توسعۀ زنجیرۀ تأمین پایدار دارویی با ارائۀ استراتژی احداث انبار مشترک

نوع مقاله : مقاله پژوهشی- فارسی

نویسندگان

گروه مهندسی صنایع، دانشکده مهندسی، دانشگاه یزد، یزد، ایران

چکیده

با توجه به اهمیت موضوع کلیدی سلامت، توسعۀ یک زنجیرۀ تأمین پایدار دارویی با هدف ارائۀ خدمات مطلوب و به‎‍موقع، ضروری است. یکی از چالش‎‍های زنجیرۀ تأمین دارو، زوال‎‍پذیری محصولات دارویی است. در این راستا، توسعۀ استراتژی‎‍هایی از اهمیت بالایی برخوردار است که دارو مدت‎‍زمان کمتری در چرخۀ توزیع قرار داشته باشد و در دسترس بیماران قرار گیرد. در این مقاله‎‍ با در نظر داشتن زنجیرۀ تأمین سه سطحی شامل توزیع‎‍کنندۀ اصلی و مجموعه‎‍ای از توزیع‎‍کنندگان فرعی و داروخانه‎‍ها، به رویکرد جدید یکپارچه‎‍سازی زنجیرۀ تأمین دارو با توسعۀ استراتژی انبار مشترک ‎‍ توجه شده است. مدل‎‍سازی ریاضی به دو صورت یکپارچه با استراتژی انبار مشترک و غیر یکپارچه انجام شده است. با توجه به پیچیدگی مدل ریاضی یکپارچه، برای ارزیابی عملکرد مدل مسئله در ابعاد کوچک، متوسط و بزرگ، با استفاده از الگوریتم بهینه‎‍ سازی ذرات حل شده است. در‎‍نهایت نتایج حاصل از مدل یکپارچه در مقایسه با مدل غیر یکپارچه، نشان‎‍دهندۀ کاهش هزینه‎‍های زنجیره و کاهش مدت‎‍زمان دورۀ سفارش با بزرگ‎‍تر‎‍شدن ابعاد مسئله است.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Developing Sustainable Pharmaceutical Supply Chains via a Shared Warehouse Strategy

نویسندگان [English]

  • Yahia Zare Mehrjerdi
  • Mehdi Bagheri
  • Mohammad Ali Vahdat
  • Mohammad Saleh Owlia
Faculty of Industrial engineering, Yazd University, Yazd, Iran
چکیده [English]

Purpose: Given the importance of the key issue of health, developing a sustainable pharmaceutical supply chain to provide timely and quality services is essential. One of the challenges in the pharmaceutical supply chain is the perishability of drug products. In this regard, developing strategies to ensure drugs spend less time in the distribution cycle and are made available to patients promptly is of great importance.
Design/methodology/approach: In this article, considering a three-level supply chain including a main distributor, a set of sub-distributors, and pharmacies, a novel approach to pharmaceutical supply chain integration through the development of a shared warehousing strategy has been addressed. Mathematical modelling has been conducted in both integrated (with shared warehousing strategy) and non-integrated forms. Due to the complexity of the integrated mathematical model, the problem has been solved using the Particle Swarm Optimization (PSO) algorithm to evaluate the model's performance in small, medium, and large scales.
Findings: The supply chain cost in the integrated model improves as the problem scale increases. Based on the results, the difference between the integrated and non-integrated models is minimal at small scales, but as the problem scale grows, the objective function shows an improvement of up to 18.5%. One of the favourable outcomes of the integrated model is the reduction in the average order cycle time, which stems from consolidating orders in shared warehouses and increasing the exit rate of drugs from warehouses due to the aggregation of pharmacy demand.
Practical implications: One of the key reasons for the success of this strategy in the study was the reduction of inventory redundancy and optimal utilization of space and resources. By centralizing inventory in a shared warehouse, distributors can reduce leasing, manpower, and transportation costs. Additionally, the geographical location of the warehouse has decreased delivery time and enhanced operational efficiency. The numerical results of the study confirm that the proposed strategy can be regarded as an approach that integrates environmental and social considerations alongside economic factors. The effectiveness of this strategy is attributed to the reduction in the storage time of pharmaceutical products, decreased levels of expired inventory, the benefits of economies of scale, and the timely response to healthcare needs.
Originality/value: The implementation of the shared warehousing strategy has been introduced as a novel approach to integrating the pharmaceutical supply chain.

کلیدواژه‌ها [English]

  • Pharmaceutical supply chain
  • Integrated model
  • Shared warehouse
- مقدمه
حوزۀ سلامت در هر کشوری، از با اهمیت‌ترین حوزه‌ها‎‍ و زنجیرۀ ‌تأمین آن، دارای جایگاهی استراتژیک است. چالش‌های‎‍ این حوزه شامل کاهش هزینه‌ها، تضمین تحویل به‎‍موقع، زوال‎‍پذیری و آثار آن بر محیط‎‍زیست و هزینه‌ها‎‍ و کاهش زمان حمل و نقل برای عکس‎‍العمل بهتر به محیط پیرامون است (Janatyan et al., 2019). در مقالۀ حاضر در راستای چالش‎‍های مطرح‎‍شده، یک زنجیرۀ تأمین سه سطحی شامل توزیع‎‍کنندۀ اصلی، که وارد‎‍کنندۀ داروهای خارجی است، شبکه‎‍ای از توزیع‎‍کنندگان فرعی و داروخانه‎‍ها‎‍ بررسی می‎‍شود.
یکی از چالش‎‍های مدیریت موجودی در زنجیرۀ ‌تأمین دارو، زوال‎‍پذیری محصولات است. عمر قفسه‎‍ای دارو، دورۀ زمانی است که دارو پایدار‎‍ و قابلیت استفادۀ آن بالای 90درصد است (Coffey, 2013). در تحقیقی در سال 2003 در ایالات‎‍متحدۀ آمریکا، داروهای منقضی‎‍شده حدود 500 میلیون دلار در سال ضرر به‎‍همراه داشته است. در سال 2007، بخش سلامت شیکاگو حدود یک میلیون دلار به‎‍واسطۀ منقضی‎‍شدن داروها از دست داده است ‎‍Masoumi et al., 2012)). طبق تحقیقات داروخانه‌ها، در سال حدود 500 میلیون دلار هزینۀ منقضی‎‍شدن محصولات را می‎‍پردازند (Karaesmen et al., 2011). با توجه به هزینه‎‍‌های زوال‎‍پذیری، کارایی مدل‌های موجودی و اهداف آن، وابستگی زیادی به کاهش این هزینه‎‍‌ها دارد. این هزینه با استفاده از سیاست‎‍های مشارکتی یا هماهنگی بازیگران زنجیرۀ تأمین کاهش می‎‍یابد. نتایج نشان می‌دهند ‎‍ استراتژی‌های همکاری‌های زنجیرۀ تأمین، هزینه‌ها را به‎‍طور مؤثر کاهش می‌دهند (Olaniyi & Pugal, 2024). 
استراتژی‌های مدیریتی و تکنیک‌های لجستیک، خلأ فناوری‌‎‍های نگهداری را پوشش می‎‍دهد و توزیع کارآمد و چابک دارو در شبکه را موجب می‎‍شود. این حوزه یک شکاف تحقیقاتی است که توجه بسیار کمی به این حوزه شده است. مستوفی و همکاران  (2023)، سیاست مدیریتی هماهنگی اعضای زنجیره را با استفاده از تئوری بازی‎‍ها در راستای کاهش زوال‎‍پذیری بررسی کردند. در این پژوهش، به استراتژی مدیریتی توسعۀ انبار مشترک در این راستا ‎‍توجه شده است.
یکی از مهم‎‍ترین فعالیت‌های تأثیرگذار بر عملکرد زنجیرۀ تأمین دارو، مدیریت موجودی‌هاست. معمولاً بین اهداف سیستم‌های سلامت و سیستم کنترل موجودی آنها، تناقضاتی وجود دارد که هماهنگی بخش‌های مختلف را بیش از پیش ضروری می‎‍کند؛ برای مثال اگر کمبود در سیستم اتفاق بیفتد، بیماران و کادر درمانی ممکن است نسبت‎‍به سیستم بی‎‍اعتماد شوند و از طرف دیگر اگر موجودی زیاد نگهداری شود، به سرمایه‌گذاری درخور توجه بر موجودی اضافی منجر می‎‍شود و هزینه‌‎‍های مرتبط با سرمایۀ راکد را به‎‍دنبال دارد (Maestre et al., 2018). در این شرایط، مدل‌های یکپارچگی و هماهنگی با فراهم‎‍کردن انگیزش‎‍های لازم برای اعضا، به عملکرد سراسری و فردی اعضای زنجیرۀ تأمین منجر می‎‍شود. 
در این مقاله، به یک شبکۀ توزیع دارو شامل توزیع‎‍کنندۀ اصلی، شبکه‎‍ای از توزیع‎‍کنندگان فرعی و داروخانه‎‍ها با هدف بهینه‎‍سازی طول دورۀ سفارش‎‍ها در پاسخ مناسب و به‎‍موقع به بیماران و به‎‍کارگیری استراتژی‎‍های هماهنگی و مشارکت بین بازیگران زنجیرۀ تأمین‎‍ توجه شده است. استراتژی پیشنهادی در مدیریت موجودی شبکۀ توزیع دارویی‎‍ مطالعه‎‍شده، یکپارچه‎‍سازی و تلفیق توزیع‎‍کنندگان فرعی با احداث انبار مشترک در راستای کاهش مدت‎‍زمان ماندن محصولات دارویی در انبار و بهره‎‍مندی از سیاست صرفه‎‍جویی نسبت‎‍به مقیاس، پاسخ به‎‍موقع به نیازهای درمانی و درنهایت کاهش هزینه‎‍های موجودی است. این استراتژی مدیریت بهتر موجودی‎‍ها، کاهش ضایعات و در دسترس بودن پیوستۀ داروها را به‎‍همراه دارد (Ogbewele et al., 2024).
در ادامۀ این مقاله، در بخش دوم پیشینۀ تحقیقات مرتبط با موضوع تحقیق بررسی می‎‍شود تا شکاف‎‍های تحقیقاتی و نوآوری تحقیق بهتر مشخص شود. بخش سوم روش‎‍شناسی تحقیق و روش حل بر‎‍اساس داده‎‍های جمع‎‍آوری‎‍شده ارائه می‎‍شود. بخش چهارم، شرکت‎‍ مطالعه‎‍شده و یافته‎‍های تحقیق معرفی می‎‍شود. در بخش پنجم بحث دربارۀ نتایج است و در بخش ششم، تحلیل حساسیت مدل ارائه و در‎‍نهایت در بخش هفتم، نتیجه‎‍گیری مقاله بیان شده است.
2- مبانی نظری و پیشینۀ تحقیق
2-1 مدل‎‍های موجودی دارو
تاکنون تحقیقات درخور توجهی در‎‍بارۀ مدل‎‍های موجودی مرتبط با دارو انجام شده است. کاکده و ویتالکار  (2024)، چالش‌های مدیریت موجودی را در زنجیرۀ تأمین دارو بررسی کردند و با استفاده از مدل‌های پیش‌بینی و تجزیه و تحلیل داده‌ها و روش‌های مدیریت موجودی مانند JITبرای بهینه‌سازی موجودی، کاهش هزینه‌ها، بهبود دسترسی به داروها و کاهش کمبود دارو را نشان دادند. روجاس و همکاران  (2024)، بر مدل‌های موجودی با تقاضای تصادفی تمرکز دارند و به نیاز به رویکردهای پیچیده برای مدیریت عدم قطعیت در تقاضا تأکید می‎‍کنند. وانگ و همکاران  (2015) با فرض احتمالی‎‍بودن تقاضا و بهره‎‍مندی از داده‎‍های واقعی در راستای تعیین مقادیر بهینۀ موجودی، موجودی اطمینان و زمان بازپرسازی، از رویکرد تلفیقی شبیه‌سازی سیستم داینامیک و الگوریتم هیوریستیک پاول استفاده کردند. ازغندی و همکاران  (2018) با بررسی انواع اختلالاتی که موجب ایجاد کمبود در زنجیرۀ تأمین دارو می‎‍شد، یک مدل ریاضی موجودی را تحت شرایط عدم قطعیت، با هدف حداقل‎‍سازی کمبود تحت شرایط این اختلال، ارائه کردند.
2-2 زوال‎‍پذیری
بسیاری از محققان، تحقیقات زیادی را دربارۀ سیاست بازپرسازی موجودی کالاهای فاسدشدنی انجام دادهاند. یو و همکاران  (2020)، یک مدل کنترل موجودی محصولات فسادپذیر را تحت سیاست زیست‎‍محیطی انتشار گاز کربن توسعه دادند. در این مقاله با توسعۀ تجهیزات نگهداری محصولات زوال‎‍پذیر، نرخ زوال‌پذیری کاهش و در‎‍ نتیجۀ آن، سود افزایش می‌یابد. احمدی و همکاران  (2022) در راستای کاهش محصولات دارویی منقضی‎‍شده و حداکثر‎‍ سازی سطح خدمت، یک مدل موجودی هوشمند را در زنجیرۀ تأمین سلامت توسعه دادند. رمدهانی و همکاران  (2022) برای دستیابی به اهداف پایداری و کاهش ضایعات دارویی در یک زنجیرۀ تأمین دو سطحی، یک مدل برنامه‎‍ریزی عدد صحیح غیر خطی ‎‍را توسعه دادند.
 
