Optimizing the Biofuel Supply Chain with an Emphasis on Sustainability and the Mitigation of Inventory Risk

Document Type : Persian Research paper

Authors

Department of Management, Faculty of Administrative Science and Economics, University of Isfahan, Isfahan, Iran

Abstract

Purpose: The increasing environmental concerns linked to fossil fuel consumption—greenhouse gas emissions, climate change, and resource depletion—have heightened the global demand for sustainable, renewable energy systems. Among alternatives, biofuels have drawn considerable attention for their potential to bolster energy security, reduce environmental pollution, and make effective use of agricultural and forestry residues. However, designing and managing biofuel supply chains is inherently complex due to uncertainties in biomass availability, fluctuating market demand, transportation limitations, and operational risks. To address these challenges, this study develops a comprehensive multi-objective optimization model for the sustainable design and management of a biofuel supply chain under uncertain supply and demand. The proposed framework simultaneously minimizes total operational costs, unmet demand, carbon dioxide (CO₂) emissions, and inventory risk to enhance supply chain sustainability, resilience, and operational efficiency. A central aim of this research is to fill a gap in the literature by treating inventory risk as an independent optimization objective alongside economic and environmental sustainability indicators.
Design/methodology/approach: This study proposes a multi-objective mathematical optimization framework for biofuel supply chain network design and management under uncertainty. The model integrates economic, environmental, and operational risk dimensions within a unified decision-making structure. To obtain balanced compromise solutions among conflicting objectives, the LP-metric method is employed as the primary multi-objective optimization technique. Because sustainability objectives are often contradictory, the LP-metric approach enables identification of efficient trade-offs among cost minimization, environmental protection, service-level improvement, and inventory risk reduction. Furthermore, the Fuzzy Analytic Hierarchy Process (FAHP) is used to determine the relative importance and weights of objectives based on expert judgment under uncertainty. Applying FAHP enhances the realism and flexibility of the decision-making process by incorporating ambiguity in human evaluations. In addition, sensitivity analysis and Pareto optimal solutions are examined to validate the robustness and performance of the proposed model under different supply and demand scenarios. The scenario-based analysis investigates the impacts of supply and demand fluctuations on network configuration, facility utilization, operational costs, greenhouse gas emissions, and inventory risk.
Findings: The findings demonstrate that the proposed optimization framework effectively manages uncertainties while improving economic efficiency, environmental sustainability, and operational stability within the biofuel supply chain. Results indicate that integrating inventory risk into the optimization process significantly enhances the supply chain's resilience to fluctuations in supply and demand. The proposed model reduces total costs, unmet demand, and CO₂ emissions while maintaining a balanced trade-off among sustainability objectives. Scenario analysis reveals that variations in supply and demand directly affect the structure and operational performance of the supply chain network, particularly the number and utilization rates of warehouses, preprocessing centers, and active biogas facilities. Scenarios with reduced supply and demand generally lead to lower operational costs and reduced greenhouse gas emissions due to decreased production and transportation activities. However, underutilization of facilities in these scenarios may increase inventory-related risks and reduce operational efficiency. Conversely, higher supply and demand scenarios improve capacity utilization and reduce inventory risk, although they may raise transportation and operational costs. Overall, the results confirm that the proposed model provides an effective decision-support framework for identifying sustainable and resilient strategies in biofuel supply chain management under uncertainty.
Research limitations/implications: Despite its contributions, this research has several limitations that suggest opportunities for future studies. The proposed model relies on simplifying assumptions that may not fully capture the complexities of real-world biofuel supply chains. In particular, the study primarily addresses economic and environmental dimensions while social and cultural sustainability indicators are considered only indirectly. Future research could incorporate broader sustainability dimensions such as employment generation, social welfare, public acceptance, and regional development impacts. Moreover, the current model treats uncertainty via scenario-based analysis; future studies may benefit from integrating more advanced uncertainty modeling approaches such as robust optimization, stochastic programming, and machine learning techniques. Additional research could also explore the application of metaheuristic algorithms to solve larger, more complex real-world supply chain problems more efficiently. Comparative analyses across different countries and renewable energy systems could further enhance the generalizability and applicability of the proposed framework.
Practical implications: The proposed framework offers valuable managerial and strategic implications for policymakers, industrial managers, and energy planners engaged in renewable energy development and sustainable supply chain management. By concurrently considering economic performance, environmental impacts, and inventory risk, the model enables decision-makers to make more balanced, well-informed strategic choices regarding facility locations, storage capacity planning, biomass allocation, and transportation management. The results of this study can support the development of resilient, sustainable biofuel supply chain infrastructures, especially in countries aiming to reduce dependence on fossil fuels and enhance renewable energy utilization. The integration of FAHP and LP-metric methods also provides a practical, flexible decision-making tool capable of addressing uncertainty and conflicting objectives in real-world planning contexts. Additionally, the scenario-based analysis delivers useful insights for designing adaptive strategies under varying market and supply conditions.
Social implications: The development of sustainable biofuel supply chains can generate significant social and environmental benefits by reducing greenhouse gas emissions, decreasing reliance on non-renewable fossil fuels, and promoting cleaner energy production systems. The utilization of agricultural and forestry residues as biomass feedstock can also contribute to waste reduction and improved resource efficiency. In addition, the expansion of biofuel industries may create employment opportunities in rural and agricultural regions, thereby supporting local economic development and improving social welfare. By improving supply chain resilience and sustainability, the proposed framework can assist governments and organizations in promoting long-term environmental protection and sustainable energy transitions. The findings of this study may also support national strategies aimed at achieving carbon reduction targets and strengthening energy security.
Originality/value: This study contributes to the literature by proposing a comprehensive, integrated multi-objective optimization framework for biofuel supply chain design under supply and demand uncertainty. Unlike many previous studies that focused mainly on cost reduction or environmental performance, this research introduces inventory risk as an independent optimization objective within a sustainable supply chain framework. This novel perspective enhances the realism and applicability of the model for operational and strategic decision-making. Additionally, integrating FAHP for objective weighting with LP-metric optimization to generate compromise solutions represents an innovative hybrid decision-making approach capable of handling uncertainty and conflicting sustainability objectives more effectively. The scenario-based analysis provides a systematic evaluation of the simultaneous impacts of supply and demand fluctuations on economic, environmental, and operational performance. Thus, the proposed model offers both theoretical and practical contributions to advancing sustainable and resilient biofuel supply chain management.

Keywords

Main Subjects

Full Text

a.               1- مقدمه

توسعۀ پایدار، رویکردی است که ابعاد اقتصادی، اجتماعی و محیط‌زیستی را به‌طور یکپارچه در نظر می‌گیرد و هدف آن تأمین نیازهای انسانی به شکلی کارآمد و پایدار است (Karakosta & Askounis, 2010). ‎‍انرژی نقش ‎‍ کلیدی در توسعۀ پایدار دارد؛ اما افزایش مصرف انرژی، موجب کاهش منابع و آلودگی می‌شود. با توجه به اینکه سوخت‌های فسیلی، محدود و تجدیدناپذیرند و به آلودگی هوا، گرمایش جهانی و تغییرات آب‌وهوایی منجر می‌شوند، بنابراین جایگزینی آنها با منابع تجدیدپذیر ضروری است (Kiwjaroun et al., 2009) و بهبود بهره‌وری انرژی از ‎‍طریق منابع پایدار و توسعۀ منابع جایگزین برای کاهش وابستگی به انرژی‌های تجدیدناپذیر، اهمیت دارد (Tan et al., 2018). علاوه بر این، صنعت سوخت‌های زیستی ‎‍ با استفاده از ضایعات کشاورزی و جنگلی به‌عنوان مواد اولیه، به کاهش پسماندها و حفظ منابع طبیعی کمک می ‎‍کند (Jeswani et al., 2020). در میان منابع تجدیدپذیر نیز زیست‌توده، منبعی پاک و پایدار است که پتانسیل چشمگیری برای ارتقای امنیت انرژی دارد. استفاده از زیست‌توده به‌عنوان یک منبع انرژی، ‎‍ وابستگی به واردات نفت و گاز را کاهش و امنیت انرژی کشور را افزایش می ‎‍دهد که این امر به سهم خود، به صرفه‌جویی ارزی و کاهش هزینه‌های تولید منجر می‌شود (Haghighi & Babapour, 2018).

زنجیرۀ تأمین سوخت زیستی[i] شامل تمام مراحل از تولید و برداشت زیست‌توده تا تبدیل آن به سوخت و توزیع به مصرف‌کنندگان است (Wang et al., 2022). به ‎‍دلیل پیچیدگی‌های فرآیند تبدیل زیست‌توده به انرژی زیستی، ارزیابی دقیق شبکۀ زنجیرۀ تأمین سوخت زیستی اهمیت زیادی دارد (Jakubowski, 2022).

با وجود توسعۀ گستردۀ پژوهش‌ها در زمینۀ طراحی و بهینه‌سازی زنجیرۀ تأمین سوخت‌های زیستی، بخش عمده‌ای از مطالعات پیشین، تمرکز خود را بر کاهش هزینه‌ها، افزایش بهره‌وری اقتصادی یا کاهش انتشار آلاینده‌های زیست‌محیطی معطوف کرده‌اند. این در حالی است که زنجیرۀ تأمین سوخت‌های زیستی به ‎‍دلیل ماهیت زیست‌توده، وابستگی شدید به شرایط اقلیمی و نوسانات عرضه و تقاضا، با انواع ریسک‌های عملیاتی مواجه است که ‎‍ پایداری و عملکرد بلندمدت آن را به‌طور جدی تحت تأثیر قرار می ‎‍دهد. با وجود این، ریسک انبارداری ‎‍ یکی از مؤلفه‌های کلیدی ریسک عملیاتی است که در بیشتر پژوهش‌ها ‎‍ نادیده گرفته ‎‍ شده است، تنها به‌صورت محدودیت جانبی در مدل‌ها لحاظ شده ‎‍ و کمتر به‌عنوان یک هدف مستقل در چارچوب بهینه‌سازی چندهدفه ‎‍ بررسی شده است.

