آدرس ایمیل خود را وارد نمایید
ثبت
پیام خود را بنویسید
دوره 15، شماره 1 - ( بهار 1404 )
جلد 15 شماره 1 صفحات 123-104 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Eskandari M, Asghari H, Modiri M. Identifying and Prioritizing Risk Factors in Supply Chain Logistics for Crisis Management Using an Integrated Fuzzy Approach. Disaster Prev. Manag. Know. 2025; 15 (1) :104-123
URL: http://dpmk.ir/article-1-718-fa.html
URL: http://dpmk.ir/article-1-718-fa.html
اسکندری محمد، اصغری حامد، مدیری مهدی. شناسایی و اولویت‌بندی عوامل خطر حوزه لجستیک زنجیره تأمین به‌منظور مدیریت بحران با رویکرد یکپارچه فازی. دانش پیشگیری و مدیریت بحران. 1404; 15 (1) :104-123
محمد اسکندری1 
، حامد اصغری2 ، مهدی مدیری1
، حامد اصغری2 ، مهدی مدیری1
1- مجتمع دانشگاهی مهندسی و پدافند غیرعامل، دانشگاه صنعتی مالک اشتر، تهران، ایران.
2- گروه مهندسی عمران و مدیریت بحران، مجتمع دانشگاهی مهندسی و پدافند غیرعامل، دانشگاه صنعتی مالک اشتر، تهران، ایران.
2- گروه مهندسی عمران و مدیریت بحران، مجتمع دانشگاهی مهندسی و پدافند غیرعامل، دانشگاه صنعتی مالک اشتر، تهران، ایران.
متن کامل [PDF 7418 kb]
(199 دریافت)
| چکیده (HTML) (743 مشاهده)
متن کامل: (148 مشاهده)
مقدمه
بررسی اتفاقات و رخ‌داد‌های مخرب گذشته در جهان، مانند بیماری همه‌گیری (گابوتی و همکاران، 2020)، جنگ روسیه و اوکراین (گیسلر و همکاران، 2023)، راهبردها و سیاست‌های قانونی (زی و همکاران، 2020)، اقدامات کنترلی رادیکالی شبیه بسته شدن مرزها (شریفی و خاوریان، 2020) و غیره، فعالان شبکه زنجیره تأمین مخصوصاً حوزه لجستیک را دچار بحران کرده است که لازم است برنامه‌ریزی‌های مدقنی برای پیشگیری از بروز اختلالات در زنجیره تأمین، انجام شود (کومار و همکاران، 2021)، تا از این طریق میزان آسیب‌پذیری به زنجیره تأمین با اتخاذ استراتژی‌های مناسب کاهش یابد (کاروالیو و همکاران، 2021).
برای‌نمونه، با شیوع بیماری همه‌گیری ویروس کرونا در سال‌های قبل، بسیاری از کشورها به‌دلیل ترس از انتقال ویروس از طریق غذا، مرزهای جغرافیایی خود را بستند که این مسئله به اختلالات قابل‌توجهی در زنجیره‌های تأمین (SC) و کمبود شدید مواد غذایی به‌خصوص در کشورهای نیازمند و تأمین‌کننده منجر شده است (شریفی و خاوریان، 2020). در بخش دیگر و در همان برهه زمانی، تقاضا برای خودرو کاهش یافت و کشورهای مختلف ازجمله کشور چین باتوجه‌به دارا بودن زیرساخت‌های متعدد قبیل صنایع قطعه‌سازی و خودرو‌سازی، با کاهش 80 درصدی در صادرات مواجه شدند و بخشی از درآمد خود را از دست دادند و دچار بحران شدند (چادوری و همکاران، 2021).
ازاین‌رو، مخاطرات لجستیک زنجیره تأمین، توجه بسیاری از محققان و سیاست‌گذاران در جهان را به خود جلب کرده است و به ایجاد نگرش ارزیابی ظرفیت‌ها، تهدیدها و پیامدها و چگونگی مقابله با آن برای افزایش تابآوری منجر شده است. همچنین محققان بیش از هر زمان دیگری بر جنبه‌های مختلف تابآوری لجستیک (به‌ویژه حملونقل) متمرکز شده‌اند، زیرا به‌عنوان یک ویژگی اصلی حوزه لجستیک در نظر گرفته می‌شود (آیدین و همکاران، 2018؛ بالاکریشنان و همکاران، 2020). برای‌نمونه، ایوانف (2020) تأثیر شیوع بیماری همه‌گیر بر عملکرد حوزه لجستیک زنجیره تأمین را بررسی کرد و مشخص شد که برخی از عوامل مهم عبارت‌اند از: زمان ایجاد بحران، مدت‌زمانی که یک بحران یا اختلال ادامه داشته باشد و زمان لازم برای برگشت‌پذیری.
بنابراین، بسیاری از تحقیق‌های سال‌های اخیر بر تجزیهوتحلیل رویدادهای گذشته و شناسایی و ارزیابی عوامل خطر به‌طور خاص در حوادث و غیره بوده است و تحقیق‌های کمی به شناسایی عوامل خطر حیاتی و تابآوری حوزه لجستیک زنجیره تأمین ازمنظر کمی‌سازی، اولویت‌بندی، رتبه‌بندی و ارائه الگوی راهبردی یکپارچه با رویکرد فازی برای پیشگیری و کاهش اثرات آن پرداخته‌اند. ازاین‌رو در این تحقیق سعی شده است در حوزه لجستیک زنجیره تأمین، با تشکیل کارگروه‌های تخصصی و ایجاد هم‌فکری و هم‌افزایی، خلأ‌های موجود کشف و با استفاده از روش‌های علمی، به این سؤالات پاسخ داده شود:
- انواع و دسته‌بندی تهدیدها در حوزه لجستیک زنجیره تأمین چگونه است؟
- عوامل حیاتی در لجستیک زنجیره تأمین چیست؟
-با چه روشی می‌توان عوامل تهدید شناسایی‌شده را ارزیابی کرد؟
-ارزیابی عوامل خطر چگونه به سیاست‌گذاران برای تدوین استراتژی مطلوب و کاهش ریسک در آتی کمک می‌کند؟
ساختار تحقیق
این تحقیق یک ساختار سیستماتیک برای شناسایی، ارزیابی و اولویت‌بندی عوامل مؤثری که بر پایداری حوزه لجستیک از زنجیره تأمین نقش دارند ارائه می‌کند. عوامل خطر از تحقیقات قبلی مرتبط، شناسایی و با نظرات کارشناسان اعتبارسنجی شد و با استفاده از تجزیهوتحلیل پارتو، عوامل مهم انتخاب شدند. سپس برای طبقه‌بندی عوامل تعیین‌شده براساس قدرت نفوذ و وابستگی آن‌ها اقدام شد تا عواملی که بیشترین تأثیرگذاری و تأثیرپذیری را دارند شناسایی شوند. در ادامه، با توسعه مدل و ایجاد الگوی سلسله مراتبی با استفاده از نظریه گراف و جبر ماتریس، عوامل سطح‌بندی و ارتباط بین عوامل مشخص شد. درنهایت اعتبارسنجی مدل ساختاری تفسیری برای تأیید اینکه مدل به‌دست آمده معتبر است یا خیر، انجام شده است (تصویر شماره 1).
مرور ادبیات تحقیق
این بخش مبتنی بر تحقیق‌های قبلی است که در این زمینه مورد بررسی قرار گرفته‌اند و به شناسایی عوامل خطر، ارزیابی و بحران‌ها در حوزه لجستیک می‌پردازند. درنهایت خلأ پژوهشی موجود مورد بررسی قرار گرفته و ضمن ارائه عوامل مهم و مؤثر بر تابآوری حوزه لجستیک (به‌ویژه حملونقل)، راهبرد مطلوب برای پیشگیری از بحران‌های آتی و بهبود مستمر در این زمینه نیز پیشنهاد می‌شود.
لجستیک زنجیره تأمین
لجستیک زنجیره تأمین یک سیستم شبکه‌ای است که جریان کالاها را مدیریت می‌کند و تمام منابع را از مرحله تأمین و تولید تا ذخیره‌سازی و توزیع دربر می‌گیرد (لوزانو و همکاران، 2020). به‌منظور درک بهتر این مفهوم، (تصویر شماره 2) روند حرکت کالاها را از تأمین‌کنندگان آغاز و تا نقاط توزیع نهایی نشان می‌دهد. در سال‌های اخیر، مطالعات مختلف به تجزیهوتحلیل و مدلسازی اشکال متنوعی از لجستیک زنجیره تأمین پرداخته‌اند. به‌عنوان‌مثال، زرنگ و همکاران (2018) یک زنجیره تأمین سه سطحی را معرفی کردند که شامل مراحل تولید، خرده‌فروشی و مصرف می‌شود. این مدلسازی به درک بهتر ارتباطات و تعاملات بین این سطوح کمک کرده و راهکارهای بهبود کارایی و اثربخشی زنجیره تأمین را مشخص می‌کند. این رویکردهای نوین به مدیران این امکان را می‌دهند که به‌طور دقیق‌تری نیازهای بازار را شناسایی کنند و در پاسخ به تغییرات تقاضا و تأمین، برنامه‌ریزی‌های مؤثرتری انجام دهند (نیاز و نواگو، 2023).
به‌علاوه، باتوجه‌به پیچیدگی‌های موجود در زنجیره‌های تأمین مدرن، آشنایی با مدل‌های مختلف لجستیک و درک نحوه تعامل آن‌ها می‌تواند به بهینه‌سازی فرآیندها و کاهش هزینه‌ها کمک شایانی کند (ورما و همکاران، 2024).
ارائه‌دهندگان خدمات لجستیک
(هرولد و همکاران، 2021) در تحقیق خود بیان کردند که ارائه‌دهندگان خدمات لجستیک (LSP) در طول زنجیره‌های تأمین جهانی، نقش مهمی در تابآوری زنجیره‌های تأمین دارند و شرکت‌ها به‌دلیل تمرکز بیشتر بر فرآیند اصلی تولید، معمولاً عملیات لجستیک (به‌ویژه حملونقل) خود را برون‌سپاری می‌کنند (وانگ و همکاران، 2021) و به این طریق، اندازه تولید مبتنی بر میزان تقاضا، تابآوری، نوآوری و برنامه‌ریزی استراتژیک در این حوزه را واگذار می‌کنند تا اثرات منفی ناشی از یک وضعیت اضطراری مانند اختلال در زنجیره تأمین را کاهش دهند (لام و دای، 2015؛ لیو و لی، 2018). برای‌مثال، در بحران‌های قبلی مانند فوران آتشفشان ایسلندی،LSP توانست مسیر پروازها را به سمت جنوب اروپا تغییر دهد و بلافاصله محموله‌ها را به کامیون‌ها و قطارها منتقل کند تا تلفات را به حداقل برساند (ریبرو و باربوسا، 2018)؛ به این ترتیب، LSP یک مزیت استراتژیک بالقوه ازلحاظ تابآوری ارائه می‌دهد (اوده و همکاران، 2024). باوجوداین، رویداد بی‌سابقه و منحصربه‌فرد همه‌گیری کووید-19 و اختلال در زنجیره‌های تأمین جهانی به‌وضوح نشان داد که LSPها تحت فشار قرار گرفته‌اند: LSPها با تکیه بر جریان‌های جهانی مواد، ناگهان با کمبود و تأخیر اقلام حیاتی مواجه شدند که باعث ایجاد یک اثر موجی شد و به کاهش بهره‌وری، درآمد و سود منجر شده است (چوی، 2020؛ دوتا و همکاران، 2020).
مسائل تصمیم‌گیری مربوط به مدیریت لجستیک
بسیاری از مسائل تصمیم‌گیری مربوط به مدیریت لجستیک زنجیره تأمین (LSCM) در طول دوره مهار یک همه‌گیری بروز می‌کند. این مسائل در درجه اول به امکانات، موقعیت و ظرفیت آن‌ها، انتخاب و استقرار حملونقل و همچنین شیوه‌های توزیع و پر کردن ظرفیت‌های موجود در کل زنجیره تأمین مربوط می‌شود.
چندین کار تحقیقاتی به این مسائل پرداخته‌اند؛ سیروواتکا و همکاران (2021) یک مدل هوش مصنوعی که می‌تواند به‌طور گسترده برای اطلاع‌رسانی تصمیم‌گیری بالینی و سلامت عمومی برای مدیریت مؤثر تأثیرات یک بیماری همه‌گیر استفاده شود را توسعه دادند. یین و بیو‌کتاه‌تاکین (2021) مدل‌های تقسیمی موجود و محدودیت‌ها در اپیدمیولوژی ازنظر بهینه‌سازی تخصیص منابع برای کنترل شیوع همه‌گیری تحت عدم‌قطعیت رشد بیماری و محدودیت اصلی را با کمک یک مدل برنامه‌ریزی تصادفی چندمرحله‌ای و با سناریوهای مختلف رشد بیماری، توزیع مراکز درمانی و منابع بهینه، بررسی کردند.