2-3 هماهنگی و یکپارچگی
با توجه به ساختار زنجیرۀ تأمین دارو و حضور بازیگران متعدد، مطالعات متعددی برای هماهنگی و یکپارچگی مدل‎‍های موجودی‎‍ انجام شده است. پریان و مالا  (2020) با تأکید بر کیفیت مواد اولیه و محصولات نهایی زوال‎‍پذیر، که منقضی شده‎‍اند، یک مدل موجودی دارویی را با تأکید بر دستیابی به سطح خدمت مطلوب در دو سطح بیمارستان و شرکت دارویی ارائه و برای دستیابی به سطح بهینۀ خدمت، از تئوری بازی‌ها استفاده کردند. الرابی و همکاران  (2021) با توسعۀ یک مدل موجودی متمرکز و سیاست موجودی بین داروخانه‎‍های محلی و بیمارستان‎‍ها و مقایسۀ آن با مدل غیرمتمرکز فعلی، به اهداف کاهش هزینه‎‍های سیستم و پاسخگویی مناسب به عدم قطعیت‎‍های موجود، دست یافتند. تات و همکاران  (2021) با در نظر داشتن فاکتور‎‍های اجتماعی در زنجیرۀ تأمین دو سطحی دارو، با طراحی یک قرارداد تسهیم هزینه، سود کل زنجیره را افزایش دادند. مالزوارن و اوزاکومار  (2022) با هدف دستیابی به اهداف پایداری و تمرکز بر کاهش داروهای منقضی‎‍شده، یک مدل هماهنگ و مشارکتی را در یک زنجیرۀ تأمین دو سطحی توسعه دادند. تات و حیدری  (2021) وجود داروهای تاریخ‎‍گذشته را با اهداف پایداری متناقض تشخیص‎‍ و با طراحی استراتژی مشارکت و همکاری اعضای زنجیره، مدلی را برای دستیابی به این اهداف توسعه دادند. نعمت‎‍الهی و همکاران  (2022) با در نظر گرفتن طول عمر داروها، استراتژی همکاری تسهیم سود را برای تعیین سطح بهینۀ موجودی اطمینان داروخانه‎‍ها و زمان بهینۀ بازدید و بازپرسازی توزیع‎‍کنندگان به کار بردند.  مستوفی و همکاران (2023)، همکاری بین توزیع‎‍کنندگان را با استفاده از انبارهای مشترک را‎‍ یک استراتژی برای کاهش زوال محصول پیشنهاد دادند. یک مطالعۀ دیگر، استراتژی‌های دیجیتال‌سازی را در زنجیرۀ تأمین دارو بررسی و بر اهمیت ایجاد سیستم‌های زنجیرۀ تأمین پایدار و انعطاف‌پذیر تأکید کرده است. این استراتژی‌ها‎‍ شامل انبارهای مشترک برای بهینه‌سازی منابع و کاهش هزینه‌ها هستند (Shashi, 2023).
 با توجه به بررسی انجام‎‍شده، مطالعات انجام‎‍شده در حوزۀ تحقیق همان‎‍طور که در جدول 1 به‎‍صورت خلاصه مشاهده می‎‍شود، به‎‍طور هم‎‍زمان زوال‎‍پذیری، مدل‎‍های چند محصولی، استراتژی‎‍های یکپارچگی و استراتژی انبار مشترک در هیچ‌یک از مقالات سال‎‍های اخیر مشاهده نشده است که در این مقاله بررسی خواهد شد.
جدول 1- خلاصۀ پیشینۀ موضوع 
Table 1- Summary of the literature
منابع حالت‎‍ها زنجیرۀ تأمین اعضای استراتژی مدیریت زنجیره استراتژی نوآورانۀ زنجیره عدم قطعیت
زوال‎‍ناپذیریزوال‎‍پذیریتک‎‍محصولیچند محصولیداروخانهتوزیع‎‍کنندهسایرهماهنگییکپارچگیانبار مشترکسایر
سرسی و همکاران  (2025)
*****
کاکده و ویتالکار (2024)
*****
مویزروا و اکومونتو  (2024)
**
مستوفی و همکاران (2023)
******
رمدهانی و همکاران (2022)
******
تات و حیدری (2021)
*******
نعمت‎‍الهی و همکاران (2021)
******
مالزوارن و اوزاکومار (2022)
*******
تات و همکاران (2021)‎‍
*******
الرابی و همکاران (2021)
*****
یو و همکاران (2020)
****
پریان و مالا (2020)
****
پوتری و همکاران (2019)
*******
مقالۀ حاضر * * * * * * *
3- روش‎‍شناسی پژوهش
3-1 تعریف مسئله
در این تحقیق، شبکه‎‍ای از توزیع‎‍کنندگان مطالعه شده است که هر‎‍کدام وظیفۀ تأمین داروهای‎‍ خاصی را برای یک محدودۀ جغرافیایی بر عهده دارند‎‍. هر توزیع‎‍کننده مجموعه‌ای از داروخانه‌ها را پوشش می‌دهد که در شبکۀ زنجیرۀ تأمین، به‎‍عبارتی هر داروخانه منتسب به یک توزیع‎‍کننده است. با توجه به اینکه داروها وارداتی‎‍اند، هزینۀ سفارش‎‍دهی داروها، نسبتاً زیاد است. همچنین هر‎‍کدام از داروها عمر محدودی دارند و اگر‎‍ قبل از رسیدن به عمر خود از انبار توزیع‎‍کنندگان خارج نشوند، فاسد می‎‍شوند و هزینه‎‍های‎‍ اضافی را به توزیع‎‍کنندگان تحمیل می‎‍کنند. در شکل 1، شبکۀ زنجیرۀ تأمین مد‎‍نظر نشان داده شده است.
 
 
شکل 1- شبکۀ زنجیرۀ تأمین‎‍ مطالعه‎‍شده
Fig. 1- Research Supply Chain Network
دیگر مفروضات مدل به شرح زیر است:
1) مدل پیشنهادی، یک مدل چند محصولی است؛
2) تقاضای داروخانه‎‍ها و بیماران از توزیع نرمال با میانگین و انحراف معیار مشخص پیروی می‎‍کند؛
3) هر‎‍کدام از داروها عمر مشخص دارند و دورۀ سفارش محصولات در داروخانه برای جلوگیری از فاسد‎‍شدن داروها باید کمتر از حداکثر عمر مفید داروها باشد؛
4) توزیع‎‍کنندگان فرعی از سیستم کنترل موجودی نقطۀ سفارش (RP,Q) استفاده می‎‍کنند؛ 
4) دورۀ سفارش برای همۀ محصولات یک توزیع‎‍کنندۀ فرعی یکسان در نظر گرفته می‎‍شود؛
5) تلفیق توزیع‎‍کنندگان فرعی و احداث انبار مشترک، با در نظر گرفتن شهرهای شیراز، اصفهان و بوشهر انجام می‎‍شود؛
6) داروخانه‎‍ها از سیستم موجودی مرور دوره‎‍ای استفاده می‎‍کنند؛
7)کمبود در زنجیرۀ تأمین‎‍ بررسی‎‍شده مجاز است. 
نمادگذاری‎‍ استفاده‎‍شده در تحقیق، به شرح زیر است:
اندیس توضیحات
I اندیس داروخانه‎‍ها
K اندیس داروها
J اندیس توزیع‎‍کنندگان فرعی
پارامتر توضیحات
P_j مجموعۀ تمام داروخانه‎‍های تحت پوشش توزیع‎‍کنندۀ فرعی j
d_ik میانگین تقاضای داروخانه i برای داروی k
v_ik واریانس تقاضای داروخانه i برای داروی k
D_ik میانگین تقاضای توزیع‎‍کنندۀ فرعی j برای داروی k
V_ik واریانس تقاضای توزیع‎‍کنندۀ فرعی j برای داروی k
h_jk هزینۀ نگهداری یک واحد دارو k در توزیع‎‍کنندۀ فرعی j
h_ik هزینۀ نگهداری یک واحد دارو k در داروخانه i
π_jk هزینۀ هر واحد کمبود پس‌افت شده داروی k در توزیع‌کننده فرعی j
π_ik هزینۀ هر واحد کمبود فروش از دست رفتۀ داروی k در داروخانه i
O_j هزینۀ سفارش‎‍دهی از سوی توزیع‎‍کنندۀ فرعی j در هر بار سفارش
O_i هزینۀ سفارش‎‍دهی از سوی داروخانه i در هر بار سفارش
LF_k عمر مفید داروی k
LT_j متوسط مدت‎‍زمان تحویل از توزیع‎‍کنندۀ اصلی به ‎‍ توزیع‎‍کنندۀ فرعی j
LT_ij متوسط مدت‎‍زمان تحویل از ‎‍ توزیع‎‍کنندۀ فرعی j به داروخانۀ i
FC_j هزینۀ ثابت تسهیلات توزیع‎‍کنندۀ فرعی j
FA_(jj^,)
هزینۀ ثابت (‎‍مازاد) احداث انبار مشترک در توزیع‎‍کنندۀ j در صورت تلفیق توزیع‎‍کنندۀ فرعی j’ به آن
VT هزینۀ ثابت حمل و نقل یک واحد محصول در واحد مسافت
LP_k مدت‎‍زمان مورد انتظار از زمان تحویل دارو k از سوی توزیع‎‍کنندۀ فرعی به داروخانه‎‍ها تا زمان مصرف دارو از سوی بیماران
LP_k^' مدت‎‍زمان مورد انتظار از زمان تحویل دارو k به بیمار در داروخانه تا زمان صرف دارو از سوی بیماران
RP_jk نقطۀ سفارش توزیع‎‍کنندۀ فرعی j برای داروی k
dis1_j مسافت حمل و نقل از توزیع‎‍کنندۀ اصلی تا توزیع‎‍کنندۀ فرعی j
dis2_ij مسافت حمل و نقل از داروخانه i تا توزیع‎‍کنندۀ فرعی j
Es_ik کمبود مورد انتظار برای داروی k در داروخانه i
Eh_ik موجودی در دست مورد انتظار برای داروی k در داروخانه i
α احتمال مواجه‎‍نشدن با کمبود توزیع‎‍کنندگان فرعی
α^' احتمال مواجه‎‍نشدن با کمبود داروخانه‎‍ها
متغیر توضیحات
ss_jk موجودی اطمینان داروی k در توزیع‎‍کنندۀ فرعی j
T_j مدت‎‍زمان یک دورۀ سفارش توزیع‎‍کنندۀ فرعی j 
T_i مدت‎‍زمان یک دوره سفارش داروخانه i
y_(jj^,)
متغیر باینری با مقدار 1 در صورتی که توزیع‌کنندۀ فرعی j، انبار مشترک انتخاب شود و توزیع‎‍کنندۀ فرعیj’ به آن تخصیص یافته باشد و با آن تلفیق شود
y_jj متغیر باینری با مقدار 1 در صورتی که توزیع‎‍کنندۀ فرعی j، انبار مشترک انتخاب شود
R_ik حداکثر سطح موجودی داروی k در داروخانه i
Π_j^nc تابع هزینۀ توزیع‎‍کنندۀ فرعی j 
Π^nc تابع هزینۀ زنجیرۀ تأمین غیر یکپارچه
Π^c تابع هزینۀ زنجیرۀ تأمین یکپارچه در حالت احداث انبار مشترک
TAC_(i,j) تابع هزینۀ داروخانه‎‍های منسوب به توزیع‎‍کنندۀ فرعی j
3-2 مدل‎‍های کنترل موجودی 
3-2-1 سیستم کنترل موجودی داروخانه‎‍ها
در شکل 2، نمودار موجودی یک داروخانه نمایش داده شده است. تقاضای داروخانه‎‍ها احتمالی و با توزیع نرمال‎‍ است. سیاست توزیع تقاضای مورد نیاز داروخانه‎‍ها، به این صورت است که داروخانه‎‍ها در دوره‎‍های مشخص، موجودی هر قلم دورۀ خود را بررسی می‎‍کنند و سپس آن را به میزانی سفارش می‎‍دهند که سطح موجودی‎‍شان به میزان از پیش تعیین شده‎‍ای برسد؛ از این رو، سیاست تنظیم موجودی داروخانه‎‍ها سیاست (R, T) است که در آن، R سطح موجودی هدف و T دوره‎‍های مرور است. با فرض اینکه در لحظۀ مرور، سطح موجودی I باشد، مقدار سفارش برابر Q=R-I است که این میزان سفارش پس از یک مدت‎‍زمان مشخص، تحویل داده می‎‍شود.
 
