مبتدی (مناسب برای درک مفهوم کلی مطلب) 

 اهداف تحقیق
رایانش ابری سلامت می تواند به بهبود اشتراک منابع کمک کند. این سیستم نظارت و مدیریت پزشکی بسیار مؤثری را ارائه می دهد و در عین حال هزینه های عملیاتی عظیم را کاهش می دهد. مبتنی بر ابر فناوری شناسایی فرکانس رادیویی ایمن، موثر و نظارت و مدیریت داده های پزشکی با کیفیت بالا. این می تواند به ارائه نتایج پیشرفته در انتقال، سلامت هوشمند کمک کند نظارت و قرار دادن دقیق IoT Cloud جدیدترین نوآوری است ترکیب چندین فناوری متصل به اینترنت برای ارائه راه حل های بلادرنگ در مکان ها و تنظیمات متعدد. ظهور اینترنت اشیا به هر نحوی کاربرد دارد، از مدیریت بیماری های مزمن گرفته تا اجتناب از آن مسائل مختلف بهداشتی، از بهداشت و درمان بسیار سود برده است. ابر و ادغام اینترنت در بهداشت و درمان چندین مزیت از جمله قابلیت اطمینان بالا، راندمان بالا، مجازی سازی و مقیاس پذیری را ارائه می دهد ، (Salih & Lilien, 2015, Ratnam & Dominic, 2014, Akrivopoulos et al., 2017). چهار هدف عمده این مقاله به شرح زیر است:
RQ1: – مطالعه رایانش ابری و نیاز آن به بهداشت و درمان و فن آوری کمک به رایانش ابری برای بهداشت و درمان؛
RQ2: – برای بحث در مورد مزایای کلیدی رایانش ابری برای صنعت بهداشت و درمان؛
RQ3: – مطالعه موانع و چالش‌ها در اتخاذ رایانش ابری برای بهداشت و درمان.
RQ4: – شناسایی و بحث در مورد کاربردهای مهم رایانش ابری برای بهداشت و درمان.

5. مزایای کلیدی رایانش ابری برای بهداشت و درمان
در دنیای امروز، رایانش ابری دائماً در بهداشت و درمان متحول می شود. بر اساس دیدگاه بازارهای جهانی، ارزش بازار رایانش ابری بهداشت و درمان تا سال 2025 به 55 میلیارد دلار خواهد رسید. علاوه بر مقیاس پذیری و ذخیره سازی، کسب و کارهای بهداشت و درمان امروزی به طور فزاینده ای به فناوری ابر به دلیل قابلیت های چشمگیر آن مانند همکاری، دسترسی، کارایی و امنیت روی می آورند. ابتدا، به عنوان یک نرم‌افزار به عنوان سرویس (SaaS)، ابر ممکن است خدمات میزبانی شده بر اساس تقاضا را برای کسب‌وکارهای بهداشت و درمان ارائه کند، که امکان دسترسی فوری به برنامه‌های کاربردی تجاری و مدیریت ارتباط با مشتری (CRM) را فراهم می‌کند. زیر ساخت به عنوان سرویس (IaaS) می تواند امکانات پزشکی را با رایانش بر اساس تقاضا و ذخیره سازی عظیم فراهم کند. در نهایت، به عنوان یک پلتفرم به عنوان سرویس (PaaS، ابر می‌تواند محیطی امن برای خدمات مبتنی بر وب و استقرار برنامه‌های کاربردی ابری فراهم کند (الزوبیدی، 2016، گلی ملک‌آبادی و همکاران، 2016، پدهی و همکاران، 2012).
ارائه اطلاعات پزشکی از بسیاری از رایانه ها، در هر مکان و هر دستگاه تلفن همراه، در قلب سیستم های ابری است. تحول بهداشت و درمان همچنین در مورد مزایای مراکز پزشکی و کاربران ابری برای به اشتراک گذاشتن داده های سلامت بیمار از طریق اینترنت است. رایانش ابری در بهداشت و درمان مقرون به صرفه و آسان است
برای نصب، با بسیاری از مزایای دیگر که می توان از آنها به خوبی استفاده کرد. در نتیجه، سرویس‌های مبتنی بر ابر کمک ارزشمندی را ارائه می‌کنند و با در دسترس‌تر کردن داده‌ها و قابلیت همکاری، به بهبود زیرساخت‌های سلامت کمک می‌کنند. چندین مزیت فناوری های مبتنی بر ابر در مورد استفاده در سیستم های بهداشت و درمان وجود دارد (دواداس و همکاران، 2017، آستو و همکاران، 2020، جاوید و همکاران، 2020، کومار و همکاران، 2018). شکل 1 برخی از کلیدها را نشان می دهد که مزایای این فناوری ها فناوری‌ها و پروتکل‌های امنیتی پیچیده‌ای در دسترس هستند. سطوح امنیتی اضافی در رایانش ابری به منظور جلوگیری از اطلاعات حساس، ارائه دهندگان ابر باید به مقررات نظارتی پایبند باشند تعهدات مربوط به سوابق پزشکی الکترونیکی فناوری ابری می تواند ارائه بازخورد در مورد اطلاعات پزشکی، تجزیه و تحلیل آن در زمان واقعی، و در نهایت بهداشت و درمان بیمار محور و داده محور را افزایش می دهد. تجزیه و تحلیل داده های مبتنی بر ابر ممکن است به ایجاد بازاریابی دقیق و متمرکز کمپین ها و تبلیغات با استفاده از اطلاعات کسب و کار از چندین منبع کمک کند (الحربی و همکاران، 2016، کو و همکاران، 2011). پزشکان برای کار با بیماران توانسته‌اند برای هر بیمار که درمان می‌کنند یک پرونده پزشکی جداگانه نگهداری کنند که کار را بسیار آسان تر می کند. فناوری ابر این اطلاعات را در زمان واقعی در دفاتر همگام و توزیع می کند. این فناوری به ذخیره سازی بدون مشکل داده ها و مقیاس پذیری پشتیبان کمک می کند و در طول دوره های شلوغ روز کاهش می یابد. علاوه بر این، تاکتیک‌های فاصله‌گذاری اجتماعی نیاز به مشاوره از راه دور با بیماران خردسال دارد (علی و همکاران، 2018، بامیه و همکاران، 2012، رجبیون و همکاران، 2019).
استقرار و ارتقاء ابر سریعتر از نرم افزار میزبانی در محل است. مدیریت خدمات ابری هزینه نسبتاً کمتری دارد و باعث نمی شود مصرف کنندگان خدمات خود را متوقف کنند. ارائه دهندگان بهداشت و درمان و بیماران آنها با خدماتی با بالاترین پهنای باند و سرعت با خدمات سریعتر مواجه می شوند. پلتفرم‌های ابری شامل ML و AI هستند که به شرکت‌ها کمک می‌کنند تا حجم زیادی از داده‌های مشتری را مدیریت کنند و تجزیه و تحلیل داده‌ها را در نقاط تماس متعدد خدمات بهداشت و درمان انجام دهند (Tyagi et al., 2016, Abdelaziz et al., 2018, Seddon & Currie, 2013). استفاده عمومی از فناوری‌های ذخیره‌سازی داده مبتنی بر ابر در بهداشت و درمان پتانسیل افزایش نتایج مراقبت از بیمار را ایجاد کرده است. محققان ممکن است از ابر در زمان خود و با کسری از هزینه برای استفاده از قابلیت های تحلیل ابررایانه استفاده کنند. تمام داده‌هایی که قبلاً در پرونده‌های بایگانی در دسترس نبودند، با استفاده از پیچیده‌ترین الگوریتم‌های رایانه‌ای موجود با ورود رایانش ابری قابل جستجو و تجزیه و تحلیل هستند (Gavrilov & Trajkovik, 2012, Hoang & Chen, 2010.

