سامانه مدیریت نشریات علمی دانشگاه شهید بهشتی

یوسفی‌نژاد, ویدا, نیک بخش, احسان. (1400). کنترل موجودی فرآورده‌های خونی در شبکه بیمارستانی تحت شرایط عدم‌قطعیت. , 11(3), 131-152. doi: 10.52547/jimp.11.3.131
ویدا یوسفی‌نژاد; احسان نیک بخش. "کنترل موجودی فرآورده‌های خونی در شبکه بیمارستانی تحت شرایط عدم‌قطعیت". , 11, 3, 1400, 131-152. doi: 10.52547/jimp.11.3.131
یوسفی‌نژاد, ویدا, نیک بخش, احسان. (1400). 'کنترل موجودی فرآورده‌های خونی در شبکه بیمارستانی تحت شرایط عدم‌قطعیت', , 11(3), pp. 131-152. doi: 10.52547/jimp.11.3.131
یوسفی‌نژاد, ویدا, نیک بخش, احسان. کنترل موجودی فرآورده‌های خونی در شبکه بیمارستانی تحت شرایط عدم‌قطعیت. , 1400; 11(3): 131-152. doi: 10.52547/jimp.11.3.131

کنترل موجودی فرآورده‌های خونی در شبکه بیمارستانی تحت شرایط عدم‌قطعیت

چشم‌انداز مدیریت صنعتی
دوره 11، شماره 3 - شماره پیاپی 43، مهر 1400، صفحه 131-152    اصل مقاله (1.37 M)
نوع مقاله: مقاله پژوهشی
شناسه دیجیتال (DOI): 10.52547/jimp.11.3.131
نویسندگان
ویدا یوسفی‌نژاد1؛ احسان نیک بخش* 2
1کارشناسی ارشد، دانشگاه تربیت مدرس.
2استادیار،‌ دانشگاه تربیت مدرس.
چکیده
بحث کنترل موجودی خون و فرآورده‌های خونی مهم‌ترین چالش در مدیریت کارآمد زنجیره تأمین خون است؛ زیرا فرآورده‌های خونی فسادپذیر هستند؛ همچنین عرضه خون از سوی اهداکنندگان و تقاضا برای فرآورده‌های خونی از سوی بیماران غیرقطعی است. به‌صورت خاص، پلاکت با کوتاه‌ترین طول عمر، حداکثر پنج روز، گران‌ترین فرآورده خونی است؛ ازاین‌رو در این پژوهش مسئله کنترل موجودی پلاکت را در شبکه بیمارستانی با استفاده از برنامه‌ریزی عدد صحیح مطالعه می­شود. با توجه به وجود عدم­قطعیت تقاضای عادی بیماران در بیمارستان‌ها از رویکرد بهینه‌سازی استوار سناریومحور استفاده شده است. مدل پیشنهادی با استفاده از نرم‌افزار GAMS کدنویسی و حل شد. نتایج نشان می‌دهد که استفاده از رویکرد بهینه‌سازی استوار به‌طور متوسط 6/7 درصد هزینه‌های بیمارستان‌ها را نسبت به جوابی که عدم‌­قطعیت را نادیده می‌گیرد، کاهش می‌دهد؛ همچنین کارآمدی کنترل یکپارچه موجودی بیمارستان‌ها به ظرفیت سازمان انتقال خون برای عرضه پلاکت تازه وابسته است.
کلیدواژه‌ها
زنجیره تأمین خون؛ موجودی فسادپذیر؛ کنترل موجودی؛ بهینه‌سازی استوار؛ برنامه‌ریزی عدد صحیح غیرخطی
عنوان مقاله [English]
Inventory Control of Blood Products in the Hospital Network under Uncertainty
نویسندگان [English]
Vida Yousefinezhad1؛ Ehsan Nikbakhsh2
1M.Sc., Tarbiat Modares University.
2Assistant Professor, Tarbiat Modares University.
چکیده [English]
Inventory control of blood and its products is the most important challenge in efficiently managing a blood supply chain as blood products are perishable. In addition, the replenishment of blood, which donors supply, and the demand of patients for blood products are uncertain. In particular, platelets with the shortest lifespan, up to five days, are the most expensive blood products. Therefore, this study investigates the problem of platelet inventory control in a hospital network using integer programming. Due to the uncertainty of the demand of patients in hospitals, a scenario-based robust optimization approach is applied to minimize the worst-case performance of the system. The proposed model is coded and solved using GAMS software. The results demonstrate that using a robust optimization approach reduces hospital costs by 7.6% on average compared to a solution that ignores uncertainty. Moreover, the efficiency of hospitals' inventory control depends on the capacity of the Blood Transfusion Organization to deliver fresh platelets.
کلیدواژه‌ها [English]
Blood Supply Chain, Perishable Inventory, Inventory control, Robust Optimization, Nonlinear Integer Programming
مراجع
  1. Beliën, J., & Forcé, H. (2012). Supply chain management of blood products: A literature review. European Journal of Operational Research, 217(1), 1–16.
  2. Bozorgi Amiri, A., Mansoori, S., Pishvaee, M. (2017). Multi-objective Relief Chain Network Design for Earthquake Response under Uncertainties. Journal of Industrial Management Perspective, 7(1), 9-36. (In Persian)
