Simulation-Based Digital Twin for Resilience Analysis of the Protein Supply chain

Document Type : Persian Research paper

Authors

1 Department of Industrial Engineering, Malek Ashtar University of Technology, Tehran, Iran.

2 School of Industrial Engineering, Iran University of Science and Technology, Tehran, Iran.

Abstract

Purpose: Resilience has become a strategic imperative in food supply chains, particularly for protein products where perishability, tight delivery windows, and demand volatility intensify the impacts of disruptions. In such environments, even short-lived shocks can cascade through upstream sourcing, cross-docking throughput, and last‑mile distribution, resulting in significant service deterioration and extended recovery periods. This study develops and applies a simulation‑based supply chain Digital Twin to evaluate resilience performance in a protein product distribution network under both normal operations and multiple disruption scenarios. The research addresses four objectives: (i) replicating a real‑world network structure with multiple suppliers, a cross‑docking facility, and multiple customers; (ii) quantifying resilience using operational and recovery‑focused indicators; (iii) comparing the differential effects of demand, supply, cross‑dock capacity, and transportation disruptions; and (iv) identifying structural bottlenecks that hinder full post‑disruption restoration to derive actionable resilience levers.
Design/methodology/approach: A scenario‑driven, simulation‑based Digital Twin prototype was implemented in anyLogistix using empirical inputs from the focal firm. Four disruption scenarios were designed to reflect salient risks in protein logistics. Performance was evaluated before, during, and after disruptions using ELT service‑level trajectories and recovery indicators. A sensitivity analysis was also conducted on demand‑shock intensity to assess system stability thresholds.
Findings: The experiments reveal substantial heterogeneity in disruption consequences and recovery dynamics. Under baseline conditions, the network maintains high service performance; however, all disruptions cause measurable degradation. The demand‑surge scenario leads to rapid service erosion and backlog accumulation, and the system fails to restore pre‑shock service levels even after external demand normalizes. This “non‑recovery” behavior indicates that resilience is constrained not only by the disruption trigger but also by endogenous capacity limits in processing and distribution. The cross‑dock disruption produces similarly persistent performance losses: reduced throughput generates congestion, disrupts flow continuity, and results in incomplete recovery. These findings identify the cross‑docking node as a dominant structural bottleneck in the studied protein supply chain. By contrast, the supply disruption lowers service levels and lengthens recovery time, yet the network ultimately converges to a stable state once upstream capacity is restored, suggesting conditional resilience when sufficient time is available for replenishment.
Research limitations/implications: The study is limited by its focus on a single case network and by the Digital Twin’s current implementation as an offline simulation model rather than a real‑time, synchronized system. The anyLogistix PLE environment also restricts model scalability and limits access to advanced optimization features. Future research should integrate simulation–optimization for automated policy selection, examine compound and correlated disruptions, expand performance metrics to include cost, spoilage, and emissions, and develop real‑time data integration to operationalize the Digital Twin for continuous decision support.
Practical implications: The proposed Digital Twin enables managers to stress‑test resilience policies before committing to costly implementation. The observed non‑recovery phenomenon suggests that eliminating a disruption source is insufficient without establishing structural capacity buffers. Recommended interventions include increasing cross‑dock throughput flexibility, strengthening fleet redundancy, adopting multi‑sourcing for critical items, calibrating safety stock for high‑variability demand, and implementing dynamic rerouting and resource reallocation. AI‑enabled demand forecasting can further provide early warnings and trigger proactive responses, reducing emergency logistics costs and service failures.
Social implications: Protein supply continuity is closely tied to food security and public welfare. Enhanced resilience reduces the likelihood of shortages and delivery delays during crises or demand surges, while timely distribution also minimizes spoilage and waste, supporting sustainability goals and strengthening public trust.
Originality/value: This paper contributes a structured, scenario‑based Digital Twin methodology for resilience assessment in a real protein supply chain, integrating recovery‑focused indicators (ELT service level, recovery time, TTR) and demonstrating how cross‑docking and transportation constraints can induce non‑recovery. The framework offers a replicable research design and practical decision‑support tool for perishable food supply networks.

Keywords

Main Subjects

Full Text

1- مقدمه

1-1 بهینه‎‍سازی و شبیه‎‍سازی: ابزارهای بهبود تاب‎‍آوری

مدل‌سازی شبیه‌سازی پویا و بهینه‌سازی تحلیلی، دو فناوری غالب در مدیریت ریسک زنجیرۀ تأمین‎‍اند. با کمک رویکردهای بهینه‌سازی و شبیه‌سازی، شرکت‌ها‎‍ دانش جدیدی را دربارۀ تأثیر انتشار اختلال بر عملکرد خروجی شبکه با در نظر گرفتن مکان، مدت‎‍زمان و سیاست‌های بازیابی اختلال ایجاد می‎‍کنند.

مدل‌های بهینه‌سازی، شبکه را بر‎‍حسب جریان کالا بین تسهیلات توصیف می‌کنند. این مدل‌ها از روش‌های برنامه‌ریزی ریاضی خطی یا غیرخطی و همچنین برنامه‌ریزی عدد صحیح مختلط استفاده می‌کنند. این مدل‎‍ها، با تغییر پارامترهایی مانند باز‎‍‎‍ و بسته ‎‍شدن سایت، تحلیل تأثیر اختلالات بر عملکرد زنجیرۀ تأمین را امکان‎‍پذیر می‎‍کنند. مدل‌های بهینه‌سازی برای چندین محصول و دوره‌های متعدد، به ارزیابی افزونگی، مانند تأمین‌کنندگان پشتیبان، ظرفیت رزرو‎‍شده‎‍ و موجودی کاهش ریسک کمک می‎‍کنند. هنگامی که تسهیلات مختل در حال کار نیست، تقاضا را با قیمت‎‍های بالاتر برآورده می‎‍کنند.

از بهینه‎‍سازی برای توسعۀ وضعیت جغرافیایی شبکۀ تاب‎‍آور استفاده می‎‍شود که واکنش سریع و بازیابی را در صورت مواجهه با اختلال، امکان‎‍پذیر می‎‍کند. این نوع تحلیل در سطح تصمیم‎‍گیری استراتژیک مؤثر است.

مدل‌های شبیه‌سازی برای مطالعۀ انتشار اختلال و اثر موجی در چندین سطح استفاده می‌شوند. یکی از مزیت‌های اصلی آن، این است که مدل‌های شبیه‌سازی، عملیات بلادرنگ و در‎‍نتیجه طول اختلال را هنگام ارزیابی سیاست‌های بازیابی در نظر می‌گیرند. با افزودن پویایی‎‍ها به مدل، مانند تغییرات رفتار موقعیتی، مدل‌های شبیه‌سازی اجازه می‌دهند دید عمیق‌تری از عملیات شبکه، نسبت‎‍به بهینه‌سازی داشته باشند.