6. محرک های بالقوه رایانش ابری برای بهداشت و درمان صنعت
شکل 2 نمونه‌ای از محرک‌های مهم و بالقوه مختلف رایانش ابری برای افزایش عملکرد کلی حوزه بهداشت و درمان است. حرکت به ابر دو مزیت دارد بهداشت و درمان. هم پزشکان و هم بیماران از این موضوع بهره مند شده اند که از آن. در جنبه تجاری، رایانش ابری نشان داده شده است به کاهش هزینه های عملیاتی کمک می کند و در عین حال به ارائه دهندگان اجازه می دهد تا درمان با کیفیت بالا و متناسب را ارائه دهند. بیمارانی که دریافت درمان‌ها از این طریق است اکنون می‌توانند همان سطح مراقبت را از پزشک دریافت کنند و بخش سلامت حوزه های اصلی محرک های مشاهده شده مفاهیمی مانند کلان داده، یادگیری مصنوعی و ماشینی، تکنیک های بهداشت از راه دور، بالا تجزیه و تحلیل نیرومند و غیره است. رایانش ابری بیمار را بیشتر درمان کرده است که نتایج با افزایش مشارکت بیماران در برنامه های بهداشتی خود توسط ارائه دسترسی به داده های بهداشت و درمان آنها است (جیندال و همکاران، 2018، سینگ و همکاران،2017، جمال و همکاران، 2015، محمد و همکاران، 2014).
رایانش ابری بهترین راه حل ها را برای نیازهای بهداشت و درمان فراهم می کند که ارزان تر، سریع تر و شخصی تر هستند. به طور قابل توجهی می تواند کمک به تحقیقات پزشکی و اپیدمیولوژیک، پیش بینی بیماری، و آزمایشات بالینی تجزیه و تحلیل ابری از بیمارستان ها از طریق تجزیه و تحلیل ابری، تحلیل های پیش بینی، ابزارهای مبتنی بر هوش مصنوعی و منابع در تصمیم گیری های مبتنی بر شواهد پشتیبانی می کند. تجزیه و تحلیل ابری می تواند به طور مداوم نتایج را نظارت کند تا با تجزیه و تحلیل آنها از تجهیزات پزشکی مرتبط مختلف. بهداشت و درمان ارائه‌دهندگان راه‌حل ‌های مبتنی بر ابر را که می‌توانند برای بازاریابی، تجزیه و تحلیل/تشخیص، نظارت بر بیمار، پیشگیری و مدیریت استفاده شوند تا به اهداف خود برسند: (لیو و همکاران، 2018، نور و مون، 2012).
یک شرکت با یک کارمند از راه دور باید توسعه یابد تا افراد را از راه دور به سرعت مدیریت کند. همچنین مستلزم کاهش هزینه ها و ادامه فعالیت و رعایت قوانین سختگیرانه ایمنی و حفظ حریم خصوصی است. آنجا هیچ انعطافی برای رشد سریع و مؤثر زیرساخت های محلی موجود وجود نداشت و همچنین نمی توانست کاربران اضافی را در یک دوره قابل قبول گنجانده شود. کار استراتژیک شامل ایجاد یک مدل عملیاتی فناوری اطلاعات، ارزیابی پلت‌فرم‌ها و ابزارهای ابری و ایجاد مدرک قوی است. معماری ابری توسعه دهندگان را قادر می سازد تا به سرعت منابع و کار از راه دور، از جمله ایستگاه های کاری مجازی در فضای ابری را تامین کنند. که این کار دشواری مدیریت موجودی سخت افزار، تعمیرات و زیرساخت دسکتاپ مجازی را نیز برطرف می کند. E (Guo et al., 2012, Alshammari et al., 2020, Dzombeta et al., 2014).
ارائه دهندگان بهداشت و درمان لازم نیست نگران مدیریت داده های ابری خود باشند. پزشکان بهداشت و درمان ممکن است با کمک متخصصان توانمند فناوری اطلاعات که سیستم را نظارت و کنترل می کنند، بر زمینه های اساسی بهداشت و درمان تمرکز کنند. رایانش ابری نظارت بر پرداخت ها توسط ارائه دهندگان بهداشت و درمان را تسهیل می کند. علاوه بر این، سرمایه گذاری در زیرساخت های قابل توجه و پرهزینه ضروری نیست. انتخاب یک راه‌حل ابری می‌تواند بسیار مقرون‌به‌صرفه‌تر از ساختن سیستم‌های فیزیکی با شخصی‌سازی برنامه‌ای که مطابق با خواسته‌های آن‌ها باشد. سرورهای ابری می‌توانند اطلاعات را سریع‌تر آپلود، مبادله و بازیابی کنند تا متخصصان بهداشت و درمان، بیمارستان‌ها، تحقیقات و آژانس‌های مالی بتوانند بهتر همکاری کنند (Alphonsa & Amudhavalli، 2018، Agarwal & Sebastian، 2016، John & Shenoy، 2014)
حجم زیادی از داده های ایجاد شده در کسب و کار بهداشت و درمان با موفقیت در درایوهای مجازی ذخیره و قابل دسترسی است. رایانش ابری است برای ارائه خدمات و پلتفرم هایی استفاده می شود که به مدیریت مشتری کمک می کند. در نتیجه، بسیاری از شرکت ها یا سازمان هایی که خدمات بهداشت و درمان ارائه می دهند خدمات رایانش ابری به بیماران خود در نرم افزار، پلتفرم و زیر ساخت نیاز دارند. اینها امکان تبادل اطلاعات و رکورد را بهبود می بخشد و مدیریت و تخصیص منابع در موسسات بهداشتی را با رایانش ابری سرعت می بخشد و کار را برای متخصصان پزشکی ساده می کند تا با هم کار کنند و به صورت تیمی از طریق دستگاه های تلفن همراه درمان کنند واز ویدئو کنفرانس و نرم افزار طراحی شده برای شرکت های بهداشت و درمان استفاده کنند. ظرفیت پزشکان برای ارائه خدمات درمانی در سطح بالا به بیماران با حفظ ارتباط آنها با بیماران و همکاران افزایش یافته است (کازولا و همکاران، 2016، بامیه و همکاران، 2012، ایجاز و همکاران، 2021).

مبتدی (مناسب برای درک مفهوم کلی مطلب) 

از شکل 2 مشاهده می شود، اقدامات اصلی برای مقابله با خطرات خدمات مالی زنجیره تامین عبارتند از: سختگیری استانداردهای دسترسی سازمانی، ایجاد یک پلت فرم عملیات فشرده، ایجاد یک سیستم اعتباری مشترک، استفاده از بسته بندی اعتبار، استفاده منطقی از قوانین و مقررات، اعمال منطقی قوانین و مقررات، و تقویت تحقیقات اطلاعات بازار. سخت‌گیری استانداردهای دسترسی سازمانی به این معنی است که بانک‌ها به‌عنوان ارائه‌دهنده خدمات مالی زنجیره تأمین، باید ارزیابی‌های دسترسی را برای شرکت‌های زنجیره تأمین انجام دهند. برای ارائه خدمات تامین مالی لازم است شرکت هایی با وضعیت عملکرد پایدار و پیشینه تجاری واقعی انتخاب شوند. ایجاد بستر عملیات فشرده به این معنی است که بانک می تواند با ایجاد بستر تبادل اطلاعات با بنگاه، استراتژی مدیریت اعتبار قبلی را تغییر داده و بستر عملیات فشرده را توسعه دهد تا نظارت موثر بر جریان سرمایه و جریان نقدی شرکت را محقق سازد. شرکت، پروژه. استقرار سیستم اعتباری مشترک به این معنی است که وضعیت اعتباری کل شرکت های زنجیره تامین باید در نظر گرفته شود نه فقط اعتبار بنگاه های بزرگ. اتخاذ روش بسته‌بندی اعتباری به همراه کردن دارایی‌های اعتباری شرکت تامین مالی با پروژه‌های تامین مالی و معرفی یک موسسه شخص ثالث برای تنوع بخشیدن به ریسک اعتباری شرکت اشاره دارد. کاربرد منطقی قوانین و مقررات به این معناست که بانک ها باید مفاد قانونی محل مؤسسه تأمین مالی را به دقت مطالعه کنند و کاربرد محصولات تأمین مالی را مطالعه کنند. باید یک اداره امور حقوقی ایجاد شود تا با تقویت همکاری با موسسات حقوقی به مسائل مختلف حقوقی رسیدگی کند تا امنیت مالی بانک ها حفظ شود. تقویت تحقیقات اطلاعات بازار به این معنی است که بانک ها باید منابع انسانی و منابع فنی زیادی را برای بررسی و تحلیل اطلاعات بازار سرمایه گذاری کنند و از نتایج نظرسنجی برای تدوین سیاست های اعتباری معقول استفاده کنند.

(3) معماری مدل هشدار زودهنگام ریسک خدمات مالی زنجیره تامین
ایجاد مدل هشدار زودهنگام ریسک خدمات مالی زنجیره تامین برای پیش‌بینی و کاهش ریسک‌های تامین مالی زنجیره تامین اهمیت زیادی دارد (وانگ و همکاران، 2022). با تجزیه و تحلیل عوامل خطر و اقدامات پاسخ ریسک خدمات مالی زنجیره تامین، الگوریتم‌های هوش مصنوعی و برخی از دستگاه‌های شبکه برای ایجاد یک مدل هشدار اولیه خطر، همانطور که در شکل 3 نشان داده شده است، استفاده می‌شوند.
از شکل 3 می توان دید، مدل هشدار زودهنگام ریسک خدمات مالی زنجیره تامین مبتنی بر الگوریتم هوش مصنوعی به سه ماژول تقسیم می شود: جمع آوری داده های ریسک، محاسبه هشدار اولیه ریسک، و خلاصه رویداد ریسک. جمع آوری داده های ریسک شامل مدیران، سیستم های نظارت و سیستم های جمع آوری داده های خارجی است. مدیران نه تنها باید از سیستم نظارت برای نظارت بر ریسک های خدمات مالی زنجیره تامین شرکت های خود استفاده کنند، بلکه باید از سیستم جمع آوری داده ها برای جمع آوری و تجزیه و تحلیل ریسک های خدمات مالی زنجیره تامین خارجی استفاده کنند. محاسبه هشدار زودهنگام خطر بر اساس الگوریتم‌های هوش مصنوعی و فناوری رایانه است و شاخص ریسک مربوطه بر اساس استانداردهای ریسک تعیین شده محاسبه می‌شود. پس از بیرون آمدن نتایج محاسبات، اطلاعات هشدار طبق رویه‌های مربوطه صادر می‌شود تا بنگاه‌های زنجیره تامین یا بانک‌ها بتوانند به سرعت اقداماتی را برای مقابله با خطرات خدمات مالی زنجیره تامین انجام دهند. پس از حل این رویداد ریسک تامین مالی، پرسنل ارشد شرکت‌های زنجیره تامین یا بانک‌ها جلسه‌ای برگزار می‌کنند تا مشکلات موجود در پیش‌کنترل ریسک خدمات مالی زنجیره تامین را خلاصه کنند. اثربخشی اقدامات پاسخ نیز ارزیابی می شود و سوالات و نظرات در یک پایگاه داده ثبت می شود.

