مقاله انگلیسی با ترجمه سیستم پشتیبانی تصمیم گیری برای مدیریت موجودی و منبع یابی تطبیقی در شرکت های کوچک و متوسط

این مقاله علمی پژوهشی (ISI)  به زبان انگلیسی از نشریه الزویر مربوط به سال ۲۰۲۲ دارای ۲۲ صفحه انگلیسی با فرمت PDF و ۶۰ صفحه ترجمه فارسی به صورت فایل  WORD قابل ویرایش می باشد در ادامه این صفحه لینک دانلود رایگان مقاله انگلیسی ، بخشی از ترجمه فارسی مقاله و  لینک خرید آنلاین ترجمه ی کامل مقاله موجود می باشد.

کد محصول: M1197

سال نشر: ۲۰۲۲

نام ناشر (پایگاه داده): الزویر

نام مجله:   Robotics and Computer-Integrated Manufacturing

نوع مقاله: علمی پژوهشی (Research articles)

تعداد صفحه انگلیسی: ۲۲ صفحه PDF

تعداد صفحه ترجمه فارسی: ۶۰ صفحه WORD

قیمت فایل ترجمه شده۷۵۰۰۰ تومان

عنوان کامل فارسی:

مقاله انگلیسی ترجمه شده ۲۰۲۲ :  سیستم پشتیبانی تصمیم گیری برای مدیریت موجودی و منبع یابی تطبیقی در شرکت های کوچک و متوسط

عنوان کامل انگلیسی:

Decision support system for adaptive sourcing and inventory management in small- and medium-sized enterprises

برای دانلود رایگان مقاله انگلیسی بر روی دکمه ذیل کلیک نمایید

دانلود رایگان مقاله بیس انگلیسی

وضعیت ترجمه: این مقاله به صورت کامل ترجمه شده برای خرید ترجمه کامل مقاله بر روی دکمه ذیل کلیک نمایید (لینک دانلود بلافاصله بعد از خرید نمایش داده می شود)

خرید و دانلود ترجمه ی مقاله انگلیسی

مقالات مرتبط با این موضوع: برای مشاهده سایر مقالات مرتبط با این موضوع (با ترجمه و بدون ترجمه)  بر روی دکمه ذیل کلیک نمایید

مقالات انگلیسی مرتبط با این موضوع جدید

چکیده فارسی:

در سال های اخیر عدم قطعیت و رقابت تجاری بیش از حد ،باعث تغییراتی در مدیریت زنجیره تامین منابع و موجودی مبتنی بر داده در صنایع مختلف شده است. با این حال ، تنها شرکت های بزرگ دارای منابع لازم برای بکارگیری داده ها در راستای تصمیم گیری و برنامه ریزی خود هستند. در مقابل ، شرکتهای کوچک و متوسط ​​(SMEها) معمولاً منابع و دانش محدودی دارند ، که بر توانایی آنها در جمع آوری و استفاده از داده ها تأثیر می گذارد. بنابراین ، استفاده از ابزارهای تصمیم گیری پیشرفته برای کاهش اثرات عدم قطعیت بازار برای این شرکت ها یک چالش مهم می باشد. این مقاله یک سیستم پشتیبانی تصمیم گیری (DSS) برای مدیریت تامین منابع و موجودی را با هدف کمک به SME ها برای جمع آوری و بهره برداری از داده ها و پشتیبانی از تصمیمات آنها تحت ابهامات تجاری پیشنهاد می کند. DSS با استفاده از رویکرد بهینه سازی شبیه سازی با ترکیب شبکه عصبی مصنوعی و الگوریتم ژنتیک برای ارائه مسائل و بهینه سازی راه حل های پشتیبانی تصمیم گیری توسعه یافته است. بهره برداری از داده های شهودی و تجربی، بار جمع آوری داده های به دست آمده از منابع داده های سازماندهی نشده در عملیات SME را کاهش می دهد. علاوه بر این ، فاکتورهای عدم قطعیت مانند تقاضای مواد اولیه ، قیمت و زمان عرضه در نظر گرفته شده است. هنگامی که DSS در یک شرکت صنایع غذایی با اندازه  متوسط اجرا می شود ، می تواند راه حل های پشتیبانی تصمیمی را ارائه دهد که انتخاب تأمین کنندگان مناسب و مقادیر بهینه سفارش را ادغام می کند. همچنین می تواند به تصمیم گیرندگان کمک کند تا سیاست های مدیریت موجودی خود را در شرایط غیر قطعی تقاضای مواد اولیه شکل دهند ، در حالی که سطوح خدمات ، تبلیغات فروش ، زمان تدارک سفارش و در دسترس بودن مواد از سوی چندین تامین کننده را نیز در نظر بگیرند. در نتیجه ، اجرای DSS به کاهش هزینه کل مواد اولیه خریداری شده به طور متوسط ۵۱.۶۲ درصد کمک کرده و فاصله سفارش و هزینه موجودی در دسترس را به طور متوسط ۵۴.۲۴ درصد کاهش داده است.

کلیدواژه ها: سیستم پشتیبانی تصمیم ، SME ها ، عدم قطعیت ، تامین منابع ، مدیریت موجودی

۱.مقدمه

با افزایش نرخ جهانی سازی در سال های اخیر، کسب و کارهای مدرن در معرض سطوح بالاتری از اختلالات و امور قطعی قرار گرفته اند. این اختلالات (مانند بلایای مصنوعی(عامل انسانی) و طبیعی) می تواند اثرات منفی ایجاد کرده و عملکرد زنجیره تامین را کاهش دهد [۱، ۲]. با این حال، هیچ چیز نمی تواند با بحران بی سابقه کووید-۱۹ که سازمان بهداشت جهانی در ۱۱ مارس ۲۰۲۰ به عنوان یک بیماری همه گیر اعلام کرد، مقایسه شود [۳]. برخلاف سایر اختلالات، این بیماری همه گیر عدم انعطاف پذیری زنجیره تامین را در مقیاس جهانی برجسته کرده است [۴] و به طور  بی سابقه ای اختلالات شدید و طولانی مدت در زنجیره تامین ایجاد کرده است [۳]. علاوه بر این، شدت، وسعت و سرعت بی‌نظیر این بیماری تقریباً هر کشوری را وادار کرده است که اقتصاد خود را غیر فعال کرده و منجر به شوک های شدید تقاضا-عرضه و قطع جریان کالاها و محصولات مصرفی می شود [۵، ۶].

