Akademik Veri Yönetim Sistemi
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Marmara Üniversitesi, Türkiye
Tezin Onay Tarihi: 2009
Tezin Dili: İngilizce
Öğrenci: Hakan Tozan
Danışman: ÖZALP VAYVAY
Özet:TEDARİK ZİNCİRLERİNDE KIRBAÇ ETKİSİNE HİBRİT BULANIK/GRİ VE ANFIS YAKLAŞIMLAR Tedarik zincirleri ürün ve servis bazında değer elde etmek amacı ile farklı süreç ve aktivitelerin icra edildiği birbiri ile bağlantılı kademelerden oluşan karmaşık dinamik sistemlerdir. Yapılarına ek olarak, başarılı bir tedarik zincirinin sistem performansı doğrudan her bir kademede icra edilen karar verme ve tahminleme süreçlerinden elde edilen değerlere dayanan sabit, zamanında, uygun ve doğru talep bilgisi akışına dayanmaktadır. Kademeler arasında talep bilgisi akışındaki değişkenlik ve müşteriden takip eden kademelere ilerlendikçe bu değişkenlikte meydana gelen artış Kırbaç Etkisi olarak adlandırılır. Bu istenmeyen olgu, gereksiz yüksek maliyet artışları, ihtiyaç fazlası envanter seviyeleri, işgücü kusurları ve üretim/dağıtım faaliyetlerinde aşırı yüklenme gibi tedarik zinciri performansını doğrudan etkileyen çeşitli sistemsel hataları tetiklemektedir. Literatürde Kırbaç Etkisi ile ilgili birçok çalışma mevcut olmasına rağmen, pek azı bulanık yaklaşımları içermektedir. Bu tez göreli kontrol edilebilir temel nedenlere eğilerek, önerilen ANFIS tabanlı talep karar süreci ve bulanık zaman serileri, bulanık regresyon, gri GM (1, 1) ve bulanık gri regresyon tahmin modellerinden oluşan birleşik melez sistemlerle Kırbaç Etkisini azaltmayı ve Kırbaç Etkisinin önerilen sisteme gösterdiği reaksiyonu analiz etmeyi amaçlamaktadır. Önerilen sistemde, seçilen tahminleme modelleri sisteme uygun tahmin değerini sağlarken, ANFIS tabanlı talep karar sistemi, talep kararlarında bulunan us dışılığı gidermeyi hedeflemektedir. Önerilen modellerin benzetim ile uygulanmaları sonucunda elde edilen veriler, Kırbaç Etkisi değerlerinde dikkate değer azalmalar kaydedilerek çalışmanın ana amacına ulaşıldığını göstermektedir. ABSTRACT HYBRID FUZZY/GREY AND ANFIS APPROACHES TO BULLWHIP EFFECT IN SUPPLY CHAINS Supply chains are multi stage complex dynamical systems consist of various involved organizations performing different processes and activities in each and subsequent stages which are connected through upstream and downstream linkages to produce value in the form of products and services. In addition to their architecture, system performance of successful supply chain directly depends on accurate, constant, on time and appropriate demand information flow through the stages of the system grounding on the decision making processes and estimated values obtained from the forecasting activities performed in each stage. The variability of the demand information between the stages of the supply chain and the increase in this variability as the demand data moves upstream from the customer to the subsequent stages is called Bullwhip Effect. This undesirable phenomenon triggers several system defects such as inessential high cost increases, excess inventory levels, defective labor force and overload errors in production/distribution activities which directly influence total performance of the supply chain. Despite to the enormous literature about the bullwhip there exist few studies with fuzzy related approaches. This dissertation aims to reduce the Bullwhip Effect using the proposed conjoint hybrid systems made up of an ANFIS based demand decision process together with fuzzy time series, fuzzy regression, grey GM (1,1) and fuzzy grey regression forecasting models and, to analyze the response of bullwhip to the proposed systems via stressing on the major relatively controllable causes. In the proposed system, ANFIS based demand decision process endeavors to overcome irrationalities arisen from demand decisions processes while selected forecasting models attempts to provide appropriate forecast values for the system. Results from the simulation runs illustrates the aim study is achieved with remarkable decreases in bullwhip effect values provided via application of all proposed models.