• JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
 
  Bookmark and Share
 
 
Tese de Doutorado
DOI
10.11606/T.18.2017.tde-16032017-141008
Documento
Autor
Nome completo
Francisco Rodrigues Lima Júnior
Unidade da USP
Área do Conhecimento
Data de Defesa
Imprenta
São Carlos, 2016
Orientador
Banca examinadora
Carpinetti, Luiz Cesar Ribeiro (Presidente)
Espôsto, Kleber Francisco
Ganga, Gilberto Miller Devós
Osiro, Lauro
Rezende, Solange Oliveira
Título em português
Avaliação da adequabilidade de redes neurais artificiais e sistemas neuro-fuzzy no apoio à predição de desempenho de cadeias de suprimento baseada no SCOR®
Palavras-chave em português
Gestão de cadeias de suprimento
Modelo SCOR®
Predição de desempenho
Redes neurais artificiais
Sistemas neuro-fuzzy
Resumo em português
Sistemas de predição de desempenho de cadeias de suprimento são constituídos por indicadores que visam estimar o desempenho da empresa-foco em decorrência também do desempenho dos indicadores dos fornecedores. Na literatura são encontrados apenas dois modelos quantitativos (GANGA; CARPINETTI, 2011; AGAMI; SALEH; RASMY, 2014) que permitem predizer o desempenho de cadeias de suprimento usando os indicadores do modelo SCOR® (Supply Chain Operations Reference). Uma limitação de ambos modelos é a dificuldade de se ajustar ao ambiente de uso, uma vez que sua implementação e atualização requerem a parametrização manual de muitas regras de decisão. Tanto o uso de redes neurais quanto de sistemas neuro-fuzzy têm o potencial de contornar essa dificuldade por utilizarem um mecanismo de aprendizagem que possibilita a adaptação ao ambiente de uso usando dados numéricos. Todavia, na literatura não são encontradas aplicações dessas técnicas no apoio à predição de desempenho de cadeias de suprimento, tampouco estudos que discutam qual dessas técnicas se mostra mais adequada para lidar com este problema. Diante disso, o objetivo desta pesquisa é construir e a avaliar a adequabilidade de dois sistemas de predição de desempenho, ambos baseados nos indicadores do modelo SCOR®, mas usando alternativamente as técnicas redes neurais e sistemas neuro-fuzzy, para apoiar a gestão de desempenho da empresa-foco e de sua cadeia imediata. A execução desta pesquisa envolveu o uso de simulação computacional e de testes estatísticos. Os resultados mostram que, embora ambas as técnicas apresentem capacidade de predição satisfatória, as redes neurais são mais adequadas em relação à complexidade da definição da configuração topológica, enquanto os sistemas neuro-fuzzy se sobressaíram em relação à capacidade de predição, complexidade do treinamento, quantidade de variáveis de entrada, suporte à tomada de decisão sob incerteza e interpretabilidade dos dados. Outros resultados desta pesquisa estão relacionados à identificação de particularidades do processo de modelagem das técnicas avaliadas, à elaboração de um panorama sobre o uso de técnicas quantitativas na avaliação de desempenho de cadeias de suprimento e à identificação de algumas oportunidades de pesquisa.
Título em inglês
Evaluation of the adequability of artificial neural network and neuro-fuzzy systems to deal with supply chain performance prediction based on SCOR®
Palavras-chave em inglês
Artificial neural networks
Neuro-fuzzy systems
Performance prediction
SCOR® model
Supply chain management
Resumo em inglês
Supply chain performance prediction systems are composed by indicators that aim to estimate the performance of a focal company considering also indicators related to their suppliers. There are two quantitative models in the literature (GANGA; CARPINETTI, 2011; AGAMI; SALEH; RASMY, 2014) that enable to predict the supply chain performance using the indicators proposed by the SCOR® model (Supply Chain Operations Reference). Nevertheless, there is a drawback of both models that refers to the difficulty in adapting to the environment of use, since implementation and updating of these models require parameterization of many decision rules that must be done by an expert. The application of artificial neural networks as well as neuro-fuzzy systems can overcome this drawback by using a learning mechanism that enables the adaptation to the environment of use using numerical data on supply chain performance. However, there are neither studies in the literature that propose the use of these techniques in order to support supply chain performance prediction nor studies that discuss which of these techniques seem to be more appropriate to deal with this problem. Thus, the objective of this study is to propose and evaluate the adequability of the two types of performance prediction systems based on the performance indicators of the SCOR® model, and both using alternatively artificial neural networks and neuro-fuzzy systems to support performance management of a focal company and their supply chain. The implementation of this research involved the use of computer simulation and statistical tests. The results show that although both techniques present a satisfactory predictive capacity, neural networks are more appropriate in relation to the complexity of defining the topological configuration, whereas the neuro-fuzzy systems are more adequate regarding the predictive capacity, complexity of the training, amount of input variables, support to decision-making under uncertainty and interpretability of data. Other results of this research refer to the identification of characteristics of the modeling process of the evaluated techniques, as well as to the review on the use of quantitative techniques for supply chain performance evaluation and to the identification of some research opportunities.
 
