Supply Chain Network Design Under Uncertainty: A Case Study Research in Fast Moving Consumer Goods

Document Type : Original Paper

Authors

Deparment of Industrial Engineering, Kharazmi University

Abstract

In this paper, a bi-objective closed-loop supply chain has been studied by Robust Possibilistic Programming (RPP) approach. This paper aims to minimize the cost and product shipping time (delivery) to the customers.  The KVSS and MK company are considered a case study of Iran’s vegetable oil industry. This paper addresses -and models- some challenges of this industry and provides the RPP solution approach with appropriate solutions. The main challenge of this industry is that the supply of raw materials and oilseeds is highly dependent on other countries. Accordingly, many other factors such as the exchange rate, sanctions, governmental rules and regulations, custom tariffs, and the supply and demand process, etc., have an impact on the definitive decision-making. Hence, the data are considered uncertain and the RPP approach is used to solve the model. The solving approach is also used to decide on the bi-objective function, in which managers can easily decide on the complex processes of this industry.  Finally, the results of the model and the sensitivity analysis are presented to validate the model. The validation process uses examples and practical analyses that have been localized based on Iran’s conditions.

Keywords

Main Subjects

References

1. آذر، عادل؛ مؤمنی، منصور (1385). آمار و کاربرد آن در مدیریت. انتشارات سازمان مطالعه و تدوین کتب علوم انسانی دانشگاه‌ها (سمت)، تهران.
2. اصغری جعفرآبادی، محمد؛ محمدی، سیده مؤمنه (1391). سری آمار: مقدمه‌ای بر آمار استنباطی (برآورد عددی، فاصله اطمینان و آزمون فرض). مجله دیابت و متابولیسم ایران، 3(1)،192-173.
3. ایران پناه، نصراله؛ اصلانی، طاهره (1391). روش بوت استرپ در مدل‌های GARCH. سومین کنفرانس ریاضیات مالی و کاربردها، سمنان، دانشگاه سمنان، 12-1.
4. ایران پناه، نصراله، نوری امام‌زاده، سمانه، «آزمون‌های کلاسیک و بوت استرپ برابری میانگین‌ها»، نشریه علوم دانشگاه خوارزمی، سال چهاردهم، شماره دوم، 1393، ص ص: 96-83.
5. ترکمان احمدی، معصومه (1389). بررسی شکل ضعیف کارایی در بازار سهام با رویکرد جدید، کارشناسی ارشد، گروه اقتصاد، دانشکده علوم اجتماعی، دانشگاه رازی.
6. حکیمی، نادر؛ علی پور، محمدصادق؛ یزدان خواه منصوره؛ رضایی، اسعد اله (1393). پیش‌بینی تورم با استفاده از رهیافت‌ سری­های زمانی. مجله بررسی‌های آماری، 25(1)، 45-31.
7. حیرانی، مهرداد؛روشن‌ضمیر، نسیم (1397). مدل‌سازی سری‌های زمانی مالی با R. انتشارات بورس وابسته به شرکت اطلاع‌رسانی و خدمات بورس، ، تهران.
8. خالوزاده، حمید؛ صدیق خاکی، علی (1384). مدل‌سازی و پیش‌بینی سهام با استفاده از معاملات دیفرانسیل تصادفی.مجله تحقیقات اقتصادی، 69(1)، 26-1.
9. سجاد، رسول، گرجی، مهسا، «برآورد ارزش در معرض خطر با استفاده از روش بازنمونه‌گیری بوت استرپ (مطالعه موردی بورس اوراق بهادار تهران)»، فصلنامه علمی- پژوهشی مطالعات اقتصادی کاربردی در ایران، دوره اول، شماره یکم، 1391، ص ص: 164-137.
10. راسخی، سعید؛ خانعلی پور، امیر؛ خسروانی، فاطمه (1393). ﺍﺭﺯﻳﺎﺑﻲﺧﺎﻧﻮﺍﺩﻩ مدل‌های GARCH ﺩﺭ پیش‌بینی ﻧﻮﺳﺎﻧﺎﺕ ﺑﺎﺯﺍﺭ ( ﻣﻄﺎﻟﻌﻪ ﻣﻮﺭﺩﻱ: ﺑﺎﺯﺍﺭ ﺑﻮﺭﺱ ﺍﻭﺭﺍﻕ ﺑﻬﺎﺩﺍﺭ ﺗﻬﺮﺍﻥ ). ﻛﻨﻔﺮاﻧﺲ بین‌المللیﺣﺴﺎﺑﺪاری، اﻗﺘﺼﺎد و ﻣﺪﻳﺮﻳﺖﻣﺎﻟﻲ، تهران.
11. راعی، رضا؛ فلاح طلب، حسین (1392). ﮐﺎرﺑﺮد شبیه‌سازی مونت‌کارلو و ﻓﺮآﯾﻨﺪ ﻗﺪم زدن ﺗﺼﺎدفی در پیش‌بینی ارزش در ﻣﻌﺮض رﯾﺴﮏ. مجله مهندسی مالی و مدیریت اوراق بهادار، 4(16)،92-75.
12. زراء نژاد، منصور؛ رئوفی، علی (1394). پیش‌بینی بازار روزانه بورس اوراق بهادارتهران: ارزیابی و مقایسه روش‌های خطی و غیرخطی. دوفصلنامه اقتصاد پولی، مالی (دانش و توسعه سابق) دوره جدید، 20(9)، 29-1.
13. فتاحی، شهرام؛خانزادی، آزاده؛ نفیسی مقدم، مریم (1394). پیش‌بینی تلاطم بازده سهام در بورس اوراق بهادار تهران با استفاده از روش شبیه‌سازی MCMC و الگوریتم متروپلیس هستینگ. فصلنامه علمی پژوهشی دانش مالی تحلیل اوراق بهادار، 9(32)،94 -79.
14. نبوی چاشمی، سید علی؛ مختاری نژاد، ماریا (1395). مقایسه مدل‌های حرکت براونی و براونی کسری و گارچ در برآورد نوسانات بازده سهام. مجله مهندسی مالی و مدیریت اوراق بهادار،29(1)، 44-21.
 