شکل2- نمودار موجودی داروخانه
Fig. 2- Pharmacy Inventory Chart
 تقاضای داروی k در داروخانۀ i در مدت‎‍زمان طول دوره به اضافۀ مدت‎‍زمان تحویل از توزیع نرمال با میانگین d_ik (T_i+LT_i) و انحراف معیار v_ik √(T_i+LT_i ) پیروی می‎‍کند؛ از این رو سطح موجودی هدف برای داروی k در داروخانۀ i به‎‍صورت مجموع تقاضا در مدت‎‍زمان تحویل، به اضافۀ طول یک دوره و سطح موجودی اطمینان با استفاده از رابطۀ 1 تعیین می‎‍شود.
(1) R_ik=d_ik (T_i+LT_i )+Z_(α^' ) v_ik √(T_i+LT_i )       ∀i,k     
در رابطۀ 1، Z_(α^' ) نشان‎‍دهندۀ فاکتور اطمینان انتخابی برای داروخانۀ i و داروی k است و در P(X_ik≥R_ik)=α^' صدق می‎‍کند.‎‍ در این رابطه  مقدار‎‍ مشخص و سطح پذیرفتنی کمبود در بازۀ T_i+LT_i است. کمبود مورد انتظار در هر دوره برای داروی  kدر داروخانۀ i بر‎‍اساس مدل مرور دوره‎‍ای زمانی که تقاضا دارای توزیع نرمال باشد، بر‎‍اساس رابطۀ 2 بر‎‍آورد می‎‍شود.
(2) Es_ik=v_ik √(T_i+LT_i ) [f_Z (z)-Z_(α^' ) [1-Φ_z (z)]]=v_ik √(T_i+LT_i ) G_z (z_(α^' )) 
‎‍ در این رابطه f_z (z) و Φ_z (z) به ترتیب تابع چگالی و تابع توزیع تجمعی نرمال استاندارد و در رابطۀ فوق، عبارت G_z (z_(α^' )) با استفاده از رابطۀ (3) تعریف می‌‎‍شود و با معلوم‎‍بودنZ_(α^' ) ، از جداول استاندارد‎‍ استخراج‎‍شدنی است. 
(3) G_z (z_(α^' ))=∫_(z_(α^' ))^∞▒〖(t-z_(α^' )).f_Z (z).dt〗
اویانگ و چانگ  (2000) موجودی در دست مورد انتظار را برای داروی k در داروخانۀ i در سیستم مرور دوره‎‍ای، به‎‍صورت زیر نشان دادند.
(4) Eh_ik=R_ik-d_ik LT_i-(d_ik T_i)/2+Es_ik    ∀i,k     
بر اساس رابطۀ اول، R_ik تابعی از فاکتور اطمینان Z_(α^' ) است. بر این اساس، برای سهولت محاسبات در تابع هزینۀ موجودی داروخانه‎‍ها، با جای‎‍گذاری رابطۀ 1در رابطۀ 4 داریم
(5) Eh_ik=[(d_ik T_i)/2+Z_(α^' ) v_ik √(T_i+LT_i )+v_ik √(T_i+LT_i ) G_z (z_(α^' ))]     ∀i,k 
با توجه به اینکه در این حالت، همۀ داروها با هم سفارش داده می‎‍شود، مدل بهینه‎‍سازی که برای این منظور استفاده می‎‍شود، به شرح زیر است:
مدل 1:
TAC_ij=O_i/T_i +∑_k▒(█(&h_ik ([(d_ik T_i)/2+Z_(α^' ) v_ik √(T_i+LT_i )+v_ik √(T_i+LT_i ) G_z (z_(α^' ))])@&+π_ik/T_i  [v_ik √(T_i+LT_i ) G_z (z_(α^' ))] ))    ∀i,j ‎(6) 
 
 
T_i+(Z_(α^' ) v_ik √(T_i+LT_i ))/d_ik +LT_i+LP_k^'≤LF_k     ∀i,k ‎(7)
T_i≥0 (8)
در این مدل، رابطۀ 6 تابع هزینۀ موجودی است که به ترتیب شامل هزینۀ سفارش‎‍دهی، هزینۀ نگهداری و هزینۀ کمبود و رابطۀ 7، محدودیت مربوط به طول عمر داروهاست.
(9) (∂TAC_ij)/(∂T_i )=-1/〖T_i〗^2 +∑_k▒(█(&h_ik ([d_ik/2+(Z_(α^' ) v_ik+v_ik G_z (z_(α^' )))1/√(T_i+LT_i )])@&+π_ik v_ik G_z (z_(α^' ))[(-LT_i)/(〖T_i〗^2 √(T_i+LT_i ))] )) =0
با استفاده از روش تقریب عددی برای رابطۀ 9، مقادیر بهینۀ T_i بررسی و با استفاده از شرایط لم 1، محدب‎‍بودن تابع اثبات می‎‍شود. نکتۀ مهم این است‎‍ در صورتی که مقدار بهینۀ به دست آمده برای T_i در محدودیت دورۀ عمر دارو صدق نکرد، مقدار بهینه برابر با مقداری است که محدودیت را به تساوی تبدیل می‎‍کند. برای اعتبارسنجی پاسخ‎‍های به دست آمده با توجه به لم 1، محدب‎‍بودن تابع‎‍ تحت شرایط مطرح‎‍شده، اثبات می‎‍شود.
لم1: برای هر داروی نوع k، در صورتی که رابطۀ 10 برقرار باشد، تابع رابطۀ 6 محدب است.
رابطۀ (10) ∀k〖   T〗_i^3≤π_ik/(h_ik Z_α )(3T_i^2+12T_i LT_i+8LT_i^2)
3-2-2 سیستم کنترل موجودی توزیع‎‍کنندگان
در نمودار شکل (3)، نمودار موجودی توزیع‎‍کنندۀ فرعی j نشان داده شده است. همان‎‍طور که در این شکل مشخص است، این توزیع‎‍کننده از سیستم موجودی مرور دائم و مدل کنترل موجودی نقطۀ سفارش (RPkj, Qjk) استفاده می‎‍کند. در این سیستم، زمانی که سطح موجودی به RPjk رسید، توزیع‎‍کننده به میزان Qjk واحد داروی k را سفارش می‎‍دهد. این سفارش به مدت‎‍زمان LTj به طول می‎‍انجامد تا به انبار توزیع‎‍کننده برسد و اگر تقاضا در این مدت بیشتر از RPjk بود، توزیع‎‍کننده با کمبود مواجه می‎‍شود.
 