مورالی و همکاران (2012) با در نظر گرفتن تقاضا و عدم قطعیت در تقاضا، این مشکل را براساس مکان پوشش حداکثر با استفاده از تابع ضرر و اکتشاف مکان-تخصیص حل کردند. به همین ترتیب، برخی از محققان برای حل مشکلات مسیریابی خودرو که در مواقع اضطراری به وجود می‌آیند، کار کرده‌اند؛ برای‌نمونه، شن و همکاران (2009) مسائل مسیریابی خودرو را به 2 مرحله - مرحله برنامه‌ریزی و مرحله عملیاتی- تقسیم کردند که کاهش شعاع واکنش اضطراری و در نظر گرفتن سیاست‌های بازگشت‌پذیری در طول زنجیره را مهم دانستند (ژائو و سان 2008).
در این راستا، مدیریت لجستیک رکن حیاتی موفقیت کسب‌وکارهاست و با چالش‌هایی مانند عدم قطعیت بازار، نیاز به مدیریت اطلاعات، بهینه‌سازی هزینه‌ها، توجه به پایداری محیط زیست و پذیرش فناوری‌های نوین روبه‌روست. این چالش‌ها نیازمند تصمیم‌گیری‌های هوشمند و استراتژیک برای حفظ رقابت در بازار هستند (گارسیا و همکاران، 2023؛ بیسواس، 2024).
کنترل و اهمیت هماهنگی
برای‌نمونه، به گفته اللهی و میر (2021)، کنترل بیماری همه‌گیر مانند کووید-19 عمدتاً سه هدف اصلی را دربر می‌گیرد؛ آن‌ها عبارت‌اند از:
1. کاهش میزان ابتلای جمعیت آسیب‌پذیر،
2. به حداقل رساندن میزان مرگ‌و‌میر جمعیت آلوده،
3. افزایش ایمن‌سازی جمعیت.
برای دست‌یابی به این اهداف، تصمیم‌گیرندگان و سیاست‌گذاران سلامت باید تصمیمات بزرگی اتخاذ کنند که شامل سازماندهی برنامه‌های قرنطینه، راه‌اندازی بخش‌های ایزوله، راه‌اندازی کمپ‌های واکسیناسیون و قرنطینه جزئی/کامل یک جغرافیای خاص است، اما محدود به آن نمی‌شود. برای‌مثال، در 24 مارس سال 2020، نخست وزیر هند برای کنترل بیماری، به‌مدت 21 روز قرنطینه سراسری اعلام کرد که تا 9 می سال 2020 نیز تمدید شد؛ ازاین‌رو، علاوه‌بر اقدامات کنترلی، حفظ امکانات بهداشتی کافی و قانون‌گذاری، هماهنگی نیز به‌دلیل تنوع در سلسله‌مراتب و مأموریت‌های ذی‌نفعان شامل تولیدکنندگان، پلیس، ادارات بهداشت، تصمیم‌گیران، شهرداری‌ها و غیره به همان اندازه کارآمد است. این موضوع به یک چالش بزرگ برای مسئولین تبدیل می‌شود.
بنابراین، برنادو و همکاران (2007) هماهنگی و همکاری در مدیریت بحران بسیار مهم است و عدم انجام این کار، ممکن است کل سیستم مدیریتی را از کار بیندازد و به بروز مخاطرات منجر شود.
خلأ پژوهشی
در این تحقیق، یک مرور ادبیات سیستماتیک برای جست‌وجو در تحقیق‌های قبلی و بررسی یکایک آن‌ها و انتخاب بخش مؤثر و کاربردی درخصوص حوزه لجستیک زنجیره تأمین و شناسایی عوامل مهم آن انجام شده است. بیش از تعداد 30 مقاله، مرتبط با اهداف تحقیق مورد بررسی و مطالعه قرار گرفتند که تحقیق‌های قبلی نشان داد مطالعات کمی در مورد بررسی عوامل تهدید و تابآوری حوزه لجستیک با استفاده از رویکردهای کیفی، کمی و روابط متقابل بین عوامل با رویکرد یکپارچه فازی انجام شده است. ازاین‌رو باتوجه‌به خلأ تحقیقاتی موجود، این تحقیق هدف بررسی عوامل مربوط به تابآوری حوزه لجستیک و بررسی روابط بین آن‌ها و کشف مدل راهبردی مناسب برای تصمیم‌گیری با استفاده از روش‌های، مدلسازی ساختاری تفسیری (TISM) و طبقه‌بندی (MICMAC) به‌صورت یکپارچه را دنبال می‌کند. در جدول شماره 1، به عوامل خطر بررسی‌شده از مرور تحقیق‌های قبلی در حوزه لجستیک زنجیره‌تأمین اشاره شده است.
روش
این تحقیق عوامل خطری را که ممکن است مانع تابآوری حوزه لجستیک از زنجیره تأمین شوند بررسی می‌کند، زیرا برخی تهدیدها ممکن است به‌شدت بحران ایجاد کنند و تأثیرات جبران‌ناپذیری بر امنیت غذایی بگذارند. ازاین‌رو این تحقیق بر شناسایی تهدیدات مربوطه و تجزیهوتحلیل بعدی متمرکز شده است؛ مراحل اصلی ساختار این تحقیق در تصویر شماره 1 نشان داده شده است.
جمع‌آوری داده‌ها
داده‌ها در سه مرحله به‌صورت اینترنتی و حضوری جمع‌آوری شدند.
-در مرحله اول، پرسش‌نامه‌ای برای اعتبارسنجی 16 عامل شناسایی‌شده اولیه از مرور تحقیق‌های قبلی در اختیار کارشناسان قرار گرفت تا تأیید کنند که آیا عوامل شناسایی‌شده مربوط به زمینه مورد بررسی است یا خیر (کانیره و همکاران، 2024). علاوه‌براین کارشناسان اختیار داشتند که هر عاملی را حذف و یا اضافه کنند. در این مرحله از 32 کارشناس دعوت شد که 25 نفر (نرخ پاسخگویی 78 درصد) پاسخ دادند. کارشناسان هیچ عاملی را خذف یا اضافه نکردند. بنابراین، درمجموع 16 عامل پس از مرور تحقیق‌های قبلی و اعتبارسنجی کارشناسان برای مراحل بعدی انتخاب شدند (جدول شماره 1).
-در مرحله دوم، یک پرسش‌نامه برای انجام رویکرد پارتو ایجاد شد و در اختیار کارشناسان برای کمک به تجزیهوتحلیل قرار گرفت تا تمرکز بر روی عوامل کلیدی و افزایش در اثربخشی تصمیم‌گیری باشد، زیرا این رویکرد به نتایج بهتر و دست‌یابی سریع‌تر به اهداف منجر می‌شود، تمام 25 کارشناسی که در مرحله اول شرکت کردند به مرحله دوم دعوت شدند که از میان آن‌ها 21 نفر (نرخ پاسخگویی، 84 درصد) پاسخ دادند؛ برای اولویت‌بندی عوامل، از آن‌ها خواسته شد تا نظرات خود را در یک مقیاس لیکرت (7) درجه‌ای بیان کنند که در آن 7 به معنای بالاترین اهمیت و (1) نشان‌دهنده کمترین اهمیت است (سک، 2017؛ عمار و همکاران، 2021).
-در مرحله سوم، نظرسنجی ماتریس خودتعاملی ساختاری در یک محیط فازی انجام شد. ماتریس خودتعاملی ساختاری ابزاری مؤثر برای تحلیل و درک ارتباطات و وابستگی‌ها بین عوامل مختلف در زنجیره تأمین است. این ماتریس به شناسایی و تجزیهوتحلیل تعاملات بین عناصر مختلف کمک می‌کند و می‌تواند نقش این عناصر در زنجیره تأمین را مشخص کند. با استفاده از ماتریس خودتعاملی، می‌توان تعیین کرد که کدام عوامل بر یکدیگر تأثیر مستقیم یا غیرمستقیم دارند. این امر می‌تواند به شناسایی نقاط ضعف موجود در زنجیره تأمین منجر شود. بدین ترتیب، هر کارشناس پس از استفاده از عبارات مفهومی (V ،A ،X ،O) برای ارزیابی رابطه بین دو عامل، ماتریس مستقل ایجاد کرد. تمام 21 کارشناس شرکت‌کننده در مرحله دوم به مرحله سوم دعوت شدند که از میان آن‌ها 18 نفر پاسخ دادند (نرخ پاسخگویی، 86 درصد) که باتوجه‌به محرمانه بودن، هویت آن‌ها در تحقیق آشکار نشده است. جدول شماره 2 خلاصه‌ای از مشخصات کارشناسان را ارائه می‌دهد. درنهایت یک ماتریس تعاملی فازی از جمع‌آوری نظرات کارشناسان ایجاد شد (کارماکر و همکاران، 2023).
نظریه مجموعه‌های فازی
نظریه مجموعه‌های فازی به‌طور گسترده‌ای در تصمیم‌گیری‌ها (بانی و همکاران، 2024)، هوش مصنوعی (آیسان و همکاران، 2024)، سیستم‌های اطلاعات مدیریت (نیو و همکاران، 2022)، نظریه بازی‌ها (لیو و همکاران، 2022) و غیره استفاده شده است که می‌تواند نتیجه‌گیری‌های کیفی انجام‌شده توسط افراد یا کارشناسان را ارزیابی کند. در این تحقیق نیز از اعداد فازی مثلثی (TFN) برای ارزیابی استفاده شده است (کیزیلویچ و دوبریاکوا، 2023). برای بهره‌مندی و قابل‌فهم بودن روش‌های مبتنی بر فازی، تبدیل اعداد فازی به اعداد قطعی (فازی‌زدایی) ضروری است. در تحقیق‌های قبلی از چندین روش، ازجمله CFCS (تبدیل اعداد فازی به اعداد قطعی)، استفاده شده است؛ ازاین‌رو روش CFCS به‌دلیل پُرکاربرد بودن و به‌عنوان یک روش مناسب فازی‌زدایی، در این تحقیق استفاده شده است؛ (فرمول‌های 1، 2، 3، 4، 5، 6، 7، 8، 9)، (ژانگ و همکاران، 2024).
تجزیهوتحلیل طبقه‌بندی (MICMAC)
تجزیهوتحلیل MICMAC یک روش ساختاریافته برای طبقه‌بندی عوامل به چندین قسمت براساس قدرت نفوذ و وابستگی آن‌ها است؛ طبقه‌بندی MICMAC غیرفازی، رابطه بین دو عامل را به‌صورت یک مقدار دودویی (0) یا (1) نشان می‌دهد که در آن (1) به این معنی است که دو عامل به هم مرتبط هستند و (0) به این معنی است که آن‌ها به هم مرتبط نیستند.باوجوداین، ارتباط بین هر یک از دو عامل ممکن است به‌صورت (0) و (1) نباشد و متغیر بین کم تا زیاد باشد. ازاین‌رو برای غلبه بر این محدودیت، طیف فازی با روش‌های متداول ازجمله طبقه‌بندی MICMAC برای نشان دادن میزان همبستگی بین اجزاء مورد استفاده قرار می‌گیرد (رات و همکاران، 2021؛ توشار و همکاران، 2023).
در این روش، عوامل به چهار دسته تقسیم می‌شوند:
1- عوامل خودمختار که دارای قدرت نفوذ و وابستگی ضعیف هستند، تغییر در این متغیرها باعث تغییر جدی در سیستم نمی‌شود.
2- عوامل وابسته که دارای قدرت نفوذ کم، ولی وابستگی شدید هستند، این متغیرها تأثیرپذیری بالا و تأثیرگذاری کمی بر روی سیستم دارند،
3- عوامل مستقل که دارای قدرت نفوذ بالا، ولی وابستگی ضعیف هستند، این متغیرها تأثیرپذیری کم و تأثیرگذاری بالا بر روی سیستم دارند،
4- عوامل پیوندی که دارای قدرت نفوذ بالا و وابستگی زیاد هستند، به‌عبارتی تأثیرپذیری و تأثیرگذاری بالایی دارند و هر تغییر کوچکی بر روی این متغیرها باعث تغییرات اساسی در سیستم می‌شود (علم و همکاران، 2023).
