Науковий вісник НГУ

Система управління нейтралізації впливу ризиків на логістичні процеси за динамічної їх зміни

• 
• 

Рейтинг користувача:  / 0

ГіршийКращий 

Деталі

Категорія: Зміст №6 2022

Останнє оновлення: 28 грудня 2022

Опубліковано: 30 листопада -0001

Перегляди: 2988

Authors:

Ю.В.Мазур*, orcid.org/0000-0002-4728-4640, Міжрегіональна Академія управління персоналом, м. Київ, Україна, e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

М.П.Чайковська, orcid.org/0000-0002-9490-5112, Одеський національний університет імені І.І.Мечникова, м. Одеса, Україна, e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

А.Є.Задерей, orcid.org/0000-0002-9660-986X, Національний університет «Одеська морська академія», м. Одеса, Україна, e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

В.В.Хрустальова, orcid.org/0000-0002-0044-0845, Державний торговельно-економічний університет, м. Київ, Україна, e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

І.О.Штундер, orcid.org/0000-0001-7778-3072, Державний торговельно-економічний університет, м. Київ, Україна, e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

^* Автор-кореспондент e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

повний текст / full article

Naukovyi Visnyk Natsionalnoho Hirnychoho Universytetu. 2022, (6): 170 - 175

https://doi.org/10.33271/nvngu/2022-6/170

Abstract:

Мета. Розробити алгоритм вибору альтернативних маршрутів за динамічної зміни ризиків транспортуванню вантажів. Запропонувати структуру управлінської системи логістичних підрозділів та, у цілому, підприємства для нейтралізації ризиків.

Методика. Метод математичної формалізації використано для формування математичної моделі управління маршрутами перевезення за зміни загроз у реальному часі; метод системного підходу до бізнес-процесів підприємства для врахування їх впливу на логістичні процеси; метод стратифікації ризиків – для оцінювання ефективності логістичних операцій; метод задіяння матриці векторів дозволив сформувати математичний підхід до вирішення динамічної логістичної задачі й розгляду її як розосередженої в часі системи; метод розділення параметрів за шкалами виміру дозволив задіяти єдиний математичний підхід до формалізації задачі; метод послідовного наближення дозволив обирати з набору маршрутів перевезення найбільш прийнятні варіанти для прийняття управлінських рішень.

Результати. Встановлено, що рівень ризиків може змінюватися в реальному часі від мінімального до неприйнятного, що доводить важливість оцінки як ступеня ризику, так і темпу його зміни. Запропоновано підхід щодо узгодження запропонованих альтернативних маршрутів за врахування вимог різних структурних підрозділів і досягнення як зменшення рівня ризику, так і, за ранжування цілей, забезпечення меншого часу на перевезення. Обґрунтоване формування дерева прийняття рішень щодо логістичних ланцюгів і постійного моніторингу ризиків.

Наукова новизна. Розроблено алгоритм вибору альтернативних маршрутів за динамічної зміни ризиків транспортуванню вантажів. Запропонована структура управлінської системи логістичних підрозділів і підприємства для нейтралізації ризиків.

Практична значимість. Запропонований підхід дозволяє прогнозувати ризики за динамічної їх зміни й забезпечити ефективне управляння ними.

Ключові слова: транспортування вантажів, система управління, логістичні процеси, нейтралізація ризиків, математична модель

References:

1. Ardakani, A. A., & Fei, J. (2020). A systematic literature review on uncertainties in cross-docking operations. Modern Supply Chain Research and Applications, 2(1), 2-22. https://doi.org/10.1108/MSCRA-04-2019-0011.

2. Gardas, B. B., Raut, R. D., & Narkhede, B. (2018). Reducing the exploration and production of oil: Reverse logistics in the automobile service sector. Sustainable Production and Consumption, 16, 141-153. https://doi.org/10.1016/j.spc.2018.07.005.

3. Perevozova, I., Minakova, S., Obelnytska, K., Mykhailyshyn, L., & Morozova, O. (2021). Mathematical modeling of multimodal transportation in Ukraine using methods of the graph theory. E3S Web of Conferences, 255, 01030. https://doi.org/10.1051/e3sconf/202125501030.

4. Prokopenko, O., Shmorgun, L., Kushniruk, V., Prokopenko, M., Slatvinska, M., & Huliaieva, L. (2020). Business Process Efficiency in a Digital Economy. International Journal of Management, 11(3), 122-132. https://doi.org/10.34218/IJM.11.3.2020.014.

5. Abdi, A., Abdi, A., Akbarpour, N., Amiri, A. S., & Hajiaghaei-Keshteli, M. (2020). Innovative approaches to design and address green supply chain network with simultaneous pick-up and split delivery. Journal of Cleaner Production, 250(3), 119437. https://doi.org/10.1016/j.jclepro.2019.119437.

