Dinamik Tedarikçilerin Konumları Altında Tersine Lojistik Ağ Tasarımı İçin İki

57

58

için kullanım ömürlerinin sonuna gelmiş ürünlerin yönetimini ifade eder (Guide Jr., V.D.R. & Van Wassenhove, L.N., 2009). Bu, örneğin, toplama, ayırma, geri dönüşüm, yeniden kullanma ve düzenli depolama operasyonlarını içerir (Fleischmann, M., ve diğerleri, 1997; Alshamsi, A. & Diabat, A., 2017). RL operasyonlarıyla ilgili belirsizlikle başa çıkmak için, gelişmiş stokastik modeller, beklenen farklı senaryolar altında gelecekte iyi performans gösteren bir ağ tasarımı oluşturabilir (Salema, M.I.G., Barbosa-Povoa, A.P., & Novais, A.Q., 2007). Ancak, RL ağının tasarım aşamasından bu yana belirsizlik göz önüne alınmazsa, genel tedarik zinciri performansını ve karlılığını azaltma şansı yüksektir

Bu tür sorunlardan kaçınmak için amacımız RL faaliyetlerinin zorluklarıyla uğraşan birkaç endüstride tekrarlanan anahtar parametreleri belirleyen yeni bir genel RLND modeli önermektir. Bu çalışmanın amacı için, sadece tedarik kaynaklarında toplanan malzemelerin '' hacmi '' belirsizliğini ve toplama merkezlerinde alınan malzemelerin '' kalitesini '' değil, aynı zamanda '' dinamik konumu ile ilgili belirsizliği de göz önünde bulunduruyoruz. Tedarikçilerin " Aslında, tedarikçilerin konumu, RL ağ yapılandırması üzerinde doğrudan bir etkiye sahiptir (Schmitt, A.J. & Snyder, L.V., 2012). Dahası, bu çalışmada, RL kanalında ilk sıralama işlemlerini gerçekleştirmek için kaynak ayırma merkezlerinin işletilmesini öneriyoruz. Uygulamada, kaynak ayırma merkezleri belediyeler tarafından malzemelerin geri dönüşümünü teşvik etmek ve toprak dolgu maliyetlerinin düşük olması nedeniyle topraklarında atık eliminasyonunu önlemek için işletilebilir (Kinobe, J., Gebresenbet, G., Niwagaba, C., & Vinnerås, B., 2015).

Malzemelerin ‘‘kaynak ayrılması “ile, geri dönüştürülebilir malzemeleri sertifikalı toplama merkezlerine taşımadan önce yapılan ilk ayırma işlemini kastediyoruz. Böylece, SSC tek malzeme konteynırlarını toplama merkezine göndermeden önce geri dönüşüm sürecinin erken bir aşamasında hasarlı malzemelerin ortadan kaldırılmasına izin verir.

Kaynak ayırma aşaması, toplama merkezinin üretkenlik düzeyini artıracak ve kullanılamaz malzemelerle bulaştırmaktan kaçınacaktır daha sonra, toplama merkezleri bu çalışmada sertifikalı tasnif tesislerinin rolünü oynamaktadır. Rolleri, sadece sonuçta geri dönüşüm amaçları için uygun olacak malzemeleri tutmak için ileri sınıflandırma işlemleri yapmaktır.

Önerilen karar verme modeli, bölgelerinde sürdürülebilir atık yönetimi stratejisi için daha verimli geri dönüşüm ağı geliştirmek için yönetmeliklerin ve teşviklerin

59

revizyonunda yer alan bölgeler tarafından kullanılabilir. Bu nedenle, karar vericiler yerel atık yönetimi politikasında bir değişiklik olması durumunda ağı yeniden optimize edebilir ve ayarlayabilirler. Bu tür düzenlemeler genellikle 5 yıllık bir planlama döneminde gerçekleşir. Önceki araştırmalarda, İnşaat, Yenileme ve Yıkım (CRD) endüstrisinde, RLND'nin tedarikçilerin konumunu, malzeme kalitesini ve toplanan malzemenin hacmini hedefleyen belirsizliğe çok duyarlı olduğu zaten tespit etmişti (Trochu, J., Chaabane, A.,

