物流与供应链beergame和riskpoolgame实验报告.docx
- 文档编号:13168575
- 上传时间:2023-06-11
- 格式:DOCX
- 页数:15
- 大小:166.24KB
物流与供应链beergame和riskpoolgame实验报告.docx
《物流与供应链beergame和riskpoolgame实验报告.docx》由会员分享,可在线阅读,更多相关《物流与供应链beergame和riskpoolgame实验报告.docx(15页珍藏版)》请在冰点文库上搜索。
物流与供应链beergame和riskpoolgame实验报告
东华大学管理学院信管专业
DongHuaUniversity,BusinessSchool
物流与供应链实验报告
ReportonBeerGame(BullwhipEffect)andRiskPooling
实验1:
啤酒实验
实验2:
风险分担实验
分数(Grade):
实验1——“啤酒游戏”实验
一、“啤酒游戏”实验简述
啤酒游戏是模拟一个啤酒生产、销售、消费的供应链的运作,通过不同条件下供应链上的不同组件、角色下的仿真模拟。
游戏过程中可以体会生产,预测,物流,库存在信息的运送延误的情况下会出现各种联动和影响。
游戏中假设供应链由5个环节构成:
生产厂商发货至分销商、分销商批发商发货至批发商、批发商发货至零售商,最后零售商卖给客户(游戏操作过程中没有包含最后环节),每个环节只有单个下游组件,相邻环节之间存在啤酒物流的订单信息流,上游环节根据下游环节发来的订单安排生产或订货。
供应链为直线型供应链,啤酒物流与订单信息流仅仅在相邻的两个节点之间传递,不能跨节点。
供应链最上游是生产商,生产商的生产能力无限制,各角色拥有独立自主权,可决定向上游订多少订单、向下游发出多少货物,各个角色的库存量也都无限制。
游戏操作过程包含的角色有:
生产厂商(Factory)、分销商(Distributor)、批发商(Wholesaler)、零售商(Retailer)。
游戏供应链节点有:
客户、零售商、批发商、分销商、生产厂商。
整个供应链图形描述如下:
图——“啤酒游戏”供应链图形描述
供应链中订单和啤酒在相邻两个环节之间需要经过一周才能到达,也就是发出订单至少要三周后才能到货(上游供应商要尽量满足下游订单要求,不能满足的订单作缺货处理,即可能需要更长的时间)。
每周期供应链中单位产品的缺货成本是$,上游角色拥有正在运往下游处的存货,每周期供应链中单位产品的存货成本为$。
供应链中每个角色向上游发出订单,向下游发出货物,其提前期为:
客户—零售商为0周;零售商—批发商、批发商—分销商、分销商—生产厂商为4周,包含2周订单相应时间和2周送货时间;生产厂商生产周期为2周。
总成本是缺货成本和存货成本的总和(totalcost=shortagecost+holdingcost)。
Backorder为本周期缺货量,recentorder是本周期订单量。
游戏分别可在信息共享与信息不共享;订货周期延长;确定性需求与随机性需求等多个环境下进行订货决策,可以根据个人要求对初始数据进行一定的改动,再作进一步比较来得到更好的实验成果。
此游戏最终是为了要得出一定的决策结果来实现供应链的总成本最小、利润最大化。
二、“啤酒游戏”实验过程
在初始状态下,查看游戏环境并对环境进行必要的改动设置。
点击Options—Policy,选择默认策略Updates策略(如图2-1)。
点击Options—Demand,选择默认也就是RandomNormal来设置客户的需求。
(如图2-2)
图2-1策略目录
图2-2客户需求参数选择
其他环境设置均不改变。
Options—ShortLeadTime这个选项为通过消除系统中的delay来缩短系统的提前期,每个环节的提前期均缩短到一个周期。
不勾选这个选项,在标准状态下进行实验。
选择角色进行实验,第一次,角色选择生产厂商(如图2-3)。
图2-3选择角色——生产厂商
环境设置完成后,开始游戏,图2-4为初始界面。
图2-4初始界面
如图2-5,在Enteryourorder中输入将要订购的数量,进行初始预订。
在初始状态下的生产厂商的inventory为4,分销商的Delay1和Delay2均为4。
而第一次订货后,可发现数据有了相应的改变。
如图2-6所示,生产厂商的Delay2中的库存转移到Delay1,而Delay1中的库存也转移到inventory,使inventory的数量变为8。
也可以看到右边的totalcost(第一周期的总成本)变为8,recentorder(订货数量)变为8。
图2-5第一周期初始订单