از سوی دیگر، اگرچه در پیشینۀ زنجیرۀ تأمین سوخت‌های زیستی به مفهوم پایداری به‌طور فزاینده‌ای ‎‍ توجه شده است، بسیاری از مطالعات موجود تنها ‎‍ یک یا دو بعد از پایداری، نظیر ابعاد اقتصادی و زیست‌محیطی را بررسی کرده ‎‍اند. فقدان چارچوبی جامع که ابعاد اقتصادی، زیست‌محیطی و ریسک عملیاتی را به‌صورت هم‌زمان در یک مدل یکپارچه لحاظ کند، یکی از خلأهای مهم پیشینه محسوب می‌شود ‎‍ که ‎‍ به تصمیم‌گیری‌های ناقص و کاهش تاب‌آوری زنجیرۀ تأمین در مواجهه با عدم قطعیت‌ها منجر می ‎‍شود. علاوه بر این، در بیشتر مدل‌های چندهدفۀ ارائه‌شده، وزن‌دهی اهداف یا به‌صورت فرضی انجام می ‎‍شود و یا مبتنی بر روش‌های کلاسیک تصمیم‌گیری است که توانایی محدودی در مواجهه با عدم قطعیت و قضاوت‌های انسانی دارند. همچنین، اگرچه عدم قطعیت عرضه و تقاضا در برخی مطالعات لحاظ شده است، تحلیل سناریومحور آثار هم‌زمان تغییرات عرضه و تقاضا بر هزینه‌ها، به پیامدهای زیست‌محیطی و ریسک‌های عملیاتی به‌صورت یکپارچه و نظام‌مند کمتر ‎‍ توجه شده است. این کاستی‌ها، نیاز به رویکردهای تصمیم‌گیری پیشرفته و منعطف را برجسته می ‎‍کند.

در راستای پوشش خلأهای شناسایی‌شده، هدف اصلی این پژوهش، توسعۀ یک مدل بهینه‌سازی چندهدفه برای طراحی و مدیریت زنجیرۀ تأمین سوخت‌های زیستی تحت شرایط عدم قطعیت عرضه و تقاضاست؛ مدلی که با در نظر گرفتن هم‌زمان هزینه‌های اقتصادی، آثار زیست‌محیطی و ریسک انبارداری، امکان ارتقای پایداری و تاب‌آوری زنجیرۀ تأمین را فراهم می ‎‍آورد. به‌طور مشخص، این پژوهش با هدف حداقل‌سازی هزینۀ کل شبکه، کاهش تقاضای برآورده‌نشده، کاهش انتشار CO₂ و کنترل ریسک انبارداری انجام شده است.

در این پژوهش، یک رویکرد نوآورانه برای بهینه‌سازی زنجیرۀ تأمین سوخت‌های زیستی ارائه می‌شود که در آن ‎‍ ریسک انبارداری  ‎‍ یک هدف مستقل و هم‌تراز با دیگر اهداف پایداری و در چارچوب یک مدل بهینه‌سازی چندهدفه لحاظ شده است. این رویکرد امکان تبیین نقش ریسک‌های عملیاتی را در عملکرد کلی زنجیرۀ تأمین ‎‍ فراهم می ‎‍کند و بخشی از خلأ موجود در مطالعات پیشین را پوشش می‌دهد. به‌منظور افزایش واقع‌گرایی فرآیند تصمیم‌گیری، وزن اهداف چندگانه با استفاده از روش تحلیل سلسله‌مراتبی فازی و مبتنی بر تجمیع نظرات خبرگان، تعیین شده است. همچنین با به‌کارگیری روش معیار جامع و تحلیل سناریوهای تغییرات عرضه و تقاضا، تعادل کارآمدی میان اهداف متعارض ایجاد ‎‍ و اثر هم‌زمان این نوسانات بر هزینه‌ها، انتشار CO₂ و ریسک‌های عملیاتی به‌صورت نظام‌مند بررسی می‌شود.

مدل پیشنهادی با هدف ایجاد توازن میان ابعاد مختلف پایداری، شاخص‌های اقتصادی، اجتماعی و زیست‌محیطی را به‌طور هم‌زمان در نظر می ‎‍گیرد و داده‌های استخراج‌شده از مطالعات پیشین، امکان اعتبارسنجی نتایج و تقویت کاربردپذیری مدل را در تصمیم‌گیری‌های راهبردی فراهم می‌ ‎‍کند.

این مقاله در پنج بخش ساختار یافته است: در بخش اول، اهمیت موضوع و چالش‌های موجود در بهینه‌سازی زنجیرۀ تأمین سوخت زیستی بررسی شده است، بخش دوم مطالعات مرتبط را مرور کرده است، در بخش سوم، مدل بهینه‌سازی چندهدفه پیشنهاد می‌شود، بخش چهارم به بررسی نتایج اختصاص دارد و تحلیل حساسیت و توصیه‌های مدیریتی، در بخش پنجم ‎‍ بررسی می ‎‍شود. درنهایت، نتیجه‌گیری پژوهش و پیشنهادهایی برای تحقیقات آینده در بخش ششم ارائه شده است.

b.               2- پیشینۀ نظری پژوهش

زنجیرۀ تأمین سوخت‌های زیستی، مجموعه‎‍ای از فعالیت‎‍ها و فرایندهای متوالی و منسجمی است که تولید، پردازش، توزیع و مصرف سوخت‌های زیستی را شامل می ‎‍شود و نقش ‎‍ کلیدی در کاهش وابستگی به سوخت‌های فسیلی و کاهش انتشار گازهای گلخانه‌ای دارد (Zhou et al., 2024). با مصرف بیش از حد سوخت‌های فسیلی، پژوهشگران بیشتر به آثار زیست‌محیطی مانند تغییرات آب و هوا، تخریب منابع طبیعی، گرمایش جهانی و هزینه‎‍های جنبی  ‎‍توجه کرده ‎‍اند (Hsu et al., 2023) و این زنجیره ‎‍ یک حوزۀ تحقیقاتی پویا و در حال توسعه است که هدف آن یافتن راه‌حل‌های پایدار و کارآمد برای تبدیل زیست‌توده به انرژی‌های تجدیدپذیر است (Zarafati and Gol Mohammadi, 2021).

آمبای و همکاران[ii] (2021) در مطالعه‎‍ای، لایه‎‍ها و زیرساخت‎‍های زنجیرۀ تأمین سوخت‌های زیستی را بررسی و پیشنهادهایی را برای حمایت از رده‌‌های مختلف این زنجیره ارائه کرده‎‍اند. چودوری و همکاران[iii] (2025) نقش حمایتی دولت‎‍ها را در تدوین مقررات و استانداردهای لازم به ‎‍جهت بهره‎‍برداری از منابع زیست‌توده را ضروری دانسته‎‍اند.

پژوهش‎‍ها و مطالعات گسترده‎‍ای دربارۀ چالش‎‍ها و استراتژی‌های مقابله با آنها انجام شده است. کانداپال و همکاران[iv] (2024) دربارۀ افزایش نرخ خرید سوخت‌های زیستی و مشکلات سرمایه‎‍گذاری، واسی[v] (2020) مشکلات مربوط به کشت زمین و دسترسی به منابع زیستی، پن و همکارن[vi] (2024) انتشار گازهای گلخانه‎‍ای، عباسی و همکاران[vii] (2012) هزینه‎‍های بالای حمل‌ونقل، قدیر و همکاران[viii] (2021) احتیاجات و ملزومات زیرساختی و گادج و همکاران[ix] (2020) الزام استفاده از تکنولوژی و فناوری‎‍های پیشرفته و تحقیقاتی را انجام داده‎‍اند.

از دیگر چالش‎‍های مهم در این زنجیره، عدم قطعیت‎‍ است که شامل نوسانات عرضۀ زیست ‌توده، تغییرات تقاضای بازار، شرایط اقلیمی  ‎‍‌پیش‌بینی ‎‍ناپذیر و محدودیت‌های لجستیکی می‌شود (Abbasi et al., 2012). عواملی نظیر خشک‌سالی، سیل و تغییرات دمایی، تولید و کیفیت زیست‌توده را کاهش می ‎‍دهند و موجب اختلال در فرآیندهای زنجیرۀ تأمین می ‎‍شوند (Kandpal et al., 2024). مدیریت ریسک در مواجهه با عدم قطعیت‎‍ نیز حیاتی تلقی می‎‍شود (Zhou et al., 2024). برای مدیریت این عدم قطعیت‌ها، استفاده از رویکردهایی مانند برنامه‌ریزی سناریو، مدل‌سازی چندهدفه و ابزارهای تصمیم‌گیری نظیر منطق فازی ضروری است (Gital & Bilgen, 2024). این اقدامات ‎‍ با کاهش ریسک‌ها و افزایش انعطاف‌پذیری، پایداری زنجیرۀ تأمین را تضمین ‎‍ و به بهبود عملکرد اقتصادی و زیست‌محیطی آن کمک می ‎‍کنند (Han & Um, 2024).

طراحی و بهینه‌سازی زنجیرۀ تأمین سوخت‌های زیستی، یکی از حوزه‌های مهم و پرکاربرد پژوهشی است که در دهۀ اخیر، توجه بسیاری از محققان را به خود جلب کرده است. آنها از روش‌های متنوع مدل‌سازی از ‎‍جمله شبیه‌سازی، برنامه‌ریزی ریاضی و سامانه‌های اطلاعات جغرافیایی[x] برای بهینه‌سازی رده‌‌های مختلف این فرایند پیچیده استفاده می‌کنندAzar & Raoufian, 2010) ). بهمنی و همکاران[xi] (2024) یک مدل بهینه‌سازی چندهدفه را برای طراحی و مدیریت زنجیرۀ تأمین بیودیزل تحت شرایط اختلال ارائه کرده‌اند. نتایج پژوهش آنها نشان می‌دهد که استفاده از راهبردهای بهینه، آثار اختلالات را کاهش می ‎‍دهند، هزینه‌ها را کنترل می ‎‍کند و تاب‌آوری زنجیرۀ تأمین را بهبود می ‎‍بخشد. در همین راستا، عربی و یعقوبی[xii] (2024) با استفاده از رویکرد لاگرانژی و مدل‌سازی دوهدفه، تحت شرایط عدم قطعیت، زنجیرۀ تأمین سوخت زیستی را بررسی کرده ‎‍اند. به‌طور مشابه، هوانگ و همکاران[xiii] (2025) با بهره‌گیری از مدل‌سازی ریاضی و بهینه‌سازی استوار و ژو و همکاران[xiv] (2024) با به‌کارگیری مدل برنامه‌ریزی خطی عدد صحیح مختلط، طراحی و بهینه‌سازی این زنجیره را بررسی کرده‌اند. همچنین ‎‍ هو و همکاران[xv] (2024)، برنامه‎‍ریزی خطی چند هدفۀ فازی را برای مدیریت عدم قطعیت‎‍ها در پارامترها و متغیرهای مختلف را پیشنهاد داده‎‍اند.