3. کاربرد الگوریتم هوش مصنوعی در ارزیابی ریسک خدمات مالی زنجیره تامین
(1) شبکه عصبی مصنوعی
شبکه عصبی مصنوعی یک سیستم پردازش اطلاعات غیرخطی و تطبیقی متشکل از تعداد زیادی واحد پردازش به هم پیوسته است که دارای چهار ویژگی غیرخطی، عدم محدودیت، بسیار کیفی و غیر تحدب است (سانکار و همکاران، 2022).

4. هدف آزمایشی و طراحی مدل هشدار اولیه خطر
(1) هدف آزمایشی
با استفاده از شبکه عصبی مصنوعی، الگوریتم ژنتیک و الگوریتم ازدحام ذرات برای انجام تحقیقات تجربی در مورد ریسک خدمات مالی زنجیره تامین، ثابت می‌شود که مدل هشدار اولیه ریسک ساخته شده در این مقاله می‌تواند ریسک خدمات مالی زنجیره تامین را که صنعت انرژی با آن مواجه است کاهش دهد. تجارت بین المللی، در نتیجه توسعه صنعت انرژی را ارتقا می دهد.

(2) طراحی آزمایشی
4 بانک انتخاب و به دو گروه تقسیم شدند. گروه اول از مدل هشدار اولیه ریسک مبتنی بر الگوریتم هوش مصنوعی برای هشدار و کنترل خطرات خدمات مالی زنجیره تامین استفاده کردند. این گروه گروه R نام داشت که شامل بانک S و بانک T می شد. گروه دوم از روش های سنتی هشدار زودهنگام ریسک برای پیش اخطار و کنترل ریسک های خدمات مالی زنجیره تامین استفاده کردند. این گروه گروه U نام داشت که شامل بانک V و بانک W بود. یک مطالعه تجربی 6 ماهه بر روی 4 بانک انجام شد و مطالعه تجربی از پنج بعد ارزیابی صحت اعتبار شرکت، بروز ریسک عملیاتی انجام شد. ، دقت جمع آوری اطلاعات، میزان تغییرات در ریسک های قانونی و نظارتی و دقت پیش بینی ریسک های محیطی خارجی. پس از پایان آزمایش، نتایج تجربی مشاهده و تجزیه و تحلیل می شود.

5. نتایج تجربی مدل هشدار اولیه خطر
(1) ارزیابی دقت اعتبار شرکت
آزمون ارزیابی اعتبار شرکتی 6 ماهه برای بانک‌های گروه R و بانک‌های گروه U انجام شد. بانک‌های گروه R از مدل هشدار زودهنگام ریسک مبتنی بر الگوریتم هوش مصنوعی برای ارزیابی و آزمایش استفاده کردند، در حالی که بانک‌های گروه U از روش‌های سنتی هشدار اولیه ریسک برای ارزیابی و آزمایش استفاده کردند. همانطور که در شکل 4 نشان داده شده است، آمار داده ها یک بار در ماه برای به دست آوردن دقت ارزیابی اعتبار بانک از شرکت انجام شد.
شکل 4a دقت ارزیابی بانک از اعتبار شرکتی و شکل 4b میانگین دقت ارزیابی بانک از اعتبار شرکتی را نشان می دهد. در مجموع، دقت ارزیابی بانک S و بانک T بالاتر از بانک V و بانک W بود. دقت ارزیابی بانک S در ماه اول 73.66 درصد، بانک T 72.7 درصد، بانک V و بانک W بود. به ترتیب 65.7 درصد و 64.8 درصد. در ماه اول، دقت ارزیابی بانک‌های گروه R 7.93 درصد بیشتر از بانک‌های گروه U بود. مدل هشدار اولیه ریسک مبتنی بر الگوریتم هوش مصنوعی از همان ابتدا در بهبود دقت ارزیابی بانک نقش داشت. از نتایج آزمون نهایی، دقت ارزیابی بانک اس و بانک تی به ترتیب 26/85 و 39/85 درصد و دقت ارزیابی بانک V و بانک W به ترتیب 63/79 و 59/81 درصد بود. دقت ارزیابی گروه R بالاتر از گروه U بود. در ماه چهارم، بانک V و بانک W هر دو کاهش اندکی در دقت ارزیابی داشتند، در حالی که بانک S و بانک T روند نزولی نشان ندادند، که نشان می‌دهد. که مدل هشدار اولیه خطر مبتنی بر الگوریتم هوش مصنوعی از نظر دقت ارزیابی نسبتاً پایدار است. میانگین دقت ارزیابی گروه R 79.81% و در گروه U 74.29% بود. میانگین دقت ارزیابی گروه R 7.43 درصد بیشتر از گروه U بود که نشان داد مدل هشدار اولیه خطر مبتنی بر الگوریتم هوش مصنوعی می تواند نقش مهمی در بهبود دقت ارزیابی داشته باشد.

(2) بروز ریسک عملیاتی بانک
یک مطالعه 6 ماهه در مورد بروز ریسک عملیاتی بانک برای مقایسه تفاوت بین بانک‌های گروه R و بانک‌های گروه U انجام شد. نتایج تجربی در جدول 1 نشان داده شده است.
از جدول 1 می توان مشاهده کرد که بروز ریسک عملیاتی بانک در چهار پیوند عملیاتی طراحی طرح خدمات، تایید تامین مالی، وام دهی و مدیریت پس از اعتبار منعکس شده است. در طراحی طرح خدمات، بانک T با 21.63 درصد کمترین میزان بروز ریسک عملیاتی و بانک W با 24.47 درصد بیشترین میزان بروز ریسک عملیاتی را داشتند. در فرآیند تایید تامین مالی، بانک T با 21.24% کمترین میزان وقوع ریسک عملیاتی را داشت و بانک S دارای نرخ بروز ریسک عملیاتی بود که 0.41% کمتر از بانک V بود. در فرآیند وام دهی، نرخ ریسک عملیاتی بانک T 20.23 درصد بود که 2.24 درصد کمتر از بانک W بود. از نظر مدیریت پس از اعتبار، بانک V با 24.56 درصد بیشترین میزان بروز ریسک عملیاتی را داشت که 2.4 درصد بیشتر از بانک T بود. نرخ بروز ریسک عملیاتی کلی بانک S و بانک T به ترتیب 22.71% و 21.32% بود. نرخ بروز ریسک عملیاتی کل بانک V و بانک W به ترتیب 23.37٪ و 23.76٪ بود. بروز ریسک عملیاتی در گروه R 6.58 درصد کمتر از گروه U بود. مدل‌های هشدار اولیه ریسک مبتنی بر الگوریتم‌های هوش مصنوعی نقش مهمی در کاهش بروز ریسک‌های عملیاتی بانک داشتند.
(3) دقت جمع آوری اطلاعات
بررسی 6 ماهه صحت جمع آوری اطلاعات توسط بانک ها انجام شد. با مقایسه تفاوت بین بانک‌های گروه R و بانک‌های گروه U، تأثیر مدل هشدار زودهنگام ریسک و روش سنتی هشدار زودهنگام ریسک بر دقت جمع‌آوری اطلاعات مورد بررسی قرار گرفت. محتوای خاص در شکل 5 نشان داده شده است.

مبتدی (مناسب برای درک مفهوم کلی مطلب) 

3. معادلات پویای UAV
در این بخش، مدل UAV برای به دست آوردن مشاهده گر آشفتگی استفاده خواهد شد، ارائه شده است. ابتدا معادلات حرکت پویا پیوسته برای اجسام سفت و سخت سه بعدی، فرموله شده به شکل تکانه، در مرجع جهانی و با توجه به عملکرد جاذبه، محرک های چرخشی و آشفتگی ها ارایه می گردد. با توجه به اطلاعات و دانش نویسندگان، این انتخاب که از مزایای ساخت سیستم به صورت خطی بهره می برد، قبلاً در زمینه تخمین اختلالات (آشفتگی ها) در UAV مورد استفاده قرار نگرفته است. دوم، یک مدل آشفتگی ساده اما کلی مورد بررسی قرار می گیرد. در نهایت، مدل مشترک با در نظر گرفتن دو دینامیک قبلی نشان داده می شود.

3.1 معالات حرکت پویا. اجازه دهید فریم {W}، یک لختی با منشاء سطح زمین با جهت گیری ثابت داده شده باشد. پیکربندی NED (شمال- شرق- پایین) در اینجا به صورت عرف معمول مورد استفاده قرار می گیرد، یعنی، محور x فریم، سمت قطب شمال، محور y سمت شرق و محور z سمت مرکز زمین را نشان می دهد.
اجازه دهید فریم {B} یک فریم غیر لختی واقع در مرکز جرم جسم باشد که به سختی با نقاط محور x به سمت جلو، محور y به سمت راست و محور z به سمت پایین متصل است. شکل 1 این فریم های مرجع را نشان می دهد.