 
شکل3- نمودار موجودی توزیع‎‍کنندۀ فرعی j
Fig. 3- Inventory control diagram of sub-distributor j
با در نظر گرفتن سطح اطمینان α و با توجه به اینکه تقاضا توزیع نرمال دارد، سطح موجودی اطمینان SS_jk با استفاده از رابطۀ (11) تعیین می‎‍شود.
(11) SS_jk=Z_α.V_jk.√(LT_j )
در رابطۀ فوق، Z_α نشان‎‍دهندۀ مقداری از یک متغیر توزیع نرمال استاندارد است که مقدار توزیع تجمعی توزیع احتمال در آن، متغیر برابر α است. همچنین V_jk انحراف معیار تقاضای توزیع‎‍کنندۀ فرعی j از داروی k است که به تعداد داروخانه‎‍های تخصیص‎‍داده به آن بستگی دارد. با مشخص‎‍بودن سطح اطمینان در یک توزیع‎‍کنندۀ فرعی، متوسط کمبود در هر دوره، با استفاده از رابطۀ (12)‎‍ به دست می‎‍آید.
(12) E(D_jk≥RP_jk)=V_jk.G_z (Z_α)
هر‎‍کدام از توزیع‎‍کنندگان، مسئول تأمین موجودی برای تقاضای داروخانه‎‍های منسوب به خودند. به‎‍وضوح، توزیع‎‍کنندۀ j مقدار سفارش خود را به‎‍نحوی تعیین می‎‍کند که مجموع هزینه‎‍ها حداقل شود. این هزینه‎‍ها شامل نگهداری، سفارش‎‍دهی، کمبود، حمل و نقل و هزینۀ ثابت تسهیلات توزیع‎‍کنندۀ j می‎‍شود؛ از این رو، توزیع‎‍کنندۀ j از مدل (2) برای تعیین سیاست بهینۀ خود استفاده می‎‍کند:
مدل (2)
(13) Min Π_j^nc=∑_k▒(█(&O_j/T_j +h_j ((D_jk.T_j)/2+Z_α V_jk √(LT_j ))+(π_jk V_jk G_z (Z_α))/T_j @&+∑_(i∈P_j)▒〖VT_kj (dis1_j+dis2_ij)d_ik 〗)) +FC_j
s.t.
(14) T_j≤LF_k-LP_k-LT_j-(Z_α.V_jk.√(LT_j ))/D_(j,k)            ∀j,k
(15) T_j≥0  ∀j
رابطۀ (13)، تابع هدف توزیع‎‍کنندۀ j را نشان می‎‍دهد که عبارات آن به ترتیب هزینۀ سفارش‎‍دهی، نگهداری متوسط موجودی مورد نیاز داروخانه‎‍ها و موجودی اطمینان، هزینۀ کمبود و هزینۀ متغیر حمل و نقل سفارش داروخانه‎‍ها از توزیع‎‍کنندۀ اصلی به توزیع‎‍کنندۀ فرعی و از توزیع‎‍کنندۀ فرعی به آنهاست. هزینۀ ثابت حمل و نقل سفارش‎‍های دسته‎‍ای که از توزیع‎‍کنندۀ اصلی به توزیع‎‍کنندۀ فرعی انجام می‎‍شود، در عبارت هزینۀ ثابت سفارش‎‍دهی نهفته است. رابطۀ (14)‎‍ نیز، محدودیتی است که عمر محدود محصولات را به زنجیرۀ تأمین تحمیل می‎‍کند. تابع هدف، یک تابع محدب پیوسته است و با استفاده از شرط بهینگی مرتبۀ اول و قرار‎‍دادن مشتق تابع نسبت‎‍به T_j برابر با صفر مقدار بهینۀ T_j‎‍ با استفاده از رابطۀ 16 استخراج می‎‍شود.
(16) (∂Π_j^nc)/(∂T_j )=(-(∑_k▒O_j +∑_k▒(π_jk.V_jk.G_z (z_α )) ))/(T_j^2 )+(∑_k▒〖h_jk.D_jk 〗)/2=0→
 
T_j=√(2(∑_k▒O_j +∑_k▒(π_jk.V_jk.G_z (z_α)) )/(∑_k▒〖h_jk.D_jk 〗))
(∂^2 Π_j^nc)/(∂T_j )=((∑_k▒O_j +∑_k▒(π_jk.V_jk.G_z (z_α)) ))/(T_j^3 )≥0
3-2-3 مدل‎‍های کنترل موجودی زنجیرۀ تأمین
3-2-3-1 مدل کنترل موجودی غیریکپارچۀ زنجیرۀ تأمین
هر‎‍کدام از توزیع‎‍کنندگان، مسئول تأمین موجودی برای تقاضای داروخانه‎‍های منسوب به خودند. در این حالت، متوسط تقاضای توزیع‎‍کنندۀ j و واریانس تقاضای آنها مانند مدل موجودی تعریف‎‍شده برای توزیع‎‍کنندگان فرعی است. توزیع‎‍کنندگان و داروخانه‎‍های منسوب به هر‎‍یک از آنها، مقدار سفارش خود را به‎‍نحوی تعیین می‎‍کنند که مجموع هزینه‎‍های موجودی در کل زنجیره حداقل شود. این هزینه‎‍ها شامل سفارش‎‍دهی، نگهداری، کمبود و حمل و نقل برای توزیع‎‍کنندگان فرعی و سفارش‎‍دهی، نگهداری، کمبود برای داروخانه‎‍ها می‎‍شود؛ از این رو، در حالت غیر یکپارچه، از مدل (3) برای تعیین سیاست بهینۀ اعضای زنجیرۀ تأمین استفاده می‎‍شود:
مدل (3)
(17) MIN Π^nc=∑_j▒(Π_j^nc+∑_(i∈P_j)▒〖TAC_ij 〗) 
 
(18) T_j≤LF_k-LP_k-LT_j-(Z_α.V_jk.√(LT_j ))/D_(j,k)       ∀j,k
(19)         T_i+(Z_(α^' ) v_ik √(T_i+LT_i ))/D_ik +LT_i+LP_k^'≤LF_k       ∀i,k
(20) T_j,T_i≥0     ∀i,j
رابطۀ (17) تابع هدف مربوط به زنجیرۀ تأمین‎‍ بررسی‎‍شده را نشان می‎‍دهد که عبارات آن به ترتیب هزینۀ توزیع‎‍کنندۀ فرعی و داروخانه‎‍های منسوب به هریک از آنهاست. رابطۀ (18) و (19)‎‍ نیز، محدودیت‎‍هایی است که عمر محدود را محصولات به زنجیرۀ تأمین تحمیل می‎‍کند. 
3-2-3-2 مدل یکپارچۀ توزیع‎‍کنندگان با احداث انبار مشترک
احداث انبار مشترک و تلفیق توزیع‎‍کنندگان، به کاهش هزینه‎‍های توزیع و مشکلات مربوط به زوال‎‍پذیری منجر می‎‍شود. امکان‎‍سنجی تلفیق و احداث انبار مشترک، هم در طراحی زنجیرۀ تأمین و شروع کار شرکت‎‍های توزیع‎‍کننده ‎‍بررسی می‎‍شود و هم این ایده ‎‍‎‍نسبت‎‍به تلفیق توزیع‎‍کنندگان موجود برای یک طراحی بهینه، به کار می‎‍رود. مدل یکپارچۀ توزیع‎‍کنندگان در این حالت، به شرح مدل (4) ارائه می‎‍شود:
مدل (4) 
(21) Min⁡〖Π^c 〗=∑_k▒∑_j▒(█(&O_j/T_j +h_jk ((D_jk.T_j)/2+Z_α.V_jk.√(LT_j ))+(π_jk V_jk G_z (z_α))/T_j @&+∑_j'▒∑_(i∈P_j')▒〖VT.(dis1_j+dis2_ij)d_ik y_jj' 〗)) +
+∑_j▒〖FC_j y_jj 〗+∑_j▒∑_(j'|j'≠j)▒〖FA_jj' y_jj' 〗+∑_j▒∑_(j'|j'≠j)▒∑_(i∈j')▒〖TAC_ij 〗 y_jj'
 
s.t.
(22) D_jk=∑_j'▒〖D_(j^' k).y_jj' 〗                       ∀j,k
(23) ∑_j▒y_jj' =1                             ∀j'
(24) ∑_j▒y_jj ≥1
(25) y_jj'-y_jj≤0                           ∀j,j'
(26)
(27) T_j≤LF_k-LP_k-LT_j-(Z_α.V_jk.√(LT_j ))/D_jk        ∀j,k
       T_i+(Z_(α^' ) v_ik √(T_i+LT_i ))/D_ik +LT_i+LP_k^'≤LF_k      ∀i,k
(28) T_i≥0,T_j≥ε,y_(jj^,)=0or1       y_jj=0or1       ∀j
 
رابطۀ (21)، تابع هدف در مدل یکپارچه را نشان می‎‍دهد که با توجه به رابطۀ (22) که تقاضا را به انبارهای مشترک اختصاص می‎‍دهد، تنها شامل هزینه‎‍های مربوط به انبارهای مشترک است و اجزای هزینۀ آن مشابه به هزینۀ توزیع‎‍کننده‎‍ها در حالت مدل 3 است؛ اما تنها با این تفاوت که هزینه‎‍های داروخانه‎‍های هر توزیع‎‍کننده را به توزیع‎‍کننده‎‍ای مرتبط کرده است که به آن تخصیص یافته است. رابطۀ (23) نشان می‎‍دهد که هر توزیع‎‍کننده باید به یک انبار مشترک تخصیص یابد. مطابق با رابطۀ (24)، حداقل یک انبار مشترک باید در شبکۀ زنجیرۀ تأمین وجود داشته باشد تا تقاضای داروخانه‎‍ها‎‍ تأمین شود. در رابطۀ (25)، در صورتی که توزیع‎‍کننده‎‍ای‎‍ به‎‍عنوان انبار مشترک انتخاب نشود، مقدار y_jj برابر1 نمی‎‍شود و بر این اساس، اجازۀ تخصیص دیگر توزیع‎‍کنندگان به آن فراهم نیست. رابطۀ (26) و (27) نیز محدودیت عمر مفید محصولات بوده است که با توجه به تعریف تقاضا در رابطۀ (22)، تنها برای انبارهای مشترک محاسبه می‎‍شود. رابطۀ (28)، طول دورۀ سفارش هر‎‍کدام از توزیع‎‍کنندگان را بزرگ‎‍تر از عدد بسیار کوچکی قرار می‎‍دهد و این تمهید از این رو استفاده شده است که اگر یک توزیع‎‍کننده به‎‍عنوان انبار مشترک انتخاب نشده باشد، آنگاه مقدار Tj آن اگر صفر باشد، در تابع هدف مشکل تقسیم بر صفر ایجاد و باعث خطا در حل مدل می‎‍شود؛ از این رو، به‎‍جای اینکه تنها Tj بزرگ‎‍تر یا مساوی صفر قرار داده شود، آن را بزرگ‎‍تر یا مساوی عدد بسیار کوچک قرار می‎‍دهد تا مشکل تقسیم بر صفر را حل کند.
در مدل 4 با مشخص‎‍شدن متغیرهای yjj' در محدودیت 25، تابع هدف مدل، مجموعی از چندین تابع هدف محدب می‎‍شود که ‎‍با قرار‎‍دادن مشتق آن برابر با صفر، مقدار متغیرهای Ti ,Tj را به دست آورد و محدودیت 26 و 27 برای هرکدام از مقادیر Ti ,Tj نقض شد، مقدار Ti ,Tj نیز برابر با عددی خواهد بود که این محدودیت‎‍ها را به شکل تساوی تبدیل کند؛ بنابراین کافی است از یک الگوریتم شمارش کامل و یا یک الگوریتم فرا‎‍ابتکاری (در صورت زیاد‎‍بودن متغیرها) برای تعیین مقادیر yjj'، استفاده کرد. 
3-3 روش حل
در این مقاله برای حل مدل یکپارچه، از الگوریتم فراابتکاری بهینه‎‍سازی ذرات برای یافتن جواب‎‍های نزدیک به بهینه و برای حل مدل غیریکپارچه، از روش‎‍های محاسباتی دقیق استفاده شده است. بر این اساس، چگونگی حل مسئله ازطریق این الگوریتم‎‍ تشریح داده می‎‍شود. همچنین پارامترهای مربوط به الگوریتم با روش تاگوچی تعیین می‎‍شود. 
3-3-1 الگوریتم بهینه‎‍سازی ذرات
این الگوریتم الهام‎‍گرفته از رفتار ماهی‎‍ها و پرندگان است و از تعدادی ذره استفاده می‎‍کند که تشکیل یک ازدحام می‎‍دهند و در فضای جواب، به‎‍دنبال بهترین جواب حرکت می‎‍کنند. هر ذره در فضای جست‎‍وجو، مسیر حرکت خود را براساس تجربیات فردی حرکات خود و همچنین تجربیات حرکات ذرات دیگر، تعیین می‌کند. هر ذره، بهترین موقعیت خود  و ارزش آن موقعیت و همچنین بهترین موقعیت کل ازدحام  و ارزش آن موقعیت را که تاکنون یافت شده ‌است، در حافظه حفظ و‎‍ بر این اساس، مسیر حرکت خود را به‎‍روز می‌کند. 
اگر فرض شود که هر ذره در یک فضای n بعدی حرکت می‎‍کند، بردار موقعیت ذره i و همچنین بردار سرعت ذره i به ترتیب با x_i=(x_(i,1),x_(i,2),...,x_(i,n))∈R^n و v_i=(v_(i,1),v_(i,2),...,v_(i,n))∈R^n نشان داده می‎‍شود و سپس بعد از هر تکرار الگوریتم، موقعیت حرکت و سرعت ذره با استفاده از روابط (28) و (29)، به‎‍روز می‌‎‍شود.
(29) v_i^(k+1)=χ[v_i^k+c_1 r_1^k (pbest_i-x_i^k)+c_2 r_2^k (gbest-x_i^k)] 
(30) x_i^(k+1)=x_i^k+v_i^(k+1)
 
