دانلود مقاله ISI انگلیسی شماره 112113
ترجمه فارسی عنوان مقاله

برنامه ریزی یکپارچه مواد زنجیره تامین مالی تحت عدم اطمینان مخلوط

عنوان انگلیسی
Integrated material-financial supply chain master planning under mixed uncertainty
کد مقاله سال انتشار تعداد صفحات مقاله انگلیسی
112113 2018 37 صفحه PDF
منبع

Publisher : Elsevier - Science Direct (الزویر - ساینس دایرکت)

Journal : Information Sciences, Volume 423, January 2018, Pages 96-114

ترجمه کلمات کلیدی
برنامه ریزی استراتژیک زنجیره تامین، برنامه ریزی جریان مالی مالی یکپارچه، متغیرهای تصادفی فازی، برنامه نویسی احتمالی-استوکسیستی مخلوط،
کلمات کلیدی انگلیسی
Supply chain master planning; Integrated financial-physical flow planning; Random fuzzy variables; Mixed possibilistic-stochastic programming;
ترجمه چکیده
این مقاله یک مدل دوبعدی مخلوط احتمالی-استوچستایی را برای مسئله برنامه ریزی جامع زنجیره تامین فراهم می کند. این مدل یکپارچه کردن برنامه های تاکتیکی فیزیکی / مالی و مالی با حسابداری برای اثرات متقابل توابع و جریان های زنجیره تامین است. با توجه به وجود منابع چندگانه عدم اطمینان و میزان عدم اطمینان داده های ورودی، ترکیبی از متغیرهای فازی و تصادفی فازی در مدل گنجانده شده است. سپس روش های مناسب برای تبدیل مدل نامشخص اصلی به همتای قطعی در نظر گرفته می شوند. برای نشان دادن کاربرد مدل توسعه یافته، یک مثال نشان داده شده است. تجزیه و تحلیل حساسیت بر روی پارامترهای بحرانی مدل توسعه یافته و روش حل آن برای ارائه بینش مدیریتی مفید انجام می شود. همچنین، یک روش مقایسه عملکرد جدید برای مقایسه مدل اصلی تصادفی فازی با همتایان فازی و جبرگرای خود طراحی شده است. نتایج برتری مدل مدل تصادفی تصادفی بر روی همتایان خود را نشان می دهد.
پیش نمایش مقاله
پیش نمایش مقاله  برنامه ریزی یکپارچه مواد زنجیره تامین مالی تحت عدم اطمینان مخلوط

چکیده انگلیسی

This paper develops a bi-objective mixed possibilistic-stochastic model for a comprehensive supply chain master planning problem. The model integrates physical/material and financial tactical plans by accounting for the reciprocal effects of supply chain's functions and flows. Given the existence of several sources of uncertainty and the uncertainty level of input data, a mixture of fuzzy and random fuzzy variables is incorporated into the model. Appropriate methods are then tailored to convert the original uncertain model into a deterministic counterpart. To demonstrate the applicability of the developed model, an illustrative example is provided. Sensitivity analyses are performed on the critical parameters of the developed model and its solution methodology to provide useful managerial insights. Also, a novel performance comparison method is devised to compare the original random fuzzy model against its fuzzy and deterministic counterparts. The results demonstrate the superiority of the proposed random fuzzy model over its counterparts.