& Ouhimmou, M., 2018). Ancak, bilgimiz dahilinde, hiçbir stokastik model RLND problemini, tedarikçilerin konum kriterlerinin çok dönemli bir süre boyunca dinamik davranışını dikkate alarak ele almamaktadır. Önerilen modeli geliştirerek, aşağıdaki araştırma sorularını cevaplamayı hedefliyoruz:

RLND'yi dinamik tedarikçilerin konumları ve toplanan malzemelerin hacmi ve kalitesindeki belirsizlikler altında malzeme geri dönüşümü için optimize edebilir miyiz?

Kaynak ayırma merkezlerinin hangi rolü oynayabilir ve toplanan malzemelerin nicelik ve niteliğinin belirsizliği altında RLND performansı üzerindeki etkileri nelerdir?

Stokastik modeller iki farklı yaklaşımla sınıflandırılabilir. Birincisi iki aşamalı stokastik modelleme olarak bilinir ve iki tür karar değişkeni kullanır. Birinci tip, belirsizlik sonucunu gözlemlemeden önce sabitlenir ve birinci aşama karar değişkenleri olarak adlandırılırken, ikinci tür ancak rasgeleliğin gerçekleşmesinden sonra serbest bırakılır ve ikinci aşama karar değişkenleri işlemleri olarak bilinir (Birge, J. & Louveaux, F., 1997). Kaynaklı çok aşamalı stokastik programlama, belirsizliğin gerçekleşmesine dayalı olarak her aşamada kararların gözden geçirilmesine izin vererek iki aşamalı stokastik modelleri genişleten bir formülasyondur. Çok aşamalı stokastik modellerde, günümüzde mevcut kaynaklar, gelecekteki sonuçlar ve gelecekteki olası düzeltici faaliyetler dikkate alınarak alınacak kararlar üzerinde durulmaktadır (Kall & Wallace, 1994; Kall, P. & Mayer, J., 2005). Önceki stokastik modeller RLND'nin temel kaygısı, yeni ve geri dönüştürülmüş ürünlere yönelik pazar talebine ve/veya ters lojistik kanalı ile tedavi edilecek tüketicilerin geri getirdiği mal miktarına ilişkin belirsizliktir (Listes, 2007;

Lee, D.-H. & Dong, M., 2009; Baptista, S., Gomes, M.I., & Barbosa-Povoa, A.P., 2012;

Zeballos, L.J., Méndez, C.A., Barbosa-Povoa, A.P., & Novais, A.Q., 2014; Srinivasan, S.

& Khan, S.H., 2018) bu eğilim kaçınılmaz olarak yeni veya geri dönüştürülmüş ürün ve parçaların fiyatlandırmasındaki belirsizlik ve (Soleimani, H. & Govindan, K., 2014;

Fattahi, M. & Govindan, K., 2016; Yu, H. & Solvang, W.D., 2017) ters lojistiğin

60

kapasitesi, potansiyel geri dönüş akışlarını işlemek için tedarik zinciri (Chouinard, M., D’Amours, S., & Aït-Kadi, D., 2008; Ramezani, M., Bashiri, M., & Tavakkoli-Moghaddam, R., 2013) son zamanlarda, sürdürülebilir ters lojistik ağlarının tasarımı önemli bir zorluk haline gelmiştir. Bu nedenle, yeni stokastik modellerinin, sera gazı (GHG) emisyon seviyeleri (Pishvaee, M.S., Torabi, S.A., & Razmi, J., 2012) ve araba vergi oranları (Haddadsisakht, A. & Ryan, S.M., 2018) gibi çevresel parametreler hakkındaki belirsizliği dikkate alması önerilmiştir. Her ne kadar daha fazla bilinmeyen parametre içeren yenilikçi stokastik modeller geliştirme konusunda giderek artan bir endişe olsa da RL kanalı üzerinden toplanan ürünlerin ve dostların kalitesindeki belirsizliğe odaklanan az sayıda çalışma (Kara, S.S. & Onut, S., 2010; El-Sayed, M., Afia, N., & El-Kharbotly, A., 2010; Zeballos, L.J., Gomes, M.I., Barbosa-Povoa, A.P., &

