تعیین تعداد بهینۀ کانبان در سیستم‌های کانبان حمل با رویکردهای برنامه‌ریزی ریاضی چندهدفه و شبیه‌سازی

نوع مقاله: مقاله پژوهشی

نویسنده

استادیار گروه مهندسی صنایع، دانشکده فنی و مهندسی، دانشگاه آزاد اسلامی واحد تهران شمال، تهران، ایران

چکیده

سیستم کانبان حمل در زنجیره‌های تأمین با انتقال مناسب اطلاعات باعث کاهش انواع اتلاف‌ها می‌شود. تحقق اهداف تولید ناب مستلزم تعیین مناسب مؤلفه‌‌هایی مانند تعداد کانبان در سیکل است. مسئلۀ تعیین تعداد کانبان در سیکل، مسأله‌ای چند‌هدفه است که باید اهداف تولید‌کننده و تأمین‌کنندگان را با‌توجه‌به شرایط زنجیره تأمین برآورده کند. در این مقاله براساس مطالعۀ زنجیره تأمین خودرو، اهداف و محدودیت‌های مسأله در سیستم کانبان حمل تعیین شده است. مدلی مبتنی بر برنامه‌ریزی ریاضی عدد صحیح چندهدفه با توابع هدف غیرخطی برای تعیین تعداد کانبان و هدف کاهش هزینه‌های موجودی و حمل‌و‌نقل توسعه داده شده است. قابلیت اجرا و اثربخشی مجموعه جواب‌های مدل ریاضی با توسعۀ یک مدل شبیه‌سازی بررسی شده است. یکی از جواب‌های بهینه می‌تواند 44 درصد هزینه‌های موجودی را نسبت به وضع موجود کاهش دهد در حالیکه باعث افزایش 11 درصدی هزینه حمل و نقل می‌شود.

کلیدواژه‌ها


عنوان مقاله [English]

Muti-Objective Optimization and Simulation Model To Design The Withdrawal Kanban Systems

نویسنده [English]

  • Vahid Baradaran
Assistant Professor, Industrial Engineering Department, Islamic Azad University, Tehran North Branch, Tehran, Iran
چکیده [English]

The withdrawal Kanban system, by capability of data transferring in supply chain reduces different types of the waists such as inventories level and unnecessary movements. To achieve the aims of lean production, the parameters of the Kanban system such as the number of Kanban should be determined properly. The number of Kanban problem is a multi-objective problem which should met the aims of producers and suppliers simultaneously. In this paper, the objectives and constraints of withdrawal Kanban problem has been determined based on a case study in automobile supply chain. A mathematical integer multi-objective model with non-linear objects has been developed. Two sets of solutions are generated by the optimization model. A simulation model is developed to check the possibility and validity of solutions. The simulation studies show that one of the solutions can reduce up to 46 percent the inventory costs while increase 11 percent transportation costs compared to the current state.
Introduction: Kanban as a scheduling system is an effective tool in lean manufacturing and pull production systems Kanban which helps to determine and order the quantity of allowed production and the amount of Semi-manufactured product allowed movement between workstations or supply chain components. By controlling the inventories at any point in the production and supply chain, Kanban could improve the efficiency. There are two types of Kanban: production Kanban and withdrawal Kanban. The production Kanban determines what to produce, when to produce it, and how much to produce in the workstations of manufacturing systems. While, the withdrawal Kanban determines the transfer time of different parts between various stations of the production line, or between the supply chain components. To be effective, the Kanban systems should be designed for a production system. The number of Kanban in cycle, the volume of each Kanban and the ordering point are the designing elements of Kanban. In this paper, designing the withdrawal Kanban including determining the optimal number of Kanban in cycle in supply chains is examined. Designing the withdrawal Kanban system in a supply chains affects the performance and satisfaction of supply chain components. The main contributions of this paper are: (1) Analysis of withdrawal Kanban in supply chains to identify the effects of the Kanban parameters on components of supply chain. (2) Developing a multi-objective optimization model to determine the optimal number of withdrawal Kanban by considering the objectives and constraints of the main manufacturer and supplies in the supply chain. (3) A discrete-event simulation model is constructed to compare the results of optimization model and other solutions in terms of performance indexes.
 Materials and Methods: A non-linear multi-objective mathematical model with four objectives is developed to determine the optimal number of withdrawal Kanban and type of vehicles which transport the Kanbans between supplies and manufacturer. The inventory, transportation, capital costs are the objective functions of the mathematical optimization model. The constraints such as vehicle capacities are considered in the mathematical model. The L-P metric method is used to convert the multi-objective model to single-objective mathematical model. The proposed model is used to design the withdrawal Kanban system in the production of an automobile component in Iran-Khodro. To evaluate the results of mathematical model and other models, a simulation model is developed. The case study are simulated with different scenarios based on the results of the proposed model, existing conditions, and other solutions. Finally, the results of simulation studies are compared
 Results and Discussion: The simulation studies show the solutions which obtained the proposed model compared to the current state, which can reduce up to 28 and 46 percent the capital and inventory costs, respectively. While the transportation costs will increase 11 percent.
 Conclusion: The Kanban system increase the efficiency of production system, if the Kanban system design properly. The design parameters of withdrawal Kanban system affect the performance and costs in a supply chain. By minimizing the capital, transportation and inventory costs in main manufacturer and suppliers of a supply chain, the optimal number of withdrawal Kanban in cycle is determined. The simulation model is proposed to evaluate the results of optimization model and measure the performance indexes of Kanban system before implementation.
 
References
Abdul Rahman, N. A., Sharif S. M. & Mashitah M. E. (2013). “Lean Manufacturing Case Study with Kanban System Implementation”. Procedia Economics and Finance, 7, 174 – 180.
Azadeh, A., Layegh, J. & Pourankooh, P. (2010a). “Optimal Model for Supply Chain Controlled by kanban under JIT Philosophy by Integration of computer Simulation and Genetic Algorithm”. Basic and Applied Sciences, 4(3), 370-378.
Belisario, L. S. & Pierreval, H. (2015). “Using genetic programming and simulation to learn how to dynamically adapt the number of cards in reactive pull systems”, Expert Systems with Applications, 42 (6), 3129-3141

کلیدواژه‌ها [English]

  • Design Kanban System
  • Withdrawal Kanban
  • Optimal Number of Kanban
  • Simulation
  • Multi-Objective Optimization

مقدمه

تأمین‌کنندگان، تولیدکنندگان، توزیع‌کنندگان و مشتریان اجزای یک زنجیره تأمین را تشکیل می‌دهند. کارایی یک زنجیره تأمین علاوه بر کارایی تک تک اجزای آن، منوط به کارایی یکپارچه و با در نظر گرفتن ارتباط بین اجزای زنجیره تأمین است. استفاده از مبانی رویکرد تولید ناب در زنجیره‌های تأمین علاوه بر افزایش بهره‌وری اجزاءِ زنجیره، به بهبود یکپارچگی اجزاءِ زنجیره کمک خواهد کرد. براساس رویکرد تولید ناب، هر فعالیتی که ارزش افزوده برای محصول نداشته باشد، زائد است و باید حذف شود (کریشناجاستی و کُدالیب[i]، 2015). موجودی‌های در جریان ساخت و حمل‌و‌نقل‌های زائد از مهم‌ترین انواع اتلاف است. با حذف یا کاهش این اتلاف‌ها، هزینة اجزاء و کل زنجیره کاهش یافته است؛ در‌نهایت به بهبود عملکرد و افزایش بهره‌وری زنجیره تأمین  منجر می‌شود. شناسایی، طراحی و پیاده‌سازی سیستم موجودی مناسب در زنجیره تأمین اهمیت زیادی دارد. سیستم موجودی مناسب باید توانایی مدیریت و کنترل انواع موجودی‌ها را در همۀ زنجیره  داشته باشد و درعین حال باعث کاهش هزینه‌ها به‌خصوص هزینه‌های حمل‌و‌نقل در زنجیره تأمین شود (عرب و همکاران، 1392). یکی از ارکان رویکرد تولید ناب در زنجیره ‌تأمین، تولید براساس سیستم کششی[ii] است. این سیستم به تولیدکنندگان این امکان را می‌دهد تا ارزش مورد انتظار مشتری را از فرآیند تولید بیرون بکشند. سیستم کششی در مقابل سیستم فشاری[iii] قرار دارد. در سیستم کششی، تأمین و تولید در شرایطی اتفاق می‌افتد که مشتریان نهایی آن را درخواست کنند و این موضوع باعث کاهش موجودی‌های در جریان ساخت می‌شود؛ ‌درحالی‌که تولید‌کنندگان در سیستم فشاری، تولید را مبتنی بر پیش‌بینی تقاضا انجام می‌دهند؛ به‌همین دلیل در این سیستم، سطح موجودی‌های در جریان ساخت افزایش می‌یابد (انکار و ونگ[iv]، 1992). یکی از روش‌های مؤثر در پیاده‌سازی سیاست تولید کششی، سیستم کانبان است. در زبان ژاپنی کانبان در لغت به‌معنی کارت است و در اصطلاح، دربردارندۀ اطلاعاتی است که دستور تولید یا انتقال کالا را به ایستگاه قبلی یا تأمین‌کننده صادر می‌کند (مارخام[v] و همکاران، 1998). به‌کمک کانبان، میزان مجاز تولید در هر ایستگاه کاری و  میزان جابجایی مجاز کالای نیمه‌ساخته بین ایستگاه‌های کاری یا اجزاء زنجیره ‌تأمین تعیین و ابلاغ می‌شود (جُدیشانکار و ونگ، 1992؛ جونیور و فیلهو[vi]، 2010). این سیستم اولین بار در شرکت تویوتا طراحی و اجرا شد. کانبان، قابلیت انتقال به‌موقع اطلاعات و اقلام موجودی در طول زنجیره‌های تأمین و امکان برقراری ارتباطات در    سطح‌های مختلف زنجیره را فراهم می‌کند (زیپکین[vii]، 1991؛ موتابیان، 1386)؛ به‌همین علت استفاده از این سیستم در سایر کشورها و صنایع در حال افزایش است (مارخام و همکاران، 1998؛ فیلیپوم[viii] و همکاران، 1987). در صنایع خودروسازی به سیستم کششی و کانبان بیشتر توجه شده است. این توجه  به‌دلیل هزینه‌های زیاد حمل‌و‌نقل، نیاز به فضاهای  بیشتر و تنوع زیاد قطعات و محصولات نیاز است (سالتُگلو و اوسان[ix]، 2015). سیستم کانبان با سفارش‌گذاری در زمان معین و با مقدار مناسب علاوه بر کاهش تولید مازاد، سطح موجودی‌های نیمه‌ساخته را در زنجیره تأمین کاهش می‌دهد. این کار به برنامه‌ریزان امکان می‌دهد تا از تجهیزات حمل‌و‌نقل مناسب برای کاهش حمل‌و‌نقل‌های زائد و رسیدن به اهدف نگرش تولید ناب استفاده کنند (عبدالرحمان[x] و همکاران، 2013).

