ارزیابی تاب‌آوری و پایداری شبکه‌های فروش منطقه‌ای: تلفیق تصمیم‌گیری چندمعیاره و شبیه‌سازی مونت‌کارلو برای تحلیل عملکرد بازار

نویسندگان

  • زهرا صفدریان * گروه علوم اداری و اقتصاد دانشگاه اصفهان، اصفهان، ایران.
  • سهیلا نادی‏پور‏دهنوی گروه علوم اداری و اقتصاد دانشگاه اصفهان، اصفهان، ایران.

https://doi.org/10.22105/mmaa.v3i1.120

چکیده

هدف: شبکه‌های فروش نقش محوری در تحقق اهداف درآمدی، توسعه بازار و حفظ مزیت رقابتی سازمان‌ها ایفا می‌کنند. با‌این‌حال، ارزیابی عملکرد این شبکه‌ها در محیط‌های پویا و همراه با عدم‌قطعیت، صرفا بر مبنای شاخص‌های مالی یا رتبه‌بندی‌های ایستا نمی‌تواند تصویری جامع از وضعیت واقعی بازار ارایه دهد. از سوی دیگر، تفاوت‌های منطقه‌ای، تغییرات رفتار مشتریان و نوسانات اقتصادی موجب می‌شود عملکرد واحدهای فروش در معرض ریسک و تغییرات مستمر قرار گیرد. در‌نتیجه، نیاز به رویکردهایی وجود دارد که علاوه‌بر ارزیابی عملکرد، میزان پایداری و تاب‌آوری نتایج را نیز مورد سنجش قرار دهند. بر این اساس، پژوهش حاضر با هدف ارزیابی عملکرد و تحلیل پایداری شبکه فروش یک شرکت تولیدکننده لوازم خانگی در استان‌های مختلف ایران انجام شد.

روش‌شناسی پژوهش: این پژوهش کاربردی با استفاده از داده‌های واقعی شبکه فروش در 31 استان کشور انجام شد. مجموعه‌ای از شاخص‌های اقتصادی، عملیاتی و رفتاری شامل تعداد سفارش‌ها، ارزش سفارش‌ها، ساختار پرداخت، تکرار خرید مشتریان، تحقق برنامه فروش و سایر شاخص‌های مرتبط برای ارزیابی عملکرد در نظر گرفته شد. وزن معیارها با استفاده از روش آنتروپی شانون تعیین و رتبه‌بندی استان‌ها از طریق روش تاپسیس انجام شد. سپس به‌منظور بررسی حساسیت نتایج و تحلیل پایداری رتبه‌ها در شرایط عدم‌قطعیت، شبیه‌سازی مونت‌کارلو با 1000 تکرار اجرا و شاخص‌هایی نظیر میانگین رتبه و احتمال قرارگیری در رتبه‌های برتر محاسبه شد.

یافته‌ها: نتایج نشان داد استان قم بالاترین عملکرد را در رتبه‌بندی قطعی کسب کرده و استان‌های کرمانشاه، گیلان و مرکزی در رتبه‌های بعدی قرار دارند. با این حال، تحلیل مونت‌کارلو بیانگر آن بود که برتری برخی استان‌ها در برابر نوسانات داده‌ای از پایداری یکسانی برخوردار نیست. نتایج همچنین نشان داد که شاخص‌های مرتبط با ساختار پرداخت، حجم فروش، وفاداری مشتریان و تحقق برنامه فروش بیشترین تاثیر را بر عملکرد شبکه فروش دارند. علاوه‌بر این، ترکیب رتبه‌بندی چندمعیاره و تحلیل احتمالاتی امکان تفکیک استان‌های دارای عملکرد پایدار از استان‌های دارای عملکرد پرریسک را فراهم کرد.

اصالت/ارزش‌افزوده علمی: این پژوهش ارزیابی عملکرد شبکه فروش را از یک فرایند صرفا رتبه‌بندی به یک ابزار پشتیبان تصمیم‌گیری مبتنی بر ریسک و پایداری توسعه می‌دهد. نوآوری مطالعه در ترکیب وزن‌دهی عینی، رتبه‌بندی چندمعیاره و تحلیل عدم‌قطعیت برای سنجش هم‌زمان عملکرد و ثبات نتایج نهفته است. یافته‌های پژوهش می‌تواند مدیران را در طراحی سیاست‌های اعتباری، تخصیص منابع بازاریابی، تدوین نظام‌های انگیزشی و توسعه راهبردهای منطقه‌ای مبتنی بر عملکرد پایدار یاری دهد.

کلمات کلیدی:

