کنترل موجودی محصولات فسادپذیر در یک سیستم VMI با قابلیت جایگزینی محصولات ناموجود: رویکرد برنامه‌ریزی پویا تصادفی

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی دکتری، گروه مهندسی صنایع، دانشگاه آزاد اسلامی، واحد قزوین، قزوین، ایران.

2 دانشیار، گروه مهندسی صنایع، دانشگاه آزاد اسلامی، واحد قزوین، قزوین، ایران.

3 دانشیار، گروه مهندسی صنایع، دانشکده مهندسی، دانشگاه الزهرا ، تهران، ایران.

10.48308/jimp.14.2.181

چکیده

مقدمه و اهداف: درنظرگرفتن خاصیت فسادپذیری و همچنین قابلیت جایگزینی، یکی از مهم‌ترین چالش‌های طراحی و بهینه‌سازی تصمیمات سیستم‌های مدیریت موجودی توسط فروشنده (VMI) است. این چالش زمانی بیشتر موردتوجه قرار می‌گیرد که در تقاضا محصول عدم‌­قطعیت وجود داشته باشد. بر این اساس، هدف اصلی این پژوهش، ارائه رویکرد برنامه‌ریزی پویا تصادفی برای کنترل بهینه تصمیمات در این سیستم‌های VMI با عدم‌قطعیت پویا تقاضا است که توسط آن سطح سفارش‌دهی و موجودی محصولات فسادپذیر در شبکه دوسطحی شامل فروشنده و خریداران بهینه می‌شود.
روش‌ها: پس از تعریف مسئله موردنظر این پژوهش در توسعه سیستم‌های VMI، با توجه به عدم­‌قطعیت و خاصیت فسادپذیری، مسئله در یک چارچوب چنددوره‌ای مدل‌سازی شده و از رویکرد برنامه‌ریزی پویا تصادفی(SDP) برای فرمولاسیون آن استفاده می­‌شود. در مدل پیشنهادی، تابع هدف، بیشینه­‌کردن سود انتظاری است که در آن هزینه‌های مختلف ازجمله سفارش‌دهی و نگهداری به‌حساب می‌آید که هزینه نگهداری وابسته به عمر باقی‌مانده محصول است؛ به این معنا که هرچه محصول به پایان عمر خود نزدیک شود، هزینه نگهداری آن افزایش می‌یابد. مدل SDP پیشنهادی این پژوهش به شیوه بازگشتی اجرا می‌شود و از نرم‌افزار متلب برای پیاده‌سازی آن استفاده می‌­شود. هر مرحله از مدل SDP به‌صورت یک مدل بهینه‌سازی ساده‌تر خطی است که با حل‌کننده CPLEX به‌صورت کارا حل می‌شود.
 یافته‌ها: نتایج عددی نشان‌دهنده کارایی روش SDP برای حل این مسئله است و با استفاده از آن می‌توان با کنترل هزینه‌های مختلف در یک سیستم VMI و تصمیمات بهینه در مراحل مختلف تحت هر وضعیت، سود در پایان دوره‌های زمانی را بهبود داد. جایگزینی کالا در صورت مواجهه با کمبود موجب می‌شود که نخست در صورت کمبود در یک مرکز و ناتوانایی تأمین‌کننده برای تأمین آن، مرکز، موجودی مازاد خود را عرضه کند تا از کمبود جلوگیری شود. دوم، درصورتی‌که موجودی انبار یک مرکز توزیع به تاریخ انقضا نزدیک ‌شود، از فساد آن جلوگیری می‌شود. به‌طورکلی این امکان موجب کاهش هزینه‌های کمبود و هزینه فسادپذیری می‌شود. نتایج مرتبط با طول عمر محصول نشان می‌دهد که در صورت لحاظ‌­کردن طول عمر باقی‌مانده محصول در سیستم کنترل موجودی مبتنی بر سیستم VMI می‌توان از اطلاعات بین لایه توزیع و تأمین برای کاهش قیمت، جابه­جایی موجودی آن به یک مرکز دیگر و حتی تغییر سیاست کنترل موجودی استفاده کرد تا نه‌تنها از فسادپذیری محصول جلوگیری شود، بلکه از هزینه‌های کمبود و سفارش‌دهی مجدد نیز کاسته شود. برای مدل­کردن این ویژگی، ابتدا یک طول عمر کامل برای هر محصول تازه تأمین ‌شده و سپس یک مجموعه دوره تعریف می‌شود. به­ازای هر دوره برنامه‌ریزی، درصورتی‌که محصول به مشتری نهایی تحویل داده نشود (موجودی انبار باشد)، عمر باقی‌مانده آن یک دوره/ روز از عمر اولیه تعریف‌شده کسر می‌شود و به‌مرور از حالت تازه خارج و در دسته محصولات کهنه قرار می‌گیرد که مشمول کاهش قیمت می‌شود؛ همچنین درنتیجه مقایسه مدل پیشنهادی با لحاظ­کردن قابلیت جایگزینی، نسبت به حالتی که کمبود در نظر گرفته نمی‌شود، ملاحظه می‌شود که بهبود 5/10 درصدی در سود ایجاد می‌شود.
نتیجه‌گیری: در مدیریت سیستم‌های VMI مدرن، در­نظر­گرفتن پویایی در رفتار تقاضا و عدم‌­قطعیت مرتبط با آن بسیار حائز اهمیت است و می‌تواند بر سود بنگاه‌ها بسیار تأثیرگذار باشد. رویکرد SDP با در­نظر­گرفتن سناریوهای محتمل عدم­قطعیت تقاضا، امکان ایجاد جایگزینی و نهایتاً توجه به طول عمر محصول، تصمیمات بهینه در وضعیت‌های مختلف را فراهم می‌آورد و نه‌تنها ریسک تصمیم‌گیری را کاهش می‌دهد که موجب می‌شود سود نهایی نسبت به مدل‌های مقدار اسمی و مدل‌های کلاسیک در مبانی نظری بهبود قابل‌ملاحظه‌ای داشته باشد.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Inventory Control of Perishable Products in a VMI System with the Ability of Replacing Unavailable Products: Stochastic Dynamic Programming Approach