مطالعات شبیه‌سازی به‌طور گسترده، برای مدل‌سازی و اندازه‌گیری پدیده‌هایی انجام شده است که با استفاده از بهینه‌سازی یا مدل‌سازی مبتنی بر صفحه‌‎‍ی گسترده ثبت نمی‎‍شود؛ برای مثال:

اختلال حمل‌ونقل در زنجیره‌های تأمین چند‎‍سطحی برای آشکار‎‍کردن تأثیر اثر موجی بر نرخ تحقق و نوسانات موجودی؛

اختلال در ظرفیت تأمین‎‍کننده با یا بدون سیاست‎‍های بازیابی و تأثیر آنها بر سطح خدمات زنجیرۀ تأمین؛

اختلال در ظرفیت تولید، با برآورد کمّی ریسک‎‍های مخرب، محاسبۀ هزینه‎‍ها و هفته‎‍های بازیابی.

معمولاً مدل‌های بهینه‌سازی اختلالات فقط یک عنصر معین شبکه (مثلاً سایت) را در نظر می‌گیرند و فرض می‌کنند که دیگر عناصر تحت تأثیر اختلال قرار نمی‌گیرند و طبق برنامه‌ریزی، به کار خود ادامه می‌دهند؛ این یعنی پیچیدگی دنیای واقعی به‎‍طور درخور توجهی کاهش می‎‍یابد تا راه‌حل‌های ریاضی عملی‎‍ در یک زمان معقول به دست آید. ازلحاظ ذاتی، نمایش تصادفی‎‍بودن و جنبه‌های مربوط به زمان اختلالات و اقدامات بازیابی در اشکال بستۀ معادلات ریاضی دشوار است و فقط با استفاده از مدل‎‍سازی شبیه‎‍سازی پویا نشان داده می‎‍شود. ترکیبی از شبیه‎‍سازی و بهینه‎‍سازی، دامنۀ هر‎‍یک از آنها را گسترش می‎‍دهد. ترکیب روش‎‍ها باعث دو گزینۀ زیر می‎‍شود:

بهینه‎‍سازی شبکه برای به حداقل رساندن هزینۀ کل زنجیرۀ تأمین؛

تحلیل پویای سیاست‌های کنترل سفارش، تولید، موجودی و منبع‌یابی با استفاده از شبیه‌سازی.

شبیه‎‍سازی ابزار جدیدتری است و به‎‍ویژه هنگامی قدرتمند است که با بهینه‎‍سازی ترکیب می‎‍شود. تعداد بیشتری از مدیران زنجیرۀ تأمین، اکنون در حال استفاده از این تکنیک‎‍ها با‎‍هم هستند.

1-2 همزادهای دیجیتال: شبیه‎‍سازی + بهینه‎‍سازی + تحلیل داده‎‍ها

همزاد دیجیتال، یک نمایش مجازی پویا از یک شیء یا سیستم فیزیکی، با استفاده از داده‎‍های بلادرنگ برای درک، یادگیری و استدلال تعریف می‎‍شود (Bolton et al., 2018). ترکیبی از شبیه‌سازی، بهینه‌سازی و تحلیل داده‌ها، مجموعۀ کاملی از فناوری‌های مورد نیاز برای ایجاد مدلی برای همزاد دیجیتال زنجیرۀ تأمین را تشکیل می‌دهد. ادغام این مدل با یک جریان دادۀ زنده، وضعیت شبکه را به شکل کنونی آن نشان می‎‍دهد (شکل 1).

تعدادی از تحقیقات علمیIvanov et al., 2019; Ivanov & Dolgui, 2019; Popkov & Zherebtscov, 2019)  Ivanov, 2024;)، نشان می‎‍دهند که شبیه‌سازی استراتژیک زنجیرۀ تأمین، که شامل مدل‎‍های بهینه‎‍سازی و تجزیه و تحلیل داده‌هاست، همزاد دیجیتال زنجیرۀ تأمین است. این دیدگاه، بازتابی از شیوۀ رایج برنامه‌ریزی و مدل‎‍سازی زنجیره‌های تأمین است؛ اما نتیجۀ درک علمی از مفهوم همزادهای دیجیتال زنجیرۀ تأمین نیست (Klochkov et al., 2021).

همزاد دیجیتال، وضعیت جاری یک زنجیرۀ تأمین را با داده‎‍های حمل و نقل، موجودی، تقاضا و ظرفیت واقعی نشان می‎‍دهد؛ برای مثال، اگر‎‍ حمله‎‍ای به یک مرکز لجستیک بین‌المللی رخ دهد، این اختلال با ابزار نظارت بر داده‌های ریسک شناسایی و به‎‍عنوان یک رویداد مخرب، به مدل شبیه‌سازی منتقل می‎‍شود؛ سپس‎‍ شبیه‌سازی در همزاد دیجیتال، به نشان‎‍دادن انتشار اختلال و مقدار تأثیر آن کمک می‎‍کند.

شکل 1- شیوۀ کار همزاد دیجیتال زنجیرۀ تأمین

Fig. 1- How the Digital Twin of the Supply Chain Works

همزاد دیجیتال در تعامل با دیگر ابزارهای مدیریت زنجیرۀ تأمین، یک برج کنترل برای نظارت سراسری بر زنجیرۀ تأمین فراهم می‎‍کند. با استفاده از همزادهای دیجیتال، مدیران‎‍ زنجیره‌های تأمین خود را از‎‍نظر ریسک‌ها و تاب‎‍آوری، به‌طور کلی ارزیابی می‎‍کنند و چابکی خود را بهبود می‎‍بخشند.

ایجاد زنجیرۀ تأمین تاب‌آور، به معنای یافتن تعادلی از استحکام و چابکی است. هر دوی این‌ها به‎‍عنوان زیرساختی در برابر عدم قطعیت عمل می‎‍کنند و باید هنگام برنامه‌ریزی به آنها توجه شود.

استحکام از‎‍طریق هزینه‌های اولیه، که افزونگی را افزایش می‎‍دهد، به دست می‌آید؛ مانند افزایش موجودی، ظرفیت تولید اضافی، تأمین حمل و نقل جایگزین و موارد دیگر. در مقابل، این افزونگی‌ها فروش بی‌وقفه و سطوح خدمات پایدار را تضمین می‌کنند و هزینۀ اختلال را کاهش می‌دهند. علاوه بر این، عناصر استحکام، اجرای برنامه را تسهیل می‌کنند و به این ترتیب، خطر اختلال را کاهش می‌دهند؛ در‎‍نتیجه، دستیابی به اهدافی مانند تحویل به‌موقع، آسان‌تر انجام می‎‍شود‎‍ که بر سطح فروش و خدمات نیز، تأثیر مثبتی دارد. همچنین ممکن است افزونگی در زنجیرۀ تأمین، چابکی را بهبود بخشد و تأثیر مثبتی بر سطح خدمات و هزینه‎‍ها بگذارد.

