The storage location problem in a coal supply chain: background and methodological approach
1
Mineral and Energy Economy Research Institute, Polish Academy of Sciences, Department of Policy and Strategic Research, Division of Energy Economics, Krakow, Poland
2
AGH University of Science and Technology, Faculty of Management, Department of Energy Management, Krakow, Poland
Gospodarka Surowcami Mineralnymi – Mineral Resources Management 2017;33(1):5-14
KEYWORDS
ABSTRACT
In order to achieve two main objectives: (1) reduce risk and (2) increase the expected rate of return on invested capital, coal mining and coal trading companies have looked for new ways to improve their supply chain networks. Developments in the supply chain design and analysis have helped coal mining and coal trading companies expand their businesses, but at the same time, have forced them to consolidate their assets and downsize any underused storage facilities. In the coal mining industry, the problem of consolidation and downsizing becomes much more complicated due to the variety in quality parameters (hence many coal grades) involved, locational zones and different number of market players. Furthermore, for the last decade, the storage allocation and assignment problem has received a great deal of attention within the Logistics and Operation Research (OR) area. Yet, little attention has been given to the modeling of coal supply chains and the issue of strategic supply chain planning of coal-producing and coal-trading companies. Similar to the generic warehouse consolidation problem (WCP), in specific cases of coal-producing and coal-trading companies, storage facilities that are redundant or underutilized can be eliminated without causing a negative impact on customer and service levels. In this context, this paper discusses the background of the problem and proposes a mixed-integer linear programming (MILP) model mainly intended for storage and distribution network reconfiguration of a coal-producing or trading company. The model, which can be implemented in a high-level mathematical modelling system such as GAMS or AIMMS, captures the essential methodological features of a warehouse restructuring and/or consolidation problem and can be applied in practice.
METADATA IN OTHER LANGUAGES:
Polish
Lokalizacja składów węgla w łańcuchu dostaw do odbiorcy – tło i podejście metodyczne
kopalnia węgla, handel węglem, optymalizacja dostaw, MILP, lokalizacja magazynów
Wśród szeregu przedsięwzięć realizowanych przez przedsiębiorstwa produkujące i handlujące węglem kamiennym w kierunku osiągnięcia dwóch podstawowych celów swojej działalności, jakimi są (1) zmniejszenie ryzyka oraz (2) zwiększenie oczekiwanej stopy zwrotu z zaangażowanego kapitału, istotną rolę pełni konsekwentne usprawnianie sieci dostaw tego nośnika energii pierwotnej. Projektowanie przedmiotowego systemu oraz analiza łańcucha dostaw węgla stwarza warunki dla dalszej ekspansji spółek; zmusza jednocześnie ich zarządy do przeprowadzania konsolidacji posiadanych aktywów oraz redukowania niewykorzystanych zasobów magazynowych. W branży węglowej problem ten komplikuje się głównie ze względu na zmienność parametrów jakościowych występującego w obrocie węgla (w konsekwencji dużej liczby klas/sortymentów), różnorodną lokalizację oraz dużą liczbę uczestników rynku. Problem efektywnej alokacji powierzchni magazynowych stanowi coraz częściej poruszane zagadnienie w literaturze przedmiotu. Niestety, jak dotychczas niewystarczające zainteresowanie towarzyszyło zarówno modelowaniu łańcucha dostaw węgla jak i problemowi planowania strategicznego w spółkach węglowych i przedsiębiorstwach handlujących węglem. Poprzez analogię do ogólnego problemu konsolidacji powierzchni magazynowych można pokazać, że w przypadku przedmiotowych przedsiębiorstw niepotrzebne lub niewykorzystane kubatury składowisk mogą zostać wyeliminowane bez spowodowania negatywnych skutków dla odbiorców. W odniesieniu do powyższego, w artykule przedstawiono zwięzłą analizę tła problemu oraz zaproponowano rozwiązanie zagadnienia rekonfiguracji sieci dystrybucyjnej rozważanych przedsiębiorstw wydobywających i handlujących węglem kamiennym z wykorzystaniem podejścia programowania matematycznego liniowego całkowitoliczbowego (MILP). Podobny model (który może być zaimplementowany w systemie modelowania, takim jak GAMS lub AIMMS), uwzględnia wszystkie istotne elementy metodyczne problemu konsolidacji powierzchni magazynowych i może być skutecznie wykorzystany do celów praktycznych.
REFERENCES (17)
1.
Anaraki et al. 2011 – Anaraki, A.H.Z.H.Z., Razmi, J., Jeihoonian, M., 2011. A Benders Decomposition approach for redesigning a warehouse network problem [In:] 41st International Conference on Computers and Industrial Engineering 2011. Department of Industrial Engineering, University of Tehran, Tehran, Iran, pp. 38–43.
2.