۶.نتیجه گیری و مطالعات آتی

سهم اصلی این مقاله توسعه یک ابزار پشتیبانی تصمیم برای SMEها برای مدیریت منابع و موجودی با استفاده از یک رویکرد هوشمند است. بر اساس دانش نویسندگان و بر اساس یافته های اخیر میتال، خان [۸۱]، اتخاذ رویکردهای ML و هوشمند در SMEها در حال حاضر فراگیر نیست. بر خلاف LEها، بسیاری از محققان مشکلاتی را که SMEها به دلیل منابع محدود و ظرفیت های جمع‌آوری و تجزیه و تحلیل داده‌ها در هنگام استفاده از ابزارهای فناوری اطلاعات یا مفاهیم هوشمند با آن مواجه می‌شوند، را برجسته کرده‌اند [۳۹، ۸۱، ۸۲]. با این وجود، تلاش‌هایی در این تحقیق برای بهره‌برداری از ابزارهای پیشرفته فناوری اطلاعات (یعنی DSS) و ML (یعنی ANN) در SMEهای تولیدی صورت گرفته است. علاوه بر این، مشخص شد که رویکرد مبتنی بر ML می‌تواند ویژگی‌های کلیدی عملیات منبع‌یابی و موجودی را از داده‌های ترکیب‌شده یا داده‌های دنیای واقعی استخراج کند…

Abstract

Elevated business uncertainties and competition over recent years have caused changes to the data-driven supply chain management of sourcing and inventories across industries. However, only large-sized enterprises have the resources to harness data for aiding their decision-making and planning. By contrast, small- and medium-sized enterprises (SMEs) commonly have limited resources and knowledge, which affects their ability to collect and utilize data. Thus, it is a challenge for them to implement advanced decision support tools to mitigate the effects of market uncertainties. This paper proposes a decision support system (DSS) for sourcing and inventory management, with the aims of helping SMEs compile and exploit data, and supporting their decisions under business ambiguities. The DSS was developed using a simulation-optimization approach by incorporating an artificial neural network and a genetic algorithm for problem representation and optimizing decision support solutions. The exploitation of observational and empirical data reduces the burden of data compilation obtained from unorganized data sources across SME operations. Further, uncertainty factors such as raw material demand, price, and supply lead time were considered. When implemented in a medium-sized food industry company, the DSS can provide decision support solutions that integrate the selection of recommended suppliers and optimal order quantities. It can also help decision-makers to shape their inventory management policies under uncertain raw material demands, while also considering service levels, sales promotions, lead times, and material availability from multiple suppliers. Consequently, implementation of the DSS helped to reduce the total purchased raw material costs by an average of 51.62% and reduced the order interval and on-hand inventory costs by an average of 54.24%.

Keywords: Decision support system, SMEs, Uncertainty, Sourcing, Inventory Management

۱.Introduction

 As the rate of globalization has increased in recent years, modern businesses have been exposed to higher levels of disruptions and uncertainties. These disruptions (such as fabricated and natural disasters) can induce negative impacts and reduce supply chain performance [1, 2]. However, nothing can compare to the unprecedented crisis of COVID-19, which the World Health Organization declared as a pandemic on March 11, 2020 [3]. Unlike other disruptions, this pandemic has highlighted the lack of supply chain resilience on a global scale [4] and has created unprecedented supply chain disruptions, with severe and long-lasting effects [3]. Moreover, the unparalleled magnitude, scope, and speed of this disease has forced almost every nation to shut down their economy, resulting in drastic demand-supply shocks and interrupted flows of commodities and consumer products [5, 6]…

۶.Conclusion and future works

 The main contribution of this article is the development of a decision support tool for SMEs for sourcing and inventory management operations using an intelligent approach. To the best of the authors’ knowledge and according to the recent findings of Mittal, Khan [81], the adoption of ML and intelligent approaches in SMEs is not currently ubiquitous. Unlike LEs, numerous researchers have highlighted the problems faced by SMEs when adopting IT tools or smart concepts due to their limited resources and capabilities of collecting and analyzing the data [39, 81, 82]. Nonetheless, attempts have been made by this research to exploit advanced IT tools (i.e., DSS) and ML (i.e., ANN) in manufacturing SMEs. Further, it is found that the ML-based approach can extract the key characteristics of the sourcing and inventory management operations, either from synthesized data or real-world data.

مقالات مرتبط با این موضوع

دانلود مقالات انگلیسی ۲۰۲۲ رشته مدیریت

دانلود مقاله انگلیسی ۲۰۲۲ مدیریت صنعتی

دانلود مقاله انگلیسی ۲۰۲۲ مهندسی صنایع

دانلود مقاله انگلیسی ۲۰۲۲ مدیریت تولید

دانلود مقاله انگلیسی ۲۰۲۲ درباره کسب و کارهای کوچک و متوسط

دانلود مقاله انگلیسی ۲۰۲۲ درباره عدم قطعیت

مقالات دانلود مقاله انگلیسی ۲۰۲۲ درباره تصمیم گیری