شبیه‌سازی و بهینه‌سازی دو روشی‎‍اند که زنجیره‌های تأمین را از‎‍نظر توانایی آنها در کاهش تأثیر عدم قطعیت و حفظ استحکام، تقویت می‎‍کنند. آنها امکان آزمون استراتژی‌های مدیریت را تحت ریسک‌های مخرب و اثر موجی فراهم می‌کنند.

بهینه‌سازی در طول مراحل طراحی و برنامه‌ریزی شبکه، به بهترین وجه به ‌کار می‌رود. این طراحی استراتژیک و برنامه‌های تاکتیکی از‎‍طریق مدل‌های شبیه‌سازی بهبود داده می‎‍شود که از پویایی عملیات، از‎‍جمله اجرا و بازیابی تقلید می‌کنند‎‍. علاوه بر این‎‍ مدل‌های شبیه‌سازی، امکان مشاهدۀ پویای شاخص‌های کلیدی عملکرد مرتبط با ریسک، مانند قابلیت اطمینان تأمین‌کننده، زمان بازیابی، تأثیر عملکرد اثر موجی، نرخ پر‎‍کردن‎‍ و تاب‌آوری کلی سیستم را فراهم می‌کنند.

روش‌های مدل‌سازی شبیه‌سازی به ما اجازه می‌دهد تا جزئیات و ویژگی‌های خاص عناصر زنجیرۀ تأمین را در نظر بگیریم؛ این نه‎‍تنها امکان تصویرسازی عملیات شبکه را فراهم می‌کند، برای ردیابی هر فرآیند در داخل نیز امکانی ایجاد می‎‍کند. علاوه بر این، استفاده از شبیه‌سازی ما را قادر می‎‍کند تا تأثیر اختلالات مختلف و سیاست‌های بازیابی را در طی زمان مشاهده کنیم و کاهش و بازیابی تدریجی ظرفیت را در نظر بگیریم. با ایجاد تغییرات در یک زنجیرۀ تأمین شبیه‌سازی‌شده، درک پویایی شبکۀ فیزیکی ممکن می‌شود.

در سطح تصمیم‌گیری تاکتیکی، تحلیل مبتنی بر مدل‌های شبیه‌سازی برای برنامه‌ریزان عملیات زنجیرۀ تأمین و توزیع‌کنندگان، اهمیت زیادی دارد. در عین حال، روش‌های بهینه‌سازی، پشتیبانی از تصمیم دقیقی را برای مدیران زنجیرۀ تأمین در سطح راهبردی، فراهم می‌کنند.

همزاد دیجیتال نه‎‍تنها یک مفهوم فناورانه، یک چارچوب تحلیلی برای بازنمایی رفتار پویای زنجیرۀ تأمین نیز در نظر گرفته می‌شود. در این چارچوب، تمرکز اصلی بر توان مدل در بازتولید تعاملات بین اجزای شبکه، جریان کالا و واکنش سیستم به اختلالات مختلف است. برخلاف تعاریف کلی که بر اتصال بلادرنگ تأکید دارند، در این مطالعه همزاد دیجیتال به‌صورت یک مدل شبیه‌سازی‌محور توسعه یافته است که امکان تحلیل سناریوها و آزمون سیاست‌های مدیریتی را فراهم می‌‎‍کند.

تحلیل اختلالات در زنجیرۀ تأمین، نیازمند رویکردی است که آثار تجمعی و وابستگی‌های زمانی را منعکس کند. شبیه‌سازی این امکان را فراهم می‌آورد که پیامدهای یک اختلال محدود، در طول شبکه و در بازه‌های زمانی مختلف، دنبال شود. در پژوهش حاضر، شبیه‌سازی‎‍ ابزار اصلی برای بررسی واکنش شبکه به شوک‌های تقاضا، تأمین و حمل‌ونقل به کار رفته و نتایج آن، مبنای تحلیل تاب‌آوری قرار گرفته است.

تاب‌آوری زنجیرۀ تأمین در این پژوهش، به‌صورت توان شبکه برای حفظ سطح خدمت و بازیابی عملکرد پس از اختلال تفسیر می‌شود. همزاد دیجیتال شبیه‌سازی‌محور، بستر لازم را برای مشاهدۀ این رفتار ‎‍در طول زمان فراهم می‌کند. با استفاده از این رویکرد، اثر اختلالات نه به‌صورت ایستا، در قالب تغییرات تدریجی موجودی، جریان کالا و تأخیر تحویل تحلیل می‎‍شود. این ویژگی، همزاد دیجیتال را به ابزار‎‍ مناسبی برای مطالعۀ تاب‌آوری عملیاتی تبدیل می‌کند.

در سال‌های اخیر، زنجیرۀ تأمین محصولات پروتئینی در ایران، با چالش‌هایی همچون نوسان تقاضا، محدودیت ظرفیت‌های سردخانه‌ای، ناپایداری عرضه و حساسیت شدید به اختلالات حمل‌ونقل مواجه بوده است. این شرایط، نیاز به ابزارهایی برای ارزیابی رفتار شبکه در وضعیت‌های غیرعادی و طراحی سیاست‌های تاب‌آور را بیش از پیش برجسته می‎‍کند. یکی از رویکردهای نوین برای تحلیل رفتار سیستم‌های پیچیده، بهره‌گیری از همزادهای دیجیتال مبتنی بر شبیه‌سازی است که امکان مشاهده، ارزیابی و آزمایش سناریوهای مختلف را پیش از وقوع واقعی، فراهم می‌آورد.

در این پژوهش‎‍ با تکیه بر داده‌های واقعی، یک زنجیرۀ تأمین محصولات پروتئینی و استفاده از پلتفرم anyLogistix، یک مدل شبیه‌سازی‌محور طراحی شده است تا رفتار شبکه در شرایط عادی و تحت اختلال، به‌صورت دقیق و‎‍ مقایسه‎‍پذیر بررسی شود. شایان ذکر است که همزاد دیجیتال ارائه‌شده در این مطالعه،‎‍ نمونۀ اولیۀ مبتنی بر شبیه‌سازی است و پیاده‌سازی قابلیت‌های بلادرنگ[i]‎‍، مسیر توسعۀ آتی در نظر گرفته شده است.

مسئلۀ اصلی پژوهش حاضر، ارزیابی اثر اختلالات مختلف بر تاب‌آوری زنجیرۀ تأمین محصولات پروتئینی و شناسایی گلوگاه‌های شبکه با استفاده از یک همزاد دیجیتال شبیه‌سازی‌محور است. در این چارچوب، چند سناریوی اختلال شامل افزایش تقاضا، کاهش ظرفیت تأمین، اختلال در عملیات انبار متقاطع و خرابی ناوگان حمل‌ونقل تحلیل شده و شاخص‌های کلیدی عملکرد، همچون سطح خدمت و زمان بازیابی‎‍‎‍ ارزیابی شده‎‍اند. این رویکرد امکان ارائۀ بینش‌های عملی را برای تصمیم‌گیرندگان صنعت مواد غذایی و طراحی سیاست‌های بهبود تاب‌آوری شبکه‎‍ فراهم می‌کند.

