Sistemi per la pianificazione

Il modello per le decisioni elaborato da Barker e Zabinsky poggia sull'Analytical

Hyerarchy Process (AHP), il quale permette di ordinare i fattori critici in base

all'importanza assegnatagli dall'organizzazione (Barker e Zabinsky 2011).

Il processo di RL viene, quindi, suddiviso in tre fasi (collection, sort-test,

processing), ciascuna delle quali prevede la decisione tra due alternative:

1) collection: si decide se raccogliere solamente ciò che è stato prodotto dall'azienda (P), oppure anche ciò che è stato prodotto da altri (I);

2) sort-test: occorre scegliere se adottare un sistema di controllo dei componenti centralizzato in un unico stabilimento (C) oppure decentralizzato su più sedi (D); 3) processing: infine viene stabilito se i prodotti vengono lavorati in strutture

appartenenti all'azienda (O) oppure a terzi (S).

Il framework decisionale (Figura 2.15) che ne emerge, considera i pro di ogni alternativa.

Figura 2.15: Framework per le decisioni nella Reverse Logistics.

Fonte: Barker e Zabinsky 2011, p. 560.

Il modello AHP (Figura 2.16) si sviluppa in un goal principale, ovvero la ricerca di una configurazione di network ottimale, due criteri e sei sotto-criteri:

1) Costs savings: occorre tenere conto dei costi dei prodotti riciclati, che sono diversi a seconda della tipologia di materiale che li compone; dei costi per effettuare i controlli sui prodotti resi, i quali possono essere recuperati o meno; del costo di invio dei pezzi di scarto, i quali possono essere di quantità elevate o basse; dei costi derivanti dall'utilizzo o meno di proprie strutture per la lavorazione dei prodotti resi.

2) Business relations: si articola in due sotto-criteri, la possibilità di instaurare relazioni stabili con i propri clienti e l'importanza della protezione delle conoscenze distintive.

Figura 2.16: Modello gerarchico AHP per la definizione di un sistema di reverse logistics.

Fonte: Barker e Zabinsky 2011, p. 561.

In base alle decisioni effettuate, possono essere individuate otto configurazioni diverse: (P,C,O) (P,C,S) (P,D,O) (P,D,S) (I,C,O) (I,C,S) (I,D,O) (I,D,S). La tabella in Figura 2.17 rappresenta l'impatto che ogni singolo sotto-criterio ha sulle possibili configurazioni.

Gli autori procedono, quindi, con lo studio di tre casi aziendali, individuando una classificazione delle alternative, basata sulle preferenze riguardanti le caratteristiche dei networks, e una classificazione dei criteri e sotto-criteri, emersa dalle diverse situazioni e valori aziendali. L'analisi delle sensitività aiuta, poi, a scegliere le migliori alternative.

Figura 2.17: Impatto dei sotto-criteri sulle possibili configurazioni.

Un altro modello per la pianificazione della RL è elaborato da Cardoso, il quale adotta un approccio integrato che considera allo stesso tempo la produzione, la distribuzione e la RL: Mixed Integer Linear Programming (MILP). L'obiettivo della ricerca consiste nel massimizzare il valore attuale netto (ENPV) ed individuare un design del network della RL (Cardoso e altri 2013).

Il network è suddiviso in più livelli, le fabbriche, i magazzini e i rivenditori, e i prodotti seguono percorsi diversi nel processo di FL e di RL, a seconda anche delle loro condizioni. Infatti, i flussi fisici della RL sono attraversati da diversi tipi di prodotto: quelli che ritornano poiché non venduti, quelli non conformi alla vendita e quelli destinati allo smaltimento.

Figura 2.18: Rappresentazione della rete logistica.

Fonte: Cardoso e altri 2013, p. 438.

L'incertezza che caratterizza la quantità e lo stato dei prodotti resi, viene inserita nello studio grazie ad un modello ad albero che individua diversi possibili scenari.

Con il MILP è possibile considerare al tempo stesso diversi parametri di costo (immagazzinaggio, trasporto, processo, ecc.), le variabili legate ai diversi scenari, i vincoli dati dalle dimensioni delle strutture (materiale che può essere lavorato, materiale riciclato utilizzabile, capacità dei flussi, ecc.), arrivando all'elaborazione della funzione obiettivo per la massimizzazione dell'ENPV.

cinque possibili situazioni: l'espansione di una rete logistica senza considerare la RL, l'espansione che introduce anche la RL in tutte le sue sfaccettature, la considerazione della RL ma nel caso in cui i magazzini possano direttamente inviare i prodotti al mercato, la considerazione della RL nel caso in cui le fabbriche possano direttamente inviare i prodotti al mercato, la considerazione della RL nel caso in cui fabbriche, magazzini e rivenditori possano direttamente inviare i prodotti al mercato ed il mercato possa farli ritornare ad ognuno di essi.

