طور معمول با شناسایی ریسک شروع می شود و با استراتژی های مختلف برای مدیریت خطرات مشخص شده به پایان می رسد (Craighead ، Blackhurst ، Rungtusanatham & Handfield ، 2007). این رویکرد در مقابله با اختلالات موجود یا پیش بینی شده مؤثر است ، اما در رسیدگی به روشهای ناگهانی یا غیر منتظره مؤثر است. برای دومی ، برای بنگاهها مهم است که انعطاف پذیری ایجاد کنند که به شرکت ها اجازه می دهد تا به بهترین وجه آماده شوند ، به سرعت پاسخ دهند و از اختلالات غیر منتظره بهبود یابند (Chowdhury & Quaddus ، 2017 ؛ Sawik ، 2020 ؛ Yoon ، Talluri ، Yildiz & Ho ، 2018؛ Dubey et al. ، 2019 ؛ Pettit ، Fiksel & Croxton ، 2010 ؛ Baghersad & Zobel ، 2021). در عمل ، انتخاب سطح بهینه انعطاف پذیری یک تصمیم مهم است ، زیرا بیش از حد ظرفیت هزینه های غیر ضروری را متحمل می شود در حالی که زیر ظرفیت بنگاه ها را در معرض خطرات قرار می دهد (Fiksel ، Polyviou ، Croxton & Pettit ، 2015).

درک جامع از انتشار اختلال در زنجیره تامین و نحوه تاثیر آن بر شرکت های منفرد و کل زنجیره تامین می تواند از سطوح مختلف تصمیم گیری در زمینه سرمایه گذاری انعطاف پذیر حمایت کند. از مثال های قبلی، اختلالات می توانند از طرف تأمین کننده (انتشار اختلال رو به جلو)، یا از طرف خریدار (انتشار اختلال به عقب) منتشر شوند (لی و زوبل، 2020؛ Wenz، Willner، Bierkandt و Leverma، 2014). همچنین، در عمل، استراتژی های کاهش مرتبط با اختلالات از طرف تامین کننده و سمت تقاضا متمایز هستند. به عنوان مثال، کروگر کانال های توزیع اضافی، مانند خدمات سفارش آنلاین و تحویل در کنار خیابان، و قرارداد با Instacart برای خدمات تحویل مواد غذایی، برای مدیریت اختلال تقاضا در طول همه گیری COVID-19 ارائه می کند. به طور نسبی، برای کاهش اختلال عرضه، شرکت ها معمولا سطح موجودی را افزایش می دهند یا به دنبال تامین کنندگان جایگزین یا پشتیبان می گردند.

بنابراین، برای کاهش مؤثر خطرات اختلال، درک اینکه چگونه انواع مختلف انتشار اختلال بر هر شرکت و کل شبکه زنجیره تأمین تأثیر می گذارد، حیاتی است. در سطح شرکت، تأثیر یک اختلال محلی با انعطاف پذیری شرکت و موقعیت آن در SCN متفاوت است. این باعث ایجاد تفاوت در آسیب پذیری شرکت در سراسر زنجیره تامین می شود. درک سطح آسیب پذیری هر شرکت می تواند سرمایه گذاری تاب آوری مناسب در سطح شرکت را هدایت کند. در سطح شبکه، کل عملکرد SCN، عملکرد یکپارچه شرکت های منفرد در داخل شبکه تامین است که می تواند با سلامت شبکه اندازه گیری شود - تعداد شرکت های سالم (به عنوان مثال، بدون اختلال) در یک نقطه زمانی خاص (Basole & Bellamy, 2014؛ لی و زوبل، 2020). بررسی چگونگی تاثیر یک اختلال محلی بر سلامت شبکه به مدیران زنجیره تامین اجازه می دهد تا منابع را به طور بهینه در سراسر SCN تخصیص دهند، به طور موثر انتشار اختلال را مدیریت کنند و به عملکرد بهتر شبکه دست یابند.

