Upload
others
View
2
Download
0
Embed Size (px)
Citation preview
1
Fekete István
Ellátási lánc menedzsment és hálózattudomány -
egy innovatív szintézis alapjai
Doktori tézisek
Dr. Hartványi Tamás, Témavezető,
a Széchenyi István Egyetem docense
Széchenyi István Egyetem
Infrastrukturális Rendszerek Modellezése és Fejlesztése
Multidiszciplináris Műszaki Tudományi Doktori Iskola
2
1. Bevezetés
Az ellátási láncokban megjelenő hálózatkomplexitás csaknem minden iparágban
megköveteli a készletgazdálkodás, az ellátási lánc- és operációmenedzsment
megoldásainak sokkal szofisztikáltabb differenciálását, és egyben az ellátási lánc
menedzsmentet a gazdálkodás stratégiai szintjére emeli. Ahogyan a
hálózatkomplexitás növekedett és az ellátási lánc hálózat nóduszai közötti
kapcsolatok és függőségek feszítettebbé váltak, úgy emelkedett a kockázatok és a
zavarok valószínűsége. A megfelelő gazdasági hatalom és befolyásolási képesség a
szervezet környezetére előfeltételei annak, hogy olyan megoldások, mint például a
Multi Echelon Inventory Optimization hasznosíthatók lehessenek. Ezért ezen
bevált módszerek hatásossága a kis- és középvállalatok (KKV) esetében kérdéses.
A KKV-k igazodhatnak egy nagy játékoshoz, annak alárendelt vállalatává válva.
Másrészt megpróbálhatnak kiegyensúlyozottabb portfoliót építeni, hogy a kellő
diverzifikáltsággal ne egy nagy OEM sikerétől, döntésétől függjön az életük. Ezen
aspektusok és kihívások határozták meg a kutatási fókuszomat.
2. Kutatási célkitűzéseim, hipotéziseim
A hálózattudomány alkalmazása számos tudományterületen jelentős áttöréseket
eredményezett. Elősegítette a komplex, rendszerek robusztusságának, ellenálló-,
alkalmazkodó- és fejlődőképességének megértését. A doktori tanulmányaim és
kutatásaim kezdetén két célkitűzést fogalmaztam meg: a hálózattudomány
módszertanát alkalmazva megalkotni a logisztikai ellátási lánc hálózat (LSCN)
hálózatos modelljét, valamint új megoldásokat találni a kaszkádzavarokkal
szemben – így téve a logisztikai ellátási lánc hálózatokat ellenállóbbá,
alkalmazkodóképesebbé. A kezdeti hipotéziseim a következők voltak:
1. A hálózattudományos megközelítés új látásmódot eredményezhet az ellátási
láncok elemzésekor, amely lehetővé teszi a logisztikai ellátási láncot komplex
hálózatként modellezni.
3
2. A logisztikai ellátási lánc hálózat ugyancsak komplex hálózat; számos analógiát
mutat más komplex, élő hálózatokkal – különösen a biokémiai és biológiai
területéről, olyan tulajdonságokban, mint a skálafüggetlenség, a kisvilágság, az
egymásba ágyazottság.
3. A biokémiai és biológiai hálózatok hálózatstabilizáló gyengekapcsoltsága
létrehozható a logisztikai ellátási lánc hálózatban is meta-szinten definiált
szabadságfokú Kanbanokkal.
4. A logisztikai ellátási lánc hálózatok és más élő hálózatok között olyan
különbözőségek feltárását vártam, amelyek átültethetők lesznek a logisztikai
ellátási lánc hálózatokba.
Az ellátási lánc menedzsment és a hálózattudomány területéről nagyszámú
szakirodalmat dolgoztam fel. A 2. Fejezetben bemutattam az ellátási lánc
menedzsment azon alapvető törvényszerűségeit, amelyek fontos hálózat-
tudományos interpretációval bírnak. A 3. Fejezetben a hálózattudomány fontos
szakkifejezéseit ismertettem, és számos bizonyított hálózatos példát hoztam
különböző tudományterületekről. A 4. Fejezetben, az ellátási lánc menedzsment és
a hálózattudomány szintézisekor visszacsatoltam a 3. Fejezet általános
hálózattudományos szakkifejezéseihez. Tisztáztam a két tudományterület eltérő
módon használt szakkifejezéseit (pl. komponens, modul, hub).