مدلسازی ساختاری تفسیری کل (TISM)
مدلسازی ساختاری تفسیری (ISM) به شکل دادن ارتباطات پیچیده بین چندین عامل در سیستم‌های پیچیده کمک می‌کند و به‌صورت بصری مفهوم موردبررسی را با استفاده از نظریه گراف و جبر ماتریس نشان می‌دهد که چگونه پیوندها ایجاد می‌شوند. باوجوداین، ISM نمی‌تواند رابطه بین عوامل را توضیح دهد و TISM به این مسئله پاسخ داده و عدم‌قطعیت را برطرف می‌کند. این مدل توسعه‌یافته به کارشناسان اجازه می‌دهد تا با استفاده از اعداد فازی به‌جای اعداد باینری (0,1) بازخورد خود در مورد اهمیت‌‌نسبی یک عامل به دیگری را با دقت بیشتری بیان کنند (سروشیان و همکاران، 2023؛ علوامله و همکاران، 2023).
یافته‌ها
شناسایی مهم‌ترین عوامل با تحلیل پارتو
در این تحقیق از رویکرد پارتو استفاده شد تا بتوانیم عوامل مهم را از عوامل کم‌اهمیت جدا کنیم و بر مهم‌ترین‌ها تمرکز کنیم. طبق قانون 80 بر 20، می‌دانیم که حدود 80 درصد از نتایج به 20 درصد از عوامل بستگی دارد (ویبو و همکاران، 2022). به همین دلیل، 80 درصد از عوامل باقیمانده معمولاً تأثیر چندانی بر عملکرد ندارند. پس، با بررسی و ارزیابی 16 عامل که از تحقیقات قبلی و نظرات کارشناسان به‌دست آمده بودند (تصویر شماره 3)، تصمیم به انتخاب 12 عامل کلیدی برای تحلیل بیشتر گرفته شد و 4 عامل که اهمیت کمتری داشتند، حذف شدند. این عوامل کم‌اهمیت شامل تابآوری به نوسان‌های تقاضا (R5)، ایمنی در عملیات و جابه‌جایی کالا (R7)، عملکرد و اعتبار گذشته (R6)، و خرابی زیرساخت (R16) بودند. هدف این تحلیل این است که تمرکز و منابع را بر روی عوامل حیاتی بگذاریم تا به نتایج بهتری دست یابیم.
توسعه مدل
در این تحقیق، برای ساخت مدل ساختاری تفسیری، بازخوردهای 18 کارشناس جمع‌آوری شد. این کارشناسان با استفاده از کلمات و نمادهای خاص، (جدول شماره 3)، ارتباطات بین عوامل مختلف را مشخص کردند. در اینجا، هر نماد معانی خاصی دارد:
V به ما می‌گوید که عامل i چطور بر عامل j تأثیر می‌گذارد،
A نشان‌دهنده تأثیر عامل j بر i است،
X به معنای تأثیر متقابل بین دو عامل است،
O به این معناست که هیچ ارتباطی بین دو عامل وجود ندارد (جدول شماره 4)، (کیم و همکاران، 2023).
پس از این مرحله، تحلیل‌های بیشتری درمورد روابط و تأثیرات بین این عوامل انجام خواهد شد. به‌ویژه با استفاده از روش‌های ماتریس ضربات ضربه متقاطع اعمال‌شده در یک طبقه‌بندی(MICMAC) و مدلسازی ساختاری تفسیری (TISM) فازی. این روش‌ها به ما کمک می‌کنند تا بفهمیم میان این عوامل چه ارتباط‌هایی وجود دارد و چطور می‌توانیم آن‌ها را در یک مدل ساختاری قرار دهیم. در این بخش، به‌طور خاص به تجزیهوتحلیل ماتریس دسترسی‌پذیری نهایی خواهیم پرداخت تا نقاط قوت و ضعف هر عامل مشخص شود و زمینه‌ای فراهم گردد که تصمیم‌گیری بهتری برای مدیریت زنجیره تأمین انجام شود. این روش نه‌تنها دید بهتری از تعاملات بین عوامل به ما می‌دهد، بلکه به شناسایی اولویت‌ها و ابعاد کلیدی کمک می‌کند که درنهایت می‌تواند به بهبود کارایی و پاسخگویی بهتر به چالش‌های موجود در زنجیره تأمین منجر شود.
تجزیهوتحلیل MICMAC فازی
پس از جمع‌آوری نظرات کارشناسان، ماتریس SSIM فازی و ماتریس دسترسی‌پذیری نهایی ایجاد شد. این فرایند شامل تبدیل عبارات کلامی به اعداد فازی بود که به ما کمک کرد قدرت تأثیر و وابستگی هر عامل را مشخص کنیم (کارماکر و همکاران، 2021). نتایج نشان می‌دهد برخی عوامل مانند ثبات هزینه (R3)، آموزش صحیح پرسنل (R2) و اثر همه‌گیری ویروسی (R8) در دسته عوامل خودمختار قرار دارند. این یعنی تغییر در این عوامل تأثیر زیادی بر کل سیستم نخواهد داشت. درمقابل، عواملی مثل سوء مدیریت در انتخاب تأمین‌کننده (R12) و بلایای طبیعی (R9) در دسته عوامل وابسته قرار داده شده‌اند. این عوامل وابستگی بالایی دارند و به‌راحتی تحت تأثیر قرار می‌گیرند، اما تأثیرگذاری کمی بر سیستم دارند. همچنین، عواملی مانند اعتصاب حملونقل (R15) و کمبود کارکنان ماهر (R14)، در دسته مستقل‌ها قرار می‌گیرند. این عوامل تأثیرگذار هستند و می‌توانند تغییرات معنی‌داری در سیستم به وجود آورند، اما به‌خودی‌خود تحت تأثیر عوامل دیگر قرار نمی‌گیرند. نکته جالب این است که هیچ عاملی در دسته متغیرهای پیوندی شناسایی نشد که نشان‌دهنده عدم وجود عوامل با تأثیر متقابل بالا است. بنابراین، باتوجه‌به این نتایج، می‌توانیم تمرکز خود را بر عوامل مستقل بگذاریم تا تأثیر مثبت بیشتری بر عملکرد سیستم داشته باشیم. ازسوی‌دیگر، لازم است به مدیریت متغیرهای وابسته توجه بیشتری کنیم تا اثرات منفی آن‌ها را کاهش دهیم. این تحلیل به ما کمک می‌کند تا تصمیمات استراتژیک بهتری برای بهینه‌سازی زنجیره تأمین و مقابله با چالش‌های مختلف اتخاذ کنیم (تصویر شماره 4).
تجزیهوتحلیل MICMAC غیرفازی
برای بهبود عملکرد سیستم و مدیریت چالش‌ها، ضروری است که تمرکز خود را بر روی عوامل کلیدی با تأثیرگذاری و تأثیرپذیری بالا قرار دهیم (پانیگراهی و همکاران، 2024). به‌ویژه، باید برنامه‌های جامع آموزشی برای پرسنل ایجاد کنیم تا مهارت‌های لازم را در برابر بحران‌ها فراهم کنیم و از کمبود کارکنان ماهر جلوگیری کنیم. همچنین، بهبود مدیریت تأمین‌کنندگان و برنامه‌ریزی مؤثر برای حملونقل و موجودی، می‌تواند در کاهش مخاطرات ناشی از اعتصابات و بلایای طبیعی مؤثر باشد. همین‌طور، با استفاده از فناوری‌های دیجیتال و ایجاد پروتکل‌های امنیت سایبری قوی، می‌توان به کاهش ریسک حملات سایبری و تحریف اطلاعات کمک کرد. به‌علاوه، نظارت مستمر بر این عوامل و ایجاد برنامه‌های مدیریت بحران می‌تواند به شناسایی زودهنگام مشکلات و اجرای راهکارهای سریع برای مقابله با آن‌ها منجر شود که این به‌نوبه‌خود پایداری و کارای سیستم را افزایش خواهد داد (تصویر شماره 5).
ساخت مدل ساختاری تفسیری کل
برای بهینه‌سازی عملکرد سیستم، لازم است از نتایج مدل ساختاری تفسیری استفاده کنیم و اولویت‌بندی عوامل را مد نظر قرار دهیم.
-باتوجه‌به اینکه عوامل ذخیره‌سازی پایدار، حملات سایبری و تحریف اطلاعات در سطح اول قرار دارند، باید توجه ویژه‌ای به بهبود زیرساخت‌ها و امنیت اطلاعات و نگهداری موجودی‌ها داشته باشیم.
-در سطح دوم، بر روی آموزش صحیح پرسنل و بهینه‌سازی مصرف سوخت باید تمرکز کنیم تا بتوانیم به بهره‌وری بیشتری دست یابیم و از برنامه‌ریزی ضعیف و نوسانات هزینه جلوگیری کنیم.
- در سطح سوم، ضروری است راهکارهایی برای مدیریت کمبود کارکنان و کاهش تأثیر اعتصابات و بحران‌های بهداشتی تدوین کنیم تا از ناپایداری جلوگیری کنیم. درنهایت، سطوح پایین‌تر همچون سوء مدیریت تأمین‌کنندگان و بلایای طبیعی، به نظارت و برنامه‌ریزی مستمر نیاز دارند تا تأثیرات آن‌ها به حداقل برسد. این رویکرد جامع کمک می‌کند تا با بهبود نقاط کلیدی، کلیت سیستم توانمندتر و پایدارتر شود (تصویر شماره 6).
اعتبارسنجی
برای تقویت اعتبار مدل ساختاری تفسیری به‌دست‌آمده (راجش، 2017)، استفاده از نظرات 14 کارشناس باتجربه در حوزه لجستیک یک رویکرد مؤثر بود. از طریق ارزیابی ارتباط بین عوامل با استفاده از مقیاس لیکرت 5 درجه‌ای، امکان دریافت بازخوردهای دقیق و مبتنی بر تجربیات واقعی فراهم شد. با محاسبه میانگین نمرات و انتخاب عواملی که نمرات بالاتر از 60 درصد را کسب کردند (نصیر و همکاران، 2022)، اطمینان حاصل شد که مدل نمایانگر واقعیت‌های موجود است. این روند، نه‌تنها اعتبار مدل را تأیید کرد، بلکه همچنین امکان شناسایی نقاط قوت و ضعف در سیستم را فراهم کرد که می‌تواند به شکل‌گیری استراتژی‌های مؤثرتر و تصمیم‌گیری‌های بهینه کمک کند. به این ترتیب، مشارکت واقعی و آگاهانه متخصصان نه‌تنها به تأیید علمی مدل کمک کرد، بلکه یک ابزار کارآمد برای بهبود فرآیندهای لجستیک نیز ایجاد کرد.
بحث
این تحقیق به بررسی عوامل کلیدی تأثیرگذار بر تابآوری حوزه لجستیک و به شناسایی چالش‌ها و نقاط ضعف موجود در زنجیره تأمین پرداخته است. نتایج به‌دست‌آمده نشان می‌دهد که بلایای طبیعی، سوء مدیریت در انتخاب تأمین‌کننده، اعتصاب‌های حملونقل، کمبود کارکنان ماهر و حداقل مصرف سوخت، ازجمله عوامل اصلی و بحرانی هستند که می‌توانند به‌شدت بر عملکرد لجستیک تأثیر بگذارند؛ به‌ویژه، بلایای طبیعی و بحران‌های ناشی از آن، نشان‌دهنده نیاز به پیش‌بینی و آمادگی مناسب در برابر رویدادهای اضطراری هستند.
یکی از مهم‌ترین یافته‌های این تحقیق، ضرورت ارتقاء روش‌های انتخاب تأمین‌کنندگان و ایجاد پروتکل‌ها در این زمینه است، سوء مدیریت در این حوزه می‌تواند به مشکلات جدی در تأمین کالا و خدمات منجر شود، به‌ویژه در زمان بحران. به همین دلیل، سازمان‌ها باید معیارهای دقیقی برای ارزیابی و انتخاب تأمین‌کنندگان ایجاد کنند تا اطمینان حاصل شود که آن‌ها قادر به مدیریت وضعیت‌های بحرانی هستند. در این راستا، ایجاد و نگهداری روابط مستحکم با تأمین‌کنندگان نیز بسیار حائز اهمیت است، زیرا این روابط می‌توانند در زمان اضطراری روند تأمین را تسهیل کنند. علاوه‌براین، تحقیق بر اهمیت تنوع در روش‌های حملونقل تأکید دارد.