اگرچه تحقیقات زنجیره تأمین علاقه فزاینده ای به انتشار اختلال نشان داده است (Basole & Bellamy ، 2014 ؛ Dolgui et al. ، 2018 ؛ Marchese & Paramasivam ، 2013) ، ادبیات فعلی هنوز از دو جنبه زیر محدود است. اول ، اکثر مطالعات فعلی یا بر روی یک جهت خاص از انتشار اختلال تمرکز می کنند - انتشار رو به جلو در طول جریان مواد (Bierkandt et al. ، 2014 ؛ Han & Shin ، 2016) یا انتشار عقب در جهت معکوس جریان مواد (ونزو همکاران ، 2014) - یا با آنها بدون تفاوت رفتار کنید (Basole & Bellamy ، 2014 ؛ Li ، Zobel ، Seref & Chatfield ، 2020). اگرچه تعداد محدودی از مطالعات هر دو انتشار اختلال در جلو و عقب را در نظر گرفته اند (گاروی و همکاران ، 2015 ؛ حسینی و ایوانوف ، 2019 ؛ اوجا ، غادژ ، تیواری و بیتیتسی ، 2018) با استفاده از رویکرد شبکه بیزی در یک زمینه ساختار زنجیره تأمین ساده، تبلیغات رو به جلو و عقب به طور جداگانه چشم اندازهای متنوعی باقی می مانند. از آنجا که این دو نوع مکانیسم انتشار اختلال در عمل متمایز هستند ، ما انگیزه داریم که هر دو جهت از اثر موج دار را در نظر بگیریم و اثرات حاشیه ای و مشترک آنها را بر عملکرد شرکت و SCN از دیدگاه پیچیده شبکه بررسی کنیم. دوم ، علیرغم ادبیات بالغ در مورد انعطاف پذیری زنجیره تأمین ، مطالعات بسیار کمی تعامل سرمایه گذاری مقاومت بین بنگاه های کانونی دوگانه را که دارای یک پایگاه تأمین مشترک هستند ، موضوع ریسک و انتشار اختلال را بررسی کرده اند. با مشاهده شرکت های تعبیه شده در SCN ، ما با پاسخ به دو سؤال تحقیق زیر (RQS) به شکاف های تحقیق می پردازیم.

RQ1: چگونه انتشار اختلال رو به جلو و عقب مانده بر سلامت سطح شبکه و آسیب پذیری در سطح گره تأثیر می گذارد؟

RQ2: با توجه به وجود پایگاه عرضه مشترک ، چگونه می توان سرمایه گذاری مقاومت یک شرکت کانونی در SCN خود را تحت تأثیر این شرکت کانونی و سایر شرکتهای کانونی در شبکه قرار داد؟

برای پرداختن به این سوالات، ابتدا یک چارچوب نظری را معرفی می کنیم که مکانیسم انتشار اختلال را نشان می دهد، که تعامل بین عوامل تأثیرگذار در سطح گره، ساختار شبکه، انتشار اختلال و سرمایه گذاری های مرتبط را بیان می کند. در این چارچوب، منشاء و مکانیسم های انتشار اختلال رو به جلو و عقب را شناسایی می کنیم. از آنجایی که انتشار اختلال رو به جلو و عقب با استراتژی های کاهش متمایز همراه است، تمایز آنها می تواند از تصمیم گیری های مؤثر، به ویژه در منابع محدود حمایت کند. ما از شبیه سازی مبتنی بر عامل برای مدل سازی رفتار انتشار اختلال و سپس انجام تحلیل های کمی چند سطحی بر اساس داده های شبیه سازی استفاده می کنیم. نتایج ما نشان می دهد که تأثیرات انتشار اختلال رو به جلو و عقب، هم بر سلامت سطح شبکه و هم آسیب پذیری در سطح گره، متمایز و توسط ساختار شبکه تعدیل می شود. بنابراین، برای کاهش مؤثر اختلال، متخصصان باید ظرفیت های انعطاف پذیری مربوط به انواع مختلف انتشار اختلال و ساختار شبکه را در نظر بگیرند. علاوه بر این، ما یک تحلیل نظری بازی را برای ارزیابی تاثیر سرمایه گذاری انعطاف پذیری یک شرکت کانونی بر سایر شرکت های کانونی انجام می دهیم. برخلاف شبکه ایگو که معمولاً مورد استفاده قرار می گیرد، که فقط یک شرکت کانونی را شامل می شود، ما یک شبکه عرضه از شرکت های کانونی دوگانه را بررسی می کنیم که معمولاً پایه عرضه مشترک را مشاهده می کنند (وانگ، لی، وو و آنوپندی، 2020). نتایج ما نشان می دهد که بررسی شبکه صنعتی گسترده تر فراتر از شبکه ego یک شرکت و افزایش دید زنجیره تامین می تواند از تصمیم گیری های بهتر برای کاهش خطرات اختلال حمایت کند. به این معنا، ما ساختار سنتی «سه گانه» (چوی و وو، 2009) را که یک خریدار و دو تأمین کننده دارد، به دو خریدار و یک پایه عرضه مشترک گسترش می دهیم. تجزیه و تحلیل نظری بازی نشان می دهد که تصمیم سرمایه گذاری یک شرکت کانونی باید نسبت سود به هزینه شرکت خود و دیگر شرکت کانونی را در نظر بگیرد.

