پیچیدگی در شبکه‌های برون‌سپاری حمل و نقل جاده‌ای. TRANSOPE: یک مدل پویا مبتنی بر عامل

این مقاله یک مدل پویای مبتنی بر عامل (TRANSOPE) را برای شبیه‌سازی برون‌سپاری بین شرکت‌های حمل‌ونقل پیشنهاد می‌دهد که در آن، برای اولین بار، دانش انباشته‌شده به عنوان متغیری برای انتخاب ارائه‌دهندگان خدمات گنجانده شده است. این مدل شامل دو رویه اصلی است. اولاً، این مدل تصمیم‌گیری متخصصانی را که با ارائه‌دهندگان خدمات حمل‌ونقل قرارداد می‌بندند و تشکیل زنجیره‌های برون‌سپاری را شبیه‌سازی می‌کند. ثانیاً، این مدل یادگیری مستقیم شرکت‌های شرکت‌کننده و انتقال دانش به محیط آنها را شبیه‌سازی می‌کند. رقابت ناقص در سه سناریوی مختلف تکرار می‌شود که شامل تقاضا برای خدمات حمل‌ونقل، فواصل منطقه‌ای و شدت انتقال دانش است. این مدل بر اساس مشاوره‌های تخصصی و یک نظرسنجی انجام شده در محیطی با تمرکز بالای شرکت‌های حمل‌ونقل در منطقه باسک اسپانیا است. نتایج نشان‌دهنده عدم تعادل قابل توجه در توزیع برون‌سپاری، به‌ویژه در شرایط تقاضای کم خدمات حمل‌ونقل است که در آن 30٪ از شرکت‌های حمل‌ونقل هیچ قراردادی را تضمین نمی‌کنند. با این حال، چنین موقعیت‌هایی منجر به وابستگی متقابل منطقه‌ای قوی شده است. پویایی برون‌سپاری نشان می‌دهد که بیش از 75٪ از شرکت‌های طرف قرارداد از روز اول در تمام سناریوهای شبیه‌سازی شده شرکت می‌کنند. همچنین یک سلسله مراتب قوی در شبکه مشاهده می‌شود، که در آن برخی از شرکت‌های حمل و نقل به عنوان مراکز اتصال عمل می‌کنند (با مقادیر امتیاز z بالاتر از 2.5 و مقادیر ضریب مشارکت بین 0.3 و 0.75)، که نشان دهنده ظرفیت بیشتر برای تعامل و رهبری در انتقال دانش است. این ویژگی به شبکه همکاری اجازه می‌دهد تا به عنوان یک شبکه بدون مقیاس شناخته شود. این مدل هزینه محاسباتی کمی دارد زیرا فواصل بین عوامل ثابت می‌ماند. در نهایت، رسمی‌سازی تصمیم‌گیری برون‌سپاری در مدل، اعتبار آن را در پیش‌بینی رفتار یک سیستم حمل و نقل بار تحت سناریوهای متغیر تأیید می‌کند.

مقدمه

با توجه به برون‌سپاری فزاینده نیازهای توزیع بار که در دهه‌های اخیر تجربه شده است (Gavaud et al., 2013; Cruz, 2013; Stojanović, 2017)، ارائه دهندگان خدمات در بخش حمل و نقل جاده‌ای بار (RFT در ادامه) به لطف تخصص بیشتر و شخصی‌سازی خدماتی که ارائه می‌دهند، به طور فزاینده‌ای در زنجیره‌های تأمین تعیین‌کننده‌تر هستند (Jharkharia and Shankar, 2007; Marasco, 2008). این تخصص به شرکت‌ها اجازه می‌دهد تا با انجام یک نقش خاص، که شامل مجموعه‌ای تعریف‌شده از مسئولیت‌ها و ظرفیت تصمیم‌گیری مشخص است، در انجام یک عملیات حمل و نقل همکاری کنند (Holmgren, Ramstedt & Davidsson, 2009). وقتی این همکاری بیش از دو شرکت را درگیر کند، زنجیره‌های برون‌سپاری حمل و نقل تشکیل می‌شوند (Salas, Cases & García-Palomares, 2019)، که به موجب آن هر یک از این شرکت‌ها تأثیر خاصی بر سایر عوامل موجود در زنجیره دارند (Rühl et al., 2013)، زیرا هر عامل به نوبه خود مجموعه‌ای از اهداف خاص دارد (Rühl & Boltze, 2017) که باید با هدف کلی تحقق حمل و نقل مطابق با نیازهای مشتری همسو باشند.