اعتصاب‌های حملونقل می‌توانند به سرعت تأمین کالاها را مختل کنند و بنابراین، سازمان‌ها باید به ایجاد گزینه‌های حملونقل متعدد و انعطاف‌پذیر فکر کنند. به‌کارگیری مطالعات موردی و شبیه‌سازی‌های مختلف می‌تواند به سازمان‌ها کمک کند تا توانایی خود را برای پاسخگویی به تغییرات ناگهانی بهبود دهند. در نتیجه، تدوین استراتژی‌های متنوع حملونقل به‌عنوان یک عنصر کلیدی در افزایش تابآوری زنجیره تأمین به شمار می‌آید. درنهایت، یک راهبرد جامع برای بهبود تابآوری در حوزه لجستیک، بهبود مستمر مهارت‌های کارکنان و به‌کارگیری فناوری‌های نوین است. ارتقای مهارت‌ها به کارکنان این امکان را می‌دهد که در شرایط بحرانی بهتر و سریع‌تر واکنش نشان دهند. همچنین، استفاده از فناوری‌هایی مانند اینترنت اشیاء (IoT) و سیستم‌های اطلاعات مدیریت زنجیره تأمین می‌تواند به نظارت بهتر و پیش‌بینی دقیق‌تر نیازها کمک کند.
به‌طورکلی، این تحقیق می‌تواند مبنای مناسبی برای پژوهش‌های آینده در حوزه لجستیک و مدیریت زنجیره تأمین باشد و راهکارهایی برای شناسایی بهتر خطرات و ارتقای تابآوری در این زمینه فراهم کند.
نتیجه‌گیری
باتوجه‌به یافته‌های این تحقیق، می‌توان نتیجه‌گیری کرد که تابآوری در حوزه لجستیک تنها به معنی پاسخگویی به بحران‌ها نیست، بلکه شامل پیش‌بینی و آماده‌سازی برای شرایط غیرمنتظره نیز می‌شود. برای این منظور، سازمان‌ها باید به تحلیل و شناسایی ریسک‌های موجود به‌صورت منظم بپردازند و برنامه‌های مدیریت ریسک را به‌روزرسانی کنند. همچنین، استفاده از فناوری‌های پیشرفته، مانند تجزیهوتحلیل داده‌های بزرگ و هوش مصنوعی، می‌تواند به شناسایی الگوها و پیش‌بینی بحران‌ها کمک کند و به سازمان‌ها اجازه دهد تا به‌صورت پیشگیرانه عمل کنند.
علاوه‌براین، همکاری میان بخش‌های مختلف زنجیره تأمین، از تأمین‌کنندگان گرفته تا توزیع‌کنندگان و خرده‌فروشان، ضروری است. ایجاد تیم‌های چندوظیفه‌ای که قادر به بهبود ارتباطات و هم‌افزایی باشند، می‌تواند به پاسخگویی سریع‌تر و مؤثرتر در هنگام بروز بحران‌ها منجر شود. درواقع، این همکاری نه‌تنها به بهبود تابآوری کمک می‌کند، بلکه به افزایش کارایی و کاهش هزینه‌ها نیز منجر می‌شود. ازسوی‌دیگر، باید توجه ویژه‌ای به ارزیابی تأثیرات اجتماعی و اقتصادی بحران‌ها بر عملیات لجستیک داشت. در کنار تأثیرات مالی، تأثیر بر کارکنان و جوامع محلی نیز باید مورد توجه قرار گیرد. سازمان‌ها با اتخاذ رویکردهای مسئولیت اجتماعی و اخلاقی می‌توانند با ذی‌نفعان خود ارتباط بهتری برقرار کرده و درنتیجه، در زمان بحران‌ها حمایت بیشتری از اجتماع محلی داشته باشند.
درنهایت، موفقیت در ایجاد تابآوری در لجستیک نیازمند یک رویکرد جامع و یکپارچه از سوی مدیریت است. این رویکرد شامل آموزش و توسعه مهارت‌های کارکنان، مدیریت ریسک مؤثر، همکاری در زنجیره تأمین و استفاده از فناوری‌های نوین است. سازمان‌ها با پذیرش این استراتژی‌ها می‌توانند نه‌تنها در برابر بحران‌ها مقاوم‌تر شوند، بلکه قادر خواهند بود به‌طور مداوم بهبود یافته و به تحولات بازار و نیازهای مشتریان پاسخ دهند. این تحقیق می‌تواند به‌عنوان یک الگو برای سایر تحقیقات در این حوزه و همچنین مبنای توسعه برنامه‌های کاربردی در عمل استفاده شود.
ملاحظات اخلاقی
پیروی از اصول اخلاق پژوهش
همه اصول اخلاقی در این مقاله رعایت شده است. رضایت آگاهانه از تمام شرکت‌کنددگان اخذ شده است.
حامی مالی
این مقاله برگرفته از پایان‌نامه کارشناسی ارشد حامد اصغری گروه مهندسی عمران و مدیریت بحران مجتمع دانشگاهی مهندسی و پدافند غیرعامل دانشگاه صنعتی مالک اشتر می‌باشدو هیچ‌گونه کمک مالیی از سازمانی‌های دولتی، خصوصی و غیرانتفاعی دریافت نکرده است.
مشارکت نویسندگان
اعتبارسنجی و نظارت و مدیریت پروژه: محمد اسکندری و مهدی مدیری؛ تحلیل، تحقیق، بررسی، منابع، نگارش پیش‌نویس، ویراستاری و نهایی‌سازی نوشته و بصری‌سازی: محمد اسکندری و حامد اصغری؛ مفهوم‌سازی و روش‌شناسی: همه نویسندگان.
تعارض منافع
بنابر اظهار نویسندگان، این مقاله تعارض منافع ندارد.
تشکر و قدردانی
محققان از کلیه افرادی که در انجام پژوهش محققان را یاری کرده‌اند قدردانی و تشکر می‌کنند.
بررسی اتفاقات و رخ‌داد‌های مخرب گذشته در جهان، مانند بیماری همه‌گیری (گابوتی و همکاران، 2020)، جنگ روسیه و اوکراین (گیسلر و همکاران، 2023)، راهبردها و سیاست‌های قانونی (زی و همکاران، 2020)، اقدامات کنترلی رادیکالی شبیه بسته شدن مرزها (شریفی و خاوریان، 2020) و غیره، فعالان شبکه زنجیره تأمین مخصوصاً حوزه لجستیک را دچار بحران کرده است که لازم است برنامه‌ریزی‌های مدقنی برای پیشگیری از بروز اختلالات در زنجیره تأمین، انجام شود (کومار و همکاران، 2021)، تا از این طریق میزان آسیب‌پذیری به زنجیره تأمین با اتخاذ استراتژی‌های مناسب کاهش یابد (کاروالیو و همکاران، 2021).
برای‌نمونه، با شیوع بیماری همه‌گیری ویروس کرونا در سال‌های قبل، بسیاری از کشورها به‌دلیل ترس از انتقال ویروس از طریق غذا، مرزهای جغرافیایی خود را بستند که این مسئله به اختلالات قابل‌توجهی در زنجیره‌های تأمین (SC) و کمبود شدید مواد غذایی به‌خصوص در کشورهای نیازمند و تأمین‌کننده منجر شده است (شریفی و خاوریان، 2020). در بخش دیگر و در همان برهه زمانی، تقاضا برای خودرو کاهش یافت و کشورهای مختلف ازجمله کشور چین باتوجه‌به دارا بودن زیرساخت‌های متعدد قبیل صنایع قطعه‌سازی و خودرو‌سازی، با کاهش 80 درصدی در صادرات مواجه شدند و بخشی از درآمد خود را از دست دادند و دچار بحران شدند (چادوری و همکاران، 2021).
ازاین‌رو، مخاطرات لجستیک زنجیره تأمین، توجه بسیاری از محققان و سیاست‌گذاران در جهان را به خود جلب کرده است و به ایجاد نگرش ارزیابی ظرفیت‌ها، تهدیدها و پیامدها و چگونگی مقابله با آن برای افزایش تابآوری منجر شده است. همچنین محققان بیش از هر زمان دیگری بر جنبه‌های مختلف تابآوری لجستیک (به‌ویژه حملونقل) متمرکز شده‌اند، زیرا به‌عنوان یک ویژگی اصلی حوزه لجستیک در نظر گرفته می‌شود (آیدین و همکاران، 2018؛ بالاکریشنان و همکاران، 2020). برای‌نمونه، ایوانف (2020) تأثیر شیوع بیماری همه‌گیر بر عملکرد حوزه لجستیک زنجیره تأمین را بررسی کرد و مشخص شد که برخی از عوامل مهم عبارت‌اند از: زمان ایجاد بحران، مدت‌زمانی که یک بحران یا اختلال ادامه داشته باشد و زمان لازم برای برگشت‌پذیری.
بنابراین، بسیاری از تحقیق‌های سال‌های اخیر بر تجزیهوتحلیل رویدادهای گذشته و شناسایی و ارزیابی عوامل خطر به‌طور خاص در حوادث و غیره بوده است و تحقیق‌های کمی به شناسایی عوامل خطر حیاتی و تابآوری حوزه لجستیک زنجیره تأمین ازمنظر کمی‌سازی، اولویت‌بندی، رتبه‌بندی و ارائه الگوی راهبردی یکپارچه با رویکرد فازی برای پیشگیری و کاهش اثرات آن پرداخته‌اند. ازاین‌رو در این تحقیق سعی شده است در حوزه لجستیک زنجیره تأمین، با تشکیل کارگروه‌های تخصصی و ایجاد هم‌فکری و هم‌افزایی، خلأ‌های موجود کشف و با استفاده از روش‌های علمی، به این سؤالات پاسخ داده شود:
- انواع و دسته‌بندی تهدیدها در حوزه لجستیک زنجیره تأمین چگونه است؟
- عوامل حیاتی در لجستیک زنجیره تأمین چیست؟
-با چه روشی می‌توان عوامل تهدید شناسایی‌شده را ارزیابی کرد؟
-ارزیابی عوامل خطر چگونه به سیاست‌گذاران برای تدوین استراتژی مطلوب و کاهش ریسک در آتی کمک می‌کند؟
ساختار تحقیق
این تحقیق یک ساختار سیستماتیک برای شناسایی، ارزیابی و اولویت‌بندی عوامل مؤثری که بر پایداری حوزه لجستیک از زنجیره تأمین نقش دارند ارائه می‌کند. عوامل خطر از تحقیقات قبلی مرتبط، شناسایی و با نظرات کارشناسان اعتبارسنجی شد و با استفاده از تجزیهوتحلیل پارتو، عوامل مهم انتخاب شدند. سپس برای طبقه‌بندی عوامل تعیین‌شده براساس قدرت نفوذ و وابستگی آن‌ها اقدام شد تا عواملی که بیشترین تأثیرگذاری و تأثیرپذیری را دارند شناسایی شوند. در ادامه، با توسعه مدل و ایجاد الگوی سلسله مراتبی با استفاده از نظریه گراف و جبر ماتریس، عوامل سطح‌بندی و ارتباط بین عوامل مشخص شد. درنهایت اعتبارسنجی مدل ساختاری تفسیری برای تأیید اینکه مدل به‌دست آمده معتبر است یا خیر، انجام شده است (تصویر شماره 1).
مرور ادبیات تحقیق
این بخش مبتنی بر تحقیق‌های قبلی است که در این زمینه مورد بررسی قرار گرفته‌اند و به شناسایی عوامل خطر، ارزیابی و بحران‌ها در حوزه لجستیک می‌پردازند. درنهایت خلأ پژوهشی موجود مورد بررسی قرار گرفته و ضمن ارائه عوامل مهم و مؤثر بر تابآوری حوزه لجستیک (به‌ویژه حملونقل)، راهبرد مطلوب برای پیشگیری از بحران‌های آتی و بهبود مستمر در این زمینه نیز پیشنهاد می‌شود.
لجستیک زنجیره تأمین
لجستیک زنجیره تأمین یک سیستم شبکه‌ای است که جریان کالاها را مدیریت می‌کند و تمام منابع را از مرحله تأمین و تولید تا ذخیره‌سازی و توزیع دربر می‌گیرد (لوزانو و همکاران، 2020). به‌منظور درک بهتر این مفهوم، (تصویر شماره 2) روند حرکت کالاها را از تأمین‌کنندگان آغاز و تا نقاط توزیع نهایی نشان می‌دهد. در سال‌های اخیر، مطالعات مختلف به تجزیهوتحلیل و مدلسازی اشکال متنوعی از لجستیک زنجیره تأمین پرداخته‌اند. به‌عنوان‌مثال، زرنگ و همکاران (2018) یک زنجیره تأمین سه سطحی را معرفی کردند که شامل مراحل تولید، خرده‌فروشی و مصرف می‌شود. این مدلسازی به درک بهتر ارتباطات و تعاملات بین این سطوح کمک کرده و راهکارهای بهبود کارایی و اثربخشی زنجیره تأمین را مشخص می‌کند. این رویکردهای نوین به مدیران این امکان را می‌دهند که به‌طور دقیق‌تری نیازهای بازار را شناسایی کنند و در پاسخ به تغییرات تقاضا و تأمین، برنامه‌ریزی‌های مؤثرتری انجام دهند (نیاز و نواگو، 2023).