Novais, A.Q., 2012), bilinmeyen iade edilen ürün miktarını, toplama tesislerindeki belirsiz sıralama oranını ve ağ iş düğümleri arasındaki belirsiz nakliye maliyetlerini içeren genel iki aşamalı stokastik bir RLND formülasyonu geliştiren ilk çalışmalardan biridir (Ayvaz, B., Bolat, B., & Aydın, N., 2015). Bununla birlikte, malzeme atık kalitesi hakkında bilgi, ters lojistik faaliyetlerini doğru bir şekilde yönetmek için CRD endüstrisinde önemli bir unsurdur (Sobotka, A. & Czaja, J., 2015).

Tersine lojistik ağı tasarım optimizasyonu sorunları, karar vericilerin karşılaştığı çoklu belirsizlikler nedeniyle genellikle karmaşıktır. Bu nedenle, burada bir katkısı olan niceliksel RLND modellerindeki belirsizliklerin daha fazla değerlendirilmesine ihtiyaç vardır. Uygulamalar açısından (Trochu, J., Chaabane, A., & Ouhimmou, M., 2018) CRD sektöründeki ters lojistik faaliyetlerinin ihmal edildiğini ve bu sektördeki ters lojistik ağının gerçekliğini dikkate alan sofistike karar verme aracına ihtiyaç olduğunu göstermiştir. CRD sektöründeki çalışma sayısı elektronik, imalat ve otomotiv gibi diğer sektörlere göre düşüktür. Bu incelemeye dayanarak, mevcut RLND literatüründeki sınırlamaları aşağıdaki gibi özetleyebiliriz. Önerilen modellerin çoğu, kullanılmış ürün ve parçaların talebi ve iadesi ile ilgili belirsizliği dikkate almaktadır. Belirsiz kalite sorunları azdır, atık toplama noktalarının dinamik doğasının getirdiği zorluk, stokastik RLND modellerinin önceki çalışmalarında ele alınmamıştır. CRD endüstrisi için toplum için büyük bir çevresel yükü temsil eden endüstrilerde gelişmiş uygulamalar sunan nicel RL modellerinin eksikliği vardır (Brandenburg, M., Govindan, K., Sarkis, J., & Seuring, S., 2014; Chileshe, N., Rameezdeen, R., Hosseini, M.R., Martek, I., Li, H.X., &

61

Panjehbashi-Aghdam, P., 2018). Gerçekten de önceki çalışmalarda atık yönetimi verimliliğinin, özellikle yüksek yoğunluklu kentleşmiş alanlarda atık toplama bölgelerinin konumundan etkilendiği tespit edilmiştir (Ghiani, G., Manni, A., Manni, E.,

& Toraldo, M., 2014). Her ne kadar belediye katı atıklarında kaynak ayırma stratejileri incelenmiş olsa da (Owusu, V., Adjei-Addo, E., & Sundberg, C., 2013; Fehr, 2014; Bing, X., ve diğerleri, 2016) bilgimiz dahilinde hiçbir stokastik model, kaynak ayırma merkezinin konum kararlarını içermemektedir zaman içinde dinamik tedarik kaynaklarından gelen toplanan malzemelerin belirsiz miktar ve kalitesiyle başa çıkmak bu nedenle, bu boşlukları bu araştırmada önerilen stokastik optimizasyon modeliyle doldurmayı planlıyoruz (Gambella, C., Maggioni, F., & Vigo, D., 2019).