  3. Cohen, M. A., & Pierskalla, W. P. (1975). Management Policies for a Regional Blood Bank. Transfusion, 15(1), 58–67.
  4. Dehghani, M., & Abbasi, B. (2018). An age-based lateral-transshipment policy for perishable items. International Journal of Production Economics, 198, 93–103.
  5. Dehghani, M., Abbasi, B. & Oliveira, F. (2021). Proactive transshipment in the blood supply chain: A stochastic programming approach. Omega, 98, 102112.
  6. Doodman, M., Bozorgi Amiri, A. (2020). Integrate Blood Supply Chain Network Design with Considering Lateral Transshipment under Uncertainty. Journal of Industrial Management Perspective, 9(4), 9-40. (In Persian)
  7. Dillon, M., Oliveira, F., & Abbasi, B. (2017). A two-stage stochastic programming model for inventory management in the blood supply chain. International Journal of Production Economics, 187, 27–41.
  8. Gunpinar, S., & Centeno, G. (2015). Stochastic integer programming models for reducing wastages and shortages of blood products at hospitals. Computers and Operations Research, 54, 129–141.
  9. Garey, M.R. (1979). Computers and Intractability: A Guide to the Theory of NP-Completeness. W. H. Freeman & Co., New York, NY.
  10. Haijema, R., Wal, J. Van Der, & Dijk, N. M. Van. (2005). Blood Platelet Production: a multi-type perishable inventory problem. Operations Research Proceedings 2004, Springer, New york, NY.
  11. Hasani, A., Zegordi, S. H., & Nikbakhsh, E. (2012). Robust closed-loop supply chain network design for perishable goods in agile manufacturing under uncertainty. International Journal of Production Research, 50, 37–41.
  12. Hosseinifard, Z., & Abbasi, B. (2018). The inventory centralization impacts on sustainability of the blood supply chain. Computers and Operations Research, 89, 206–212.
  13. Katsaliaki, K., & Brailsford, S. (2007). Using simulation to improve the blood supply chain. Journal of the Operational Research Society, 58, 219–227.
  14. Kopach, R., & Carter, M. (2008). Tutorial on constructing a red blood cell inventory management system with two demand rates. European Journal of Operational Research, 185(3), 1051–1059.
  15. Kouchaki Tajani, T., Mohtashami, A., Amiri, M., Ehtesham Rasi, R. (2021). 'Presenting a Robust Optimization Model to Design a Comprehensive Blood Supply Chain under Supply and Demand Uncertainties. Journal of Industrial Management Perspective, 11(1), 81-116 (In Persian).
  16. Kouvelis, P., & Yu, G. (1997). Robust Discrete Optimization and Its Applications. Springer, New York, NY.
  17. Labadie, N., Guerrero, W. J., & Labadie, N. (2019). Survey on Blood Supply Chain Management: Models and Methods. Computers & Operations Research, 112, 104756.
  18. Nahmias, S. (1982). Perishable Inventory Theory: A Review. Operations Research, 30(4), 680-708.
  19. Najafi, M., Ahmadi, A., & Zolfagharinia, H. (2017). Blood inventory management in hospitals: Considering supply and demand uncertainty and blood transshipment possibility. Operations Research for Health Care, 15, 43-56.
  20. Osorio, A. F., Brailsford, S. C., & Smith, H. K. (2015). A structured review of quantitative models in the blood supply chain: A taxonomic framework for decision-making. International Journal of Production Research, 53(24), 7191–7212.
  21. Rytilä, J. S., & Spens, K. M. (2006). Using simulation to increase efficiency in blood supply chains. Management Research News, 29(12), 801–819.
  22. Van Dijk, N., Haijema, R., Van Der Wal, J. & Sibinga, C.S. (2009). Blood platelet production: a novel approach for practical optimization. Transfusion, 49(3), 411-420.
  23. Yaghoubi, S., & Kamvar, M. (2017). Management of Products Consumption in Blood Supply Chain Considering Lateral Transshipment between Hospitals. Industrial Management Studies, 15(47), 93-119. (In Persian)
آمار
تعداد مشاهده مقاله: 3,228
تعداد دریافت فایل اصل مقاله: 2,205