A pesar de la creciente atención al diseño de redes de la cadena de suministro (SCN), existe una importante brecha en la literatura sobre la integración de los procesos de inspección en estas redes. La inspección desempeña un papel crucial en la identificación de productos deteriorados en los centros de distribución, lo que permite su conversión en fertilizantes orgánicos. Este enfoque no solo contribuye a la sostenibilidad ambiental, sino que también ofrece beneficios económicos, como lo demuestra el considerable desperdicio de alimentos que se genera anualmente en Irán. Sin embargo, el potencial de estas redes de cadena de suministro de circuito cerrado (CLSCN) impulsadas por la inspección aún no se ha explorado a fondo.
Esta investigación aborda esta brecha proponiendo una CLSCN sostenible y de múltiples periodos para productos perecederos, como los alimentos, con el objetivo de reducir el impacto ambiental del vertido en condiciones inciertas. Al incorporar la inspección en los centros de producción y distribución, este estudio busca eliminar la transferencia de productos deteriorados a los clientes, minimizando así las pérdidas financieras y la contaminación ambiental. El FSC investigado incluye a productores de alimentos, centros de distribución, clientes, centros de producción y centros de venta de fertilizantes. Además, este trabajo considera simultáneamente los tres pilares de la sostenibilidad (económico, ambiental y social) en el contexto de las redes de cadena de suministro de circuito cerrado (CLSCN). Mediante la optimización de la ubicación de las instalaciones, el flujo de materiales y los niveles de inventario en los centros de distribución, este estudio busca proporcionar un marco integral y sólido para las redes de cadena de suministro de circuito cerrado (CLSCN) sostenibles que puedan abordar eficazmente los desafíos asociados con los productos alimenticios perecederos en condiciones de incertidumbre.
El diseño y la optimización de las redes de cadena de suministro de circuito cerrado (CLSCN) han recibido gran atención debido a su importancia para abordar las preocupaciones económicas, ambientales y sociales. Esta revisión bibliográfica busca ofrecer una visión general de las investigaciones recientes en el diseño de redes de cadena de suministro de circuito cerrado (CLSCN), centrándose en la gestión de la incertidumbre, la incorporación de objetivos de sostenibilidad y la mejora de la eficiencia computacional. Diversos artículos de investigación abordaron el diseño de redes de cadena de suministro de circuito cerrado considerando las incertidumbres, la sostenibilidad y la eficiencia computacional. Los autores utilizaron modelos de programación lineal entera mixta (MILP), optimización robusta y enfoques de descomposición eficiente, como la descomposición de Benders y los algoritmos de descomposición acelerada de Benders, para gestionar diversas restricciones e incertidumbres inherentes a la cadena de suministro. Nikian et al. (2023) desarrollaron un modelo MILP robusto para una CLSCN sostenible y resiliente, centrándose en las incertidumbres derivadas de las sanciones y la COVID-19. Goli y Tirkolaee (2023) diseñaron una CLSCN basada en portafolios para productos lácteos, empleando un algoritmo acelerado de descomposición de Benders para la eficiencia computacional. Rekabi et al. (2023) introdujeron un modelo matemático basado en datos para una CLSCN farmacéutica responsiva y sostenible, utilizando la descomposición de Benders para gestionar la incertidumbre. Borajee et al. (2023) desarrollaron un modelo de optimización de restricción de azar para una CLSCN multiescalón y multiproducto, considerando la diversidad de marcas y utilizando un algoritmo acelerado de descomposición de Benders. Guo et al. (2024) presentaron una estrategia óptima para una red logística incierta de avance y retroceso de múltiples períodos, centrándose en productos perecederos en Shanghái. Hamidieh y Akhgari (2024) diseñaron una red de cadena de suministro inversa de biogás basada en los niveles de calidad de la biomasa, empleando una programación robusta y un enfoque de descomposición de Benders. Liu et al. (2024) propusieron un modelo de programación entera mixta multiobjetivo para el diseño de CLSCN, abordando objetivos económicos, ambientales y sociales con un algoritmo de descomposición de Benders mejorado. Mirzaei et al. (2024) desarrollaron un modelo de optimización robusto para un CLSCN agrícola, utilizando una rata híbrida con un algoritmo de optimización de enjambre de partículas para abordar las incertidumbres. Zarreh et al. (2024) proporcionaron una revisión exhaustiva de la integración de productos perecederos en CLSC. Sheibani y Niroomand (2024) se centraron en el diseño de un CLSCN sostenible multiproducto y multiescalón con una línea de montaje en forma de U que se equilibra bajo incertidumbre. Por último, Wang et al. (2024) exploraron la optimización robusta de un CLSCN de remanufactura multiobjetivo y multiciclo mediante la teoría de compatibilidad de incentivos y un algoritmo mejorado. La revisión bibliográfica reveló que el diseño y la optimización de los CLSCN son áreas de investigación activas, con un fuerte énfasis en el manejo de incertidumbres, la sostenibilidad y la eficiencia computacional. Los artículos emplearon diversos modelos de optimización, programación robusta y algoritmos de descomposición para abordar los complejos desafíos del campo. Investigaciones futuras podrían explorar factores adicionales como las tecnologías avanzadas, las políticas gubernamentales y el comportamiento del consumidor en el contexto de los CLSCN.