به‌علاوه، باتوجه‌به پیچیدگی‌های موجود در زنجیره‌های تأمین مدرن، آشنایی با مدل‌های مختلف لجستیک و درک نحوه تعامل آن‌ها می‌تواند به بهینه‌سازی فرآیندها و کاهش هزینه‌ها کمک شایانی کند (ورما و همکاران، 2024).
ارائه‌دهندگان خدمات لجستیک
(هرولد و همکاران، 2021) در تحقیق خود بیان کردند که ارائه‌دهندگان خدمات لجستیک (LSP) در طول زنجیره‌های تأمین جهانی، نقش مهمی در تابآوری زنجیره‌های تأمین دارند و شرکت‌ها به‌دلیل تمرکز بیشتر بر فرآیند اصلی تولید، معمولاً عملیات لجستیک (به‌ویژه حملونقل) خود را برون‌سپاری می‌کنند (وانگ و همکاران، 2021) و به این طریق، اندازه تولید مبتنی بر میزان تقاضا، تابآوری، نوآوری و برنامه‌ریزی استراتژیک در این حوزه را واگذار می‌کنند تا اثرات منفی ناشی از یک وضعیت اضطراری مانند اختلال در زنجیره تأمین را کاهش دهند (لام و دای، 2015؛ لیو و لی، 2018). برای‌مثال، در بحران‌های قبلی مانند فوران آتشفشان ایسلندی،LSP توانست مسیر پروازها را به سمت جنوب اروپا تغییر دهد و بلافاصله محموله‌ها را به کامیون‌ها و قطارها منتقل کند تا تلفات را به حداقل برساند (ریبرو و باربوسا، 2018)؛ به این ترتیب، LSP یک مزیت استراتژیک بالقوه ازلحاظ تابآوری ارائه می‌دهد (اوده و همکاران، 2024). باوجوداین، رویداد بی‌سابقه و منحصربه‌فرد همه‌گیری کووید-19 و اختلال در زنجیره‌های تأمین جهانی به‌وضوح نشان داد که LSPها تحت فشار قرار گرفته‌اند: LSPها با تکیه بر جریان‌های جهانی مواد، ناگهان با کمبود و تأخیر اقلام حیاتی مواجه شدند که باعث ایجاد یک اثر موجی شد و به کاهش بهره‌وری، درآمد و سود منجر شده است (چوی، 2020؛ دوتا و همکاران، 2020).
مسائل تصمیم‌گیری مربوط به مدیریت لجستیک
بسیاری از مسائل تصمیم‌گیری مربوط به مدیریت لجستیک زنجیره تأمین (LSCM) در طول دوره مهار یک همه‌گیری بروز می‌کند. این مسائل در درجه اول به امکانات، موقعیت و ظرفیت آن‌ها، انتخاب و استقرار حملونقل و همچنین شیوه‌های توزیع و پر کردن ظرفیت‌های موجود در کل زنجیره تأمین مربوط می‌شود.
چندین کار تحقیقاتی به این مسائل پرداخته‌اند؛ سیروواتکا و همکاران (2021) یک مدل هوش مصنوعی که می‌تواند به‌طور گسترده برای اطلاع‌رسانی تصمیم‌گیری بالینی و سلامت عمومی برای مدیریت مؤثر تأثیرات یک بیماری همه‌گیر استفاده شود را توسعه دادند. یین و بیو‌کتاه‌تاکین (2021) مدل‌های تقسیمی موجود و محدودیت‌ها در اپیدمیولوژی ازنظر بهینه‌سازی تخصیص منابع برای کنترل شیوع همه‌گیری تحت عدم‌قطعیت رشد بیماری و محدودیت اصلی را با کمک یک مدل برنامه‌ریزی تصادفی چندمرحله‌ای و با سناریوهای مختلف رشد بیماری، توزیع مراکز درمانی و منابع بهینه، بررسی کردند.
مورالی و همکاران (2012) با در نظر گرفتن تقاضا و عدم قطعیت در تقاضا، این مشکل را براساس مکان پوشش حداکثر با استفاده از تابع ضرر و اکتشاف مکان-تخصیص حل کردند. به همین ترتیب، برخی از محققان برای حل مشکلات مسیریابی خودرو که در مواقع اضطراری به وجود می‌آیند، کار کرده‌اند؛ برای‌نمونه، شن و همکاران (2009) مسائل مسیریابی خودرو را به 2 مرحله - مرحله برنامه‌ریزی و مرحله عملیاتی- تقسیم کردند که کاهش شعاع واکنش اضطراری و در نظر گرفتن سیاست‌های بازگشت‌پذیری در طول زنجیره را مهم دانستند (ژائو و سان 2008).
در این راستا، مدیریت لجستیک رکن حیاتی موفقیت کسب‌وکارهاست و با چالش‌هایی مانند عدم قطعیت بازار، نیاز به مدیریت اطلاعات، بهینه‌سازی هزینه‌ها، توجه به پایداری محیط زیست و پذیرش فناوری‌های نوین روبه‌روست. این چالش‌ها نیازمند تصمیم‌گیری‌های هوشمند و استراتژیک برای حفظ رقابت در بازار هستند (گارسیا و همکاران، 2023؛ بیسواس، 2024).
کنترل و اهمیت هماهنگی
برای‌نمونه، به گفته اللهی و میر (2021)، کنترل بیماری همه‌گیر مانند کووید-19 عمدتاً سه هدف اصلی را دربر می‌گیرد؛ آن‌ها عبارت‌اند از:
1. کاهش میزان ابتلای جمعیت آسیب‌پذیر،
2. به حداقل رساندن میزان مرگ‌و‌میر جمعیت آلوده،
3. افزایش ایمن‌سازی جمعیت.
برای دست‌یابی به این اهداف، تصمیم‌گیرندگان و سیاست‌گذاران سلامت باید تصمیمات بزرگی اتخاذ کنند که شامل سازماندهی برنامه‌های قرنطینه، راه‌اندازی بخش‌های ایزوله، راه‌اندازی کمپ‌های واکسیناسیون و قرنطینه جزئی/کامل یک جغرافیای خاص است، اما محدود به آن نمی‌شود. برای‌مثال، در 24 مارس سال 2020، نخست وزیر هند برای کنترل بیماری، به‌مدت 21 روز قرنطینه سراسری اعلام کرد که تا 9 می سال 2020 نیز تمدید شد؛ ازاین‌رو، علاوه‌بر اقدامات کنترلی، حفظ امکانات بهداشتی کافی و قانون‌گذاری، هماهنگی نیز به‌دلیل تنوع در سلسله‌مراتب و مأموریت‌های ذی‌نفعان شامل تولیدکنندگان، پلیس، ادارات بهداشت، تصمیم‌گیران، شهرداری‌ها و غیره به همان اندازه کارآمد است. این موضوع به یک چالش بزرگ برای مسئولین تبدیل می‌شود.
بنابراین، برنادو و همکاران (2007) هماهنگی و همکاری در مدیریت بحران بسیار مهم است و عدم انجام این کار، ممکن است کل سیستم مدیریتی را از کار بیندازد و به بروز مخاطرات منجر شود.
خلأ پژوهشی
در این تحقیق، یک مرور ادبیات سیستماتیک برای جست‌وجو در تحقیق‌های قبلی و بررسی یکایک آن‌ها و انتخاب بخش مؤثر و کاربردی درخصوص حوزه لجستیک زنجیره تأمین و شناسایی عوامل مهم آن انجام شده است. بیش از تعداد 30 مقاله، مرتبط با اهداف تحقیق مورد بررسی و مطالعه قرار گرفتند که تحقیق‌های قبلی نشان داد مطالعات کمی در مورد بررسی عوامل تهدید و تابآوری حوزه لجستیک با استفاده از رویکردهای کیفی، کمی و روابط متقابل بین عوامل با رویکرد یکپارچه فازی انجام شده است. ازاین‌رو باتوجه‌به خلأ تحقیقاتی موجود، این تحقیق هدف بررسی عوامل مربوط به تابآوری حوزه لجستیک و بررسی روابط بین آن‌ها و کشف مدل راهبردی مناسب برای تصمیم‌گیری با استفاده از روش‌های، مدلسازی ساختاری تفسیری (TISM) و طبقه‌بندی (MICMAC) به‌صورت یکپارچه را دنبال می‌کند. در جدول شماره 1، به عوامل خطر بررسی‌شده از مرور تحقیق‌های قبلی در حوزه لجستیک زنجیره‌تأمین اشاره شده است.
روش
این تحقیق عوامل خطری را که ممکن است مانع تابآوری حوزه لجستیک از زنجیره تأمین شوند بررسی می‌کند، زیرا برخی تهدیدها ممکن است به‌شدت بحران ایجاد کنند و تأثیرات جبران‌ناپذیری بر امنیت غذایی بگذارند. ازاین‌رو این تحقیق بر شناسایی تهدیدات مربوطه و تجزیهوتحلیل بعدی متمرکز شده است؛ مراحل اصلی ساختار این تحقیق در تصویر شماره 1 نشان داده شده است.
جمع‌آوری داده‌ها
داده‌ها در سه مرحله به‌صورت اینترنتی و حضوری جمع‌آوری شدند.
-در مرحله اول، پرسش‌نامه‌ای برای اعتبارسنجی 16 عامل شناسایی‌شده اولیه از مرور تحقیق‌های قبلی در اختیار کارشناسان قرار گرفت تا تأیید کنند که آیا عوامل شناسایی‌شده مربوط به زمینه مورد بررسی است یا خیر (کانیره و همکاران، 2024). علاوه‌براین کارشناسان اختیار داشتند که هر عاملی را حذف و یا اضافه کنند. در این مرحله از 32 کارشناس دعوت شد که 25 نفر (نرخ پاسخگویی 78 درصد) پاسخ دادند. کارشناسان هیچ عاملی را خذف یا اضافه نکردند. بنابراین، درمجموع 16 عامل پس از مرور تحقیق‌های قبلی و اعتبارسنجی کارشناسان برای مراحل بعدی انتخاب شدند (جدول شماره 1).
-در مرحله دوم، یک پرسش‌نامه برای انجام رویکرد پارتو ایجاد شد و در اختیار کارشناسان برای کمک به تجزیهوتحلیل قرار گرفت تا تمرکز بر روی عوامل کلیدی و افزایش در اثربخشی تصمیم‌گیری باشد، زیرا این رویکرد به نتایج بهتر و دست‌یابی سریع‌تر به اهداف منجر می‌شود، تمام 25 کارشناسی که در مرحله اول شرکت کردند به مرحله دوم دعوت شدند که از میان آن‌ها 21 نفر (نرخ پاسخگویی، 84 درصد) پاسخ دادند؛ برای اولویت‌بندی عوامل، از آن‌ها خواسته شد تا نظرات خود را در یک مقیاس لیکرت (7) درجه‌ای بیان کنند که در آن 7 به معنای بالاترین اهمیت و (1) نشان‌دهنده کمترین اهمیت است (سک، 2017؛ عمار و همکاران، 2021).
-در مرحله سوم، نظرسنجی ماتریس خودتعاملی ساختاری در یک محیط فازی انجام شد. ماتریس خودتعاملی ساختاری ابزاری مؤثر برای تحلیل و درک ارتباطات و وابستگی‌ها بین عوامل مختلف در زنجیره تأمین است. این ماتریس به شناسایی و تجزیهوتحلیل تعاملات بین عناصر مختلف کمک می‌کند و می‌تواند نقش این عناصر در زنجیره تأمین را مشخص کند. با استفاده از ماتریس خودتعاملی، می‌توان تعیین کرد که کدام عوامل بر یکدیگر تأثیر مستقیم یا غیرمستقیم دارند. این امر می‌تواند به شناسایی نقاط ضعف موجود در زنجیره تأمین منجر شود. بدین ترتیب، هر کارشناس پس از استفاده از عبارات مفهومی (V ،A ،X ،O) برای ارزیابی رابطه بین دو عامل، ماتریس مستقل ایجاد کرد. تمام 21 کارشناس شرکت‌کننده در مرحله دوم به مرحله سوم دعوت شدند که از میان آن‌ها 18 نفر پاسخ دادند (نرخ پاسخگویی، 86 درصد) که باتوجه‌به محرمانه بودن، هویت آن‌ها در تحقیق آشکار نشده است. جدول شماره 2 خلاصه‌ای از مشخصات کارشناسان را ارائه می‌دهد. درنهایت یک ماتریس تعاملی فازی از جمع‌آوری نظرات کارشناسان ایجاد شد (کارماکر و همکاران، 2023).