به‌طور کلی دو نوع کانبان در تولید  استفاده می‌شود (چارسوقی و ساجدی‌نژاد[xi]، 2010)؛ کانبان تولید[xii]  که نوع و میزان تولید را به ایستگاه‌های کاری یا اجزاءِ زنجیره ‌تأمین ابلاغ می‌کند و کانبان انتقال[xiii] (حمل) که نقش مجوز جابجایی برای میزان معینی از یک کالای خاص را بین بخش‌های مختلف بر عهده دارد. کانبان حمل، زمان انتقال قطعات بین ایستگاه‌های مختلفِ خط تولید یا بین اجزاء زنجیره تأمین را تعیین می‌کنند (مارخام و همکاران، 1998). علاوه بر مشخص‌کردن قطعه و مقدار، کانبان حمل مشخص می‌کند قطعه از کجا می‌آید و به کجا می‌رود. نحوۀ به‌کارگیری کانبان در تولید معمولاً تابع دو شیوۀ تک‌کانبان و دوکانبان است. در شیوۀ تک‌کانبان که به‌طور معمول از نوع انتقال هستند به‌میزان قطعاتی که مجوز انتقال می‌گیرند، قطعه در همان ایستگاه، تولید و جایگزین قطعات منتقل‌شده می‌شوند. در سیستم دوکانبان مقدار کالایی که در هر ایستگاه، مجوز تولید می‌گیرد با مقدار کالای منتقل‌شده از آن ایستگاه برابر نیست.

سیستم کانبان زمانی که به‌طور مناسب طراحی شود اثربخش است و اهداف تولید ناب را تضمین می‌کند (خجسته و ساتو[xiv]، 2015؛ پِدریِّلی[xv] و همکاران، 2015). این سیستم نیز مانند سایر سیستم‌ها باید با‌توجه‌به محدودیت‌ها و شرایط موجود در هر صنعت طراحی شود تا کارایی لازم را داشته باشد (جونیور و فیلهو، 2010). مطالعات شبیه‌سازی خجسته و ساتو (2015) اهمیت طراحی سیستم کنترل کانبان را در سیستم‌های تولید با ویژگی‌های متفاوت نشان داد. آنها نشان دادند کانبان در محیط‌های تولیدیِ مختلف عملکرد متفاوتی دارد و پارامترهای آن برای هر سیستم تولیدی خاص تعیین می‌شود.

تعیین پارامترهایی مانند تعداد کانبان در سیکل، حجم هرکانبان و تعیین نقطۀ سفارش از جمله مؤلفه‌هایی هستند که باید به‌طور مناسب در مرحلۀ طراحی تعیین شوند (چان[xvi]، 2001). پارامتر حجم کانبان به‌خصوص در صنایع خودروسازی با‌توجه‌به طرح بسته‌بندی و ظرفیت پالت‌ها تعیین می‌شود. نقطۀ سفارش کانبان بستگی به میزان مصرف قطعات درون کانبان و فاصلۀ زمانی سفارش تا دریافت دارد؛ اما مهم‌ترین پارامتر طراحی سیستمِ کانبان حمل، تعداد کانبان در گردش است. تعیین نادرست این پارامتر به‌طور مستقیم هزینه‌های نگهداری موجودی‌ها و حمل‌‌و‌نقل زنجیره تأمین را افزایش خواهد داد و بر عملکرد زنجیره تأمین تأثیر خواهد گذاشت (ربّانی[xvii] و همکاران، 2009؛ فوکوکاوا و هانگ[xviii]، 1993). این مسأله یکی از مسائل حیاتی و مهم در سیستم‌های JIT[xix] مطرح است (هُیو و هو[xx]، 2011).

هرچند در گذشته روش‌ها و مدل‌های متفاوتی مانند رویکرد شبیه‌سازی، مدل‌های صف، مدل‌های ریاضی، مدل‌های ابتکاری و رویکرد هوش‌مصنوعی برای تعیین تعداد بهینه کانبان توسعه داده شده است (فاسیو[xxi] و همکاران، 2013)،  به‌دلیل محدودیت‌هایی که در آنها وجود دارد، قابلیت استفاده در محیط‌های واقعی مانند تأمین قطعات صنعت خودروسازی را ندارند. غیرعملی‌بودن این مدل‌ها در مطالعۀ موردی این پژوهش مشهود است.  از جملۀ این محدودیت‌ها در نظر گرفتن اهداف و محدودیت‌های تولیدکنندۀ اصلی در زنجیره تأمین و  توجه نکردن به اهداف و محدودیت‌های سایر اعضای زنجیره تأمین (تأمین‌کنندگان) در این مدل‌ها یا توجه نکردن به مسئلۀ کانبان حمل (بیشتر پژوهش‌ها در حوزه کانبانِ تولید می‌باشد) و در نظر نگرفتن اهداف و محدودیت‌های حمل‌و‌نقل در زنجیره تأمین است. فاسیو و همکاران (2013)  با‌توجه‌به ادبیات پژوهش، اهدافِ مسئلۀ تعیین تعداد کانبان را حداکثرکردن میزان خروجی تولید، حداقل‌کردن فاصله تاخیر[xxii] و آماده‌سازی، حداقل‌کردن موجودی در ساخت و حداکثرکردن بهره‌برداری از امکانات تولید دسته‌بندی کردند؛ بنابراین روش‌های تعیینِ تعداد کانبان، محدود به تبادل هزینه‌های موجودی و کمبود می‌شود و تنها در پژوهش‌هایی مانند:  لولی[xxiii] و همکاران (2015)، فاسیو و همکاران (2013)، ربّانی (2009) و ویدیادانا[xxiv] و همکاران (2010) هزینه‌های حمل‌و‌نقل در نظر گرفته شده است.

در این مقاله بر مبنای برنامه‌ریزی ریاضی چندهدفه، مدلی مبتنی بر شرایط واقعی زنجیره‌های تأمین صنعت خودرو در ایران ارائه شده است. در این مدل با‌توجه‌به اهداف و محدودیت‌های سازندۀ اصلی و تأمین‌کنندۀ فرعی در زنجیره، تعداد کانبان در کانبان‌های حمل تعیین می‌شود. برای اعتبارسنجی نتایج مدل ریاضی و بررسی قابلیت پیاده‌سازی آنها مدل شبیه‌سازی طراحی شده است تا معیارهای عملکردی سیستم کانبان را در دو شرایط فعلی، تأمین یکی از قطعات صنعت خودرو و مدل بهینه‌سازی شده اندازه‌گیری و تجزیه‌ و‌ تحلیل کند.

در بخش دوم، مسئلۀ پژوهش شفاف‌تر توضیح داده شده است. بخش سوم به پیشینۀ پژوهش اختصاص یافته و در بخش چهارم مدل‌سازی مسأله ارائه شده است. بخش پنجم مطالعۀ موردی این پژوهش تشریح شده و عملکرد مدل پیشنهادی در این بخش با مدل شبیه‌سازی ارزیابی شده است. بخش پایانی نتیجه‌گیری و جمع‌بندی است.

 

بیان مسأله

سیستم کانبان نقش مدیریت فعالیت‌ها را در زنجیره تأمین برعهده دارد. این سیستم را سیستم عصبی تولید ناب می‌نامند. د‌ر‌صورتی‌که این سیستم به‌طور مناسب طرح‌ریزی و اجرا شود، زنجیره تأمین ناب محقق خواهد شد. شکل (1)، نحوۀ عملکرد کانبانِ حمل را نشان می‌دهد. کانبانِ حمل به‌طور معمول بین دو عضو زنجیره تأمین اجرا می‌شود (ربّانی، 2009). زنجیره تأمین شکل (1) از دو جزءِ تولیدکننده و تأمین‌کنندۀ منفرد برای تأمین یک نوع قطعه تشکیل شده است. در سیستم کانبان حملِ این زنجیره، هفت کانبان در گردش تعبیه شده است. مانند بیشتر سیستم‌های کانبان، هر ظرف از قطعات[xxv] معادل یک کارت کانبان در نظر گرفته می‌شود (فاسیو و همکاران، 2013). پس از آزاد‌شدن پنج کانبان (وجود دو کانبان ذخیره احتیاطی نزد تولیدکننده)، تأمین‌کننده موظف است تعدادی یا همۀ کانبان‌های آزاد‌شده به تولید‌کننده را بارگیری و ارسال کند. پس از تحویل کانبان‌ها، وسیلۀ نقلیۀ ارسال‌شده از طرف تأمین‌کننده پالت‌های خالی را برای آماده‌سازی دورۀ بعدیِ سفارش حمل می‌کند.

 

 

شکل 1- نحوه کارکرد کانبان حمل

سیم‌نوسزلوسکی و بُزِر[xxvi] (2013) نشان دادند در مسئلۀ کانبان تعداد کانبان در گردش و ظرفیت وسایل نقلیه نسبت به سایر پارامترها اهمیت بیشتری دارد و بر کمبود قطعات در ایستگاه‌های کاری تأثیرگذارتر است. اگر تعداد کانبان تنها با در نظر گرفتن منافع تولیدکننده تعیین شود، تولیدکننده ترجیح می‌دهد تا قطعات نیمه‌ساختۀ خود را به‌مقدار لازم تولید ساعتی خط مونتاژ، تأمین‌‌کند تا علاوه بر کاهش هزینۀ کالای در گردش، موجودی انبارهای خود را به حداقل برساند (فاسیو و همکاران، 2013). در این حالت تعداد دفعات ارسال و هزینه‌های حمل‌و‌نقل برای تأمین‌کننده غیراقتصادی خواهد شد؛ زیرا ممکن است تأمین‌کننده مجبور شود تا قطعات را به‌صورت پی‌درپی با وسیلۀ نقلیه‌ای ارسال کند که ظرفیت آن تکمیل نشده ‌است. از طرف دیگر از دیدگاه تأمین‌کننده، افزایش تعداد کانبان در سیکل مقرون به صرفه‌تر خواهد بود؛ زیرا در این حالت تواتر بارگیری‌های و قدرت مانور بیشتر برای استفاده از وسایل نقلیۀ بزرگتر با ظرفیت تکمیل فراهم و باعث افزایش موجودی‌ها خواهد شد (سالتُگلو و اوسان، 2015). اگرچه در مطالعات گذشته و روش‌های موجود تعداد کانبان تنها با در نظر گرفتن اهداف تولیدکننده تعیین می‌شود، لازمۀ تعیین تعداد بهینۀ کانبان حمل، در نظر گرفتن اهداف و محدودیت‌های هر دو جزء زنجیره تأمین یعنی تولیدکننده و تأمین‌کننده است.

در این مقاله مدلی مبتنی بر برنامه‌ریزی چند‌هدفه غیرخطی از نوع عدد صحیح ([xxvii]INLMOP) توسعه داده شده است. در این مدل با در نظر گرفتن اهداف و محدودیت‌های هر دو جزء زنجیره تأمین تعداد بهینۀ کانبان تعیین می‌شود. برای اعتبارسنجی رویکرد پیشنهادی از داده‌های یکی از تأمین‌کنندگان زنجیره تأمین خودرو در ایران (شرکت ایران‌خودرو) استفاده و عملکرد مدل پیشنهادی با طراحی و توسعۀ یک مدل شبیه‌سازی ارزیابی شده است.