3.2 مدل آشفتگی (اختلال). به طور کلی دینامیک ها ناشناخته هستند و این دلیل اصلی این امر است که افرادی منند روگییرو و همکارانش (2014) و یوکسل و همکارانش (2014) فرض کردند که d=0 است. با این حال، این محدودیت می تواند خروجی تخمین را به صورت دینامیک های خیلی سریع کاهش دهد. به منظور کاهش این اشکال، می توان فرض کرد که آشفتگی d، یک تابع پیوسته است که با زمان ناشناخته هدایت می شود و خروجی برون زا در r امین مشتق آن تغییر می نماید،

3.4 اندازه های سیستم- در مورد برنامه های کاربردی ناوبری (جهت گیری) معمولی، از یک برآوردگر لایه بالا برای بازسازی حالت های برخورد و سرعت در حین فیلترینگ و حذف خطا از خوانش سنسورها استفاده می شود؛ به عنوان مثال، به مقالات سانتاماریا- ناوارو و همکاران. (2015) ، لینن و همکاران. (2013) یا آثار کیلی و سوخاتم (2011) مراجعه فرمایید.

4. مشاهده گر کران دار (محدود) درجه دوم بهینه UAV
در این بخش، از روش طراحی ارایه شده در بخش 3 برای تولید یک مشاهده گر برای UAV ارایه شده در معادلات 48 و 54 استفاده می نماییم. برای نشان دادن عملکرد تخمین، از شبیه سازی موجود در شکل 2 استفاده می کنیم.
ورودی های مدل دینامیکی (پویا)، سرعت زاویه مطلوب چهار روتور به همراه آشفتگی d است که نمودار زمان آن در شکل 3 آورده شده است. این آشفتگی، نیرویی است که در جهت x جهانی عمل می کند. مجموعه سنسورهای در نظر گرفته شده شامل یک IMU است که سرعت زاویه ای UAV و شتاب نیروهای خارجی را اندازه گیری می کند، یک مغناطیس سنج سه محوره که از جهت میدان مغناطیسی زمین خارج می شود و یک سنسور GPS که موقعیت خود را از فریم {W} بیرون می کشد. کنترلر، مدل UAV و مدل محرک (فعال کننده) اصطلاحاتی هستند که توسط هارتمن و همکاران (2014) ارایه شده است، با این وجود کوارترها برای پارامتری کردن و اندازه گیری حالات برای شبیه سازی رفتار یک کوادروتور AscTec Hummingbird در نظر گرفته می شوند. مدل های سنسور (حسگر) بر اساس آزمایش های واقعی بر روی پلت فرم آزمایشی اندازه گیری می شوند (مدرج می شوند).

تعادل شبکه زنجیره تامین با حمایت مالی استراتژیک با استفاده از معاملات آتی

Supply chain network equilibrium with strategic financial hedging using futures

Abstract

In this paper, we develop a network equilibrium model for supply chain networks with strategic financial hedging. We consider multiple competing firms that purchase multiple materials and parts to manufacture their products. The supply chain firms’ procurement activities are exposed to commodity price risk and exchange rate risk. The firms can use futures contracts to hedge the risks. Our research studies the equilibrium of the entire network where each firm optimizes its own operation and hedging decisions. We use variational inequality theory to formulate the equilibrium model, and provide qualitative properties. We provide analytical results for a special case with duopolistic competition, and use simulations to study an oligopolistic case. The analytical and simulation studies reveals interesting managerial insights.

1 Introduction

Supply chains today have become increasingly complex and global, which have made firms at different stages of supply chains more and more vulnerable to various risk factors. Understanding and managing these risks as well as their impacts on supply chain operations and profitability have become a business imperative for many companies. Therefore, supply chain risk management has drawn increasing attentions from both academians and practitioners.

In this research we focus on using futures to hedge foreign exchange risk and commodity price risk in supply chains. A survey by Scott (2009) showed that foreign exchange risk was ranked as the second most important risk factor by the risk management executives of 500 global companies. The fluctuations of currency values can cause significant loss to firms that are engaged in global trades. For example, in January 2015, the chief executive officer of Procter & Gamble warned that the appreciating value of dollar would result in a 5% reduction of the company 2015 sales and a 12% reduction in profit (Narvaez, 2015). For another example, in 2016 the British companies rushed to hedging their foreign exchange risk to protect themselves from the growing “Brexit” risk (Nag, 2016). Moreover, supply chains are also affected by the commodity price risk directly by the raw material prices and indirectly by the energy and transportation cost (Zsidisin, Hartley, & Gaudenzi, 2016). For example, in 2011 the consumer production company, Kimberly-Clark, suffered sales and profit decline partially due to the increasing wood pulp price (Zsidisin & Hartley, 2012). Commodity prices can be very volatile in the global market. For instance, from August 2003 to March 2004, soybean prices increased by 74% from $237 to $413, and then dropped to $256 within the next two years (Zsidisin & Hartley, 2012). For another instance, from April 2010 to April 2011, the price of silver tripled in the commodity market (Zsidisin & Hartley, 2012).

According to a study of over 7000 nonfinancial firms from 50 countries, about 60% of the surveyed firms have conducted some form of hedging using financial derivatives (Bartram, Brown, & Fehle, 2009). Our research focuses on the use of futures to hedge foreign exchange and commodity price risks. In the world largest futures and option market, CME Group, (Chicago Mercantile Exchange and Chicago Board of Trade), futures are the dominant form of derivative contract for foreign exchange rates and commodity prices. For example, as of October 2017, for foreign exchange rate, the ADV (average daily volume) of futures is 832,165 and the ADV of options is 78,688; for metals, the ADV of futures is 506,049 and the ADV of options is 47,462; and for commodities and alternative investment, the ADV of futures is 1,116,089 and the ADV of options is 249,468 (CME Group, 2017). CME also provides detailed guides for businesses at different stages of supply chains to engage in financial hedging.

استراتژی های تامین بودجه و سفارش دهی یک زنجیره تامین تحت قرارداد اختیار معامله

Financing and ordering strategies for a supply chain under the option contract

Abstract

We study a two-echelon supply chain consisting of a capital-constrained retailer ordering via the option contract to satisfy uncertain demand from a single supplier. The retailer can apply for either a bank loan or trade credit from the supplier whenever necessary. In addition to economic revenue, the supplier has a relationship concern and takes the retailer’s revenue into consideration. By developing a Stackelberg game, we analyze the ordering and financing problems in the supply chain. The results show that in the presence of the retailer’s bankruptcy risk, the supplier should always finance the retailer at the risk-free interest rate. Given the supplier’s offer, the retailer will always prefer to raise money from the supplier due to the lower interest rate. Meanwhile, under trade credit, the supply chain’s efficiency is improved when the production cost is high but decreased when the production cost is low. Furthermore, our results show that the supplier’s relationship concern can improve the supply chain’s efficiency and the retailer’s revenue most of the time, but increase the retailer’s bankruptcy risk when the production cost is high, implying that the supplier’s attempt to help the retailer eventually harms its long-run survival.

1 Introduction

In business, many firms face the capital constraint, especially small and medium-sized enterprises (SMEs). According to a credit survey of 3,459 SMEs in the U.S., 47% applied for financing in 2015, while only half of those that did not apply had sufficient cash flow (Barkley et al., 2016). A similar situation exists in developing countries. For example, about half of the SMEs in developing countries applied for financing in 2011, for a total amount of US$2.1 to $2.6 trillion (Owens and Wilhelm, 2017). The capital constraint can severely stymie firms’ operations, so it has been considered as the biggest obstacle to firms’ growth (Xu and Birge, 2004; Ayyagari et al., 2017). However, many classic studies of operations management (OM) are based on the assumption of sufficient capital (e.g., Petruzzi and Dada, 1999; Lariviere and Porteus, 2001; Cachon, 2003; Bernstein and Federgruen, 2005; Perakis and Roels, 2007), which means that their results may be less relevant to current business practice.