تکنیک‎‍های شبیه‎‍سازی و فراابتکاری، روش‌های نوین در طراحی و بهینه‌سازی زنجیرۀ تأمین سوخت زیستی ‎‍اند و نقش درخور ‌توجهی در ارائۀ راه‌حل‌های کارآمد برای مسائل پیچیده و چندهدفه دارند. این تکنیک‌ها با قابلیت مدیریت محدودیت‌ها و شرایط عدم قطعیت، امکان یافتن راه‌حل‌های بهینه و انعطاف‌پذیر را در سیستم‌های پیچیدۀ زنجیره تأمین فراهم ‎‍ و به بهبود عملکرد و پایداری این زنجیره‌ها کمک می‌کنند (Suresh et al., 2025).

مهارانا و همکاران[xvi] (2023) با استفاده از الگوریتم بهینه‌سازی ازدحام ذرات (PSO)، یک مدل ریاضی غیرخطی را برای بهینه‌سازی زنجیرۀ تأمین سوخت زیستی طراحی کرده‌اند. این مدل با مدیریت محدودیت‌های نرخ جریان و ظرفیت، هزینه‌های کل را کاهش داده و کارایی زنجیرۀ تأمین را بهبود بخشیده است. در مطالعۀ دیگری، سورش و همکاران[xvii] (2025) با استفاده از بهینه‌سازی شبکه‌های عصبی مصنوعی[xviii] از ‎‍طریق الگوریتم‌های فراابتکاری، پیش‌بینی دقیقی از آلاینده‌های موتور بیودیزل ارائه کرده‌اند. نتایج نشان‌دهندۀ کاهش مونوکسید کربن[xix]، هیدروکربن‌های نسوخته[xx] و دود، همراه با افزایش اکسیدهای نیتروژن[xxi] است. این پژوهش نقش مهمی در بهبود عملکرد و پایداری زنجیرۀ تأمین سوخت زیستی دارد.

جدول (1)، خلاصه‌ای از پژوهش‌های پیشین را در زمینۀ بهینه‌سازی زنجیرۀ تأمین سوخت زیستی، با تمرکز بر مدل‌سازی ریاضی، ابعاد پایداری و رویکردهای عدم قطعیت نمایش می‌دهد.

                                             i.            جدول 1- خلاصه‌ای از مطالعات مرتبط با بهینه‌سازی زنجیرۀ تأمین سوخت زیستی

1. Table 1 - Summary of studies related to biofuel supply chain optimization

رفرنس

سال

اهداف پایداری

عدم قطعیت

روش

اقتصادی

اجتماعی

زیست‌محیطی

ابراهیمی و باقری[xxii]

(2022)

˜

˜

--

--

برنامه‎‍ریزی خطی چند هدفه

زیولکوفسکا[xxiii]

(2014)

--

--

--

˜

برنامه‎‍ریزی خطی فازی

لوئیس و همکاران[xxiv]

(2015)

--

--

˜

--

ارزیابی چند معیارۀ مبتنی بر GIS فازی

عثمانی و ژانگ[xxv]

(2017)

˜

˜

˜

˜

برنامه‎‍ریزی تصادفی چند دوره‎‍ای

ژانگ و جیانگ[xxvi]

(2017)

--

--

--

˜

بهینه‎‍سازی استوار

احمد و سارک[xxvii]

(2018)

˜

--

˜

˜

برنامه‎‍ریزی خطی فازی

اسدی و همکاران[xxviii]

(2018)

˜

--

˜

--

فراابتکاری چندهدفه

سیوامانی و همکاران[xxix]

(2019)

˜

--

--

--

مدل ریاضی تحت شبکه‌های عصبی مصنوعی و الگوریتم ژنتیک

گنسن و همکاران[xxx]

(2020)

--

--

--

˜

برنامه‎‍ریزی خطی تصادفی

علی احمدی و همکاران[xxxi]

(2021)

˜

˜

--

˜

فراابتکاری چندهدفه

رفیق و همکاران[xxxii]

(2021)

˜

˜

˜

--

برنامه‎‍ریزی خطی و دینامیک سیستم

فرناندز-پوراتیچ و همکاران[xxxiii]

(2021)

˜

--

˜

--

برنامه‎‍ریزی خطی تصادفی

ابویت ها-اوجدا و همکاران[xxxiv]

(2024)

˜

˜

--

˜

برنامه‎‍ریزی عدد صحیح دومرحله‌ای

ساوجی و همکاران[xxxv]

(2022)

˜

--

˜

˜

برنامه‎‍ریزی خطی دو هدفۀ فازی

مؤمنی‎‍‎‍تبار و همکاران

(2022)

˜

˜

˜

--

تلفیق یادگیری ماشین و برنامه‎‍ریزی خطی

آلیانو فیلهو و همکاران[xxxvi]

(2023)

˜

˜

˜

--

ترکیب برنامه‎‍ریزی خطی عدد صحیح فازی

هلال و همکاران[xxxvii]

(2023)

˜

˜

˜

--

ترکیب هوش مصنوعی و برنامه‎‍ریزی خطی

ژو و همکاران

(2024)

˜

˜

˜

--

برنامه‎‍ریزی خطی چند هدفه

پژوهش حاضر

(2025)

˜

˜

˜

˜

برنامه‎‍ریزی خطی چند هدفه

c.                3- روش‌شناسی پژوهش

مدل پیشنهادی این پژوهش، یک مدل بهینه‌سازی چندهدفه برای طراحی زنجیرۀ تأمین انرژی زیستی در شرایط عدم قطعیت در عرضه و تقاضاست.

d.               3-1 مدل ‎‍سازی ریاضی

قبل از تشریح مدل ریاضی، اجزای مدل به شرح زیر معرفی می‎‍شود:

مجموعه‎‍ها (اندیس‎‍ها)

i

مجموعه مزارع برداشت تودۀ چوب و درخت پالونیا

p

نوع محصول برداشت ‎‍شده (تودۀ چوب یا درخت پالونیا)

 

مجموعه تعداد انبارهای ‎‍ احداث ‎‍شدنی

 

مجموعه تعداد انبارهای ‎‍ اجاره ‎‍شدنی

k

مجموعه مراکز پیش‌پردازش

k'

مجموعه ظرفیت‎‍های مراکز پیش‌پردازش

r

مجموعه تأسیسات بیوگاز

d

مجموعه مراکز تقاضا

A1

مجموعه مسیرهای منتخب از مزرعه تا انبارهای احداث ‎‍شده یا استیجاری

A2

مجموعه مسیرهای منتخب از انبارها تا مراکز پیش‌پردازش

A3

مجموعه مسیرهای منتخب از مراکز پیش‌پردازش تا تأسیسات بیوگار

A4

مجموعه مسیرهای منتخب از تأسیسات بیوگاز تا متقاضیان

 

 

پارامترهای اقتصادی

Cfws1

هزینۀ ثابت برای احداث انبار j1

Cfws2

هزینۀ ثابت برای احداث انبار j2

 

هزینۀ ثابت برای دایر ‎‍کردن مرکز پردازش k با K' ظرفیت

 

هزینۀ ثابت برای دایر ‎‍کردن پالایشگاه بیوگاز r

 

هزینۀ خرید زیست توده

 

هزینۀ دستمزد انبارداری (احداث ‎‍شده) j1 و خشک ‎‍کردن زیست‌توده نوع p

 

هزینۀ دستمزد انبارداری (استیجاری) j2 و خشک ‎‍کردن زیست‌توده نوع p

 

هزینۀ دستمزد جمع‎‍آوری زیست‌توده نوع p از مزرعه i

 

هزینۀ دستمزد کارکنان در مرکز پردازش k

 

هزینۀ دستمزد کارکنان در پالایشگاه بیوگاز‎‍ r

 

هزینۀ سوخت برای حمل‌ونقل

 

پارامترهای محیط ‎‍زیستی

 

ضریب انتشار CO2 برای حمل‌ونقل با کامیون (گرم در کیلومتر)

 

ضریب انتشار CO2 برای حمل‌ونقل با تریلی مخزن‎‍دار (گرم در کیلومتر)

 

 

پارامترهای فنی

 

فاصلۀ مسیر A1 از مزرعه i تا انبار احداث ‎‍شده j1

 

فاصلۀ مسیر A1 از مزرعه i تا انبار استیجاری j2

 

فاصلۀ مسیر A2 از انبار احداث ‎‍شده j1 تا مرکز پردازش k

 

فاصلۀ مسیر  از انبار استیجاری  تا مرکز پردازش k

 

فاصلۀ مسیر  از مرکز پردازش k تا تأسیسات بیوگاز r

 

میزان مصرف سوخت برای حمل‌ونقل کامیون (کیلومتر بر لیتر)

 

میزان مصرف سوخت برای حمل‌ونقل تریلی مخزن‎‍دار (کیلومتر بر لیتر)

 

ظرفیت انبار احداث ‎‍شده

 

ظرفیت انبار احداث ‎‍شده

 

ظرفیت‎‍ مرکز پردازش k با مقدار k'

 

ظرفیت پالایشگاه بیوگاز r

q1

حداقل ظرفیت (5 مگاوات) برای تأسیسات بیوگاز

q2

حداقل ظرفیت (6 مگاوات) برای تأسیسات بیوگاز

q3

حداقل ظرفیت (7 مگاوات) برای تأسیسات بیوگاز

q4

حداقل ظرفیت (8 مگاوات) برای تأسیسات بیوگاز

q5

حداقل ظرفیت (9 مگاوات) برای تأسیسات بیوگاز

 

نرخ تبدیل از زیست‌توده به بیوگاز (بر ‎‍حسب مترمکعب/تن)

 

عامل تبدیل بر ‎‍حسب مگاوات

 

نرخ تبدیل بیوگاز به برق (بر ‎‍حسب مترمکعب/تن)

dmin

حداقل توافق برق تولید ‎‍شده برای جامعه (درصد)

 

یک عدد بزرگ

 

 

پارامترهای ریسک انبار

 

انحراف معیار ظرفیت نگهداری در انبار

 

نرخ ضایعات و خرابی کالاها در انبار

Dt

تأخیر در تحویل کالا که  ‎‍یک عامل ریسک در نظر گرفته شده است.