 

پیشینه پژوهش

در سال‌های گذشته به‌دلیل اهمیت بحث تولید بهنگام و تولید ناب و لزوم اجرای سیاست تولید کششی، پژوهشگرانی به‌صورت محدود، اما روبه رشد در زمینۀ مدل‌سازی و بهینه‌سازی زنجیره تأمین کششی و طراحی انواع کانبان فعالیت کرده‌اند (چِن و سرکِر[xxviii]، 2015). جونیور و فیلهو (2010) علاوه بر معرفی انواع مسائل کانبان، مقالات ارائه‌شده در این حوزه را تا سال 2010 مطالعه و دسته‌بندی کرده‌اند. موریس و مواسیر[xxix] (2010) مسئلۀ طراحی و مدیریت کانبان را مرور و دسته‌بندی کرده‌اند. بیشتر پژوهش‌های مسئلۀ کانبان در حوزۀ کانبان‌های تولید است و در سال‌های اخیر به مسئلۀ تعیین تعداد بهینۀ کانبان حمل توجه شده است (چان، 2001). در این بخش بر مهم‌ترین پژوهش‌های مرتبط با مسئلۀ تعیین تعداد کانبان در دوره، در دو نوعِ کانبان تولید و حمل مروری شده است.

کیمورا و ترادا[xxx] (1981) از رویکرد شبیه‌سازی برای تعیین تعداد کانبان در دوره در کانبان‌های تولید استفاده کردند. آنها یک خط تولید چند‌مرحله‌ای را شبیه‌سازی کردند. در این خط تولید سیستم کانبان تولید، حجم تولید در هر ایستگاه و انتقال قطعات بین ایستگاه‌ها را تعیین می‌کند. با تعیین و تغییر تعداد کانبان در هر ایستگاه حالت بهینه برای هر ایستگاه مشخص می‌‌شود. فیلیپوم و همکاران (1987) عوامل مؤثر بر تعداد کانبان تولید را بررسی و از شبیه‌سازی برای حل مسئلۀ تعداد کانبان استفاده کردند.

مویمی و چانگ[xxxi] (1990) روش ابتکاری را برای مسئلۀ کانبان‌های تولید ارائه کردند. آنها این روش را با فرض اینکه ظرفیت تولید در هر ایستگاه نامحدود است و کمبود تقاضا مجاز نیست ارائه داده‌اند. ونگ و ونگ[xxxii] (1990) با استفاده از رویکرد فرایندهای مارکوف در نظریۀ صف تعداد کانبان بین دو ایستگاه را تعیین کردند. جُدیشانکار و ونگ (1992) از رویکرد شبکه‌های پتری[xxxiii] برای تعیین تعداد کانبان تولید با هدف حداقل‌کردن هزینه‌های کمبود و نگهداری موجودی استفاده کردند.

پرایس[xxxiv] و همکاران (1992) مدلی مبتنی بر برنامه‌ریزی ریاضی ارائه دادند که تعداد کانبان در سیکل را برای سیستم‌های کانبان تولیدn  مرحله‌ای در حالت قطعی تعیین می‌کند. هدف مدل پیشنهادی آنها حداقل‌کردن موجودی‌ها و هزینه‌های نگهداری آنها در کارگاه‌های مونتاژ است. موندن[xxxv] (1993) با فرض ثابت‌بودن حجم کانبان برای تعیین تعداد کانبان حمل، حاصل‌ضرب تقاضای روزانه، فاصلۀ تأخیر و فاکتور ذخیرۀ احتیاطی را بر حجم پالت حمل کالا تقسیم کرد. فوکوکاوا و هانگ (1993) مدل برنامه‌ریزی عدد صحیح ادغامی آرمانی را برای کانبان‌های تولید با هدف حداقل‌کردن هزینه‌های موجودی و نیروی انسانی ارائه کردند. برکلی[xxxvi] (1996) از رویکرد شبیه‌سازی برای تعیین حداقل‌ تعداد کانبان و تأمین میزان تولید ثابت استفاده کرد. تعداد بهینۀ کانبان از برابری هزینه‌های تواتر حمل‌و‌نقل و درآمد حاصل از کاهش سطوح موجودی‌های نیمه‌ساخته تعیین می‌شود. تاکاهاشی[xxxvii] (1994) مسئلۀ تعداد کانبان تولید را در شرایط تصادفی در سیستم‌های تولید سری نامتعادل[xxxviii] با رویکرد شبیه‌سازی بررسی کردند. 

نوری و سرکر[xxxix] (1998) مدل برنامه ریاضی را برای کاهش هزینه‌های نگهداری موجودی و هزینه‌های کمبود ارائه دادند. این مدل تعداد بهینۀ کانبان بین دو ایستگاه تولید را تعیین می‌کند. بسیاری از پژوهش‌ها از رابطۀ پیشنهادی شرکت تویوتا (رابطه (1)) برای محاسبۀ تعداد کانبان (n) استفاده  کردند (چان، 2001؛ جُدیشانکار و ونگ، 1992):

(1)

 

که در آن  میانگین تقاضای روزانه،  و  به‌ترتیب زمان انتظار و زمان پردازش یک کانتینر هستند.  ضریب احتیاطی و  ظرفیت کانتینر است. چان (2001) تأثیر تعداد کانبان را بر سایر سیستم‌های تولید به‌موقع (JIT) با استفاده از دو مدل شبیه‌سازی مطالعه کردند. معطر حسینی و حسینی (1383) برای تعیین تعداد بهینۀ کانبان در سیستم تولید بهنگام با شرایط پویا نوعی مدل برنامه‌ریزی خطی عدد صحیح ارائه دادند که هزینۀ نگهداری موجودی و هزینه‌های رویارویی با کمبود را حداقل می‌کند. سپس براساس مدل اولیه برای کنترل تغییرات پارامترهای تولید مدل دیگری را ارائه دادند که قابلیت تعیین تعداد کانبان متغیر و انعطاف پذیر را دارد. ونگ و سرکر[xl] (2006) سیستم موجودی یک زنجیره تأمین شامل‌ سیاست سفارش مواد اولیه و سیاست تحویل محصول نهایی را بررسی کردند. آنها مدلی مبتنی بر برنامه‌ریزی ریاضی عدد صحیح برای تعیین اندازۀ دستۀ تولید، تعداد کانبان در هر ایستگاه، سیاست سفارش‌دهی و سیاست تحویل ارائه دادند و برای حل مدل ریاضی آن از روش شاخه و کرانِ توسعه‌یافته استفاده کردند. طارقیان و همکاران (1387) برای تعیین تعداد بهینۀ کانبان از الگوریتم ابتکاری جستجوی پراکنده استفاده کردند. آنها تعداد کانبان را به‌گونه‌ای محاسبه کردند که میانگین زمان توقف سفارش‌ها در خط و میزان موجودی نیمه‌ساخته حداقل شود. درنهایت مسئلۀ نمونه را با مدل ارائه‌شده بررسی و نتایج به‌دست‌آمده را با مدل الگوریتم جستجوی ممنوع مقایسه کردند. آنها در این پژوهش نشان دادند مدل جستجوی پراکنده کارایی بیشتری دارد. ربّانی و همکاران (2009) براساس توسعۀ مدل ونگ و سرکر (2006) مسئلۀ کانبان حمل را در زنجیره تأمین چند‌مرحله‌ای بررسی کردند و از الگوریتم فرا ابتکاری اندازه‌ای[xli] برای تعیین تعداد کانبان، اندازۀ دسته، نقطۀ سفارش و مقدار تولید محصول نهایی در زنجیره تأمین استفاده کردند. ویدیادانا و همکاران (2010) برای زنجیره تأمین چند‌مرحله‌ای و چند‌محصولی مدلی ریاضی ارائه دادند.

آزاده[xlii] و همکاران (a2010) مدلی برای تعیین حجم کانبان در زنجیره تأمین چند‌مرحله‌ای با استفاده از شبیه‌سازی با الگوریتم ژنتیک ارائه دادند. با‌توجه‌به رفتار تصادفی پارامترهای زنجیره تأمین از شبیه‌سازی و مدل ابتکاری بهینه‌سازی الگوریتم ژنتیک استفاده کردند. چهارسوقی و ساجدی‌نژاد (2010) مدلی برای کاهش هزینه‌های زنجیره تأمین چندسطحی مانند هزینه‌های نگهداری موجودی‌ها، نگهداری ذخیرۀ احتیاطی و موجودی‌های اضافی ارائه‌ دادند. در این مدل علاوه بر کاهش هزینه‌ها،  تعداد و اندازۀ کانبان در شرایط تصادفی بودن تقاضا تعیین می‌شود. آزاده و همکاران (b2010) الگوریتم بهینه‌سازی ابتکاری و مدل شبیه‌سازی را برای بهبود عملکرد خطوط مونتاژ خودرو براساس رویکرد تولید به‌موقع ارائه کردند. هُیو و هو (2011) مدلی چندهدفه و یکپارچه با الگوریتم ژنتیک (MOGA[xliii]) برای تعیین تعداد و حجم کانبان در سیستم تولید بهنگام ارائه دادند. بهینه‌کردن هم‌زمان حجم کانبان و تعداد کانبان یک مسئلۀ چندهدفه است که با استفاده از الگوریتم ژنتیک در یک زنجیره تأمین چند‌مرحله‌ای مدل‌سازی و تحلیل شده است. زمانی که حجم کانبان زیاد باشد، تعداد کانبان کمتر می‌شود؛ به‌همین دلیل لازم است حجم و تعداد کانبان به‌طورهم‌زمان بهینه شود. با‌توجه‌به خصوصیت بیشتر خطوط تولید و مونتاژ طرح بسته‌بندی، اندازۀ پالت‌ها وحجم کانبان به‌طور معمول ثابت است؛ به‌همین دلیل مدل ارائه‌شده برای این زنجیره تأمین قابل استفاده نیست. برخی پژوهشگران مانند گنزالیز[xliv] و همکاران (2011)، فرامینن و پیروال[xlv] (2012)و بلیساریو و پیروال[xlvi] (2015) مسئلۀ تعیین تعداد کانبان را در شرایط پویا مانند تغییرات مداوم تقاضا بررسی کرده‌اند. به‌نظر آنها لازم است تعداد کانبان در دوره با‌توجه‌به شرایط، در طول زمان تغییر کند. چن و سرکر[xlvii] (2015) مسئلۀ بهینه‌سازی کانبان‌های تولید چند‌مرحله‌ای را زمانی که تقاضا وابسته به قیمت است، در قالب برنامه‌ریزی غیرخطی مدل‌سازی کردند. سیم‌نوسزلوسکی و بُزِر (2013) در کانبان‌های تولید به‌شرطی که پارامترهای سیستم قطعی (غیراحتمالی) باشد، حد پایینی برای تعداد کانبان تعیین کردند؛ به‌نحوی که ایستگاه‌های کاری با کمبود قطعه مواجه نشوند. فاسیو و همکاران (2013) و لولی و همکاران (2015) مدل‌های ریاضی برای تعیین تعداد کانبان، تعداد اپراتور و زمان تولید در سیستم خط مونتاژ ارائه کردند. این مدل زمانی کاربرد دارد که از ابزار سوپرمارکت استفاده شود. تابع هدف مدل‌های آنها هزینۀ کل سیستم شامل هزینه‌های مربوط به موجودی و حمل‌و‌نقل است.

