تركيب روش فرآيند تحليل شبكه اي و تصميم گيري چندهدفه به‌منظور پيش بيني و كاهش ريسك‌هاي آتي تأمين كنندگان

Combination of the Analytic Network Process Method and Multi-Objective Decision-Making in order to Predict and Reduce the Future Risks of Suppliers

ريسك هاي اساسي تامين كنندگان پيچيدگي و آسيب پذيري زنجيره تامين را افزايش مي دهد و گاهي سبب بروز اختلال در تامين مواد مي شود؛ بنابراين بايد اين ريسك ها را پيش بيني كرد و با ارائه راهكارهايي از قبل آماده مواجهه با آنها شد. در اين پژوهش به شناسايي ريسك هاي مختل كننده در زنجيره تامين »شركت فولاد مباركه« و سپس كاهش اثرات احتمالي آنها براي چهار دوره آتي پرداخته شده است. با توجه به نظر خبرگان شركت، الكترود گرافيتي، استراتژيك ترين ماده موردنياز شركت و ريسك هاي مرتبط با تامين آن مهم ترين ريسك هاي مختل كننده زنجيره تامين شناسايي شد. وزن اين ريسك ها با روش anp به دست آمد كه مهم ترين ريسك ، ريسك عدم انعطاف پذيري تامين كنندگان با وزن 0.5436 تعيين گرديد. ساير ريسك ها با توجده به اهميت آن ها به ترتيب ريسك زمان تحويل طولاني سفارش ها، ريسك كيفيت پايين و ريسك افزايش قيمت با وزن هاي 0.1911 ،0.1716 و 0.0937 بودند. سپس يك مدل بهينه سازي با اهداف چهارگانه طراحي شد كه هر تابع هدف درصد حداقل سازي يكي از ريسك هاي شناسايي شده بود. درنهايت مدل بهينه سازي اهداف چندگانه با دو روش اولويت مطلق و برنامه ريزي آرماني حل و نتايج آنها با هم مقايسه شد.

The essential risks of suppliers increase complexity and vulnerability of supply chain and sometimes cause the disruptions. These risks should be predicted and to coping with them some solutions must be provided beforehand. It is aimed at identifying the disruptive risks in the supply chain of Foolad steel and then decreasing their potential effects for the next four periods. According to experts of the company, the graphite electrode is strategically the most important material as its risks disrupt the supply chain. The weighs of these risks were determined by using ANP and accordingly the most important risk was the risk of non-flexibility of suppliers with a weight of 0.5436. Other risks, the risk of long delivery orders, the risk of low quality and the risk of price increases, have the weights of 0.1911,0.1716 and 0.0937, respectively. Then, a multi-objective function model was developed that each objective function aims to minimize one risk. This model was solved by two methods, absolute priority method and goal programming, and finally the results were compared to each other.