نظریه مجموعه‌های فازی
نظریه مجموعه‌های فازی به‌طور گسترده‌ای در تصمیم‌گیری‌ها (بانی و همکاران، 2024)، هوش مصنوعی (آیسان و همکاران، 2024)، سیستم‌های اطلاعات مدیریت (نیو و همکاران، 2022)، نظریه بازی‌ها (لیو و همکاران، 2022) و غیره استفاده شده است که می‌تواند نتیجه‌گیری‌های کیفی انجام‌شده توسط افراد یا کارشناسان را ارزیابی کند. در این تحقیق نیز از اعداد فازی مثلثی (TFN) برای ارزیابی استفاده شده است (کیزیلویچ و دوبریاکوا، 2023). برای بهره‌مندی و قابل‌فهم بودن روش‌های مبتنی بر فازی، تبدیل اعداد فازی به اعداد قطعی (فازی‌زدایی) ضروری است. در تحقیق‌های قبلی از چندین روش، ازجمله CFCS (تبدیل اعداد فازی به اعداد قطعی)، استفاده شده است؛ ازاین‌رو روش CFCS به‌دلیل پُرکاربرد بودن و به‌عنوان یک روش مناسب فازی‌زدایی، در این تحقیق استفاده شده است؛ (فرمول‌های 1، 2، 3، 4، 5، 6، 7، 8، 9)، (ژانگ و همکاران، 2024).
تجزیهوتحلیل طبقه‌بندی (MICMAC)
تجزیهوتحلیل MICMAC یک روش ساختاریافته برای طبقه‌بندی عوامل به چندین قسمت براساس قدرت نفوذ و وابستگی آن‌ها است؛ طبقه‌بندی MICMAC غیرفازی، رابطه بین دو عامل را به‌صورت یک مقدار دودویی (0) یا (1) نشان می‌دهد که در آن (1) به این معنی است که دو عامل به هم مرتبط هستند و (0) به این معنی است که آن‌ها به هم مرتبط نیستند.باوجوداین، ارتباط بین هر یک از دو عامل ممکن است به‌صورت (0) و (1) نباشد و متغیر بین کم تا زیاد باشد. ازاین‌رو برای غلبه بر این محدودیت، طیف فازی با روش‌های متداول ازجمله طبقه‌بندی MICMAC برای نشان دادن میزان همبستگی بین اجزاء مورد استفاده قرار می‌گیرد (رات و همکاران، 2021؛ توشار و همکاران، 2023).
در این روش، عوامل به چهار دسته تقسیم می‌شوند:
1- عوامل خودمختار که دارای قدرت نفوذ و وابستگی ضعیف هستند، تغییر در این متغیرها باعث تغییر جدی در سیستم نمی‌شود.
2- عوامل وابسته که دارای قدرت نفوذ کم، ولی وابستگی شدید هستند، این متغیرها تأثیرپذیری بالا و تأثیرگذاری کمی بر روی سیستم دارند،
3- عوامل مستقل که دارای قدرت نفوذ بالا، ولی وابستگی ضعیف هستند، این متغیرها تأثیرپذیری کم و تأثیرگذاری بالا بر روی سیستم دارند،
4- عوامل پیوندی که دارای قدرت نفوذ بالا و وابستگی زیاد هستند، به‌عبارتی تأثیرپذیری و تأثیرگذاری بالایی دارند و هر تغییر کوچکی بر روی این متغیرها باعث تغییرات اساسی در سیستم می‌شود (علم و همکاران، 2023).
مدلسازی ساختاری تفسیری کل (TISM)
مدلسازی ساختاری تفسیری (ISM) به شکل دادن ارتباطات پیچیده بین چندین عامل در سیستم‌های پیچیده کمک می‌کند و به‌صورت بصری مفهوم موردبررسی را با استفاده از نظریه گراف و جبر ماتریس نشان می‌دهد که چگونه پیوندها ایجاد می‌شوند. باوجوداین، ISM نمی‌تواند رابطه بین عوامل را توضیح دهد و TISM به این مسئله پاسخ داده و عدم‌قطعیت را برطرف می‌کند. این مدل توسعه‌یافته به کارشناسان اجازه می‌دهد تا با استفاده از اعداد فازی به‌جای اعداد باینری (0,1) بازخورد خود در مورد اهمیت‌‌نسبی یک عامل به دیگری را با دقت بیشتری بیان کنند (سروشیان و همکاران، 2023؛ علوامله و همکاران، 2023).
یافته‌ها
شناسایی مهم‌ترین عوامل با تحلیل پارتو
در این تحقیق از رویکرد پارتو استفاده شد تا بتوانیم عوامل مهم را از عوامل کم‌اهمیت جدا کنیم و بر مهم‌ترین‌ها تمرکز کنیم. طبق قانون 80 بر 20، می‌دانیم که حدود 80 درصد از نتایج به 20 درصد از عوامل بستگی دارد (ویبو و همکاران، 2022). به همین دلیل، 80 درصد از عوامل باقیمانده معمولاً تأثیر چندانی بر عملکرد ندارند. پس، با بررسی و ارزیابی 16 عامل که از تحقیقات قبلی و نظرات کارشناسان به‌دست آمده بودند (تصویر شماره 3)، تصمیم به انتخاب 12 عامل کلیدی برای تحلیل بیشتر گرفته شد و 4 عامل که اهمیت کمتری داشتند، حذف شدند. این عوامل کم‌اهمیت شامل تابآوری به نوسان‌های تقاضا (R5)، ایمنی در عملیات و جابه‌جایی کالا (R7)، عملکرد و اعتبار گذشته (R6)، و خرابی زیرساخت (R16) بودند. هدف این تحلیل این است که تمرکز و منابع را بر روی عوامل حیاتی بگذاریم تا به نتایج بهتری دست یابیم.
توسعه مدل
در این تحقیق، برای ساخت مدل ساختاری تفسیری، بازخوردهای 18 کارشناس جمع‌آوری شد. این کارشناسان با استفاده از کلمات و نمادهای خاص، (جدول شماره 3)، ارتباطات بین عوامل مختلف را مشخص کردند. در اینجا، هر نماد معانی خاصی دارد:
V به ما می‌گوید که عامل i چطور بر عامل j تأثیر می‌گذارد،
A نشان‌دهنده تأثیر عامل j بر i است،
X به معنای تأثیر متقابل بین دو عامل است،
O به این معناست که هیچ ارتباطی بین دو عامل وجود ندارد (جدول شماره 4)، (کیم و همکاران، 2023).
پس از این مرحله، تحلیل‌های بیشتری درمورد روابط و تأثیرات بین این عوامل انجام خواهد شد. به‌ویژه با استفاده از روش‌های ماتریس ضربات ضربه متقاطع اعمال‌شده در یک طبقه‌بندی(MICMAC) و مدلسازی ساختاری تفسیری (TISM) فازی. این روش‌ها به ما کمک می‌کنند تا بفهمیم میان این عوامل چه ارتباط‌هایی وجود دارد و چطور می‌توانیم آن‌ها را در یک مدل ساختاری قرار دهیم. در این بخش، به‌طور خاص به تجزیهوتحلیل ماتریس دسترسی‌پذیری نهایی خواهیم پرداخت تا نقاط قوت و ضعف هر عامل مشخص شود و زمینه‌ای فراهم گردد که تصمیم‌گیری بهتری برای مدیریت زنجیره تأمین انجام شود. این روش نه‌تنها دید بهتری از تعاملات بین عوامل به ما می‌دهد، بلکه به شناسایی اولویت‌ها و ابعاد کلیدی کمک می‌کند که درنهایت می‌تواند به بهبود کارایی و پاسخگویی بهتر به چالش‌های موجود در زنجیره تأمین منجر شود.
تجزیهوتحلیل MICMAC فازی
پس از جمع‌آوری نظرات کارشناسان، ماتریس SSIM فازی و ماتریس دسترسی‌پذیری نهایی ایجاد شد. این فرایند شامل تبدیل عبارات کلامی به اعداد فازی بود که به ما کمک کرد قدرت تأثیر و وابستگی هر عامل را مشخص کنیم (کارماکر و همکاران، 2021). نتایج نشان می‌دهد برخی عوامل مانند ثبات هزینه (R3)، آموزش صحیح پرسنل (R2) و اثر همه‌گیری ویروسی (R8) در دسته عوامل خودمختار قرار دارند. این یعنی تغییر در این عوامل تأثیر زیادی بر کل سیستم نخواهد داشت. درمقابل، عواملی مثل سوء مدیریت در انتخاب تأمین‌کننده (R12) و بلایای طبیعی (R9) در دسته عوامل وابسته قرار داده شده‌اند. این عوامل وابستگی بالایی دارند و به‌راحتی تحت تأثیر قرار می‌گیرند، اما تأثیرگذاری کمی بر سیستم دارند. همچنین، عواملی مانند اعتصاب حملونقل (R15) و کمبود کارکنان ماهر (R14)، در دسته مستقل‌ها قرار می‌گیرند. این عوامل تأثیرگذار هستند و می‌توانند تغییرات معنی‌داری در سیستم به وجود آورند، اما به‌خودی‌خود تحت تأثیر عوامل دیگر قرار نمی‌گیرند. نکته جالب این است که هیچ عاملی در دسته متغیرهای پیوندی شناسایی نشد که نشان‌دهنده عدم وجود عوامل با تأثیر متقابل بالا است. بنابراین، باتوجه‌به این نتایج، می‌توانیم تمرکز خود را بر عوامل مستقل بگذاریم تا تأثیر مثبت بیشتری بر عملکرد سیستم داشته باشیم. ازسوی‌دیگر، لازم است به مدیریت متغیرهای وابسته توجه بیشتری کنیم تا اثرات منفی آن‌ها را کاهش دهیم. این تحلیل به ما کمک می‌کند تا تصمیمات استراتژیک بهتری برای بهینه‌سازی زنجیره تأمین و مقابله با چالش‌های مختلف اتخاذ کنیم (تصویر شماره 4).
تجزیهوتحلیل MICMAC غیرفازی
برای بهبود عملکرد سیستم و مدیریت چالش‌ها، ضروری است که تمرکز خود را بر روی عوامل کلیدی با تأثیرگذاری و تأثیرپذیری بالا قرار دهیم (پانیگراهی و همکاران، 2024). به‌ویژه، باید برنامه‌های جامع آموزشی برای پرسنل ایجاد کنیم تا مهارت‌های لازم را در برابر بحران‌ها فراهم کنیم و از کمبود کارکنان ماهر جلوگیری کنیم. همچنین، بهبود مدیریت تأمین‌کنندگان و برنامه‌ریزی مؤثر برای حملونقل و موجودی، می‌تواند در کاهش مخاطرات ناشی از اعتصابات و بلایای طبیعی مؤثر باشد. همین‌طور، با استفاده از فناوری‌های دیجیتال و ایجاد پروتکل‌های امنیت سایبری قوی، می‌توان به کاهش ریسک حملات سایبری و تحریف اطلاعات کمک کرد. به‌علاوه، نظارت مستمر بر این عوامل و ایجاد برنامه‌های مدیریت بحران می‌تواند به شناسایی زودهنگام مشکلات و اجرای راهکارهای سریع برای مقابله با آن‌ها منجر شود که این به‌نوبه‌خود پایداری و کارای سیستم را افزایش خواهد داد (تصویر شماره 5).
ساخت مدل ساختاری تفسیری کل
برای بهینه‌سازی عملکرد سیستم، لازم است از نتایج مدل ساختاری تفسیری استفاده کنیم و اولویت‌بندی عوامل را مد نظر قرار دهیم.
-باتوجه‌به اینکه عوامل ذخیره‌سازی پایدار، حملات سایبری و تحریف اطلاعات در سطح اول قرار دارند، باید توجه ویژه‌ای به بهبود زیرساخت‌ها و امنیت اطلاعات و نگهداری موجودی‌ها داشته باشیم.
-در سطح دوم، بر روی آموزش صحیح پرسنل و بهینه‌سازی مصرف سوخت باید تمرکز کنیم تا بتوانیم به بهره‌وری بیشتری دست یابیم و از برنامه‌ریزی ضعیف و نوسانات هزینه جلوگیری کنیم.
- در سطح سوم، ضروری است راهکارهایی برای مدیریت کمبود کارکنان و کاهش تأثیر اعتصابات و بحران‌های بهداشتی تدوین کنیم تا از ناپایداری جلوگیری کنیم. درنهایت، سطوح پایین‌تر همچون سوء مدیریت تأمین‌کنندگان و بلایای طبیعی، به نظارت و برنامه‌ریزی مستمر نیاز دارند تا تأثیرات آن‌ها به حداقل برسد. این رویکرد جامع کمک می‌کند تا با بهبود نقاط کلیدی، کلیت سیستم توانمندتر و پایدارتر شود (تصویر شماره 6).