نویسندگان [English]

  • Esmat Ahmadi Tootkaleh 1
  • Behrouz Afshar Najafi 2
  • Mehdi Seifbarghi 3
1 Ph.D. student, Department of Industrial Engineering, Islamic Azad University, Qazvin branch, Qazvin, Iran.
2 Associate Professor, Department of Industrial Engineering, Islamic Azad University, Qazvin Branch, Qazvin, Iran.
3 Associate Professor, Department of Industrial Engineering, Faculty of Engineering, Al-Zahra University, Tehran, Iran.
چکیده [English]

Introduction: Considering the perishability and substitutability of products are among the most significant challenges in the design and optimization of decision-making in Vendor Managed Inventory (VMI) systems. This challenge becomes more pronounced when there is uncertainty in product demand. Therefore, the primary objective of this research is to present a stochastic dynamic programming approach for optimal control of decisions in VMI systems with dynamic demand uncertainty, optimizing the ordering levels and inventory of perishable products in a two-tier network including vendors and buyers.
Methods: After defining the problem of interest in developing VMI systems, considering demand uncertainty and product perishability, the problem is formulated in a multi-period modeling framework, and a stochastic dynamic programming (SDP) approach is used for its formulation. In the proposed SDP model, the objective function is to maximize expected profit by taking into account various costs such as ordering and holding, where the holding cost is dependent on the remaining product life; meaning that as the product approaches its expiration date, the holding cost increases. The proposed SDP model is executed in a recursive manner, and MATLAB software is used for its implementation. Each step of the SDP model is a simpler linear optimization model that is efficiently solved using the CPLEX solver.
Results and discussion (Findings): Numerical results demonstrate the computational effectiveness of the SDP method in solving this problem. Using this approach, it is possible to control different costs in a VMI system and make optimal decisions at different stages under any state, thereby improving profit at the end of the time periods.
Product substitution in the event of a shortage ensures that, firstly, in the case of a shortage at one center and the supplier's inability to replenish, the center offers its excess inventory to prevent the shortage. Secondly, if the inventory in a distribution center approaches its expiration date, spoilage is prevented. Therefore, the substitution capability generally leads to a reduction in shortage costs and spoilage costs. Results related to product shelf life indicate that by considering the remaining shelf life of products in a VMI-based inventory control system, information between the distribution and supply layers can be used to reduce prices, transfer inventory to another center, and even change inventory control policies to not only prevent product spoilage but also reduce shortage and reordering costs. To model this feature, a full shelf life is initially defined for each newly supplied product, and then a set of periods is defined. For each planning period, if the product is not delivered to the end customer (remains in inventory), one period/day is deducted from the initially defined shelf life, and over time, it moves from a fresh state to the category of older products, which are subject to price reductions. Furthermore, comparing the proposed model with substitution capability in the case of a shortage to the case where a shortage is not considered, it is observed that there is a 10.5% improvement in profit.
Conclusion: In the management of modern VMI systems, considering the dynamism in demand behavior and the associated uncertainty is very important and can significantly affect the profitability of enterprises. This importance is doubled when the system in question is managed for the inventory control of perishable products. The SDP approach, by considering potential scenarios of demand uncertainty, enabling substitution, and ultimately paying attention to product shelf life, provides optimal decisions in different situations and not only reduces the risk of decision-making but also leads to a noticeable improvement in final profit compared to nominal quantity models and classical optimization models in the literature.