کاگشیما و اینویی[xlviii] (2014) از رویکردهای جستجوی ممنوع[xlix] و شبیه‌سازی برای بهینه‌کردن پارامترهای کانبان حمل و تولید (تعداد کانبان‌های حمل و تولید، مقدار تولید و ذخیرۀ احتیاطی) با هدف حداقل‌کردن متوسط هزینه‌ها (هزینۀ نگهداری موجودی و فروش از دست‌رفته) استفاده کردند. پدریلی و همکاران (2015) برای تعیین پارامترهای کانبان تولید از رویکرد بهینه‌سازی-شبیه‌سازی[l] استفاده کردند. تابع هدف آنها حداقل‌کردن هزینۀ موجودی‌ها، زمان‌های انتظار، مشتری از دست رفته، کمبود و حداکثر‌کردن میزان خروجی هستند.

همچنین پژوهشگرانی در زمینۀ برنامه‌ریزی حمل‌و‌نقل، تخصیص بهینۀ کالاها به وسایل نقلیه در زنجیره تأمین و حداکثر استفاده از ناوگان حمل‌و‌نقل مدل‌هایی ارائه‌ کرده‌اند. در ادامه به برخی از آنها اشاره شده است. ذگردی و بهشتی‌نیا (1388) مدلی برای یکپارچگی زمان‌بندی حمل‌و‌نقل در یک زنجیره تأمین سه‌مرحله‌ای با وسایل نقلیه دارای ظرفیت‌های متفاوت ارائه کردند. در این پژوهش تخصیص کارها به تأمین‌کنندگان و ناوگان حمل به‌صورتی انجام خواهد شد که قطعات سریع‌تر و با هزینۀ حمل اقتصادی‌تر به شرکت تولیدکننده تحویل داده می‌شود. برای حل این مدل از الگوریتم ژنتیک پویا با کروموزوم‌هایی با ساختار متغیر استفاده شده است. توکلی‌مقدم و نوروزی (1390)، مدلی برای ایجاد توازن در مقدار کالای توزیع‌شده نسبت به ظرفیت وسایل نقلیه در یک ناوگان ناهمگن ارائه دادند.  هدف این مدل حداکثرکردن رضایت رانندگان برای حمل کالاها، کاهش هزینه‌های حمل‌و‌نقل و افزایش سود ناشی از توزیع است. برای حل این مسأله در ابعاد بزرگ از روش بهبود‌یافتۀ بهینه‌سازی انبوه ذرات ([li]IPSO) استفاده شده است. برای نشان‌دادن کارایی الگوریتم پیشنهادی تعدادی از مسائل در ابعاد کوچک و بزرگ با این الگوریتم و روش شاخه و کران حل  و نتایج آن با هم مقایسه شده است. حسن‌نایبی و کیانفر (1391) مسئلۀ تعیین توالی اعزام و توقف قطارها را برای حداکثر استفاده از ظرفیت شبکۀ ریلی موجود بررسی کرده‌اند. هدف این مسأله، تعیین ترتیب اعزام قطارها از ایستگاه مبدا و مکان توقف برنامه‌ای قطارها با حداقل‌‌کردن طولِ افق زمان‌بندی است. این مسأله حالت خاصی از مسئلۀ جریان کارگاهی منعطف است.

بررسی ادبیات پژوهش نشان می‌دهد مسئلۀ تعیین تعداد بهینه کانبان مسأله‌ای مهم و به‌روز است و ارائۀ راه‌حل برای مسأله در صنایع مختلف با‌توجه‌به ویژگی‌های آنها نوآوری لازم را دارد. بیشتر پژوهشگران هزینه‌های مرتبط با موجودی‌ یا حمل‌و‌نقل را به‌تنهایی (لولی و همکاران، 2015) بررسی کرده‌اند؛ در‌حالی‌که در این مقاله با‌توجه‌به شرایط مطالعۀ موردی، به‌طور هم‌زمان اهداف ذی‌‌نفعان مختلف زنجیره تأمین (تولید‌کننده و عرضه‌کننده) در نظر گرفته شده است. ارائۀ یک مدل جدید چندهدفه و اضافه‌کردن نوع و ظرفیت وسایل نقلیه و هزینه‌های خاص حمل‌و‌نقل متناسب با مطالعۀ موردی پژوهش وجه تمایز مدل این مقاله با پژوهش‌های مشابه مانند ویدیادانا و همکاران، 2010؛ ونگ و سرکر، 2006 و ربّانی، 2009 است.

 

مدل‌سازی ریاضی مسأله

مسئلۀ کانبانِ حمل به‌طور معمول بین دو جزءِ زنجیره تأمین یعنی تولیدکنندۀ اصلی و تأمین‌کنندۀ منفرد مطرح می‌شود.‌ همان‌طور که اشاره شد در این مسأله هر دو جزء سعی در تحقق اهداف خود با در نظر گرفتن  محدودیت‌های مجموعۀ خود هستند؛ در‌حالی‌که اهداف هر دو جزء با یکدیگر متناقض است؛ بنابراین تعیین تعداد بهینۀ کانبان در دوره که تعادلی بین اهداف تولیدکننده و تأمین‌کننده ایجاد کند یکی از مسائلِ طراحی کانبان حمل است. در این بخش جزئیات مدل ریاضی چندهدفۀ ارائه‌شده برای حل مسئلۀ کانبان حمل بیان می‌شود.

مفروضات مدل پیشنهادی: در توسعۀ مدل ریاضی تقاضای (مصرف کالا) تولیدکننده و زمان حمل از تأمین‌کننده به تولیدکننده قطعی و ثابت در نظر گرفته شده است. همچنین فرض شده است برای تولیدکننده و تأمین‌کننده فقط یک نوع قطعه در برنامۀ کانبان با قیمت ثابت وجود دارد. وسایل حملی که در اختیار تأمین‌کننده است،  ظرفیت ثابتی دارند و در دورۀ برنامه‌ریزی نوع، ظرفیت و هزینه استفاده از آنها تغییری نمی‌کند. همچنین زمان بارگیری و تخلیۀ کامیون‌ها در زمان حمل در نظر گرفته شده است و هزینه‌ای بابت نگهداری کالا نزد تأمین‌کننده وجود ندارد.

تعریف پارامترها و متغیرهای مدل پیشنهادی: پارامترهای مدل به‌همراه علائم اختصاری و واحد اندازه‌گیری آنها در جدول (1) معرفی شده‌اند. در مسئلۀ کانبان حمل تعیین سه متغیر تصمیم در اولویت قرار دارد. تعداد کانبان در سیکل (N) که شامل تعداد کانبان‌های نزد تولیدکننده، تأمین‌کننده و در‌راه است. این متغیر، متغیر مهم طراحی کانبان حمل است که بر هزینه‌های موجودی، حمل‌و‌نقل‌ها و سرمایه در گردش تأثیر مستقیم دارد. دیگر متغیر تصمیم نوع وسیلۀ نقلیه (yj) است که بر هزینه‌های حمل‌و‌نقل تأمین‌کننده مؤثر است. هر‌چند استفاده از وسایل نقلیه بزرگتر با ظرفیت حملِ تعداد بیشتری کانبان، هزینۀ واحد بیشتری نسبت به وسایل نقلیه کوچکتر دارد؛ اما استفاده از آنها تواتر سرویس‌دهی را در یک دوره کاهش می‌دهد.

متغیر yj یک متغیر صفر و یک است و زمانی مقدار این متغیر یک است که از وسیلۀ نوع j  (وانت، کامیون، تریلی و ...) در سیستم کانبان حمل استفاده شود.تعداد کانبانی که در هر‌بار حمل از تأمین‌کننده به تولیدکننده در وسیلۀ نقلیه انتخابی قرار می‌گیرد، (متغیر تصمیم X) براساس متغیرها و پارامترهایی مانند تعداد کانبان در سیکل، نقطۀ سفارش، نوع و ظرفیت وسیلۀ نقلیه، میزان مصرف و فاصلۀ زمانی حمل‌و‌نقل بین تولید‌کننده و تأمین‌کننده تعیین می‌شود. با‌توجه‌به مقدار X و ظرفیت وسیلۀ حمل، درصد استفاده از ظرفیت وسیلۀ نقلیه تعیین خواهد شد که حداکثر‌کردن آن یکی از اهداف مسئلۀ کانبان حمل است.

 

جدول 1- تعریف پارامترهای مدل پیشنهادی

علامت اختصاری

نام پارامتر

واحد اندازه‌گیری

تعریف پارامتر

Q

حجم کانبان

تعداد قطعه

حجم کانبان عبارت است از: تعداد واحد قطعه‌ای که در یک کانبان قراردارد.

C1

قیمت قطعه

قطعه/ریال

قمیت واحد هر قطعه که مبنای محاسبۀ سرمایه در گردش است.

C2

هزینۀ نگهداری قطعه

قطعه-ساعت/ریال

هزینۀ نگهداری یک قطعه نزد تولیدکننده طی ساعت

Aj

هزینۀ اجارۀ وسیلۀ نقلیه

وسیلۀ نقلیه/ریال

هزینۀ رفت‌ و ‌برگشت وسیله نقلیۀ نوع j از تأمین‌کننده (قطعه‌ساز) به تولیدکننده. تأمین‌کننده می‌تواند وسایل نقلیه متفاوتی مانند وانت، کامیون، تریلی و... را برای وسیلۀ حمل انتخاب کند.

Kj

ظرفیت وسیلۀ نقلیه

وسیله /تعداد کانبان

ظرفیت وسیلۀ نقلیۀ نوع j برحسب تعداد کانبان قابل حمل.

J

تنوع وسایل نقلیه

تعداد

تعداد انواع وسیلۀ نقلیۀ قابل استفاده در سیستم حمل‌و‌نقل.

D

میزان مصرف

ساعت/تعداد قطعه

تقاضا (مصرف) قطعه نزد تولید‌کننده به‌ازاءِ هر ساعت.

Ns

ذخیرۀ احتیاطی

تعداد کانبان

تعداد کانبان ذخیرۀ احتیاطی نزد تولیدکننده (نقطۀ سفارش کانبان حمل).

مدل ریاضی چندهدفۀ پیشنهادی: مدل ریاضی توسعه داده‌شده براساس مطالعۀ زنجیره‌ تأمین خودرو و منطبق بر شرایط موجود در این صنعت به‌شرح زیر است.

(2)

 

(3)

 

(4)

 

(5)

 

 

St:

(6)

 

(7)

 

(8)

 

(9)

 

(10)

 

(11)

 

توابع هدف و محدودیت‌های مدل پیشنهادی در ادامه تشریح می‌شود.