اختلالات‎‍ بررسی‎‍شده در این پژوهش بر‎‍اساس ویژگی‌های عملیاتی زنجیرۀ تأمین محصولات پروتئینی انتخاب شده‌اند. افزایش ناگهانی تقاضا، کاهش ظرفیت تأمین، محدودیت پردازش در انبار متقاطع و اختلال در ناوگان حمل‌ونقل از‎‍جمله عواملی‎‍اند که در عمل بیشترین تأثیر را بر عملکرد این نوع زنجیره‌ها دارند. انتخاب این سناریوها با هدف بازنمایی شرایط واقعی و شناسایی گلوگاه‌های شبکه انجام شده است.

2- مبانی نظری

2-1 مرور پیشینۀ پژوهش

یک همزاد دیجیتال، وضعیت شبکه را برای هر لحظۀ معین از زمان نشان می‎‍دهد و برای بهبود تاب‌آوری و آزمایش طرح‌های اضطراری، امکان دستیابی کامل به یک دید سراسری از زنجیرۀ تأمین را فراهم می‎‍کند. پذیرش همزادهای دیجیتال قرار است در آیندۀ نزدیک بسیار افزایش یابد و کارایی مدیریت زنجیرۀ تأمین را به‎‍طور چشمگیری بهبود بخشد.

به‎‍طور کلی‎‍ بیشترین مزایا، از طراحی و تحلیل زنجیرۀ تأمین‎‍ حاصل می‌شود که هم روش‌های بهینه‌سازی تحلیلی و هم روش‌های مدل‌سازی شبیه‌سازی پویا را دارند و هم امکان ادغام آسان با دیگر سیستم‌ها را فراهم می‌کنند.

تحقیقات اخیر نقش همزاد دیجیتال را در بهبود مدیریت زنجیره‌های تأمین پیچیده، برجسته کرده‌اند. این فناوری با شبیه‌سازی لحظه‌ای فرآیندها، امکان تصمیم‌گیری دقیق‌تر را فراهم می‌کند و تاب‌آوری سیستم‌ها را افزایش می‌دهد (Schuster et al., 2024).

مطالعۀ مارمولخو-سوسدو و اوسورنیو[ii] (2021)، پیشنهادی را به‎‍جهت طراحی یک زنجیرۀ تأمین تاب‌آور برای شرکتی در بخش سوخت در مکزیک ارائه می‌دهد. آنها یک تکنیک شبیه‌سازی-بهینه‌سازی پویا را با استفاده از نرم‌افزارهای تخصصی، برای آزمایش پیشنهادهای مختلف پیکربندی شبکه پیشنهاد داده‌اند. مکان یک مرکز توزیع جدید و پیشنهاد مسیریابی وسایل نقلیه برای بهینه‌سازی توزیع سوخت در مطالعۀ آنها‎‍ تجزیه و تحلیل شده است.

مطالعۀ الشهرانی و الغمدی‎‍[iii] (2024)، یک چارچوب مبتنی بر گراف را برای پیاده‌سازی همزاد دیجیتال در زنجیرۀ تأمین ارائه کرده است که‎‍ به بهینه‌سازی تصمیمات استراتژیک و عملیاتی کمک می‎‍کند.

لیو و نیشی[iv] (2024) با استفاده از الگوریتم‌های تکاملی مبتنی بر داده،‎‍ بهینه‌سازی موجودی در زنجیره‌های تأمین چندسطحی را بررسی کردند که نتایج آن نشان‌دهندۀ افزایش کارایی و کاهش هزینه‌ها بود.

ژانگ و لیو[v] (2023) در یک مطالعۀ جدید، رویکرد‎‍ ترکیبی از یادگیری عمیق و شبیه‌سازی را برای شناسایی اختلالات در همزاد دیجیتال زنجیرۀ تأمین ارائه دادند که دقت پیش‌بینی اختلالات را به شکل چشمگیری افزایش داد.

مطالعۀ‎‍ مولر و همکاران[vi] (2023)، همزاد دیجیتال را برای زنجیرۀ تأمین مواد غذایی، با هدف تمرینات سایبری طراحی و بر اهمیت امنیت اطلاعات در سیستم‌های دیجیتالی‌شده تأکید کرد.

ایوانف و همکاران[vii] (2023) با استفاده از یک مدل شبیه‌سازی ترکیبی، تأثیر تقاضای متغیر را در دوران بحران کووید-۱۹ ‎‍بر تاب‌آوری زنجیرۀ تأمین بررسی و به نیاز به سازوکارهای تطبیقی اشاره کردند.

یک پژوهش از چِن[viii] (2024) در حوزۀ صنایع دارویی است که کاربرد همزاد دیجیتال را برای مقابله با اثر موجی بررسی ‎‍و آن را ابزار مؤثری برای افزایش چابکی عملیاتی معرفی کرده است.

در یک گزارش صنعتی، سیمول[ix] (2024) به نقش همزاد دیجیتال در بازطراحی شبکه‌های زنجیرۀ تأمین و ارزیابی سناریوهای بهینه‌سازی اشاره کرده است که نشان‌دهندۀ کاربرد عملی این فناوری است.

لیو و وانگ [x] (2023) در مروری سیستماتیک، کاربردهای فعلی همزاد دیجیتال را در زنجیره‌های تأمین پایدار، بررسی کرده و عواملی چون شفافیت داده، تعامل بلادرنگ و مدل‌سازی چندبُعدی را کلید موفقیت آن دانسته‌اند.

در مطالعه‌ای که بر‎‍ محصولات فاسدشدنی انجام شد، وانگ و ژائو[xi] (2023) از یک مدل همزاد دیجیتال برای بهینه‌سازی مقاوم بلادرنگ استفاده کرده‌اند که به کاهش تلفات و بهبود پاسخ‌گویی به نوسانات تقاضا منجر شد.

مطالعۀ چیدوزی و همکاران[xii] (2024) نشان می‌دهد که استفاده از رویکردهای شبیه‌سازی ترکیبی و داده‌های مکانی، نقش مهمی در بهینه‌سازی زنجیرۀ تأمین زیست‌توده دارند.

هم‌زمان با همه‌گیری کووید-۱۹، پژوهشگران تاب‌آوری زنجیرۀ تأمین را در صنایع مختلف، از‎‍جمله خرده‌فروشی مواد غذایی بررسی کردند. یافته‌ها نشان می‌دهد که شدت بحران، رفتارهای مشتریان و سیاست‌های قرنطینه، از عوامل کلیدی ‎‍ اختلال عملکرد این زنجیره‌ها بوده‌اند. در این میان، استفاده از مدل‌سازی شبیه‌سازی گسسته و همزادهای دیجیتال، بینش دقیقی را از پویایی عملیات و هزینه‌ها ارائه داده است (Burgos & Ivanov, 2021). این مطالعات، بر اهمیت مدیریت انعطاف‌پذیر تقاضا، موجودی و ظرفیت در شرایط بحرانی تأکید دارند.