کلیدواژه‌ها [English]

  • Vendor-Managed Inventory
  • Uncertain Demand
  • Perishable Products
  • Two-Stage Supply Chain
  • Replacing Ability
  • Stochastic Dynamic Programming

مراجع

  1. Abad, P. L. (2003). Optimal pricing and lot-sizing under conditions of perishability, finite production and partial backordering and lost sale. European Journal of Operational Research, 144(3), 677–685.
  2. Abad, P. L. (1996). Optimal Pricing and Lot-Sizing Under Conditions of Perishability and Partial Backordering. Management Science, 42(8), 1093–1104.
  3. Aschemann-Witzel, J. (2018). Consumer perception and preference for suboptimal food under the emerging practice of expiration date based pricing in supermarkets. Food Quality and Preference, 63, 119–128.
  4. Akbari Kaasgari, M., Imani, D. M., & Mahmoodjanloo, M. (2017). Optimizing a vendor managed inventory (VMI) supply chain for perishable products by considering discount: Two calibrated meta-heuristic algorithms. Computers and Industrial Engineering, 103, 227–241.
  5. Chen, B., & Chao, X. (2020). Dynamic inventory control with stockout substitution and demand learning. Management Science, 66(11), 5108–5127
  6. Chołodowicz, E., & Orłowski, P. (2021). Development of new hybrid discrete-time perishable inventory model based on Weibull distribution with time-varying demand using system
  7. Crama, Y., Rezaei, M., Savelsbergh, M., & Van Woensel, T. (2018). Stochastic inventory routing for perishable products. Transportation Science, 52(3), 526–546.
  8. Disney, S. M. & Towill, D. R. (2003). The effect of vendor managed inventory (VMI) dynamics on the Bullwhip Effect in supply chains. Int. J. Prod. Econ., 85(2), 199–215.
  9. Govindan, K. (2013).Vendor-managed inventory: A review based on dimensions. Int. J. Prod. Res., 51(13), 3808–3835.
  10. Hasanpour, J. Hasani, A., Ghodoosi, M. (2018). Delayed Policy in the Inventory Model of Deteriorating Goods with Quadratic Demand in Order to Backlogging Shortage. The Journal of Industrial Management Perspective, 28, 199–230. (In Persian)
  11. Hoorshad, A., Safari, H., Ghasemi, R., (2023). Developing smart supply chain management model in Fast-moving Consumer Goods Industry. The Journal of Industrial Management Perspective, 5, 91–131. (In Persian)
  12. Janssen, L., Claus, T., & Sauer, J. (2016). Literature review of deteriorating inventory models by key topics from 2012 to 2015. In International Journal of Production Economics, 182, 86–112.
  13. Koren, M., Perlman, Y., & Shnaiderman, M. (2022). Inventory Management Model for Stockout Based Substitutable Products. IFAC-PapersOnLine, 55(10), 613–618.
  14. Maity, K., & Maiti, M. (2009). Optimal inventory policies for deteriorating complementary and substitute items. International Journal of Systems Science, 40(3), 267–276.
  15. Nahmias, S. (2011). Perishable Inventory Systems, 160.
  16. Gürtler, O, (2009). On pricing and protection of complementary products. Rev. Manag. Sci., 3(3), 209–223. doi: 10.1007/S11846-009-0032-7.
  17. Puterman, M. L. (2005). Markov decision processes discrete stochastic dynamic programming.
  18. Shavandi, H., Mahlooji, H., & Nosratian, N. E. (2012). A constrained multi-product pricing and inventory control.
  19. Shin, H., Park, S., Lee, E., & Benton, W. C. (2015). A classification of the literature on the planning of substitutable products. European Journal of Operational Research, 246(3), 686–699.
  20. Transchel, S. (2017). Inventory management under price-based and stockout-based substitution. European Journal of Operational Research, 262(3), 996–1008.
  21. Transchel, S. & Hansen, O. (2019). Supply planning and inventory control of perishable products under lead-time uncertainty and service level constraints. Procedia Manufacturing, 39, 1666–1672.
  22. Zamani Bajegani, H., Gholamian, M.R.,(2018). An Inventory Model for Obsolescence Items with Permissible Delay in Payments and Inflation. Journal of Industrial Management Perspective, 28, 77–105. (In Persian)          
  23. Zhang, X., Yang, M., Su, J., Yang, W., & Qiu, K. (2020). Research on product color design decision driven by brand image. Color Research and Application, 45(6), 1202–1216.
  24. Wal, J. van der. (1980). Stochastic dynamic programming : successive approximations and nearly optimal strategies for Markov decision processes and Markov games.
  25. Winston, W. L. (2022). Operations research: applications and algorithms. Cengage Learning.

فایل ها

هم رسانی

ارجاع به این مقاله

آمار