Commercial bank loans are a popular way for firms to deal with the capital constraint. However, due to complex application procedures and strict collateral requirements, SMEs are usually ruled out from financing via bank loans. For example, only 4.7% of working capital loans and 23.3% of bank loans are issued to SMEs in China (Tsai, 2015). Given this situation, trade credit is widely accepted by firms in various industries, especially for SMEs where such credit is extended by upstream partners within the same supply chain (Jing et al., 2012). For instance, in 2004, trade credit accounted for 22.9% of the liabilities in the non-financial industries in Canada (Chandler, 2009). In China, this ratio was 20% in 2012 (Lin and Chou, 2015). In 2007, 90% of worldwide merchandise trade, amounting to US$14 trillion, was underpinned by trade credit (Williams, 2008). To facilitate operations in SMEs and to improve the efficiency of the entire supply chain, large capital-rich upstream suppliers often provide trade credit financing services to downstream SMEs in practice. For example, Ford Motor Company provides wholesale loans to dealers to finance the purchase of vehicle inventory, as well as loans to dealers to finance working capital and improvements to dealership facilities, finance the purchase of dealership real estate, and finance other dealer vehicle programs via Ford Motor Credit Company LLC, a wholly-owned subsidiary by Ford Motor Company (Ford Motor Company, 2018). Gree Electric, a Chinese major appliances manufacturer, contracts with many small-sized dealers who suffer from severe budget constraints yet usually are not eligible for bank loans. Therefore, Gree Electric cooperates with insurance and bonding companies to provide loans to these small-sized dealers (Zhuhai Gree Group Finance Company, 2018), in order to develop and protect its distribution channels. After obtaining the loans, these dealers are able to make better operational decisions, especially ordering decisions with Gree. Through IBM Global Financing, a wholly-owned subsidiary of IBM, IBM helps its clients to get access to IBM software by offering them short and long term loans (IBM Global Financing, 2016). GE Capital offers various financing products exclusively to GE customers in capital intensive industries like healthcare and energy (GE Capital, 2018).

مبتدی (مناسب برای درک مفهوم کلی مطلب) 

2. مشارکت ها و فرضیات
در این بخش، ما در مورد سهم این مقاله در ادبیات تحقیق بحث می کنیم. مطالعات پیشین در زمینه اقلام رو به رشد، تابع رشد ریچارد را مورد استفاده قرار دادند؛ این رویکرد با افزایش پیچیدگی مدلسازی و محاسبات، روند بهینه سازی را محدود می کند. علاوه بر این، مطالعات پیشین فرض می کنند که مصرف کننده منتظر ورود اقلامی که در دسترس نیستند، نمی مانند. این مطالعه فرضیات آن ها را راحت می کند و مطالعه اقلام رو به رشد را بسیار آسان تر می نماید. برای انجام این کار، ابتدا فرض می کنیم که نرخ رشد اقلام را می توان با توابع خطی تخمین زد. سپس این فرض با استفاده از مطالعه موردی یک تولید کننده مرع ایرانی ارزیابی می شود. علاوه بر این با بررسی موارد زیر، اولویت مصرف کننده را در نظر می گیریم: الف) ترجیح مصرف کنندگان برای وزن مرغ و ب) تحمل تاخیر در تحویل مرغ تازه اگر شرکت مقداری جریمه بپردازد. اولین فرض در عمل حیاتی است، زیرا بهینه سازی سیستم بدون در نظر گرفتن مصرف کنندگان ممکن است مدیران را به تولید با وزن اضافه و یا وزن کم تشویق کند، به خصوص در بازاری مثل ایران که مصرف کنندگان ترجیح می دهند جوجه ها را بخرند و این مسئله باعث از دست دادن مشتریان می شود. علاوه بر این، چندین مطالعه نشان می دهند که مصرف کننده محصولات سرد و یا تازه را بر نمونه های منجمد ترجیح می دهند. به عنوان مثال، ووكازوویچ سه کشور اروپایی مانند اسلوونی، بوسنی و هرزگوین و صربستان را مورد مطالعه قرار داد: یافته ها نشان می دهد که سوال اصلی مصرف کنندگان درباره مرغ این است: “آیا تازه است”. این نگرش نسبت به مرغ تازه، راه را برای مدیران هموار می کند تا هزینه های سیستم که اثر مستقیمی بر قیمت محصول دارند را کاهش دهد. علاوه بر این، برای حفظ رضایت مصرف کنندگانی که قبل از تحویل اقلام جدید یک دوره زمانی منتظر بودند، یک مجازات تاخیر در نظر گرفته می شود. در نهایت، روند این تحقیق توسط یک نمودار گرافیکی نشان داده شده است. شکل ۱ یک نمای کلی از سیستم و روش حل را نشان می دهد.

3. تعریف مسئله
مسئله موجودی، پرورش حیوانات تازه متولد شده برای غذا را در نظر می گیرد و میزان خرید اولیه و زمان کشتار آن ها را با توجه به تقاضای بازار بهینه سازی می کند. در این مدل موجودی، کمبود محصول، مجاز و سفارش کاملا تاخیری (سفارشی که به محض موجود بودن کالا انجام خواهد شد) است. فرضیات اضافی مدل موجودی EOQ پیشنهاد شده با موارد رو به رشد عبارتند از:
• برای تغذیه و افزایش اقلام، هزینه اضافی وجود دارد.
• رشد اقلام را می توان با یک تابع خطی تخمین زد.
• تغذیه به طور مستقیم با وزن به دست آمده ارتباط دارد.
• هزینه نگهداری در لحظه ای محاسبه می شود که اقلام وزن نهایی خود را به دست آوردند و آماده کشتار هستند.
نمادهای زیر برای فرمول بندی ریاضی مورد استفاده قرار می گیرند:
D: نرخ تقاضا در واحد زمان (گرم/سال)
K: نرخ رشد هر جوجه در واحد زمان(گرم/(سال×جوجه))
w_0: وزن تقریبی اقلام تازه متولد شده (گرم)
w_1: وزن تقریبی در لحظه کشتار (گرم)
Q_t: وزن کل موجودی در t
t1: دوره رشد
t2: دوره مصرف
t3: دوره کمبود
T: طول هر دوره (متغیر تصمیم گیری).
y: تعداد اقلام سفارش داده شده در هر دوره.
S: مقدار کمبود در هر دوره (گرم).
c: هزینه خرید برای هر واحد وزن (دلار/گرم)
r: هزینه تغذیه هر واحد وزن در واحد زمان (دلار/(سال×گرم))
h: هزینه نگه داری هر واحد وزن در هر واحد زمان (دلار/(سال×گرم))
f: هزینه کمبود برای هر واحد وزن در واحد زمان (دلار/(سال×گرم))
A: هزینه راه اندازی (هزینه سفارش)، هزینه آماده سازی پرورش (دلار/(اندازی راه هزینه))
ts: زمان راه اندازی (واحد زمان)، زمان آماده سازی محیط پرورش در هر دوره (سال/(اندازی راه هزینه))

شکل ۲ یک سیستم موجودی برای موارد متعارف مانند کتاب، غذای منجمد و موارد دیگر را پیشنهاد می کند، که در آن تامین کننده کالاها را می خرد و آن ها را در مدت t1 در انبار نگه می دارند؛ سپس اقلام با یک نرخ یعنی نرخ تقاضای D فروخته می شوند، تا زمانی که سطح موجودی به صفر برسد. در نهایت در طول t3، سیستم موجودی با کمبود مواجه می شود تا زمانی که مقدار کمبود به S برسد.
در شکل ۳، y مقدار اقلام خریداری شده برای یک دوره از بیرون تامین کنندگان و w_0 و w_1 وزن تقریبی در ابتدای دوره (جوجه های تازه متولد شده) و پایان دوره (آماده برای فروش محصول) است. در نتیجه، مجموع مقادیر اولیه و نهایی به ترتیب Q_0=y w_0 و Q_1=y w_1 هستند. می دانیم که، t1 دوره ای است که حیوانات بزرگ می شوند و بعد از آن در طول t2 فروخته می شوند. علاوه بر این، t۳ یک دوره زمانی است که سیستم موجودی با واحدهای کمبود مواجه می شود. در این مسئله موجودی، در ابتدای دوره مصرف S، تقاضاهای فوری باید ارضا شوند، بنابراین سطح موجودی به صورت Q_2=y w_1-S_0 کاهش می یابد.

4. روند حل
تابع هدف مسئله مطرح شده (۲۰) محدب است (ضمیمه الف را ببینید). از سوی دیگر، مدل ریاضی پیشنهادی دارای محدودیت خطی است و در نتیجه این مدل ریاضی یک برنامه ریزی غیرخطی محدب است. ویژگی محدب بیان می کند که اگر یک راه حل امکان پذیر بهتر از راه حل های مجاور عمل کند (به عنوان مثال، حالت مطلوب محلی)، پس خودش نیز حالت مطلوب جهانی است. در نتیجه، راه حل بهینه تابع هدف (۲۰) با استفاده از مشتقات نسبی محاسبه می شود. با محاسبه مشتق جزیی تابع هدف (۲۰) با توجه به طول چرخه (T) و تنظیم آن برابر با صفر، راه حل بهینه T به شرح زیر است:

در نهایت براساس مفاهیم و فرمول های پیشنهادی، گام های حل الگوریتم بهینه سازی برای مدل موجودی EOQ پیشنهاد شده با موارد رو به رشد، عبارتند از:
مرحله 1: محاسبه T_min از معادله (19)
گام 2. اگر T_min≥0 پس مسئله عملی است و به مرحله 3 بروید، در غیر اسن صورت مسئله غیرعملی است و به مرحله 8 بروید.
گام سوم. اگر (1-h)⁄(h+f) مثبت باشد، سپس مسئله عملی است و به مرحله 4 بروید، در غیر این صورت مسئله عملی نیست و به مرحله 8 بروید.
گام چهارم. T را از معادله (23) محاسبه کنید.
گام پنجم. اگر T≥T_min آنگاه T^*=T، در غیر اینصورت T^*=T_min.
گام ششم. با استفاده از معادله (22) و با در نظر گرفتن T^*، S^* را محاسبه کنید
گام هفتم. با استفاده از تابع هدف (20) و معادله (5)، با در نظر گرفتن T^* و S^* به دست آمده، TC^* و y^* را به ترتیب محاسبه کنید و راه حل بهینه را گزارش دهید.
گام هشتم. پایان
5. مثال عددی و تجزیه و تحلیل حساسیت
این بخش به بررسی یک مطالعه موردی و تحلیل حساسیت آن برای راه حل بهینه می پردازد. نمونه ما خروس های گوشتی پرورش یافته در مزرعه مرغداری لشگری، واقع در کشور ایران و شهر قزوین است. برای انجام این کار، ما از عملکرد “ریچارد” برای این نوع مرغ استفاده کردیم.