图2-6第一期订单下单后结果
点击NextRound,按第一周期进行游戏的方法,继续进行游戏,直到进行到第22周,停止游戏(如图2-7)。
进行过程中要观察所呈现的Graphs,以及每个角色的订单需求数的统计数据。
得到一定的数据统计,可以对啤酒游戏的真正意义进行分析和进一步理解。
第22周期,totalcost为1665,backorder为0。
图2-8,表示生产厂商的各类参数的变化。
图2-7第22周整体状态
图2-8生产厂商各类参数数据
从图中可以看出库存与缺货是有着一定的关系,一旦稳定了以后,订单的数量不会太大地影响库存和缺货。
点击Reports——others,选择各个角色,得到该角色的每周订单需求数,多次选择后记录并进行统计,统计结果如下表2-1。
从表中初步可以看出:
零售商的每周订单数比较稳定,分销商与批发商的订单数不稳定,而且特别是分销商前期订单较集中,后期都没有订单。
再由表2-1画出折线图,更直观的表示各个周期各个角色的订单数。
表2-122个周期每个角色的订单需求数
WEEK
零售商
(Retailer)
批发商
(Wholesaler)
分销商
(Distributor)
生产厂商
(Factory)
1
24
0
0
8
2
8
30
0
8
3
4
30
30
8
4
2
30
30
4
5
5
0
30
4
6
4
0
30
4
7
2
0
30
6
8
9
0
28
6
9
4
2
0
6
10
4
1
0
12
11
0
2
0
14
12
4
0
0
16
13
5
0
0
7
14
12
0
0
5
15
2
6
0
9
16
3
1
0
12
17
5
3
0
14
18
8
6
0
20
19
5
7
0
20
20
6
5
0
23
21
5
7
0
3
22
4
5
0
2
图2-922个周期每个角色的订单需求数折线图
如下表2-2,可以看出零售商、批发商、分销商、生产商的订单平均需求在逐步增大,需求变动的标准差也逐步增大,这里清晰地反映了供应链中的牛鞭效应,即供应链上的信息流从最终客户向原始供应商端传递时候,由于无法有效地实现信息的共享,使得信息扭曲而逐渐放大,导致了需求信息出现越来越大的波动。
表2-2各角色的平均数与标准差
在此基础上,这次选择分销商(如图2-10),再换角色重新进行游戏。
这次也进行22轮。
进行完成后如图2-11所示,可以看出totalcost为549,backorder为0。
图2-10重新选择角色
图2-11角色为分销商时游戏进行22周期后的整体状态
游戏进行到22周以后分销商的各类参数数据如下图,图2-12表示。
图2-12分销商各类参数数据
点击Reports——others,选择角色,得到该角色的每周订单需求数,多次选择后记录并进行统计,统计结果如下表2-3。
从图中初步可以看出:
零售商、批发商、分销商的每周订单数比较稳定,生产商订单数不稳定,但是整体来说,比起前一次的游戏而言,数据稳定了很多。
表2-322个周期每个角色的订单需求数
WEEK
零售商
(Retailer)
批发商
(Wholesaler)
分销商
(Distributor)
生产厂商
(Factory)
1
16
0
3
0
2
6
30
4
0
3
5
30
4
0
4
8
2
20
11
5
3
4
12
30
6
2
0
12
30
7
5
0
10
30
8
3
2
10
6
9
4
1
9
7
10
10
2
2
7
11
10
11
2
1
12
8
4
16
0
13
11
9
16
18
14
7
14
12
20
15
3
7
12
6
16
4
3
2
12
17
3
4
6
1
18
5
2
6
5
19
6
6
8
5
20
3
6
12
8
21
4
0
3
14
22
3
2
2
2
点击Reports——System,得到总体报告图2-13。
从图中可以看出零售商、批发商、分销商、生产商的订单平均需求在逐步增大,需求变动的标准差一定程度也逐步增大,这里也清晰地反映了供应链中的牛鞭效应,即供应链上的信息流从最终客户向原始供应商端传递时候,由于无法有效地实现信息的共享,使得信息扭曲而逐渐放大,导致了需求信息出现越来越大的波动。
从各成员各周订单数量折线图2-14中可以更直观地看出这一现象。
图2-13总体报告
图2-14各角色各周订单数量折线图
三、总结
“啤酒游戏”实验充分反应了牛鞭效应,且通过两次的游戏知道牛鞭效应无法消除。
“牛鞭效应”是营销活动中普遍存在的现象,因为当供应链上的各级供应商只根据来自其相邻的下级销售商的需求信息进行供应决策时,需求信息的不真实性会沿着供应链逆流而上,产生逐级放大的现象,到达最源头的供应商(如总销售商,或者该产品的生产商)时,其获得的需求信息和实际消费市场中的顾客需求信息发生了很大的偏差,需求变异系数比分销商和零售商的需求变异系数大得多。