ادامه مقاله به شرح زیر تدوین شده است. بخش 2 مروری بر ادبیات انتشار اختلال زنجیره تامین ارائه می کند. مکانیسم انتشار اختلال به طور مفصل در بخش 3 توضیح داده شده است. ما آزمایش را در بخش 4 طراحی می کنیم. ما تجزیه و تحلیل تجربی را انجام می دهیم و گزاره های به دست آمده از نتایج در بخش 5 را ارائه می دهیم. بخش 6 پیامدهای مدیریتی را خلاصه می کند. ما مقاله را با بحث در مورد مشارکت ها و محدودیت ها در بخش 7 به پایان می رسانیم.

2. بررسی ادبیات

انتشار اختلال در زنجیره تأمین ، که به عنوان اثر موج دار نیز شناخته می شود ، اخیراً به دلیل ضرر و زیان اقتصادی قابل توجه جهانی ناشی از وقایع مختلف اختلال مانند سیل تایلند 2011 ، زلزله ژاپن در سال 2012 و همه گیر 2020 Covid-19 ، علاقه علمی افزایش یافته است.(ایوانف ، 2020a). انتشار اختلال / اثر موج دار به این امر اشاره دارد که یک شکست عملیاتی در یک نهاد SCN باعث خرابی عملیاتی سایر نهادهای تجاری می شود (Dolgui et al. ، 2018 ؛ Ivanov ، Pavlov & Sokolov ، 2014a ؛ Li & Zobel ، 2020 ؛ Nof ، Nof ،2019). این مفهوم با اثر Bullwhip متفاوت است (Dolgui ، Ivanov & Rozhkov ، 2020 ؛ Le ، Padmanabhan & Whang ، 1997) ، زیرا اثر گاو نر توسط آسیب پذیری های تقاضای کوچک ایجاد می شود اما لزوماً به معنای نارسایی عملیاتی شدید نیست (Chatfield ، Hayya & کوک ، 2013 ؛ وانگ و دیزنی ، 2016). در دامنه تحقیق از نارسایی عملیاتی ، مطالعاتی در مورد اثر موج دار وجود دارد که عمدتاً بر انتشار اختلال رو به پایین از طرف تأمین کننده متمرکز است (ایوانف ، 2018 ؛ ایوانف و همکاران ، 2014b) ، اثرات گلوله برفی که در آن اثرات می تواند منتقل شود و به سمت آن تقویت شود. تعداد بیشتری از بنگاههای زنجیره تأمین (Swierczek 2016 ؛ 2014) ، انتشار اختلال در عقب که به معنای اثرات اختلال در مقابل جهت جریان مواد است (Wenz et al. ، 2014) ، و همچنین انتشار اختلال عمومیهم از طرف تأمین کننده و هم از طرف تقاضا (Basole & Bellamy ، 2014 ؛ Li & Zobel ، 2020 ؛ Li et al. ، 2020 ؛ Zhao ، Zuo & Blackhurst ، 2019).

رویکردهای مختلفی در مطالعات جاری در مورد انتشار اختلال اتخاذ شده است. اول از همه، روش های مدل سازی و شبیه سازی به طور گسترده در این زمینه استفاده می شوند (ایوانف، 2017؛ مک دونالد، زوبل، ملنیک، و گریفیس، 2018)، از جمله شبیه سازی مبتنی بر عامل از دیدگاه شبکه پیچیده (Basole & Bellamy، 2014؛ Li & زوبل، 2020؛ لی و همکاران، 2020؛ تانگ، جینگ، او و استنلی، 2016؛ ژائو و همکاران، 2019، بررسی انتشار ریسک با استفاده از رویکردهای شبکه بیزی (گاروی و کارنواله، 2020؛ گاروی و همکاران، 2015؛حسینی و ایوانف، 2019؛ حسینی، ایوانوف و دولگی، 2019؛ اوجا و همکاران، 2018، مدل های عددی برای شبیه سازی اثرات غیرمستقیم در زنجیره تامین جهانی با استفاده از مدل ورودی-خروجی (Bierkandt et al., 2014; Wenz et al..، 2014)، رویکرد آنتروپی برای مطالعه آسیب پذیری خوشه SCN در طول خرابی های آبشاری (Zeng & Xiao، 2014)، و سایر روش های تحقیق در عملیات (Ivanov et al., 2014a؛ Kinra, Ivanov, Das & Dolgui, 2020; لیبراتوره، اسکاپارا و داسکین، 2012؛ پاولوف، ایوانف، پاولوف و اسلینکو، 2019؛ سینها، کومار و پراکاش، 2020).