En el presente trabajo, se investiga una red logística integrada, multinivel y multiperiodo, de avance y retroceso para productos gradualmente perecederos con ambigüedad. Esto permite considerar ciertas dinámicas modificando algunos parámetros a lo largo del tiempo. Para considerar las circunstancias reales, se asume que la tasa de perecibilidad de los productos alimenticios no es determinista. Como se muestra en la Figura 2, la red de avance incluye a productores, distribuidores y clientes de alimentos, mientras que la red de retroceso contiene los centros de producción y venta de fertilizantes. El objetivo del modelo introducido es determinar la ubicación de los centros de distribución de productos alimenticios y de producción de fertilizantes, así como los flujos entre las instalaciones. En el flujo de avance, los productos alimenticios se envían directamente desde los productores a los clientes o, alternativamente, a través de los centros de distribución. La inspección para detectar productos deteriorados o desperdiciados se realiza en dos lugares: los productores (lo que impide el envío a los centros de distribución y clientes) y los centros de distribución (lo que impide el envío a los clientes). Cabe destacar que el envío de alimentos derramados a los clientes genera insatisfacción y aumenta los costos y las emisiones. En el flujo inverso, los alimentos en mal estado se envían desde los clientes a los centros de producción de fertilizantes, donde se transforman en fertilizante orgánico y finalmente se transfieren a los centros de venta. Este proceso permite la producción de una cantidad significativa de fertilizantes orgánicos. Por otro lado, si no se realiza la inspección en los centros de producción y distribución, el transporte seguirá las rutas rojas, lo que generará insatisfacción del cliente y un aumento de los costos y las emisiones.
Para más información, lea el artículo completo: https://doi.org/10.1108/K-08-2024-2099
Esta investigación exploró el potencial de una red de cadena de suministro de alimentos (FSCN) de avance y retroceso en el contexto de las cadenas de suministro sostenibles (SC). Mediante la integración de los aspectos económicos (reducción de costos), ambientales (minimización de las emisiones de gases de efecto invernadero) y de responsabilidad social (creación de empleo, desarrollo comunitario y satisfacción del cliente) de la sostenibilidad, este estudio buscó optimizar el rendimiento de las FSC en condiciones de incertidumbre. Los resultados revelaron una relación positiva entre la reducción de costos y la reducción de la contaminación, así como una correlación positiva entre la responsabilidad social y el aumento de los costos. Además, los hallazgos destacaron el impacto de la incertidumbre en los objetivos económicos y ambientales, enfatizando la importancia de una gestión eficaz ante factores impredecibles. Se demostró que la introducción de unidades de inspección en los centros de producción y distribución contribuye significativamente a la sostenibilidad económica y ambiental, reduciendo costos y mitigando la contaminación mediante la detección y prevención de productos alimenticios deteriorados o desperdiciados que ingresan a la cadena de suministro. El modelo de optimización multiobjetivo se resolvió utilizando el método de Restricción Epsilon Aumentada (AEC) y el software GAMS para problemas de pequeña escala, mientras que el algoritmo de Descomposición de Benders (BD) se empleó para problemas de mayor escala. La eficiencia y la viabilidad del modelo propuesto y el enfoque de la solución se validaron mediante un estudio de caso que involucró a un grupo de fábricas industriales en varias ciudades de Irán. Finalmente, se realizó un análisis de sensibilidad para evaluar los efectos de los cambios en los parámetros clave del modelo en las soluciones.
Para aumentar el valor de la tercera función objetivo (responsabilidad social), debemos generar oportunidades de empleo, desarrollo regional y satisfacción del cliente mediante la satisfacción de sus demandas. En otras palabras, se necesitan más centros de distribución y centros de producción de fertilizantes, lo que requiere un alto nivel de capital. En consecuencia, con el aumento del valor de la tercera función objetivo (responsabilidad social), también aumenta el valor de la primera función objetivo (costo); sin embargo, la función objetivo económica busca reducir el costo. Además, los resultados indicaron que el aumento del parámetro de incertidumbre afecta los valores de las funciones objetivo económicas y ambientales. La producción de fertilizantes es un método importante para reciclar residuos orgánicos, lo que contribuye a la preservación del medio ambiente y la salud humana. Asimismo, se consideró que las unidades de inspección en los productores y centros de distribución detectarían y evitarían el envío de productos alimenticios en mal estado o desperdiciados al siguiente nivel, lo que conlleva una reducción de costos y la contaminación ambiental. De hecho, la inspección puede contribuir significativamente a las dimensiones económicas y ambientales de la sostenibilidad.
En conclusión, este estudio ha demostrado los beneficios potenciales de un sistema de gestión de residuos alimentarios sostenible, tanto de avance como de retroceso, para abordar los desafíos asociados con la gestión de residuos alimentarios y la responsabilidad social. Investigaciones futuras podrían explorar métodos alternativos para optimizar el rendimiento del FSC en condiciones de incertidumbre, así como investigar el potencial de las tecnologías emergentes para mejorar los procesos de inspección y la detección de residuos dentro del FSC.
