ارائه ی یک مدل غیرخطی دو هدفه ی لجستیک بشردوستانه تحت شرایط عدم قطعیت برای بحران زلزله در منطقه ی ۱ شهر تهران

نوع مقاله : مقاله علمی - پژوهشی

نویسندگان

1 دانشجوی دکتری مهندسی صنایع، دانشگاه آزاد اسلامی، واحد علوم و تحقیقات، تهران، ایران

2 مدیر گروه مهندسی صنایع دانشگاه آزاد اسلامی واحد علوم و تحقیقات تهران

چکیده

سالانه بلایای طبیعی، در سراسر جهان، خسارات جانی و مالی جبران ناپذیری را به انسا نها وارد می کنند. بلایای طبیعی و پیامدهای آن ها موجب ضرورت توجه به فعالیت های امدادرسانی شده است، از این رو، این مطالعه با تمرکز بر لجستیک بشردوستانه، به ارائه ی یک مدل غیرخطی دوهدفه پرداخته است. شبکه ی لجستیک پیشنهادی از تأمین کنندگان، بیمارستان ها، مراکز توزیع امدادی و مناطق آسیب دیده تشکیل شده است و اهداف مدل شامل کاهش هزینه ی کل و افزایش سطح رضایت است. عدم قطعیت در مدل از طریق بهینه سازی استوار بررسی و پس از خط یسازی قسمت های غیرخطی، مدل چند هدفه با استفاده از روش معیار جامع حل شده است. برای نمایش کارایی مدل پیشنهادی از داده های یک مثال واقعی زلزله در منطقه ی ۱ شهر تهران استفاده شد و سه سناریو با نام های گسل ری، گسل شمال و گسل مشا مورد بررسی قرار گرفته اند. نتایج نشان داد در سناریوی شمال هزینه ی بیشتری به سیستم تحمیل می شود، به این دلیل که این گسل در فاصله ی نزدی کتری از منطقه ی مورد مطالعه واقع شده و خسارات بیشتری را موجب می شود و وقتی که تعداد مراکز امدادی افزایش می یابد، به علت داشتن سیستم توزیع مناسب، هزینه ی کل کاهش می یابد.

کلیدواژه‌ها


عنوان مقاله [English]

A non-linear multi-objective model for relief logistics under uncertainty for earthquake disaster in region 1 of Tehran city

نویسندگان [English]

  • hadis darikvand 1
  • Mohammad khalil zade 2
چکیده [English]

Annually, natural disasters bring irreparable injuries and losses for people throughout the world. Relief activities have to receive a deal of attention due to the negative consequences of natural disasters; thus, this paper develops a non-linear bi-objective model in the context of humanitarian logistics. The proposed logistics network consists of suppliers, hospitals, relief distribution centers, and affected areas. The objective of the proposed model is to minimize total cost while maximizing the satisfactory level. Furthermore, uncertainty relating to parameters are captured in the model through robust optimization, firstly, the nonlinear terms are linearized and then the bi-objective model is solved as a single-objective applying compromise programming method. Finally, to demonstrate the efficiency and effectiveness of the model, a real case study on earthquake disaster in region 1# of Tehran city is considered; three scenarios are defined namely Ray fault, Shomal fault, and Mosha fault. The results show the higher value for a total cost under the scenario of Shomal fault, as this fault is located near the considered region causing more losses, also, when the number of established relief distribution centers increases, the value of total cost decreases, because of a more resilient distribution system

کلیدواژه‌ها [English]