دوم، مطالعات کیفی وجود دارد که انتشار اختلال را از جنبه های مختلف بررسی می کند. ایوانف (2018) و دولگی و همکاران.(2018) به اثر موجی پرداخت، انتشارات مهم اخیر را تجزیه و تحلیل کرد و دیدگاه های تحقیقاتی را در این حوزه ترسیم کرد. Scheibe & Blackhurst (2018) بینش های نظری را در مورد انتشار ریسک با استفاده از رویکرد مطالعه موردی نظریه زمینه ای ارائه کردند. دنگ، یانگ، ژانگ، لی و لو (2019)، از طریق یک مطالعه موردی نیز، مکانیسم های انتشار ریسک را بررسی کردند و اقدامات متقابل ممکن را برای زنجیره تامین محصولات فاسد شدنی برای بهبود پایداری ارائه کردند. در نهایت، چندین مطالعه تجربی مرتبط نیز وجود دارد. گوتو، تاکایاسو و تاکایاسو (2017) یک تابع تصادفی از انتشار ریسک را از داده های جامع رویدادهای ورشکستگی در ژاپن از سال 2006 تا 2015 به دست آوردند. Świerczek (2014) رابطه بین یکپارچه سازی زنجیره تامین و اثر گلوله برفی را بررسی کرد. ژانگ، چن و فانگ (2018) 31 شرکت چینی درگیر در صنعت خودرو را مورد بررسی قرار دادند و انتقال خطر اختلال تامین کننده در طول زنجیره تامین را بررسی کردند.

مطالعات فوق الذکر درک ما از پدیده انتشار / اثر موج دار اختلال را بسیار غنی کرده است. با این حال ، ادبیات از دو جنبه کوتاه است. اول ، اگرچه نارسایی عملیاتی یک شرکت می تواند ناشی از اختلال تأمین کنندگان یا مشتریان در عمل باشد ، به بهترین دانش ما ، هیچ مطالعه اخیر با توجه به تأثیرات مختلف انتشار اختلال رو به جلو و عقب در زنجیره تأمین وجود ندارد. یک مطالعه با توجه به هر دو جهت انتشار اختلال ، جامع تر و واقع بینانه تر است. شناخت انتشار اختلال به طور جامع برای شناسایی تکنیک های مؤثر برای مدیریت ریسک زنجیره تأمین بسیار مهم است. دوم ، مطالعات محدودی در مورد انتشار اختلال از منظر شبکه پیچیده وجود دارد (Basole & Bellamy ، 2014 ؛ Li et al. ، 2020). اکثر مطالعات فعلی هنوز بر روی یک ساختار زنجیره تأمین ساده مانند شبکه نفس تمرکز دارند. تحقیقات مبتنی بر ساختارهای ساده نمی تواند تعامل بین ساختار شبکه و انتشار اختلال را به طور کامل درک کند (لی و همکاران ، 2020 ؛ Mizgier ، Jüttner & Wagner ، 2013 ؛ Zhao et al. ، 2019). به عنوان مثال ، مطالعات مبتنی بر شبکه نفس یک شرکت واحد ، تأثیر اختلال در خارج از شبکه نفس را نادیده می گیرد.

با انگیزه در شکاف های تحقیق ، ما انتشار اختلال در جلو و عقب را مطالعه می کنیم و در جنبه های زیر به ادبیات کمک می کنیم. اول ، این مطالعه به طور جامع مکانیسم انتشار اختلال را مشخص می کند ، که بین انتشار اختلال به جلو و عقب تمایز قائل می شود و عوامل تأثیرگذار را با جزئیات مشخص می کند. در تجزیه و تحلیل ، ما می دانیم که انتشار اختلال به جلو و عقب به روش های متمایز آسیب پذیری گره و سلامت شبکه را تحت تأثیر قرار می دهد. بنابراین ، استراتژی های سرمایه گذاری برای کاهش هر دو جهت انتشار ممکن است در عمل متفاوت باشد. دوم ، این مطالعه به بررسی انتشار اختلال از دیدگاه پیچیده شبکه می پردازد. با گسترش دیدگاه سنتی شبکه نفس یک شرکت ، ما یک شبکه صنعتی واقع گرایانه با دو شرکت کانونی را بررسی می کنیم. شبکه صنعتی واقع بینانه تر نشان می دهد که چگونه ساختار شبکه با انتشار اختلال در تعامل است و چگونه یک شرکت کانونی باید تصمیمات سرمایه گذاری انعطاف پذیر را مشمول اقدامات سایر شرکتهای کانونی اتخاذ کند. بر اساس تجزیه و تحلیل شبکه صنعتی ، این مطالعه پیشنهاد می کند که استراتژی های مؤثر را برای یک شرکت کانونی تهیه کند تا از سرمایه گذاری مقاومت در برابر شرکت های کانونی بهره مند شود.