7.5.1. Optimizasyon Modeli ve Geliştirme

Bu bölümde, karar değişkenleri amaç fonksiyonu ve kısıtlamaları içeren matematiksel mutasyonun yanı sıra, modeli geliştirmek için kullanılan ana varsayımları sunuyoruz. Okuyucu ek model gösterimleri yani setler ve parametreler için ek A'ya başvurur. Varsayımlar T, dönemler kümesi ve S, modelin dinamik tedarik kaynakları kümesi olsun T2T döneminde arz kaynağı S2S ziyaret edilirse değerleri 1'e eşit değilse ikili bir matris üst düşünüyoruz. Genel olarak inşaat ve yenileme faaliyetleri yıkım projelerinden daha uzun sürer böylece, tedarik kaynağını ziyaret etmenin tüm ufuk boyunca mümkün olduğunu varsayıyoruz. Ancak, yıkım projelerinde sadece bir kez ziyaret edilebilir. Vmstu, U2U senaryosunda her bir T2T kaynağı sırasında S2S besleme kaynağında toplanan her bir malzemenin M2M hacmini belirtiriz. Tedarik kaynaklarından toplanan malzemeler ayrılır, işlenir ve son olarak ikincil piyasalara satılır.

Geri dönüştürülmüş malzemelere olan talebin zaman içinde sabit kalması beklenmektedir. Böylece, ters lojistik ağı iki ana tesis türü içerir. İlk olarak, kaynak ayırma merkezleri, CRD alanlarından gelen karışık malzeme kaplarını sıralamak için kullanılır. Çok fazla altyapı ve ekipman gerektirmediklerinden, düşük işletme maliyetleri nedeniyle zaman içinde SSC'nin yer değiştirmesinin mümkün olduğunu varsayıyoruz (Moh, 2017). Toplama merkezlerine ulaşmadan önce bir karma malzeme konteyneri (MMC) bir SSC'ye gönderildiğinde, CC daha yüksek geri dönüşüm oranları elde edebilir.

Gerçekten de geri dönüştürülebilir malzemelerin kaynağında ayrılması, geri dönüştürülebilir malzemelerin karışık atıklardan geri kazanılmasından daha etkilidir, çünkü kaynak ayrımı geri dönüşüm için daha yüksek kalitede daha temiz malzemeler

62

üretmektedir (Bennagen, M.E.C., Nepomuceno, G., & Covar, R., 2002; Owusu, V., Adjei-Addo, E., & Sundberg, C., 2013). Bu nedenle, malzemelerin doğrudan tedarik kaynaklarından gönderilmesi durumunda CC'deki geri dönüşüm oranlarını sırasıyla rmtu ve ermtu olarak ele alalım. MMC ile ilgileniyor veya SSC'de işlenmişse böylece SMC ile ilgileniyor. SSC'yi tanıtarak, malzemelerin kaynak ayrımı ile toplama merkezlerinde elde edilebilecek ortalama geri dönüşüm oranları arasında bir ilişki olduğunu düşünüyoruz.

Fikir yürütmemizi aşağıdaki gerçeklere dayandırdık. İlk olarak, kaynak ayrılmasının malzemelerin zayıf bir karışımından kaçınacağını ve bozulmalarını sınırlayacağını varsayıyoruz. Ayrıca, CC'lardaki operasyonların MMC yerine SMC tedavisi ile daha verimli olduğunu varsayıyoruz ayrıca SSC kullanımının, gönderilerin konsolidasyonu yoluyla nakliye iyileştirmelerine neden olabileceğini ve bu araçlardan toplama kamyonlarına tam kamyon yüklerinin gönderildiğini varsayıyoruz (Kheirkhah, A. &

Rezaei, S., 2016). Bu nedenle, bu süreç, şehirde bulunan CRD sahaları çevresindeki ulaşım faaliyetlerinden kaynaklanabilecek sevkiyat sayısını ve yoldaki tıkanıklığı azaltır.

Önerilen tersine lojistik ağı yapısı karar değişkenleri alınacak kararlar, mevcut CC'nin kullanım ve kapasite genişlemelerini hedeflemektedir (her dönemde izin verilmektedir).

Ayrıca, model kapasite tahsisi ile yeni CC ve SSC'nin açılışını ve yerini ele almaktadır.

