УПРАВЛІННЯ РИЗИКАМИ В МІЖНАРОДНИХ ЛАНЦЮГАХ ПОСТАВОК: СЦЕНАРНЕ ПЛАНУВАННЯ ТА НАДІЙНА ОПТИМІЗАЦІЯ

PDF (English)

Ключові слова

міжнародна логістика
ризики ланцюгів постачання
сценарне планування
робастна оптимізація
геополітичні ризики
сезонність
страйки
форс-мажор

Як цитувати

Халамандро, М. (2025). УПРАВЛІННЯ РИЗИКАМИ В МІЖНАРОДНИХ ЛАНЦЮГАХ ПОСТАВОК: СЦЕНАРНЕ ПЛАНУВАННЯ ТА НАДІЙНА ОПТИМІЗАЦІЯ. Підприємництво і торгівля, (44), 169-177. https://doi.org/10.32782/2522-1256-2025-44-19

Анотація

Глобальні ланцюги постачання стикаються з підвищеною вразливістю до комплексних збоїв, що виникають під впливом геополітичних шоків, сезонних коливань попиту, страйків і форс-мажорних обставин. Такі чинники зумовлюють значне зростання варіативності термінів постачання, підривають показники своєчасного та повного виконання замовлень (on-time-in-full performance), підвищують загальну собівартість обслуговування клієнтів, а вимушене перенаправлення маршрутів або зміна транспортних режимів спричиняють додаткові вуглецеві викиди (Scope 3). У дослідженні розроблено й апробовано інтегровану методологічну основу, що поєднує сценарне планування з методами робастної оптимізації для підтримки управлінських рішень у сферах міжнародної логістики, управління запасами та транспортування в умовах розподільчої невизначеності. Спочатку сформовано набір правдоподібних і внутрішньо узгоджених сценаріїв, які охоплюють сезонні піки попиту, дефіцит потужностей через страйки, перекриття торгових коридорів і затримки, зумовлені геополітичними ризиками, а також погодні катастрофи. Далі застосовано процедуру скорочення сценаріїв для отримання репрезентативного набору, придатного до обчислювальної обробки. На етапі оптимізації побудовано робастні та дистрибуційно робастні моделі, що враховують обмеження за рівнем обслуговування клієнтів і викидами CO₂e (Scope 3), які порівнювалися з детермінованими та двоетапними стохастичними базовими моделями. На основі промислово реалістичних прикладів здійснено оцінювання ефективності рішень за такими показниками, як очікувані витрати, рівень ризику у «хвості» розподілу (Conditional Value at Risk, CVaR), своєчасність виконання замовлень, варіація часу доставки та обсяг вуглецевих викидів. Результати свідчать, що робастні стратегії підвищують надійність сервісу у найгірших сценаріях та знижують хвостовий ризик за помірного збільшення витрат. Найбільш ефективними інструментами управління виявилися мультимодальна гнучкість, подвійне джерело постачання та цільові страхові запаси, особливо в умовах, коли ризики корелюють між маршрутами або часовими періодами. Для менеджерів запропоноване рішення створює структуровану основу для регулярного перегляду сценаріїв, адаптації контрактних стратегій і підвищення стійкості мереж постачання. Для політиків та регуляторів результати підкреслюють важливість ефективного управління транспортними коридорами, узгодженості митних процедур та механізмів посередництва у трудових конфліктах. Обмеження дослідження пов’язані з використанням статичного планового горизонту, спрощених геополітичних індикаторів та одноіндустріального прикладу. У перспективі доцільно розвивати моделі адаптивного робастного контролю, поєднання оптимізаційних рішень із методами машинного навчання для прогнозування ризиків, а також удосконалення обліку вуглецевих викидів на основі більш точних даних.

https://doi.org/10.32782/2522-1256-2025-44-19
PDF (English)

Посилання

Ben-Tal, A., El Ghaoui, L., & Nemirovski, A. (2009). Robust Optimization. SIAM–MPS. URL: www2.isye.gatech.edu

Bertsimas, D., & Sim, M. (2004). The price of robustness. Operations Research, 52(1), 35–53. https://doi.org/10.1287/opre.1030.0065