I risultati a cui Cardoso è sono pervenuto, portano tutti alla conclusione che l'integrazione della RL nella rete logistica è determinante per poter ottenere un incremento del valore atteso netto, anche se risulta costosa all'inizio. Inoltre, la considerazione del fattore incertezza, permette di ottenere un network in grado di adattarsi facilmente ai cambiamenti del contesto e di considerare tutti i possibili scenari.

Lo studio di Ramos propone un modello multi-deposito per le decisioni e la pianificazione della RL cercando un compromesso tra aspetti economici, ambientali e sociali. Questo modello multi-obiettivo e multi-deposito è stato elaborato considerando prima gli obiettivi economici, poi attraverso la teoria di Pareto sono stati bilanciati gli aspetti ambientali e sociali con quelli economici. Gli autori si servono di un caso aziendale per sviluppare un sistema di raccolta di contenitori riciclabili di tre materiali (vetro, carta, plastica/alluminio) che i clienti gettano in determinati raccoglitori (Ramos e altri 2014).

Dal punto di vista economico, i costi considerati sono quelli variabili legati alle distanze che i veicoli devono percorrere dal punto di raccolta alla centrale di smistamento, mentre i costi fissi, relativi alle decisioni strategiche, sono dati. Gli aspetti ambientali sono misurati attraverso le emissioni di CO2 causate dai veicoli nel trasporto. Infine l'aspetto risorse umane rientra nell'ambito degli obiettivi sociali.

Viene, quindi, elaborato un multi-depot periodic vehicle routing problem with inter-

depot routes (MDPVRPI) che considera in modo simultaneo i giorni in cui i clienti

vengono a depositare i contenitori riciclabili, le aree di servizio per ogni deposito e le possibili strade che ogni giorno possono essere fatte nell'orizzonte di pianificazione. Grazie alla presenza di multi-depositi, i veicoli possono svuotarsi in qualsiasi deposito e

continuare con il ritiro/scarico di altri materiali senza dover obbligatoriamente ritornare alla base alla fine della giornata. Pertanto il network elaborato è quello di una rete di multi-depositi, che permette una rotazione dei veicoli a differenza di un circuito chiuso o uno aperto (Figura 2.19).

Figura 2.19: I modelli chiuso, aperto e multi-deposito per la reverse logistics.

Fonte: Ramos e altri 2014, p. 62.

Il modello viene studiato dagli autori dal punto di vista matematico, con la massimizzazione degli obiettivi economico, ambientale e sociale. Per poter procedere con questa formulazione, è necessario individuare le strade considerando solo l'aspetto economico e, solo in un secondo momento, risolvere il bilanciamento dei multi-obiettivi (Figura 2.20). Il modello che si ottiene, basato sulla teoria di Pareto, serve al decisore per selezionare la soluzione ottimale.

Figura 2.20: Rappresentazione dell'approccio risolutivo.

Fonte: Ramos e altri 2014, p. 65.

Lo studio di Roghanian e Pazhoheshfar individua un modello di RL multi-prodotto e multi-fase, in grado di determinare la composizione dei centri per il disassemblaggio e il trattamento dei prodotti e la strategia di trasporto degli stessi. Per fare questo, gli autori creano un algoritmo per la selezione delle priorità basato su un modello genetico che, con l'adozione di determinati parametri stocastici, permette di ottenere delle soluzioni per la pianificazione della RL (Roghanian e Pazhoheshfar 2014).

L'incertezza che caratterizza la RL, in termini di capacità, di domanda e di quantità di prodotti, si riflette nella difficoltà di fare previsioni, e per questo motivo, il modello applicato è di tipo probabilistico. Come rappresentato in Figura 2.21, nel processo di re- fabbricazione, i prodotti vengono disassemblati e, le parti che possono essere riutilizzate, vengono inviate ai centri che li processano a seconda del loro stato per creare nuovi prodotti; poi nel processo di riciclo, le componenti del prodotto disassemblato, che non possono essere riutilizzate, vengono inviate direttamente al centro di riciclo. Infine i prodotti che non possono essere disassemblati transitano direttamente dal centro di recupero al centro di trattamento.

Il modello si basa su determinate assunzioni e individua numerose variabili, parametri e vincoli. Gli autori propongono un algoritmo genetico per risolvere il

problema: come nel cromosoma umano ci sono locus e allele, così nel network della RL ci sono il centro/deposito e il valore che corrisponde alla priorità assegnata ai candidati. Pertanto nel caso del trasporto nella RL il cromosoma definisce un albero di possibilità tra diversi centri e depositi, considerando costi e priorità, e selezionando la via migliore da seguire.

Figura 2.21: Rappresentazione della rete multi-prodotto e multi-fase della reverse logistics.