3. A logisztikai ellátási lánc hálózatos modellje
A 4. Fejezetben, széleskörű szakirodalommal alátámasztva bizonyítottam a
hálózattudományos megközelítés alkalmazhatóságát az ellátási láncok fontos
szerkezeti és működési karakterisztikáinak meghatározására. Ezzel egyidőben
bizonyítottam, hogy a logisztikai ellátási lánc is súlyozott, zömében irányított,
komplex hálózat, egymásba ágyazott szerkezettel, számos hasonlóságot mutatva
más élő hálózatokkal. Szerkezete a metabolikus- és fehérjehálózatok valamint a
tápláléklánc egyfajta kombinációja (v.ö. trofikus szintek és echelonok).
4
1. Ábra. A hálózatos tér eltérő felbontása a szervezetben és környezetében,
alapvető ellátási lánc- és hálózattudományos szakkifejezésekkel
Ezért meghatároztam a hálózatos tér dimenzióit a logisztikai ellátási lánc
hálózatban (longitudinális, transzverzális, hierarchikus), amelyek fontos szerepet
játszottak a hálózattudományos analitikák adaptálásakor (lásd 5. Fejezet).
1. tézis
A hálózattudományos megközelítést alkalmazva, annak analitikáját átültetve,
megalkottam a logisztikai ellátási lánc hálózat finom- és középszemcsés
hálózatos modelljét: az anyagkonverziós és transzport folyamat súlyozott,
irányított, egymásba ágyazott szerkezetű, komplex hierarchikus hálózatot hoz
létre, az alkotó alhálózatok (ember, gép, anyag) átfedő moduljaival. A
logisztikai ellátási lánc hálózatban négy dimenziót különböztettem meg: 1.
longitudinális (az áramlással párhuzamos); 2. transzverzális (arra merőleges,
az echelonoknak megfelelő); 3. hierarchikus (vertikális); 4. idődimenzió [3, 4,
9]
5
4. Az analógiák
Számos példát és bizonyítékot ismertettem a biokémiai-, biológiai hálózatokból,
hangsúlyozva az analógiákat. Külön figyelmet szenteltem a skálafüggetlenségnek,
a kisvilágságnak, a gyengekapcsoltságnak, az egymásba ágyazott modularitásnak,
az optimum vezérelt rekurzív modularizációnak, a perturbációnak és relaxációnak
(3. és 4. Fejezet).
2. Ábra. Kumulatív skálafüggetlen fokszámeloszlás egy autóipari beszállítónál
Külön alfejezetekben ismertettem a hálózati transzport folyamatot és az
analógiákat a logisztikai ellátási lánc anyagkonverziós és transzport folyamatával,
valamint az általános jelátviteli folyamatot és az igény-ellátási hálózat igény-
jelátvitelét (3.5. és 4.5. Fejezet).