 

تشریح توابع هدف: اهداف مسئلۀ کانبان حمل شامل اهداف مربوط به دو گروه تولیدکننده و تأمین‌کننده در زنجیره تأمین است. هر گروه در این مسأله اهداف مختص به خود را دارند. تولیدکنندۀ مادر در زنجیره تأمین به‌دنبال کاهش ظرفیت‌های انبارهای خود و پیامد آن کاهش هزینه‌های نگهداری موجودی و کاهش سرمایه در گردش سیستم است. هر دو هدف تولیدکننده با کاهش تعداد کانبان در دوره، محقق می‌شود. از ضرب تعداد کانبان در سیکل (N)، تعداد قطعۀ موجود در هر کانبان (Q) و قیمت هر واحد کالا (C1)، سرمایه در گردش سیستم کانبان حمل محاسبه می‌شود؛ بنابراین یکی از اهداف مسأله به‌صورت  مطابق (2) تعریف شده است. با حداقل‌کردن این هدف یکی از اهداف زنجیره تأمین به ‌دست می‌آید. این هدف کاهش تعداد کانبان در  دوره و هزینه‌های در گردش است. همچنین از ضرب میزان بهره در تابع هدف، هزینۀ سرمایه در گردش مانند تابع هدف در نظر گرفته می‌شود. این تغییر بر جواب بهینه تأثیری ندارد.

 

ذخیرۀ احتیاطی

(Q×Ns)

t3

t2

زمان (ساعت)

شکل 2- مدل موجودی کالا نزد تولیدکننده

 

برای اندازه‌گیری هزینه‌های نگهداری کالا نزد تولیدکننده از مدل‌های متداول برنامه‌ریزی و کنترل موجودی‌ها در سیستم‌های تولید استفاده شده است. شکل(2) فرایند سفارش‌دهی و نگهداری موجودی را در مسئلۀ کانبان حمل در شرکت مادر نشان می‌دهد. محور عمودی و افقی در این شکل به‌ترتیب مقدار موجودی برحسب قطعه و زمان برحسب ساعت است. در لحظۀ t1سفارشی برابر q (تعداد قطعات درون کانبان‌های ارسالی از تأمین‌کننده) به تولیدکننده خواهد رسید که با میزان ثابت D قطعه در ساعت مصرف می‌شوند. در زمان t2، لحظۀ رسیدن موجودی به نقطۀ سفارش (Q×Ns)، سفارشی صادر می‌شود تا در فاصلۀ t3-t2 که برابر زمان سفارش تا دریافت کالا است، کانبان‌های آزاد‌شده دریافت شوند. این فرایند منطبق بر یکی از مد‌ل‌های کنترل موجودی با شرایط مصرف یکنواخت و ثابت و ورود یکباره کالا به انبار است (حاج‌شیرمحمدی، 1373). متوسط موجودی انبار ( ) در این مدل برابر مساحت زیر منحنی مصرف (شکل (2)) است و از رابطۀ (12) محاسبه می‌شود.

(12)

 

در رابطۀ (12)، مقدار کالای سفارش‌شده (q) در مسئلۀ کانبان حمل از ضرب تعداد کانبان رسیده در یک سفارش(X) در حجم هر کانبان (Q) به‌صورت  حاصل می‌شود و فاصلۀ زمانی تا ورود سفارش بعدی (t3-t1) در این رابطه برابر زمان مصرف مقدار کالای سفارش شده است؛ بنابراین مقدار سفارش‌ رسیده  با میزان مصرف D (قطعه در ساعت) در فاصلۀ زمانی  مصرف خواهد شد.  با جایگزاری تعاریف فوق در رابطۀ (12)، رابطۀ زیر برای محاسبۀ متوسط موجودی نزد تولیدکننده در مسئلۀ کانبان حمل برحسب قطعه در ساعت حاصل خواهد شد.

(13)

 

در‌صورتی‌که هزینۀ نگهداری واحد قطعه در یک ساعت برابر C2 باشد متوسط هزینۀ نگهداری نزد تولیدکننده از رابطۀ (14) حاصل می‌شود. این رابطه یکی دیگر از اهداف تولیدکننده است که با حداقل‌کردن آن تولیدکننده نیاز به فضای نگهداری کمتری برای کالای خود خواهد داشت.

(14)

 

یکی دیگر از اجزای کانبان حمل که باید مؤلفه‌های آن تعیین شوند، سیستم حمل‌و‌نقل استفاده‌شده در سیستم کانبان حمل است. انتخاب وسیلۀ حمل‌و‌نقل مناسب با هدف حداقل‌کردن متوسط هزینۀ حمل‌و‌نقل و استفادۀ حداکثری از ظرفیت وسیلۀ نقلیه از جمله تصمیمی است که هزینه‌های آن برعهدۀ تأمین‌کنندگان در زنجیره تأمین است؛ به‌همین دلیل دو تابع هدف مرتبط با سیستم حمل‌و‌نقل یعنی هزینۀ حمل‌و‌نقل و درصد استفاده از ظرفیت وسیلۀ نقلیه در مسأله در نظر گرفته شده است. متوسط هزینۀ حمل‌و‌نقل سیستم، تابع هزینۀ هر بار رفت ‌و ‌برگشت از تأمین‌کننده به تولیدکننده و تواتر سرویس‌دهی است (حاج شیر محمدی، 1373). همان‌طور که در شکل (2) نشان داده شد، فاصلۀ زمانی دو سفارش متوالی در مدل کانبان حمل یا فاصلۀ بین دو کامیون ارسالی از تأمین‌کننده برابر  است؛ بنابراین تواتر مراجعۀ وسایل نقلیه معکوس فاصلۀ زمانی دو مراجعه و برابر  خواهد بود. از ضرب تواتر خدمت‌دهی در هزینۀ حمل وسیلۀ حمل نوع j  (Aj) و متغیر انتخاب وسیلۀ نوع j (yj)، متوسط هزینۀ سیستم حمل‌و‌نقل در سیستم کانبان حمل مطابق رابطۀ (4) (تابع هدف سوم مسأله) حاصل خواهد شد.

انتخاب وسیلۀ نقلیه‌ای با ظرفیت حمل Kjکانبان و تعداد Xکانبانی که در آن قرار می‌گیرند، متغیرهای تصمیم هستند و باید به‌گونه‌ای انتخاب شوند که از ظرفیت وسیلۀ نقلیه به بهترین شکل استفاده شود؛ بنابراین تابع هدف دیگری برای حداکثر استفاده از ظرفیت وسیلۀ نقلیه در مسأله در نظر گرفته شده است. برای تبدیل جهت این تابع هدف به حداقل، تابع هدف درصد استفاده از ظرفیت وسیلۀ نقلیه از یک کسر شده و به‌صورت رابطۀ (5) تبدیل شده است.

درنهایت چهار تابع ریاضی Z1 تا Z4 برای توابع هدف مسئلۀ کانبان حمل تحت مفروضاتِ ذکرشده در نظر گرفته شده است. برآوردن توابع هدف، اهداف تولیدکننده و تأمین‌کننده را در استقرار و راه‌اندازی این سیستم تأمین خواهد کرد.

تشریح محدودیت‌های ریاضی مسأله: محدودیت‌های ریاضی، دامنۀ تغییرات متغیرهای تصمیم مسأله را تحت شرایط واقعی مسأله تعیین می‌کنند. محدودیت‌های مسئلۀ کانبان حمل در روابط (6) تا (10) نشان داده شده‌اند.

نامساوی (6) بیانگر آن است که نباید تعداد کانبان در دوره از تعداد کانبان ذخیرۀ احتیاطی کمتر باشد. همان‌طور که اشاره شد تعداد کانبان ذخیرۀ احتیاطی (نقطه سفارش کانبان) از جمله پارامترهای مسأله است که براساس میزان مصرف و فاصلۀ سفارش تا دریافت تعیین می‌شود. تعداد کانبان‌هایی که در هر بار سفارش از تأمین‌کننده بارگیری و ارسال می‌شوند (متغیر X) باید کمتر از تعداد کل کانبان‌ها منهای ذخیرۀ احتیاطی باشند. این محدودیت در نامعادلۀ (7) به‌صورت ریاضی نشان داده شده است. همچنین مقدار سفارشِ درراه نباید از ذخیرۀ احتیاطی کمتر باشد تا در دورۀ بعدی سفارش سیستم دچار کمبود نشود. این محدودیت در نامساوی (8) نشان داده شده است. محدودیت ذکر‌شده در (9) تضمین‌کنندۀ تعیین تعداد کانبان‌های حمل (X) به‌اندازۀ ظرفیت وسیلۀ نقلیۀ انتخابی (Kj) است. رابطۀ (10) نیز بیانگر آن است که باید یک نوع وسیلۀ نقلیه برای حمل انتخاب شود. علاوه بر محدودیت‌های فوق محدودیت‌های ضمنی مسأله شامل نوع متغیرهای تصمیم و جهت تغییرات آنها باید به مسأله اضافه شوند. همۀ متغیرهای تصمیم مسأله از نوع عدد صحیح و غیرمنفی هستند. این محدودیت‌ها در روابط (11) نشان داده شده‌اند.

 

مطالعۀ موردی

برای بررسی عملکرد مدل پیشنهادی و قابلیت آن برای حل مسئلۀ کانبان حمل در دنیای واقعی، زنجیره تأمین صنعت خودرو مطالعه شده است. همچنین اطلاعات واقعی تأمین‌کننده‌ای جمع‌آوری شده است که از این سیستم برای تأمین یکی از قطعات گروه صنعتی ایران خودرو (مجموعه جک خودرو) استفاده می‌کند. مدل پیشنهادی براساس اطلاعات تأمین‌کنندۀ مطالعه‌شده ساخته و پس از حل آن تعداد مناسب کانبان حمل تعیین شده است. در این بخش علاوه بر معرفی مطالعۀ موردی و ساخت مدل پیشنهادی، حل مدل و ارزیابی عملکرد مدل تشریح شده است.

معرفی فضای کسب و کار: زنجیره تأمین گروه صنعتی ایران خودرو بزرگترین زنجیره تأمین در کشور محسوب می‌شود که تاکنون موفق به طراحی و پیاده‌سازی انواع سیستم‌های تأمین از جمله کانبان‌های تولید و حمل شده است. شرکت ساپکو، شرکت تأمین قطعات این گروه صنعتی وظیفۀ طراحی، مدیریت و نظارت بر سیستم‌های کانبان حمل را برعهده دارد. تأمین‌کنندگان تحت نظارت ساپکو به دو گروه تأمین‌کنندگان مواد اولیه و تأمین‌کنندگان قطعات و مجموعه‌های آمادۀ نصب بر خودرو تقسیم می‌شوند. از آنجایی‌که پروژۀ کانبان الکترونیکی در این شرکت اجرا شده است سفارشات و مدیریت کانبان‌ها به‌صورت الکترونیکی اجرا می‌شود و بیشتر تأمین‌کنندگان قطعات و مجموعه‌های آمادۀ نصب در این سیستم فعال هستند.

بنابراین یکی از تأمین‌کنندگان فعال این مجموعه که تأمین‌کنندۀ قطعه جک انواع خودرو است برای مطالعۀ موردی انتخاب شده است. این محصول از مجموعۀ گروه B (برای تسهیل در برنامه‌ریزی قطعات براساس قانون پارتو به سه گروه A، B و C تقسیم‌بندی شده‌اند) است. این مجموعه، اقلامی با حجم، وزن و قیمت متوسط دارد.

