توسعه مدل برنامه‌ریزی چند هدفه، چند دوره‌ای و چندسطحی زنجیره تامین خون

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی دکتری گروه مهندسی صنایع، واحد نور، دانشگاه آزاد اسلامی، نور، ایران

2 استادیار گروه مهندسی صنایع، دانشگاه علم و فناوری مازندران، بهشهر، ایران

3 استادیار گروه مهندسی صنایع، واحد قائمشهر، دانشگاه آزاد اسلامی، قائمشهر، ایران

4 استادیار گروه مهندسی صنایع، واحد نور، دانشگاه آزاد اسلامی، نور، ایران

چکیده

مقدمه: عدم برنامه‌ریزی درست در تامین خون ممکن است ضررهای جبران ناپذیری برای انسان به دنبال داشته باشد. هدف از این تحقیق تعیین برنامه بهینه اهدا، انبارش و ارسال خون به بیمارستان‌ها در هر دوره است به طوری که میزان هزینه‌های راه اندازی و طراحی زنجیره تأمین خون و نیز مدت زمان تحویل آن را کمینه کند.  
روش پژوهش: این مطالعه ازنظر هدف کاربردی و از نظر روش شناسی توصیفی - تحلیلی می‌باشد‌. مدل با رویکرد عدم قطعیت با استفاده از روش محدودیت اپسیلون و در نرم افزار GAMZ حل شد. برای ارزیابی صحت مدل، مطالعه موردی در 5 منطقه از استان مازندران صورت گرفت و با انجام تحلیل حساسیت بر روی پارامترهای کلیدی، اثر آن بر هزینه کل و زمان چرخه دریافت و انتقال خون بررسی شد.
یافته‌ها: نتایج این مطالعه حاکی از دقت بالای مدل با امکان ارسال جانبی بین بیمارستان‌ها می‌باشد‌. بطوری که با کاهش 5 درصدی در زمان حمل و نقل تا 15 درصد، کاهش زمان چرخه خون و کاهش 25 درصدی این زمان، کاهش 26 % کل فرآیند انتقال خون را به همراه دارد.
نتیجه‌‌گیری: نتایج عددی نشان می‌دهد استفاده از این مدل منجر به کاهش هزینه‌های راه اندازی و طراحی زنجیره تامین خون و نتیجتا کاهش مدت زمان دریافت و انتقال آن به بیمارستان‌ها می‌گردد. علت اصلی کاهش وجود سه مرکز سیار خون می‌باشد‌ که وظیفه نگهداری و انتقال خون به بیمارستان‌ها را دارد. در نتیجه استفاده از مدل های با امکان ارسال جانبی توصیه می‌‌‌گردد.

