اخبار و اعلانات

 آمار

تعداد نشریات38
تعداد شماره‌ها1,408
تعداد مقالات10,088
تعداد مشاهده مقاله11,909,226
تعداد دریافت فایل اصل مقاله6,961,312
عظیمی, ناصر, زنجیرچی, سید محمود, عندلیب اردکانی, داوود, عباسی سیر, سلمان. (1404). پیش‌بینی میزان مصرف آلومینیوم به منظور بهبود فرایند لجستیک با رویکرد عامل بنیان. پدافند الکترونیکی و سایبری, 27(89), 27-46. doi: 10.47176/scmj.2026.1623
ناصر عظیمی; سید محمود زنجیرچی; داوود عندلیب اردکانی; سلمان عباسی سیر. "پیش‌بینی میزان مصرف آلومینیوم به منظور بهبود فرایند لجستیک با رویکرد عامل بنیان". پدافند الکترونیکی و سایبری, 27, 89, 1404, 27-46. doi: 10.47176/scmj.2026.1623
عظیمی, ناصر, زنجیرچی, سید محمود, عندلیب اردکانی, داوود, عباسی سیر, سلمان. (1404). 'پیش‌بینی میزان مصرف آلومینیوم به منظور بهبود فرایند لجستیک با رویکرد عامل بنیان', پدافند الکترونیکی و سایبری, 27(89), pp. 27-46. doi: 10.47176/scmj.2026.1623
عظیمی, ناصر, زنجیرچی, سید محمود, عندلیب اردکانی, داوود, عباسی سیر, سلمان. پیش‌بینی میزان مصرف آلومینیوم به منظور بهبود فرایند لجستیک با رویکرد عامل بنیان. پدافند الکترونیکی و سایبری, 1404; 27(89): 27-46. doi: 10.47176/scmj.2026.1623

پیش‌بینی میزان مصرف آلومینیوم به منظور بهبود فرایند لجستیک با رویکرد عامل بنیان

مدیریت زنجیره تأمین
دوره 27، شماره 89، اسفند 1404، صفحه 27-46    اصل مقاله (1.36 M)
نوع مقاله: پژوهشی
شناسه دیجیتال (DOI): 10.47176/scmj.2026.1623
نویسندگان
ناصر عظیمی1؛ سید محمود زنجیرچی* 2؛ داوود عندلیب اردکانی3؛ سلمان عباسی سیر4
1دانشجوی دکترای مدیریت صنعتی، گرایش تحقیق در عملیات، گروه مدیریت صنعتی، پردیس آزادی، دانشگاه یزد، یزد، ایران
2استاد گروه مدیریت صنعتی، دانشکده اقتصاد، مدیریت و حسابداری، دانشگاه یزد، یزد، ایران
3دانشیار گروه مدیریت صنعتی، دانشکده اقتصاد، مدیریت و حسابداری، دانشگاه یزد، یزد، ایران
4استادیار گروه مدیریت صنعتی، دانشکده مدیریت و اقتصاد، واحد علوم و تحقیقات دانشگاه آزاد اسلامی تهران، تهران، ایران
تاریخ دریافت: 15 اردیبهشت 1404،  تاریخ بازنگری: 12 شهریور 1404،  تاریخ پذیرش: 16 شهریور 1404 
چکیده
هدف اصلی این پژوهش، پیش‌بینی تقاضای آینده و بهبود عوامل لجستیکی و ذخیره‌سازی مواد اولیه در زنجیره تأمین آلومینیوم با استفاده از رویکرد شبیه‌سازی ترکیبی است. برای این منظور، از داده‌های ۳۰ساله به‌منظور پیش‌بینی تقاضای آلومینیوم در سال‌های ۱۴۰۳ تا ۱۴۰۵ استفاده شده است. ترکیبی از شبیه‌سازی رویداد گسسته (DES)، پویایی سیستم (SD) و شبیه‌سازی عامل‌بنیان (ABM) در مدل‌سازی به‌کارگرفته‌شده است. بسته به نیاز مدل، از توزیع‌های احتمالی مختلف، به‌ویژه توزیع یکنواخت و مثلثی، استفاده شده است. تحلیل حساسیت مدل شبیه‌سازی ترکیبی نشان داد که زنجیره تأمین شرکت ایرالکو توان پاسخ‌گویی به افزایش تقاضا در سه سال آینده را دارد. نوآوری اصلی پژوهش، استفاده هم‌زمان از سه رویکرد شبیه‌سازی است که امکان تحلیل چندلایه و دقیق‌تری از رفتار زنجیره تأمین را فراهم کرده و این تحقیق را از مطالعات پیشین متمایز می‌سازد. پژوهش با رویکرد آمیخته (کیفی - کمی) انجام شده است؛ مدل مفهومی با روش کیفی و تحلیل مدل با روش کمی توسعه یافته است. در شرایط کمبود منابع و اهمیت تأمین داخلی آلومینیوم، تمرکز بر پیش‌بینی تقاضا با روش‌های نوین، از اهمیت بالایی برخوردار است. شبیه‌سازی هیبریدی، باوجود کاربرد محدود در ادبیات پیشین، روشی نوآورانه و مؤثر در توسعه نظریات این حوزه است. نتایج نشان داد عوامل لجستیک جاده‌ای، ریلی و انبارش بیشترین اثر را در بهبود عملکرد زنجیره داشته‌اند.