مرغداری مرغ های 2 روزه را خریداری می کند و در سن 30 روزگی آنها را کشتار می کند. دلیل کشتار جوجه در سن 30 روزگی این است که خریدن مرغ با حدود 1200 تا 1300 گرم وزن، مورد توجه مشتریان ایرانی قرار می گیرد. بنابراین، براساس تابع رشد ریچارد، وزن یک مرغ در ابتدای خرید برابر است با 63 گرم (w_0=63g) و بعد از 30 روز، وزن به 1266 گرم می رسد (w_1=0.1266g). بنابراین، عملکرد رشد ریچارد برای این دوره می تواند مانند شکل 5 بدست آید.
از آنجا که در این بازه زمانی انحنای محدودی در تابع رشد وجود دارد، می توان با استفاده از حداقل و حداکثر وزن جوجه ها و با یک تابع خطی آن را تخمین زد. با استفاده از این روش، شیب خط 42 گرم در روز خواهد بود، یعنی 15330 گرم در سال. براساس آن، وزن تقریبی هر جوجه خریداری شده 84 گرم و وزن آن پس از 30 روز حدود 1260 گرم خواهد بود. با توجه به این تقریب، بین مقادیر ما و مقادیر محاسبه شده با استفاده از تابع رشد ریچارد، اختلاف کمی وجود دارد. بنابراین، عملکرد تقریبی رشد برای این مرغداری در شکل 6 نشان داده شده است.
بنابراین ، ما یک سیستم موجودی واقعی برای رشد را در نظر می گیریم که: k برابر با 15,330/جوجه/گرم/سال، D برابر با 100,000 گرم/سال، w_0 برابر با 84 گرم، w_1 برابر با 1260 گرم، ts برابر با 0.01 سال ، c برابر با 0.3 دلار/ گرم/سال، r برابر با 0.8 دلار/گرم/سال ، h برابر با 0.4 دلار/ گرم در سال، A برابر با 1000 دلار/گرم/سال و f برابر با 2 دلار/گرم/سال. با توجه به محدودیت های مرغداری برای انتشار اطلاعات، مقادیر مربوط به هزینه ها و سایر مقادیر، با برخی ابهامات و عدم دقت به دست می آید.

ادغام تصمیمات برداشت در طراحی زنجیره های تامین آگروفود

Integrating harvesting decisions in the design of agro-food supply chains

Abstract

The inefficiencies observed in current agro-food supply chains, and recent trends in agro-food industry such as consolidation, increase the need for further studies on supply chain management in this field. Models are required for the complex task of determining the optimal supply chain configuration in order to improve their economic and environmental performance, while taking into account the specific characteristics of agro-food supply chains. This paper provides a general description of the supply chain design problem in agro-food industrial chains, considering the role of seasonality and harvesting decisions, perishability, and processing. A general model formulation is presented, which accommodates for these characteristics and for forward and backward flows along the chain. The general model is applied to a case study of the sugar beet processing chain in the Netherlands. The pareto-efficient frontier between maximizing the total gross margin and minimizing the global warming potential in CO2-eq is explored. Uncertainties in demand and harvest yield are taken into account using a stochastic version of the model. Results show that a supply chain design model tailored to the specific characteristics of an agro-food supply chain with its uncertainties leads to identifying better performing supply chain configurations. In the case study, supply chain configurations can be found in which the performance on both the economic and the environmental objective is better than the modelled current performance. Additionally, we observe that supply chain configurations with decentralized processing or pre-processing are an interesting topic for future research in the context of agro-food industry.

1 Introduction

The current set-up of Food Supply Chains (FSCs) is an important cause for inefficiencies in food production (van der Goot et al., 2016). These inefficiencies should be reduced to guarantee food security for a growing world population, and improve the future responsible production and consumption of food products (in accordance with the United Nations sustainable development goals, UN General Assembly, 2015). The strategic redesign of FSCs can contribute to meet these challenges.

Inefficiencies in food production result in the creation of waste along the FSC, and a loss of the associated resources, capital, and labour invested. In Europe, the food industry represents almost 13% of the total manufacturing industry turnover (ECSIP Consortium, 2016), and the related FSCs contribute to 31% of the global warming potential (Perrot et al., 2016), while 31% of the food produced is wasted (Gustavsson et al., 2011, Timmermans et al., 2014). Addressing these issues improves the ability of FSCs to meet the demands of the population in a cost effective way while reducing their environmental impact, which is important both from an economic and an environmental perspective (Soysal et al., 2012, Tsolakis et al., 2014, Perrot et al., 2016).

The economic and environmental performance of FSCs is strongly related to their supply chain (SC) configuration, i.e. the number, type, and location of facilities and their interconnecting flows (Akkerman et al., 2010, de Keizer et al., 2017). Hence, reassessing the configuration of FSCs can improve their performance and address inefficiencies in the chain to improve its sustainability (Mota et al., 2018).

However, determining the optimal SC configuration for FSCs is a complex problem, due to the specific characteristics of food products and processes (e.g. de Keizer et al., 2015a, Soto-Silva et al., 2015). Seasonality in production and demand, the perishability of products, and product specific requirements for transportation and storage are a few examples that make the management of FSCs different from other SCs (van der Vorst and Beulens, 2002, Bourlakis and Weightman, 2004, Aramyan et al., 2007). Not every characteristic is however relevant for each FSC. Perishability and seasonality in production are for instance very important in FSCs dealing with fresh fruits, but less important for FSCs in which the products do not spoil that rapidly, as is the case for many pulses. Pulses are generally dried to prevent spoilage, although the weather conditions after harvesting could lead to post-harvest losses for these and other crops. Alternatively, processing plays an important role in for instance dairy SCs, but not in fresh fruit and vegetable SCs such as cabbages.

Due to the wide variety between FSCs, several sub-types are identified and studied in literature. Often, FSCs are categorized based on differences in shelf life (short and perishable, long and non-perishable), origin (animal, plant based), processing (fresh without product conversions, processed), or industry (agro-food, food manufacturing). Each of these subgroups has a specific set of FSC characteristics.

This article investigates decision support modelling for the strategic redesign of SC configurations for agro-food industry, where the main concern of the industry is the conversion of agro-materials into a set of semi-finished and finished products. Recent trends in this industry, such as consolidation, have increased the need for and applicability of models and tools (Ahumada and Villalobos, 2009, Tsolakis et al., 2014). Due to its dependency on agro-materials, seasonal production, harvesting, and processing are important characteristics of these Agro-Food SCs (AFSCs)(Jonkman et al., 2017). Additionally, agro-materials and their derived products are often perishable, and processing can both positively and neg atively influence this perishability. Moreover, the natural variability of agro-materials and weather conditions leads to uncertainties in harvest yields (supply), quality, demand and product prices. Due to these specific characteristics and their influence on the management of SCs, standard SC models have to be adapted to include these characteristics (Ahumada and Villalobos, 2009, Rajurkar and Jain, 2011).

These specific characteristics of AFSCs require taking into account harvesting decisions. The seasonal availability of a crop in combination with the perishable harvested agro-material puts restrictions on processing, and therefore affects the optimal SC configuration. Although the need for integrated support for the design and planning of AFSCs was identified (Ahumada and Villalobos, 2009, Tsolakis et al., 2014), the recent literature review of Kusumastuti et al. (2016) observes there is little work done in developing and applying a model that integrates harvesting and processing in this context.

This article contributes to the literature by presenting a Mixed Integer Linear Programming (MILP) model in which tactical decisions at the harvesting stage (area used for cultivation and time of harvesting) are integrated with strategic decisions on the AFSC design (number, location, and capacity of facilities, and the type of processing pathway to operate). It presents an overview of common characteristics of AFSCs and applies the integrated approach to a case study, while accounting for global warming impacts and the presence of uncertainty in harvest yield and demand.

Section 2 gives an overview of specific characteristics of AFSCs. Additionally, the related literature on the strategic and tactical design of AFSCs is presented. In Section 3, the decision problem is further detailed, and a general description of the model requirements and model formulation is developed. This general approach is applied to a case study building on the work of Kolfschoten et al. (2014) and Jonkman et al. (2017) on sugar beet processing in the Netherlands, as described in Section 4. The case study results are presented and discussed in Section 5, and further conclusions are drawn in Section 6.