اعتبارسنجی
برای تقویت اعتبار مدل ساختاری تفسیری به‌دست‌آمده (راجش، 2017)، استفاده از نظرات 14 کارشناس باتجربه در حوزه لجستیک یک رویکرد مؤثر بود. از طریق ارزیابی ارتباط بین عوامل با استفاده از مقیاس لیکرت 5 درجه‌ای، امکان دریافت بازخوردهای دقیق و مبتنی بر تجربیات واقعی فراهم شد. با محاسبه میانگین نمرات و انتخاب عواملی که نمرات بالاتر از 60 درصد را کسب کردند (نصیر و همکاران، 2022)، اطمینان حاصل شد که مدل نمایانگر واقعیت‌های موجود است. این روند، نه‌تنها اعتبار مدل را تأیید کرد، بلکه همچنین امکان شناسایی نقاط قوت و ضعف در سیستم را فراهم کرد که می‌تواند به شکل‌گیری استراتژی‌های مؤثرتر و تصمیم‌گیری‌های بهینه کمک کند. به این ترتیب، مشارکت واقعی و آگاهانه متخصصان نه‌تنها به تأیید علمی مدل کمک کرد، بلکه یک ابزار کارآمد برای بهبود فرآیندهای لجستیک نیز ایجاد کرد.
بحث
این تحقیق به بررسی عوامل کلیدی تأثیرگذار بر تابآوری حوزه لجستیک و به شناسایی چالش‌ها و نقاط ضعف موجود در زنجیره تأمین پرداخته است. نتایج به‌دست‌آمده نشان می‌دهد که بلایای طبیعی، سوء مدیریت در انتخاب تأمین‌کننده، اعتصاب‌های حملونقل، کمبود کارکنان ماهر و حداقل مصرف سوخت، ازجمله عوامل اصلی و بحرانی هستند که می‌توانند به‌شدت بر عملکرد لجستیک تأثیر بگذارند؛ به‌ویژه، بلایای طبیعی و بحران‌های ناشی از آن، نشان‌دهنده نیاز به پیش‌بینی و آمادگی مناسب در برابر رویدادهای اضطراری هستند.
یکی از مهم‌ترین یافته‌های این تحقیق، ضرورت ارتقاء روش‌های انتخاب تأمین‌کنندگان و ایجاد پروتکل‌ها در این زمینه است، سوء مدیریت در این حوزه می‌تواند به مشکلات جدی در تأمین کالا و خدمات منجر شود، به‌ویژه در زمان بحران. به همین دلیل، سازمان‌ها باید معیارهای دقیقی برای ارزیابی و انتخاب تأمین‌کنندگان ایجاد کنند تا اطمینان حاصل شود که آن‌ها قادر به مدیریت وضعیت‌های بحرانی هستند. در این راستا، ایجاد و نگهداری روابط مستحکم با تأمین‌کنندگان نیز بسیار حائز اهمیت است، زیرا این روابط می‌توانند در زمان اضطراری روند تأمین را تسهیل کنند. علاوه‌براین، تحقیق بر اهمیت تنوع در روش‌های حملونقل تأکید دارد.
اعتصاب‌های حملونقل می‌توانند به سرعت تأمین کالاها را مختل کنند و بنابراین، سازمان‌ها باید به ایجاد گزینه‌های حملونقل متعدد و انعطاف‌پذیر فکر کنند. به‌کارگیری مطالعات موردی و شبیه‌سازی‌های مختلف می‌تواند به سازمان‌ها کمک کند تا توانایی خود را برای پاسخگویی به تغییرات ناگهانی بهبود دهند. در نتیجه، تدوین استراتژی‌های متنوع حملونقل به‌عنوان یک عنصر کلیدی در افزایش تابآوری زنجیره تأمین به شمار می‌آید. درنهایت، یک راهبرد جامع برای بهبود تابآوری در حوزه لجستیک، بهبود مستمر مهارت‌های کارکنان و به‌کارگیری فناوری‌های نوین است. ارتقای مهارت‌ها به کارکنان این امکان را می‌دهد که در شرایط بحرانی بهتر و سریع‌تر واکنش نشان دهند. همچنین، استفاده از فناوری‌هایی مانند اینترنت اشیاء (IoT) و سیستم‌های اطلاعات مدیریت زنجیره تأمین می‌تواند به نظارت بهتر و پیش‌بینی دقیق‌تر نیازها کمک کند.
به‌طورکلی، این تحقیق می‌تواند مبنای مناسبی برای پژوهش‌های آینده در حوزه لجستیک و مدیریت زنجیره تأمین باشد و راهکارهایی برای شناسایی بهتر خطرات و ارتقای تابآوری در این زمینه فراهم کند.
نتیجه‌گیری
باتوجه‌به یافته‌های این تحقیق، می‌توان نتیجه‌گیری کرد که تابآوری در حوزه لجستیک تنها به معنی پاسخگویی به بحران‌ها نیست، بلکه شامل پیش‌بینی و آماده‌سازی برای شرایط غیرمنتظره نیز می‌شود. برای این منظور، سازمان‌ها باید به تحلیل و شناسایی ریسک‌های موجود به‌صورت منظم بپردازند و برنامه‌های مدیریت ریسک را به‌روزرسانی کنند. همچنین، استفاده از فناوری‌های پیشرفته، مانند تجزیهوتحلیل داده‌های بزرگ و هوش مصنوعی، می‌تواند به شناسایی الگوها و پیش‌بینی بحران‌ها کمک کند و به سازمان‌ها اجازه دهد تا به‌صورت پیشگیرانه عمل کنند.
علاوه‌براین، همکاری میان بخش‌های مختلف زنجیره تأمین، از تأمین‌کنندگان گرفته تا توزیع‌کنندگان و خرده‌فروشان، ضروری است. ایجاد تیم‌های چندوظیفه‌ای که قادر به بهبود ارتباطات و هم‌افزایی باشند، می‌تواند به پاسخگویی سریع‌تر و مؤثرتر در هنگام بروز بحران‌ها منجر شود. درواقع، این همکاری نه‌تنها به بهبود تابآوری کمک می‌کند، بلکه به افزایش کارایی و کاهش هزینه‌ها نیز منجر می‌شود. ازسوی‌دیگر، باید توجه ویژه‌ای به ارزیابی تأثیرات اجتماعی و اقتصادی بحران‌ها بر عملیات لجستیک داشت. در کنار تأثیرات مالی، تأثیر بر کارکنان و جوامع محلی نیز باید مورد توجه قرار گیرد. سازمان‌ها با اتخاذ رویکردهای مسئولیت اجتماعی و اخلاقی می‌توانند با ذی‌نفعان خود ارتباط بهتری برقرار کرده و درنتیجه، در زمان بحران‌ها حمایت بیشتری از اجتماع محلی داشته باشند.
درنهایت، موفقیت در ایجاد تابآوری در لجستیک نیازمند یک رویکرد جامع و یکپارچه از سوی مدیریت است. این رویکرد شامل آموزش و توسعه مهارت‌های کارکنان، مدیریت ریسک مؤثر، همکاری در زنجیره تأمین و استفاده از فناوری‌های نوین است. سازمان‌ها با پذیرش این استراتژی‌ها می‌توانند نه‌تنها در برابر بحران‌ها مقاوم‌تر شوند، بلکه قادر خواهند بود به‌طور مداوم بهبود یافته و به تحولات بازار و نیازهای مشتریان پاسخ دهند. این تحقیق می‌تواند به‌عنوان یک الگو برای سایر تحقیقات در این حوزه و همچنین مبنای توسعه برنامه‌های کاربردی در عمل استفاده شود.
ملاحظات اخلاقی
پیروی از اصول اخلاق پژوهش
همه اصول اخلاقی در این مقاله رعایت شده است. رضایت آگاهانه از تمام شرکت‌کنددگان اخذ شده است.
حامی مالی
این مقاله برگرفته از پایان‌نامه کارشناسی ارشد حامد اصغری گروه مهندسی عمران و مدیریت بحران مجتمع دانشگاهی مهندسی و پدافند غیرعامل دانشگاه صنعتی مالک اشتر می‌باشدو هیچ‌گونه کمک مالیی از سازمانی‌های دولتی، خصوصی و غیرانتفاعی دریافت نکرده است.
مشارکت نویسندگان
اعتبارسنجی و نظارت و مدیریت پروژه: محمد اسکندری و مهدی مدیری؛ تحلیل، تحقیق، بررسی، منابع، نگارش پیش‌نویس، ویراستاری و نهایی‌سازی نوشته و بصری‌سازی: محمد اسکندری و حامد اصغری؛ مفهوم‌سازی و روش‌شناسی: همه نویسندگان.
تعارض منافع
بنابر اظهار نویسندگان، این مقاله تعارض منافع ندارد.
تشکر و قدردانی
محققان از کلیه افرادی که در انجام پژوهش محققان را یاری کرده‌اند قدردانی و تشکر می‌کنند.