کلیدواژه‌ها
پویایی سیستم؛ زنجیره تامین؛ صنعت آلومینیوم؛ عامل بنیان؛ گسسته پیشامد
عنوان مقاله [English]
Predicting Aluminum Consumption to Improve the Logistics Process Using an Agent-Based Model
نویسندگان [English]
Naser Azimi1؛ S.Mahmood Zanjirchi2؛ Davood Andalib Ardakani3؛ Salman Abbasi Sir4
1PhD Student in Industrial Management, Operations Research, Department of Industrial Management, Azadi Campus, Yazd University, Iran.
2Industrial Management Department, Economics, Management & Accounting Faculty, Yazd University, Yazd.
3Industrial Management Department, Economics, Management & Accounting Faculty, Yazd University, Yazd
4Assistant prof., Department of Industrial Management, Faculty of Management and Economics, Islamic Azad University, Science and Research Branch, Tehran
چکیده [English]
The primary objective of this study is to forecast future demand and improve logistics and raw material storage in the aluminum supply chain using a hybrid simulation approach. A 30-year dataset was used to forecast aluminum demand for the years 1403 to 1405 (Hijri Shamsi). To achieve this, a combination of discrete-event simulation (DES), system dynamics (SD), and agent-based modeling (ABM) was employed. Various probability distributions, mainly uniform and triangular, were applied based on modeling needs. The hybrid simulation model and sensitivity analysis show that the Iran Aluminum Company (IRALCO) supply chain can meet the projected demand increase over the next three years. The novelty of this research lies in integrating DES, SD, and ABM methodologies, enabling a more comprehensive and layered analysis of supply chain behavior. This integrated approach sets the study apart from previous research. The study adopts a mixed-methods design: the conceptual model was developed qualitatively, while quantitative techniques were used for model analysis. In light of resource constraints and the strategic importance of domestic aluminum supply, this research emphasizes innovative demand forecasting methods. Hybrid simulation is considered a suitable and underutilized tool in the literature, contributing to both theoretical advancement and methodological development. The high accuracy of forecasts derived through this approach underscores its effectiveness. Results highlight the significant roles of road and rail logistics, as well as warehousing, in enhancing supply chain performance.
