Improving transportation contract management using simulation

• Autorzy: Setamanit Siri-on

Identyfikatory

DOI

10.17512/pjms.2019.20.2.39

Warianty tytułu

PL

Poprawa zarządzania umowami transportowymi z wykorzystaniem symulacji

• Języki publikacji: EN

Abstrakty

EN

Transportation management is one of the areas that has strong impact on organization performance. If a company does not have expertise or resource, it would be better to outsource to logistics/transportation provider. The company can form contracts or hire trailers at spot rate. By forming a contract, specific number of trailers will be dedicated to the company and the cost per trip will be lower than the spot rate. However, there is a minimum number of trips requirement. If not properly managed, the company may end up paying more with the contract. The objective of this paper is to experiments with the simulation model to enable the manager to identify appropriate fleet size and negotiate for better contract condition, resulting in better on-time delivery and lower cost. The result shows that the company should increase the number of contracted trailers to match with the transportation needed and renegotiate the minimum number of trips per trailer per month. This will help the company significantly decrease late delivery and reduce costs. In addition, this study also use simulation model to plan for future contract negotiation when there are uncertainties in demand for transportation. Simulation model proves to be an important tool that enables one to gain better understanding of the contract situation and be able to manage the transportation contract that best suits the company’s objective.

PL

Zarządzanie transportem jest jednym z obszarów, który ma silny wpływ na wydajność organizacji. Jeśli firma nie ma specjalistycznej wiedzy ani zasobów, lepiej zlecić usługi logistyczne / transportowe. Firma może zawierać umowy lub wynajmować przyczepy według stawki spot. Poprzez zawarcie umowy konkretna liczba naczep zostanie poświęcona firmie, a koszt przejazdu będzie niższy niż stawka kasowa. Istnieje jednak minimalna liczba podróży. W przypadku niewłaściwego zarządzania firma może ostatecznie zapłacić więcej z tytułu umowy. Celem tego artykułu jest eksperymentowanie z modelem symulacyjnym, aby umożliwić menedżerowi zidentyfikowanie odpowiedniej wielkości floty i negocjowanie lepszych warunków umowy, co skutkuje lepszą terminowością dostawy i niższymi kosztami. Wynik pokazuje, że firma powinna zwiększyć liczbę zakontraktowanych przyczep, aby dopasować je do potrzebnego transportu i renegocjować minimalną liczbę przejazdów na przyczepę miesięcznie. Pomoże to firmie znacznie ograniczyć opóźnione dostawy i obniżyć koszty. Ponadto w tym badaniu wykorzystano również model symulacyjny do planowania przyszłych negocjacji umów, gdy istnieje niepewność co do popytu na transport. Model symulacyjny okazuje się ważnym narzędziem, które pozwala lepiej zrozumieć sytuację kontraktową i być w stanie zarządzać umową transportową, która najlepiej odpowiada celowi firmy.

Słowa kluczowe

EN

outsourcing; simulation modelling; transportation contract; transportation management; uncertainty

PL

outsourcing; modelowanie symulacyjne; umowa transportowa; zarządzanie transportem; niepewność

• Wydawca: Czestochowa University of Technology
• Czasopismo: Polish Journal of Management Studies
• Rocznik: 2019
• Tom: Vol. 20, No. 2
• Strony: 466--477
• Opis fizyczny: Bibliogr. 26 poz., rys., tab.