وضعیت موجود کانبان حمل: مسئلۀ کانبان حمل که در بخش‌های قبلی معرفی شد براساس رویدادها و فرآیند این سیستم در شرکت مورد مطالعه است. همچنین اهداف و محدودیت‌هایی که در مدل‌‌سازی این مسأله  ذکر شد، برگرفته از واقعیت‌های سیستم کانبان حمل در شرکت ساپکو و تأمین‌کنندۀ مورد مطالعه است.

 

جدول 2- پارامترهای کانبان حمل در شرکت مورد مطالعه

علامت اختصاری

نام پارامتر

مقدار

Q

حجم کانبان

در هر پالت (کانبان)، 60 قطعه جک قرار دارد.

C1

قیمت قطعه

قمیت هر جک، 30000 ریال است.

C2

هزینۀ نگهداری قطعه

هزینۀ نگهداری یک قطعه نزد تولیدکننده100 ریال در ساعت.

J

تنوع وسایل نقلیه

چهار نوع وسیلۀ نقلیه در تأمین‌کننده برای حمل وجود دارد که عبارتند از: وانت (j=1)، خاور (j=2)، کامیون (j=3) و تریلی (j=4).

Aj

هزینۀ اجارۀ وسیلۀ نقلیه

هزینۀ رفت ‌و ‌برگشت هر نوع وسایل نقلیه بر حسب ریال عبارتند از:

 A1=2,000,000،A2=3,000,000، A3=3,500,000 و A4=4,500,000

Kj

ظرفیت وسیلۀ نقلیه

ظرفیت وانت 3 کانبان، خاور 6 کانبان، کامیون 8  کانبان و تریلی 12 کانبان است.

D

میزان مصرف

متوسط میزان مصرف قطعه، 840 جک در 24 ساعت یا 35 قطعه در ساعت است.

Ns

ذخیرۀ احتیاطی

با‌توجه‌به فاصلۀ زمانی سه ساعته بین تأمین‌کننده و تولیدکننده و میزان مصرف 35 قطعه در ساعت نقطۀ سفارش 120 قطعه معادل دو کانبان (Ns=2) در نظر گرفته شده است.

 

جدول(2) مقادیر پارامترهای کانبان حمل را بین تولیدکننده (شرکت ایران خودرو) و تأمین‌کنندۀ جک خودرو (شرکت مددرویان) در زنجیره تأمین خودرو نشان می‌دهد.

در حال حاضر تعداد کانبان در سیکل براساس رابطۀ پیشنهادی شرکت تویوتا، با رابطۀ (15) تعیین می‌شود. در این رابطه N بیانگر تعداد کانبان در سیکل (متغیر تصمیم)، D میزان مصرف قطعه، ضریب اطمینان، T مدت زمان انتظار برای تأمین مجدد و Q حجم ظرفیت کانبان است.

(15)

 

براساس اطلاعات جدول(2) و رابطۀ (15) تعداد کانبان در سیکل با ضریب اطمینان 3 ( )، 7 تعیین شده است. در حال حاضر تأمین‌کننده از وسیلۀ نقلیۀ خاور با ظرفیت حمل 6 کانبان برای ارسال کالا استفاده می‌کند و در هر بار سفارش تعداد 5 کانبان را حمل می‌کند. جزئیات بیشتر عملکرد این سیستم در شرایط فعلی در جدول (3) نشان شده است.

مدل ریاضی پیشنهادی و حل آن: مطابق جزئیات بیان‌شده دربارۀ مدل ریاضی مسأله و پارامترهای اخذ‌شده از مطالعۀ موردی، مدل چندهدفۀ مسأله به‌صورت زیر بازنویسی شده است.

 

 

در بیشتر مواقع برای مدل‌های ریاضی چندهدفه راه‌حلی منحصر‌به‌فرد  برای بهینه‌کردن همۀ اهداف وجود ندارد. از حل این مسائل، مجموعه جواب‌های بهینه با نام Optimal Pareto front حاصل می‌شود (برانک[lii] و همکاران، 2008). جواب  از فضای موجه  یک جواب بهینۀ پارتو برای مسئلۀ چندهدفه با اهداف حداقل است؛ اگر هیچ وجود نداشته باشد که در رابطۀ  صدق کند.

یکی از روش‌های تولید جواب‌های بهینۀ پارتو که نیازی به کسب اطلاعات از تصمیم‌گیرنده نیست، روش ارزش متریک (L-P) است (اصغرپور، 1377). در این روش، جمع انحراف توابع هدف از مقدار هدف ایدئال خودشان زمانی که به‌تنهایی در مدل باشند حداقل می‌شود. با‌توجه‌به اینکه اهداف مسئلۀ کانبانِ حمل، واحد و مقیاس یکسان ندارند،  قراردادن آنها در یک تابع هدف به فرم روش ارزش متریک مناسب نیست. بدین منظور تابع هدفی به فرم رابطۀ (16) در نظر گرفته شده است که علاوه بر تبدیل مسئلۀ چندهدفه به مسئلۀ تک‌هدفه، امکان هم‌مقیاس و هم‌واحدسازی توابع هدف را فراهم کرده است.

 

(16)

 

در رابطۀ فوق، تابع F تابع یکپارچه است. این تابع ترکیب وزنی از توابع نرمال‌شده اهداف مسأله است. همچنین  معرف تابع هدف iام (حداکثر i برابر تعداد اهداف مسأله)؛  مقدار بهینۀ تابع iام در‌صورتی‌که به‌تنهایی در مسأله باشد (در مسئلۀ مورد نظر حداقل هر تابع هدف به‌تنهایی)؛  مقدار ایدئال منفی برای تابع هدف i (حداکثر مقدار هر تابع هدف به‌تنهایی)؛  درجه اهمیت هر تابع هدف در تابع یکپارچه جدید و پارامتر  درجه تأکید بیشتر بر بزرگترین انحراف (عموماً 2 در نظر گفته می‌شود) است. با تغییر وزن‌ها در رابطۀ (16) و حل مسئلۀ تک‌هدفه، مجموعه جواب‌های بهینۀ پارتو برای مسئلۀ چندهدفه حاصل می‌شود. پس از محاسبۀ مقادیر ایدئال مثبت (مینیم هر تابع، ) و ایدئال منفی (ماکزیمم هر تابع، ) و تشکیل تابع هدف یکپارچه تحت دو سیاست مختلف وزن‌دهی به توابع هدف (دستیابی به دو جواب بهینه پارتو)، از نرم‌افزار بهینه‌سازی لینگو8 استفاده شده است تا تابع هدف جدید تحت محدودیت‌های مسأله حاصل شود. در سیاست اول، وزن (اهمیت) اهداف نسبت به یکدیگر یکسان در نظر گرفته شده است ( ). در سیاست دوم باتوجه‌به سیاست شرکت ساپکو در کاهش هزینه‌های حمل‌و‌نقل و کاهش تواتر ورود وسایل نقلیه به کارخانه بر هزینه‌های حمل‌و‌نقل تاکید ‌شده است و اهداف به نسبت‌های  ترکیب شده‌اند. جدول(3)، جواب‌های بهینۀ پارتو و مقدار تابع هدف هر دو سیاست را در کنار وضع موجود برای مطالعۀ موردی نشان می‌دهد. در جدول(3) مقدار توابع هدف به ازاءِ سه مجموعه جواب محاسبه شده است. سیاست اول نسبت به وضع موجود شرایط بهتری دارد؛ زیرا علاوه بر کاهش 5/37 درصدی هزینه‌های سرمایه در گردش، هزینه‌‌های موجودی را نسبت به وضع موجود تا 75 درصد کاهش می‌دهد و درصد استفاده از ظرفیت وسیلۀ نقلیه به‌اندازه بیش از 18 درصد رشد داشته است.

 

جدول 3- پارامترهای کانبان حمل در شرکت مورد مطالعه

متغیرها و توابع هدف

وضع موجود

جواب بهینه با اهداف اهمیت یکسان

(سیاست اول)

جواب بهینه با تاکید بر هزینه‌های حمل‌ونقل

(سیاست دوم)

متغیرهای تصمیم

تعداد کانبان در سیکل (N)

7

5

8

تعداد کانبان در هر بار سفارش(X)

5

3

6

نوع وسیلۀ نقلیه (yj)

خاور با ظرفیت 6 کانبان

وانت با ظرفیت حمل 3 کانبان

خاور با ظرفیت حمل 6 کانبان

توابع هدف

هزینۀ سرمایه در گردش(ریال)

12،600،000

9،000،000

14،400،000

هزینۀ نگهداری(ریال)

128،577

46،287

185،148

هزینۀ حمل (ریال)

350،000

388،889

291،667

تواتر حمل (تکرار در ساعت)

11/0

19/0

097/0

درصد استفاده از ظرفیت وسیله

84.33%

100%

100%

 

هزینه‌های حمل‌و‌نقل اندکی (11 درصد) و تواتر حمل به درون کارخانۀ تولیدکننده در سیاست اول نسبت به وضع موجود افزایش یافته که البته با مفهوم بهینه‌سازی چندهدفه، این راه‌حل مناسب‌تر است؛ زیرا در مجموع راه‌حل پیشنهادی برای این سیاست تابع هدف تجمعی را نسبت به وضع موجود کمتر کرده است. اما در مقابل، سیاست دوم که با تاکید برکاهش هزینه‌های حمل‌و‌نقل و تواتر ورود وسایل نقلیه طراحی شده است، هزینه‌های سرمایه در گردش و هزینه‌های موجودی نسبت به وضع موجود افزایش یافته است؛ در حالی که هزینه‌های حمل‌و‌نقل و تواتر تردد کاهش یافته است. این هزینه‌ها معرف ازدحام وسیلۀ نقلیه در تولید است.

