كنفرانس بين المللی مهندسی صنايع و سيستم ها

صفحه اصلی / دوازدهمین كنفرانس بين المللی مهندسی صنايع و سيستم ها

پیشبینی هزینه حمل در زنجیره تأمین خودرو با لحاظ تغییرات زمانی تعرفه و تفکیک لجستیک پیشرو و معکوس: مطالعه موردی شرکت ساپکو

نویسندگان :

غزل خسروی هفشجانی¹ مهدی اسماعیلی² سید محمود سید فرخانی³ سید محمد حسین اورازانی⁴

1- دانشگاه صنعتی امیرکبیر (پلی‌تکنیک تهران) 2- دانشگاه علامه طباطبائی 3- شرکت ساپکو 4- شرکت ساپکو

کلمات کلیدی :

پیشبینی هزینه حمل،زنجیره تأمین خودرو،یادگیری ماشین،لجستیک معکوس،خوشهبندی لجستیکی،XGBoost

چکیده :

پیشبینی هزینه حمل در صنعت خودرو به یکی از چالشهای اصلی برنامهریزی زنجیره تأمین تبدیل شده است؛ زیرا نوسانات تعرفه، افزایش هزینههای عملیاتی و پیچیدگی شبکههای حمل، برآورد دقیق هزینهها را دشوارتر کردهاند. این چالش در شبکههایی که همزمان حمل قطعات و بازگشت پالتهای خالی را مدیریت میکنند، به دلیل تفاوت الگوی هزینه در لجستیک پیشرو و معکوس، اهمیت بیشتری مییابد. در این پژوهش، چارچوبی دادهمحور برای پیشبینی پویای هزینه حمل در شرکت ساپکو ارائه شده است. دادههای مورد استفاده شامل 6686 رکورد واقعی عملیات حمل بوده و هزینه دو جریان «حمل قطعات همراه با پالت» و «بازگشت پالتهای خالی» بهصورت مستقل مدلسازی شده است. متغیرهای ورودی شامل خوشه مبدأ، خوشه مقصد، فاصله حمل، زمان سیر و شاخص تجمعی تغییرات تعرفه تن-کیلومتر هستند. خوشههای مبدأ و مقصد نیز از گروهبندی نواحی جغرافیایی با الگوهای حمل مشابه استخراج و بهعنوان متغیرهای طبقهای در مدل استفاده شدهاند. بهمنظور ارزیابی عملکرد، سه الگوریتم جنگل تصادفی، XGBoost و LightGBM با استفاده از معیارهای میانگین قدر مطلق خطا، ریشه میانگین مربعات خطا و ضریب تعیین مقایسه شدند. نتایج نشان داد هر سه الگوریتم عملکرد بسیار مطلوبی داشته و ضریب تعیین همه مدلها بیش از 0٫997 است. اگرچه جنگل تصادفی کمترین میانگین قدر مطلق خطا را در هر دو جریان حمل ثبت کرد، XGBoost از نظر ریشه میانگین مربعات خطا و ضریب تعیین عملکرد بهتری داشت و بهعنوان مدل نهایی انتخاب شد. چارچوب پیشنهادی میتواند در بودجهریزی حمل، ارزیابی پیشنهادهای پیمانکاران، بازنگری تعرفهها و توسعه سامانههای تصمیمیار لجستیکی بهکار گرفته شود.