تجزیه و تحلیل شبکۀ تأثیرات سلسله‌مراتبی و ارزیابی ریسک‌های صنعت پتروشیمی با استفاده از روش‌های تصمیم‌گیری چند معیاره ابری

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی دکتری، گروه مدیریت عملیات و علوم تصمیم، دانشکدگان مدیریت، دانشگاه تهران، تهران، ایران.

2 استاد ،گروه مدیریت تکنولوژی و نوآوری، دانشکدگان مدیریت، دانشگاه تهران، تهران، ایران.

3 دانش‌آموخته دکتری، گروه مدیریت تکنولوژی و نوآوری، دانشکدگان مدیریت، دانشگاه تهران، تهران، ایران.

چکیده

مقدمه و اهداف: صنعت پتروشیمی به دلیل پیچیدگی‌های فنی، اقتصادی و محیطی، با ریسک‌های متعددی از جمله مشکلات مالی، تحریم‌ها، و مسائل اجتماعی مواجه است که می‌توانند به خسارات قابل‌توجهی در هزینه، زمان، کیفیت و محدوده پروژه‌ها منجر شوند. مدیریت ریسک در این صنعت، نه‌تنها به کاهش این خسارات کمک می‌کند، بلکه نقش کلیدی در ارتقاء کارایی و موفقیت پروژه‌ها ایفا می‌کند. با این حال، اجرای ناقص یا نادرست این فرآیند می‌تواند به توقف پروژه یا کاهش بهره‌وری منجر شود. از این رو، شناسایی و ارزیابی دقیق ریسک‌ها به‌عنوان گام اولیه مدیریت ریسک اهمیت دارد. هدف این پژوهش، ارائه یک چارچوب جامع برای تجزیه و تحلیل و ارزیابی ریسک‌های پروژه‌های پتروشیمی است. این مطالعه با تمرکز بر تبیین شبکه سلسله‌مراتبی تأثیرات متقابل ریسک‌ها و اولویت‌بندی آن‌ها، ابزاری کاربردی برای بهبود مدیریت ریسک و پیشگیری از خسارات احتمالی توسعه می‌دهد. پژوهشگران با این رویکرد، به دنبال ارائه راهکارهایی عملی برای مدیران پروژه هستند تا بتوانند تصمیم‌گیری‌های آگاهانه‌تری انجام دهند و ریسک‌ها را در مراحل مختلف چرخه عمر پروژه به‌طور مؤثر مدیریت کنند.
روش‌شناسی پژوهش: این تحقیق در چارچوب پارادایم اثبات‌گرایانه و با رویکرد کاربردی و توصیفی-پیمایشی طراحی شده است. داده‌های کمّی از طریق پرسشنامه‌های ساختاریافته و اسناد معتبر از جامعه آماری شامل خبرگان حوزه ریسک و مدیران ارشد پتروشیمی جمع‌آوری شد. این جامعه آماری، افرادی با تجربه عملی و نظری در مدیریت ریسک پروژه‌های پتروشیمی بودند. برای تحلیل داده‌ها، از یک رویکرد ترکیبی دو مرحله‌ای استفاده شد. در مرحله اول، مدل DEMATEL-ISM به کار رفت تا روابط علّی-معلولی بین ریسک‌ها شناسایی شده و ساختار سلسله‌مراتبی آن‌ها ترسیم گردد. این مدل با محاسبه شاخص‌هایی مانند مرکزیت (مانند 4.39 برای C1) و علیت (مانند 0.607 برای C1)، اهمیت