6. Gelareh, S., Glover, F., Guemri, O., Hanafi, S., Nduwayo, P., & Todosijevi´c, R. (2020). A comparative study of formulations for a cross-dock door assignment problem. Omega. The International Journal of Management Science, 919, 1-17. https://doi.org/10.1016/j.omega.2018.12.004.

7. Tavallali, P. A., Feylizadeh, M. R., & Amindoust, A. (2020). Presenting a mathematical programming model for routing and scheduling of cross-dock and transportation. Polish journal of management studies, 22(1), 545-564. https://doi.org/10.17512/pjms.2020.22.1.35.

8. Tabatabaeia, S. M., Safib, M., & Nikabadia, M. S. (2021). A mathematical model for scheduling oftransportation, routing, and cross-docking in the reverse logistics network of the green supply chain. International Journal of Analysis and Applications, 12(2), 1909-1927. https://doi.org/10.22075/ijnaa.2021.5325.

9. Küçükoğlu, I., & Öztürk, N. (2019). A hybrid meta-heuristic algorithm for vehicle routing and packing problem with cross-docking. Journal of Intelligent Manufacturing, 30(8), 2927-2943. https://doi.org/10.1007/s10845-015-1156-z.

10. Liao, T. Y. (2018). Reverse logistics network design for product recovery and remanufacturing. Applied Mathematical Modelling, 60, 145-163. https://doi.org/10.1016/j.apm.2018.03.003.

11. Wang, Y., Sun, Y., Guan, X., & Guo, Y. (2021). Two-Echelon Location-Routing Problem with Time Windows and Transportation Resource Sharing. Journal of Advanced Transportation, 2021(7), 1-20. https://doi.org/10.1155/2021/8280686.

12. Euchi, J. (2020). Hybrid adaptive memory programming to optimise the multi-commodity many to many vehicle routing problem. International Journal of Mathematics in Operational Research, 17(4), 492. https://doi.org/10.1504/IJMOR.2020.110840.

13. Nozari, H., Tavakkoli-Moghaddam, R., & Gharemani-Nahr, J. (2022). A Neutrosophic Fuzzy Programming Method to Solve a Multi-Depot Vehicle Routing Model under Uncertainty during the COVID-19 Pandemic. International Journal of Engineering, Transactions, 35, 02. https://doi.org/10.5829/IJE.2022.35.02B.12.

14. Yu, H., & Solvang, W. (2018). Incorporating flexible capacity in the planning of a multi-product multi-echelon sustainable reverse logistics network under uncertainty. Journal of Cleaner Production. https://doi.org/10.1016/j.jclepro.2018.07.019.

15. Rattanamanee, T., Nanthavanij, S., & Ammarapala, V. (2018). Vehicle Dispatching for Minimizing Arrival Conflicts in Multi-supplier Logistics Network. Arabian Journal for Science and Engineering, 43, 3187-198. https://doi.org/10.1007/s13369-017-2957-5.

16. Rahimi, M., & Ghezavati, V. (2018). Sustainable multi-period reverse logistics network design and planning under uncertainty utilizing conditional value at risk (CVaR) for recycling construction and demolition waste. Journal of cleaner production, 172, 1567-1581.

17. Kozachenko, D., Malashkin, V., Berezovyi, M., & Borycheva, S. (2021). Analysis of logistic risks of railway transport of the mining and concentrating plant under conditions of increasing production volumes of finished products. Collection of scientific works of DNUZT named after Acad. V. Lazaryan, 21, 41-48. https://doi.org/10.15802/tstt2021/237650.

18. Nitsenko, V., Kotenko, S., Hanzhurenko, I., Mardani, A., Stashke­vych, I., & Karakai, M. (2020). Mathematical Modeling of Multimodal Transportation Risks I.n Ghazali R., Nawi N., Deris M., Abawajy J. (Eds.) Recent Advances on Soft Computing and Data Mining. SCDM 2020. Advances in Intelligent Systems and Computing, (pp. 439-447). Springer, Cham. https://doi.org/10.1007/978-3-030-36056-6_41.

19. Kotenko, S., Nitsenko, V., Hanzhurenko, I., & Havrysh, V. (2020). The Mathematical Modeling Stages of Combining the Carriage of Goods for Indefinite, Fuzzy and Stochastic Parameters. International Journal of Integrated Engineering, 12(7), 173-180. https://doi.org/10.30880/ijie.2020.12.07.019.

20. Nitsenko, V., Kotenko, S., Hanzhurenko, I., & Ingram, K. L. (2020). Determination of Weight Coefficients for Stochastic and Fuzzy Risks for Multimodal Transportation. Journal of Physics: Conference Series, 1529, 032007. https://doi.org/10.1088/1742-6596/1529/3/032007.

• < Попередня
• Наступна >