کلیدواژه‌ها [English]
System Dynamics, Supply Chain, Aluminum Industry, Agent-Based Modeling, Discrete Event Simulation
مراجع
  • M. Ayazi, A. Z. Babgohari, and M. Taghizadeh-Yazdi, “Towards the analysis of industrial symbiosis enablers in small and medium enterprises: A hesitant fuzzy approach,” Decision-Making in International Entrepreneurship: Unveiling Cognitive Implications Towards Entrepreneurial Internationalisation, pp. 243–265, Jun. 2023, doi: 10.1108/978-1-80382-233-420231012/FULL/XML.
  • C. Cooper, D. M. Lambert, and J. D. Pagh, “Supply Chain Management: More Than a New Name for Logistics,” The International Journal of Logistics Management, vol. 8, no. 1, pp. 1–14, Jan. 1997, doi: 10.1108/09574099710805556.
  • M. Lambert and M. C. Cooper, “Issues in Supply Chain Management,” Industrial Marketing Management, vol. 29, no. 1, pp. 65–83, Jan. 2000, doi: 10.1016/S0019-8501(99)00113-3.
  • Olasupo, C. Okafor, and A. I. Policy, “Policy Evaluation of Environmental Sustainability of Supply Chain Practices on the Performance of Total Exploration and Productivity Nigeria LTD,” core.ac.ukM Olasupo, C Okafor, A IgbokwePolicy, 2018•core.ac.uk, vol. 8, no. 10, 2018, Accessed: Jul. 09, 2025. [Online]. Available: https://core.ac.uk/download/pdf/234676319.pdf
  • Nakajima, H. Osuga, K. Yokoyama, and T. Nagasaka, “Material Flow Analysis of Aluminum Dross and Environmental Assessment for Its Recycling Process,” Mater Trans, vol. 48, no. 8, pp. 2219–2224, Aug. 2007, doi: 10.2320/MATERTRANS.MRA2007070.
  • Nakatani, M. Fujii, Y. Moriguchi, and M. Hirao, “Life-cycle assessment of domestic and transboundary recycling of post-consumer PET bottles,” International Journal of Life Cycle Assessment, vol. 15, no. 6, pp. 590–597, Jul. 2010, doi: 10.1007/S11367-010-0189-Y/FIGURES/5.
  • Guan, C. Shao, X. Tian, and M. Ju, “Carbon footprint attributed to aluminum substitution for copper in the Chinese indoor air conditioner industry,” J Clean Prod, vol. 51, pp. 126–132, Jul. 2013, doi: 10.1016/J.JCLEPRO.2013.01.027.
  • D. Du, W. J. Han, Y. H. Peng, and C. C. Gu, “Potential for reducing GHG emissions and energy consumption from implementing the aluminum intensive vehicle fleet in China,” Energy, vol. 35, no. 12, pp. 4671–4678, Dec. 2010, doi: 10.1016/J.ENERGY.2010.09.037.
  • A. Mohammadi, A. R. Sayadi, M. Khoshfarman, and A. Husseinzadeh Kashan, “A systems dynamics simulation model of a steel supply chain-case study,” Resources Policy, vol. 77, p. 102690, Aug. 2022, doi: 10.1016/J.RESOURPOL.2022.102690. (In Persian).
  • Xue, G. Liu, M. T. Brown, and M. Casazza, “Trash or treasure? Prospects for full aluminum chain in China based on the recycling options,” J Clean Prod, vol. 193, pp. 217–227, Aug. 2018, doi: 10.1016/J.JCLEPRO.2018.05.075.
  • Filatova, J. G. Polhill, and S. van Ewijk, “Regime shifts in coupled socio-environmental systems: Review of modelling challenges and approaches,” Environmental Modelling & Software, vol. 75, pp. 333–347, Jan. 2016, doi: 10.1016/J.ENVSOFT.2015.04.003.
  • A. Melnyk, R. Narasimhan, and H. A. DeCampos, “Supply chain design: issues, challenges, frameworks and solutions,” Int J Prod Res, vol. 52, no. 7, pp. 1887–1896, 2014, doi: 10.1080/00207543.2013.787175.