Referencias:
Abdolazimi, O., Ma, J., Shishebori, D., Ardakani, M. A., & Masaeli, S. E. (2023). A multi-layer blood supply chain configuration and optimization under uncertainty in COVID-19 pandemic. Computers & Industrial Engineering, 182, 109441.
Abdel-Shafy, H. I., & Mansour, M. S. M. (2018). Solid waste issue: Sources, composition, disposal, recycling, and valorization. Egyptian Journal of Petroleum, 27(4), 1275–1290. https://doi.org/10.1016/j.ejpe.2018.07.003
Aghaei, J., Amjady, N., & Shayanfar, H. A. (2011). Multi-objective electricity market clearing considering dynamic security by lexicographic optimization and augmented epsilon constraint method. Applied Soft Computing, 11(4), 3846–3858. https://doi.org/10.1016/j.asoc.2011.02.022
Ahumada, O., & Villalobos, J. R. (2009). Application of planning models in the agri-food supply chain: A review. European Journal of Operational Research, 196(1), 1–20. https://doi.org/10.1016/j.ejor.2008.02.014
Alkaabneh, F., Diabat, A., & Gao, H. O. (2020). Benders decomposition for the inventory vehicle routing problem with perishable products and environmental costs. Computers and Operations Research, 113. https://doi.org/10.1016/j.cor.2019.07.009
Attari, M. Y. N., & Torkayesh, A. E. (2018a). Developing benders decomposition algorithm for a green supply chain network of mine industry: Case of Iranian mine industry. Operations Research Perspectives, 5(August), 371–382. https://doi.org/10.1016/j.orp.2018.11.002
Attari, M. Y. N., & Torkayesh, A. E. (2018b). Developing benders decomposition algorithm for a green supply chain network of mine industry: Case of Iranian mine industry. Operations Research Perspectives, 5(November), 371–382. https://doi.org/10.1016/j.orp.2018.11.002
Azadnia, A. H., Onofrei, G., & Ghadimi, P. (2021). Electric vehicles lithium-ion batteries reverse logistics implementation barriers analysis: A TISM-MICMAC approach. Resources, Conservation and Recycling, 174(July), 105751. https://doi.org/10.1016/j.resconrec.2021.105751
Borajee, M., Tavakkoli-Moghaddam, R., & Madani-Saatchi, S. H. (2023). A chance-constraint optimization model for a multi-echelon multi-product closed-loop supply chain considering brand diversity: An accelerated Benders decomposition algorithm. Computers & Operations Research, 152
Ben-Tal, A., & Nemirovski, A. (2000). Robust solutions of Linear Programming problems contaminated with uncertain data. Mathematical Programming, Series B, 88(3), 411–424. https://doi.org/10.1007/PL00011380
Benders, J. F. (2005). Partitioning procedures for solving mixed-variables programming problems. Computational Management Science, 2(1), 3–19. https://doi.org/10.1007/s10287-004-0020-y
Biuki, M., Kazemi, A., & Alinezhad, A. (2020). An integrated location-routing-inventory model for sustainable design of a perishable products supply chain network. Journal of Cleaner Production, 260, 120842. https://doi.org/10.1016/j.jclepro.2020.120842
Chen, Y. J. (2013). Environmental sustainability and green supply chain management. Advanced Materials Research, 664, 123–128. https://doi.org/10.4028/www.scientific.net/AMR.664.123
Coello, C. A. C., Lamont, G. B., & Veldhuizen, D. A. Van. (2007). Evolutionary Algorithms for Solving Multi-Objective Problems. In Evolutionary Algorithms for Solving Multi-Objective Problems. https://doi.org/10.1007/978-0-387-36797-2
Daadi, B. E. (2021). Organic Fertilizer Adoption , Household Food Access , and Gender-Based Farm Labor Use : Empirical Insights from Northern Ghana. 435–458. https://doi.org/10.1017/aae.2021.8
Darestani, S. A., & Hemmati, M. (2019). Robust optimization of a bi-objective closed-loop supply chain network for perishable goods considering queue system. Computers and Industrial Engineering, 136(June), 277–292. https://doi.org/10.1016/j.cie.2019.07.018
Devika, K., Jafarian, A., & Nourbakhsh, V. (2014). Designing a sustainable closed-loop supply chain network based on triple bottom line approach: A comparison of metaheuristics hybridization techniques. European Journal of Operational Research, 235(3), 594–615. https://doi.org/10.1016/j.ejor.2013.12.032
Diabat, A., Abdallah, T., & Henschel, A. (2015). A closed-loop location-inventory problem with spare parts consideration. Computers and Operations Research, 54, 245–256. https://doi.org/10.1016/j.cor.2013.08.023
Dutta, P., & Shrivastava, H. (2020). The design and planning of an integrated supply chain for perishable products under uncertainties: A case study in milk industry. Journal of Modelling in Management, 15(4), 1301–1337. https://doi.org/10.1108/JM2-03-2019-0071
Ebrahimi, M., Tavakkoli-Moghaddam, R., & Jolai, F. (2019). Benders decomposition algorithm for a build-to-order supply chain problem under uncertainty. International Journal of Industrial Engineering and Production Research, 30(2), 173–186. https://doi.org/10.22068/ijiepr.30.2.173