References
Alam, M. F. B., Tushar, S. R., Zaman, S. M., Gonzalez, E. D. S., Bari, A. M., & Karmaker, C. L. (2023). Analysis of the drivers of Agriculture 4.0 implementation in the emerging economies: Implications towards sustainability and food security. Green Technologies and Sustainability, 1(2), 100021. [DOI:10.1016/j.grets.2023.100021]
Alawamleh, M., Al-Twal, A., Lahlouh, L., & Jame, R. O. (2023). Interpretive structural modelling of organizational innovation factors: An emerging market perspective. Journal of Open Innovation: Technology, Market, and Complexity, 9(2), 100067. [DOI:10.1016/j.joitmc.2023.100067]
Ammar, M., Haleem, A., Javaid, M., Walia, R., & Bahl, S. (2021). Improving material quality management and manufacturing organizations system through Industry 4.0 technologies. Materials Today: Proceedings, 45, 5089-5096. [DOI:10.1016/j.matpr.2021.01.585]
Assefa, T. T., Meuwissen, M. P., & Oude Lansink, A. G. (2017). Price risk perceptions and management strategies in selected European food supply chains: An exploratory approach. NJAS-Wageningen Journal of Life Sciences, 80, 15-26. [DOI:10.1016/j.njas.2016.11.002]
Aydin, N. Y., Duzgun, H. S., Heinimann, H. R., Wenzel, F., & Gnyawali, K. R. (2018). Framework for improving the resilience and recovery of transportation networks under geohazard risks. International Journal of Disaster Risk Reduction, 31, 832-843. [DOI:10.1016/j.ijdrr.2018.07.022]
Aysan, A. F., Yüksel, S., Eti, S., Dinçer, H., Akin, M. S., & Kalkavan, H., et al. (2024). A unified theory of acceptance and use of technology and fuzzy artificial intelligence model for electric vehicle demand analysis. Decision Analytics Journal, 11, 100455. [DOI:10.1016/j.dajour.2024.100455]
Bani-Doumi, M., Serrano-Guerrero, J., Chiclana, F., Romero, F. P., & Olivas, J. A. (2024). A picture fuzzy set multi criteria decision-making approach to customize hospital recommendations based on patient feedback. Applied Soft Computing, 153, 111331. [DOI:10.1016/j.asoc.2024.111331]
Balakrishnan, S., Zhang, Z., Machemehl, R., & Murphy, M. R. (2020). Mapping resilience of Houston freeway network during Hurricane Harvey using extreme travel time metrics. International Journal of Disaster Risk Reduction, 47, 101565. [DOI:10.1016/j.ijdrr.2020.101565]
Brooks, C., Parr, L., Smith, J. M., Buchanan, D., Snioch, D., & Hebishy, E. (2021). A review of food fraud and food authenticity across the food supply chain, with an examination of the impact of the COVID-19 pandemic and Brexit on food industry. Food Control, 130, 108171. [DOI:10.1016/j.foodcont.2021.108171]
Brandeau, M. L., Hutton, D. W., Owens, D. K., & Bravata, D. M. (2007). Planning the bioterrorism response supply chain: Learn and live. American Journal of Disaster Medicine, 2(5), 231–247.[DOI:10.5055/ajdm.2007.0032] [PMID]
Biswas, S. (2024). Towards Strategic and Sustainable Region-wide Road Weather Information Systems (RWIS) Network Planning and Management [PhD dissertation]. Alberta: University of Alberta. [Link]
Carvalho, V. M., Nirei, M., Saito, Y. U., & Tahbaz-Salehi, A. (2021). Supply chain disruptions: Evidence from the great east japan earthquake. The Quarterly Journal of Economics, 136(2), 1255-1321. [DOI:10.1093/qje/qjaa044]
Choi, T. M. (2020). Innovative “bring-service-near-your-home” operations under Corona-virus (COVID-19/SARS-CoV-2) outbreak: Can logistics become the messiah. Transportation Research Part E: Logistics and Transportation Review, 140, 101961. [DOI:10.1016/j.tre.2020.101961] [PMID]
Chowdhury, P., Paul, S. K., Kaisar, S., & Moktadir, M. A. (2021). COVID-19 pandemic related supply chain studies: A systematic review. Transportation Research Part E: Logistics and Transportation Review, 148, 102271. [DOI:10.1016/j.tre.2021.102271] [PMID]
Dutta, P., Choi, T. M., Somani, S., & Butala, R. (2020). Blockchain technology in supply chain operations: Applications, challenges and research opportunities. Transportation Research. Part E, Logistics and Transportation Review, 142, 102067. [DOI:10.1016/j.tre.2020.102067] [PMID]
Gabutti, G., d'Anchera, E., Sandri, F., Savio, M., & Stefanati, A. (2020). Coronavirus: update related to the current outbreak of COVID-19. Infectious Diseases and Therapy, 9, 241-253. [DOI:10.1007/s40121-020-00295-5] [PMID]
Geissler, D., Bär, D., Pröllochs, N., & Feuerriegel, S. (2023). Russian propaganda on social media during the 2022 invasion of Ukraine. EPJ Data Science, 12(1), 35. [DOI:10.1140/epjds/s13688-023-00414-5]
Govindan, K., Shaw, M., & Majumdar, A. (2021). Social sustainability tensions in multi-tier supply chain: A systematic literature review towards conceptual framework development. Journal of Cleaner Production, 279, 123075. [DOI:10.1016/j.jclepro.2020.123075]
Herold, D. M., Ćwiklicki, M., Pilch, K., & Mikl, J. (2021). The emergence and adoption of digitalization in the logistics and supply chain industry: An institutional perspective. Journal of Enterprise Information Management, 34(6), 1917-1938. [DOI:10.1108/JEIM-09-2020-0382]
Ivanov, D. (2020). Predicting the impacts of epidemic outbreaks on global supply chains: A simulation-based analysis on the coronavirus outbreak (COVID-19/SARS-CoV-2) case. Transportation research. Part E, Logistics and Transportation Review, 136, 101922. [DOI:10.1016/j.tre.2020.101922] [PMID]
Illahi, U., & Mir, M. S. (2021). Maintaining efficient logistics and supply chain management operations during and after coronavirus (COVID-19) pandemic: Learning from the past experiences. Environment, Development and Sustainability, 23(8), 11157–11178.[DOI:10.1007/s10668-020-01115-z] [PMID]
Karmaker, C. L., Al Aziz, R., Palit, T., & Bari, A. M. (2023). Analyzing supply chain risk factors in the small and medium enterprises under fuzzy environment: Implications towards sustainability for emerging economies. Sustainable Technology and Entrepreneurship, 2(1), 100032. [DOI:10.1016/j.stae.2022.100032]
Karmaker, C. L., Ahmed, T., Ahmed, S., Ali, S. M., Moktadir, M. A., & Kabir, G. (2021). Improving supply chain sustainability in the context of COVID-19 pandemic in an emerging economy: Exploring drivers using an integrated model. Sustainable Production and Consumption, 26, 411-427. [DOI:10.1016/j.spc.2020.09.019] [PMID]
Kim, Y. N., Krasilnikova, N., Choi, Y. S., & Yeo, G. T. (2023). Structural analysis of factors for revitalizing lena river logistics using ISM method. The Asian Journal of Shipping and Logistics, 39(2), 46-51. [DOI:10.1016/j.ajsl.2023.02.001]
Kizielewicz, B., & Dobryakova, L. (2023). Stochastic Triangular Fuzzy Number (S-TFN) normalization: A new approach for nonmonotonic normalization. Procedia Computer Science, 225, 4901-4911. [DOI:10.1016/j.procs.2023.10.490]
Kumar, A., Mangla, S. K., Kumar, P., & Song, M. (2021). Mitigate risks in perishable food supply chains: Learning from COVID-19. Technological Forecasting and Social Change, 166, 120643. [DOI:10.1016/j.techfore.2021.120643]
Lam, J. S. L., & Dai, J. (2015). Developing supply chain security design of logistics service providers: An analytical network process-quality function deployment approach. International Journal of Physical Distribution & Logistics Management, 45(7), 674-690. [DOI:10.1108/IJPDLM-12-2013-0293]
Liu, P., Hendalianpour, A., Hamzehlou, M., & Feylizadeh, M. (2022). Cost reduction of inventory-production-system in multi-echelon supply chain using game theory and fuzzy demand forecasting. International Journal of Fuzzy Systems, 24(4), 1793-1813. [DOI:10.1007/s40815-021-01240-5]
Liu, C. L., & Lee, M. Y. (2018). Integration, supply chain resilience, and service performance in third-party logistics providers. The International Journal of Logistics Management, 29(1), 5-21. [DOI:10.1108/IJLM-11-2016-0283]
Lozano-Diez, J., Marmolejo-Saucedo, J., & Rodriguez-Aguilar, R. (2020). Designing a resilient supply chain: An approach to reduce drug shortages in epidemic outbreaks. EAI Endorsed Transactions on Pervasive Health and Technology, 6(21), e2. [DOI:10.4108/eai.13-7-2018.164260]
Martikainen, A., Niemi, P., & Pekkanen, P. (2014). Developing a service offering for a logistical service provider—Case of local food supply chain. International Journal of Production Economics, 157, 318-326. [DOI:10.1016/j.ijpe.2013.05.026]
Murali, P., Ordóñez, F., & Dessouky, M. M. (2012). Facility location under demand uncertainty: Response to a large-scale bio-terror attack. Socio-economic Planning Sciences, 46(1), 78-87. [DOI:10.1016/j.seps.2011.09.001]
Nasir, S. B., Ahmed, T., Karmaker, C. L., Ali, S. M., Paul, S. K., & Majumdar, A. (2022). Supply chain viability in the context of COVID-19 pandemic in small and medium-sized enterprises: implications for sustainable development goals. Journal of Enterprise Information Management, 35(1), 100-124. [DOI:10.1108/JEIM-02-2021-0091]
Niaz, M., & Nwagwu, U. (2023). Managing healthcare product demand effectively in the post-covid-19 environment: Navigating demand variability and forecasting complexities. American Journal of Economic and Management Business (AJEMB), 2(8), 316-330. [Link]
Niu, X., Sun, Z., & Kong, X. (2022). A new type of dyad fuzzy β-covering rough set models base on fuzzy information system and its practical application. International Journal of Approximate Reasoning, 142, 13-30. [DOI:10.1016/j.ijar.2021.11.001]
Panigrahy, A. K., Maniyath, S. R., Sathiyanarayanan, M., Dholvan, M., Ramaswamy, T., & Hanumanthakari, S., et al. (2024). A faster and robust artificial neural Network based image encryption technique with improved SSIM. IEEE Access, 12, 10818-10833. [Link]
Paciarotti, C., & Torregiani, F. (2021). The logistics of the short food supply chain: A literature review. Sustainable Production and Consumption, 26, 428-442. [DOI:10.1016/j.spc.2020.10.002]
Rajesh, R. (2017). Technological capabilities and supply chain resilience of firms: A relational analysis using Total Interpretive Structural Modeling (TISM). Technological Forecasting and Social Change, 118, 161-169. [DOI:10.1016/j.techfore.2017.02.017]
Raut, R. D., Yadav, V. S., Cheikhrouhou, N., Narwane, V. S., & Narkhede, B. E. (2021). Big data analytics: Implementation challenges in Indian manufacturing supply chains. Computers in Industry, 125, 103368. [DOI:10.1016/j.compind.2020.103368]
Ribeiro, J. P., & Barbosa-Povoa, A. (2018). Supply chain resilience: Definitions and quantitative modelling approaches-A literature review. Computers & Industrial Engineering, 115, 109-122. [DOI:10.1016/j.cie.2017.11.006]
Rodriguez-Garcia, P., Li, Y., Lopez-Lopez, D., & Juan, A. A. (2023). Strategic decision making in smart home ecosystems: A review on the use of artificial intelligence and Internet of things. Internet of Things, 22, 100772. [DOI:10.1016/j.iot.2023.100772]
Sane Zerang, E., Taleizadeh, A. A., & Razmi, J. (2018). Analytical comparisons in a three-echelon closed-loop supply chain with price and marketing effort-dependent demand: Game theory approaches. Environment, Development and Sustainability, 20, 451-478. [DOI:10.1007/s10668-016-9893-5]
Sharifi, A., & Khavarian-Garmsir, A. R. (2020). The COVID-19 pandemic: Impacts on cities and major lessons for urban planning, design, and management. The Science of the Total Environment, 749, 142391. [DOI:10.1016/j.scitotenv.2020.142391] [PMID]
Shen, Z., Dessouky, M. M., & Ordóñez, F. (2009). A two-stage vehicle routing model for large-scale bioterrorism emergencies. Networks: An International Journal, 54(4), 255-269. [DOI:10.1002/net.20337]
Sek, S. K. (2017). Impact of oil price changes on domestic price inflation at disaggregated levels: Evidence from linear and nonlinear ARDL modeling. Energy, 130, 204-217. [DOI:10.1016/j.energy.2017.03.152]
Sorooshian, S., Tavana, M., & Ribeiro-Navarrete, S. (2023). From classical interpretive structural modeling to total interpretive structural modeling and beyond: A half-century of business research. Journal of Business Research, 157, 113642. [DOI:10.1016/j.jbusres.2022.113642]
Syrowatka, A., Kuznetsova, M., Alsubai, A., Beckman, A. L., Bain, P. A., & Craig, K. J. T., et al. (2021). Leveraging artificial intelligence for pandemic preparedness and response: A scoping review to identify key use cases. NPJ Digital Medicine, 4(1), 96.[DOI:10.1038/s41746-021-00459-8] [PMID]
Taherdoost, H., & Madanchian, M. (2021). Empirical modeling of customer satisfaction for E-services in cross-border E-commerce. Electronics, 10(13), 1547. [DOI:10.3390/electronics10131547]
Tushar, S. R., Alam, M. F. B., Bari, A. B. M. M., & Karmaker, C. L. (2023). Assessing the challenges to medical waste management during the COVID-19 pandemic: Implications for the environmental sustainability in the emerging economies. Socio-Economic Planning Sciences, 87, 101513. [DOI:10.1016/j.seps.2023.101513] [PMID]
Udeh, E. O., Amajuoyi, P., Adeusi, K. B., & Scott, A. O. (2024). The role of IoT in boosting supply chain transparency and efficiency. Magna Scientia Advanced Research and Reviews, 11(01), 178–197. [Link]
Verma, R., Christiana, M. B. V., Maheswari, M., Srinivasan, V., Patro, P., & Dari, S. S., et al. (2024). Intelligent physarum solver for profit maximization in oligopolistic supply chain networks. In B. Pandey, U. Kanike, A. George, & D. Pandey (Eds.), AI and Machine Learning Impacts in Intelligent Supply Chain (pp. 156-179). Pennsylvania: IGI Global Scientific Publishing. [DOI:10.4018/979-8-3693-1347-3.ch011]
Wang, C. N., Nguyen, N. A. T., Dang, T. T., & Lu, C. M. (2021). A compromised decision-making approach to third-party logistics selection in sustainable supply chain using fuzzy AHP and fuzzy VIKOR methods. Mathematics, 9(8), 886. [DOI:10.3390/math9080886]
Wibowo, R. P., Nurkasanah, I., Hendrawan, R. A., Yuhana, U. L., Wibisono, A., & Lestari, N. A., et al. (2022). Problem identification and intervention in the higher education data synchronization system in Indonesia. Procedia Computer Science, 197, 484-494. [DOI:10.1016/j.procs.2021.12.165]
Xie, K., Liang, B., Dulebenets, M. A., & Mei, Y. (2020). The impact of risk perception on social distancing during the COVID-19 pandemic in China. International Journal of Environmental Research and Public Health, 17(17), 6256. [DOI:10.3390/ijerph17176256] [PMID]
Yin, X., & Büyüktahtakın, I. E. (2021). A multi-stage stochastic programming approach to epidemic resource allocation with equity considerations. Health Care Management Science, 24(3), 597–622. [PMID]
نوع مطالعه: پژوهشي |
موضوع مقاله:
تخصصي
دریافت: 1403/7/3 | پذیرش: 1403/10/26 | انتشار الکترونیک: 1404/1/10
دریافت: 1403/7/3 | پذیرش: 1403/10/26 | انتشار الکترونیک: 1404/1/10
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