و نقش علّی هر ریسک را مشخص کرد. در مرحله دوم، از ترکیب روش‌های FMEA (تحلیل حالت‌های شکست و اثرات) و CM-TOPSIS برای ارزیابی کمی ریسک‌ها و رتبه‌بندی آن‌ها بر اساس فاکتورهایی مانند شدت، وقوع و تشخیص‌پذیری استفاده شد. این فرآیند با قضاوت خبرگان در دو مرحله تأیید شد تا دقت و اعتبار نتایج تضمین شود. این روش ترکیبی نسبت به روش‌های سنتی مانند FMEA، دیدگاهی عمیق‌تر و چندوجهی‌تر ارائه داد.
یافته‌های پژوهش: نتایج این تحقیق به دو یافته کلیدی تقسیم می‌شود. نخست، تحلیل‌های DEMATEL-ISM یک شبکه سلسله‌مراتبی از ریسک‌ها ترسیم کرد که روابط علت و معلولی را نشان داد. این شبکه نشان داد که ریسک‌های «عدم توجه به مسائل رفاهی و اجتماعی منطقه‌ی اجرای پروژه» (C5) و «عدم ثبت آموخته‌ها» (C10) به‌عنوان عوامل ریشه‌ای عمل می‌کنند و بر ریسک‌های سطح بالا مانند «مشکلات در تأمین مالی» (C1) و «مشکل تأمین تجهیزات یدکی» (C9) تأثیر می‌گذارند. دومین یافته، ارزیابی و رتبه‌بندی ریسک‌ها با FMEA-CM-TOPSIS بود که نشان داد C1 (با ضریب نزدیکی 0.758511) و C9 (با CC 0.562901) بالاترین اولویت را دارند. تحلیل مسیرهای انتقال ریسک نشان داد که C5 و C10 از طریق تأثیر بر عوامل میانی (مانند C1 و C9) ریسک کل پروژه را افزایش می‌دهند. این روش ترکیبی نسبت به FMEA سنتی، با ارائه جزئیات بیشتر در تحلیل روابط متقابل، دقت و کارایی بالاتری داشت و امکان شناسایی نقاط ضعف کلیدی را فراهم کرد.
نتیجه‌گیری: این پژوهش با تلفیق مدل‌های DEMATEL-ISM و FMEA-CM-TOPSIS، چارچوبی نوآورانه برای شناسایی، تحلیل و ارزیابی ریسک در پروژه‌های پتروشیمی ارائه داد. نتایج نشان داد که این رویکرد، ریسک‌های بحرانی را با دقت بیشتری اولویت‌بندی کرده و با شناسایی مسیرهای انتقال ریسک، به مدیران امکان تصمیم‌گیری هوشمندانه و مبتنی بر داده را می‌دهد. این ابزار می‌تواند در برنامه‌ریزی و اجرای پروژه‌ها برای کاهش خسارات و افزایش کارایی به کار گرفته شود. برای تحقیقات آینده، پیشنهاد می‌شود احتمال وقوع ریسک‌ها با استفاده از داده‌های تاریخی و شبکه تأثیرات تحلیل شود. همچنین، به‌کارگیری داده‌کاوی برای شناسایی خودکار و پیش‌بینی ریسک‌ها بر اساس الگوهای گذشته صنعت، می‌تواند فرآیند مدیریت ریسک را بهبود بخشد. این مطالعه گامی مهم در ارتقاء مدیریت ریسک پتروشیمی برداشته و زمینه‌ساز تحقیقات پیشرفته‌تر خواهد بود.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