  • Sayyadi-Tooranloo, R. H.-A.-H. Information, and undefined 2021, “The Relationship between Green Supply Chain Integration and Sustainable Performance in Healthcare Centers of Yazd, Iran,” Health Information Management, 2021, doi: 10.22122/him.v18i5.4394.
  • Zhang, B. Gao, and A. Luqman, “Linking green supply chain management practices with competitiveness during covid 19: The role of big data analytics,” Technol Soc, vol. 70, p. 102021, Aug. 2022, doi: 10.1016/J.TECHSOC.2022.102021.
  • Chen et al., “A Blockchain-Driven Supply Chain Finance Application for Auto Retail Industry,” Entropy 2020, Vol. 22, Page 95, vol. 22, no. 1, p. 95, Jan. 2020, doi: 10.3390/E22010095.
  • De Felice, C. De Luca, A. Petrillo, A. Forcina, M. A. Ortiz Barrios, and I. Baffo, “The Role of Digital Transformation in Manufacturing: Discrete Event Simulation to Reshape Industrial Landscapes,” Applied Sciences 2025, Vol. 15, Page 6140, vol. 15, no. 11, p. 6140, May 2025, doi: 10.3390/APP15116140.
  • Maleki, M. Taghizadeh-Yazdi, R. Ghasemi, and S. Rivandi, “A Hybrid Mathematical-Simulation Approach to Hospital Beds Capacity Optimization for COVID-19 Pandemic Conditions,” Operations Research Forum, vol. 5, no. 4, pp. 1–33, Dec. 2024, doi: 10.1007/S43069-024-00389-7/TABLES/13.
  • M. Abdelalim et al., “Agent-Based Modeling for Construction Resource Positioning Using Digital Twin and BLE Technologies,” Buildings 2024, Vol. 14, Page 1788, vol. 14, no. 6, p. 1788, Jun. 2024, doi: 10.3390/BUILDINGS14061788.
  • Ghaffarzadegan and H. Rahmandad, “Simulation-based estimation of the early spread of COVID-19 in Iran: actual versus confirmed cases,” Syst Dyn Rev, vol. 36, no. 1, pp. 101–129, Jan. 2020, doi: 10.1002/SDR.1655.
  • Wang and M. N. Motlhagodi, “Improvement for the Supply Chain Collaboration on the Construction Projects for the Government of Botswana,” JApSc, vol. 17, no. 10, pp. 482–490, Sep. 2017, doi: 10.3923/JAS.2017.482.490.
  • Petrovic-Lazarevic, M. Matanda, and R. Worthy, Supply chain management in building and construction industry: case of Australian residential sector. 2006. Accessed: Jul. 09, 2025. [Online]. Available:
  • K. Hai, M. Y. Aminah, I. Syuhaida, and L. F. Wei, “Reviewing the construction supply chain challenges and construction supply chain management strategic management,” International Journal of Civil Engineering and Structures, 2012, Accessed: Jul. 09, 2025. [Online]. Available: https://scholar.google.com/scholar?hl=en&as_sdt=0%2C5&q=Reviewing+the+construction+supply+chain+challenges+and+construction+supply+chain+manageme&btnG=
  • Behera, R. P. Mohanty, and A. Prakash, “Understanding Construction Supply Chain Management,” Production Planning & Control, vol. 26, no. 16, pp. 1332–1350, Dec. 2015, doi: 10.1080/09537287.2015.1045953.
  • Higgin and N. Jessop, “Communications in the building industry: The report of a pilot study,” Communications in the Building Industry: The report of a pilot study, pp. 1–128, Jul. 2013, doi: 10.4324/9781315013718.
  • Sadeghi R. and M. Qaisari Hasan Abadi, “Sustainable supply chain resilience for logistics problems: Empirical validation using robust and computational intelligence methods,” J Clean Prod, vol. 437, Jan. 2024, doi: 10.1016/J.JCLEPRO.2023.140267.
