Оптимизация лесопромышленных цепочек поставок: математическая модель и анализ региональных источников на примере Приморского края

Оптимизация поставок сырья тесно связана с проблемами, возникающими на лесоперерабатывающих предприятиях. Оценка оптимальности решений часто становится актуальным вопросом.

В данной статье рассматривается сценарий работы лесопромышленного предприятия без собственных источников сырья, таких как лесозаготовители, которое стремится найти оптимальное решение на конечном этапе планирования, основываясь на данных о предыдущих сделках. В качестве источника сырья рассматривается товарно-сырьевая биржа, где лоты ежедневно появляются в различных регионах добывающих предприятий в случайном порядке.

Научная литература предлагает множество методов расчёта оптимальной прибыли на протяжении всего планового периода, но эти подходы не учитывают многие важные особенности лесоперерабатывающих предприятий.

В данной работе представлена математическая модель, которая позволяет оценить оптимальный путь для значений прибыли на протяжении всего периода планирования. Отличительной чертой модели является учёт доли полезного объёма сырья, который можно использовать в производстве ОСБ-плит после зачисления на склад, а также учет времени доставки лотов в условиях неопределённости.

После проведения тестирования на данных товарносырьевой биржи России и одного из предприятий Приморского края, модель была применена для расчёта оптимальной траектории прибыли для различных данных, включая объёмы сырья, время доставки лотов и другие важные показатели производства, такие как объём прибыли и объём производства товаров. Анализ результатов выявил сложности в планировании цепочек поставок и объёмов производства. Также проанализированы регионы в качестве источников сырья, определено, из каких регионов и в какой момент стоит закупать сырье. В статье подробно рассмотрены недостатки и преимущества математической модели.

1. Ghasemy, Y. R. Enhancing supply chain productionmarketing planning with geometric multivariate demand function (a case study of textile industry). Computers & Industrial Engineering, 2020, Vol. 140 (19), 106220. DOI: 10.1016/j.cie.2019.106220.

2. Maina, J., Mwangangi, P. W. A Critical Review of Simulation Applications in Supply Chain Management. Journal of Logistics Management, 2020, Vol. 9, pp. 1–6. DOI: 10.5923/j.logistics.20200901.01.

3. Brintrup, A., Pak, J., Ratiney, D., Pearce, T., Wichmann, P., Woodall, P., McFarlane, D. Supply chain data analytics for predicting supplier disruptions: a case study in complex asset manufacturing. International Journal of Production Research, 2020, Vol. 58, pp. 3330–3341. DOI: 10.1080/00207543.2019.1685705.

4. Dominguez, R., Cannella, S. Insights on Multi-Agent Systems Appli, ations for Supply Chain Management. Sustainability, 2020, Vol. 12, Iss. 5, 1935. DOI: 10.3390/su12051935.

5. Luigi, R., Stamova, I. M., Tomasiello, S. Numerical schemes and genetic algorithms for the optimal control of a continuous model of supply chains. Applied Mathematics and Computation, 2021, Vol. 388, 125464. DOI: 10.1016/j.amc.2020.125464.

6. El Raoui, H., Oudani, M., El Hilali Alaoui, A.Coupling Soft Computing, Simulation and Optimization in Supply Chain Applications: Review and Taxonomy. IEEE Access, 2020, Vol. 8, pp. 31710–31732. DOI: 10.1109/ ACCESS.2020.2973329.

7. Alkahtani, M. Mathematical Modelling of Inventory and Process Outsourcing for Optimization of Supply Chain Management. Mathematics, 2022, Vol 10 (7), 1142. DOI: 10.3390/math10071142.

8. Sadeghi, Z., Boyer, O., Sharifzadeh, S., Saeidi, N. ARobust Mathematical Model for Sustainable and Resilient Supply Chain Network Design: Preparing a Supply Chain to Deal with Disruptions. Complexity, 2021, pp. 1–17. DOI: 10.1155/2021/9975071.

9. Goodarzian, F., Shishebori, D., Nasseri, H., Dadvar, F. A bi-objective production-distribution problem in a supply chain network under grey flexible conditions. RAIRO Operations Research, 2021, Vol. 55, pp. 1287–1316. DOI: 10.1051/ro/2020111.

10. Taghizadeh-Yazdi, M., Farrokhi, Z., MohammadiBalani, A. An integrated inventory model for multi-echelon supply chains with deteriorating items: a price-dependent demand approach. Journal of Industrial and Production Engineering, Vol. 37, pp. 87–96. [Электронный ресурс]: https://www.researchgate.net/publication/303876476_An_Integrated_Location-Inventory_Model_for_Supply_Chain_ Network_with_Correlated_Demand. Доступ 28.05.2023.

11. Flores-Sigüenza, P., Marmolejo-Saucedo, J. A., Niembro-García, J., Lopez-Sanchez, V. M. A systematic literature review of quantitative models for sustainable supply chain management. Mathematical biosciences and engineering: MBE, 2021, Vol. 18, Iss. 3, pp. 2206–2229. DOI: 10.3934/mbe.2021111.

12. Escobar, J. W., Marin, A. A., Lince, J. D. Multiobjective mathematical model for the redesign of supply chains considering financial criteria optimization and scenarios. International Journal of Mathematics in Operational Research, 2020, Vol. 16, Iss. 2, pp. 238–256. DOI: 10.1504/IJMOR.2020.105903.