در رابطۀ (29)،  به‎‍جای مؤلفۀ اینرسی Serani et al., 2016) )   مؤلفۀ ادراکی و   مؤلفۀ آموزش اجتماعی نامیده می‎‍شود. همچنین   و   اعداد تصادفی بین 0 و 1 هستند. بر این اساس به‎‍منظور فراهم‎‍کردن شرایط لازم برای جلوگیری از واگرایی ذرات، باید شرایط زیر فراهم باشد.
(31) χ=2/√(2-φ-√(φ^2-4φ))   where  φ=c_1+c_2,φ>4 
همچنین شرایط آغازین الگوریتم نیز باید مشخص شود. بردار موقعیت ذرات به‎‍صورت تصادفی و یا با استفاده از روش‌های ابتکاری ایجاد می‌شود و ذرات اولیه باید طوری مقداردهی شوند که پراکندگی کافی را تضمین کنند. بردار سرعت اولیه عموماً صفر در نظر گرفته می‌شود؛ ولی اگر قرار است به‎‍صورت تصادفی مقداردهی شود، باید این مقادیر بسیار کوچک باشند. به‎‍طور کلی ساختار الگوریتم بهینه‎‍سازی ذرات به‎‍صورت شکل 4 است.
 
شکل 4- ساختار الگوریتم بهینه سازی ذرات
Fig. 4. Structure of particle optimization algorithm
R=[■(0/35&0/17&0/61&0/39&0/26@0/73&0/6&0/42&0/28&0/51@0/24&0/68&0/43&0/7&0/1@0/46&0/45&0/27&0/38&0/48@0/63&0/91&0/29&0/41 &0/88)]  
شکل5- ماتریس R جهت تعیین جواب اولیه
Fig. 5. Matrix R is used to determine the initial solution شکل 6- ستون توزیع کننده1
Fig. 6. Distributer column 1
در این مقاله برای حل مدل یکپارچه، تخصیص اولیه به‎‍صورت تصادفی به دست می‎‍آید. به این ترتیب که با فرض اینکه 5 توزیع‎‍کننده وجود داشته باشد، با تشکیل یک ماتریس 5 در 5 و تولید اعداد تصادفی، در درایه‎‍های قطری ماتریس، سطر یا ستونی منتاظر با عدد بزرگ‎‍تر از 5/0‎‍، توزیع‎‍کنندۀ فعال در نظر گرفته می‎‍شود. حال اگر با این اعداد تولید‎‍شده، توزیع‎‍کننده‎‍ای فعال نشود، در ستون متناظر با این توزیع‎‍کننده، از بین اعداد تولید‎‍شده، تنها اعداد متناظر با سطر توزیع‎‍کنندگان فعال‎‍ در نظر گرفته و این توزیع‎‍کننده به توزیع‎‍کنندۀ فعال با بزرگ‌ترین عدد تخصیص داده می‎‍شود. 
برای مثال، در ماتریس R (شکل 5) با بررسی درایه‎‍های قطری، توزیع‎‍کنندۀ 2 و 5، توزیع‎‍کنندگان فعال زنجیره انتخاب شده‎‍اند. بر این اساس، توزیع‎‍کنندگان 1، 3 و 4 باید به یکی از این توزیع‎‍کنندگان تخصیص یابد. با توجه به شکل 6 و اعداد ستون مربوط به آن، توزیع‎‍کنندۀ 1 به توزیع‎‍کنندۀ فعال 2 تخصیص می‎‍یابد. به همین ترتیب توزیع‎‍کنندۀ 3 به توزیع‎‍کنندۀ 2 و توزیع‎‍کنندۀ 4 به توزیع‎‍کنندۀ 5 تخصیص می‎‍یابد. مسئله با این جواب اولیه، شروع به حل می‎‍کند. 
3-3-2 بهینه‎‍سازی تنظیمات پارامتر الگوریتم ذرات با استفاده از روش تاگوچی
تنظیمات پارامترهای الگوریتم‎‍های فراابتکاری، تأثیر زیادی بر عملکرد آنها دارد. تحلیل تاگوچی معمولاً در بهینه‌سازی تنظیمات پارامتر استفاده می‌شود. روش تاگوچی به‎‍جای استفادۀ مستقیم از مقادیر راه‎‍حل، از نسبت سیگنال به نویز (S/N) برای ارزیابی راه‎‍حل‎‍ها استفاده می‎‍کند. در این نسبت، S درجۀ مطلوبیت و N درجۀ بی‎‍فایده‎‍بودن است؛ بنابراین، هدف افزایش هر‎‍چه بیشتر این نسبت است. با توجه به تعداد فاکتورها و سطوح، 9 آزمایش تاگوچی برای بهینه‎‍سازی تنظیمات پارامتر طراحی و برای تجزیه و تحلیل داده‎‍ها از نرم‎‍افزار مینی‎‍تب استفاده شده است. برای مقادیر پارامترهای در نظر گرفته شده در آزمایش‌ها، سه سطح انتخاب می‌شود. به عبارت دیگر، چهار پارامتر تعداد ذرات n، تعداد تکرارها m،   مؤلفۀ ادراکی و   مؤلفۀ آموزش اجتماعی هر‎‍کدام با سه سطح در فرآیند کالیبراسیون الگوریتم ذرات در نظر گرفته شده است (جدول3).
جدول 2- نتایج اجرای الگوریتم تاگوچی
Table. 2. Result of running Taguchi Algorithm
 
جدول3- سطوح پارامترها
Table.3 Parameters Level
321پارامتر
15105n
15105m
05/2 25/2 2  
PSO
5/2 1/2 05/2  
 
 
با مراجعه به جدول آرایه‎‍های استاندارد تاگوچی،‎‍ نتایج حاصل از اجرای 9 آزمایش در جدول 2 نمایش داده شده است. مقادیر 1، 2 و 3 معرف سطوح هر‎‍یک از پارامترها بوده است که در جدول 2 مقادیر کمی آنها برای الگوریتم مشخص شده است. شکل 5 میانگین نرخ (S/N) را نشان می‎‍دهد. با توجه به اینکه مقادیر کمتر (S/N) مطلوب است، بر‎‍اساس شکل 7 مقادیر بهینۀ پارامترها برابر است با n=15، m=10، 25/2=  و1/2 =  
 
 
شکل7- تنظیم پارامتر الگوریتم بهینه‎‍سازی ذرات
Fig. 7- Setting parameters for PSO
4- مطالعۀ موردی
در این تحقیق، به یک شرکت‎‍ دارویی توجه شده است که مأموریت واردات داروهای خارجی را بر عهده داشته است و بیش از 200 نوع دارو از شرکت‎‍های دارویی مطرح دنیا وارد و از‎‍طریق شبکه‎‍ای از توزیع‎‍کنندگان فرعی، در سطح کشور توزیع می‎‍کند‎‍.
توزیع کننده اصلی در شهر تهران واقع شده و توزیع کنندگان فرعی با استقرار در استان‏های مختلف با تامین داروها از توزیع کننده اصلی، داروها را به داروخانه‌ها در سراسر کشور تحویل می‏دهند (شکل 8). 13 توزیع کننده فرعی فعال ذکر شده در استانهای اصفهان، فارس و بوشهر هستند و صرفا مراکز هر استان تحت پوشش قرار گرفته است. همچنین تعداد داروخانه‏های تحت پوشش در اصفهان، شیراز و بوشهر به ترتیب 100، 200 و 60 داروخانه است.
 
   
شکل8-شبکه اولیه زنجیره تامین
Fig. 8- Primary supply chain network شکل9- احداث انبار مشترک
Fig. 9- Establishment of a shared warehouse
 
 
با توجه به استقرار هریک از توزیع کنندگان فرعی در منطقه‌ای از شهرهای مورد نظر، نحوه این تخصیص در آنها بررسی خواهد شد. به عنوان مثال در شکل 9 دو تخصیص وجود دارد و یک توزیع کننده در این تخصیص قرار نگرفته است. بر این اساس توزیع کنندگان از 5 نقطه مشخص شده در شکل 8، به سه نقطه در شکل 9 کاهش یافته و داروخانه‌های پوشش داده شده توسط توزیع کنندگان فرعی، بر اساس ساختار جدید پوشش داده خواهند شد (شکل10). به عنوان مثالی دیگر، در شیراز موقعیت هر کدام از توزیع کنندگان در مناطق مختلف در شکل 11 نمایش داده شده است.
   