A hierarchical cause-effect analysis of risk factors in the petrochemical industry, and their assessment using the cloud model approach

نویسندگان [English]

  • Seyed Ali Moosavi Nejad Moghaddam 1
  • Hossein Safari 2
  • Ali Bayati 3
1 Ph.D. student in Operation Management and Decision Science Department, College of Management, University of Tehran, Tehran, Iran.
2 Professor of Technology and Innovation Management Department, College of Management, University of Tehran, Tehran, Iran.
3 Ph.D. graduate in of Technology and Innovation Management Department, College of Management, University of Tehran, Tehran, Iran.
چکیده [English]

Introduction and Objectives: The petrochemical industry faces numerous risks due to its technical, economic, and environmental complexities, including financial challenges, sanctions, and social issues, which can lead to significant losses in project cost, time, quality, and scope. Effective risk management in this sector not only mitigates these losses but also plays a critical role in enhancing project efficiency and success. However, inadequate or incorrect risk management can result in project delays or reduced productivity. Thus, accurate risk identification and assessment are essential as the foundational steps in the risk management process. This study aims to provide a comprehensive framework for analyzing and evaluating risks in petrochemical projects. By focusing on mapping the hierarchical network of risk interactions and prioritizing them, the research seeks to develop a practical tool for improving risk management and preventing potential damages. The objective is to offer actionable insights for project managers to make informed decisions and manage risks effectively across various stages of the project lifecycle.
Research Methodology: This study adopts a positivist paradigm, designed as an applied and descriptive-survey research. Quantitative data were collected using structured questionnaires and credible documents from a target population comprising risk management experts and senior petrochemical managers with practical and theoretical experience in the field. A two-stage hybrid approach was employed for data analysis. In the first stage, the DEMATEL-ISM model was used to identify causal relationships between risks and construct their hierarchical structure, calculating metrics such as centrality (e.g., 4.39 for C1) and causality (e.g., 0.607 for C1) to determine the importance and causal role of each risk. In the second stage, a combination of FMEA (Failure Mode and Effects Analysis) and CM-TOPSIS was applied to quantitatively assess and rank risks based on factors like severity, occurrence, and detectability. The process was validated through expert judgment in two phases to ensure accuracy and reliability. This hybrid approach provided a deeper and more multidimensional perspective compared to traditional methods like FMEA alone.
Findings: The study yielded two key findings. First, DEMATEL-ISM analysis produced a hierarchical network illustrating the causal relationships among risks. This network revealed that risks such as “lack of attention to regional welfare and social issues” (C5) and “failure to document lessons learned” (C10) act as root causes, influencing higher-level risks like “financial challenges” (C1) and “equipment supply issues” (C9). Second, the FMEA-CM-TOPSIS assessment prioritized risks, identifying C1 (with a closeness coefficient of 0.758511) and C9 (CC of 0.562901) as the most critical risks requiring active management. Path analysis further showed that C5 and C10 exacerbate overall project risk by impacting intermediate factors (e.g., C1 and C9). Compared to traditional FMEA, this hybrid method offered greater precision and detail in analyzing interdependencies, enabling the identification of key vulnerabilities in the project structure.
Conclusion: By integrating DEMATEL-ISM and FMEA-CM-TOPSIS, this research presents an innovative framework for risk identification, analysis, and evaluation in petrochemical projects. The approach enhances the prioritization of critical risks and, through path analysis, enables data-driven decision-making for managers, ultimately reducing losses and boosting efficiency. Future research could explore the probability of risk occurrence using historical data and impact networks. Additionally, leveraging data mining to automate risk identification and prediction based on past industry patterns could further improve risk management processes. This study marks a significant step toward advancing risk management in the petrochemical sector, paving the way for more sophisticated future investigations.

کلیدواژه‌ها [English]

  • Petrochemical risk management
  • Interpretive Structural Modelling (ISM)
  • Dematel
  • Failure Mode And Effects Analysis (FMEA)
  • Cloud Model (CM)