لی و همکاران[xiii] (2025)، رابطۀ بین تاب‌آوری زنجیرۀ تأمین[xiv] و عملکرد پایدار زنجیرۀ تأمین[xv] را در چارچوب صنعت ساخت و ساز چین بررسی کردند. نتایج مطالعۀ آنها نشان داده است که قابلیت‌های پویا، به‎‍ویژه توانایی تصرف و پیکربندی مجدد، واسطه‌های حیاتی در رابطۀ تاب‌آوری-پایداری‎‍اند؛ در حالی که حسگری اثر واسطه‌ای درخور توجهی ندارد.

در این مقاله، بر اهمیت همزادهای دیجیتال و رؤیت‌پذیری سراسری زنجیرۀ تأمین همراه با مدیریت تاب‌آور تقاضا، موجودی و ظرفیت تأکید می‌کنیم. نتایج این مطالعه‎‍ برای افزایش تاب‌آوری زنجیره‌های تأمین صنایع غذایی در آماده‌سازی برای اختلالاتی آموزنده است که در آینده امکان رخ‎‍دادنشان وجود دارد‎‍. این مطالعه نشان می‌دهد که همزاد دیجیتال، ابزار‎‍ مؤثری برای مدیریت ریسک و افزایش تاب‌آوری زنجیره‌های تأمین در برابر چالش‌های آینده به کار گرفته می‎‍شود.

بخش‌های این مقاله به این صورت سازمان‎‍دهی شده‌اند: بخش 3 روش‌شناسی این مطالعه، یعنی نرم‌افزار anyLogistix را ارائه می‌کند که قابلیت شبیه‌سازی، بهینه‌سازی، تحلیل داده‌ها، ایجاد همزاد دیجیتال از زنجیرۀ تأمین، اجرای آزمون تحلیل ریسک و بررسی و تحلیل سناریوهای اختلال در زنجیرۀ تأمین را دارد؛ بخش 4، مورد مطالعۀ این پژوهش را معرفی می‎‍کند. هدف این بخش، مدل‎‍سازی همزاد دیجیتال زنجیرۀ تأمین محصولات پروتئینی و استفاده از رویکرد ترکیبی شبیه‌سازی و بهینه‌سازی برای ایجاد یک زنجیرۀ تأمین تاب‌آور است. یافته‌های این بخش،‎‍ آزمون تحلیل ریسک و بررسی سناریوی اختلال در زنجیرۀ تأمین‎‍ مطالعه‎‍شده را به‎‍همراه تحلیل شاخص‌های کلیدی سناریوی اختلال بررسی می‎‍کند. تحلیل نتایج شبیه‌سازی در شرایط اختلال و ارائۀ راهکارهای افزایش تاب‌آوری زنجیرۀ تأمین، در بخش 5 ارائه شده است. در‎‍نهایت مقاله با نتیجه‌گیری و ارائۀ پیشنهادها برای تحقیقات آتی خاتمه می‌یابد.

2-2 شکاف تحقیقاتی و نوآوری پژوهش

این بخش جایگاه پژوهش حاضر را در پیشینۀ موضوع به‌طور شفاف، مشخص می‎‍کند و نشان می‌دهد این مطالعه چگونه خلأهای عملیاتی و نظری موجود را پوشش می‌دهد.

مرور پیشینۀ موضوع در حوزۀ تاب‌آوری زنجیرۀ تأمین، شبیه‌سازی، همزاد دیجیتال و تحلیل اختلالات نشان می‌دهد که اگرچه مطالعات متعددی پویایی اختلالات، سناریوسازی ریسک و کاربرد مدل‌های شبیه‌سازی–بهینه‌سازی را بررسی کرده‎‍اند، همچنان چند خلأ مهم در پیشینه وجود دارد که پژوهش حاضر آنها را بررسی می‎‍کند.

بیشتر پژوهش‌های موجود در حوزۀ همزاد دیجیتال زنجیرۀ تأمین، بر صنایع تولیدی با ساختارهای استاندارد یا شبکه‌های لجستیکی عمومی تمرکز دارند و مطالعات بسیار اندکی،‎‍ زنجیره‌های غذایی و به‌ویژه محصولات پروتئینی را بررسی کرده‎‍اند؛ درحالی‌که این زنجیره‌ها به‎‍دلیل فسادپذیری بالا، محدودیت ظرفیت سردخانه‌ای و حساسیت شدید به نوسانات تقاضا، رفتار کاملاً متفاوتی نسبت‎‍به دیگر شبکه‌ها دارند؛ بنابراین، فقدان مدل‌های همزاد دیجیتال شبیه‌سازی‌شده برای زنجیره‌های پروتئینی، یک شکاف پژوهشی درخور توجه است.

بخش عمدۀ مطالعات مرتبط با تاب‌آوری زنجیرۀ تأمین، بر سناریوهای تک‌بعدی مانند اختلال تأمین یا اختلال حمل‌ونقل تمرکز دارند؛ اما به بررسی هم‎‍زمان چند نوع اختلال مانند افزایش ناگهانی تقاضا، کاهش ظرفیت تأمین، محدودیت در انبار متقاطع و خرابی ناوگان حمل‌ونقل، کمتر‎‍ توجه شده است. پژوهش حاضر این خلأ را با تعریف و تحلیل مجموعه‌ای از سناریوهای چندبعدی و مقایسۀ رفتار شبکه در مقابل هر‎‍یک برطرف می‌کند.

در بسیاری از مطالعات کلاسیک، نظیر پژوهش‌های ایوانف[xvi] (2020)، ایوانف و دولگی[xvii] (2021)، لونگو و همکاران[xviii] (2019)، لیو و همکاران[xix] (2018)‎‍، مدل‌ها عمدتاً مبتنی بر شبیه‌سازی رویدادگسسته یا چارچوب‌های تئوریک‎‍اند و کمتر از پلتفرم‌های کاربردی یکپارچه مانند anyLogistix برای ترکیب تحلیل ریسک، سیاست‌های حمل‌ونقل، ساختار شبکه و سنجش هم‎‍زمان چند شاخص عملکردی استفاده شده است. در این پژوهش، تلفیق قابلیت‌های شبیه‌سازی و تحلیل ریسک در محیط ‎‍anyLogistix، ابزاری را فراهم کرده است که‎‍ اثر اختلالات را از زاویه‌های مختلف ارزیابی می‎‍کند؛ رویکردی که در پیشینه کمتر مشاهده می‌شود.