مدل شبیه‌سازی: مقایسۀ مقادیر توابع هدف ریاضی به ازاءِ راه‌حل‌های بهینۀ ارائه‌شده و مقادیر وضع موجود، بیانگر بهبود وضع موجود است؛ اما از آنجا که مسئلۀ پژوهش، شرایط مسأله و راه‌حل پیشنهادی برگرفته از مشکلات دنیای واقعی در حوزۀ زنجیره تأمین صنعت خودرو است، در این بخش برای اندازه‌گیری سایر شاخص‌های عملکردی سیستم کانبان و قابلیت اطمینان از عملیاتی بودن راه‌حل‌های پیشنهادی، مدل شبیه‌سازی از سیستم کانبان حمل و براساس اطلاعات موجود از مطالعۀ موردی در محیط نرم‌افزار ED[liii] ساخته شده است. در مدل شبیه‌سازی، فعالیت‌های سازمان تولیدکننده، تأمین‌کننده و سیستم حمل‌و‌نقل بین آنها شامل نگهداری موجودی به‌شکل پالت، تولید و مصرف قطعات با نرخ‌های قابل تنظیم، حمل قطعات در پالت‌هایی با ظرفیت ثابت، وسیلۀ حمل‌کننده با ظرفیت‌های قابل تنظیم، تنظیم زمان‌های بارگیری و تخلیه، سرعت قابل تنظیم، تعریف مسیر و فاصلۀ بین دو عضو زنجیره تأمین است. این مدل مطابق با شیوۀ عملکرد سیستم کانبان حمل (بیان شده در شکل (1)) با استفاده از شی‌های[liv] مناسب (هر شی‌ء در نرم‌افزار ED اتم نامیده می‌شود و وظیفۀ مدل‌سازی اجزای سیستم را برعهده دارد) مدل‌سازی شده است. منطق تولید، بارگیری و تخلیه، مصرف قطعات، ارسال پالت‌های پُر و خالی و کانبان‌های آزاد‌شده با نوشتن و اجرای کدهای مناسب در این نرم‌افزار پیاده‌سازی شده ‌است. صحت و دقت مدل شبیه‌سازی با طرح سناریوهای مختلف (مانند تک بودن یا زیاد بودن تعداد کانبان حمل) و اندازه‌گیری معیارهایی مانند زمان حمل‌و‌نقل و زمان سفارش‌دهی با مدل شبیه‌سازی و مقایسۀ آنها با داده‌های جمع‌آوری‌شده از مطالعۀ موردی، بررسی شده است. برای مثال، اجرای مدل شبیه‌سازی تحت شرایط وضع موجود، متوسط زمان سفر وسایل نقلیه بین سازمان تولیدکننده و تأمین‌کننده را 94/2 ساعت برآورد کرده‌است که با مقدار واقعی آن در مطالعۀ موردی (حدود 3 ساعت) مطابقت دارد. پس از اطمینان از صحت و دقت مدل شبیه‌ساز، مدل به‌ازاءِ پارامترهای وضع موجود و دو سیاست بهینۀ ارائه‌شده در جدول(3)، به‌صورت سه سناریوی مجزا به‌مدت 720 ساعت (30 روز) اجرا شده است. نتایج شبیه‌سازی و معیارهای عملکردی سیستم کانبان در جدول(4) ارائه شده است.

 

جدول 4- نتایج مدل شبیه‌سازی

معیار

سناریو 1

سناریو 2

سناریو 3

درصد بیکاری تولیدکننده

41/0%

99/12%

41/0%

درصد خالی‌بودن وسیلۀ نقلیه

46/16%

0%

0%

متوسط تعداد رفت ‌و ‌برگشت در یک روز

8/2

06/4

3/2

درصد بیکاری وسیلۀ نقلیه

26/31%

0%

66/42

متوسط زمان بیکاری وسیلۀ نقلیه در روز

45/7 ساعت

011/0 ساعت

24/10 ساعت

متوسط انتظار هر پالت در انبار تولیدکننده

9/3 ساعت

72/1 ساعت

75/4 ساعت

متوسط انتظار هر پالت ارسالی از تأمین‌کننده

38/3 ساعت

42/3 ساعت

23/4 ساعت

 

مقدار درصد بیکاری تولیدکننده در جدول(4)، بیانگر درصد مواقعی است که به‌دلیل نبود قطعه در سازمان تولیدکننده، تولید متوقف شده است. اجرای مدل شبیه‌سازی به‌ازای پارامترهای سناریوی1 (وضع موجود) و 3 نزدیک صفر است (انحراف اندک از صفر به‌دلیل شرایط ناپایدار ابتدای شبیه‌سازی است) اگر تعداد کانبان حمل در مطالعۀ موردی 5 در نظر گرفته شود حدود 13 درصد اوقات، سازمان تأمین‌کننده با کمبود مواجه خواهد شد. هرچند راه‌حل سناریوی2 که از مدل بهینه‌سازی به‌‌دست‌آمده  از نظر مدل ریاضی بهتر از وضع موجود است، با مطالعۀ شبیه‌سازی و با‌توجه‌به محدودیت‌های زنجیره تأمین خودرو مشخص است که قابلیت اجرا ندارد و این نتیجۀ مهمی است که از مطالعۀ شبیه‌سازی مشخص می‌شود. همان‌طور که مشخص است بیش از 16 درصد از ظرفیت وسیلۀ نقلیه در هر حمل‌و‌نقل خالی است و این مقدار برای دو سناریوی دیگر صفر است. تواتر سفر در یک روز در سناریوی3 از 1 کمتر است و پیامد آن تردد کمتر وسیلۀ نقلیه در شرکت ایران‌خودرو است.

استفاده از سناریوی3، درصد و متوسط زمان بیکاری وسیلۀ نقلیه را افزایش می‌دهد. تأمین‌کننده برای برخورد با این مشکل می‌تواند از خدمات بیرون از سازمان خود استفاده کند. نتایج شبیه‌سازی تحت سناریوی3، زمان نگهداری یک پالت را در انبار تولید‌کننده حدود یک ساعت (حدود 22 درصد) بیشتر از وضع موجود برآورد می‌کند. به‌طور مشابه متوسط زمان نگهداری پالت نزد تأمین‌کننده تا رسیدن وسیلۀ نقلیه برای بارگیری حدود یک ساعت در سناریوی 3 بیشتر از سناریوی 1 است؛ بنابراین نتایج شبیه‌سازی ضمن رد سناریوی دوم (تعداد کانبان 5) به‌دلیل پیش‌آمدن کمبود در سازمان تولیدکننده،  قابلیت پیاده‌سازی سناریوی سوم را تایید می‌کند. همچنین طراحی سیستم کانبان حمل براساس پارامترهای سناریوی سوم باعث استفادۀ بهتر از امکانات حمل‌‌‌ونقل می‌شود؛ در‌حالی‌که هزینه‌های نگهداری کالا را به‌مقدار کمی افزایش می‌دهد.

 

جمع‌بندی و نتیجه‏گیری

تعیین تعداد بهینۀ کانبان در سیکل به‌خصوص برای کانبان‌های حمل که با دو نوع مهم از اتلاف‌ها (موجودی‌های نیمه‌ساخته و حمل‌و‌نقل‌های اضافه) ارتباط دارند یکی از مسائل مهم در افزایش اثربخشی استفاده از سیستم کانبان حمل است. در نظر گرفتن منافع تولیدکننده و تأمین‌کننده به‌صورت هم‌زمان در تعیین تعداد بهینۀ کانبان باعث افزایش کارایی زنجیره تأمین می‌شود. پس از مطالعۀ زنجیره تأمین صنعت خودرو(بزرگ‌ترین زنجیره تأمین در کشور)، اهداف و محدودیت‌های موجود در تعیین تعداد بهینۀ کانبان در سیکل از دیدگاه تولیدکنندۀ اصلی و تأمین‌کننده‌ها شناسایی شده‌اند. برای برآوردن هم‌زمان اهداف تولیدکننده و تأمین‌کننده در زنجیره تأمین مدل برنامه‌ریزی ریاضی عدد صحیح چندهدفه از نوع غیرخطی توسعه داده شده است. اهداف تولید‌کننده و تأمین‌کننده شامل کاهش (هزینه) سرمایه در گردش زنجیره، کاهش موجودی‌های نزد تولیدکنندۀ مادر، هزینه‌‌های حمل‌و‌نقل، تواتر حمل‌و‌نقل‌ها بین تأمین‌کننده و تولیدکننده و افزایش استفاده از ظرفیت وسایل نقلیه است. مدل ریاضی پیشنهادی با استفاده از داده‌های یکی از کانبان‌های حمل در شرکت ایران ‌خودرو ساخته و اجرا شده است. از آنجا که مسائل چندهدفه به‌طور معمول جواب منحصر به فرد بهینه ندارند، برای مسئلۀ مذکور تحت دو سیاست مختلف (اهمیت یکسان برآوردن اهداف و تاکید بر هزینه‌های حمل‌و‌نقل) دو مجموعه جواب حاصل شده است؛ اما لازم است قابلیت اجرای هر مجموعه جواب با مدل شبیه‌سازی کنترل و عملکرد سیستم کانبان با هر مجموعه جواب بررسی شود. به‌این‌منظور مدل شبیه‌سازی در نرم‌افزار ED طراحی و اجرا شده است. اجرای مدل شبیه‌سازی تحت پارامترهای سیاست اول نشان می‌دهد مجموعه جواب بهینۀ اول در محیط عملیاتی، شرکت ایران‌خودرو را با کمبود و توقف خط مواجه می‌کند؛ در‌حالی‌که استفاده از سیاست دوم قابلیت اجرا دارد. جواب بهینۀ دوم علاوه بر افزایش بهره‌برداری از ظرفیت وسایل نقلیه (افزایش 16 درصد)، تواتر ورود به کارخانه ایران‌خودرو را تا 12 درصد کاهش می‌دهد. از طرفی این راه‌حل باعث افزایش 44 درصدی هزینه‌های نگهداری موجودی‌ها در ایران خودرو و افزایش 14 درصدی هزینۀ سرمایه در گردش می‌شو؛ بنابراین در مدل ریاضیِ توسعه داده‌شده با تغییر پارامتر درجه اهمیتِ اهداف، تعداد بهینۀ کانبان با تاکید بر هر‌یک از اهداف تولیدکننده یا تأمین‌کننده محاسبه می‌شود. مدل شبیه‌سازی ارائه‌شده نیز قابلیت اجرای جواب‌های پیشنهادی را برای یک سیستم کانبان حمل مشخص می‌کند. پژوهشگران می‌توانند مدل پیشنهادی را برای سیستم‌های کانبان با تعداد قطعه بیشتر بین تولیدکننده و تأمین‌کننده یا در نظر گرفتن شرایط احتمالی توسعه دهند.

 

بحث

تعیین تعداد کانبان در کانبان‌های حمل براساس شرایط زنجیره تأمین خودرو و لحاظ‌کردن هزینه‌های حمل‌و‌نقل تحمیل‌شده به تأمین‌کنندگان که در کمتر پژوهشی درنظر گرفته شده است این پژوهش را از پژوهش‌های مشابه مانند جُدیشانکار و ونگ (1992)، ونگ و ونگ (1990)، مویمی و چانگ[lv] (1990)، پرایس و همکاران (1992)، موندن (1993)، نوری و سرکر (1998)، معطر حسینی و حسینی (1383)، طارقیان و همکاران (1387)، ونگ و سرکر (2006) و فوکوکاوا و هانگ (1993) متمایز می‌کند. در حال حاضر برای تعیین تعداد کانبان حمل از رابطۀ پیشنهادی شرکت تویوتا استفاده می‌شود؛ اما مطالعۀ شبیه‌سازی در مقایسۀ مدل پیشنهادی این پژوهش با رابطۀ پیشنهادی شرکت تویوتا (چان، 2001) نشان داد، در مدل این پژوهش از ظرفیت وسایل نقلیه بهتر استفاده می‌شود و نتیجۀ آن کاهش 12 درصدی تردد وسایل نقلیه است.