13. Fierro, L. H., Cano, R. E., García, J. I. Modelling of a multi-agent supply chain management system using Colored Petri Nets. Procedia Manufacturing, 2020, Vol. 42, pp. 288–295. DOI: 10.1016/j.promfg.2020.02.095.

14. Heydari, J., Rafiei, P. Integration of environmental and social responsibilities in managing supply chains: Amathematical modeling approach. Computers & Industrial Engineering, 2020, Vol. 145, Iss. 1, 106495. DOI: 10.1016/j.cie.2020.106495.

15. Schroeder, M., Lodemann, S. A Systematic Investigation of the Integration of Machine Learning into Supply Chain Risk Management. Logistics, 2021, Vol. 5, Iss. 3, 62. DOI: 10.3390/logistics5030062.

16. Nishanth, B., Priyanka, S., Kannan, V., Muhammad Raheel Basha, A., Dinesh, J., Muruganandham, R., Harish, V. Mathematical modelling of supply chain under current COVID’19 business scenario with the review study on the fuzzy logic based supply chains. European Journal of Molecular and Clinical Medicine, 2020, Vol. 7, Iss. 2, pp. 4972–4981. [Электронный ресурс]: https://ejmcm.com/uploads/paper/73dde990bead52540d9f9726638c2d70.pdf. Доступ 28.05.2023.

17. Saad, E., Fathi Hafshjani, K., Radfar, R. Designing a Multi-Objective Closed-loop Supply Chain Mathematical Model with Supplier Selection Approach and considering Discount. Engineering Management and Soft Computing, 2022, Iss. 8 (2), pp. 43–71. [Электронный ресурс]: https://jemsc.qom.ac.ir/article_1609_dc0a78aa66f060c25ed1968d 95cc9a34.pdf?lang=en. Доступ 28.05.2023.

18. Teixeira, A., Silva, E. C., Lopes, C. A mixed integer nonlinear multiperiod model for supply chain management of a company in the retail sector. RAIRO – Operations Research, 2021, Vol. 55, Iss. 2, pp. 997–1013. DOI: 10.1051/ro/2021048.

19. Nuñez Rodriguez, J., Andrade Sosa, H. H., Villarreal Archila, S. M., Ortiz A. System Dynamics Modeling in Additive Manufacturing Supply Chain Management. Processes, 2021, Vol. 9, 982. DOI: 10.3390/pr9060982.

20. Rezaei, E., Paydar, M. M., Safaei, A. S. Customer relationship management and new product development in designing a robust supply chain. RAIRO– Operations Research, 2020, Vol. 54, pp. 369–391. DOI: 10.1051/ro/2018107.

21. Nezamoddini, N., Gholami, A., Aqlan, F. A riskbased optimization framework for integrated supply chains using genetic algorithm and artificial neural networks. International Journal of Production Economics, 2020, Vol. 225, 107569. DOI: 10.1016/j.ijpe.2019.107569.

22. Cesarelli, G., Scala, A. E., Vecchione, D., Ponsiglione, A., Guizzi, G. An Innovative Business Model for a Multi-echelon Supply Chain Inventory Management Pattern. Journal of Physics: Conference Series, 2021, Vol. 1828, pp. 1–10. DOI: 10.1088/1742-6596/1828/1/012082.

23. Рогулин Р. С., Мазелис Л. С. Алгоритм и математическая модель формирования устойчивых цепочек поставок древесного сырья из регионов России: сравнение и анализ // Вестник Пермского университета. Сер. «Экономика». – 2020. – Т. 15. – № 3. – С. 385–404. DOI: 10.17072/1994-9960-2020-3-385-404.

24. Рогулин Р. С. Моделирование перспектив взаимодействия предприятия лесопромышленного комплекса и товарно-сырьевой биржи России // Journal of Applied Economic Research. – 2020. – Т. 19. – № 4. – С. 489–511. DOI: 10.15826/vestnik.2020.19.4.023.

25. Рогулин Р. С. Модель оптимизации плана закупок сырья из регионов России лесоперерабатывающим комплексом // Бизнес-информатика. – 2020. – Т. 14. – № 4. – С. 19–35. DOI: 10.17323/2587-814X.2020.4.19.35.

26. Рогулин Р. С. Место ИКТ и предпринимательства в формировании устойчивых цепочек поставок // Экономическая политика. – 2021. – Т. 16. – № 4. – С. 84–103. DOI: 10.18288/1994-5124-2021-4-84-103.

27. Рогулин Р. С. Математическая модель формирования ценовой политики и плана производственнотранспортной системы лесопромышленного предприятия // Бизнес-информатика. – 2021. – Т. 15. – № 3. – С. 60–77. DOI: 10.17323/2587-814X.2021.3.60.77.

28. Рогулин Р. С. Роль информационно-коммуникационных технологий в формировании устойчивых цепочек поставок до и после пандемии covid‑19 // Journal of Applied Economic Research. – 2021. – Т. 20. – № 3. – С. 461–488. DOI: 10.15826/vestnik.2021.20.3.019.

29. Mazelis, L., Rogulin, R. Devising a method for the formation of sustainable chains of supply of raw materials from mercantile exchange to a timber processing enterprise considering uncertainties and risks. Eastern-European Journal of Enterprise Technologies, 2021, Vol. 5, Iss. 3 (113), рр. 6–18. DOI: 10.15587/1729-4061.2021.242960.