اثرات قانون سقف قیمت روی زنجیره تامین دارو

Effects of price cap regulation on the pharmaceutical supply chain

Abstract

This paper considers a pharmaceutical supply chain composed of one pharmaceutical manufacturer and one pharmacy. We investigate how price cap regulation affects pharmaceutical firms’ pricing decisions. We also evaluate the economic and social performance of the pharmaceutical supply chain and assess the risks associated with price cap regulation. The derived equilibriums under different price cap regulations, including retailer price cap regulation, manufacturer price cap regulation and linkage price cap regulation, are compared to that without regulation. Our results show that one-sided price cap regulation will damage the economic performance of the regulated firm, whereas the unregulated firm may gain a financial advantage. The regulation may increase the risk of a supply shortage if pharmaceutical firms cannot cope with the financial loss. In contrast, linkage price cap regulation can be an effective policy for improving both the economic and social performance of the pharmaceutical supply chain.

1 Introduction

The pharmaceutical industry plays an important role in the economy, society, and public health in almost every country in the world. The pricing of pharmaceutical products is a vital and contentious issue for both developed and developing countries (Danzon, Mulcahy, & Towse, 2015; Danzon, Towse, & Mestre-Ferrandiz, 2015). For middleand low-income countries, effective pricing of pharmaceuticals is critical to the accessibility and affordability of medicines and the population’s social welfare. For example, despite the rapid economic development in China, the high price of drugs has continuously been blamed for unaffordable healthcare service for less-advantaged people, which has triggered increasing complaints from the public (Yu, Li, Shi, & Yu, 2010). For developed countries, although the affordability of drugs may not be a challenge to their citizens due to extensive medical insurance, high drug prices have certainly increased the burden of government public expenditures.

In the context of a significant increase in pharmaceutical expenditures during the two last decades, there has been growing interest from governments in controlling the price of pharmaceutical products (Bardey, Bommier, & Jullien, 2010; Troyer & Krasnikov, 2011). Many governments frequently consider regulatory mechanisms, e.g., price cap regulation and reference pricing, to prevent pharmaceutical firms from charging high drug prices and protect their citizens from paying too much. Whereas price caps are often used to limit pharmaceutical firms’ ability to exploit their market power by charging high prices, reference pricing aims at stimulating market competition by introducing more price elastic demand (Brekke, Königbauer, & Straume, 2007; Brekke, Grasdal, & Holmås, 2009). For instance, most Europe Union nations set caps on the consumer price of generic drugs and/or regulate the maximum reimbursement rate, whereas an intervention through price regulation seems to be less necessary in the drug market according to economic theory (Puig-Junoy, 2010). In China, pricing and reimbursement are important aspects of pharmaceutical policy that have been included in the central government’s large-scale healthcare reform launched in April 2009 (Chen, 2009; Hu & Mossialos, 2016).

The Chinese government has set price caps on different pharmaceutical products in response to soaring drug prices (Hu & Mossialos, 2016). Unfortunately, evidence emerging from recent research (Han, Liang, Su, Xue, & Shi, 2013; Wu, Zhang, & Qiao, 2015; Yang et al., 2016) indicates that the price cap policies were ineffective and resulted in some unintended consequences. The media reported that there were shortages of thousands of drugs in pharmacies in Guangdong Province of China. This was echoed by Zhang et al. (2016), who claimed that the reduction of the price cap level is associated with a higher incidence of pharmaceutical firms’ exit from markets. The introduction of new industry regulations could have a profound impact on firms’ performance (Pugliese, Minichilli, & Zattoni, 2014) and contribute to business failure (Amankwah-Amoah, 2016). Regulators have to be conscious of the unintended consequence of a continuous reduction of the price cap level. A thoughtful design of drug pricing regulation and risk evaluation of price cap policies are essential to minimizing the risk of policy failure. .

The existing literature mainly examines pricing regulations from the perspective of macro health economics (Danzon, Mulcahy, et al., 2015; Danzon, Towse, et al., 2015; Håkonsen, Horn, & Toverud, 2009; Hu & Mossialos, 2016), whereas little attention has been paid to the evaluation of pharmaceutical pricing regulations considering how pharmaceutical firms and supply chains will behave under the regulations and how their behavior impacts the social and economic performance of the sector. By contrast, previous studies in the operation and supply chain literature on pharmaceutical products often focus on optimizing operations/supply chain decisions under different regulatory policies (Yu et al., 2010). Companies often respond to regulatory policies strategically and operationally to maximize their benefits. Therefore, when policy makers consider the development of new regulations, it is valuable for regulators to understand how firms will react to new regulations and the consequential economic and social performance. To address this gap in the literature, some key questions are discussed considering price cap regulation for the pharmaceutical supply chain.

(1) What are the optimal pricing decisions of the pharmaceutical manufacturer and pharmacy under price cap regulation?

(2) How can the government develop appropriate price cap regulation to improve social welfare and economic sustainability and mitigate the risk of policy failure? (3) What are the key parameters of price cap regulation to achieve the coordination of the pharmaceutical supply chain?

To address the above questions, this research mainly focuses on price cap regulation and examines how the regulations affect the pharmaceutical firms’ operational decisions and the consequential economic and social performance. This paper investigates a twoechelon pharmaceutical supply chain composed of one pharmaceutical manufacturer and one pharmacy. The pharmaceutical manufacturer is the Stackelberg leader, and the pharmacy is the follower. We not only consider retailer price cap regulation and manufacturer price cap regulation, which are often adopted by governments, but also propose a linkage price cap regulation where the whole pharmaceutical supply chain is regulated. Through a comparison of optimal prices, profits and social welfare between the scenarios with and without regulations, we analyze the effect of each regulatory policy. In this way, we aim to solve the problem of selecting an optimal regulation and examine the supply chain coordination.

The rest of the paper is organized as follows. Section 2 reviews relevant research streams. The models and equilibrium analysis are provided in Section 3. Based on the model formulation and assumptions, we use the model with no price cap regulation as a base model and then propose a retailer price cap regulation model, manufacturer price cap regulation model, and linkage price cap regulation model. In Section 4, the effects of alternative price cap regulations on the equilibriums and profits of the pharmacy and pharmaceutical manufacturer are discussed. In Section 5, we further discuss pharmaceutical supply chain coordination under the optimally designed p

rice cap regulation. Finally, the main conclusions and future extensions are highlighted in Section 6.

رفتار مصرف کنندگان در مورد پیشگیری از اتلاف مواد غذایی

Consumers’ Behavior Regarding Food Waste Prevention

Abstract

Food wastage is a societal, environmental and financial problem that takes places along the entire food supply chain. Therefore, prevention of the food wasted is a key goal towards sustainable development. Consumers, as a very active stakeholder of the food supply chain, affect food waste generation directly and indirectly via a multitude of behaviors. This chapter reviews consumer behavior characteristics aiming towards the prevention of food waste generation.

1 Introduction

The generation of food waste is a global environmental, financial and social challenge. In the early 2010s the Food and Agricultural Organization of the United Nations estimated that approximately one-third of food produced for human consumption is either lost or wasted through the food supply chain (FSC), from agricultural production and post-harvest handling and storage to processing, transportation, distribution and consumption (Gustavsson et al., 2011).

Food wastage is generated in every sector of the FSC, namely agriculture, processing, wholesales-retails, households and food services. However, the contribution of each FSC sector to food wastage differs substantially due to a range of reasons dependent on the socio-economic conditions of each country (European Commission, 2010; FAO, 2013). Food wastage is defined as the sum of food losses (wastage that is generated in the harvest and immediate post-harvest stages of the FSC) plus food waste (wastage that is generated in the retail and consumer stages of the FSC). Moreover, the distinction between food losses and food waste has a clear geographical distribution: food losses are higher in the developing countries, while food waste of perishable foods is dominant in the industrialised and developed economies (Parfitt et al., 2010). Food waste generation in the consumers’ households is the result of the dynamic interaction among retail, food services and the consumers.

Food wastage places a heavy economic burden on all the players in the FSC. Food waste is definitely a financial loss for consumers; it is also a loss for retailers, when it takes place within the boundaries of their operation; and finally, food waste is a loss for the waste management system, which has to manage food waste, safely and effectively.

Food waste generation causes also a heavy environmental burden for the whole planet. When edible food is wasted all the resources and energy required, in addition to the emissions of all kinds of pollutants generated, for its production, processing, transportation, cooking and delivery are ending up as waste. It is estimated that the global food sector accounts for around 30% of the world’s total energy consumption and around 22% of total Greenhouse Gas emissions (United Nations Sustainable Development Goals).

And finally, food wastage is a global social problem. The United Nations estimate that 1.3 billion tonnes of edible food is wasted every year while in the same time almost 1 billion people go undernourished and another 1 billion hungry (United Nations Sustainable Development Goals).

For all the aforementioned reasons, United Nations included food waste prevention among the sustainable development Goal 12 (“Ensure sustainable consumption and production patterns”) targets aiming at halving by 2030, the per capita global food waste at the retail and consumer levels and reduce food losses along production and supply chains, including post-harvest losses (United Nations Sustainable Development Goals).