15. Azar, A. Momeny (2009), Statistics and its application in management, SAMT Press. Iran. (In Persian).
16. Amanina, N.A, Safiih, L.M, & Anthea, D.A.D (2014) Bootstrap percentile in GARCH models: Study case on volatility of Kuala Lumpur Shariah Index (KLSI).Science and Engineerin, 928-931.
17. Beste, H.B,&Ufuk, Beyaztas (2018). BLOCK BOOTSTRAP PREDICTION INTERVALS FOR GARCH PROCESSES.Department of Statistics Bartin University, Bartin, Turkey, 1-19.
18. Beyaztas, B.H, Beyaztas, U, Bandyopadhyay, S,& Huang, W.M (2018). New and fast block bootstrap-based prediction intervals for GARCH (1,1) process with application to exchange rates. The Indian Journal of Statistics, 80(1), 168-194.
19. Chen, B, Gel, Y.R, Balakrishna, N, & Abraham, B (2011). Computationally efficient bootstrap prediction intervals for returns and volatilities in ARCH and GARCH processes. Journal of Forecasting,30(1), 51-71.
20. Essaddam, N, Mnasri (2015). Event-study volatility and bootstrapping: an international study.Applied Economics Letters, 22(3), 209-213.
21. Fathi & Shoghi (2015). Simulation of stochastic differential equation of geometric Brownian motion by quasi-Monte Carlo method and its application in prediction of total index of stock market and value at risk. Mathematical Sciences, 9(3), 115-125.
22. Frimpong, J.M, Oteng-Abayie, E.F (2006). Modelling and forecasting volatility of returns on the Ghana stock exchange using GARCH models.Munich Personal RePEc Archive, 27(593),1-21.
23. Hansen, P.R, Lunde (2005). A forecast comparison of volatility models: does anything beat a GARCH (1, 1)?Journal of applied econometrics, 20(7), 873-889.
24. Hatemi-J, A, Irandoust (2011). The dynamic interaction between volatility and returns in the US stock market using leveraged bootstrap simulations. Research in International Business and Finance, 25(3), 329-334.
25. Hwang, E, Shin, D.W (2013). Stationary bootstrap prediction intervals for GARCH (p, q). Communications for Statistical Applications and Methods, 20(1), 41-52.
26. Luger, R (2012). Finite-sample bootstrap inference in GARCH models with heavy-tailed innovations. Computational Statistics & Data Analysis, 56(11), 3198-3211.
27. Pazicky, M (2017). Sock Price Simulation Using Bootstrap and Monte Carlo.Scientific Annals of Economics and Business, 64(2), 155-170.
28. Pascual, L, Romo, J, & Ruiz, E (2000). Forecasting returns and volatilities in GARCH processes using the bootstrap.Statistics and Econometrics Series 31, Madrid, Spain, 1-68.
29. Pascual, L, Romo, J, &Ruiz, E(2006). Bootstrap prediction for returns and volatilities in GARCH models. Computational Statistics & Data Analysis,50(1), 2293-2312.
30. Tresch (2015). Sieve Bootstrap-Based Prediction Intervals for GARCH Processes.  Doctoral dissertation, Ashland University, United States.
31. Trucios, C, Hotta, L.K, & Ruiz, E (2017). Robust bootstrap forecast densities for GARCH returns and volatilities. Journal of Statistical Computation and Simulation,87(16), 3152-3174.
32. Trucios, C, & Hotta, L.K (2016). Bootstrap prediction in univariate volatility models with leverage effect. Mathematics and Computers in Simulation, 120, 91-103.‏
33. Varga, L, Zempleni (2012). Weighted bootstrap in GARCH models. arXiv preprint arXiv,Cornell University, New York.
Journal of Advanced Mathematical Modeling
Volume 11, Issue 1
April 2021
Pages 124-168

Files

History

  • Receive Date: 02 July 2019
  • Revise Date: 13 November 2020
  • Accept Date: 25 November 2020

Share

How to cite

Statistics