Return to search

Optimisation of the Distribution of COVID-19 Vaccines / Optimering av distribution av COVID-19 vaccin

This paper explores how to optimally distribute vaccines by deciding what middle warehouses to use for storage. For this purpose, a network has been designed with a central warehouse, a set of middle warehouses and a set of local hospitals. The supply has been defined by two different types of vaccines to incorporate their logistical requirements, and the demand has been defined by the elderly population of Sweden. The model was constructed as a mixed-integer program in the optimisation programming language GAMS. The results was a set of 13 middle warehouses allocated such that the total distances when distributing the vaccines are minimised. It was also identified how much of each type of vaccines that was being shipped. The integer program was then relaxed to test whether the optimal value was in fact a global optima. Both the objective value for the original problem and for the relaxed problem was 10189.8 km, which means that it could be identified as a global optima. Furthermore, this paper explored ways to mitigate the supply chain risks with the help of mathematical methods and supply chain management literature. This paper presents scenario-based stochastic programming, how to construct a supplier portfolio, reliability engineering and distribution-based stochastic programming as useful methods when dealing with the risks.  In essence, the purpose of this paper was to evaluate modeling opportunities for distributions of vaccines rather than the quantitative results since the data was limited. The aim was to present a general model that could be used with different sets of data, and provide the most optimal allocation of warehouses. Recommended improvements to the paper are greater accuracy in data, in probability distributions and expansion of model with consideration of time. / Detta arbete utforskar hur man kan optimera distributionen av vaccin genom att bestämma placering av en mängd mellanlager. I detta syfte har ett nätverk designats med ett centrallager, en utspridd mängd mellanlager och en mängd lokala sjukhus. Utbudet har definerats som två olika typer av vaccin för att ta hänsyn till deras olika logistiska krav och efterfrågan har definerats som Sveriges äldre befolkning. Modellen var konstruerad som ett blandat heltalsproblem i programmeringsspråket GAMS. Resultatet blev 13 mellanlager som är optimala för en så effektiv distribution av vaccin som möjligt. Resultaten visar också vilken typ av vaccin som ska skickas var. Heltalsprogrammet använder sedan relaxation för att undersöka om resultatet är ett globalt optimum och inte endast ett lokalt optimum. Målfunktionens värde är 10189,8 km både för det ordinarie problemet och för det relaxerade, vilket inneär att man kan dra slutsaten att värdet är ett globalt optimum. Dessutom utforskars sätt att mildra försörjningskedjans risker med hjälp av matematiska metoder och litteratur inom logistik av försörjningskedjor. Denna uppsats presenterar scenariobaserad och distributionbaserad stokastisk programmering, konstruktion av leverantörsportföljer och tillförlitlighetsteknik som användbara metoder för att hantera riskerna.  Sammanfattningsvis är detta ett arbete som utforskar möjligheter med modelleringen av vaccindistribution snarare än en rigid kvantitativ analys eftersom datan är begränsad. Syftet var därför att utveckla en generell modell som med olika dataset kan ge den optimala allokeringen av mellanlager. De förbättringar av arbetet som rekommenderas är mer noggrann data, exakthet kring sannolikhetsfördelningarna och en expansion av modellen som tar hänsyn till tid.

Identiferoai:union.ndltd.org:UPSALLA1/oai:DiVA.org:kth-312297
Date January 2021
CreatorsIsacson, Paula, Maslov, Daniel
PublisherKTH, Matematisk statistik
Source SetsDiVA Archive at Upsalla University
LanguageEnglish
Detected LanguageSwedish
TypeStudent thesis, info:eu-repo/semantics/bachelorThesis, text
Formatapplication/pdf
Rightsinfo:eu-repo/semantics/openAccess
RelationTRITA-SCI-GRU ; 2021:328

Page generated in 0.0026 seconds