مبتدی (مناسب برای درک مفهوم کلی مطلب) 

4. کار پیشنهاد شده
در طول چند سال گذشته تعداد بیشتری از کارهای تحقیقاتی تکنیک های داده کاوی را به اشکال مختلفی اعمال کرده اند. در کار پیشنهادی، ما آنها را در سیستم تشخیص نفوذ پذیرفته ایم. شکل 1 معماری کار پیشنهادی را نشان می دهد. انتخاب ویژگی های مهم اولین گام برای تشخیص نفوذ است. انتخاب ویژگی فرآیند انتخاب زیر مجموعه ای از ویژگی های اصلی با توجه به معیارهای خاص است و برای داده هایی با ابعاد بالاتر اهمیت دارد. اجازه دهید F مجموعه ای از ویژگی های دارای تعداد “n” باشد. زیر مجموعه ای از ویژگی های پیچیده، 2n-1 است. مجموعه ای از زیر مجموعه های ویژگی به عنوان S مشخص شده و توسط:
که در اینجا n = 41 در مجموعه داده KDD.
تعداد زیر مجموعه ها بسیار بزرگ و جامع است. کار با تمام زیر مجموعه ها و گرفتن راه حل های شمارنده فراتر از راه حل عملی است و از این رو استراتژی های مختلف باید اقتباس شوند. الگوریتم برای انتخاب ویژگی می تواند به دو دسته تقسیم شود: انتخاب ویژگی های مبتنی بر فیلتر و انتخاب ویژگی های مبتنی بر پوشش [17]. الگوریتم firefly اکتشافی که ابتدا توسط Xin-She Yang توسعه یافت [25] و در رویکرد پوشش قرار گرفته است که تاکنون در هیچ یک از کارهای موجود در NIDS مورد توجه قرار نگرفته است. ساختن ویژگی های کمتر باعث بهبود کارایی تشخیص نفوذ شبکه می شود. اگرچه هر کار بر روی IDS با مجموعه داده مبنا تمرکز داشت، وی وانگ و همکاران [ ۱۹ ] این ویژگی ها را از محیط زمان واقعی ساخته و ویژگی های را با استفاده از آنالیزKNN و اصل مولفه های اصلی طبقه بندی کردند.

.A انتخاب ویژگی مبتنی بر فیلتر
ویژگی ها بر اساس ویژگی های کلی داده های آموزشی بدون تکیه بر الگوریتم های داده کاوی ارزیابی می شوند. این زیرمجموعه را با محتوای اطلاعات خود یا با اطلاعات متقابل یا با افزایش اطلاعات ارزیابی می کند. ما این ویژگی را با بزرگترین اطلاعات متقابل (MI) انتخاب کرده ایم. اطلاعات متقابل دو متغیر تصادفی با استفاده از آنتروپی محاسبه می شود که قادر به تعیین عدم قطعیت متغیرهای تصادفی و مقادیر اطلاعات به اشتراک گذاشته شده توسط آنها می باشد [24].

.Bانتخاب ویژگی های مبتنی بر پوشش
از یک طبقه بندی کننده برای ارزیابی زیرمجموعه ای از ویژگی ها با دقت پیش بینی آن ها استفاده می کند (بر روی داده های آزمون). مقاله بررسی شده توسط Monowar و همکاران (13) در مورد بسیاری از روش های جستجو برای بهترین زیر مجموعه، که در آن یکی از روش ها انتخاب ویژگی های مبتنی بر پوشش است، مورد بحث است. در کار پیشنهادی ما، الگوریتم Firefly اطلاعات متقابل (MIFA) به عنوان یک استراتژی انتخاب ویژگی در انتخاب ویژگی پوشش با استفاده از C۴ ۵ [ ۸ ] و شبکه بیزین (۵)به عنوان یک طبقه بندی کننده انتخاب شده است. شکل 3، روش انتخاب ویژگی مبتنی بر پوشش را نشان می دهد.
به طور کلی، دو نوع الگوریتم تصادفی وجود دارد: اکتشافی و فرااکتشافی. اکتشافی به معنی “یافتن” یا “کشف توسط آزمون و خطا” و فرا اکتشافی، نسخه بهبود یافته الگوریتم اکتشافی و firefly است که در اصل توسط ژین جیانگ یانگ توسعه داده شد [ ۲۵ ]، که در آن فرض می شود fireflies با وجود خود به یکدیگر جذب می شوند. تابع هدف هر مساله بهینه سازی را می توان در وجود یک firefly ترسیم کرد.
در الگوریتم firefly دو مسئله مهم وجود دارد: تنوع روشنایی و فرمول جاذبیت. بنابراین جاذبیت بین دو firefly i و j با توجه به فاصله متفاوت است که با فاصله از منبع آن کاهش می یابد. یک عامل دیگر ضریب جذب به دلیل رسانه ای است که بر جاذبیت تاثیر می گذارد. از این رو روشنایی یک firefly در شعاع (r) از یک firefly با منبع روشنایی B بصورت زیر است: در کار پیشنهادی، تعداد ابعاد (D) 41 است که نشان دهنده تعداد کل ویژگی های مربوط به تشخیص نفوذ شبکه است. پیچیدگی انتخاب ویژگی ها 2D است، که نوعی از چند جمله ای غیر قطعی است. از این رو نیاز به انتخاب ویژگی های موثر برای کاهش پیچیدگی محاسبات و ذخیره سازی برای استقرار زمان واقعی وجود دارد. شبه کد برای انتخاب ویژگی های مبتنی بر اطلاعات متقابل و الگوریتم firefly به NIDS داده شده است در الگوریتم ارائه شده است.
در این کار برای ارزیابی انتخاب ویژگی، از C4.5 و شبکه بیزین استفاده شده است. هر firefly به عنوان یک بردار دودویی با تعداد زیادی از ویژگی های D نمایش داده می شود و توسط vi = (vi1، vi2، vi3، vid …، viD)، i = 1 … n مشخص می شود که در آن ‘n’ تعداد firefly است. هر عنصر vi به 0 یا 1 محدود می شود که نشان می دهد که آیا این ویژگی ترافیک انتخاب شده است یا نه. به عبارت دیگر، هر firefly vi به عنوان یک نقطه در فضای بردار D بعدی قرار می گیرد.
زیر مجموعه ای از ویژگی های (41 ویژگی) توسط ترکیب های مختلف از حضور 0 یا 1 در مجموعه ویژگی های نشان داده شده است.
هر firefly در یک جهت در فضای جستجو حرکت می کند تا زیرمجموعه ویژگی بهینه را بر اساس دقت مدل طبقه بندی با زیر مجموعه ای از ویژگی های انتخاب شده را پیدا کند. دقت ارزیابی کننده (مدل طبقه بندی) شامل ویژگی انتخاب شده به عنوان یک تابع هدف یا وجود firefly در نظر گرفته می شود. Firefly با استفاده از معادله دیفرانسیل،از دقت روشنی کمتری به دقت روشنایی بالاتر حرکت خواهد کرد Eq.6 و فاصله بین دو Firefly با استفاده از معادل 7 محاسبه می شود. تعدادی از ویژگی های حاصل از الگوریتم Firefly متفاوت است. برای داشتن تعدادی از ویژگی های ثابت برای اجرای موثر در الگوریتم Firefly مبتنی بر اطلاعات متقابل (MIFA)، استراتژی انطباقی در کار فعلی پیشنهاد شده است که نوآوری کار پیشنهادی در NIDS است. این کنترل فرآیند اضافه کردن یا حذف ویژگی های حاصل توسط الگوریتم Firefly است که تعداد مشخصی از ویژگی ها را ایجاد می کند. Long Zhang et.al [28] در انتخاب ویژگی ها با استفاده از الگوریتم firefly برای تعیین داده های مختلف معیار بدون اصلاح تعدادی از ویژگی های مورد نیاز انتخاب شد. در کار پیشنهادی، تعداد ویژگی های انتخاب شده در k ثابت است. اگر تعداد حاصل از ویژگی ها | vd == 1 | می گویند “m” کمتر از k است و سپس (k-m) تعداد ویژگی های باقی مانده به آن بر اساس اطلاعات متقابل (MI) از ویژگی های انتخاب نشده اضافه شده است. آن m بزرگتر از k است، MI برای ویژگی های حاصل محاسبه شده و (m-k) تعداد ویژگی های با کمترین MI حذف می شوند. این استراتژی به عنوان استراتژی سازگاری مبتنی بر اطلاعات متقابل (MIAS) معنا می یابد.
موقعیت i firefly در MIFA از قانون به روز شده در معادله (8) استفاده می کند.
در کار پیشنهادی، سه نوع مختلف استراتژی انتخاب ویژگی به شرح زیر است:
• ویژگی مجموعه بر اساس اطلاعات متقابل (S1)
• مجموعه ویژگی های به دست آمده از روش پوشش شده MIFA با C4.5 به عنوان ارزیاب (S2)
• مجموعه ویژگی های به دست آمده از روش پوشش شده MIFA با شبکه بیزی به عنوان ارزیاب (S3)
رأی مبتنی بر انتخاب ویژگی ها از این مجموعه ویژگی ها (یکی از ویژگی های این سه مجموعه انتخاب شده است که در حداقل دو مجموعه موجود است) همانطور که در معادله (9) مشاهده می شود
مجموعه ای از ویژگی های نهایی حاصل از آن به عنوان ورودی به طبقه بندی C4.5 استفاده می شود.