Birge, J. R., & Louveaux, F. (2011). Introduction to Stochastic Programming (2nd ed.). Springer. URL: https://link.springer.com/book/10.1007/978-1-4614-0237-4?utm_source=chatgpt.com

Christopher, M., & Peck, H. (2004). Building the resilient supply chain. The International Journal of Logistics Management, 15(2), 1–13. URL: https://www.researchgate.net/publication/228559011_Building_the_Resilient_Supply_Chain?utm_source=chatgpt.com

Caldara, D., & Iacoviello, M. (2022). Measuring geopolitical risk. American Economic Review, 112(4), 1194–1225. https://doi.org/10.1257/aer.20191823

Disney, S. M., & Towill, D. R. (2003). The effect of vendor managed inventory (VMI) dynamics on the bullwhip effect in supply chains. International Journal of Production Economics, 85(2), 199–215.

Esfahani, P. M., & Kuhn, D. (2018). Data-driven distributionally robust optimization using the Wasserstein metric: Performance guarantees and tractable reformulations. Mathematical Programming, 171(1–2), 115–166. https://doi.org/10.1007/s10107-017-1172-1

European Central Bank. (2022). Supply chain disruptions and the effects on the global economy. ECB Economic Bulletin(Box). URL: https://www.ecb.europa.eu/press/economic-bulletin/focus/2022/html/ecb.ebbox202108_01~e8ceebe51f.en.html?utm_source=chatgpt.com

Hasani, A., Khosrojerdi, A., Beygipoor, G., & Shishebori, D. (2024). Robust supply chain network design: A comprehensive review. Annals of Operations Research, 332, 1–55. URL: https://link.springer.com/article/10.1007/s10479-024-06228-6?utm_source=chatgpt.com

Heitsch, H., & Römisch, W. (2003). Scenario reduction in stochastic programming. Mathematical Programming, 95(3), 493–511.

Hosseini, S., Ivanov, D., & Dolgui, A. (2019). Review of quantitative methods for supply chain resilience analysis. Transportation Research Part E: Logistics and Transportation Review, 125, 285–307.

Ivanov, D. (2020). Viable supply chain (VSC): Towards a new paradigm of supply chain management? International Journal of Production Research, 58(10), 2904–2915.

Jüttner, U. (2005). Supply chain risk management: Understanding the business requirements from a practitioner perspective. The International Journal of Logistics Management, 16(1), 120–141.

Norrman, A., & Jansson, U. (2004). Ericsson’s proactive supply chain risk management approach after a serious sub-supplier accident. International Journal of Physical Distribution & Logistics Management, 34(5), 434–456. https://doi.org/10.1108/09600030410545463

Rahimian, H., & Mehrotra, S. (2022). Frameworks and results in distributionally robust optimization. Open Journal of Mathematical Optimization, 3,

Shapiro, A., Dentcheva, D., & Ruszczyński, A. (2014). Lectures on Stochastic Programming: Modeling and Theory (2nd ed.). SIAM.

Snyder, L. V. (2006). Facility location under uncertainty: A review. Annals of Operations Research, 142(1), 367–402.

Tang, C. S. (2006). Robust strategies for mitigating supply chain disruptions. International Journal of Logistics Research and Applications, 9(1), 33–45.

UNCTAD (2024). Suez and Panama Canal disruptions threaten global trade and development (Policy brief/news analysis). United Nations Conference on Trade and Development.

Wan, Z., Chen, L., Wang, S., & Du, Y. (2023). Analysis of the impact of Suez Canal blockage on the global shipping network. Ocean & Coastal Management, 242, 106798.

ISO. (2018). ISO 31000:2018 Risk management—Guidelines. International Organization for Standardization.

ISO. (2019). ISO 22301:2019 Security and resilience—Business continuity management systems—Requirements. International Organization for Standardization.

Federal Reserve Bank of New York. (2022). The Global Supply Chain Pressure Index (GSCPI): Staff Report No. 1017. URL: https://www.newyorkfed.org/medialibrary/media/research/staff_reports/sr1017.pdf?utm_source=chatgpt.com

Federal Reserve Bank of New York. (n.d.). Global Supply Chain Pressure Index (GSCPI) (methodology & data portal).