  • M. Harland, “Supply Chain Management: Relationships, Chains and Networks,” British Journal of Management, vol. 7, no. SPEC. ISS., pp. S63–S80, 1996, doi: 10.1111/J.1467-8551.1996.TB00148.X.
  • Caridi, R. Cigolini, and D. De Marco, “Improving supply-chain collaboration by linking intelligent agents to CPFR,” Int J Prod Res, vol. 43, no. 20, pp. 4191–4218, Oct. 2005, doi: 10.1080/00207540500142134.
  • Khojeh, T. Darvishmohammadi, and Mohajertabrizi, “Pharmaceutical Supply Chain Network Design: an Integrated Approach,” scmj.ihu.ac.irZ Khojeh, T Darvishmohammadi, M MohajertabriziScientific Journal of Supply Chain Management, 2023•scmj.ihu.ac.ir, 2023, Accessed: Jul. 09, 2025. [Online]. Available: https://scmj.ihu.ac.ir/article_207763_3cdcc1427a306c5320e1a538a767c8bd.pdf
  • Amirian, M. Amiri, M. T.-S. J. of Supply, and undefined 2024, “Designing a Sustainable and Reliable Supply Chain Network Under Uncertainty (Case Study: West of Carton),” Scientific Journal of Supply Chain Management, vol. 25, no. 4, 2024, Accessed: Jul. 09, 2025. [Online]. Available: https://scmj.ihu.ac.ir/article_208568_0e514703112c2d6e61a8a1d411cc982f.pdf
  • Komasi and S. M. J. Mirzapour Al-e-hashem, “Sustainable supply chain network design using lean principles,” Supply Chain Management, vol. 22, no. 69, pp. 101–116, Feb. 2021, Accessed: Jul. 09, 2025. [Online]. Available: https://scmj.ihu.ac.ir/article_205965_en.html
  • Seifbarghy and M. Karbalaei Esmaeili, “A Mathematical Location-Inventory Model for Designing a Forward /Backward Logistic Network under Demand and Return Uncertainty with Multiple Capacity Levels,” Supply Chain Management, vol. 23, no. 72, pp. 23–39, Nov. 2021, Accessed: Jul. 09, 2025. [Online]. Available: https://scmj.ihu.ac.ir/article_206956_en.html. (In Persian).
  • M. Ayazi, S. M. Sajadi, M. Ghazisaeedi, D. Esmaeilnezhad, and M. Taghizadeh-Yazdi, “Simulation methods in entrepreneurship research: a systematic review and text mining analysis,” Journal of Simulation, May 2025, doi: 10.1080/17477778.2025.2503869.
  • K. Elalem, S. Maier, and R. W. Seifert, “A machine learning-based framework for forecasting sales of new products with short life cycles using deep neural networks,” Int J Forecast, vol. 39, no. 4, pp. 1874–1894, Oct. 2023, doi: 10.1016/J.IJFORECAST.2022.09.005.
  • Xiao and J. Han, “Forecasting new product diffusion with agent-based models,” Technol Forecast Soc Change, vol. 105, pp. 167–178, Apr. 2016, doi: 10.1016/J.TECHFORE.2016.01.019.
  • Naghizadeh, N. Moradi, B. Sepiani, and and F. Beigi, “Study of factors affecting the acceptance of supply chain financing in supply chain effectiveness,” in Proc. 7th Nat. Conf. Modern Res. Manage., Econ. Account, 2012.
  • Abbasi-Sir, M. A. Keramati, and M. R. Motadel, “Simulation of the factor basis of consumer behavior in impulse buying,” Q. J. Ind. Manage. Stud, vol. 19, no. 62, pp. 99–138, 2020. (In Persian(
  • Roshani, “Application of factor-based modeling in the analysis of complex social systems: Methodology for analyzing innovation systems,” ,” Sci. Technol. Policy Promot, vol. 8, no. 2, 2018.. (In Persian).
آمار
تعداد مشاهده مقاله: 333
تعداد دریافت فایل اصل مقاله: 21