 

شاخص ایمنی انبار که معکوس آن  ‎‍ ‎‍ریسک ایمنی در نظر گرفته شده است.

 

ضریب هزینۀ نگهداری زیست‌توده در انبار

 

ضریب ریسک ضایعات در انبار

 

ضریب ریسک هزینه‎‍های بیمۀ زیست‌توده در انبار

 

ضریب تأخیر در زمان تحویل زیست‌توده در انبار

 

ضریب شاخص ایمنی زیست‌توده در انبار

 

 

متغیرهای تصادفی

 

 

مقدار عرضۀ زیست‌توده نوع p

 

 

مقدار برق مورد نیاز به ازای d متقاضی

 

 

 

 

متغیرهای تصمیم پیوسته

 

 

مقدار کل زیست تودل خریداری ‎‍شدۀ نوع p از مزرعه i

 

 

مقدار زیست‌تودۀ ذخیره ‎‍شده نوع p در انبار احداث ‎‍شده j1

 

 

مقدار زیست‌تودۀ ذخیره ‎‍شدۀ نوع p در انبار استیجاری j2

 

 

مقدار زیست‌تودۀ فراوری ‎‍شده در مرکز پردازش k

 

 

مقدار خرده چوب استفاده ‎‍شده در تأسیسات بیوگاز r

 

 

مقدار بیوگاز تولید ‎‍شده به ازای d متقاضی

 

 

مقدار برق تولید ‎‍شده به ازای d متقاضی

 

 

مقدار تقاضای برق برآورده ‎‍نشده به ازای d متقاضی

 

 

مقدار/جریان حمل زیست‌توده نوع p از مزرعه i به انبار احداث ‎‍شده j1 از مسیر منتخب A1

 

 

مقدار/جریان حمل زیست‌توده نوع p از مزرعه i به انبار استیجاری j2 از مسیر منتخب A1

 

 

مقدار/جریان حمل زیست‌توده نوع p از انبار احداث ‎‍شده j1 به مرکز پردازش k از مسیر منتخب A2

 

 

مقدار/جریان حمل زیست‌توده نوع p از انبار استیجاری j2 به مرکز پردازش k از مسیر منتخب A2

 

 

مقدار/جریان حمل زیست‌توده فراوری ‎‍شده از مرکز پردازش k به تأسیسات بیوگاز r از مسیر منتخب A3

 

 

مقدار/جریان حمل برق تولید ‎‍شده برای متقاضی d از تأسیسات بیوگاز r از مسیر منتخب A4

 

Qr2

به ‎‍جهت محدود ‎‍کردن حداقل ظرفیت نصب ‎‍شده (6 مگاوات) برای یک تأسیسات بیوگاز

 

Qr4

به ‎‍جهت محدود ‎‍کردن حداقل ظرفیت نصب ‎‍شده (8 مگاوات) برای یک تأسیسات بیوگاز

 

 

 

 

متغیرهای تصمیم باینری

 

 

متغیر تصمیم‎‍گیری باینری برای احداث انبار j1 ، برابر با 1 اگر انبار احداث شود، در غیر این ‎‍صورت صفر

 

 

متغیر تصمیم‎‍گیری باینری برای اجارۀ انبار j2، ، برابر با 1 اگر انبار اجاره شود، در غیر این صورت صفر

 

 

متغیر تصمیم‎‍گیری باینری برای دایر ‎‍کردن مرکز پردازش k با ظرفیت k ، برابر با 1 اگر مرکز پردازش دایر شود، در غیر این صورت صفر

 

 

متغیر تصمیم‎‍گیری برای دایر ‎‍کردن تأسیسات بیوگاز r

 

 

متغیر باینری برای نشان ‎‍دادن انتقال زیست‌توده نوع p از مزرعه i به انبار احداث ‎‍شده j1 از مسیر منتخب A1 ، برابر با 1 اگر از مسیر استفاده شود، در غیر این صورت صفر

 

 

متغیر باینری برای نشان ‎‍دادن انتقال زیست‌توده نوع p از مزرعه i به انبار استیجاری j2 از مسیر منتخب A1 ، برابر با 1 اگر از مسیر استفاده شود، در غیر این صورت صفر

 

 

متغیر باینری برای نشان ‎‍دادن انتقال زیست‌توده نوع p از انبار احداث ‎‍شده j1 به مرکز پردازش k از مسیر منتخب A2 برابر با 1 اگر از مسیر استفاده شود، در غیر این صورت صفر

 

 

متغیر باینری برای نشان ‎‍دادن انتقال زیست‌توده نوع p از انبار استیجاری j2 به مرکز پردازش k از مسیر منتخب A2 ، برابر با 1 اگر از مسیر استفاده شود، در غیر این صورت صفر

 

 

متغیر باینری برای نشان ‎‍دادن انتقال زیست فراوری ‎‍شده از مرکز پردازش k به تأسیسات بیوگازr از مسیر منتخب A2 ، برابر با 1 اگر از مسیر استفاده شود، در غیر این صورت صفر

 

Qr1

متغیر باینری برای محدود ‎‍کردن حداقل ظرفیت نصب ‎‍شده (5 مگاوات) برای یک تأسیسات بیوگاز

 

Qr3

متغیر باینری برای محدود ‎‍کردن حداقل ظرفیت نصب ‎‍شده (7 مگاوات) برای یک تأسیسات بیوگاز

 

Qr5

متغیر باینری برای محدود ‎‍کردن حداقل ظرفیت نصب ‎‍شده (9 مگاوات) برای یک تأسیسات بیوگاز

 
       

e.                3-1-1 توابع هدف مدل

در مدل ریاضی، از سه تابع هدف برای ارزیابی سه جنبۀ کلیدی از پارادایم پایداری (جنبه‌های اقتصادی، اجتماعی و محیط ‎‍زیستی) برای زنجیرۀ تأمین سوخت زیستی (BSCN) استفاده شده‌ است.

تابع هدف رابطۀ (1) مجموع هزینه‎‍های احداث یا اجارۀ انبارها، مجموع هزینه‌های راه‎‍اندازی (شامل سایت‌های جمع‌آوری و پردازش چوب و تأسیسات بیوگاز)، کل هزینۀ خرید زیست‌توده (تودۀ چوب و درخت پالونیا)، کل هزینۀ دستمزد و عملیات (شامل جمع‌آوری تودۀ چوب و برداشت درخت پالونیا در مزرعه، پردازش چوب‎‍ها در سایت پردازش و تولید در تأسیسات بیوگاز) و کل هزینه‌های حمل و نقل و توزیع (شامل جریان حمل و نقل زیست تودۀ چوب به سایت پردازش و خرده ‎‍چوب‎‍ها به تأسیسات بیوگاز)  ‎‍به حداقل می‎‍رسد.

 

(1)

 

 

 

 

 

 

 

تابع هدف رابطۀ (2)، به حداقل رساندن کل تقاضای برق برآورده ‎‍نشدۀ مورد انتظار را در مناطق تقاضا نشان می‌دهد.

(2)

 

تابع هدف رابطۀ (3) به ‎‍منظور به حداقل رساندن آثار زیست‌محیطی و کاهش انتشار CO2 ناشی از حمل‌ونقل جاده‌ای و مسیرهای منتخب طراحی شده است.

(3)

 

 

 

 

 

تابع هدف رابطۀ (4)، ریسک انبار را حداقل می ‎‍رساند. وضعیت نگهداری موجودی‎‍های داخل انبار، ضایعات احتمالی محصولات، تأخیر در تحویل محصول به انبار، ایمنی انبار از ‎‍لحاظ سرقت، آتش‎‍سوزی، تهویۀ مناسب و موارد دیگر، شاخص‎‍های ریسک در نظر گرفته می ‎‍شود و ضرایب وزنی ( ) اهمیت نسبی هر متغیر، در میزان ریسک کلی انبار ‎‍ مشخص می ‎‍شود و متخصصان و کارشناسان این را تعیین می ‎‍کنند.

 

(4)

 

 

 

f.                3-1-2 محدودیت‎‍ها

(5)

 

(6)

 

(7)

 

(8)

 

(9)

 

(10)

 

(11)

 

(12)

 

(13)

 

(14)

 

(15)

 

(16)

 

(17)

 

(18)

 

(19)

 

(20)

 

(21)

 

(22)

   

(23)

 

(24)

 

(25)

 

(26)

 

(27)

 

(28)

 

(29)

 

(30)

 

(31)

  

(32)

 

(33)

,  ,  ,

 

 

(34)

 

(35)

 ,

برای حل مدل ریاضی، از روش معیار جامع استفاده ‎‍ و به ‎‍جهت تعیین درجۀ اهمیت اهداف نیز، از روش تحلیل سلسله‌مراتبی فازی (FAHP) استفاده شده است. به‌منظور انجام مقایسه‌های زوجی در روش تحلیل سلسله‌مراتبی فازی، قضاوت‌های کیفی تصمیم‌گیرندگان ابتدا به متغیرهای زبانی بیان و سپس به اعداد فازی مثلثی متناظر تبدیل می‌شوند. این تبدیل امکان مدل‌سازی عدم قطعیت و ابهام موجود در قضاوت‌های انسانی را فراهم می‌کند. در همین راستا، جدول (2) متغیرهای زبانی به کار رفته و اعداد فازی متناظر با هریک را نشان می‌دهد که در فرآیند مقایسه‌های زوجی به ‌کار رفته‌اند.

