توسعه یک چارچوب تصمیم گیری پویا و غیرخطی مبتنی بر شبیه سازی مونت کارلو برای انتخاب بهینه تامین کنندگان قطعات قابل بازسازی در صنعت خودروسازی با در نظر گرفتن پویایی خرابی، تعمیر و ریسک های زنجیره تامین

در شرایط رقابتی و پرنوسان بازار جهانی خودروسازی، بهره گیری از رویکردهای نوین در مدیریت زنجیره تامین به ویژه در زمینه قطعات قابل بازسازی (Remanufactured Components) شامل اجزای مکانیکی و الکترونیکی که پس از خرابی قابلیت تعمیر دارند، به عنوان یکی از راهبردهای کلیدی برای دستیابی به بهره وری اقتصادی، افزایش انعطاف پذیری عملیاتی و ارتقای شاخص های پایداری مطرح است. این پژوهش با هدف توسعه یک چارچوب مدل سازی پویا و هوشمند برای انتخاب بهینه تامین کنندگان چنین قطعاتی، رویکردی ترکیبی مبتنی بر شبیه سازی مونت کارلو (Monte Carlo Simulation) و برنامه ریزی غیرخطی (Nonlinear Programming) را به کار گرفته است. مدل پیشنهادی با تمرکز بر کمینه سازی هزینه های کل چرخه عمر قطعات شامل هزینه های خرید اولیه، هزینه های بهره برداری، نگهداری و تعمیرات و هزینه های مرتبط با بازیافت، طراحی شده و همزمان تاثیر ریسک های عملیاتی از قبیل نوسانات تقاضا، توقفات لجستیکی و محدودیت های ناشی از عوامل سیاسی و اقتصادی را در نظر می گیرد. در این راستا، سناریوهای متنوع خرابی و عملکرد در زیرسیستم های حیاتی خودرو مانند باتری هیبریدی، واحد کنترل الکترونیکی و اجزای هیدورلیکی شبیه سازی شده و داده های حاصل در یک مطالعه موردی بر روی یک شرکت خودروسازی اعمال گردیده است. نتایج حاصل نشان می دهد که استفاده از این مدل موجب کاهش میانگین ۲۲ درصدی هزینه های کل زنجیره تامین و بهبود ۱۵ درصدی شاخص پایداری عملیاتی گردیده است. همچنین تحلیل حساسیت چندبعدی بر روی پارامترهایی نظیر نرخ بهره برداری از قطعات، شدت اثر اختلالات زنجیره تامین و پیامدهای ناشی از محدودیت های تجاری و تحریم ها انجام شد که بیانگر تاب آوری و پایداری مدل در شرایط محیطی نامطمئن است. علاوه بر این، پیشنهادهایی برای توسعه مدل در پژوهش های آتی از جمله ادغام الگوریتم های یادگیری ماشین و به کارگیری شبکه های عصبی پیش بینی کننده جهت بهبود دقت تصمیم گیری ارائه شده است.

کلیدواژه ها:

قطعات قابل بازسازی ، شبیه سازی مونت کارلو ، برنامه ریزی غیرخطی ، زنجیره تامین خودروسازی ، هزینه چرخه عمر.