اگرچه تعداد زیادی از مطالعات، مفهوم بازیابی[xx] و زمان بازیابی[xxi] را در سطح مفهومی بیان کرده‌اند، شبیه‌سازیِ سازوکار واقعی بازیابی و محاسبۀ تجربی زمان بازیابی در شبکه‌های صنایع غذایی، هنوز در پیشینه به‌صورت محدود انجام شده است. پژوهش حاضر با تعریف سازوکارهای بازیابی و سنجش شاخص‌های مرتبط، این خلأ را پوشش می‌دهد.

در‎‍نهایت، پیشینۀ موجود کمتر یک مدل نمونۀ ‌اولیۀ[xxii] همزاد دیجیتال را بررسی کرده است که در زنجیرۀ تأمین واقعی و بر مبنای داده‌های عملیاتی به ‌کار گرفته می‎‍شود. در این مطالعه، یک مدل همزاد دیجیتال شبیه‌سازی‌محور توسعه یافته است که ضمن استفاده از داده‌های واقعی، امکان تحلیل وضعیت عادی و تحت اختلال و ارزیابی سناریوهای مختلف سیاستی را فراهم می‌کند.

 

 

بر این اساس، نوآوری‌های اصلی پژوهش حاضر، در سه محور زیر خلاصه می‎‍شود:

نوآوری روش‌شناختی: توسعۀ یک همزاد دیجیتال شبیه‌سازی‌محور برای زنجیرۀ تأمین محصولات پروتئینی با استفاده از پلتفرم یکپارچۀ AnyLogistix و ترکیب قابلیت‌های تحلیل ریسک، سنجش سطح خدمت و محاسبۀ زمان بازیابی؛‎‍‎‍

نوآوری کاربردی: تحلیل سناریوهای اختلال (افزایش تقاضا، اختلال تأمین، محدودیت انبار، خرابی ناوگان) و شناسایی گلوگاه‌های ظرفیت‌محور در زنجیرۀ تأمین مواد غذایی؛

نوآوری علمی: ارائۀ یک نمونۀ اولیۀ‎‍ توسعه‎‍پذیر از همزاد دیجیتال برای زنجیره‌های صنایع غذایی که مبنایی برای طراحی سامانه‌های بلادرنگ و تصمیم‌یار در این حوزه‎‍اند.

3- روش‌شناسی پژوهش

3-1 فرموله‌سازی مسئله

به‌منظور تحلیل رفتار زنجیرۀ تأمین محصولات پروتئینی تحت سناریوهای مختلف اختلال، یک مدل شبیه‌سازی شبکه‌ای در محیط نرم‌افزار anyLogistix توسعه داده شده است. با توجه به ماهیت شبیه‌سازی‌محور مدل، مسئله به‌صورت یک مسئلۀ بهینه‌سازی ریاضی صریح فرموله نمی‌شود، بلکه چارچوب‎‍ مفهومی برای ارزیابی عملکرد شبکه، تحلیل تاب‌آوری و شناسایی گلوگاه‌های عملیاتی، تحت سناریوهای مختلف اختلال ارائه می‌‎‍شود.

تصمیمات عملیاتی شبکه از‎‍طریق سیاست‌ها و قوانین کنترلی از پیش ‌تعریف‌شده در محیط شبیه‌سازی اعمال می‎‍شود و خروجی مدل برای مقایسۀ سناریوها و تحلیل شاخص‌های عملکردی به کار می‎‍رود.

3-1-1 مجموعه‌ها

: مجموعۀ تأمین‌کنندگان

: مجموعۀ مشتری‌ها

: انبار متقاطع

: مجموعۀ محصولات

: دوره‌های زمانی شبیه‌سازی

: مجموعۀ سناریوهای اختلال

3-1-2 پارامترها

: ظرفیت تأمین‌کننده

: ظرفیت پردازش انبار متقاطع D

: تقاضای مشتری c برای محصول  در زمان

: زمان حمل از تأمین‌کنندۀ s به انبار متقاطع D

: زمان حمل از انبار متقاطع D به مشتری c

: شدت اختلال در سناریوی  (مثلاً ضریب افزایش تقاضا یا درصد کاهش ظرفیت)

: حداقل سطح پذیرفتنی خدمت

3-1-3 متغیرهای حالت و عملکرد سیستم

در مدل شبیه‌سازی anyLogistix، جریان کالا و عملیات شبکه به‌صورت رویدادگسسته شبیه‌سازی می‌شود. متغیرهای کلیدی حالت و عملکرد سیستم، عبارت‌اند از:

: میزان ارسال از تأمین‌کنندۀ s به انبار متقاطع D در زمان

: میزان ارسال از انبار متقاطع D به مشتری c در زمان

: سطح موجودی انبار متقاطع D در زمان t

: میزان تأخیر در تحقق سفارش‌ها، در زمان t

: سطح خدمت [xxiii]در سناریوی اختلال

: زمان بازیابی شبکه پس از اختلال در سناریوی اختلال

: زمان کل بازیابی[xxiv]، در سناریوی اختلال

3-1-4 مدل‌سازی سناریوهای اختلال

در هر سناریوی اختلال ‎‍، پارامترهای تقاضا یا ظرفیت حمل‌ونقل، به‌صورت زیر تغییر می‌کند:

افزایش تقاضا

  

کاهش ظرفیت تأمین

  

کاهش ظرفیت انبار متقاطع

  

3-1-5 قوانین عملیاتی شبیه‌سازی و محدودیت‌های سیستم

محدودیت‌های زیر به‌صورت قوانین عملیاتی و فیزیکی شبکه، در مدل شبیه‌سازی اعمال شده‌اند و نقش کنترل‌کنندۀ جریان‌ها، ظرفیت‌ها و سطح خدمت را دارند، نه قیود حل‌کنندۀ یک مسئلۀ بهینه‌سازی ریاضی.

محدودیت ظرفیت تأمین‌کننده:

‎‍رابطۀ (1) تضمین می‌کند که میزان ارسال هر تأمین‌کننده در هر دورۀ زمانی از ظرفیت در دسترس آن تأمین‌کننده، از سناریوی اختلال مربوطه فراتر نرود.

محدودیت ظرفیت انبار متقاطع

 

رابطۀ (2) بیان می‌کند که مجموع جریان ورودی به انبار متقاطع، در هر دوره زمانی بیش از ظرفیت پردازش یا تخلیۀ انبار تحت شرایط اختلال نیست.

قانون توازن جریان (به‌صورت مفهومی)‎‍

جریان ورودی به انبار متقاطع، برابر با مجموع جریان خروجی و تغییرات سطح موجودی در طول زمان است.

‎‍رابطۀ (3)، پویایی تغییرات موجودی انبار متقاطع را در طول زمان نشان می‌دهد و توازن بین جریان‌های ورودی، خروجی و سطح موجودی را برقرار می‎‍کند.

سطح خدمت: این شاخص، سطح خدمت شبکه را در هر سناریوی اختلال اندازه‌گیری و توانایی سیستم را در پاسخ‌گویی به تقاضاها در زمان مقرر، منعکس می‌کند.