2. tézis
Feltártam, hogy a logisztikai ellátási lánc hálózat számos szerkezeti és
működési analógiát mutat a metabolikus- és fehérjehálózatokkal, és részben
az idegrendszerrel, illetve a tápláléklánccal. Szerkezeti hasonlóságot
állapítottam meg a skála-függetlenség, a kisvilágság, az egymásba ágyazottság
6
és az analóg motívumok jelenlétében. Működési analógiát bizonyítottam a
következőkben: anyagkonverziós és transzport folyamat; önszerveződő
kritikalitás gátolt relaxáció esetén, amely kaszkádzavarban kulminál;
optimum vezérelt rekurzív modularizáció, amely skálafüggetlenséget
eredményez a kimenő fokszámeloszlásban, valamint felelős a value stream-ek
(longitudinális dimenzió) és az echelon-ok (transzverzális dimenzió)
kialakulásáért a logisztikai ellátási lánc hálózatban. [3, 4, 5, 6, 9]
3. Ábra. Kaszkádzavar egy Tier-1 IT-telekom beszállítónál
5. A különbségek
Az ember által épített hálózatokban gyakran az alacsony toleranciájú, rigid, erős
kapcsolatok uralkodnak. Ezért külön figyelmet fordítottam a plaszticitás-rigiditás
és a hálózati degeneráltság (eltérő szerkezetű elemek azonos feladatot látnak el)
elméletének tanulmányozására. Ezek a mechanizmusok jelentős mértékben
7
hozzájárulnak a hálózat robusztusságához, ellenálló- és alkalmazkodóképességéhez
és túléléshez, míg gyakorlatilag hiányoznak a logisztikai ellátási láncokból.
4. Ábra. Plaszticitás-rigiditás ciklus kapcsolata a fontos hálózatos jellemzőkkel
(Csermely Péter professzor engedélyével rekonstruálva) [Csermely 2012]
3. tézis
Az élő hálózatokban kimutatott degeneratív redundancia (hálózati
degeneráltság) és egymásba ágyazott plaszticitás-rigiditás ciklusok alapvetően
hozzájárulnak a gyengekapcsoltság kialakulásához, és az élő hálózatok
kivételes ellenálló-, alkalmazkodó- és fejlődőképességéhez. Feltártam, hogy
ezeket a szerkezeti és működési tulajdonságokat vagy nem detektáljuk, vagy
károsnak tekintjük a logisztikai ellátási lánc hálózatban. Megállapítottam,
hogy a szervezet hálózatos szerkezetének ismeretében, a fenti
megkülönböztető tulajdonságok átültethetők a logisztikai ellátási lánc
hálózatba. [8, 9]
8
6. Új elemző módszereim
Mind a CQIG, mind a mátrix módszeremhez meghatároztam az igényadatok
előállításának és átalakításának módját a szükséges derivátumok eléréséhez. Az
egyenletek viszonyát ábrán vizualizáltam (5.1.2. és 5.2.1. Fejezet).
5. Ábra. A derivátumok 5.2-1 - 5.2-7 egyenletei, amelyekkel egy szervezet hálózat-
tudományos vizsgálatához a mátrixműveletek adatsorai meghatározhatók
A CQIG módszerem (5.1. Fejezet) egyidőben ábrázolja a kölcsönható nóduszok
szerkezeti és működési jellemzőit és betekintést nyújt a szervezet hálózatának
perturbációs mintázatába. A két szomszédos echelon (erőforrások és
késztermékek) CQIG-párjával meghatározhatjuk a 7 archetípus nóduszait és
releváns kapcsolataikat. Mindezek együttesen alkotják a szervezet hálózati vázát,
amelynek fontos szerepe van a kaszkádzavarok terjedésében és a lehetséges
kreatív-elem-motívum meghatározásában.
9
4. tézis
A logisztikai ellátási lánc hálózatot alkotó egyszerűbb, nem hierarchikus
modularitású szervezetek hálózatos felépítésének vizsgálatára megalkottam a
kombinált mennyiség-irregularitás diagramm módszert (CQIG). A CQIG
újszerű módon, egyidőben tárja fel a hálózat kölcsönható elemeinek fontos
szerkezeti és működési/viselkedési mintázatait és azok közötti összefüggéseket.
[1, 2]
6. Ábra. A nóduszok ki-komponensének topológiája és az eredményezett viselkedés
a CQIG-diagrammon
A mátrixanalitikai módszerem (5.2. Fejezet) kidolgozásakor alapvető lépés volt
helyesen meghatározni a szervezet hálózatának mátrixmodelljét, amely egy a
szomszédos echelon-párok téglalapmátrixait tartalmazó, szigorúan nullpotens,
felsőháromszög négyzetmátrix. Ez a reprezentáció alkalmas a szervezet (logisztikai
ellátási lánc hálózat hálózati eleme) jellemző értékeinek meghatározására, úgymint
köztes centralitás, be-fokszám és ki-fokszám, súlyok, a nyugalmi és zilált
nóduszok állapota, valamint a kreatív elem motívum beazonosítása.