تصمیم‌‏گیری چندمعیاره، شبیه‌‏سازی مونت کارلو، ارزیابی عملکرد، شبکه فروش

مراجع

  1. [1] Moemeni, M., & Esmaelian, M. (2021). Application of simulation in uncertainty of multicriteria decision making. Management research in Iran, 10(4), 231-251. (In Persian). https://mri.modares.ac.ir/article_337.html
  2. [2] Pinar, A. (2025). A hybrid AI and Fuzzy MCDM approach for retailer evaluation: Leveraging Sentiment analysis and expert insights. Applied AI letters, 6(3), e70006. https://doi.org/10.1002/ail2.70006
  3. [3] dos Santos, B. M., Godoy, L. P., & Campos, L. M. S. (2019). Performance evaluation of green suppliers using entropy-TOPSIS-F. Journal of cleaner production, 207, 498–509. https://doi.org/10.1016/j.jclepro.2018.09.235
  4. [4] Kumar, R. (2024). A comprehensive review of MCDM methods, applications, and emerging trends. Decision making advances, 3, 185–199. https://doi.org/10.31181/dma31202569
  5. [5] Daneshvar Rouyendegh, B., & Gholamrezanezhad, F. (2017). A MCDM approach for supplier selection process: A pilot study from Iran. Marketing and Branding Research, 4(2017) 129-134. https://ssrn.com/abstract=3343267
  6. [6] Dizaji, M., Mazdeh, M., & Makui, A. (2018). Performance evaluation and ranking of direct sales stores using BSC approach and Fuzzy multiple attribute decision-making methods. Decision science letters, 197–210. https://doi.org/10.5267/j.dsl.2017.5.003
  7. [7] Anand, N., & Grover, N. (2015). Measuring retail supply chain performance: Theoretical model using key performance indicators (KPIs). Benchmarking: An international journal, 22(1), 135–166. https://doi.org/10.1108/BIJ-05-2012-0034
  8. [8] Radonic, M., Đorđević, V., & Omerbegović-Bijelović, J. (2016). Key performance indicators and pricing strategies planning in retail industry. XV international symposium symorg "Reshaping the future through sustainable business development and entrepreneurship. University of Belgrade. https://www.researchgate.net/publication/346108039
  9. [9] Dorfeshan, Y., Tavakkoli-Moghaddam, R., Jolai, F., & Mousavi, S. M. (2021). A new data-driven and knowledge-driven multi-criteria decisionmaking method. Journal of artificial intelligence and data mining (JAIDM), 9(4), 543–554. https://jad.shahroodut.ac.ir/article_2243_eb8c998bfe258804e28e6f0d037b32f1.pdf
  10. [10] Kamacı, K., & Öz, M. (2024). Quantitative analysis of factors affecting the choice of distribution channel as a strategic supply chain function. Selçuk üniversitesi sosyal bilimler meslek yüksekokulu dergisi, 27(2), 823-837. https://izlik.org/JA76FK67LH
  11. [11] Al-Husain, R., & Khorramshahgol, R. (2020). Incorporating analytical hierarchy process and goal programming to design responsive and efficient supply chains. Operations research perspectives, 7, 100149. https://doi.org/10.1016/j.orp.2020.100149
  12. [12] Mazurek, J., & Strzałka, D. (2022). On the Monte Carlo weights in multiple criteria decision analysis. PLOS one, 17(10), e0268950. https://doi.org/10.1371/journal.pone.0268950
  13. [13] Vavatsikos, A. P., Tsesmetzis, E., Koulinas, G., & Koulouriotis, D. (2022). A robust group decision making framework using fuzzy TOPSIS and Monte Carlo simulation for wind energy projects multicriteria evaluation. Operational research, 22(5), 6055–6073. https://doi.org/10.1007/s12351-022-00725-x
  14. [14] Cui, H., Dong, S., Hu, J., Chen, M., Hou, B., Zhang, J., … ., & Chen, F. (2023). A hybrid MCDM model with Monte Carlo simulation to improve decision-making stability and reliability. Information sciences, 647, 119439. https://doi.org/10.1016/j.ins.2023.119439
  15. [15] Chen, Z. (2025). A review of research progress in Monte Carlo methods. Theoretical and natural science, 92, 72–76. https://doi.org/10.54254/2753-8818/2025.21609
  16. [16] Marqués, A., García, V., & Sánchez, J. (2020). Ranking-based MCDM models in financial management applications: Analysis and emerging challenges. Progress in artificial intelligence, 9(3), 171-193. https://doi.org/10.1007/s13748-020-00207-1
  17. [17] Radulescu, C. Z., & Radulescu, M. (2024). A hybrid group multi-criteria approach based on SAW, TOPSIS, VIKOR, and COPRAS methods for complex IoT selection problems. Electronics, 13(4), 789. https://doi.org/10.3390/electronics13040789
  18. [18] Moktadir, M. A., Paul, S. K., Bai, C., & Gonzalez, E. D. R. S. (2025). The current and future states of MCDM methods in sustainable supply chain risk assessment. Environment, development and sustainability: A multidisciplinary approach to the theory and practice of sustainable development, 27(3), 7435–7480. https://doi.org/10.1007/s10668-023-04200-1

دانلود

چاپ شده

2026-06-18

شماره

دوره 3 شماره 1 (2026): مدیریت: مدلسازی، تحلیل‌ها و کاربردها

نوع مقاله

مقالات شماره جاری

ارجاع به مقاله

صفدریان ز., & نادی‏پور‏دهنوی س. (2026). ارزیابی تاب‌آوری و پایداری شبکه‌های فروش منطقه‌ای: تلفیق تصمیم‌گیری چندمعیاره و شبیه‌سازی مونت‌کارلو برای تحلیل عملکرد بازار. مدیریت: مدلسازی، تحلیل‌ها و کاربرد, 3(1), 66-78. https://doi.org/10.22105/mmaa.v3i1.120
Crossref
Scopus
Google Scholar
Europe PMC

مقالات مشابه

##common.pagination##

همچنین برای این مقاله می‌توانید شروع جستجوی پیشرفته مقالات مشابه.