                                                      i.            جدول 2-متغیرهای زبانی و اعداد فازی ‎‍ استفاده ‎‍شده در مقایسات زوجی

1. Table 2 - Linguistic variables and fuzzy numbers used in FAHP pairwise comparisons

اصطلاحات زبانی

اعداد فازی

اصطلاحات زبانی

اعداد فازی

اصطلاحات زبانی

اعداد فازی

ترجیح کم

(1،1،1)

ترجیح متوسط تا زیاد

(3،4،5)

ترجیح خیلی زیاد

(6،7،8)

ترجیح کم تا متوسط

(1،2،3)

ترجیح زیاد

(4،5،6)

ترجیح خیلی زیاد تا کاملاً زیاد

(7،8،9)

ترجیح متوسط

(2،3،4)

ترجیح زیاد تا خیلی زیاد

(5،6،7)

ترجیح کاملاً زیاد

(9،9،9)

 

اگر  یک ماتریس مقایسۀ زوجی فازی باشد، a~ij یک عدد فازی مثلثی است که بیانگر مقایسۀ فازی بین معیار𝑖 و معیار j است. هر عنصر  به ‎‍صورت یک عدد فازی مثلثی به شکل ​  تعریف می‎‍شود که در آن Lij حد پایین (کمترین مقدار ممکن)، mij مقدار میانی (محتمل‌ترین مقدار) و uij حد بالا (بیشترین مقدار ممکن) را نشان می‎‍دهد. ماتریس مقایسۀ زوجی فازی  برای یک مسئله با n معیار به ‎‍صورت زیر نمایش داده می‌شود و معیارهای منفی، یعنی اعداد معکوس، به ‎‍صورت  نوشته می‎‍شوند.

(36)

 

برای به دست آوردن وزن اهداف، ابتدا میانگین هندسی هر سطر ماتریس طبق رابطۀ (37) به دست می ‎‍آید و سپس وزن اهداف مطابق ‎‍ رابطۀ (38) محاسبه می‎‍ ‎‍شود.

(37)

 

(38)

 

برای استفاده از تکنیک فوق، ازنظر سه کارشناس خبره شامل ‎‍ یک متخصص از بخش صنعتی با ‎‍تجربه در تولید سوخت‌های زیستی، یک کارشناس دولتی و سیاست‌گذار با تخصص در انرژی‌های تجدیدپذیر و یک استاد دانشگاه با تسلط در پژوهش‌های پایداری استفاده شده است.

g.               4-یافته ‎‍های پژوهش

در این بخش، نتایج حاصل از اجرای مدل ریاضی توسعه‌یافته برای زنجیرۀ تأمین سوخت زیستی ارائه شده است. این نتایج شامل تحلیل عملکرد مدل در مقابل اهداف متعدد و ارزیابی حساسیت جواب آن نسبت ‎‍به پارامترهای کلیدی است. برای تعیین مقادیر اولیۀ پارامترهای مدل، از مطالعات پیشین استفاده و برخی از مفروضات در جدول(3) آورده شده است که از مطالعات پیشین اقتباس شده ‎‍اند.

                          i.            جدول 3-مفروضات و مقادیر برخی از پارامترهای مدل این پژوهش (Ransicarbum and Pitakasu, 2024)

1. Table 3- Assumptions and values of some model parameters of this research (Ransicarbum and Pitakasu, 2024)

مفروضات یا پارامترها

مقادیر و توضیحات

Sip

تعداد 9 مزرعه برای برداشت زیست‌تودۀ چوب و درخت پالونیا فرض شده است. پیش ‎‍فرض اولیه امکان برداشت 50 تا 60 تن زیست‌توده از هر مزرعه است.

 

تعداد 5 مرکز تقاضای مختلف به ‎‍جهت برق تولیدی با تقاضای اولیه 40 تا 50 مگاوات بر مترمکعب

 

تعداد 3 انبار ‎‍ احداث ‎‍پذیر با ظرفیت‎‍ 15 تن

 

تعداد 4 انبار استیجاری با ظرفیت‎‍های 10 تن

 

تعداد 9 مرکز پیش‎‍پردازش با سه ظرفیت مختلف 40، 60 و 80 تن

 

تعداد 5 تأسیسات بیوگاز با ظرفیت‍های 90، 100، 110،130 و 150 مگاوات

Cfws1j1

هزینۀ ثابت دایر ‎‍کردن هر انبار ‎‍ احداث ‎‍پذیر 300 هزار دلار

Cfws2j2

هزینۀ ثابت برای اجارۀ یک ‎‍سالۀ هر انبار استیجاری 11 هزار دلار

 

هزینۀ ثابت دایر ‎‍کردن هر مرکز پیش ‎‍پردازش 400، 500 و 600 هزار دلار

 

هزینۀ ثابت دایر ‎‍کردن هر تأسیسات بیوگاز بین یک میلیون تا یک میلیون و پانصد هزاردلار

 

هزینۀ خرید هر تن زیست‌توده 500 دلار برای یک تن

 

هزینۀ دستمزد جمع‎‍آوری هر تن زیست‌توده 13 دلار برای هر تن

 

هزینۀ مصرف سوخت برای حمل‌ونقل 3 دلار برای هر کیلومتر

 

میزان مصرف سوخت برای کامیون 6 لیتر در هر کیلومتر

 

میزان مصرف سوخت برای حمل‌ونقل تریلی مخزن‎‍دار 4 لیتر در کیلومتر

 

ضریب انتشار CO2 برای حمل‌ونقل با کامیون 0.0006 گرم در کیلومتر

 

ضریب انتشار CO2 برای حمل‌ونقل با تریلی مخزن‎‍دار 0.0023 گرم در کیلومتر

 

جدول (4)، نتایج حاصل از تحلیل اوزان پایداری را با استفاده از تکنیک سلسله‌مراتبی فازی نشان می‌دهد. همان‌طور که مشاهده می‌شود، نتایج بیانگر آن است که دیدگاه اقتصادی در میان کارشناسان صنعتی و دانشگاهی، بالاترین اهمیت را دارد؛ در حالی ‌که کارشناسان دولتی بیشترین توجه را به معیار اجتماعی داشته‌اند. همچنین ‎‍ وزن معیار ریسک در تمامی گروه‌ها پایین‌تر بوده است. به ‎‍طور کلی، تصمیم‌گیری گروهی نشان‌دهندۀ اولویت ابعاد اقتصادی و اجتماعی نسبت ‎‍به ریسک و زیست‌محیطی است.

 

 

                                              ii.            جدول 2-تجزیه و تحلیل اوزان پایداری با تکنیک سلسله ‎‍مراتبی فازی (FAHP)

1. Table 4- Analysis of sustainability weights using the fuzzy hierarchical technique (FAHP)

تصمیم‌گیرنده

دیدگاه پایداری

میانگین هندسی فازی

 

وزن فازی

وزن قطعی

L

M

U

 

L

M

U

کارشناس صنعتی

اقتصادی

27/3

63/3

98/3

 

602/0

734/0

892/0

733/0

اجتماعی

95/0

05/1

17/1

 

175/0

213/0

262/0

214/0

زیست‌محیطی

24/0

26/0

29/0

 

044/0

053/0

064/0

053/0

ریسک

24/0

05/1

29/0

 

44/0

213/0

64/0

107/0

کارشناس دولتی

اقتصادی

25/0

37/0

30/0

 

049/0

068/0

082/0

064/0

اجتماعی

29/2

41/2

17/3

 

452/0

601/0

862/0

617/0

زیست‌محیطی

14/1

33/1

59/1

 

226/0

331/0

431/0

318/0

ریسک

024/0

024/0

029/0

 

044/0

044/0

064/0

050/0

کارشناس دانشگاهی

اقتصادی

00/1

59/1

08/2

 

221/0

493/0

957/0

469/0

اجتماعی

69/0

00/1

44/1

 

153/0

311/0

663/0

317/0

زیست‌محیطی

48/0

63/0

00/1

 

106/0

196/0

460/0

214/0

ریسک

00/1

024/0

029/0

 

460/0

044/0

064/0

189/0

تصمیم‌گیری گروهی

اقتصادی

      

 

      

364/0

اجتماعی

      

 

      

303/0

زیست‌محیطی

      

 

      

177/0

ریسک

 

 

 

 

 

 

 

156/0

 

مدل در نرم‎‍افزار تخصصی GAMS (ورژن 2/25) به ‎‍دقت کدنویسی و پیاده‎‍سازی شده است. پس از تعیین اوزان، هر تابع هدف به ‎‍صورت یک مدل بهینه‌سازی تک ‎‍‌هدفه حل شده است تا مقادیر بهینۀ هر هدف یعنیfi* مشخص شود؛ سپس با قرار ‎‍دادن مقادیر وزنی  و در نظر گرفتن p=1 مقدار کلی هر هدف مشخص شد. جدول (5)، نتایج بهینۀ توابع هدف حاصل از حل مدل ریاضی را نشان می‎‍دهد.

                                                                                       iii.            جدول 3-مقادیر بهینۀ توابع هدف

1. Table 5-Optimal values of objective functions

Z1

Z2

Z3

Z4

کاهش کل هزینۀ زنجیرۀ تأمین (هزار دلار)

کاهش تقاضای برآورده‌نشده (کیلووات‌ساعت)

کاهش انتشار کربن (کیلوگرم دی‌اکسید کربن)

کاهش ریسک انبار (درصد)

61/33090

579600

553/0

615/2

 

جدول (5) عملکرد بهینۀ مدل پیشنهادی را در دستیابی به اهداف چندگانه، به ‎‍وضوح نشان می‌دهد. مدل با کاهش هزینه‌های زنجیرۀ تأمین، برآورده‌سازی تقاضای بیشتر، کاهش میزان انتشار کربن و کاهش ریسک انبار، تعادل مناسبی بین اهداف اقتصادی، زیست‌محیطی و مدیریت ریسک ایجاد کرده است. این نتایج حاکی از کارایی مدل در بهبود پایداری و ارتقای عملکرد زنجیرۀ تأمین سوخت زیستی است.

 

 

h.               4-1 سناریوسازی داده‎‍های تصادفی عرضه و تقاضا

در این بخش، تأثیر داده‌های تصادفی عرضه و تقاضا بر طراحی شبکۀ زنجیرۀ تأمین زیست‌توده[xxxviii] با ارزیابی پنج سناریوی احتمالی در جدول (6) نشان داده شده است. این سناریوها با هدف بررسی رفتار مدل، تحت شرایط مختلف طراحی شده است و شامل پنج حالت از خوش‌بینانه تا بدبینانه است. در این تحلیل، تغییرات عرضه و تقاضا به‌صورت درصدی نسبت ‎‍به مقادیر اولیه در نظر گرفته شده است. این سناریوها ابزار مؤثری را برای ارزیابی پایداری و عملکرد زنجیرۀ تأمین تحت عدم ‌قطعیت‌های متغیر ارائه می‌دهند و به تصمیم‌گیرندگان کمک می‌کنند تا راهبردهای بهینه را در مواجهه با شرایط مختلف، طراحی کنند.