شکل 9- شبکۀ زنجیره با احداث انبار مشترک
Fig. 9- The supply chain network establishes a shared warehouse شکل10- احداث انبار مشترک در شیراز
Fig. 10- Establishment of a shared warehouse in Shiraz
در راستای ارزیابی عملکرد مدل پیشنهادی، مسئله در ابعاد کوچک، متوسط و بزرگ بر‎‍اساس مدل‎‍های یکپارچه و غیریکپارچه بررسی و حل می‎‍شود. جزییات مربوط به هر‎‍یک از ابعاد در جدول 4 نشان داده شده است؛ برای مثال مسئلۀ شمارۀ 9 که مسئلۀ اصلی است، دارای 13 توزیع‎‍کنندۀ فرعی است و تعداد داروخانه‎‍های منتسب به هریک از این توزیع‎‍کنندگان در ستون سوم و تعداد داروهای‎‍‎‍ بررسی‎‍شده در ستون آخر نمایش داده شده است. 
جدول4- اطلاعات مربوط به ابعاد مختلف مسئله
Table. 4. Information related to various dimensions
تعداد دارو تعداد داروخانه تعداد توزیع‎‍کننده مسئله اندازۀ مسئله
5 16،21 2 1 کوچک
1017،21،2232
1521،22،19،2043
25 20،19،22،23،17،16 6 4 متوسط
3021،19،22،20،17،18،1475
4020،19،22،23،17،16،17،23،1896
113 20،19،22،23،17،16،17،23،18،20،18 11 7 بزرگ
11316،19،11،13،20،22،23،20،15،18،13،10128
11316،19،11،13،20،22،23،20،15،18،13،10،9139
 
داده‎‍ها با مراجعه به توزیع‎‍کنندگان تهیه شده است و برای دیگر مسائل بر‎‍اساس جدول 5، به آنها توجه می‎‍شود. همچنین فواصل بین توزیع‎‍کنندگان فرعی و توزیع‎‍کنندگان با داروخانه‎‍ها، با استفاده از گوگل ارث تعیین و فواصل جدید بین انبار مشترک j (که توزیع‎‍کنندۀ i به آن تخصیص یافته است) و داروخانۀ ‎‍ k به‎‍صورت رابطۀ 31 محاسبه می‎‍شود.
(32) dis2_jk=dis(i,j)+dis2_ik
‎‍در این رابطه dis(i,j) نشان‎‍دهندۀ فاصلۀ بین توزیع‎‍کنندۀ فرعی i تا توزیع‎‍کنندۀ فرعی j (انبار مشترک) است.
جدول5- داده‎‍های مربوط به مسائل با ابعاد مختلف
Table.5. Data related to problems with various dimensions
مقدار پارامتر مقدار پارامتر مقدار پارامتر
U(200000و4000) π_jk U(1300000و1000000) Oi U(5000و500) dik
U(200000و4000) π_ik U(9/0و7/0) LFk U(1500و150) vik
U(09/0و01/0) LPk U(2/0و1/0) LTj U(78000و1500) Djk
U(09/0و01/0) LP_k^' U(05/0و01/0) LTij U(5500و1700)) Vjk
95/0 α 847200000 FCj U(2000000و400) hjk
95/0 α^' U(10000و0) FAjj’ U(1700000و300) hik
 
U(9/0و6/0)VTU(5200000و4000000)Oj
4-1 یافته‎‍ها 
نتایج حاصل از اجرای مدل شامل مقادیر تابع هدف، تعداد انبارهای مشترک و زمان اجرای مدل، در جدول 6 نشان داده شده است. همچنین در جدول 7 و 8، نتایج مسئلۀ اصلی پژوهش نمایش داده شده است. در این مسئله در حالت بهینه، احداث سه انبار مشترک در محل‎‍های توزیع‎‍کنندۀ 4، 5 و 7 تعیین شده است. بر این اساس در حالت بهینه، توزیع‎‍کنندگان 8 و 12 با توزیع‎‍کنندۀ 4، توزیع‎‍کنندگان 1،3،6،10،11،13با توزیع‎‍کنندۀ 5 و توزیع‎‍کنندگان 2 و 9 با توزیع‎‍کنندۀ 7، باید انبار مشترکی‎‍ داشته باشند. 
جدول6- نتایج اجرای مدل یکپارچه و غیر یکپارچه
Table. 6- The result of solving integrated and non-integrated model
زمان اجرا (ثانیه) تعداد توزیع‎‍کننده اختلاف % مقدار تابع هدف (e+12) (تومان) شمارۀ مسئله
یکپارچهیکپارچه (انبار مشترک)غیر یکپارچهیکپارچهغیر یکپارچه
1 2 2 2 3624/0 3698/0 1
2 2 3 5 8511/0 8959/0 2
6 3 4 6/5 0166/1 0769/1 3
52 2 6 3/9 2414/1 3687/1 4
164 2 7 11 3156/1 4783/1 5
1135 3 9 3/12 4441/1 6467/1 6
8451 4 11 16 7248/1 0534/2 7
22742 5 12 4/17 8856/1 2833/2 8
61443 3 13 5/18 9605/1 4080/2 9
جدول7- مقادیر بهینۀ زمان دورۀ سفارش و تابع هدف غیر یکپارچه برای مسئلۀ شمارۀ 9
Table.7- Optimal values of period length and objective function for integrated and non-integrated model for problem number 9 
13 12 11 10 9 8 7 6 5 4 3 2 1 شمارۀ توزیع‎‍کننده
245/0 224/0 232/0 193/0 212/0 201/0 193/0 195/0 187/0 214/0 221/0 207/0 21/0 زمان دورۀ سفارش غیر یکپارچه (سال)
569/1 764/1 863/1 071/2 867/1 359/2 3424/2 164/2 007/2 430/1 251/1 883/1 512/1 تابع هدف غیر یکپارچه (e+12)
جدول8- مقادیر بهینۀ متوسط زمان دورۀ سفارش و تابع هدف مدل یکپارچه و مقایسه با مدل غیر یکپارچه برای مسئلۀ شمارۀ 9
Table 8- Optimal values of average order cycle time and objective function of integrated model and comparison with non-integrated model for problem number 9
اختلاف زمان دوره (%) اختلاف تابع هدف
یکپارچه و غیر یکپارچه (%) مقدار تابع هدف در مدل یکپارچه ( e+12) متوسط زمان دورۀ سفارش (سال) توزیع‎‍کننده‎‍های تلفیق‎‍شده انبار مشترک
46/24 91/14 726/4 1609/0 8،12 4
9/41 21 822/9 123/0 1،3،6،10،11،13 5
8/24 17 057/5 153/0 2،9 7
5 - بحث
زمان حل مسئله برای مدل یکپارچه با افزایش ابعاد مسئله افزایش می‎‍یابد (شکل 12). دلیل این امر، بررسی انواع حالات ممکن برای انتخاب توزیع‎‍کنندگان فرعی برای احداث انبار مشترک با توجه به محدویت‎‍ها و تابع هدف مسئله است. 
 
شکل12- مقایسۀ زمان اجرای مسائل یکپارچه با افزایش ابعاد
Fig. 12- Comparison of solution time for integrated model
 
همچنین مقدار تابع هدف مدل یکپارچه در نتیجۀ بزرگ‎‍تر‎‍شدن ابعاد مسئله بهبود می‎‍یابد (شکل 13). بر‎‍اساس نتایج به دست آمده، اختلاف مدل یکپارچه و غیر یکپارچه در ابعاد کوچک کم است و با افزایش ابعاد مسئله، تابع هدف تا 5/18درصد بهبود به‎‍همراه دارد. بر این اساس فرصت‎‍های رشد و بهبود برای مدل پیشنهادی در ابعاد بزرگ‎‍تر بسیار بیشتر است. نتایج این بخش با نتایج مقالۀ ‎‍مؤمنی و باقری ‎‍ (2022) مقایسه می‎‍شود که استراتژی انبار مشترک در زنجیرۀ تأمین‎‍های با افزایش پیچیدگی مسئله، بهبود بیشتری حاصل می‎‍کند؛ اما آنها فقط دو جزء زنجیرۀ تأمین یعنی خرده‎‍فروش و توزیع‎‍کننده با استراتژی انبار مشترک یکپارچه شده بود؛ ولی در اینجا مشارکت به سطح توزیع‎‍کنندۀ اصلی و فرعی نیز توسعه داده شده است که سطح بیشتری از مشارکت را در نظر می‎‍گیرد و اثربخشی بیشتری برای کل زنجیرۀ تأمین محصولات دارویی فراهم می‎‍کند. 
 
شکل13- مقایسۀ تابع هدف مسئلۀ یکپارچه و غیر یکپارچه
Fig.13- Comparison of the objective function value
 
همچنین احداث انبار مشترک در کاهش طول دورۀ سفارش و کاهش هزینه‎‍ها تأثیر چشمگیری به‎‍همراه دارد؛ به‎‍طوری که با احداث انبار مشترک، متوسط زمان دورۀ سفارش برای انبار مشترک نسبت‎‍به متوسط زمان تمامی توزیع‎‍کنندگانی که به محل‎‍های ذکر‎‍شده اختصاص می‎‍یابند، کاهش درخور توجهی داشت و در محل‎‍های توزیع‎‍کنندۀ 4، 5 و 7 به ترتیب 46/24، 9/41 و 8/24 کاهش متوسط طول دوره مشاهده شد. این یافته‌ها با مطالعات مویزروا و اکومونتو همخوانی دارد؛ به‌طوری ‌که در آن کاهش زمان سفارش تا 30% در زنجیره‌های تأمین با استفاده از انبار مشترک گزارش شده است (Mwizerwa & Akumuntu, 2024).
با مقایسۀ هزینه‎‍های مدل غیر یکپارچه و یکپارچه، هزینه‎‍های انبار مشترک در حالت یکپارچه کمتر از مجموع هزینه‎‍های توزیع‎‍کنندگان اختصاص داده شده به انبار مشترک در حالت غیر یکپارچه است. بر این اساس با احداث انبار مشترک در محل‎‍های توزیع‎‍کنندۀ 4، 5 و 7 به ترتیب 91/14، 21 و 17درصد کاهش هزینه‎‍ها مشاهده می‎‍شود. این نتایج با مطالعاتی همسو است که کاهش هزینه‌ها را تا 20%‎‍ از‎‍طریق همکاری افقی و بهینه‌سازی انبار گزارش کرده‌اند‎‍ (Cerçi et al., 2025). همچنین نتایج مطالعات شن  (2021)، کاهش 30درصدی هزینه‎‍های عملیاتی زنجیره و بهبود کارایی را با اجرای سیاست‎‍های مشابه به‎‍همراه داشته است.
در این مطالعه، تأثیر استراتژی انبار مشترک بر یکپارچه‌سازی زنجیرۀ تأمین دارو در سطح توزیع‌کنندگان بررسی شد. نتایج نشان داد که استفاده از انبار مشترک برای ذخیره‌سازی و توزیع داروها، به کاهش هزینه‌های عملیاتی و بهبود زمان دورۀ سفارش منجر می‎‍شود. یکی از دلایل اصلی موفقیت این استراتژی در این مطالعه، کاهش افزونگی موجودی و استفادۀ بهینه از فضا و منابع بود. با متمرکز‎‍کردن موجودی در یک انبار مشترک، توزیع‌کنندگان ‎‍هزینه‌های اجاره، نیروی انسانی و حمل‌ونقل را کم می‎‍کنند. همچنین‎‍ موقعیت جغرافیایی انبار، زمان ارسال را کاهش و کارایی را بالا برده است. با وجود این، ممکن است محدودیت‌هایی برای پیاده‎‍سازی این استراتژی وجود داشته باشد؛ مثلاً‎‍ پیاده‌سازی انبار مشترک نیازمند سرمایه‌گذاری اولیه برای زیرساخت‌هاست که ممکن است برای توزیع‌کنندگان کوچک‌تر سخت باشد. در ضمن، در شرایط بحرانی مثل افزایش ناگهانی تقاضا (مثلاً در همه‌گیری‌ها)، مدیریت انبار مشترک‎‍ با فشار مواجه شده است که به برنامه‌ریزی اضطراری نیاز دارد.
به‎‍دنبال نتایج این مقاله، چندین بینش مدیریتی مطرح می‎‍شود. ابتدا، استراتژی یکپارچه‎‍سازی و احداث انبار مشترک، ضمن کاهش هزینه‎‍های مدل، متوسط طول دورۀ سفارش را کاهش می‎‍دهد. نتایج عددی مقاله مؤید این واقعیت است که راهبرد پیشنهادی، راهبردی تلقی می‎‍شود که ملاحظات زیست‎‍‌محیطی و اجتماعی را در کنار ملاحظات اقتصادی لحاظ می‌کند. کاهش مدت‎‍زمان ماندن محصولات دارویی در انبار، کاهش میزان محصولات منقضی‎‍شده، بهره‎‍مندی از سیاست صرفه‎‍جویی نسبت‎‍به مقیاس و پاسخ به‎‍موقع به نیازهای درمانی، دلیل اثربخشی استراتژی ذکر شده است. 
6- تحلیل حساسیت
در این بخش در راستای تأثیر پارامترهای مختلف روی تابع هدف زنجیرۀ تأمین یکپارچه و غیر یکپارچه و اثربخشی استراتژی انبار مشترک، تحلیل حساسیت روی پارامترهای هزینۀ ثابت، طول عمر محصولات، تقاضا و واریانس تقاضا روی مسئلۀ اصلی با 13 توزیع‎‍کنندۀ فرعی انجام شده است.
با افزایش هزینه‏های ثابت، ضمن افزایش یکپارچگی و کاهش تعداد انبارهای مشترک و افزایش اثربخشی استراتژی مطرح شده هزینه‌های کل در حالت یکپارچه و غیر یکپارچه افزایش می‏یابد (شکل 14). اثربخشی احداث انبار مشترک علاوه بر کاهش تعداد انبارهای مشترک (شکل 15) در مقایسه افزایش تابع هزینه دو سیستم یکپارچه و غیر یکپارچه به وضوح مشخص می‏باشد چرا که در حالت 5/1برابر شدن هزینه ثابت، اختلاف بین تابع هدف هر دو سیستم 9/25درصد (حدود 2/7 بیشتر از حالت معمول) می‏شود.
   