3. مدل سازی انتشار اختلال

اختلالات می توانند در طول جریان مواد و همچنین در جهت معکوس پخش شوند. چنین رفتار پیچیده ای از انتشار اختلال در SCN می تواند ناشی از قوانین تعامل ساده بین بنگاه ها باشد. برای ضبط انتشار اختلال ، ابتدا قوانین تعامل اساسی را در این بخش مشخص می کنیم.

3. 1رابطه خریدار و تهیه کننده

در یک رابطه خریدار dyadic (J) -Supplier (i) ، یک اختلال می تواند از یک تأمین کننده به یک خریدار یا از یک خریدار به یک تأمین کننده پخش شود. انتشار اختلال در جلو به انتشار اختلال از تأمین کننده I به خریدار J ، در طول جریان مواد اشاره دارد (Bierkandt et al. ، 2014). اگر تأمین کننده در زمان t مختل شود ، میزان انتشار اختلال در جلو ، f r i j ، به عنوان احتمال خریدار مختل شده در زمان t + 1 تعریف می شود. انتشار اختلال رو به جلو یک احتمال است زیرا ممکن است اختلال در یک شرکت لزوماً منجر به اختلال در بنگاه دیگر نشود (لی و زوبل ، 2020). به عنوان مثال ، همان آتش سوزی در کارخانه فیلیپس تقریباً هیچ تاثیری در نوکیا نداشته است اما باعث ضرر بزرگی به اریکسون شده است (نورمن و جانسون ، 2004).

این میزان انتشار اختلال رو به جلو توسط عوامل زیر تأثیر می گذارد.

ماهیت اختلال تأمین کننده. این شامل نوع ، شدت و طول اختلال است. به عنوان مثال ، اختلال ناشی از حملات سایبری ممکن است خریدار را متفاوت از یکی از موارد ناشی از هوای نامطلوب تأثیر بگذارد.

وابستگی خریدار به تأمین کننده. اگر خریدار بسیار وابسته به تأمین کننده باشد (به عنوان مثال ، خریدار اجزای اصلی را فقط از این تأمین کننده منبع می دهد) ، خریدار تمایل دارد که به راحتی توسط تأمین کننده مختل شود.

ظرفیت تاب آوری خریدار. اگر خریدار از ظرفیت انعطاف پذیری بالاتری مانند سهام ایمنی بالاتر ، دید بهتر زنجیره تأمین یا برنامه پاسخ سریعتر برخوردار باشد ، احتمالاً تحت تأثیر اختلال در تأمین کننده قرار می گیرد.

به طور مقایسه ای ، انتشار اختلال در عقب به انتشار اختلال از خریدار J به تأمین کننده I اشاره دارد ، که از جهت منفی جریان مواد عبور می کند (ونز و همکاران ، 2014). هنگامی که خریدار دچار اختلال می شود ، تأمین کننده ممکن است عملیات خود را به حالت تعلیق درآورد تا از تولید بیش از حد وسایل مورد نیاز خریدار خودداری کند. به عنوان مثال ، هنگامی که HP و Dell در طول سیل تایلند در سال 2011 با اختلال تولید روبرو شدند ، عملیات اینتل که تأمین کننده HP و Dell است نیز به دلیل عدم تقاضا مختل شد (اینتل ، 2011).

میزان انتشار اختلال در عقب ، b r i j ، تحت تأثیر عوامل زیر قرار دارد.

وابستگی تأمین کننده به خریدار. اگر تأمین کننده به خریدار بسیار وابسته باشد (به عنوان مثال بیشتر درآمد تأمین کننده از خریدار ناشی می شود) ، تأمین کننده تمایل به ایجاد اختلال بیشتر از اختلال خریدار دارد.

ظرفیت تاب آوری تأمین کننده. ظرفیت انعطاف پذیری بالاتری که تأمین کننده دارد (مانند انعطاف پذیری عملیاتی بالاتر و دید زنجیره تأمین) ، تأمین کننده کمتر تحت تأثیر اختلال خریدار قرار می گیرد.