El-Sayed, M., Afia, N., & El-Kharbotly, A. (2010). A stochastic model for forward-reverse logistics network design under risk. Computers and Industrial Engineering, 58(3), 423–431. https://doi.org/10.1016/j.cie.2008.09.040
Eskandarpour, M., Dejax, P., Miemczyk, J., & Péton, O. (2015). Sustainable supply chain network design: An optimization-oriented review. Omega (United Kingdom), 54(July), 11–32. https://doi.org/10.1016/j.omega.2015.01.006
Esteso, A., Alemany, M. M. E., & Ortiz, A. (2018). Conceptual framework for designing agri-food supply chains under uncertainty by mathematical programming models. International Journal of Production Research, 56(13), 4418–4446. https://doi.org/10.1080/00207543.2018.1447706
Esteso, A., Alemany, M. M. E., & Ortiz, Á. (2021). Impact of product perishability on agri-food supply chains design. Applied Mathematical Modelling, 96, 20–38. https://doi.org/10.1016/j.apm.2021.02.027
Fancello, G., Mola, F., Frigau, L., Serra, P., Mancini, S., & Fadda, P. (2017). A new management scheme to support reverse logistics processes in the agrifood distribution sector. Transportation Research Procedia, 25, 695–715. https://doi.org/10.1016/j.trpro.2017.05.452
Fazli-Khalaf, M., Mirzazadeh, A., & Pishvaee, M. S. (2017). A robust fuzzy stochastic programming model for the design of a reliable green closed-loop supply chain network. Human and Ecological Risk Assessment, 23(8), 2119–2149. https://doi.org/10.1080/10807039.2017.1367644
Firoozi, Z., Ismail, N., Ariafar, S., Tang, S. H., Ariffin, M. K. A. M., & Memariani, A. (2013). Distribution network design for fixed lifetime perishable products: A model and solution approach. Journal of Applied Mathematics, 2013. https://doi.org/10.1155/2013/891409
Firoozi, Z., Ismail, N., Ariafar, S., Tang, S. H., Ariffin, M. K. M. A., & Memariani, A. (2014). Effects of integration on the cost reduction in distribution network design for perishable products. Mathematical Problems in Engineering, 2014. https://doi.org/10.1155/2014/739741
Fleischmann, M., Beullens, P., Bloemhof-Ruwaard, J. M., & Van Wassenhove, L. N. (2001). The impact of product recovery on logistics network design. Production and Operations Management, 10(2), 156–173. https://doi.org/10.1111/j.1937-5956.2001.tb00076.x
Gao, S., Lu, D., Qian, T., & Zhou, Y. (2021). Science of the Total Environment Thermal hydrolyzed food waste liquor as liquid organic fertilizer. Science of the Total Environment, 775, 145786. https://doi.org/10.1016/j.scitotenv.2021.145786
Ghazanfari, M., Mohammadi, H., Pishvaee, M. S., & Teimoury, E. (2019). Fresh-Product Trade Management under Government-Backed Incentives: A Case Study of Fresh Flower Market. IEEE Transactions on Engineering Management, 66(4), 774–787. https://doi.org/10.1109/TEM.2018.2888982
Gholami-Zanjani, S. M., Klibi, W., Jabalameli, M. S., & Pishvaee, M. S. (2021). The design of resilient food supply chain networks prone to epidemic disruptions. International Journal of Production Economics, 233, 108001. https://doi.org/10.1016/j.ijpe.2020.108001
Govindan, K., Jafarian, A., Khodaverdi, R., & Devika, K. (2014). Two-echelon multiple-vehicle location-routing problem with time windows for optimization of sustainable supply chain network of perishable food. International Journal of Production Economics, 152(2009), 9–28. https://doi.org/10.1016/j.ijpe.2013.12.028
Govindan, K., Jiménez-parra, B., Rubio, S., Vicente-molina, M., & Gupta, S. M. (2019). Resources , Conservation & Recycling Remanufacturing : Opportunities and Challenges for a Sustainable Consumption. Resources, Conservation & Recycling, 151(September), 2019–2020.
Govindan, K., Mina, H., Esmaeili, A., & Gholami-Zanjani, S. M. (2020). An Integrated Hybrid Approach for Circular supplier selection and Closed loop Supply Chain Network Design under Uncertainty. Journal of Cleaner Production, 242, 118317. https://doi.org/10.1016/j.jclepro.2019.118317
Govindan, K., & Soleimani, H. (2017). A review of reverse logistics and closed-loop supply chains: a Journal of Cleaner Production focus. Journal of Cleaner Production, 142, 371–384. https://doi.org/10.1016/j.jclepro.2016.03.126
Govindan, K., Soleimani, H., & Kannan, D. (2015). Reverse logistics and closed-loop supply chain: A comprehensive review to explore the future. European Journal of Operational Research, 240(3), 603–626. https://doi.org/10.1016/j.ejor.2014.07.012
Goli, A., & Tirkolaee, E. B. (2023). Designing a portfolio-based closed-loop supply chain network for dairy products with a financial approach: Accelerated Benders decomposition algorithm. Computers & Operations Research, 155, 106244.
Guo, J., Chen, L., Tang, B., & Gen, M. (2024). Optimal strategies for an uncertain forward and reverse multi-period logistics network using heuristic algorithm: a case study of Shanghai perishable products. International Journal of Internet Manufacturing and Services, 10(2-3), 132-164.