  • Humanitarian logistics
  • Robust Optimization
  • Multi-objective optimization
  • Earthquake
  • Case Study
1. IFRC. (2009). What is a Disaster? Available at: www. ifrc.org/what/disasters/about/index.asp.
2. محمدی، احمد؛ یعقوبی، سعید؛ نهفتی کهنه، جمال ) 1393 (. ارائه ی یک مدل ریاضی دو هدفه لجستیک امداد با نقاط انتقال و تسهیلات پشتیبان. مجل هی علمی و پژوهشی تحقیق در
عملیات و کاربردهای آن، دوره ی یازدهم ) 4(، 119 – 138 . 3. Ben-Tal, A., Chung, B.D., Mandala, S.R., &Yao, T. (2011). Robust Optimization for Emergency Logistics Planning: Risk Mitigation in Humanitarian Relief Supply Chains. Transp. Res. Part B, 45, 1177– 1189.
4. Thomas, A., & Kopczak, L. (2005). From logistics to supply chain management. The path forward in the humanitarian sector. Fritz Institute, available at: www. fritzinstitute.org 
5. Kova´cs, G., & Spens, K.M. (2007). Humanitarian logistics in disaster relief operations. International journal of physical distribution & logistics management, 37(2), 99-114
6. Trunick, P.A. (2005b). Special report: delivering relief to tsunami victims. Logistics Today, 46(2), 1-3.
7. Murray, S. (2005). How to deliver on the promises: supply chain logistics: humanitarian agencies are learning lessons from business in bringing essential supplies to regions hit by the Tsunami. Financial Times, January 7, p. 9.
۸. روزنامه دنیای اقتصاد ) ۱۳۹۵(. تهران، ایران، شماره ۳۸۶۴.
9. Jia, H., Ordonez, F., Dessouky, M. (2007). Solution approaches for facility location of medical supplies for large-scale emergencies. Comput Ind Eng, 52(2), 257–276
10. Tzeng, G-H., Cheng, H-J., & Huang, T D. (2007). Multi-objective optimal planning for designing relief delivery systems. Transportation Research Part E, 43,673–686.
11. Lin, Y-H., Batta, R., Rogerson, P.A., Blatt, A., & Flanigan, M. (2011). A logistics model for emergency supply of critical items in the aftermath of a disaster. Socio-Economic Planning Sciences, .45, 132-145.
12. Afshar, A., & Haghani, A. (2012). Modeling integrated supply chain logistics in real-time large-scale disaster relief operations. Socio-Economic Planning Sciences journal, 46, 327-338.
13. Wang, H., Du, L., & Ma, Sh. (2014). Multi-objective open location-routing model with split delivery for optimized relief distribution in post-earthquake. (2014). Transportation Research Part E journal, 69, 160-179.
14. Garrido, R.A., Lamasb, P., & Pino F.J. (2015). A stochastic programming approach for floods emergency logistics. Transportation Research Part E journal, 75, 18-31.
15. Sheu, J-B. (2007). An emergency logistics distribution approach for quick response to urgent relief demand in disasters. Transportation Research Part E, 43, 687–709.
16. Sheu J-B. (2010). Dynamic relief-demand management for emergency logistics operations under largescale disasters. Transportation Research Part E, .46, 1–17.
17. Ruan, J., Shi, P., Lim, C-C., & Wang X. (2015). Relief supplies allocation and optimization by interval and fuzzy number approaches. Information Sciences.
18. Chang, M-Sh., Tseng, Y-L., & Chen, J-W. (2007). A scenario planning approach for the flood emergency logistics preparation problem under uncertainty. Transportation Research Part E, 43, 737–754.
19. Beraldi, P., & Bruni, M.E. (2009). A probabilistic model applied to emergency service vehicle location. European Journal of Operational Research, 196, 323–331.
20. Mete, H.O., & Zabinsky, Z.B. (2010). Stochastic optimization of medical supply location and distribution in disaster management. Int. J. Production Economics, 126, 2010, 76–84.
21. Salmero´, J., & Apte A. (2010). Stochastic Optimization for Natural Disaster Asset Prepositioning. Production and Operations Management Society, 19(5), 561–574.
22. Rawls, C G., & Turnquist, M A. (2010). Pre-positioning of emergency supplies for disaster response. Transportation Research Part B, 44, 521–534
23. Chakravarty A.K. (2014). Humanitarian relief chain: Rapid response under uncertainty. Int. J. Production Economics, 151, 146–157.
24. Ahmadi, M., Seifi, A., & Tootooni, B. (2015). A humanitarian logistics model for disaster relief operation considering network failure and standard relief time: A case study on San Francisco district. Transportation Research Part E, 75, 145–163.
25. Alem, D., Clark, A., & Moreno, A. (2016). Stochastic Network Models for Logistics Planning in Disaster Relief. European Journal of Operational Research.
26. Zokaee, Sh., Bozorgi-Amiri, A., & Sadjadi S.J. (2016). A Robust Optimization Model for Humanitarian Relief Chain Design under Uncertainty. Applied Mathematical Modelling.
27. Rezaei-Malek, M., Tavakkoli-Moghaddam, R., Zahiri, B., & Bozorgi-Amiri, A. (2016). An interactive approach for designing a robust disaster relief logistics network with perishable commodities. Computers & Industrial Engineering.
28. Mulvey, M.J., Vanderbei, R.J., & Zenios, S.A. (1995). Robust optimization of large scale systems. Operation Research, 43(2), 264-281.
29. Yu Ch-S., & Li H-L. (2000). A robust optimization model for stochastic logistic problems. International Journal of production economics, 64, 385-397.
30. Banerjee, S., & Roy, T.K. (2001). Linear equation and systems in fuzzy environment. Journal of mathematics and computer Science, 15, 23–31.
31. Rao, S., & Rao, S. (2009). Engineering optimization: theory and practice. John Wiley & Sons.
32. Pelling, M., Maskrey, A., Ruiz, P., Hall, L. (2004). Reducing disaster risk: a challenge for development. A 49 ارائه ی یک مدل غیرخطی دو هدفه ی لجستیک بشردوستانه تحت شرایط عدم قطعیت برای بحران زلزله در منطقه ی ۱ شهر تهران دوفصلنامه علمی و پژوهشی شماره چهاردهم پاییز و زمستان 1397 Global Report, United Nations Development Programme, 52–53.
۳۳. آژانس همکاری های بین المللی ژاپن )جایکا(، ) ۱۳۸۰(. پروژه ی ریزپهنه بندی تهران بزرگ.
۳4 . امینی، جمال؛ کرمی، جلال؛ عل یمحمدی سراب، عباس؛ صفر راد، طاهر ) ۱۳۹۰(. ارزیابی مدل رادیوس در تخمین خسارات ناشی از زلزله در محیط GIS . مطالعات و پژوهش های شهری و منطقه ای، سال سوم، شماره ی یازدهم، ۴۰- ۲۳.