10
7. Ábra. A szervezet súlyozatlan és súlyozott hálózati modellje.
8. Ábra. A szervezet elemzéséhez szükséges mátrixok – Eq. from 5.2-8 to 5.2-19
11
5. tézis
Nagy, komplex, hierarchikusan egymásba ágyazott szerkezetű szervezetek
elemzéséhez mátrixanalitikai módszert dolgoztam ki (LSCN-MM). A
logisztikai ellátási lánc hálózatot alkotó szervezet mátrixmodellje egy
szigorúan nullpotens felső háromszög négyzetmátrix, amely a szomszédos
echelon-párok téglalap alakú kapcsolódási mátrixait tartalmazza. A mátrix
módszerem utat nyit a kaszkádzavarok terjedésének modellezéséhez a
szervezet feltárt hálózatos szerkezetében, a releváns igény-adatsorokból
képzett derivátumokkal. [7]
7. Innovatív megoldásaim
A 6. Fejezetben két innovatív megoldásomat ismertettem, amelyeket több
vállalatnál bevezettünk. A kreatív elem motívumot alkotó viselkedési archetípusok
készletelemeit meta-szinten határozzuk meg.
9.Ábra. A viselkedési archetípusok készleteleminek számítása a kreatív elem
motívumban. Eq. from 6.1-1 till 6.1-4.
12
Az így kialakított szimmetrikus gyenge-kapcsoltsággal simítjuk a stabilitási
felületet és optimalizáljuk a plaszticitás-rigiditást, a szinkronitást a szervezet teljes
anyag-alhálózatában.
10. Ábra. Stabilitás felület és a topológiai fázisátmenet a logisztikai ellátási lánc
hálózatban (Csermely Péter engedélyével módosítva) [Csermely 2009, p. 81]
A szervezet ember-alhálózatában a különböző hierarchiaszinteken kialakított
egymásba ágyazott plaszticitás-rigiditás és a hálózatos degeneráltság
alkalmazkodóképességet és extrém skálázhatóságot eredményezett nagyon
robosztus tudásmenedzsment mellett. A degenerált redundancia több az egyszerű
redundanciánál. Degeneráltság esetén az eltérő szerkezetű hálózati elemek azonos
funkciót láthatnak el.
Bebizonyítottam, hogyan fejleszthetünk innovatív megoldásokat, átültetve az élő
rendszerekben tapasztalt előnyös különbségeket. Ezek az innovatív megoldások
13
bizonyítják a hálózattudományos megközelítés alkalmazhatóságát, valamint a
kapcsolatot az elmélet és a gyakorlat között, empirikus bizonyítékként is szolgálva.
11. Ábra. Degeneráltság a szervezetben
6. tézis
Kidolgoztam és empirikusan bizonyítottam, hogyan alakítható ki
gyengekapcsoltság a logisztikai ellátási lánc hálózatot alkotó szervezet anyag-
alhálózatában, és hogyan simítható annak stabilitásfelülete. A logisztikai
ellátási lánc hálózatot alkotó szervezet humán-alhálózatában (ember-
alhálózatában) megvalósítottam az egymásba ágyazott plaszticitás-rigiditás
ciklusokat és a hálózati degeneráltságot. Ezekkel az innovatív megoldásokkal
növeltem a szervezetek alkalmazkodóképességét és a kaszkádzavarokkal
szembeni ellenállóképességét. [4, 6, 8, 9]
14
8. További kutatási irányok
1. A rendszer viselkedésének modellezése a feltárt, valós hálózatban annak
tényleges időadatsoraival. Ez tényleges hálózati szerkezet látens gyengeségeit
tárhatja fel.
