با همکاری انجمن مهندسان مکانیک ایران

نوع مقاله : مقاله پژوهشی

نویسندگان

گروه مهندسی بیوسیستم، دانشکده علوم کشاورزی، دانشگاه گیلان، رشت، ایران

چکیده

مکانیزاسیون کشاورزی موتور پیشران توسعه کشاورزی و یکی از سرمایه‌برترین نهاده‌های بخش کشاورزی است که توسعه آن مستلزم صرف هزینه زیاد و اختصاص اعتبارات کلان است. مدیریت صحیح زنجیره تأمین مکانیزاسیون کشاورزی در راستای کاهش هزینه‌های عملیاتی و افزایش کیفیت ماشین‌های کشاورزی یکی از الزامات توسعه مکانیزاسیون کشاورزی است. پژوهش حاضر به سنجش عملکرد زنجیره تأمین مکانیزاسیون برنج با استفاده از پنج بعد هزینه، پاسخگویی، انعطاف‌پذیری، دارایی و قابلیت اطمینان پرداخته است. علاوه بر این در هر یک از سطوح زنجیره، متغیرهای مکنون دیگری با استفاده از متغیرهای مدل مرجع عملیات زنجیره تأمین (اسکور) ساخته شد. نرمال بودن متغیرهای مکنون توسط آزمون کولموگروف سمیرنوف آزمون شد. متغیرهای نرمال با استفاده از آزمون t تک نمونه‌ای و متغیرهای غیرنرمال با استفاده از آزمون ویلکاکسون تک نمونه‌ای مورد ارزیابی قرار گرفتند. نتایج آزمون ویلکاکسون نشان می‌دهد که متغیرهای تعهد، مدیریت هزینه و ارتباط در خرده‌فروشی تفاوت معنی‌داری با مقدار متوسط آزمون دارند. در مورد متغیرهای دارای توزیع نرمال، مدیریت منابع انسانی، مدیریت کیفیت، داشتن راهبرد و سازمان‌دهی، انعطاف‌پذیری، پاسخ‌گویی، عملکرد و قابلیت اطمینان در فروشگاه‌ها دارای تفاوت معنی‌داری با مقدار متوسط هستند. همچنین انتظارات و محدودیت‌های سازندگان و واردکنندگان ماشین‌های برنج نیز به‌صورت توصیفی تحلیل شد. در مورد متغیرهای دارای توزیع نرمال، مدیریت منابع انسانی، مدیریت کیفیت، داشتن راهبرد و سازمان‌دهی، انعطاف‌پذیری، پاسخ‌گویی، عملکرد و قابلیت اطمینان در فروشگاه‌ها دارای تفاوت معنی‌دار با مقدار متوسط هستند. همچنین انتظارات و محدودیت‌های سازندگان و واردکنندگان ماشین‌های برنج نیز به‌صورت توصیفی مورد تحلیل قرار گرفت.

کلیدواژه‌ها

موضوعات

©2024 The author(s). This is an open access article distributed under Creative Commons Attribution 4.0 International License (CC BY 4.0)