 



[i]- Krishna Jasti & Kodalib

[ii]- Pull System

[iii]- Push System

[iv]- Jothishankar & Wang

[v]- Markham

[vi]- Junior & Filho

[vii]- Zipkin

[viii]- Philipoom

[ix]- Satoglu  & Ucan

[x]- Abdul Rahman

[xi]- Chaharsooghi & Sajedinejad

[xii]- Production Kanban

[xiii]- Withdrawal Kanban

[xiv]- Khojasteh & Sato

[xv]- Pedrielli

[xvi]- Chan

[xvii]- Rabbani

[xviii]- Fukukawa & Hong

[xix]- Just in Time

[xx]- Hou & Hu

[xxi]- Faccio

[xxii]- Lead Time

[xxiii]- Lolli

[xxiv]- Widyadana

[xxv]- Container

[xxvi]- Ciemnoczolowski & Bozer

[xxvii]- Integer Non Linear Multi Objective Programming

[xxviii]- Chen & Serker

[xxix]- Muris & Moacir

[xxx]- Kimura & Terada

[xxxi]- Moeemi & Chang

[xxxii]- Wang & Wang

[xxxiii]- Petri nets

[xxxiv]- Price

[xxxv]- Monden

[xxxvi]- Berkley

[xxxvii]- Takahashi

[xxxviii]- Unbalanced serial production system

[xxxix]- Nori & Sarker

[xl]- Wang and Sarker

[xli]- Meta-heuristic Metric Algorithm

[xlii]- Azadeh

[xliii]- Multi Objective Genetic Algorithm

[xliv]- Gonzalez

[xlv]- Framinan & Pierreval

[xlvi]- Belisario & Pierreval

[xlvii]- Chen & Serker

[xlviii]- Kageshima & Inoie

[xlix]- Tabu Search

[l]- Simulation-Optimization

[li]- Improved Particle Swarm Optimization

[liii]- Enterprise Dynamics

[liv]- Object

[lv]- Moeemi & Chang

اصغرپور، محمدجواد. (1377). «تصمیم‌گیری‌های چند‌معیاره»، تهران: انتشارات دانشگاه تهران، چاپ اول.

توکلی مقدم، رضا و نوروزی، نرگس. (1390). «مسئلۀ مسیریابی وسایل نقلیه با در نظر گرفتن ایجاد توازن در توزیع کالاها»، پژوهشنامه حمل‌و‌نقل، سال هشتم، 4، زمستان 1390، 375-363.

حاج شیرمحمدی، علی. (1373). «برنامه‌ریزی و کنترل تولید و موجود‌ی‌ها»، اصفهان: انتشارات جهاد دانشگاهی دانشگاه اصفهان، چاپ سوم.

حسن نایبی، عرفان و کیانفر، فریدون. (1391). «تعیین توالی اعزام و برنامۀ توقف قطارها به‌کمک الگوریتم فرا ابتکاری جستجوی تصادفی»، پژوهشنامه حمل‌و‌نقل، سال نهم، 3، پاییز 1391،  257-235.

ذگردی، سیدحسام الدین و بهشتی‌نیا، محمدعلی. (1388). «یکپارچگی زمان‌بندی حمل‌ونقل در زنجیره تأمین با وسایل نقلیه دارای ظرفیت متفاوت»، پژوهشنامه حمل‌و‌نقل، سال ششم، 3، پاییز 1388، 244-233.

طارقیان، حامدرضا؛ فراهی، محمدهادی و مدرسی، طاهره. (1387). «تعیین تعداد بهیۀ کانبان به‌کمک الگوریتم جستجوی پراکنده»، نشریه دانشگاه چمران، اهواز، 21، زمستان87، 47-60 .

عرب، رحمت؛ توکلی مقدم، رضا و فرقانی، محسن. (1392). «حل یک مدل ریاضی جدید برای زمان‌بندی در شبکه های توزیع با بهینه‌سازی ذرات انبوه چند‌هدفه»، مدیریت تولید و عملیات، اصفهان، دوره چهارم، پیاپی (7)، شماره (2)، 95-112.

معطرحسینی، سیدمحمد و حسینی، سیدتقی. (1383). «تعیین تعداد کانبان در سیستم تولید JIT (تولید بهنگام) با شرایط پویا»، نشریه دانشگاه تربیت مدرس، تهران، 18، زمستان83 ، 17-34.

موتابیان، کاظم. (1386). سیستم تولید تویوتا گذار از تولید انبوه به تولید ناب، تهران: انتشارات آموزه، چاپ سوم.

Abdul Rahman, N. A., Sharif S. M. & Mashitah M. E. (2013). “Lean Manufacturing Case Study with Kanban System Implementation”. Procedia Economics and Finance, 7, 174 – 180.

Azadeh, A., Layegh, J. & Pourankooh, P. (2010a). “Optimal Model for Supply Chain Controlled by kanban under JIT Philosophy by Integration of computer Simulation and Genetic Algorithm”. Basic and Applied Sciences, 4(3), 370-378.

Azadeh, A., V. Ebrahimipour, & Bavar,  P. (2010b). “A hybrid GA-simulation approach to improve JIT systems.” International Journal of Production Research, 48 (8), 2323–2344.

Belisario, L. S. & Pierreval, H. (2015). “Using genetic programming and simulation to learn how to dynamically adapt the number of cards in reactive pull systems”, Expert Systems with Applications, 42 (6), 3129-3141.

Berkley, B. J. (1996). “A Simulation Study of Container Size in two-card kanban Systems”, International Journal of Production Research, 34 (12), 3417-3445.

Branke, J., Deb, K. & Miettinen, K. (2008). “Multiobjective Optimization Interactive and Evolutionary Approaches”. Springer Berlin Heidelberg.

Chaharsooghi S. K. & Sajedinejad A. (2010). “Determination of the Number of Kanbans and Batch Sizes in a JIT Supply Chain System”. Transaction E: Industrial Engineering, 17 (2), 143-149.

Chan, F.T.S, (2001). “Effect of Kanban Size on Just-in-Time Manufacturing System”. Journal of Materials Processing Technology, 116, 146-160.

Chen, Z. & Sarker, B.R. (2015). “Optimisation of multi-stage JIT production-pricing decision: centralised and decentralized models and algorithms”. International Journal of Production Research, 53(20), 210-6230.

Ciemnoczolowski, D. D. & Bozer, Y. A. (2013). “Performance evaluation of small-batch container delivery systems used in lean manufacturing – Part 2: number of Kanban and workstation starvation”. International Journal of Production Research, 51(2), 568–581.

Faccio, M., Gamberi, M. & Persona, A. (2013). “Kanban number optimisation in a supermarket warehouse feeding a mixed-model assembly system”. International Journal of Production Research, 51(10), 2997-3017.

Framinan, J. M., & Pierreval, H. (2012). “Special issue on pull strategies in manufacturing systems and supply chains: Recent advances”. Journal of Intelligent Manufacturing, 23(1), 1–3.

Fukukawa, T. & Hong, S. C. (1993). “The determination of the optimal number of kanbans in a just-in-time production System”. Computers and Industrial Engineering, 24(4), 551-559.

Gonzalez, R. P. L., Framinan, J. M., & Ruiz-Usanu, R. (2011). “A response surface methodology for parameter setting in a dynamic ConWIP production control system”. International Journal of Manufacturing Technology and Management, 23(1–2), 16–33.

Hou, T.H. & Hu, W.C. (2011). “An Integrated MOGA approach to determine the Pareto-optimal kanban number and size for a JIT system”, Expert Systems with Applications, 38, 5912-5918.

Jothishankar, M.C. & Wang, H.P. (1992). “Determination of optimal number of Kanbans using stochastic petri nets”. Journal of Manufacturing Systems, 11(6), 449-461.

Junior, M. L. and Filho M. G. (2010). “Review Variations of the kanban system: Literature review and classification”, International Journal Production Economics, 125, 13–21.

Kageshima, R. & Inoie, A. (2014). “Simulation-based Optimization Approach for an Extended-kanban Control System”. International Conference on Computational Science and Computational Intelligence, Las Vegas, USA, 10-13 March,  315-316.

Khojasteh, Y. & Sato, R. (2015). “Selection of a pull production control system in multistage

Kimura, O. & Terada, H. (1981). “Design and Analysis of Pull System: a Method of Multi Stage Production Control”, International Journal of Production Research, 19 (3), 241-253.

Krishna Jasti, N. V. &  Kodalib, R. (2015). “Lean production: literature review and trends”. International Journal of Production Research, 53(3), 867-885.

Lolli, F., Gamberini, R., Giberti, C., Rimini, B. & Bondi, F. (2015). “A simulative approach for evaluating alternative feeding scenarios in a Kanban system”. International Journal of Production, In Press.

Markham, I.S., Mathieu, R.G., Wray, B.A. (1998). “A Rule Induction Approach for Determining the Numebr of Kanban in Just In Time Prouction System”. Computers & Industrial Engineering, 34(4), 717-727.

Moeemi, F. & Chang, Y.L. (1990). “An approximate solution to deterministic kanban systems”. Decision Sciences, 21(3), 596-607.

Monden, Y. (1993). “Toyota production system: An integrated approach to just-in-time” Industrial Engineering and Management Press, 2nd ed., 279–290.

Muris, L. J., & Moacir, G. F. (2010). “Variations of the Kanban System: Literature Review and Classification”, International Journal of Production Economics, 125 (1), 13–21.

Nori, V. S., & Sarker, B. R. (1998). “Optimum number of kanbans between two adjacent stations”. Production Planning and Control, 9(1), 60–65.

Pedrielli, G., Alfieri, A. & Matta, A. (2015). “Integrated simulation–optimisation of pull control systems”. International Journal of Production Research, 53(14), 4317-4336.

Philipoom, P.R., Rees, L.P., Taylor III, B. W., &  Huang, P. Y. (1987) “An Investigation of the Factors Influencing the Number of Kanbans Required in the Implementation of the JIT Technique with Kanbans”. International Journal Production Research, 25(3), 457-472.

Price, W.L., Gravel, M. & Cantin, F. (1992). “A Mathematical Programming Model of a Kanban Job-shop”, International Journal of production Research, 26 (6), 1105-1118.

production processes”. International Journal of Production Research, 53(14), 4363-4379.

Rabbani, M., Layegh, J. & Mohammad Ebrahim, R. (2009). “Determination of number of kanbans in a supply chain system via Memetic algorithm”. Advances in Engineering Software, 40, 431–437.

Takahashi, K. (1994). “Determining the Number of Kanbans for Unbalanced Serial Production Systems”. Computers & Industrial Engineering, 27 (1–4), 213-216.

Wang, S. & Sarker B. R. (2006). “Optimal models for a multi-stage supply chain system controlled by kanban under just-in-time philosophy”. European Journal of Operational Research, 172, 179–200.

Wang, H. & Wang, H.P. (1990). “Determining the Number of Kanbans: A Step Toward Non-Stock-Production”. International Journal of Production Research, 28 (11), 2101-2115.

Widyadana, G.A., Wee, H.M.  & Chang, J.Y. (2010). “Determining the optimal number of Kanban in multiproducts supply chain system”.  International Journal of Systems Science, 41(2), 189–201.

Zipkin, H.P. (1991). “Does Manufacturing Need a JIT Revolution?”. Harvard Business Review, 69 (1), 40-46.