برون‌سپاری نتیجه تصمیم یک شرکت برای برون‌سپاری فرآیندها یا فعالیت‌های خاص است. در مورد فرآیندهای مکملی مانند حمل و نقل، برون‌سپاری نه تنها امکان‌پذیر است، بلکه ممکن است بسیار مفید نیز باشد (بارتلمی، ۲۰۰۳). در مقیاس محلی یا منطقه‌ای، توالی زنجیره‌های برون‌سپاری حمل و نقل، تشکیل شبکه‌های همکاری پیچیده بین شرکت‌ها را ایجاد می‌کند. پیچیدگی سازماندهی این زنجیره‌ها نه تنها بر جابجایی فیزیکی کالاها، بلکه بر نحوه تعامل و برقراری روابط عوامل درگیر در هر عملیات حمل و نقل با یکدیگر و انتقال اطلاعات و دانش نیز تأثیر می‌گذارد (کوچیا، ۲۰۰۸؛ برکالو و آلبرز، ۲۰۱۶). این جریان ارتباطی ارتباط نزدیکی با نوع ساختار سازمانی هر زنجیره برون‌سپاری حمل و نقل (TOC، از این پس) دارد و همچنین بر ظرفیت تصمیم‌گیری عوامل متخصصی که آنها را تشکیل می‌دهند، تأثیر می‌گذارد. با توجه به اینکه رایج‌ترین زنجیره‌های برون‌سپاری سلسله مراتبی هستند، ظرفیت برقراری ارتباط و تبادل ایده بین جفت‌های عامل محدود است (داگرتی و همکاران، ۲۰۱۱). با این حال، این تبادل نه تنها به صورت صریح (Blumenberg, Wagner & Beimborn, 2009) بلکه به صورت غیرمستقیم نیز صورت می‌گیرد. بنابراین، طبق گفته جولیانی (2007)، اگرچه صرفاً نزدیکی جغرافیایی لزوماً باعث این پدیده نمی‌شود، اما مشارکت عوامل در شبکه‌های محلی منجر به یادگیری جمعی و انتشار دانش می‌شود.

مدل‌سازی مبتنی بر عامل (ABM) امکان تجزیه و تحلیل پدیده‌ها را از طریق مدل‌سازی ناهمگونی عامل‌ها و مشاهده نحوه تعامل و سازماندهی آنها فراهم می‌کند (Macal & North, 2010). ABM امکان نمایش و تجزیه و تحلیل سیستم‌های پیچیده را فراهم می‌کند و امکان بررسی سناریوهای بالقوه را از طریق شبیه‌سازی فرآیندهای پویا برای بهینه‌سازی آنها فراهم می‌کند. با این حال، هنوز شکاف‌های خاصی در رابطه با حمل و نقل بار وجود دارد. اول، مکانیسم‌های همکاری که باعث ایجاد زنجیره‌های برون‌سپاری در یک عملیات حمل و نقل واحد تحت عوامل مختلف می‌شوند، تا به امروز در ادبیات مدل‌سازی نشده‌اند. دوم، تأثیر یادگیری مستقیم از طریق تجربه و انتقال دانش در تصمیم‌گیری متخصصان به عنوان یک متغیر در انتخاب ارائه دهندگان خدمات تحت هیچ مدل شناخته شده‌ای لحاظ نشده است. سوم، طبق گفته‌های دی بوک و تاواسزی (2018)، مدل‌های قوی باید بر اساس جستجوی روابط وابستگی متقابل بین عامل‌های تجربی ساخته شوند و آنها را بر اساس داده‌های عملکرد واقعی در فرآیندهای تصمیم‌گیری در زنجیره حمل و نقل بار قرار دهند. توصیف فردی هر عامل باید با استفاده از ابزارهای تجزیه و تحلیل جغرافیایی مانند GIS در فرآیندهای تعامل مکانی ادغام شود. در نهایت، فرآیندهای همکاری بین شرکت‌های حمل و نقل، که توسط انتقال دانش هدایت می‌شوند، باید از منظر رسانه‌های اجتماعی پیچیده شبیه‌سازی شوند تا پدیده‌های نوظهور بالقوه شناسایی، تجزیه و تحلیل و پیش‌بینی شوند.