انتشار اختلال به جلو و عقب در دو جنبه اصلی متفاوت است. اول ، نرخ انتشار اختلال متفاوت است زیرا ظرفیت های مقاومت در برابر انتشار اختلال در جلو و عقب متمایز است. ظرفیت انعطاف پذیری در برابر انتشار اختلال عقب مانده عمدتاً به عملکرد و انعطاف پذیری توزیع آن متکی است ، در حالی که ظرفیت انعطاف پذیری در برابر انتشار اختلال رو به جلو تا حد زیادی به در دسترس بودن منابع جایگزین بستگی دارد. دوم ، وابستگی بین خریدار و تأمین کننده در واقعیت بیشتر نامتقارن است. به عنوان مثال ، یک تأمین کننده کوچک که تجارت اصلی آن از والمارت است ، به والمارت بسیار وابسته است ، اما برعکس نیست. بر اساس این اختلافات ، انتشار اختلال در جلو و عقب باید مدل سازی و متفاوت ارزیابی شود تا تصمیم گیری بهتری برای بهبود مقاومت زنجیره تأمین فراهم شود.

3. 2احتمال انتقال وضعیت گره

در یک SCN کارگردانی با تأمین کنندگان و خریداران متعدد ، احتمال اختلال در یک نهاد تجاری خاص به رابطه آن با همه همسایگان مختل شده از جمله تأمین کنندگان و خریداران بستگی دارد. ما فرض می کنیم که هر گره در SCN دارای دو حالت ، یعنی سالم (H) و مختل (D) است. وضعیت اختلال در یک گره به این معنی است که شرکت به دلیل دلایلی از جمله اما محدود به موجودی موجودی ، اعتصاب کار ، آب و هوا و زمین لرزه های موجود ، فعالیت های خود را به حالت تعلیق در می آورد. عدم اطمینان وجود دارد که یک گره سالم من در زمان T می تواند در زمان T + 1 تحت تأثیر تأمین کنندگان و خریداران مختل شده در زمان t مختل شود. به عنوان مثال ، یک شرکت با سهام ایمنی کافی که با اختلال در تأمین کننده روبرو است ، ممکن است کمتر از یک شرکت با سطح ایمنی کم اختلال ایجاد شود. برای در نظر گرفتن این موضوع ، ما انتقال وضعیت را به عنوان یک احتمال الگوبرداری می کنیم.

برای یک شرکت با همسایگان مختل شده ، فرض می کنیم که تأثیر اختلال در تأمین کنندگان و خریداران مستقل است. ما تأیید می کنیم که این فرض نمی تواند تصویر کامل را درک کند ، زیرا تأثیر اختلال در عمل ممکن است به هم وابسته باشد (Ackerma ، Howick ، Quigley ، Walls & Houghton ، 2014 ؛ Garvey & Caovale ، 2020 ؛ Garvey et al. ، 2015 ؛ Qazi ، Quigley ، Quzi ، Quigley.، دیکسون و اکیچی ، 2017). با این حال ، فرض استقلال نیز دو مزیت اصلی را ارائه می دهد. اول ، این فرض در بسیاری از موارد واقعی وجود دارد ، بنابراین نتایج مشتق شده پیامدهای عملی مهمی دارند. به عنوان مثال ، یک شرکت دارای چندین تأمین کننده است که تولید خود را دارند. کیفیت محصولات تأمین کنندگان (یعنی مؤلفه ها) کیفیت نهایی محصول را تعیین می کند. از آنجا که کیفیت یک محصول تحت تأثیر محصولات تأمین کنندگان دیگر قرار نمی گیرد ، تأثیرات اختلال از طرف تأمین کنندگان از این نظر مستقل است. دوم ، این فرض به طور گسترده ای در ادبیات مدیریت ریسک مورد استفاده قرار می گیرد (قاضی و همکاران ، 2017 ؛ ژائو و فریمن ، 2019) ، زیرا این مدل را قابل ردیابی می کند. اگر تخمین وابستگی به ریسک پیچیده و دشوار شود ، خطاهای بیشتری می تواند رخ دهد و تکیه بر تخمین نادرست در عمل می تواند پرهزینه باشد (ژائو و فریمن ، 2019). مطالعات آینده می تواند فرض استقلال را بر اساس و آرامش بخشد. به این ترتیب ، برای یک گره معین ، احتمال انتقال از وضعیت سالم به وضعیت مختل شده:

جایی که P I ، H D T مخفف احتمال انتقال گره I از سالم بودن در زمان T به اختلال در T + 1 است. D S (I) و D C (I) به ترتیب برای تأمین کنندگان مختل شده و مشتریان گره I را مختل می کنند. f r k i t نشان دهنده احتمال انتشار رو به جلو از تأمین کننده k به گره I در زمان t است. و b r i j t نشان دهنده احتمال انتشار عقب از مشتری J به گره I در زمان t است.