2. Többezres nódusz-számú szervezet esetén a mátrix elemzésem Excelben vagy
MatLab-ban körülményes és lassú. Ezért komoly lehetőséget látok egy
robosztus platform fejlesztésében, amely lehetővé tenné, hogy nem szakértő
ellátási lánc specialista gyors, standardizált elemzést végezhessen.
3. A forgalomszétosztási ráterheléses eljárás adaptálása, ahol a nóduszok és élek
alapterhelését az echelon-szinten normalizált súlyozott mátrixok W(sr) W(rf)
W(fc), valamint az MC(r) MC(f) vektormátrixok segítségével határozhatjuk
meg – az 5. Ábra Eq. 5.2-6 és a 8.. Ábra Eq. 5.2-15, 5.2-16, 5.2-17 képleteivel.
A kaszkádzavar terjedésének modellezésekor a meta-szintű irregularitást
MD(r) MD(f) kell alkalmazni, mivel a destabilizált nódusz élei erős
transzverzális szinkronba kerülnek, lásd az 5. Ábra Eq. 5.2-5 és a8. Ábra Eq.
5.2-15, 5.2-18, 5.2-19 képleteit. Ez a megközelítés összhangban van az utóbbi
évek hálózati kutatásaival is.
9. Publikációs jegyzék
1. Fekete I., Hartványi T. (2012): Value Chain Stabilization with Combined
Quantity-Irregularity Graphs. In International Conference on Value Chain
Sustainability ICOVACS 2012, Izmir, Turkey, 13-15 December 2012, ISBN
978-975-8789-50-4 (Publising Date: March 2013), pp. 179-187.
15
2. Fekete I., Hartványi T. (2013): Ellátási lánc stabilizálása a domináns
termékek innovatív menedzselésével. in Logisztikai Évkönyv 2013, Magyar
Logisztikai Egyesület, Budapest, ISSN 1218-3849, pp. 169-176.
3. Fekete I., Hartványi T. (2014): Further Analogies between Biochemical
Networks and Demand-Supply Networks. Tavaszi Szél 2014 Conference,
Debrecen, 21-23 March 2014, DOSz, ISBN 978-963-89560-8-8, pp. 53-63.
4. Fekete I., Hartványi T. (2015): How can Network Science Help to Make an
Organization Resilient and Successful. in GLOGIFT 15 Fifteenth Global
Conference on Flexible Systems Management, Pune, India, 23-25 October
2015, ISBN 978-81-906294-9-2, pp. 1006-1017.
5. Fekete I. – Hartványi T. (2016a): Az ellátási lánc: mint komplex hierarchikus
hálózat. in Hálózatkutatás - Hálózatok és (inter)diszciplínák. INTER-Magyar
Szemiotikai Társaság, Budapest, 2016, ISBN: 978-963-89240-4-9, pp. 11-22.
6. Fekete I. – Hartványi T. (2016b): A nyelvi hálózatok és az igény-ellátási lánc
hálózatok alkalmazott-hálózatkutatási analógiái. in Hálózatkutatás -
Hálózatok és (inter)diszciplínák. INTER-Magyar Szemiotikai Társaság,
Budapest, 2016, ISBN: 978-963-89240-4-9, pp. 22-29.
7. Fekete I., Kallós G., Hartványi T. (2016c): Multi-Partite structure of Demand-
Supply Network Element. Acta Technica Jaurinensis 2016. Vol 9, No 3. ISSN
1789-6932 (Print), ISSN 2064-5228 (Online), pp. 171-182
8. Fekete I., Hartványi T. (2016d): Nested Plasticity Delivers Adaptability and
Resilience to Organization in GLOGIFT 16, 16th Global Conference on
Flexible Systems Mana-gement, Sydney, Australia, 4-6 December 2016, pp.
1-14, ISBN 978-93-83893-03-4
9. Fekete I., Hartványi T. (2017): Network Science in Logistics: New Way to
Flexible Adaptation. Under publication in an edited volume entitled to
Flexibility in Resource Management under the Book Series on Flexible
Systems Management (Published by Springer)