بهینه‌سازی هم‌افزایانه مسیریابی موجودی سبز با در نظر گرفتن ناوگان ناهمگن و ریسک تقاضا (مطالعه موردی: صنعت خودروسازی ایران)
یاسر امامیان
1
(
استادیار، مهندسی صنایع، پژوهشكده مطالعات فناوریهای نوین، سازمان پژوهش هاي علمي و صنعتي ايران، تهران، ایران
)
نگین فلاح حقیقی
2
(
دانشیار، آموزش کشاورزی و کارآفرینی، پژوهشكده مطالعات فناوریهای نوین، سازمان پژوهش هاي علمي و صنعتي ايران، تهران، ایران
)
سید مسلم موسوی درچه
3
(
استادیار، سیاست‌گذاری علم و فناوری، پژوهشكده مطالعات فناوریهای نوین، سازمان پژوهش هاي علمي و صنعتي ايران، تهران، ایران
)
کلید واژه: مسیریابی موجودی سبز, بهینه‌سازی هم‌افزایانه, ناوگان ناهمگن, شرطی ارزش در معرض خطر, سیاست‌های کربنی, صنعت خودروسازی ایران,
چکیده مقاله :
صنعت خودروسازی ایران با چالش‌های جدی در زمینه عملکرد زیست‌محیطی، مصرف انرژی و کارایی لجستیک مواجه است؛ به‌گونه‌ای که بخش حمل‌ونقل حدود ۲۵ درصد از کل انتشار گازهای گلخانه‌ای کشور را به خود اختصاص می‌دهد. یکپارچه‌سازی تصمیم‌های حمل‌ونقل و مدیریت موجودی، از مؤثرترین رویکردها برای کاهش هزینه‌ها و انتشار کربن در زنجیره‌های تأمین شناخته شده است. پژوهش حاضر یک چارچوب بهینه‌سازی هم‌افزایانه چندهدفه نوین برای مدیریت ناوگان ناهمگن، ضرایب انتشار پویای کربن، معیار شرطی ارزش در معرض خطر برای عدم‌اطمینان تقاضا، و تحلیل مقایسه‌ای چهار سیاست کربنی (مالیات، سقف، سقف و مبادله و ترکیبی) در قالب یک مسئله مسیریابی موجودی سبز ارائه می‌دهد و آن را با داده‌های صنعت خودروسازی ایران به‌کار می‌گیرد. یک مدل برنامه‌ریزی خطی با عدد صحیح آمیخته سه‌هدفه توسعه یافته است که به‌طور هم‌زمان هزینه کل، اثر زیست‌محیطی (شامل انتشار مستقیم و غیرمستقیم دی‌اکسیدکربن) و مصرف انرژی را کمینه می‌کند. مدل شامل ضریب انتشار پویای مبتنی بر بار و انتشار غیرمستقیم ناشی از مصرف برق سردخانه است. برای حل مسائل بزرگ‌مقیاس، الگوریتم ژنتیک مرتب‌سازی نامغلوب نوع دوم و الگوریتم بهینه‌سازی ازدحام ذرات چندهدفه با روش دقیق آگمکون‌دو مقایسه شده‌اند. نتایج نشان می‌دهد رویکرد هم‌افزایانه پیشنهادی، انتشار کربن را ۲۳ درصد کاهش و هزینه را تنها ۲.۴ درصد افزایش می‌دهد. سیاست سقف و مبادله بهترین تعادل اقتصادی زیست‌محیطی را به‌ویژه در شرایط عدم‌اطمینان بالا و ریسک‌گریزی شدید با ضریب ریسک‌گریزی ۰.۰۱ ارائه می‌دهد. انتشار غیرمستقیم حدود ۱۲ درصد از کل انتشار را تشکیل می‌دهد. الگوریتم بهینه‌سازی ازدحام ذرات چندهدفه با حجم فوق‌بعد ۰.۹۰ پوشش بهتری در فضای اهداف دارد، در حالی که الگوریتم ژنتیک مرتب‌سازی نامغلوب نوع دوم با معیار فاصله‌گذاری ۰.۱۲ توزیع یکنواخت‌تری از جواب‌ها ارائه می‌دهد. مدل پیشنهادی با ایجاد هم‌افزایی بین تصمیم‌های موجودی، مسیریابی و انتخاب ناوگان، امکان بهبود هم‌زمان اهداف اقتصادی و زیست‌محیطی را در زنجیره تأمین خودروسازی ایران فراهم می‌سازد
چکیده انگلیسی :
The Iranian automotive industry faces significant challenges regarding environmental performance, energy consumption, and logistics efficiency. The transportation sector accounts for approximately 25% of the country's total greenhouse gas emissions. Integrated inventory management and transportation decisions are recognized as effective approaches to reduce costs and carbon emissions in supply chains. This study presents a novel multi-objective synergistic optimization framework for heterogeneous fleet management, dynamic emission factors, Conditional Value at Risk (CVaR) for demand uncertainty, and a comparative analysis of four carbon policies (carbon tax, cap, cap-and-trade, and hybrid) within a Mixed-Integer Linear Programming (MILP) model using real-world data from the Iranian automotive industry. The model simultaneously minimizes total cost, environmental impact (direct and indirect CO2 emissions), and energy consumption. It incorporates dynamic load-based emission factors and indirect emissions from cold storage electricity consumption. To solve the model, the augmented epsilon-constraint method (AUGMECON2), Non-dominated Sorting Genetic Algorithm II (NSGA-II), and Multi-Objective Particle Swarm Optimization (MOPSO) are utilized. Results demonstrate that the proposed synergistic approach reduces carbon emissions by 23% with only a 2.4% increase in cost. The cap-and-trade policy provides the best economic-environmental trade-off, particularly under high uncertainty and risk-averse conditions. Indirect emissions account for about 12% of total emissions. MOPSO shows better coverage (hypervolume of 0.90), while NSGA-II provides a more uniform distribution (spacing metric of 0.12). The proposed model enables simultaneous improvement of economic and environmental objectives in the Iranian automotive supply chain by creating synergy among inventory, routing, and fleet selection decisions
[۱] Viswanathan, S., & Mathur, K. (1997). Integrating routing and inventory decisions in one-warehouse multiretailer multiproduct distribution systems. Management Science, 43(3), 294-312.