  1. Azizi, O., Zargham Brujeni, H., Ziaei, M., & Taghavi Fard, M. T. (2022). Value creation framework through integrated electronic supply chain of tourism services. Two Quarterly Journal of Tourism Social Studies, 10(19), 91-114. https://doi.org/10.52547/journalitor.36273.10.19.91
  2. Ballou, R. H., Gilbert, S. M., & Mukherjee A. (2000). New managerial challenges from supply chain opportunities. IEEE Engineering Management Review, 28(3), 7-16. https://doi.org/10.1016/S0019-8501(99)00107-8
  3. Beamon, B. M. (1999). Measuring supply chain performance. International Journal of operations & Production Management 19(3), 275-292. https://doi.org/10.1108/01443579910249714
  4. Bhagwat, R., & Sharma, M. K. (2007). Performance measurement of supply chain management: A balanced SCOR ecard approach. Computers & Industrial Engineering 53(1), 43-62. https://doi.org/10.1016/j.cie.2007.04.001
  5. Ellram, L. M., Zsidisin, G. A., Siferd, S. P., & Stanly, M. J. (2002). The impact of purchasing and supply management activities on corporate success. Journal of Supply Chain Mangement, 38, 4-7. https://doi.org/10.1111/j.1745-493X.2002.tb00116.x
  6. Faisal, M. N., Banwet, D. K., & Shankar, R. (2007). Information risk management in supply chains: an assessment and mitigation framework. Journal of Enterprise Information Management 20(6), 677-699. https://doi.org/10.1108/17410390710830727
  7. Giannakis, M. (2011). Management of service supply chains with a service oriented reference model: the case of management consulting source. Supply Chain Management: An International Journal 16(5), 346-361. https://doi.org/10.1108/13598541111155857
  8. Grifell-Tatje, E., & Lovell, C. A. K. (2014). Productivity, price recovery, capacity constraints and their financial consequences. Journal of Productivity Analysis, 41, 3-17. https://doi.org/10.1007/s11123-013-0373-8
  9. Grover, S., Agrawal, V. P., & Khan, I. A. (2006). Role of human factors in SCOR: a graph theoretic approach. Benchmarking: An International Journal 13(4), 447-468. https://doi.org/10.1108/14635770610676290
  10. Gunasekaran, A., & Kobu, B. (2007). Performance measures and metrics in logistics and supply chain management: a review of recent literature (1995-2004) for research and applications. International Journal of Production Research, 45(12), 2819-2840. https://doi.org/10.1080/00207540600806513
  11. Gunasekaran, , Patel, C., & Tirtiroglu, E. (2001). Performance Measures and Metrics in a Supply Chain Environment. International Journal of Operations & Production Management, 21, 71-87. https://doi.org/10.1108/01443570110358468
  12. Gunasekaran, A., Patel, C., & McGaughey, R. E. (2004). A framework for supply chain performance measurement. International Journal of Production Economics, 87(3), 337-347. https://doi.org/10.1016/j.ijpe.2003.08.003
  13. Joshi, R., Banwet, D. K., Shankar, R., & Ganhdi, J. (2012). Performance improvement of cold chain in an emerging economy. Production Planning and Control, 23(10-11), 817-836. https://doi.org/10.1080/09537287.2011.642187
  14. Kalantari, K. (2008). Data processing and analysis in socio-economic research. Tehran, Farhang Saba. (In Persian).
  15. Manzini, R., & Accorsi, R. (2013). The new conceptual framework for food supply chain assessment. Journal of Food Engineering, 115, 251-263. https://doi.org/10.1016/j.jfoodeng.2012.10.026
  16. Milind Kumar, S., & Rajat, B. (2007). An integrated BSC‐AHP approach for supply chain management evaluation. Measuring Business Excellence, 11(3), 57-68. https://doi.org/10.1108/13683040710820755
  17. Olfat, L., BamdadSoofi, J., Amiri, M., & Azbari, M. E. (2012). A model for supply chain performance evaluation using by network data envelopment analysis model (Case of: Supply chain of pharmaceutical companies in Tehran Stock Exchange. Industrial Management Studies, 10(26), 9-34.
  18. Parker, C. (2000). Performance measurement. Work Study, 49, 63-66. https://doi.org/10.1108/00438020010311197
  19. Rao, R. V., & Padmanabhan, K. K. (2007). Rapid prototypeing process selection using graph theory and matrix approach. Journal of Materials Processing Technology, 194(1-3), 81-88. https://doi.org/10.1016/j.jmatprotec.2007.04.003
  20. Shafiee, M., Hosseinzadeh Lotfi, F., & Saleh, H. (2014). Supply chain performance evaluation with data envelopment analysis and balanced ecard approach. Applied Mathematical Modelling, 38(21), 5092-5112. https://doi.org/10.1016/j.apm.2014.03.023
  21. Shahbandarzadeh, H., & Abadi, F. (2016). Evaluation of supply chain performance with supply chain operational reference model approach, case study of Iran-Sadra Marine Industries Company. Commercial Surveys, 79(14), 37-49. (In Persian)
  22. Shojaee, H. S. (2016). Assessing Effective Factors on Improving Supply Chain Performance Using Analytical Hierarchy Process in Food Industries. Journal of Value Chain Management, 1(2), 1-16. (In Persian)
  23. Singbo, A. G., Lansink, A. O., & Emvalomatis, G. (2014). Estimating farmers' productive and marketing inefficiency: an application to vegetable producers in Benin. Journal of Productivity Analysis, 42, 157-169. https://doi.org/10.1007/s11123-014-0391-1
  24. Swinnen, J. F. M., & Vranken, L. (2010). Reforms and agricultural productivity in Central and Eastern Europe and the Former Soviet Republics: 1989-2005. Journal of Productivity Analysis, 33, 241-258. https://doi.org/10.1007/s11123-009-0162-6
  25. Yang, C. L. (2010). Improving supplier performance using a comprehensive scheme. Production Planning and Control, 21(7), 653-663. https://doi.org/10.1080/09537280903517655
  26. Zanganeh, M., Banaeian, N., Payman, S. H., & Khani, M. (2019). Performance Evaluation of Rice Farm Machinery Dealers using SCOR Model and DEA Method. Iranian Journal of Biosystems Engineering, 50(2), 281-292. https://doi:10.22059/ijbse.2018.262708.665079
CAPTCHA Image