Grillo, H., Alemany, M. M. E., Ortiz, A., & De Baets, B. (2019). Possibilistic compositions and state functions: application to the order promising process for perishables. International Journal of Production Research, 57(22), 7006–7031. https://doi.org/10.1080/00207543.2019.1574039
Grillo, H., Alemany, M. M. E., Ortiz, A., & Fuertes-Miquel, V. S. (2017). Mathematical modelling of the order-promising process for fruit supply chains considering the perishability and subtypes of products. Applied Mathematical Modelling, 49, 255–278. https://doi.org/10.1016/j.apm.2017.04.037
Hajizamani, Z., Sahebi, H., & Pishvaee, M. (2021). A Freight Planning and Carrier Selection Robust Programming Model: A Case of Study. Turkish Journal of Computer and Mathematics Education, 12(14), 1802–1822. https://www.proquest.com/scholarly-journals/freight-planning-carrier-selection-robust/docview/2623928777/se-2%0Ahttps://resolver.ebscohost.com/openurl?ctx_ver=Z39.88-2004&ctx_enc=info:ofi/enc:UTF-8&rfr_id=info:sid/ProQ%3Apubliccontent&rft_val_fmt=info:ofi
Hamid, H. A., Qi, L. P., Harun, H., Sunar, N. M., Hanim, F., & Muhamad, M. S. (2019). Development of Organic Fertilizer from Food Waste by Composting in UTHM Campus Pagoh. 1(1), 1–6.
Hasani, A., Zegordi, S. H., & Nikbakhsh, E. (2012). Robust closed-loop supply chain network design for perishable goods in agile manufacturing under uncertainty. International Journal of Production Research, 50(16), 4649–4669. https://doi.org/10.1080/00207543.2011.625051
Hamidieh, A., & Akhgari, B. (2024). Biogas Reverse Supply Chain Network Design based on Biomass Quality Levels using Robust Programming and Benders decomposition approach. Scientia Iranica.
, 106130
Hasani, A., Zegordi, S. H., & Nikbakhsh, E. (2015). Robust closed-loop global supply chain network design under uncertainty: The case of the medical device industry. International Journal of Production Research, 53(5), 1596–1624. https://doi.org/10.1080/00207543.2014.965349
Jonkman, J., Barbosa-Póvoa, A. P., & Bloemhof, J. M. (2019). Integrating harvesting decisions in the design of agro-food supply chains. European Journal of Operational Research, 276(1), 247–258. https://doi.org/10.1016/j.ejor.2018.12.024
Jouzdani, J., & Govindan, K. (2021). On the sustainable perishable food supply chain network design: A dairy products case to achieve sustainable development goals. Journal of Cleaner Production, 278, 123060. https://doi.org/10.1016/j.jclepro.2020.123060
Kargari Esfand Abad, H., Vahdani, B., Sharifi, M., & Etebari, F. (2018). A bi-objective model for pickup and delivery pollution-routing problem with integration and consolidation shipments in cross-docking system. Journal of Cleaner Production, 193, 784–801. https://doi.org/10.1016/j.jclepro.2018.05.046
Kaya, O., & Urek, B. (2016). A mixed integer nonlinear programming model and heuristic solutions for location, inventory and pricing decisions in a closed loop supply chain. Computers and Operations Research, 65, 93–103. https://doi.org/10.1016/j.cor.2015.07.005
Keyvanshokooh, E., Ryan, S. M., & Kabir, E. (2016). Hybrid robust and stochastic optimization for closed-loop supply chain network design using accelerated Benders decomposition. European Journal of Operational Research, 249(1), 76–92. https://doi.org/10.1016/j.ejor.2015.08.028
Khoei, M. A., Aria, S. S., Gholizadeh, H., Goh, M., & Cheikhrouhou, N. (2022). Big data-driven optimization for sustainable reverse logistics network design. Journal of Ambient Intelligence and Humanized Computing, 0123456789. https://doi.org/10.1007/s12652-022-04357-z
Krikke, H., Hofenk, D., & Wang, Y. (2013). Revealing an invisible giant: A comprehensive survey into return practices within original (closed-loop) supply chains. Resources, Conservation and Recycling, 73, 239–250. https://doi.org/10.1016/j.resconrec.2013.02.009
Liu, C., Ji, Y., Wahab, M. I. M., Peng, Z., Li, X., & Qu, S. (2024). Multi-objective mixed integer programming modelling for closed-loop supply chain network design: an enhanced Benders decomposition algorithm. Engineering Optimization, 1-44.