مراجع

  1. Ahsan, F., Naseem, A., Ahmad, Y., & Sajjad, Z. (2023). Evaluation of manufacturing process in low variety high volume industry with the coupling of cloud model theory and TOPSIS approach. Quality Engineering, 35(2), 222-237.
  2. Ahmadi, O., Mortazavi, S. B., Mahabadi, H. A., & Hosseinpouri, M. (2020). Development of a dynamic quantitative risk assessment methodology using fuzzy DEMATEL-BN and leading indicators. Process Safety and Environmental Protection, 142, 15–44.
  3. Akyuz, E., & Celik, E. (2015). A fuzzy DEMATEL method to evaluate critical operational hazards during the gas freeing process in crude oil tankers. Journal of Loss Prevention in the Process Industries, 38, 243–253.
  4. Ali-Kazemi, M., Ehtesham-Rathi, R., & Ali-Hosseini, M. (2020). Assessment of human risk factors in oil and gas projects: A case study of Pars Oil and Gas Company. Energy Policy and Planning Research Journal, 6(1), 28.
  5. Asgarizadeh, E., & Mohammadi Balani, A. (2019). Multicriteria decision-making techniques. Tehran: University of Tehran Press.
  6. Cai, B., Zhao, L., Liu, Y., Zhang, Y., Li, W., Shao, X., & Liu, Y. (2022). Quantitative risk assessment methodology of installation process for deepwater oil and gas equipment. Journal of Cleaner Production, 341, 130835.
  7. Cooper, D. F. (2005). Project risk management guidelines: Managing risk in large projects and complex procurements. London: Wiley.
  8. Dalkey, N., & Helmer, O. (1963). An experimental application of the Delphi method to the use of experts. Management Science, 9(3), 458–467.
  9. Delbecq, A. L., Van de Ven, A. H., & Gustafson, D. H. (1975). Group techniques for program planning: A guide to nominal group and Delphi processes. Scott, Foresman.
  10. Ebadzadeh, F., Monavari, S. M., Jozi, S. A., Robati, M., & Rahimi, R. (2023). Combining the Bow-tie model and EFMEA method for environmental risk assessment in the petrochemical industry. International Journal of Environmental Science and Technology, 20(2), 1357-1368.
  11. Emami, M., Hejazi, B., Karimi, M., & Mousavi, S. A. (2022). Quantitative risk assessment and risk reduction of integrated acid gas enrichment and amine regeneration process using Aspen Plus dynamic simulation. Results in Engineering, 100566.
  12. Goodarzi, N., & Nazari, A. (2024). Evaluation of human resource productivity risks, fuzzy DEMATEL and system dynamics approach (case study: High-rise building projects). Journal of Industrial Management Perspective, 14(3), 141-168. https://doi.org/10.48308/jimp.14.3.141
  13. Project Management Institute. (2008). A guide to the project management body of knowledge (PMBOK® guide)(Vol. 11, pp. 7-8).
  14. Guo, X., Yang, Z., Sun, J., & Zhang, Y. (2024). Impact pathways of emerging ITs to mitigate supply chain vulnerability: A novel DEMATEL-ISM approach based on grounded theory. Expert Systems with Applications, 239, 122398.
  15. Khodadlikhoo, S. (2011). Quantitative analysis of the impact of risks on time and cost of activities among them (Master's thesis, School of Civil Engineering, University of Tehran).
  16. Li, J., & Xu, K. (2021). A combined fuzzy DEMATEL and cloud model approach for risk assessment in process industries to improve system reliability. Quality and Reliability Engineering International, 37(3), 2110–2133.
  17. Li, D., Liu, C., & Gan, W. (2009). A new cognitive model: Cloud model. International Journal of Intelligent Systems, 24(3), 357-375.
  18. Liu, H. C., Wang, L. E., Li, Z., & Hu, Y. P. (2018). Improving risk evaluation in FMEA with cloud model and hierarchical TOPSIS method. IEEE Transactions on Fuzzy Systems, 27(1), 84-95.
  19. Mazumder, R. K., Salman, A. M., & Li, Y. (2021). Failure risk analysis of pipelines using data-driven machine learning algorithms. Structural Safety, 89, 102047.
  20. Meng, X., Zhu, J., Chen, G., Shi, J., Li, T., & Song, G. (2022). Dynamic and quantitative risk assessment under uncertainty during deepwater managed pressure drilling. Journal of Cleaner Production, 334, 130249.
  21. Moniri, M. R., Alam Tabriz, A., & Ivoq, A. (2022). Risk assessment of major repair projects in upstream oil process industries using a combined fuzzy multicriteria decision-making method. Industrial Management Perspective Journal, 12(46), 135-173.
  22. Moradi, M., & Mirzazadeh, M. (2019). Identification, assessment, and ranking of production risks in the pharmaceutical industry using failure mode analysis method: A case study of Subhan Daru Company. Healthcare Management Quarterly, 10(31), 10.