برای کمک به متخصصان در تصمیم‌گیری و توسعه سیاست‌هایی که رقابت‌پذیری سیستم‌های حمل و نقل محلی و منطقه‌ای را بهبود می‌بخشند، ما مدل حمل و نقل بار مبتنی بر عامل TRANSOPE (عملیات حمل و نقل) را پیشنهاد می‌کنیم. TRANSOPE اجازه می‌دهد تا تصمیمات تخصصی در مورد برون‌سپاری و همکاری عملیاتی بین شرکت‌ها طبق مجموعه‌ای از قوانین، شرایط و محدودیت‌ها شبیه‌سازی شود. این مدل بر اساس داده‌های جمع‌آوری‌شده از مصاحبه‌ها و یک نظرسنجی SP از متخصصان RFT است. هر عامل با ویژگی‌هایی مانند اعتماد به عملکرد حرفه‌ای خود، رقابت‌پذیری در قیمت‌گذاری حمل و نقل و در دسترس بودن خدمات مشخص می‌شود. علاوه بر این، متغیرهای توپولوژیکی، فاصله بین ارائه‌دهندگان خدمات و مشتریان بالقوه آنها و همچنین فاصله رابطه‌ای از شرکت‌های منطقه خود را اندازه‌گیری می‌کنند. این مدل، رقابت ناقص را در سناریوهایی با موقعیت‌های مختلف تقاضای خدمات حمل و نقل، فاصله بین مناطق و شدت انتقال دانش، بازتولید می‌کند. ما از هیچ مدل دیگری که تصمیم‌گیری تخصصی در تشکیل TOCها را بر اساس استعدادها و موقعیت مکانی عامل‌ها و انتقال دانش بین آنها شبیه‌سازی کند، بی‌اطلاع هستیم. TRANSOPE توسعه و ناهمگونی تعاملات بین عوامل RFT را به عنوان یک شبکه پیچیده تجزیه و تحلیل می‌کند، که پویایی آن ممکن است از پیش‌بینی‌های رفتار کلی منحرف شود (Crooks & Heppenstall, 2012) و به نوبه خود ممکن است منجر به الگوها و ساختارهایی شود که به صراحت در مدل برنامه‌ریزی نشده‌اند (Macal & North, 2010).

این مقاله با دامنه‌ی موضوعی مجله همخوانی دارد، چرا که از طریق یک مدل چندعاملی، چگونگی سازگاری یک سیستم خبره با سناریوهای مختلف با استفاده از همکاری شبکه‌ای و انتقال دانش را تجزیه و تحلیل می‌کند.

این مقاله به بخش‌های زیر تقسیم شده است. ابتدا، بخش پیشینه، مدل‌های مرجع برای این کار را شرح می‌دهد. بخش ۳ با توصیف مدل TRANSOPE، جنبه‌های روش‌شناختی تحقیق را تشریح می‌کند. سپس این مدل در بخش ۴ برای یک مطالعه موردی اعمال می‌شود. بخش ۵ نتایج مربوط به توزیع و پویایی مشارکت عامل‌ها در TOC و خودسازماندهی عامل‌ها در شبکه را شرح می‌دهد. در نهایت، نتایج مورد بحث قرار گرفته و نتیجه‌گیری ارائه می‌شود.(منبع).