Madani, S. R., & Rasti-Barzoki, M. (2017). Sustainable supply chain management with pricing, greening and governmental tariffs determining strategies: A game-theoretic approach. Computers and Industrial Engineering, 105, 287–298. https://doi.org/10.1016/j.cie.2017.01.017
Mallidis, I., Dekker, R., & Vlachos, D. (2012). The impact of greening on supply chain design and cost: A case for a developing region. Journal of Transport Geography, 22, 118–128. https://doi.org/10.1016/j.jtrangeo.2011.12.007
Manouchehri, F., Nookabadi, A. S., & Kadivar, M. (2020). Production routing in perishable and quality degradable supply chains. Heliyon, 6(2), e03376. https://doi.org/10.1016/j.heliyon.2020.e03376
Marcos, J. T., Scheller, C., Godina, R., Spengler, T. S., & Carvalho, H. (2021). Sources of uncertainty in the closed-loop supply chain of lithium-ion batteries for electric vehicles. Cleaner Logistics and Supply Chain, 1, 100006. https://doi.org/10.1016/j.clscn.2021.100006
Mardan, E., Govindan, K., Mina, H., & Gholami-Zanjani, S. M. (2019). An accelerated benders decomposition algorithm for a bi-objective green closed loop supply chain network design problem. Journal of Cleaner Production, 235, 1499–1514. https://doi.org/10.1016/j.jclepro.2019.06.187
Marler, R. T., & Arora, J. S. (2004). Survey of multi-objective optimization methods for engineering. 395, 369–395. https://doi.org/10.1007/s00158-003-0368-6
Mavrotas, G. (2009). Effective implementation of the e -constraint method in Multi-Objective Mathematical Programming problems. Applied Mathematics and Computation, 213(2), 455–465. https://doi.org/10.1016/j.amc.2009.03.037
Melo, M. T., Nickel, S., & Saldanha-da-Gama, F. (2009). Facility location and supply chain management – A review. European Journal of Operational Research, 196(2), 401–412. https://doi.org/10.1016/j.ejor.2008.05.007
Mohtashami, Z., Aghsami, A., & Jolai, F. (2020). A green closed loop supply chain design using queuing system for reducing environmental impact and energy consumption. Journal of Cleaner Production, 242, 118452. https://doi.org/10.1016/j.jclepro.2019.118452
Momeni, M., Soleimani, H., Shahparvari, S., & Afshar-Nadjafi, B. (2022). Coordinated routing system for fire detection by patrolling trucks with drones. International Journal of Disaster Risk Reduction, 73(February), 102859. https://doi.org/10.1016/j.ijdrr.2022.102859
Moreno-Miranda, C., & Dries, L. (2022). Integrating coordination mechanisms in the sustainability assessment of agri-food chains: From a structured literature review to a comprehensive framework. Ecological Economics, 192(October 2021), 107265. https://doi.org/10.1016/j.ecolecon.2021.107265
Mosallanezhad, B., & Chefi, M. H. (2021). Shrimp closed-loop supply chain network design. Soft Computing, 25(11), 7399–7422. https://doi.org/10.1007/s00500-021-05698-1
Mulvey, J. M., Vanderbei, R. J., & Zenios, S. A. (1995). Robust optimization of large-scale systems. Operations Research, 43(2), 264–281. https://doi.org/10.1287/opre.43.2.264
Mirzaei, M. G., Gholami, S., Rahmani, D., Goodarzian, F., & Khanchehzarrin, S. (2024). Robust optimization in an agricultural closed-loop supply chain network design with a price and freshness-dependent demand: hybrid rat with particle swarm optimization algorithm. Environment, Development and Sustainability, 1-36.
Mutonyi, S., Beukel, K., & Hjortsø, C. N. (2018). Relational factors and performance of agrifood chains in Kenya. Industrial Marketing Management, 74(August 2017), 175–186. https://doi.org/10.1016/j.indmarman.2018.03.004
Nikian, A., Khademi Zare, H., Lotfi, M. M., & Fallah Nezhad, M. S. (2023). Redesign of a sustainable and resilient closed-loop supply chain network under uncertainty and disruption caused by sanctions and COVID-19. Operations Management Research, 16(2), 1019-1042.
Navazi, F., Sedaghat, A., & Tavakkoli-Moghaddam, R. (2019). A new sustainable location-routing problem with simultaneous pickup and delivery by two-compartment vehicles for a perishable product considering circular economy. IFAC-PapersOnLine, 52(13), 790–795. https://doi.org/10.1016/j.ifacol.2019.11.212
Nayeri, S., Paydar, M. M., Asadi-Gangraj, E., & Emami, S. (2020). Multi-objective fuzzy robust optimization approach to sustainable closed-loop supply chain network design. Computers and Industrial Engineering, 148, 106716. https://doi.org/10.1016/j.cie.2020.106716
Nematollahi, M., Tajbakhsh, A., & Mosadegh Sedghy, B. (2021). The reflection of competition and coordination on organic agribusiness supply chains. Transportation Research Part E: Logistics and Transportation Review, 154(September), 102462. https://doi.org/10.1016/j.tre.2021.102462
Nguyen, X. C., Tran, T. P. Q., Nguyen, T. T. H., La, D. D., Nguyen, V. K., Nguyen, T. P., Nguyen, X. H., Chang, S. W., Balasubramani, R., Chung, W. J., & Nguyen, D. D. (2020). Call for planning policy and biotechnology solutions for food waste management and valorization in Vietnam. Biotechnology Reports, 28, e00529. https://doi.org/10.1016/j.btre.2020.e00529
Pishvaee, M. S., Rabbani, M., & Torabi, S. A. (2011). A robust optimization approach to closed-loop supply chain network design under uncertainty. Applied Mathematical Modelling, 35(2), 637–649. https://doi.org/10.1016/j.apm.2010.07.013
Pishvaee, M. S., Razmi, J., & Torabi, S. A. (2014). An accelerated Benders decomposition algorithm for sustainable supply chain network design under uncertainty: A case study of medical needle and syringe supply chain. Transportation Research Part E: Logistics and Transportation Review, 67, 14–38. https://doi.org/10.1016/j.tre.2014.04.001
Rahmaniani, R., Crainic, T. G., Gendreau, M., & Rei, W. (2017a). The Benders decomposition algorithm: A literature review. European Journal of Operational Research, 259(3), 801–817. https://doi.org/10.1016/j.ejor.2016.12.005
Rekabi, S., Goodarzian, F., Garjan, H. S., Zare, F., Muñuzuri, J., & Ali, I. (2023). A data-driven mathematical model to design a responsive-sustainable pharmaceutical supply chain network: a Benders decomposition approach. Annals of Operations Research, 1-42.