                                                                 i.            جدول 4-تحلیل سناریوهای داده‌های تصادفی عرضه و تقاضا

1. Table 6-Scenario analysis of random supply and demand data

سناریو

عرضه  (Si)

تقاضا (ddi)

اول (خوش‌بینانه)

مقدار اولیه

مقدار اولیه

دوم (محتمل)

۱۵% ‎‍ کاهش

۱۵% ‎‍ کاهش

سوم (بدبینانه)

20% کاهش

بدون تغییر در مقدار اولیه

چهارم (پرخطر)

25% افزایش

25% افزایش

پنجم (حداقل)

20% کاهش

20% کاهش

 

جداول (7 ‎‍) تا (10)، عملکرد توابع هدف اقتصادی، اجتماعی، زیست‌محیطی و ریسک را در سناریوهای مختلف تحلیل و مقایسه می‌کنند. در سناریوی دوم، که عرضه و تقاضا هر دو ۱۵% ‎‍ کاهش یافته‌اند، مقدار تابع هدف اقتصادی (Z1) نسبت ‎‍به سناریوی اول کاهش یافته است و همین روند در سناریوی پنجم نیز مشاهده می‌شود. تابع هدف دوم (Z2)، که بیانگر تقاضای برآورده‌نشده است، رویکرد ‎‍ مشابهی با (Z1) دارد و با کاهش تقاضا، به کمترین مقدار خود می‌رسد. کمترین میزان انتشار گاز کربن، یعنی تابع هدف (Z3)، در سناریوی پنجم و جایی رخ داده است ‎‍ که کاهش عرضه و تقاضا موجب کاهش درخور ‌توجه هزینه‌های زنجیرۀ تأمین شده است. همچنین ‎‍ کمترین ریسک انبار، یعنی تابع هدف (Z4)، در سناریوهای دوم و پنجم، مشاهده می‎‍شود.

        ii.            جدول 5-عملکرد تابع هدف اقتصادی (Z1) تحت سناریوهای مختلف

1. Table 7- Performance of the economic objective function (Z1) under different scenarios

سناریو

Z1

Z2

Z3

Z4

1

۳۳۰۹۰/۶۱

۱۱۷۹۰۰۰

۰/۶۶۹

۳/۱۳۸

2

۲۸۸۹۰/۹۹

۱۰۲۹۰۰۰

۰/۵۶۵

۲/۶۱۵

3

۲۶۰۰۱/۸۹

۹۲۶۱۰۰

۰/۵۰۸۵

۲/۳۵۳۵

4

۳۷۴۷۸/۹۶

۱۳۲۹۰۰۰

۰/۷۶

۳/۶۶۱

5

۲۴۵۱۳/۶۶

۸۷۹۰۰۰

۰/۵۷۹

۲/۶۱۵

      iii.            جدول 6-عملکرد تابع هدف اجتماعی (Z2) تحت سناریوهای مختلف

1. Table 8- Performance of the social objective function (Z2) under different scenarios

سناریو

Z1

Z2

Z3

Z4

1

۵۰۳۲۸/۷۳

۵۷۹۶۰۰

۰/۹۹۵

۴/۱۸۴

2

۵۰۳۲۸/۷۳

۲۷۹۶۰۰

۰/۹۹۵

۴/۱۸۴

3

۴۵۲۹۵/۸۵

۲۵۱۶۴۰

۰/۸۹۵

۳/۷۶۵۶

4

۵۰۳۲۸/۷۳

۸۷۹۶۰۰

۰/۹۹۵

۴/۱۸۴

5

۴۹۷۷۲/۶۷

۲۵۶۰۰۰

۰/۹۹۵

۴/۱۸۴

 

 

        iv.            جدول 7-عملکرد تابع هدف محیط ‎‍زیستی (Z3) تحت سناریوهای مختلف

1. Table 9- Performance of the environmental objective function (Z3) under different scenarios

سناریو

Z1

Z2

Z3

Z4

1

۳۳۷۱۴/۶۶

۱۱۷۹۰۰۰

۰/۵۵۳

۲/۶۱۵

2

۲۹۵۰۷/۷۵

۱۰۲۹۰۰۰

۰/۴۶۲

۲۰/۹۲

3

۲۶۵۵۶/۹۷

۹۲۶۱۰۰

۰/۴۱۵۸

۱۸/۸۲۸

4

۳۷۸۲۱/۱۸

۱۳۲۹۰۰۰

۰/۶۶۴

۳/۱۳۸

5

۲۵۱۲۲/۹۴

۸۷۹۰۰۰

۰/۴۵۸

۲/۰۹۲

         v.            جدول 8-عملکرد تابع هدف ریسک (Z4) تحت سناریوهای مختلف

1. Table 10-Performance of the risk objective function (Z4) under different scenarios

سناریو

Z1

Z2

Z3

Z4

1

۳۳۶۵۷/۴۴

۱۱۷۹۰۰۰

۰/۵۶۲

۲/۶۱۵

2

۲۹۴۵۷/۹۸

۱۰۲۹۰۰۰

۰/۴۷۲

۲/۰۹۲

3

۲۶۵۱۲/۱۸

۹۲۶۱۰۰

۰/۴۲۴۸

۲/۸۵۰

4

۳۷۷۵۶/۹۱

۱۳۲۹۰۰۰

۰/۶۵۳

۳/۱۳۸

5

۲۵۰۸۰/۴۳

۸۷۹۰۰۰

۰/۴۶۸

۲/۰۹۲

i.                 4-2 تجزیه و تحلیل حساسیت و اعتبار سنجی مدل

در این پژوهش، به‌منظور اعتبارسنجی مدل پیشنهادی و ارزیابی پایداری نتایج آن، تحلیل حساسیت ریسک انبار نسبت ‎‍به تغییر پارامترهای کلیدی شامل ظرفیت انبار، نوسانات تقاضا، هزینه‌های نگهداری و سطح ایمنی موجودی انجام شده است. برای این منظور، هر پارامتر در بازه‌های مشخصی (±۱۰٪، ±۲۰٪) تغییر داده ‎‍ و مدل در سناریوهای مختلف اجرا شده است تا رفتار سیستم در شرایط متغیر و بحرانی، ارزیابی شود. به‌منظور بررسی حساسیت مدل نسبت به تغییر ظرفیت انبار و ارزیابی اثر آن بر ریسک انبارداری، ظرفیت انبار در سناریوهای مختلف کاهش و افزایش داده و نتایج حاصل در شکل (1) ارائه شده است.

 

 

                                                                      i.            شکل 1-تأثیر تغییر ظرفیت انبار بر مدیریت ریسک انبار

1. Figure 1 - The impact of changing warehouse capacity on warehouse risk management

شکل (1)، نمودار تأثیر تغییرات ظرفیت انبار را بر تابع هدف ریسک انبار نمایش می‎‍دهد و بیان می‌کند که کاهش ظرفیت به‌طور مستقیم، به افزایش ریسک منجر می‌شود. به‌ویژه، کاهش ظرفیت به میزان ۲۰٪ ‎‍، بیشترین تأثیر منفی را بر سیستم داشته و ریسک را به بالاترین سطح رسانده است. این امر ناشی از محدودیت فضای ذخیره‌سازی است که انعطاف‌پذیری سیستم را در پاسخ به تقاضاهای متغیر ‎‍ کاهش ‎‍ و احتمال عدم تأمین به‌موقع یا انباشت غیرمنطقی موجودی را افزایش می‌دهد. در مقابل، افزایش ظرفیت انبار به میزان ۱۰٪ و ۲۰٪ ‎‍، تأثیر مثبتی بر کاهش ریسک داشته است، به‌ویژه افزایش ۲۰٪ که به کمترین مقدار ریسک منجر شده است. این نشان می‌دهد که افزایش ظرفیت، پایداری زنجیرۀ تأمین را بهبود می ‎‍بخشد و سیستم را در مواجهه با نوسانات و عدم ‌قطعیت، تقویت کند. علاوه بر این، ظرفیت اولیه عملکرد ‎‍ متعادلی ارائه داده است؛ اما نسبت ‎‍به سناریوهای افزایش ظرفیت، کارایی کمتری در کاهش ریسک نشان داده است. این تحلیل تأکید می‌کند ‎‍ در شرایطی که زنجیرۀ تأمین با نوسانات یا عدم‌قطعیت مواجه است، بهینه‌سازی ظرفیت انبار نه‌تنها  ‎‍ریسک عملیاتی را کاهش می ‎‍دهد، ‎‍ عملکرد کل سیستم را نیز بهبود می ‎‍بخشد. تصمیم‌گیرندگان ‎‍ با افزایش ظرفیت انبار یا تعریف استراتژی‌های انعطاف‌پذیر، پایداری و کارایی زنجیرۀ تأمین را بهبود می ‎‍دهند.

j.                 5- بحث

طراحی لجستیک و زنجیرۀ تأمین سوخت‌های زیستی به ‎‍دلیل ساختار پیچیده و نیازهای خاص، به یکی از موضوعات نوظهور جهانی تبدیل شده است و تصمیمات مکان‌یابی و توزیع در این حوزه، اهمیت ویژه‌ای برای پایداری بلندمدت دارد (Mignogna et al., 2024).

در این پژوهش، یک مدل بهینه‌سازی چندهدفه تحت عدم قطعیت عرضه و تقاضا ارائه شد که اهداف آن، شامل هزینۀ کل، تقاضای تأمین‌نشده، تأثیرات زیست‌محیطی با در نظر گرفتن جنبه ‎‍های پایداری و ریسک انبار است. اضافه ‎‍کردن ریسک انبار به مدل، به کنترل نوسانات و پایداری عملیاتی کمک می‌کند. مدل با روش LP-metric حل ‎‍ و وزن اهداف با FAHP تعیین شد. استفاده از این رویکرد با مدیریت دقیق عدم قطعیت‌ها، کیفیت تصمیم‌گیری را بهبود می ‎‍دهد و تعادلی میان اهداف مختلف ایجاد می‌کند. نتایج نشان داد که مدل پیشنهادی علاوه بر کاهش هزینه‌ها و افزایش کارایی، تأثیرات زیست‌محیطی و ریسک انبار را نیز کاهش می‌دهد. همچنین ‎‍ تغییرات در عرضه و تقاضا، نقش مهمی در عملکرد شبکه ‎‍ و بر ضرورت انعطاف‌پذیری زنجیرۀ تأمین تأکید دارد. کاهش عرضه و تقاضا، ضمن کاهش هزینه و انتشار، ریسک انبار را افزایش می ‎‍دهد؛ در حالی که افزایش آن، بهره‌وری ظرفیت‌ها را بالا می ‎‍برد، ولی نیازمند مدیریت دقیق هزینه و ریسک است.