یک گره مختل شده می تواند بهبود یابد و سالم شود. بگذارید R C من از احتمال بهبودی گره I از اختلال در زمان T تا سالم بودن در زمان T + 1 ، صرف نظر از وضعیت تأمین کنندگان و خریداران باشد. با فرض اینکه بهبودی مستقل از تأثیرات تأمین کنندگان و خریداران باشد ، ما احتمال انتقال گره I را از اختلال در زمان T به سالم بودن در T + 1 به عنوان: مدل می کنیم:

فرمول (3. 2) دلالت بر این دارد که وقتی برخی از تأمین کنندگان و خریداران آن مختل می شوند ، توانایی تأمین کننده من برای بازیابی تخفیف می یابد و روند بهبود آن کند می شود.

3. 3مکانیسم انتشار اختلال

رفتار پیچیده انتشار اختلال در SCN از قوانین تعامل فوق الذکر بین گره ها بیرون می آید. شکل 1 مکانیسم انتشار اختلال را نشان می دهد. هر گره جداگانه مقادیر خاص FR ، BR و RC خود را بر اساس وابستگی خود به همسایگان و ظرفیت مقاومت آن دارد. این عوامل مؤثر در سطح گره با ساختار شبکه در تعامل هستند ، احتمال انتقال گره ها را تعیین می کنند و در نهایت انتشار اختلال را در SCN شکل می دهند.

مکانیسم انتشار اختلال.

انتشار اختلال در هر دو سطح گره و شبکه تأثیر می گذارد. در سطح گره ، برخی از گره ها در طی فرآیند انتشار اختلال ، اختلالات مکرر دارند. بنابراین مدیران زنجیره تأمین باید بیشتر به آن گره ها توجه کنند. در سطح شبکه ، اختلال متفاوت است و توسط عوامل مختلف سطح گره و ساختار شبکه تعدیل می شود. با توجه به ساختار شبکه ، مدیران زنجیره تأمین می توانند از طریق سرمایه گذاری مناسب که می توانند عوامل سطح گره FR ، BR و RC را تغییر دهند ، انتشار اختلال را در هر دو سطح گره و شبکه کنترل و کاهش دهند. بر اساس چارچوب ، ما با طراحی آزمایشاتی که عوامل سطح گره را با ساختار شبکه در بخش بعدی تعامل دارند ، تأثیر انتشار اختلال در هر دو سطح گره و شبکه را بررسی می کنیم.

4- طراحی آزمایشی

هدف از این مطالعه بررسی این موضوع است که چگونه FR و BR تاثیر متفاوتی بر اثر موج دار شدن دارند. با توجه به SCN G = ( N , E ) که از مجموعه N گره ها و E ⊆ N × N لبه های جهت دار تشکیل شده است. هر گره دارای دو وضعیت ممکن است: 1 نشان دهنده سالم و 0 نشان دهنده اختلال است. احتمال انتقال هر گره با وضعیت فعلی خودش و همه وضعیت فعلی همسایگانش به عنوان معادله (3. 1) و معادله (3. 2) تعیین می شود. برای فرمول بندی چنین مشکلی، این مدل به عنوان زنجیره های مارکوف با تعامل محلی تنظیم می شود که به عنوان اتوماتای سلولی احتمالی (PCA) نیز شناخته می شود (فرناندز، لوئیس و ناردی، 2018). فضای حالت چنین مدلی محصول تانسور وضعیت های تمام زنجیره های مارکوف محلی است که در زمینه ما بسیار بزرگ است. به عنوان مثال، برای یک گره منفرد با 3 تامین کننده و 2 مشتری، در مجموع 2 2 * 2 3 = 32 ترکیب وضعیت وجود دارد. برشمردن احتمالات انتقال برای همه احتمالات چالش برانگیز است. این ممکن است برای یک شبکه با اندازه کوچک کار کند، اما در نهایت زمانی که اندازه یا پیچیدگی شبکه افزایش یابد، غیرممکن خواهد شد (Garvey & Caovale، 2020). در واقع، حوزه PCA پیچیدگی آن را تایید می کند و پیشنهاد می کند که از آن به عنوان یک مدل سازی انعطاف پذیر، مانند مدل سازی مبتنی بر عامل، و چارچوب شبیه سازی در یک زمینه کاربردی استفاده می شود (فرناندز و همکاران، 2018).