Rahmaniani, R., Crainic, T. G., Gendreau, M., & Rei, W. (2017b). The Benders decomposition algorithm: A literature review. European Journal of Operational Research, 259(3), 801–817. https://doi.org/10.1016/j.ejor.2016.12.005
Ramezani, M., Bashiri, M., & Tavakkoli-Moghaddam, R. (2013). A robust design for a closed-loop supply chain network under an uncertain environment. International Journal of Advanced Manufacturing Technology, 66(5–8), 825–843. https://doi.org/10.1007/s00170-012-4369-8
Ramezani, M., Kimiagari, A. M., Karimi, B., & Hejazi, T. H. (2014). Closed-loop supply chain network design under a fuzzy environment. Knowledge-Based Systems, 59, 108–120. https://doi.org/10.1016/j.knosys.2014.01.016
Reddy, K. N., Kumar, A., Choudhary, A., & Cheng, T. C. E. (2022). Multi-period green reverse logistics network design: An improved Benders-decomposition-based heuristic approach. European Journal of Operational Research, 303, 735–752. https://doi.org/10.1016/j.ejor.2022.03.014
Rizou, M., Galanakis, I. M., Aldawoud, T. M. S., & Galanakis, C. M. (2020). Safety of foods, food supply chain and environment within the COVID-19 pandemic. Trends in Food Science and Technology, 102, 293–299. https://doi.org/10.1016/j.tifs.2020.06.008
Sadeghi, A., Mina, H., & Bahrami, N. (2020). A mixed integer linear programming model for designing a green closed-loop supply chain network considering location-routing problem. International Journal of Logistics Systems and Management, 36(2), 177–198. https://doi.org/10.1504/IJLSM.2020.107389
Sadeghi Ahangar, S., Sadati, A., & Rabbani, M. (2021). Sustainable design of a municipal solid waste management system in an integrated closed-loop supply chain network using a fuzzy approach: a case study. Journal of Industrial and Production Engineering, 38(5), 323–340. https://doi.org/10.1080/21681015.2021.1891146
Saffar, M. M., Shakouri G., H., & Razmi, J. (2014). A new bi-objective mixed integer linear programming for designing a supply chain considering CO2 emission. Uncertain Supply Chain Management, 2(4), 275–292. https://doi.org/10.5267/j.uscm.2014.6.001
Salema, M. I., Póvoa, A. P. B., & Novais, A. Q. (2006). A warehouse-based design model for reverse logistics. Journal of the Operational Research Society, 57(6), 615–629. https://doi.org/10.1057/palgrave.jors.2602035
Santibanez-Gonzalez, E. D. R., & Diabat, A. (2013). Solving a reverse supply chain design problem by improved Benders decomposition schemes. Computers and Industrial Engineering, 66(4), 889–898. https://doi.org/10.1016/j.cie.2013.09.005
Sazvar, Z., Rahmani, M., & Govindan, K. (2018). A sustainable supply chain for organic, conventional agro-food products: The role of demand substitution, climate change and public health. Journal of Cleaner Production, 194, 564–583. https://doi.org/10.1016/j.jclepro.2018.04.118
Sheibani, M., & Niroomand, S. (2024). An optimization model for sustainable multi-product multi-echelon supply chain networks with U-shaped assembly line balancing under uncertainty. Supply Chain Analytics, 5, 100057.