نتایج تحلیل حساسیت حاکی از آن است که مدل پیشنهادی در برابر تغییر پارامترهای کلیدی سیستم، از رفتار منطقی و پایداری برخوردار است و خروجی‌های آن به‌صورت معنادار و ‎‍ تفسیرشدنی تغییر می‌کنند؛ امری که بیانگر اعتبار ساختاری مدل و قابلیت اتکای آن در تصمیم‌گیری‌های راهبردی زنجیرۀ تأمین است.

مقایسه با مطالعات پیشین نشان می‌دهد که برخلاف تحقیقات متمرکز بر هزینه یا انتشار (Arabi & Yaghoubi, 2024; Huang, 2025)، این پژوهش با افزودن ریسک انبار به‌عنوان هدف مستقل، رویکرد ‎‍ جامع‌تری اتخاذ کرده است. همچنین ‎‍ استفاده از FAHP و شبیه‌سازی سناریوهای مختلف، نسبت ‎‍به پژوهش‌های مبتنی بر شبیه‌سازی یا الگوریتم‌های فراابتکاری (Hosseinalizadeh et al., 2022; Momenitabar, 2022) مزیت دارد.

k.               6- نتیجه‎‍گیری

یافته‌های این پژوهش نشان داد که ادغام هم‌زمان معیارهای اقتصادی، زیست‌محیطی و ریسک انبار در یک چارچوب بهینه‌سازی چندهدفه، ‎‍ اثربخشی تصمیم‌گیری در طراحی و مدیریت زنجیرۀ تأمین سوخت‌های زیستی را به شکل معناداری ارتقا می ‎‍دهد. این دستاورد نه ‎‍تنها امکان دستیابی به هزینۀ کمتر و کاهش آلاینده‌ها را فراهم می‌ ‎‍کند، با مدیریت هوشمند ریسک، تاب‌آوری زنجیره در برابر نوسانات عرضه و تقاضا نیز بهبود می‌یابد. به بیان دیگر، مدل پیشنهادی  ‎‍ابزاری عملی و راهبردی برای سیاست‌گذاران و مدیران صنعتی به کار گرفته می ‎‍شود تا با ایجاد تعادل میان کارایی اقتصادی، ملاحظات زیست‌محیطی و پایداری عملیاتی، مسیر توسعۀ پایدار سوخت‌های  ‎‍زیستی هموار شود.

این پژوهش، یک مدل بهینه‌سازی چندهدفۀ جامع برای زنجیرۀ تأمین سوخت‌های زیستی ارائه می‌دهد که به‌طور هم‌زمان هزینۀ کل، تقاضای تأمین‌نشده، آثار زیست‌محیطی و ریسک انبارداری را برای اولین بار به‌عنوان یک هدف مستقل در شرایط عدم قطعیت عرضه و تقاضا در نظر می‌گیرد. در این چارچوب ‎‍ با ادغام ابعاد اقتصادی، زیست‌محیطی و ریسک عملیاتی، پایداری و تاب‌آوری زنجیرۀ تأمین ارتقا می ‎‍یابد و با بهره‌گیری از روش سلسه ‎‍مراتبی وزن اهداف به‌صورت واقع‌گرایانه تعیین می‌شود. همچنین ‎‍ استفاده از روش معیار جامع، امکان دستیابی به راه‌حل‌های مصالحه‌ای را میان اهداف متعارض  ‎‍فراهم ‎‍ و تحلیل سناریومحور نوسانات عرضه و تقاضا، بینش‌های کاربردی برای بهبود تصمیم‌گیری و سیاست‌گذاری را در زنجیرۀ تأمین سوخت‌های زیستی، به‌ویژه در بستر بومی ایران، ارائه می‌کند. پژوهش حاضر با تمرکز بر شرایط بومی ایران، می‌کوشد بینش‌های کاربردی و قابل اتکایی برای مدیران و سیاست‌گذاران حوزه انرژی در جهت توسعه پایدار زنجیره تأمین سوخت‌های زیستی ارائه دهد.

از محدودیت‌های این پژوهش ‎‍ به پیش‌فرض‌های مدل‌ اشاره می ‎‍شود که ممکن است با پیچیدگی‌های دنیای واقع تطابق نداشته باشند؛ این موضوع ‎‍ فرصت‌هایی را برای بهبود و توسعۀ مدل‌های پیچیده‌تر در تحقیقات آینده ‎‍ فراهم می ‎‍کند. همچنین ‎‍ تمرکز تحقیق بر ابعاد اقتصادی و ‎‍ بررسی ‎‍نکردن کامل ابعاد اجتماعی و فرهنگی، نشان‌دهندۀ نیاز به تحقیقات جامع‌تر در این زمینه است.

برای ارتقای تحقیقات آینده در زمینۀ زنجیرۀ تأمین سوخت‌های زیستی در ایران، توصیه می‌شود که دامنۀ داده‌ها گسترش یابد و از تکنیک‌های پیشرفتۀ جمع‌آوری و تحلیل داده استفاده شود تا نتایج دقیق‌تری حاصل شود. همچنین ‎‍استفاده از مدل‌های بهینه‌سازی پیچیده‌تر، از ‎‍جمله الگوریتم‌های یادگیری ماشین و مدل‌های فازی، ‎‍ به بهبود دقت پیش‌بینی‌ها و نتایج در زمینۀ خاص کمک می ‎‍کند. توجه به ابعاد اجتماعی و فرهنگی، به‌ویژه تأثیرات آن بر معیشت محلی و جامعۀ ایرانی، برای درک جامع‌تر از پایداری زنجیرۀ تأمین در این کشور ضروری است. تحلیل‌های مقایسه‌ای با زنجیره‌های تأمین در کشورهای دیگر نیز، به شناسایی بهترین شیوه‌ها و سیاست‌ها برای ایران کمک می ‎‍کند. علاوه بر این، بررسی تأثیرات بلندمدت استفاده از سوخت‌های زیستی بر محیط‌زیست و اقتصاد ایران باید در اولویت قرار گیرد تا سیاست‌های مؤثری برای توسعۀ پایدار این منابع، تدوین شود.

 

[i] Biomass Supply Chain Network (BSCN) ‎‍

[ii] Ambaye et al.

[iii] Chowdhury et al.

[iv] Kandpal et al

[v] Wassie

[vi] Pan et al.

[vii] Abbasi et al.

[viii] Qadir et al.

[ix] Ghadge et al.

[x] Geographic Information System) GIS(

[xi] Bahmani et al.

[xii] Arabi & Yaghoubi

[xiii] Huang et al.

[xiv] Zhou et al.

[xv] Hu et al.

[xvi] Maharana et al.

[xvii] Suresh et al.

[xviii] Artificial Neural Network (ANN)

[xix] Carbon Monoxide (CO)

[xx] Unburned Hydrocarbons (HC)

[xxi] Nitrogen Oxides (NOx)

[xxii] Ebrahimi and Bagheri

[xxiii] Ziolkowska

[xxiv] Lewis et al.

[xxv] Ottoman and Zhang

[xxvi] Zhang & Jiang

[xxvii] Ahmed & Sarkar

[xxviii] Asadi et al.

[xxix] Sivamani et al.

[xxx] Ganesan et al.

[xxxi] Aliahmadi et al.

[xxxii] Rafique et al.

[xxxiii] Fernández-Puratich et al.

[xxxiv] Abuelnuor et al.

[xxxv] Savoji et al.

[xxxvi] Aliano Filho et al.

[xxxvii] Hilal et al.

[xxxviii] Biomass Supply Chain Network (BSCN)