3-1-6 هدف مفهومی مدل

هدف مدل شبیه‌سازی، بیشینه‌سازی سطح خدمت زنجیرۀ تأمین و کمینه‌سازی زمان بازیابی، تحت سناریوهای مختلف اختلال است. این هدف نه از‎‍طریق حل یک تابع هدف ریاضی، با مقایسۀ نتایج شبیه‌سازی سناریوها و تحلیل شاخص‌های عملکردی مانند  ،  و  محقق می‌شود.

3-2 معرفی نرم‎‍افزار anyLogistix

نرم‎‍افزار anyLogistix محصول شرکت anyLogic، محصول تخصصی است که به‎‍جهت شبیه‌سازی زنجیرۀ تأمین و بهینه‌سازی آن توسعه یافته است. این نرم‎‍افزار بر‎‍ هستۀ اصلی نرم‎‍افزار anyLogic توسعه داده شده است و امکاناتی برای شبیه‌سازی و بهینه‌سازی زنجیرۀ تأمین دارد.

anyLogistix، یک نرم‌افزار پیشرفته در زمینۀ شبیه‌سازی و بهینه‌سازی زنجیرۀ تأمین است که به شرکت‌ها کمک می‌کند تا عملکرد زنجیرۀ تأمین خود را بهبود بخشند. این نرم‌افزار، ترکیبی از ابزارهای شبیه‌سازی و بهینه‌سازی را ارائه می‌دهد که امکان تحلیل و ارزیابی سناریوهای مختلف زنجیرۀ تأمین را فراهم می‌کند.

تجزیه و تحلیل روندهای تحقیقاتی، نشان می‌دهد که این ابزاری معتبر برای بهبود پایداری و تاب‌آوری زنجیرۀ تأمین است (Longo et al., 2024).

لونگو و همکاران[xxv] (2024) در مقالۀ خود، تحلیلی از پیشینۀ علمی موجود را دربارۀ استفاده از anyLogistix‎‍، برای بهبود عملکرد زنجیرۀ تأمین در مطالعات موردی انجام داده‌اند. آنها چالش‌های مهمی مانند بهره‌برداری بهتر از الگوی همزاد زنجیرۀ تأمین دیجیتال، بهبود ادغام anyLogistix با دیگر ابزارها و پیشبرد همکاری بین بازیگران زنجیرۀ تأمین را به‎‍سمت آینده‌ای پایدارتر و تاب‌آورتر‎‍ شناسایی کرده‌اند.

شایان ذکر است که در این پژوهش، از نسخۀ آموزشی نرم‌افزار، یعنی نسخۀ یادگیری شخصی [xxvi]استفاده شده است. نسخۀ یادگیری شخصی با وجود اینکه امکان پیاده‌سازی کامل جریان مواد، سیاست‌های کنترل موجودی، حمل‌ونقل و تحلیل سناریوهای اولیه را فراهم می‌کند،‎‍ محدودیت‌هایی از‎‍جمله سقف تعداد گره‌ها و تسهیلات، محدودیت حجم داده‌های ورودی و ‎‍دسترسی‎‍نداشتن به برخی قابلیت‌های پیشرفتۀ بهینه‌سازی شبکه و تحلیل سناریوهای پیچیده را دارد. این محدودیت‌ها، قابلیت توسعۀ مدل‎‍ برای شبکه‌های بزرگ‌تر‎‍ را محدود می‎‍کند؛ اما با این حال، برای هدف این پژوهش و ساخت همزاد دیجیتال یک زنجیرۀ تأمین اندازۀ متوسط، امکانات نسخۀ PLE کفایت داشته است.

3-3 آزمایش تحلیل ریسک در نرم‌افزار anyLogistix

آزمایش تحلیل ریسک[xxvii] در نرم‌افزار‎‍anyLogistix ، یکی از ابزارهای مهم برای ارزیابی پایداری و تاب‌آوری زنجیرۀ تأمین در شرایط عدم قطعیت و نوسانات است. این آزمایش به شما امکان می‌دهد تا تأثیر سناریوهای مختلف ریسک (مانند تأخیر در حمل‌ونقل، خرابی تأمین‌کننده، افزایش هزینه‌ها، تقاضای غیرمنتظره و ...) را بر عملکرد کلی زنجیرۀ تأمین تحلیل کنید. هدف از انجام آزمایش تحلیل ریسک در نرم‎‍افزار anyLogistix‎‍، عبارت‎‍اند از:

شناسایی نقاط آسیب‌پذیر زنجیرۀ تأمین؛

بررسی عملکرد سیستم تحت شرایط نامطمئن؛

ارزیابی راهکارهای تاب‌آوری[xxviii]؛

تحلیل میزان نوسان در شاخص‌های کلیدی عملکرد[xxix]؛ مثل هزینه، سرویس‌دهی، موجودی، زمان تحویل و...

3-4 تنظیمات مدل شبیه‌سازی در نرم‎‍افزار  anyLogistix

در این پژوهش، نرم‌افزار anyLogistix بستر پیاده‌سازی مدل شبیه‌سازی انتخاب شده است. از میان امکانات متعدد نرم‌افزار، تنها قابلیت‌هایی استفاده شده‌اند که در تحلیل رفتار شبکه و سناریوهای اختلال، نقش مستقیم دارند.

در بخش حمل‌ونقل، از سیاست‌های استاندارد ارسال محموله‌ها استفاده شده است. مدل حمل‌ونقل بر مبنای جریان کالا بین تأمین‌کنندگان، انبار متقاطع و مشتری‌ها تعریف و پارامترهایی مانند زمان حمل [xxx]و ظرفیت وسیلۀ نقلیه به‌صورت داده‌های ورودی مشخص شده‌اند.

شاخص‌های عملکرد شامل سطح خدمت مبتنی بر زمان تحویل مورد انتظار، زمان بازیابی و زمان کل بازیابی‎‍، به‎‍طور مستقیم‎‍ با موتور شبیه‌سازی تولید می‌شوند. این شاخص‌ها بر‎‍اساس خروجی‌های رویدادگسستۀ مدل و بدون اعمال تنظیمات خاص نرم‌افزاری محاسبه می‌شوند.

ابزار تحلیل ریسک برای اجرای سناریوهای اختلال‎‍ به کار رفته است. با توجه به هدف پژوهش، تمرکز بر نحوۀ اثرگذاری اختلالات بر رفتار شبکه است و به جزئیات پیاده‌سازی ابزار توجه نشده است، بخش‌های نرم‌افزارمحور مرتبط با این ابزار نیز به حداقل رسانده‎‍ و تنها ساختار سناریوها، مقادیر ورودی و شاخص‌های خروجی گزارش شده است.

 

[i] Real-time

[ii] Marmolejo-Saucedo and Osornio

[iii] Alshahrani & Alghamdi

[iv] Liu and Nishi

[v] Zhang & Li

[vi] Müller et al.