Shafiei Kisomi, M., Solimanpur, M., & Doniavi, A. (2016). An integrated supply chain configuration model and procurement management under uncertainty: A set-based robust optimization methodology. Applied Mathematical Modelling, 40(17–18), 7928–7947. https://doi.org/10.1016/j.apm.2016.03.047
Shen, Z. J. M. (2007). Integrated supply chain design models: A survey and future research directions. Journal of Industrial and Management Optimization, 3(1), 1–27. https://doi.org/10.3934/jimo.2007.3.1
Singh, A. K., Subramanian, N., Pawar, K. S., & Bai, R. (2018). Cold chain configuration design: location-allocation decision-making using coordination, value deterioration, and big data approximation. Annals of Operations Research, 270(1–2), 433–457. https://doi.org/10.1007/s10479-016-2332-z
Soto-Silva, W. E., Nadal-Roig, E., González-Araya, M. C., & Pla-Aragones, L. M. (2016). Operational research models applied to the fresh fruit supply chain. European Journal of Operational Research, 251(2), 345–355. https://doi.org/10.1016/j.ejor.2015.08.046
Stenmarck, Å., Jensen, C., Quested, T., Moates, G., Cseh, B., Juul, S., Parry, A., Politano, A., Redlingshofer, B., Scherhaufer, S., Silvennoinen, K., Soethoudt, H., Zübert, C., & Östergren, K. (2016). FUSIONS – Estimates of European food waste levels. IVL-report C 186. In Fusions. https://www.eu-fusions.org/phocadownload/Publications/Estimates of European food waste levels.pdf%5Cnhttps://phys.org/news/2016-12-quarter-million-tonnes-food-logistics.html#nRlv
Stindt, D., & Sahamie, R. (2014). Review of research on closed loop supply chain management in the process industry. Flexible Services and Manufacturing Journal, 26(1–2), 268–293. https://doi.org/10.1007/s10696-012-9137-4
Tavana, M., Kian, H., Nasr, A. K., Govindan, K., & Mina, H. (2022). A comprehensive framework for sustainable closed-loop supply chain network design. Journal of Cleaner Production, 332(November 2021), 129777. https://doi.org/10.1016/j.jclepro.2021.129777
Tay, J., & Wang, J. (2005). Biotechnology for aerobic conversion of food waste into organic fertilizer. 39–47. https://doi.org/10.1177/0734242X05049768
Wang, Z., Ye, C., & Guo, J. (2024). Robust optimization of multi-objective multi-cycle remanufacturing supply chain network considering incentive compatibility theory under improved algorithm. Computers & Industrial Engineering, 187, 109777.
Yakavenka, V., Mallidis, I., Vlachos, D., & Iakovou, E. (2019). Development of a multi ‑ objective model for the design of sustainable supply chains : the case of perishable food products. Annals of Operations Research, 0123456789. https://doi.org/10.1007/s10479-019-03434-5
Yakavenka, V., Mallidis, I., Vlachos, D., Iakovou, E., & Eleni, Z. (2020). Development of a multi-objective model for the design of sustainable supply chains: the case of perishable food products. Annals of Operations Research, 294(1–2), 593–621. https://doi.org/10.1007/s10479-019-03434-5
Yaran Ögel, İ., Ecer, F., & Aygün Özgöz, A. (2023). Identifying the leading retailer-based food waste causes in different perishable fast-moving consumer goods’ categories: application of the F-LBWA methodology. Environmental Science and Pollution Research, 30(12), 32656-32672.
Yavari, M., & Geraeli, M. (2019). Heuristic method for robust optimization model for green closed-loop supply chain network design of perishable goods. Journal of Cleaner Production, 226, 282–305. https://doi.org/10.1016/j.jclepro.2019.03.279
Yavari, M., & Zaker, H. (2019). An integrated two-layer network model for designing a resilient green-closed loop supply chain of perishable products under disruption. Journal of Cleaner Production. https://doi.org/10.1016/j.jclepro.2019.04.130
Zeballos, L. J., & Méndez, C. A. (2016). Managing Risk in the Design of Product and Closed-Loop Supply Chain Structure. In Computer Aided Chemical Engineering (Vol. 39). https://doi.org/10.1016/B978-0-444-63683-6.00016-2
Zhalechian, M., Tavakkoli-Moghaddam, R., Zahiri, B., & Mohammadi, M. (2016). Sustainable design of a closed-loop location-routing-inventory supply chain network under mixed uncertainty. Transportation Research Part E: Logistics and Transportation Review, 89, 182–214. https://doi.org/10.1016/j.tre.2016.02.011
Zhang, Y., Che, A., & Chu, F. (2020). Improved model and efficient method for bi- objective closed-loop food supply chain problem with returnable transport items. International Journal of Production Research, {\xmlpara}(0), 1–18. https://doi.org/10.1080/00207543.2020.1851057
Zhen, L., Huang, L., & Wang, W. (2019). Green and sustainable closed-loop supply chain network design under uncertainty. Journal of Cleaner Production, 227, 1195–1209. https://doi.org/10.1016/j.jclepro.2019.04.098
Zhou, Y., He, Z., & Zhao, S. (2021). How do government subsidies affect the strategic choices of enterprises and individuals in agricultural waste recycling? Sustainable Production and Consumption, 28, 1687–1698. https://doi.org/10.1016/j.spc.2021.09.014
Zhu, Z., Chu, F., Dolgui, A., Chu, C., Zhou, W., & Piramuthu, S. (2018a). Recent advances and opportunities in sustainable food supply chain: a model-oriented review. International Journal of Production Research, 56(17), 5700–5722. https://doi.org/10.1080/00207543.2018.1425014
Zhu, Z., Chu, F., Dolgui, A., Chu, C., Zhou, W., & Piramuthu, S. (2018b). Recent advances and opportunities in sustainable food supply chain: a model-oriented review. International Journal of Production Research, 56(17), 5700–5722. https://doi.org/10.1080/00207543.2018.1425014
Zarreh, M., Khandan, M., Goli, A., Aazami, A., & Kummer, S. (2024). Integrating Perishables into Closed-Loop Supply Chains: A Comprehensive Review. Sustainability, 16(15), 6705.