AVISO - A consulta a este documento fica condicionada na aceitação das seguintes condições de uso:
Este trabalho é somente para uso privado de atividades de pesquisa e ensino. Não é autorizada sua reprodução para quaisquer fins lucrativos. Esta reserva de direitos abrange a todos os dados do documento bem como seu conteúdo. Na utilização ou citação de partes do documento é obrigatório mencionar nome da pessoa autora do trabalho.
Data de Publicação
2017-03-24
 
AVISO: O material descrito abaixo refere-se a trabalhos decorrentes desta tese ou dissertação. O conteúdo desses trabalhos é de inteira responsabilidade do autor da tese ou dissertação.
  • Lima Junior, Francisco R., e Carpinetti, Luiz Cesar Ribeiro. Métodos de Decisão Multicritério para Seleção de Fornecedores: Um Panorama do Estado da Arte. Gestão & Produção (UFSCAR. Impresso), 2013.
  • Lima Junior, Francisco R., and Carpinetti, Luiz Cesar Ribeiro. Using combined fuzzy and TOPSIS techniques for supplier selection decision making. In 4th P&OM World Conference - EUROMA 2012, Amsterdã, 2012. P&OM World Conference Proceedings., 2012.
  • Lima Junior, Francisco R., Carpinetti, Luiz Cesar Ribeiro, e Osiro, Lauro. Incertezas em seleção de fornecedores: classificação e recomendações para modelagem. In SIMPEP, Bauru, 2012. Anais do Simpep., 2012.
  • Lima Junior, Francisco R., Carpinetti, Luiz Cesar Ribeiro, e Osiro, Lauro. Problema de Seleção e Avaliação de Fornecedores: Caracterização da Literatura Científica por meio de um Levantamento Bibliográfico Sistematizado. In ENEGEP 2011, Belo Horizonte, 2011. Anais do ENEGEP 2011., 2011.
  • Osiro, Lauro, Carpinetti, Luiz Cesar Ribeiro, e Lima Junior, Francisco R. Análise da segmentação da base de fornecedores em uma empresa de eletrodomésticos da linha branca. In SIMPEP, Bauru, 2012. Anais do Simpep., 2012.
  • Lima Junior, Francisco R., et al. Avaliação da qualidade de softwares de apoio à decisão. In Encontro Nacional de Engenharia de Produção, Bento Gonçaves, 2012. Anais do Encontro Nacional de Engenharia de Produção., 2012.
Todos os direitos da tese/dissertação são de seus autores
CeTI-SC/STI
Biblioteca Digital de Teses e Dissertações da USP. Copyright © 2001-2020. Todos os direitos reservados.