References

Abbasi, T., Tauseef, S., & Abbasi, S. (2012). Anaerobic digestion for global warming control and energy generation—An overview. Renewable and Sustainable Energy Reviews, 16(5), 3228-3242.
Abuelnuor, A. A., Abuelnour, M. A., & Abd El Kawi, O. S. A. (2024). Comparative analysis of slow pyrolysis of sugarcane bagasse and corn stover for renewable energy production. Discover Energy, 4(1), 30. https://doi.org/10.1007/s43937-024-00058-0.
Ahmed, W., & Sarkar, B. (2018). Impact of carbon emissions in a sustainable supply chain management for a second generation biofuel. Journal of Cleaner Production, 186, 807–820. https://doi.org/10.1016/j.jclepro.2018.03.060.
Aliahmadi, S. Z., Barzinpour, F., & Pishvaee, M. S. (2021). A novel bi objective credibility based fuzzy model for municipal waste collection with hard time windows. Journal of Cleaner Production, 296, 126364. https://doi.org/10.1016/j.jclepro.2021.126364
Aliano Filho, A., Cantane, D. R., Isler, P. R., & de Oliveira Florentino, H. (2023). An integrated multi objective mathematical model for sugarcane harvesting considering cumulative degree days. Expert Systems with Applications, 232, 120881. https://doi.org/10.1016/j.eswa.2023.120881.
Ambaye, T. G., Vaccari, M., Bonilla Petriciolet, A., Prasad, S., van Hullebusch, E. D., & Rtimi, S. (2021). Emerging technologies for biofuel production: A critical review on recent progress, challenges and perspectives. Journal of Environmental Management, 290, 112627. https://doi.org/10.1016/j.jenvman.2021.112627.
Arabi, M., & Yaghoubi, S. (2024). A Lagrangian relaxation approach for algae-based biofuel supply chain network design under uncertainty and pricing issue. Environmental Science and Pollution Research, 31(55), 64048-64068.
Asadi, E., Habibi, F., Nickel, S., & Sahebi, H. (2018). A bi objective stochastic location inventory routing model for microalgae based biofuel supply chain. Applied Energy, 228, 2235–2261. https://doi.org/10.1016/j.apenergy.2018.07.067.
Azar, A., & Raoufian, A. (2010). Optimization of quality function deployment using linear physical programming. Ministry of Science. Research, and Technology-Tarbiat Modares University.
Bahmani, P., Sadrabadi, M. H. D., Makui, A., & Jafari-Nodoushan, A. (2024). An optimization-based design methodology to manage the sustainable biomass-to-biodiesel supply chain under disruptions: a case study. Renewable Energy, 229, 120626.https://doi.org/10.1016/j.renene.2024.120626.
Chowdhury, P., Mahi, N. A., Yeassin, R., Chowdhury, N.-U.-R., & Farrok, O. (2025). Biomass to biofuel: Impacts and mitigation of environmental, health, and socioeconomic challenges. Energy Conversion and Management: X, 25, 100889. https://doi.org/10.1016/j.ecmx.2024.100889.
Ebrahimi, S. B., & Bagheri, E. (2022). Optimizing profit and reliability using a bi objective mathematical model for oil and gas supply chain under disruption risks. Computers & Industrial Engineering, 163, 107849. https://doi.org/10.1016/j.cie.2021.107849.
Fernández Puratich, H., Rebolledo Leiva, R., Hernández, D., Gómez Lagos, J. E., Armengot Carbo, B., & Oliver Villanueva, J. V. (2021). Bi objective optimization of multiple agro industrial wastes supply to a cogeneration system promoting local circular bioeconomy. Applied Energy, 300, 117333. https://doi.org/10.1016/j.apenergy.2021.117333.
Ganesan, T., Vasant, P., Sanghvi, P., Thomas, J., & Litvinchev, I. (2020). Random matrix generators for optimizing a fuzzy biofuel supply chain system. Journal of Advanced Engineering and Computation, 4(1), 33–50. https://doi.org/10.25073/jaec.202041.268.
Gital, Y., & Bilgen, B. (2024). Biomass supply chain network design under uncertainty, risk and resilience: A systematic literature review. Computers & Industrial Engineering, 197, 110270. https://doi.org/10.1016/j.cie.2024.110270.
Han, N., & Um, J. (2024). Risk management strategy for supply chain sustainability and resilience capability. Risk Management, 26(2), 1–26. https://doi.org/10.1057/s41283-023-00138-w.
Helal, M. A., Anderson, N., Wei, Y., & Thompson, M. (2023). A review of biomass to bioenergy supply chain research using bibliometric analysis and visualization. Energies, 16(3), 1187. https://doi.org/10.3390/en16031187.
Hsu, H.-Y., Hwang, M.-H., & Tsou, P.-H. (2023). Applications of BWM and GRA for evaluating the risk of picking and material-handling accidents in warehouse facilities. Applied Sciences, 13(3), 1263. https://doi.org/10.3390/app13031263.
Hosseinalizadeh, R., Shakouri, H., & Izadbakhsh, H. (2022). Planning for energy production from municipal solid waste: An optimal technology mix via a hybrid closed-loop system dynamics-optimization approach. Expert Systems with Applications, 199, 116929. https://doi.org/10.1016/j.eswa.2022.116929
Hu, Y., Wang, J., Yang, Y., Li, S., Wu, Q., Nepovimova, E., Zhang, X., & Kuca, K. (2024). Revolutionizing soil heavy metal remediation: Cutting-edge innovations in plant disposal technology. Science of The Total Environment, 918, 170577. https://doi.org/10.1016/j.scitotenv.2024.170577
Huang, X., Ji, L., Xie, Y., & Luo, Z. (2025). Robust optimization of regional biomass supply chain system design and operation with data-driven uncertainties. Food and Bioproducts Processing, 149, 176-189. https://doi.org/10.1016/j.fbp.2024.11.021.
Jakubowski, M. (2022). Cultivation potential and uses of Paulownia wood: A review. Forests, 13(5), 668. https://doi.org/10.3390/f13050668.
Jeswani, H. K., Chilvers, A., & Azapagic, A. (2020). Environmental sustainability of biofuels: A review. Proceedings of the Royal Society A, 476(2243), 20200351. https://doi.org/10.1098/rspa.2020.0351.
Kandpal, V., Jaswal, A., Santibanez Gonzalez, E. D., & Agarwal, N. (2024). Environmental impact assessment and sustainable energy transition. In Sustainable Energy Transition: Circular Economy and Sustainable Financing for Environmental, Social and Governance (ESG) Practices (pp. 273–288). Springer.
Karakosta, C., & Askounis, D. (2010). Developing countries' energy needs and priorities under a sustainable development perspective: A linguistic decision support approach. Energy for Sustainable Development, 14(4), 330–338. https://doi.org/10.1016/j.esd.2010.06.003.
Kiwjaroun, C., Tubtimdee, C., & Piumsomboon, P. (2009). LCA studies comparing biodiesel synthesized by conventional and supercritical methanol methods. Journal of Cleaner Production, 17(2), 143–153. https://doi.org/10.1016/j.jclepro.2007.04.014
Lewis, S. M., Gross, S., Visel, A., Kelly, M., & Morrow, W. (2015). Fuzzy GIS-based multi-criteria evaluation for US agave production as a bioenergy feedstock. GCB Bioenergy, 7(1), 84–99. https://doi.org/10.1111/gcbb.12100.
Maharana, D., Kommadath, R., & Kotecha, P. (2023). An innovative approach to the supply-chain network optimization of biorefineries using metaheuristic techniques. Engineering Optimization, 55(8), 1278–1295.
Momenitabar, M., Ebrahimi, Z. D., & Ghasemi, P. (2022). Designing a sustainable bioethanol supply chain network: A combination of machine learning and meta-heuristic algorithms. Industrial Crops and Products, 189, 115848.
Osmani, A., & Zhang, J. (2017). Multi-period stochastic optimization of a sustainable multi-feedstock second-generation bioethanol supply chain−A logistic case study in Midwestern United States. Land Use Policy, 61, 420–450. https://doi.org/10.1016/j.landusepol.2016.11.033.
Pan, A., Xu, S., & Zaidi, S. A. H. (2024). Environmental impact of energy imports: Natural resources income and natural gas production profitability in the Asia-Pacific Economic Cooperation Countries. Geoscience Frontiers, 15(2), 101756. https://doi.org/10.1016/j.gsf.2023.101756.
Qadir, S. A., Al-Motairi, H., Tahir, F., & Al-Fagih, L. (2021). Incentives and strategies for financing the renewable energy transition: A review. Energy Reports, 7, 3590–3606. https://doi.org/10.1016/j.egyr.2021.06.057.
Rafique, R., Jat, M., & Chudhery, M. A. Z. (2021). Bioenergy supply chain optimization for addressing energy deficiency: A dynamic model for large-scale network designs. Journal of Cleaner Production, 318, 128495. https://doi.org/10.1016/j.jclepro.2021.128495.
Ransikarbum, K., & Pitakaso, R. (2024). Multi-objective optimization design of sustainable biofuel network with integrated fuzzy analytic hierarchy process. Expert Systems with Applications, 240, 122586. https://doi.org/10.1016/j.eswa.2023.122586.
Savoji, H., Mousavi, S. M., Antucheviciene, J., & Pavlovskis, M. (2022). A robust possibilistic bi-objective mixed integer model for green biofuel supply chain design under uncertain conditions. Sustainability, 14(20), 13675. https://doi.org/10.3390/su142013675.
Sivamani, S., Selvakumar, S., Rajendran, K., & Muthusamy, S. (2019). Artificial neural network–genetic algorithm-based optimization of biodiesel production from Simarouba glauca. Biofuels, 10(3), 393–401. https://doi.org/10.1080/17597269.2017.1349272.
Suresh, S., Barboza, A. B., Ashwini, K., & Dinesha, P. (2025). Optimization of ANN Models Using Metaheuristic Algorithms for Prediction of Tailpipe Emissions in Biodiesel Engine. Heat Transfer, 54(2), 1189-1201. https://doi.org/10.1002/htj.22936.
Tan, Y., Wang, X., & Zheng, Y. (2018). Modeling and daily operation optimization of a distributed energy system considering economic and energy aspects. International Journal of Energy Research, 42(11), 3477–3495. https://doi.org/10.1002/er.4082.
Wang, S., Sun, L., & Iqbal, S. (2022). Green financing role on renewable energy dependence and energy transition in E7 economies. Renewable Energy, 200, 1561–1572. https://doi.org/10.1016/j.renene.2022.09.073.
Wassie, S. B. (2020). Natural resource degradation tendencies in Ethiopia: A review. Environmental Systems Research, 9(1), 1–29. https://doi.org/10.1186/s40068-020-00178-5.
Zarafati, M. E., & Golmohammadi, A. (2021). A mathematical model for optimization in biofuel supply chain network based on microalgae: A case study in Iran. Proceedings of the 1st National Conference on Optimization and New Solution Methods, Iran.
Zhang, Y., & Jiang, Y. (2017). Robust optimization on sustainable biodiesel supply chain produced from waste cooking oil under price uncertainty. Waste Management, 60, 329-339.
  https://doi.org/10.1016/j.wasman.2016.11.004.
Zhou, T., Li, Z., Aviso, K. B., Tan, R. R., Jia, X., & Wang, F. (2024). Multi-objective optimization of straw-based bio-natural gas supply chains considering cost, CO2 emission, and safety. Journal of Cleaner Production, 449, 141759. https://doi.org/10.1016/j.jclepro.2023.141759.
Ziolkowska, J. R. (2014). Optimizing biofuels production in an uncertain decision environment: Conventional vs. advanced technologies. Applied Energy, 114, 366–376. https://doi.org/10.1016/j.apenergy.2013.09.066.
 Haghighi, A., & Babapour, A. (2018). Using renewable energy as an effective way to reduce environmental pollution. Renewable and New Energy.
Ghadge, A., Er Kara, M., Moradlou, H., & Goswami, M. (2020). The impact of Industry 4.0 implementation on supply chains. Journal of Manufacturing Technology Management, 31(4), 669-686.https://doi.org/10.1108/JMTM-10-2019-0368
Mignogna, D., Szabó, M., Ceci, P., & Avino, P. (2024). Biomass energy and biofuels: perspective, potentials, and challenges in the energy transition. Sustainability, 16(16), 7036. https://doi.org/10.3390/su16167036

Files

Share

How to cite

Statistics