Son olarak, ağdan geçen çok katlı akışlara karar veriyoruz. CRD siteleri ile SSC arasında, CRD siteleri ve CC, CRD sahaları ve depolama alanları SSC ve CC'yi doldurur; SSC ve düzenli depolama alanları, CC ve arazi dolguları ve son olarak CC ile geri dönüşümlü malzeme pazarları arasındaki akışlar.

7.5.2. Çözüm Prosedürü

Hem belirsiz toplanan malzeme hacmi hem de geri dönüşüm oranları sürekli dağılımları takip ettiğinden, bu problemde potansiyel olarak çok sayıda sonuçla başa çıkmak zorundayız. Bu nedenle, çok sayıda senaryo için iyi bilinen bir yöntem olan çözümü için bir SAA prosedürü gerçekleştiriyoruz (Santoso, T., Ahmed, S., Goetschalckx, M., & Shapiro, A., 2005). Örnekleme ortalama yaklaşımı (SAA) stokastik optimizasyon problemlerini çözmek için iyi bilinen bir yaklaşımdır. Tedarik zinciri ağ tasarımına uygulanan bu metodolojinin etkinliği, birçok araştırmacı tarafından kanıtlanmıştır (Chouinard, M., D’Amours, S., & Aït-Kadi, D., 2008; Ayvaz, B., Bolat, B., & Aydın, N., 2015). Monte Carlo simülasyonlarına dayanan bu tekniği kullanarak rastgele bir örneklemden elde edilen stokastik problemin beklenen objektif fonksiyonuna

63

yaklaşmayı hedefliyoruz. Daha sonra, optimallık boşluklarının istatistiksel tahminlerini elde etmek için sorunu çeşitli örneklerle tekrar tekrar çözüyoruz. Bu örnekleme tekniği iyi yakınsama veya sayısal uygulamaya ilişkin faydalar gibi bazı avantajlar sunar, ancak temel olarak birçok çözümleme yönteminden daha fazla sayıda senaryo düşünülmesine izin verir (Santoso, T., Ahmed, S., Goetschalckx, M., & Shapiro, A., 2005).

7.5.3. Yıkım Endüstrisinde Bir Vaka Çalışması

Aşağıda, Kanada'nın Quebec eyaletindeki örnek endüstrisinde ters lojistik ağının tasarımı için önerilen modelin bir uygulamasını sunuyoruz.

Kanada yıkım endüstrisinin en büyük endüstriyel atık üreticilerinden biri olduğu bilinmektedir (MDDELCC, Sürdürülebilir Kalkınma ve İklim Değişikliği Bakanlığı).

Ayrıca, yıkım alanlarında toplanan malzemelerin miktarı ve kalitesi genellikle oldukça belirsizdir ve önemli zararlara yol açar (Jeffrey, 2011). Bu sektörde, gerekli belediye izinleri genellikle birkaç yıl önceden teslim edilmediğinden, yıkım yerlerinin gelecekteki konumu hakkında kesin bir tahmin elde etmek de zordur. Bu özellikler, verimli bir RL ağının tasarımını zorlu bir görev haline getirir ve modelimiz bu uygulama için uygundur Bu vaka çalışmasında, deneylerimizi yapmak için kullanılan bilgilerin önemli bir kısmı Quebec’ teki CRD endüstrisinin başlıca oyuncuları gibi güvenilir kaynaklar arasından dikkatle seçilmiştir: 3R-MCDQ1, RECYQ-QUEBEC2, MDDELCC3 1:

Quebec’ teki CRD malzemelerinin geri dönüşümcüsü; 2: Quebec bölgesindeki malzeme atık yönetiminden sorumlu kuruluş ve 3: sürdürülebilir kalkınma ve iklim değişikliği Bakanlığı). Böylece, ortalama toplama merkezlerinin geri dönüşüm oranlarına, konteyner boyutlarına, mevcut toplama merkezlerinin bazı yerlerine ve kapasiteleriyle birlikte düzenli depolama alanlarına ilişkin doğru veriler toplayabildik. Bu bölgedeki kentsel alanlarda ağ davranışları ve CRD atık yönetimine ilişkin geleneksel uygulamalar ve tekrarlayan zorluklar konusunda da değerli bilgiler oldukça önemlidir.