[۲] Kang, J.-H., & Kim, Y.-D. (2010). Coordination of inventory and transportation managements in a two-level supply chain. International Journal of Production Economics, 123(1), 137-145.
[۳] Lin, C., Choy, K.L., Ho, G.T.S., Chung, S.H., & Lam, H.Y. (2014). Survey of Green Vehicle Routing Problem: Past and future trends. Expert Systems with Applications, 41(4), 1118-1138.
[۴] Kwon, Y.-J., Choi, Y.-J., & Lee, D.-H. (2013). Heterogeneous fixed fleet vehicle routing considering carbon emission. Transportation Research Part D: Transport and Environment, 23, 81-89.
[۵] Mundim, A.A.S., Santos, M.O., & Morabito, R. (2025). Sustainable solutions analysis of a bi-objective green inventory routing problem with heterogeneous fleet and different types of fuels. RAIRO Operations Research, 59(1), 549-578.
[۶] Song, Y., & Li, W. (2024). Decision-making in closed-loop supply chain with risk-aversion and cap-and-trade policy. International Review of Financial Analysis.
[۷] Halder, P.K., & Debnath, J. (2025). Multi-objective inventory model for closed-loop supply chain under carbon policies. Applied Soft Computing (in press).
[۸] Emamian, Y., Nakhai Kamalabadi, I., & Eydi, A. (2021). Developing and solving an integrated model for production routing in sustainable closed-loop supply chain. Journal of Cleaner Production, 302, 126997.
[۹] Campbell, A.M., & Savelsbergh, M.W.P. (2004). A decomposition approach for the inventory-routing problem. Transportation Science, 38(4), 488-502.
[۱۰] Mirzapour Al-e-hashem, S.M.J., & Rekik, Y. (2013). Multi-product multi-period Inventory Routing Problem with a transshipment option: A green approach. International Journal of Production Economics, 146(2), 480-495.
[۱۱] Zarouri, F., Zegordi, S.H., & Husseinzadeh Kashan, A. (2021). Dynamic pricing in a semi-centralized dual-channel supply chain with a reference price-dependent demand and production cost disruption: The case of Iran Khodro Company. Scientia Iranica, Transactions E: Industrial Engineering.
[۱۲] Study of Financial Distress Spillover Effect among Automobile Supply Chain Companies Listed in the Tehran Stock Exchange. (2022). Advances in Mathematical Finance and Applications.
[۱۳] Bertazzi, L., Paletta, G., & Speranza, M.G. (2002). Deterministic order-up-to level policies in an inventory routing problem. Transportation Science, 36(1), 119-132.
[۱۴] Bektaş, T., & Laporte, G. (2011). The Pollution-Routing Problem. Transportation Research Part B: Methodological, 45(8), 1232-1250.
[۱۵] Benjaafar, S., Li, Y., & Daskin, M. (2013). Carbon footprint and the management of supply chains: Insights from simple models. IEEE Transactions on Automation Science and Engineering, 10(1), 99-116.
[۱۶] Bischoff, E.E., & Wäscher, G. (1995). Cutting and packing. European Journal of Operational Research, 84(3), 503-505.
[۱۷] Golany, B., Yang, J., & Yu, G. (2001). Economic lot-sizing with remanufacturing options. IIE Transactions, 33(11), 995-1003.
[۱۸] Mavrotas, G., & Florios, K. (2013). An improved version of the augmented ε-constraint method (AUGMECON2) for finding the exact Pareto set in multi-objective integer programming problems. Applied Mathematics and Computation, 219(18), 9652-9669.
[۱۹] Deb, K., Pratap, A., Agarwal, S., & Meyarivan, T. (2002). A fast and elitist multiobjective genetic algorithm: NSGA-II. IEEE Transactions on Evolutionary Computation, 6(2), 182-197.
[۲۰] Coello, C.A.C., Pulido, G.T., & Lechuga, M.S. (2004). Handling multiple objectives with particle swarm optimization. IEEE Transactions on Evolutionary Computation, 8(3), 256-279.
[۲۱] NTM. (2023). Network for Transport and Environment (NTM) database. Available at: https://www.transportmeasures.org
[۲۲] Prakash, S., Mukherjee, I., Soni, G., & Piplani, R. (2024). An enhanced multiobjective inventory routing model to meet sustainable goals for assembly supply network under uncertainty. Annals of Operations Research.
[۲۳] Garside, A.K., Muhtazaruddin, M.N.B., Ahmad, R., & Mukhlason, A. (2025). A Novel Multi-objective Optimization Model for Production Routing Problem with Sustainability Dimensions. Journal of Cleaner Production, 512, 145273.
[۲۴] Afroozi, M.A., Gramifar, M., Hazratifar, B., Keshvari, M.M., & Razavian, S.B. (2025). Optimization of Lithium-Ion Battery Circular Economy in Electric Vehicles in Sustainable Supply Chain. Battery Energy, 4, e20240057.