کلیدواژه‌ها


  1. Samani MR, Hosseini-Motlagh SM, Ghannadpour SF. A multilateral perspective towards blood network design in an uncertain environment. Methodology and implementation. Comput Ind Eng, 2019; 130: 450-471.
  2. Boonyanusith W, Jittamaip. Blood supply chain risk management using house of risk model. Walailak J Sci Technol, 2019; 16(8): 573-91.
  3. Mansouri E, Hajiaghaiee-Keshteli M, Tavakkoli-Moghaddam R. Development of a Forward/Reverse Logistic Network in Health Care under Uncertainty and Disaster. Journal of Emergency Management, 2017; 6(1): 5-17.
  4. Ibrahim IN, Mamman AI, Balogun MS, Abubakar A, Awwalu S, Kusfa IU, Usman AB, Waziri AD, Muktar HM. Motivation for donation among hospital blood donors and their attitude towards voluntary blood donation in State Government Hospitals, Kaduna, Nigeria. ISBT Science Series, 2019; 14(4): 345-51.
  5. Managing Director of Iranian blood transfusion organization: 2.1 million blood units are donated annually in the country. Mehr News Agency, December 17; 2016.
  6. Ghorashi SB, Hamedi M, Sadeghian R. Modeling and optimization of a reliable blood supply chain network in crisis considering blood compatibility using MOGWO. Neural Computing and Applications, 2020; 32(16): 12173-12200.
  7. Sibevei A, Azar A, Zandieh M. Using a two-step approach of risk matrix and DEMATEL to identify and analyze the most important risks in the blood supply chain. Journal of Healthcare Management, 2020; 11(2): 7-20.
  8. Sureshchannder GS, Rajendran C, Anantharaman RN. The relationship between service quality andcustomer satisfactions -a factor specific approach. Journal of Service Marketing, 2003; 16(4): 363-379.
  9. Osorio A. F, Brailsford S. C and Smith H. K. A structured review of quantitative models in the blood supply chain. A taxonomic framework for decision-making: International Journal of Production Research, 2015; 53(24): 7191-7212.
  10. Rahmani D. Designing a robust and dynamic network for the emergency blood supply chain with the risk of disruptions. Annals of Operations Research, 2019; 283(1): 613-641.
  11. Dagne TB, Jayaprkash J, & Geremew Gebeyehu S. Design of Supply Chain Network Model for Perishable Products with Stochastic Demand: An Optimized Model. Journal of Optimization in Industrial Engineering, 2020; 13(1): 29-37.
  12. Hsu CN, Lu PC, Hou CY, Tain YL. Blood pressure abnormalities associated with gut microbiota-derived short chain fatty acids in children with congenital anomalies of the kidney and urinary tract. Journal of clinical medicine, 2019; 8(8): 1090.
  13. Nagurney, A., Masoumi, A., H.Yu, M. Supply chain network operations management of a blood banking system with cost and risk minimization. Computational Management Science, 2012; 9(2): 205-231.
  14. Jahani, M., Eskandari, F., Mahmoudjanloo, S., Mahmoudi, G. The Causes of the Mortality of Inpatients in the hospitals covered by Semnan Province Universities of Medical Sciences Based on ICD10. Journal of healthcare management, 2017; 8(3): 7-16.
  15. Goldfarb RS. Shortage, Shortage, Who's Got the Shortage? The Journal of Economic Education, 2013; 44(3): 277-97.
  16. Rezaie N, Maarefdoust Z, Amini Kafiabad S, Mahdizadeh M, Birjandi F. Evaluation of the blood usage and wastage in Kerman hospitals: Sci J Iran Blood Transfus Organ, 2013; 10(3): 213-221.
  17. Nahmias S. Heidelberg: Perishable Inventory Theory. Springer; 2011.
  18. Mousavi R, Salehi-Amiri A, Zahedi A, Hajiaghaei-Keshteli M. Designing a supply chain network for blood decomposition by utilizing social and environmental factor. Computers & Industrial Engineering, 2021; 160: 107501.
  19. Arvan, M., Tavakkoli-Moghaddam, R. and Abdollahi, M. Designing a biobjective and multi-product supply chain network for the supply of blood. Uncertain Supply Chain Management, 2015; 3(1): 57-68.
  20. Hamdan B, Diabat A. A two-stage multi-echelon stochastic blood supply chain problem. Computers & Operations Research, 2019; 101: 130-43.
  21. Dehghani M, Abbasi B. An age-based lateral-transshipment policy for perishable items. International Journal of Production Economics, 2018; 198: 93-103.
  22. Hosseini-Motlagh S.-M., M.R.G. Samani, & Cheraghi S. Robust and stable flexible blood supply chain network design under motivational initiatives. Socio-Economic Planning Sciences, 2020; 70: 100725.
  23. Hosseini-Motlagh SM, Samani MR, Homaei S. Blood supply chain management: robust optimization, disruption risk, and blood group compatibility (a real-life case). Journal of Ambient Intelligence and Humanized Computing, 2020; 11(3): 1085-104.
  24. Derikvand H, et al., A robust stochastic bi objective model for blood inventory-distribution management in a blood supply chain. European Journal of Industrial Engineering, 2020; 14(3): 369-403.
  25. Doodman M, & Bozorgi Amiri A. Integrate Blood Supply Chain Network Design with Considering Lateral Transshipment under Uncertainty. Journal of Industrial Management Perspective, 2020; 9(4): 9-40.
  26. Shander A, Hofmann A, Gombotz H, Theusinger OM, Spahn DR. Estimating the cost of blood: past, present, and future directions. Best Practice & Research Clinical Anaesthesiology, 2007; 21(2): 271-289.
  27. Chen H, Chiang RH, Storey VC, Business Intelligence and Analytics: From Big Data to Big Impact. MIS Quarterly, 2012; 4(36): 1165-1188.
  28. Silva Filho OS., Carvalho M. A., Cezarino W, Silva R, & Salviano G. Demand forecasting for blood components distribution of a blood supply chain. IFAC Proceedings Volumes, 2012; 46(24): 565-571.
  29. Far RM, Rad FS, Abdolazimi Z, Kohan MM. Determination of rate and causes of wastage of blood and blood products in Iranian hospitals. Turkish Journal of Hematology, 2014 31(2): 161.
  30. Alahyari, M., Pilevari, N., Radfar, R. Providing a Model for Assessing Pharmaceutical Industries Supply Chain Sustainability Using Adaptive Neuro- Fuzzy Inference System (ANFIS). Journal of healthcare management, 2019; 10(3): 77-88.