[vii] Ivanov et al.

[viii] Chen

[ix] Simwell

[x] Liu and Wang

[xi] Wang & Zhao

[xii] Chidozie et al.

[xiii] Li et al.

[xiv] Supply Chain Resilience

[xv] Sustainable Supply Chain Performance

[xvi] Ivanov

[xvii] Ivanov & Dolgui

[xviii] Longo et al.

[xix] Liu et al.

[xx] Recovery

[xxi] Total Time to Recover

[xxii] Prototype

[xxiii] Service Level

[xxiv] Total Time to Recover

[xxv] Longo et al.

[xxvi] Personal Learning Edition

[xxvii] Risk Analysis Experiment

[xxviii] Resilience Strategies

[xxix] Key Performance Indicator

[xxx] Lead Time

References

Alshahrani, A., & Alghamdi, A. (2024). A theoretical framework for graph-based digital twins for supply chain management and optimization. arXiv preprint arXiv:2504.03692. https://doi.org/10.48550/arXiv.2504.03692.
Bolton, R.N., McColl-Kennedy, J.R., Cheung, L., Gallan, A., Orsingher, C., Witell, L., and Zaki, M. (2018). Customer experience challenges: bringing together digital, physical, and social realms. Journal of Service Management, 29(5), 776–808. Doi: 10.1108/JOSM-04-2018-0113.
Burgos, D., & Ivanov, D. (2021). Food retail supply chain resilience and the COVID-19 pandemic: A digital twin-based impact analysis and improvement directions. Transportation Research Part E: Logistics and Transportation Review, 152, 102412.‏
Chen, X. (2024). Optimizing agility in the pharmaceutical supply chain using digital twins to cope with the ripple effect. Frontiers in Business, Economics and Management, 17(1), 338–352.
Chidozie, B., Ramos, A., Vasconcelos, J., & Ferreira, L. P. (2024). Development of a residual biomass supply chain simulation model using AnyLogistix: A methodical approach. Logistics, 8(4), 107. https://doi.org/10.3390/logistics8040107.
Ivanov, D. (2024). Transformation of supply chain resilience research through the COVID-19 pandemic. International Journal of Production Research, 62(23), 8217-8238.‏
Ivanov, D. (2020). Predicting the impacts of epidemic outbreaks on global supply chains: A simulation-based analysis on the coronavirus outbreak (COVID-19/SARS-CoV-2). Transportation Research Part E, 136, 101922.
Ivanov, D., Dolgui, A., & Das, A. (2023). A hybrid simulation–optimization approach for managing supply chain resilience under COVID-19 demand disruptions. International Journal of Production Research, 61(5), 1583–1601. https://doi.org/10.1080/00207543.2022.2137597.
Ivanov, D., & Dolgui, A. (2021). A digital supply chain twin for managing the disruption risks and resilience in the era of Industry 4.0. International Journal of Production Research, 59(12), 374–394.
Ivanov, D., A., Dolgui, and Sokolov, B. (2019). The Impact of Digital Technology and Industry 4.0 on the Ripple Effect and Supply Chain Risk Analytics. International Journal of Production Research, 57 (3), 829–846. doi:10.1080/00207543.2018.1488086.
Ivanov, D., & Dolgui, A. (2019). New disruption risk management perspectives in supply chains: Digital twins, the ripple effect, and resileanness. IFAC-PapersOnLine, 52(13), 337-342.‏
Klochkov, V., Selezneva, I., & Kovalchuk, J. (2021). Digital twins application in managing the scientific and technological development of high-tech industries. In *Technology and Business Strategy: Digital Uncertainty and Digital Solutions* (pp. 91–112). Palgrave Macmillan, Cham. https://doi.org/10.1007/978-3-030-63974-7_6.
Li, K., Bashiri, M., Lim, M. K., & Akpobi, T. (2025). How to improve supply chain sustainable performance by resilience practices through dynamic capability view: Evidence from Chinese construction. Resources, Conservation and Recycling, 212, 107965.‏
Liu, C., Shang, Y., & Zhong, R. (2018). A digital twin-based simulation approach for supply chain risk analysis. International Journal of Computer Integrated Manufacturing, 31(7), 627–640.
Liu, Z., & Nishi, T. (2024). Data-driven evolutionary computation for service constrained inventory optimization in multi-echelon supply chains. Complex & Intelligent Systems, 10(1), 825-846.‏
Liu, Y., & Wang, X. (2023). Digital twins in sustainable supply chains: A comprehensive review of current applications and key enablers. Proceedings, 79(1), 64. https://doi.org/10.3390/proceedings2023079064.
Longo, F., Manfredi, K. A., Solina, V., Conte, R., & Cosma, A. (2024). Improving supply chain sustainability and resilience via anyLogistix: research trends and future challenges. Procedia Computer Science, 232, 1721-1728.‏
Longo, F., Nicoletti, L., & Padovano, A. (2019). Smart operators in industry 4.0: a human-centered approach to enhance operators’ capabilities and performance within the new smart factory context. Computers & Industrial Engineering, 139, 105–123.
Marmolejo-Saucedo, J. A., & Osornio, A. C. (2021). An approximate solution proposal to the vehicle routing problem through simulation-optimization approach. In *International Conference on Intelligent Computing & Optimization* (pp. 634–646). Springer International Publishing, Cham. https://doi.org/10.1007/978-3-030-68154-8_52.
Müller, J., Bittner, S., & Voigt, K.-I. (2023). Cyber resilience through digital twins: A concept for supply chain security exercises in the food sector. Computers & Industrial Engineering, 178, 109061. https://doi.org/10.1016/j.cie.2023.109061.
Popkov, T., & Zherebtscov, A. (2019). Design your supply chain run with digital twin. Presented at *AnyLogic Conference 2019*. Retrieved from https://www.anylogic.ru/upload/conference/2019/presentations/anyLogistix-create-your-supply-chain-digital-twin.pdf.
Schuster, R., Mitjavila, L., & Penazzo, C. (2024). Using digital twins to manage complex supply chains. Boston Consulting Group (BCG). Retrieved from https://www.bcg.com/publications/2024/using-digital-twins-to-manage-complex-supply-chains
SimWell. (2024). Reimagining supply chain network optimization. *SimWell Blog*. Retrieved from https://www.simwell.io/en/blog/supply-chain-optimization-digital-twin.
Wang, J., & Zhao, L. (2023). Research on real-time robust optimization of perishable supply chain system based on digital twin. Sensors, 23(4), 1850. https://doi.org/10.3390/s23041850
Zhang, Y., & Li, H. (2023). Disruption detection for a cognitive digital supply chain twin using hybrid deep learning. Annals of Operations Research, 308(1), 123–145. https://doi.org/10.1007/s12351-024-00831-y.

Files

Share

How to cite

Statistics