Twórcy

autor

Setamanit Siri-on

• Chulalongkorn Business School, Chulalongkorn University, Thailand

Bibliografia

• 1. Balakrishnan N., Render B., Stair R.M., (2006), Managerial Decision Modeling with Spreadsheets (2nd ed.). Prentice Hall, USA.
• 2. Dong J.X., Song D.P., (1999), Container fleet sizing and empty repositioning in liner shipping systems. Transportation Research Part E: Logistics and Transportation Review, 45 (6), 860-877.
• 3. Gurler U., Alp O., Buyukkaramikli N.C., (2014), Coordinated inventory replenishment and outsourced transportation operations. Transportation Research Part E: Logistics and Transportation Review, 70, 400-415.
• 4. Herrel K., (2014), A visual interactive simulation application for minimizing risk and improving outbound logistical efficiency in time-sensitive attended home deliveries and services. Simulation: Transactions of The Society for Modeling and Simulation International, 90 (4), 377-40.
• 5. Jagatheesan J., Kilcullen R., (2011), Incorporating cycle time uncertainty to improve railcar fleet sizing. Dissertation, Massachusetts Institute of Technology, USA.
• 6. Janssens G.K., Caris A., Ramaekers K., (2009), Time Petri nets as an evaluation tool for handling travel time uncertainty in vehicle routing solutions. Expert Systems with Applications, 36 (3), 5987-5991.
• 7. Kantari L.A., Pujawan I.N., Arvitrida N.I., (2019), Integration of Contract and Spot Market Carrier under Demand Uncertainty, [in] Proceedings of the International Conference on Industrial Engineering and Operations Management, Thailand, 2549-2554.
• 8. Kavakeb S., Nguyen T.T., Yang Z., Jenkinson I., (2016), Evolutionary fleet sizing in static and uncertainty environments with shuttle transportation tasks - the case studies of container terminals. IEEE Computational Intelligence Magazine, 11 (1), 55-69.
• 9. Kovács G., & Gubán M., (2017), Planning of optimal fuel supply of international transport activity. Periodica Polytechnica Transportation Engineering, 45(4), 186-195.
• 10. Kuyzu G., Akyol C.G., Ergun O., Savelsbergh M., (2015), Bid price optimization for truckload carriers in simultaneous transportation procurement auctions. Transportation Research Part B: Methodological, 73, 34-58.
• 11. Laporte G., Louveaux F., Mercure H., (1992), The vehicle routing problem with stochastic travel times. Transportation Science, 26 (3), 161-170.
• 12. Lesyna W.R., (1999), Sizing industrial rail car fleets using discrete-event simulation, [in] Proceedings of the 1999 Winter Simulation Conference, USA, 1258-1261.
• 13. Manders J.H.M., Caniëls M.C. J., Ghijsen P.W.T., (2016), Exploring supply chain flexibility in a FMCG food supply chain. Journal of Purchasing and Supply Management, 22 (3), 181-195.
• 14. Mungwattana A., Soonpracha K., Janssens G., (2019), A real-world case study of a vehicle routing problem under uncertain demand. International Journal for Traffic and Transport Engineering, 9 (1), 101-117.
• 15. Park S., Kim D.S., (2015), Container fleet-sizing for part transportation and storage in a two-level supply chain. Journal of the Operational Research Society, 66 (9), 1442-1453.
• 16. Pujawan N., Arief M., Tjahjono B., Kritchanchai D., (2015), An integrated shipment planning and storage capacity decision under uncertainty: A simulation study. International Journal of Physical Distribution & Logistics Management, (45) 9/10, 913-937.
• 17. Rice J.B., Hoppe R.M., (2001), Supply Chain versus Supply Chain: the Hype and the Reality. Supply Chain Management Review, 5(5), 46-54.
• 18. Robinson A., (2014), Why logistics efficiency is more important than ever for manufacturers. Available at: https://cerasis.com/2014/06/09/logistics-efficiency/. Access on: 02.07.2019.
• 19. Setamanit S., Khanittha A., (2018), Combining Geographic Information System (GIS) and Simulation for Crew Boat Scheduling. Journal of Telecommunication, Electronic and Computer Engineering, (10) 3, 123-127.
• 20. Setamanit S., (2018), Evaluation of Outsourcing Transportation Contract Using Simulation and Design of Experiment. Polish Journal of Management Studies, 18 (2), 320-330.
• 21. Shen Y., Xu J., Wu X., (2017), Vehicle scheduling based on variable trip times with expected on-time performance. International Transactions in Operational Research, 24 (1-2), 99-113.
• 22. Tempelmeier H., Bantel O., (2015), Integrated optimization of safety stock and transportation capacity. European Journal of Operational Research, 247 (1), 101-112.
• 23. Terzi S., Cavalieri S., (2004), Simulation in the supply chain context: a survey. Computer in Industry, 53, 3-16.
• 24. Ulewicz R., Vaško A., & Klimecka-Tatar D., (2014), Controlling of the Logistic Processes. Production Engineering Archives, 3/2, 26-30.
• 25. Van der Vorst J.G., Beulens A.J., (2002), Identifying sources of uncertainty to generate supply chain redesign strategies. International Journal of Physical Distribution & Logistics Management, (32) 6, pp. 409-430.
• 26. Zhang B., Yao T., Friesz T., Sun Y., (2015), A tractable two-stage robust winner determination model for truckload service procurement via combinatorial auctions. Transportation Research Part B: Methodological, (78), 16-31.

Uwagi

Opracowanie rekordu ze środków MNiSW, umowa Nr 461252 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2020).