  23. Nabavi, B. (1997). Introduction to research methods in social sciences. Tehran: Farvardin Publishing.
  24. Nazari, A., Jaberi, M., & Sadegh Amal Nik, M. (2013). Developing a risk management model for project-based organizations. Advances in Industrial Engineering, 47(1), 93-104. https://doi.org/10.22059/jieng.2013.35513
  25. Okoli, C., & Pawlowski, S. D. (2004). The Delphi method as a research tool: An example, design considerations and applications. Information & Management, 42(1), 15-29.
  26. Planning and Strategic Supervision Bureau. (2008). Risk management in projects(Publication No. 659). Tehran: Publications of the Planning and Strategic Supervision Bureau.
  27. Project Management Institute. (2017). A guide to the project management body of knowledge (PMBOK® guide)(6th ed.). Project Management Institute.
  28. Project Management Institute (PMI), Project Management Standards Collection (translated by Project Management Research and Development Center, Petrochemical). (2013). Tehran: Mehreban Publishing.
  29. Project Management Research and Development Center (Petrochemical). (2012). Identification of common risks in petrochemical projects at all stages of the project life cycle and proposing reaction strategies. Internal organizational research report. Petrochemical Industry Development Management Company.
  30. Razini, R., Azar, A., & Mohammadi, M. (2013). A performance measurement model for agile organizations: A structural-interpretive modeling approach. Industrial Management Perspective Journal, 3(4), 87-109.
  31. Renjith, V. R., Madhu, G., Nayagam, V. L. G., & Bhasi, A. B. (2010). Two-dimensional fuzzy fault tree analysis for chlorine release from a chlor-alkali industry using expert elicitation. Journal of Hazardous Materials, 183, 103–110.
  32. Rezaei-Aghmashhadi, M., Mahfoozi, G., & Rahimzadeh, F. (2022). Applying Delphi-Fuzzy and Fuzzy DEMATEL approaches to identify and assess the factors affecting the credit risk of individual clients in Bank Melli Iran. Financial Engineering and Securities Quarterly, 13(51), 27.
  33. Sarmad, Z., Bazargan, A., & Hejazi, E. (2013). Research methods in behavioral sciences. Tehran: Agah Publishing.
  34. Vahdani, B., Salimi, M., & Charkhchian, M. (2015). A new FMEA method by integrating fuzzy belief structure and TOPSIS to improve risk evaluation process. International Journal of Advanced Manufacturing Technology.
  35. Wang, L., Yan, F., Wang, F., & Li, Z. (2021a). FMEA-CM based quantitative risk assessment for process industries—A case study of coal-to-methanol plant in China. Process Safety and Environmental Protection, 149, 299–311.
  36. Wang, M., Wang, Y., Shen, F., & Jin, J. (2021b). A novel classification approach based on integrated connection cloud model and game theory. Communications in Nonlinear Science and Numerical Simulation, 93, 105540.
  37. Wang, Y., Gao, M., Wang, J., Wang, S., Liu, Y., Zhu, J., & Tan, Z. (2021c). Measurement and key influencing factors of the economic benefits for China’s photovoltaic power generation: A LCOE-based hybrid model. Renewable Energy, 169, 935–952.
  38. Wang, J. Q., Peng, J. J., Zhang, H. Y., Liu, T., & Chen, X. H. (2015). An uncertain linguistic multi-criteria group decision-making method based on a cloud model. Group Decision and Negotiation, 24(1), 171-192.
  39. Wu, X., Huang, H., Xie, J., Lu, M., Wang, S., Li, W., & Sun, X. (2023). A novel dynamic risk assessment method for the petrochemical industry using bow-tie analysis and Bayesian network analysis method based on the methodological framework of ARAMIS project. Reliability Engineering & System Safety, 237, 109397.
  40. Yan, F., Li, Z. J., Dong, L. J., Huang, R., Cao, R. H., Ge, J., & Xu, K. L. (2021). Cloud model-clustering analysis based evaluation for ventilation system of underground metal mine in alpine region. Journal of Central South University, 28(3), 796-815.
  41. Zegordi, S., Nazari, A., & Rezaee Nik, E. (2014). Project risk assessment by a hybrid approach using fuzzy-ANP and fuzzy-TOPSIS. Sharif Journal of Industrial Engineering & Management, 29-1(2), 3-14.
  42. Zhu, J., Chen, G., Yin, Z., Khan, F., & Meng, X. (2022). An integrated methodology for dynamic risk evaluation of deepwater blowouts. Journal of Loss Prevention in the Process Industries, 74, 104647.

فایل ها

هم رسانی

ارجاع به این مقاله

آمار