بنابراین، ما شبیه سازی مبتنی بر عامل (ABS) را در این مطالعه برای مزایای زیر پیاده سازی می کنیم. در مرحله اول، ABS به ما اجازه می دهد تا از طریق شبیه سازی تعاملات همزمان عوامل، عملکرد سیستم ها یا پدیده های پیچیده را دوباره ایجاد و پیش بینی کنیم (Basole & Bellamy, 2014; Li & Zobel, 2020؛ Zhang, Adomavicius, Gupta & Ketter, 2020) وSCN چنین سیستم پیچیده ای است. دوم، ABS به ما اجازه می دهد تا اثرات جداگانه عوامل و تعاملات بین عوامل را از طریق آزمایش های عددی تحت تنظیمات مختلف بررسی و بررسی کنیم (ژانگ و همکاران، 2020). علاوه بر این، ABS یک رویکرد بصری و قابل درک را ارائه می دهد که هم محققین و هم مخاطبان عملی می توانند آن را درک کنند، که منجر به چشم انداز عملی گسترده تری از کاربرد می شود. این رویکرد را می توان به اهداف دیگری نیز تعمیم داد. به عنوان مثال، می تواند به راحتی به تنظیمات ناهمگن FR، BR و RC گسترش یابد تا رفتار یک SCN دقیق را مشاهده کند.

برای بررسی انتشار اختلال در SCN، ما تجزیه و تحلیل اصلی خود را با استفاده از SCN صنعت خودرو ژاپن با دو شرکت کانونی انجام می دهیم. برای اطمینان از اینکه یافته ها می توانند برای انواع شبکه های مرزی اعمال شوند، دو شبکه تصادفی قابل مقایسه را به عنوان بررسی استحکام تولید می کنیم. در مقایسه با مطالعاتی که از شبکه ego یک شرکت کانونی استفاده می کنند، راه اندازی ما به ما اجازه می دهد تا تأثیرات انتشار اختلال را روی شرکت های کانونی مختلف و همچنین سایر نهادهای داخل SCN مقایسه کنیم.

ما هوندا و تویوتا را به عنوان شرکت های اصلی انتخاب می کنیم. هر دوی آنها بزرگترین خودروسازان ژاپن هستند. زنجیره های تامین آنها شبکه های پیچیده معمولی و بسیار متقابلی هستند که در معرض خطرات مختلف اختلال قرار دارند (واگنر و بود، 2006، واگنر و بود، 2008). ما شبکه تامین را با استفاده از پایگاه داده Bloomberg SPLC می سازیم و تامین کنندگان رده اول و دوم شرکت های کانونی را انتخاب می کنیم. ما فقط COGS (هزینه کالاهای فروخته شده) را انتخاب می کنیم، که به هزینه های مستقیم تولید کالاهای فروخته شده اشاره دارد، روابطی که درصد COGS بیش از 0. 5٪ است تا بیشترین جریان مواد را به دست آوریم. این به ما یک شبکه با 121 گره و 193 پیوند می دهد. 63 تامین کننده مشترک در هر دو ردیف 1 و 2 برای تویوتا و هوندا وجود دارد. شکل 2 این شبکه را نشان می دهد که در آن دو گره قرمز برای دو شرکت کانونی قرار دارند.

شرکت های دو کانونی شبکه و شبکه تصادفی را تامین می کنند.

ما آزمایش هایی را روی شبکه تامین خودرو انجام می دهیم تا کشف کنیم که چگونه عوامل سطح گره منجر به انتشار اختلال می شوند و باعث ایجاد اختلال در هر دو سطح گره و شبکه می شوند."آزمایش یک روش شناسی قدرتمند است که محققان را قادر می سازد تا ادعاهای علّی را به صورت تجربی ایجاد کنند" (Imai، Tingley و Yamamoto، 2013). با طراحی و اجرای آزمایش ها، می توانیم نگرانی درون زایی را کاهش دهیم (Antonakis، Bendahan، Jacquart & Lalive، 2014)، که معمولاً یک چالش استنتاج علی در مطالعات با استفاده از داده های مشاهده ای است (Ho, Lim, Reza & Xia, 2017).). در این مطالعه، ما طراحی تجربی را با شبیه سازی مبتنی بر عامل ادغام می کنیم تا داده ها را برای تجزیه و تحلیل به دست آوریم. شبیه سازی مبتنی بر عامل قادر به شبیه سازی رفتارهای عوامل تعاملی در تلاش برای درک پدیده های پیچیده است (Basole & Bellamy، 2014؛ Li et al., 2020؛ Nair & Vidal, 2011؛ K. Zhao et al., 2019).

تنظیمات

افزایش سهام ایمنی افزایش دید زنجیره تأمین افزایش منابع پشتیبان

افزایش انعطاف پذیری تولید تلاش های مدیریت تقاضا موثر افزایش دید زنجیره تأمین