Berg et al. 1999 – Berg, J.P. Van Den, Zijm, W.H.M., 1999. Models for warehouse management: Classification and examples. Int. J. Prod. Econ. 59, pp. 519–528. DOI: 10.1016/S0925-5273(98)00114-5.
3.
Bogacz, P., 2015. Optymalizacja dystrybucji i logistyki w ujęciu bezpośrednim do segmentu odbiorców indywidualnych. Logistyka 4.
4.
Cheng et al. 2016 – Cheng, Q., Ning, S., Xia, X., Yang, F., 2016. Modelling of coal trade process for the logistics enterprise and its optimisation with stochastic predictive control. Int. J. Prod. Res. 54, pp. 2241–2259. DOI: 10.1080/00207543.2015.1062568.
5.
Fahimnia et al. 2013 – Fahimnia, B., Farahani, R.Z., Marian, R., Luong, L., 2013. A review and critique on integrated production–distribution planning models and techniques. J. Manuf. Syst. 32, pp. 1–19. DOI: 10.1016/j.jmsy.2012.07.005.
6.
Gu et al. 2010 – Gu, J., Goetschalckx, M., McGinnis, L.F., 2010. Research on warehouse design and performance evaluation: A comprehensive review. Eur. J. Oper. Res. 203, pp. 539–549. DOI: 10.1016/j.ejor.2009.07.031.
7.
Gu et al. 2007 – Gu, J., Goetschalckx, M., McGinnis, L.F., 2007. Research on warehouse operation: A comprehensive review. Eur. J. Oper. Res. 177, pp. 1–21. DOI: 10.1016/j.ejor.2006.02.025.
8.
Kamiński, J. and Saługa, P. 2014. Steam coal supplies for power generation – the concept of a mathematical model. Gospodarka Surowcami Mineralnymi – Mineral Resources Management 30, pp. 39–52. DOI: 10.2478/gospo-2014-0005.
9.
Kiya, F. and Davoudpour, H. 2012. Stochastic programming approach to re-designing a warehouse network under uncertainty. Transp. Res. Part E Logist. Transp. Rev. 48, pp. 919–936. DOI: 10.1016/j.tre.2012.04.005.
10.
Liotta et al. 2015 – Liotta, G., Stecca, G., Kaihara, T. 2015. Optimisation of freight flows and sourcing in sustainable production and transportation networks. Int. J. Prod. Econ. 164, pp. 351–365. DOI: 10.1016/j.ijpe.2014.12.016.
11.
Magda et al. 2014 – Magda, R., Bogacz, P., Franik, T., Celej, M., Migza, M. 2014. Regionalne zróżnicowanie popytu na węgiel kamienny jako podstawa do opracowania modelu dystrybucji produktu przedsiębiorstwa górniczego w segmencie odbiorców indywidualnych. Arch. Górnictwa 59, pp. 761–780.
12.
Melachrinoudis et al. 2005 – Melachrinoudis, E., Messac, A., Min, H., 2005. Consolidating a warehouse network: A physical programming approach. Int. J. Prod. Econ. 97, pp. 1–17. DOI: 10.1016/j.ijpe.2004.04.009.
13.
Melachrinoudis, E. and Min, H. 2007. Redesigning a warehouse network. Eur. J. Oper. Res. 176, pp. 210–229. DOI: 10.1016/j.ejor.2005.04.034.
14.
Melo et al. 2009 – Melo, M.T., Nickel, S., Saldanha-da-Gama, F. 2009. Facility location and supply chain management – A review. Eur. J. Oper. Res. 196, pp. 401–412. DOI: 10.1016/j.ejor.2008.05.007.
15.
Melo et al. 2005 – Melo, M.T., Nickel, S., Saldanha da Gama, F. 2005. Dynamic multi-commodity capacitated facility location: a mathematical modeling framework for strategic supply chain planning. Comput. Oper. Res. 33, pp. 181–208. DOI: 10.1016/j.cor.2004.07.005.
16.
Min, H. and Melachrinoudis, E. 2001. Restructuring a Warehouse Network: Strategies and Models, in: Handbook of Industrial Engineering. John Wiley & Sons, Inc., pp. 2070–2082. DOI: 10.1002/9780470172339.ch80.
17.
Myerson, P. 2015. Supply Chain and Logistics Management Made Easy. Pearson Education, Inc., Old Tappan.
| eISSN: | 2299-2324 |
| ISSN: | 0860-0953 |
We process personal data collected when visiting the website. The function of obtaining information about users and their behavior is carried out by voluntarily entered information in forms and saving cookies in end devices. Data, including cookies, are used to provide services, improve the user experience and to analyze the traffic in accordance with the Privacy policy. Data are also collected and processed by Google Analytics tool (more).
You can change cookies settings in your browser. Restricted use of cookies in the browser configuration may affect some functionalities of the website.
You can change cookies settings in your browser. Restricted use of cookies in the browser configuration may affect some functionalities of the website.