شکل15- اثر تغییر هزینه‎‍های ثابت در تعداد انبار مشترک
Fig.15- The impact of fixed costs on the objective function شکل14- اثر تغییر هزینه‎‍های ثابت روی مقدار تابع هدف
Fig. 14- The impact of fixed costs on the number of shared warehouses
 افزایش طول عمر محصولات دارویی به‎‍علت کاهش محصولات فاسد‎‍شده و افزایش طول دورۀ سفارش، کاهش هزینه‎‍ها را در حالت یکپارچه و غیر یکپارچه به‎‍همراه دارد (شکل 16) و با توجه به ماندگاری بیشتر محصولات، تمایل به نبود یکپارچگی را افزایش‎‍ و اثربخشی استراتژی انبار مشترک را تا حدودی کاهش می‎‍دهد (شکل 17).
   
شکل17- اثر تغییر طول عمر محصولات در تعداد انبار مشترک
Fig.17- The impact of drug shelf life on the number of shared warehouses شکل16- اثر تغییر طول عمر محصولات بر مقدار تابع هدف
Fig. 16- The impact of drug shelf life on the objective function
با افزایش تقاضا، هزینه‎‍ها در هر دو حالت یکپارچه و غیر یکپارچه افزایش‎‍ و تمایل به احداث انبار مشترک کاهش می‎‍یابد. بر این اساس نمودار هزینه‎‍ها و تعداد توزیع‎‍کنندگان فعال در هر دو حالت صعودی‎‍اند (شکل 18). بدیهی است که افزایش تقاضا، باید تمایل به استراتژی توسعۀ انبار مشترک را کاهش‎‍ (شکل 19) و تمایل به نبود یکپارچگی را افزایش دهد. 
   
شکل19- اثر تغییر تقاضا در تعداد انبار مشترک
Fig.19- The impact of demand on the number of shared warehouses شکل18- اثر تغییر تقاضا بر مقدار تابع هدف
Fig.18- The impact of demand on the objective function
با افزایش واریانس تقاضا، انتظار می‎‍رود اثربخشی استراتژی انبار مشترک برای پاسخگویی بهتر افزایش یابد. طبق شکل20، ضمن افزایش هزینه‎‍ها در هر دو حالت یکپارچه و غیر یکپارچه، اختلاف تابع هزینه در این حالت نسبت‎‍به دیگر حالات تحلیل حساسیت (32.7درصد) بیشتر است. همچنین بر‎‍اساس شکل 21، یکپارچگی در حالت افزایش واریانس، افزایش یافته و توزیع‎‍کنندگان در دو نقطۀ متمرکز و پاسخگویی بهتر شده است.
   
شکل20- اثر تغییر واریانس بر مقدار تابع هدف
Fig 20- The impact of demand variance on the objective function شکل21- اثر تغییر واریانس در تعداد انبار مشترک
Fig 21- The impact of demand variance on the number of shared warehouses
با بررسی‎‍های انجام‎‍شده به ترتیب پارامترهای افزایش واریانس تقاضا، هزینه‎‍های ثابت، طول عمر داروها، اثرگذاری بیشتری نسبت‎‍به پارامتر تقاضا بر تابع هدف دارند. همچنین افزایش پارامترهای هزینۀ ثابت و واریانس تقاضا افزایش تمایل به یکپارچه‎‍سازی را در مقایسه با کاهش تمایل به یکپارچه‎‍سازی در صورت افزایش تقاضا و افزایش طول عمر دارو به‎‍همراه دارد.
7- نتایج
توجه به ابعاد پایداری در زنجیرۀ تأمین، به‎‍خصوص زنجیرۀ تأمین دارو موضوعی کلیدی است. در این راستا، در این مقاله به کاهش زوال‎‍پذیری محصولات دارویی به‎‍عنوان بعد زیست‎‍محیطی و اجتماعی و به کاهش هزینه‎‍های سیستم موجودی، به‎‍عنوان بعد اقتصادی‎‍ توجه شده است. برای دستیابی به اهداف پایداری، به استراتژی توسعۀ انبار مشترک در بین توزیع‎‍کنندگان فرعی زنجیره ‎‍توجه شد. در این تحقیق یک زنجیرۀ تأمین سه سطحی شامل شرکت توزیع‎‍کنندۀ اصلی دارو در نظر گرفته شد که داروهای وارداتی را از شرکت‎‍های خارجی تهیه و در سطح کشور از‎‍طریق توزیع‎‍کنندگان فرعی به داروخانه‎‍ها توزیع می‎‍کند‎‍. با توجه به اینکه شرکت‎‍های تولید‎‍کنندۀ دارو محدود است و سفارش‎‍ها را در بیشتر نقاط جهان تأمین می‎‍کنند، مسئلۀ‎‍ بررسی‎‍شده به دیگر کشورها نیز تعمیم‎‍دادنی است. 
با توجه به ابعاد مسئله، الگوریتم فراابتکاری بهینه‎‍سازی ذرات برای حل مدل یکپارچۀ مسئله به کار رفته است. نوآوری‎‍های لحاظ‎‍شده در الگوریتم پیشنهادی در تولید جواب‎‍ها، به‎‍روزآوری جواب‎‍ها و شدنی‎‍بودن محدودیت‎‍های مدل، بدون نیاز به مراحل و رویه‎‍های اضافی انجام می‎‍شود. همچنین در عین حال که از قابلیت‎‍های الگوریتم‎‍های فراابتکاری در ایجاد جواب‎‍ها استفاده شده است، مسئله به زیر مسئله‎‍هایی تفکیک و روش دقیق برای حل زیرمسئله‎‍ها اعمال می‎‍شود. پارامترهای تأثیرگذار بر الگوریتم‎‍ با استفاده از اصول طراحی آزمایش‎‍ها و روش تاگوچی استخراج شد تا در الگوریتم پیشنهادی نتایج متأثر از پارامترها نباشد.
جامعۀ هدف مسئلۀ‎‍ بررسی‎‍شده، یک شرکت توزیع‎‍کننده در تهران است که داروهای وارداتی را از‎‍طریق 5 توزیع‎‍کنندۀ فرعی در اصفهان، 5 توزیع‎‍کنندۀ فرعی در شیراز و 3 توزیع‎‍کنندۀ فرعی در بوشهر به داروخانه ارسال می‎‍کند. هر توزیع‎‍کننده مجموعه‌ای از داروخانه‌ها را پوشش می‌دهد که در شبکۀ زنجیرۀ تأمین هر داروخانه منتسب به یک توزیع‎‍کنندۀ فرعی است. با توجه به اینکه داروهای‎‍ مطالعه‎‍شده، داروهای وارداتی است، هزینۀ سفارش‎‍دهی داروها، نسبتاً زیاد است. از سوی دیگر، هر‎‍کدام از داروها عمر محدودی دارند و بر این اساس اگر داروها قبل رسیدن به عمر خود از انبار توزیع‎‍کنندگان خارج نشوند، فاسد می‎‍شوند و هزینه‎‍هایی را به توزیع‎‍کنندگان فرعی و زنجیرۀ تأمین تحمیل می‎‍‎‍کنند. 
در راستای افزایش اعتبار نتایج تحقیق، داده‎‍های مسئله به‎‍صورت دقیق از‎‍طریق سیستم اطلاعات جغرافیایی، مصاحبه با شرکت‎‍ها، بررسی اسناد شرکت‎‍ها و... تهیه شده است. برای بررسی اعتبار مدل و روش حل، مسئله با ابعاد کوچک، متوسط و بزرگ، تعریف شده است. 9 مسئله با تعداد توزیع‎‍کنندگان فرعی و داروخانه‎‍های مختلف‎‍ بررسی شد.
در تحلیل نتایج حل با افزایش ابعاد مسئله، مدل یکپارچه عملکرد بهتری را نشان داد‎‍ و 5/18درصد کاهش هزینه‎‍های سیستم را در مسئلۀ اصلی به‎‍همراه دارد. همچنین در این مسئله با وجود 13 توزیع‎‍کنندۀ فرعی، راه‎‍حل بهینۀ احداث 3 انبار مشترک در محل توزیع‎‍کنندگان 4، 5 و 7 است. از‎‍جمله نتایج مطلوب مدل یکپارچه، به کاهش متوسط طول دورۀ سفارش اشاره می‎‍شود که در نتیجۀ تجمیع سفارش‎‍ها در انبارهای مشترک و افزایش نرخ خروج داروها از انبارها بر‎‍اساس تجمیع تقاضای داروخانه‎‍هاست. این نتایج نشان می‌دهد که استراتژی انبار مشترک یک راهکار عملی برای بهبود زنجیرۀ تأمین دارو در سطح توزیع‌کنندگان است، به‌خصوص در مناطقی که توزیع‌کنندگان متعددی با منابع محدود وجود دارند. کاهش هزینه‌ها و زمان تحویل، به دسترسی بهتر و سریع‌تر بیماران به داروها کمک می‎‍کند و در شرایط اضطراری مثل همه‌گیری‌ها مهم است. این یافته‌ها به مدیران زنجیرۀ تأمین در صنعت دارویی کمک می‎‍کند تا مدل‌های اشتراکی را در مناطق مختلف پیاده‌سازی کنند.
با‎‍ وجود این، برخی تحقیقات نتایج متفاوتی را گزارش داده‎‍اند. مطالعه‌ای نشان داده است که در برخی موارد، استفاده از انبارهای مشترک‎‍ به افزایش هزینه‌ها منجر می‎‍شود، به‌ویژه زمانی که هماهنگی بین شرکا ضعیف باشد یا تقاضا به‌طور غیرمنتظره تغییر کند (Cerçi et al., 2025). همچنین در زنجیره‌های تأمین با پیچیدگی بالا، ممکن است کاهش زمان سفارش از‎‍طریق انبارهای مشترک محدود باشد، به‌ویژه اگر اطلاعات به‌درستی به اشتراک گذاشته نشود (Inderfurth et al., 2013)؛ در حالی که انبارهای مشترک‎‍ انتشار کربن را کاهش می‎‍دهند، برخی مطالعات نشان داده‌اند که این کاهش ممکن است در شرایطی جبران شود که حمل‌ونقل اضافی برای هماهنگی بین انبارها نیاز است‎‍ (Mwizerwa & Akumuntu, 2024). مطالعه‌ای دیگر تأکید کرده است که تأثیر مثبت انبارهای مشترک به‎‍شدت به سطح اعتماد و هماهنگی بین شرکا وابسته است. در صورت نبود این عوامل، عملکرد زنجیرۀ تأمین ممکن است بهبود نیابد (Ahmed, 2022). این مطالعات نشان می‌دهند که تأثیر انبارهای مشترک به عوامل متعددی مانند هماهنگی، اعتماد‎‍ و شرایط تقاضا بستگی دارد و در برخی موارد ممکن است نتایج متفاوتی حاصل شود. در این مقاله، به شرایط مطلوب برای پیاده‎‍سازی این استراتژی‎‍ توجه‎‍ و نتایج بهبود عملکرد‎‍ نشان داده شد.
در پایان، پیشنهادهای مطالعات آتی به این صورت مطرح می‎‍شود. با توجه به پیشینۀ پایداری، توجه به مؤلفه‎‍های زیست‎‍محیطی و اجتماعی بیشتر توصیه می‎‍شود. همچنین نظر به اهمیت قیمت برخی از داروهای غیراساسی، بررسی آثار تورمی و تعرفه‎‍های وارداتی در مدل نیز درخور توجه است. مدل پیشنهادی به دیگر زنجیرۀ تأمین‎‍‎‍ها بسط داده می‎‍شود. مسئلۀ هماهنگی و مشارکت زنجیرۀ تأمین‎‍ به سطوح بالاتر زنجیرۀ تأمین یعنی مشارکت توزیع‎‍کنندگان اصلی تعمیم داده می‎‍شود که نقاط بیشتری از یک کشور یا منطقه را پوشش می‎‍دهند‎‍. همچنین استفاده از فناوری‌های جدیدتر مثل اینترنت اشیا (IOT) برای ردیابی موجودی و پیش‌بینی تقاضا پیشنهاد می‎‍شود و در‎‍نهایت بررسی تأثیر این استراتژی در مقیاس‌های بزرگ‌تر و شرایط بحرانی، به تعمیم‌پذیری نتایج کمک می‎‍کند.
Ahmadi, E., Mosadegh, H., Maihami, R., Ghalehkhondabi, I., Sun, M., & Süer, G. A. (2022). Intelligent inventory management approaches for perishable pharmaceutical products in a healthcare supply chain. Computers & Operations Research147, 105968. https://doi.org/10.1016/j.cor.2022.105968
Ahmed, M. A. (2022). Impact of Information Sharing on Supply Chain Performance with Mediation of Trust: Informatin Sharing and Supply Chain Management. South Asian Journal of Social Review, 1(2), 56-79. http://doi.org/10.57044/sajsr.2022.1.2.2207
Azghandi, R., Griffin, J., & Jalali, M. S. (2018). Minimization of drug shortages in pharmaceutical supply chains: A simulation-based analysis of drug recall patterns and inventory policies. Complexity2018. https://doi.org/10.1155/2018/6348413
Cerçi, M., Kazanç, H. C., Soysal, M., & Belbag, S. (2025). Enhanced Warehousing Operations through Platform-driven Horizontal Collaboration between Service Providers and Customers. The Open Transportation Journal, 19(1). https://doi.org/10.2174/0126671212367334250121110423
Coffey, K. C. (2013). Is there a role for expired medications in developing countries? Clinical pediatrics52(1), 7-9. https://doi.org/10.1177/0009922812448956
Elarbi, M., Ayadi, O., Masmoudi, M., & Masmoudi, F. (2021). Drug-inventory-management-model for a multi-echelon pharmaceutical supply-chain: case study of the Tunisian pharmaceutical supply-chain. Supply Chain Forum: An International Journal, 22)1(, 44-56. https://doi.org/10.1080/16258312.2020.1824532
Fu, G., & Zhao, Z. (2023). Study on sustainable development of pharmaceutical health industry under ecological coordination. Frontiers in Public Health, 11, 1117701. https://doi.org/10.3389/fpubh.2023.1117701
Inderfurth, K., Sadrieh, A., & Voigt, G. (2013). The impact of information sharing on supply chain performance under asymmetric information. Production and Operations Management, 22(2), 410-425. https://doi.org/10.1111/j.1937-5956.2012.01372.x
Janatyan, N., Zandieh, M., Alem Tabriz, A., & Rabieh, M. (2019). Optimizing Sustainable Pharmaceutical Distribution Network Model with Evolutionary Multi-objective Algorithms (Case Study: Darupakhsh Company). Journal of Production and Operations Management10(1), 133-153. https://doi.org/10.22108/jpom.2019.110116.1123
Kakade, S.L., & Vitalkar, S. (2024). Inventory Management in Pharmaceutical Industry. International Journal of Scientific Research in Engineering and Management, 8(4). https://B2n.ir/s94063.
Karaesmen, I. Z., Scheller–Wolf, A., & Deniz, B. (2011). Managing perishable and aging inventories: review and future research directions. Planning Production and Inventories in the Extended Enterprise: A State of the Art Handbook, Volume 1, 393-436.‏ https://B2n.ir/a99317.
Maestre, J. M., Fernández, M. I., & Jurado, I. J. C. E. P. (2018). An application of economic model predictive control to inventory management in hospitals. Control Engineering Practice71, 120-128. https://doi.org/10.1016/j.conengprac.2017.10.012
Malleeswaran, B., & Uthayakumar, R. (2022). A sustainable pharmaceutical supply chain model for household energy consumption and expiration cost under decision making approach. Cleaner Engineering and Technology, 100568. https://doi.org/10.1016/j.clet.2022.100568
Masoumi, A. H., Yu, M., & Nagurney, A. (2012). A supply chain generalized network oligopoly model for pharmaceuticals under brand differentiation and perishability. Transportation Research Part E: Logistics and Transportation Review, 48(4), 762-780. https://doi.org/10.1016/j.tre.2012.01.001
Momeni, M. A., & Bagheri, M. (2022). Shared warehouse as an inter-supply chain cooperation strategy to reduce the time-dependent deterioration costs. Socio-Economic Planning Sciences82, 101070. https://doi.org/10.1016/j.seps.2021.101070
Mostofi, A., Jain, V., Kumar, S., Mei, Y., & Chandra, C. (2023). A game theory data science-based mechanism for licensed pharmaceutical products concerning their deterioration: a case of a micro, small, and medium enterprise in Iran. Annals of Operations Research, 1-35. https://doi.org/10.1007/s10479-023-05360-z
Mwizerwa, G., & Akumuntu, J. (2024). Effect of Warehousing Management on Supply Chain Performance: A Case of Inyange Industries Ltd. African Journal of Empirical Research, 5(2), 358-370. https://B2n.ir/z19181.
Nematollahi, M., Hosseini-Motlagh, S. M., Cárdenas-Barrón, L. E., & Tiwari, S. (2022). Coordinating visit interval and safety stock decisions in a two-level supply chain with shelf-life considerations. Computers & Operations Research139, 105651. https://doi.org/10.1016/j.cor.2021.105651
Ogbewele, E.G., Mbata, A.O., & Nwosu, N.T. (2024). Optimizing pharmaceutical inventory management: A global framework for efficiency and cost reduction. International Journal of Management & Entrepreneurship Research, 6(10), 3357-3371. https://doi.org/10.51594/ijmer.v6i10.1638
Olaniyi, O. A., & Pugal, P. S. (2024). Optimising Inventory Management Strategies for Cost Reduction in Supply Chains: A Systematic Review. Jurnal Akuntansi dan Bisnis: Jurnal Program Studi Akuntansi, 10(1), 48-55. https://doi.org/10.31289/jab.v10i1.11678
Ouyang, L. Y., & Chang, H. C. (2000). At Mixture Inventory Model Involving Setup Cost Reduction with a Service Level Constraint. Opsearch37, 327-339. https://doi.org/10.1007/BF03398622
Priyan, S., & Mala, P. (2020). Optimal inventory system for pharmaceutical products incorporating quality degradation with expiration date: A game theory approach. Operations Research for Health Care24, 100245. https://doi.org/10.1016/j.orhc.2020.100245
Rojas, F., Wanke, P., & Tan, Y. (2024). Bibliometric analysis of publications and authors on stochastic demand inventory models in pharmaceutical supply chains. International Journal of Professional Business Review, 9(10), 1-23. https://doi.org/10.26668/businessreview/2024.v9i10.5008
Romdhani, S., Nouaouri, I., Tounsi, J., Gattoufi, S., & Allaoui, H. (2022). Two-echelon Inventory Management for Sustainable Pharmaceutical Supply Chain through Waste Reduction. IFAC-PapersOnLine55(10), 1380-1385. https://doi.org/10.1016/j.ifacol.2022.09.583
Serani, A., Leotardi, C., Iemma, U., Campana, E. F., Fasano, G., & Diez, M. (2016). Parameter selection in synchronous and asynchronous deterministic particle swarm optimization for ship hydrodynamics problems. Applied Soft Computing49, 313-334. https://doi.org/10.1016/j.asoc.2016.08.028
Shashi, M. (2023). Sustainable digitalization in pharmaceutical supply chains using theory of constraints: A qualitative study. Sustainability, 15(11), 8752. https://doi.org/10.3390/su15118752
Shen, Y., Xu, X., Zou, B., & Wang, H. (2021). Operating policies in multi-warehouse drone delivery systems. International Journal of Production Research, 59(7), 2140-2156. https://doi.org/10.1080/00207543.2020.1756509
Putri, A. I. S., Jauhari, W. A., & Rosyidi, C. N. (2019, April). A Distributor-Retailer Inventory Model for Pharmaceutical Supply Chain with Expiry Cost. In IOP Conference Series: Materials Science and Engineering, 495(1), 012010. IOP Publishing. https://doi.org/10.1088/1757-899X/495/1/012010
Tat, R., Heydari, J., & Rabbani, M. (2021). Corporate social responsibility in the pharmaceutical supply chain: An optimized medicine donation scheme. Computers & Industrial Engineering, 152, 107022. https://doi.org/10.1016/j.cie.2020.107022
Tat, R., & Heydari, J. (2021). Avoiding medicine wastes: Introducing a sustainable approach in the pharmaceutical supply chain. Journal of Cleaner Production320, 128698. https://doi.org/10.1016/j.jclepro.2021.128698
Wang, L. C., Cheng, C. Y., Tseng, Y. T., & Liu, Y. F. (2015). Demand-pull replenishment model for hospital inventory management: a dynamic buffer-adjustment approach. International Journal of Production Research53(24), 7533-7546. https://doi.org/10.1080/00207543.2015.1102353
Yang, L. (2023). An environmental, social, and governance strategic model for managing pharmaceutical supply chains with financial obstacles. Decision Analytics Journal7, 100203. https://doi.org/10.1016/j.dajour.2023.100203
Yu, C., Qu, Z., Archibald, T. W., & Luan, Z. (2020). An inventory model of a deteriorating product considering carbon emissions. Computers & Industrial Engineering, 148, 106694. https://doi.org/10.1016/j.cie.2020.106694