由于这种需求放大变异效应的影响,上游供应商往往维持比其下游需求更高的库存水平,以应付销售商订货的不确定性,从而人为地增大了供应链中的上游供应商的生产、供应、库存管理和市场营销风险,甚至导致生产、供应、营销的混乱。
供应链失调会导致以下四个方面的典型问题:
第一、生产成本增加。
供应链失调使得各个节点企业把主要的精力都放在如何尽量满足订单流上,不合理的产能使用和无畏的物流运输都会导致单位产品的生产成本增加。
第二、库存成本增加。
在一个缺乏协调的供应链中,各个节点企业为了应付下游企业的需求变动,必须保有比“牛鞭效应”不存在时还要高的库存水平,从而进一步增加了仓储空间的运输压力,使整条供应链显得越发笨重。
第三、缺货现象增多。
在面对快速变化的市场需求时,缺乏协调的供应链中的节点企业往往难以安排其生产计划,导致整条供应链的补给与供货期延长和在市场终端缺货,引起零售商和消费者的抱怨。
第四、供应链中各节点企业关系恶化。
供应链失调会导致供应链各节点企业之间互相埋怨、互不信任,稍有问题就会产生过激反应,从而使潜在的和谐努力变得更加困难。
因此要想保证供应链协调发展就要从各节点企业共同利益出发,这也是一种有关信息共享有利于优化供应链,使供应链向着更加完善的供求网络的方向发展,其中基础设施、组织成员及信息之间的资源整合信息共享是优化其网络的关键。
减少“牛鞭效应”的措施可以总结为以下几点:
第一、降低库存
最好的解决方法是零库存,但是想要达到这个水平还是有难度的,所以,控制安全库存是必须的,最起码要保证不能缺货,一旦出现缺货现象,利润会马上降低。
无论处于供应链的上游,还是下游企业,只有最大限度地把库存降到最低,才能使整体利益最大。
因为市场的需求一般情况下是控制不了的。
第二、提高最终用户需求信息的透明度
在需求信息沟通不畅的供应链中,上游环节只了解其直接下游环节发出的订单,而对最终用户的需求则一无所知。
如果上游环节能够掌握最终用户的需求信息,那么可以利用最终用户的需求信息作为需求预测的依据,从而可大大减少牛鞭效应。
在供应链中实现信息共享是十分必要的,获取的信息越多,预测将越准确。
供应链角色间通过电子数据交换来实现实时交流和共享信息,建立直销体系,减少供应链中的层次,简化供应链的结构,防止资讯在传递过程当中过多地被人为扭曲。
实现供应商和客户的直接交易,有效地防止了牛鞭效应的产生。
第三、减少批量订购频率
由于批量订购会产生牛鞭效应,因此企业应调整其订购策略,实行小批量、多次订购的采购或供应模式。
企业偏好大批量、低频率采购策略的原因是采购成本、运输成本昂贵。
第四、控制价格的变化
控制由于提前购买或转换而引起的牛鞭效应的最好方法是减少对批发商的折扣频率和幅度。
制造商可通过制定稳定的价格策略以减少对提前购买的激励,当企业进行地区性促销时,某些零售商会在该地区进行大量采购,然后再把这些产品转移到其他地区。
基于活动的成本核算系统精确计算库存、特殊处理和运输等成本,因此,这种系统能帮助企业实行天天低价的价格策略。
第五、在货品短缺情况下的处理
面临供应不足时,供应商可以根据顾客以前的销售记录来进行限额供应,而不是根据订购的数量,这样就可以防止顾客为了获得更多的供应而夸大订购量。
在供不应求时,客户对制造商的供应情况缺乏了解,博弈行为就很容易出现,与顾客共享生产能力和库存状况的有关信息能减轻顾客的忧虑,从而减少他们参与博弈,但是共享这些信息并不能完全解决问题。
某些制造商会在销售旺季来临之前帮助顾客做好订购工作,这样他们就能更好地设计生产能力和安排生产进度以满足产品的需求。
由“啤酒游戏”可知:
结构会影响系统的总体行为。
不同的人,置身于相似的结构当中,倾向于产生类似的结果。
但是,参与系统的各个份子,对系统中参与的各个成员的信息不够了解,常常只见树而不见林。
要是身为系统中的一个成员,不够了解其他成员的信息,则对自身信息决策不能进行最优决策。
像啤酒游戏中,不管是下游零售商、中游批发商和分销商、上游生产厂商,每个人都在自己的角色、对自己所能接触的信息,做出最符合本身预期的善意、果决、最佳决策,但结局却是不尽其然,信息不对称,各自理性判断但没有相互协调。
结果就是牛鞭效应无法消除,只能通过信息交流适当减少。
实验2——“风险分担游戏”实验
一、对“风险分担游戏”实验的理解
先对风险分担进行了简单的了解,“风险分担”(riskpoolgame)是供应链管理中的一个重要概念。
风险分担表明在复杂和不确定的销售需求情况下,如果在一个地区内,一部分零售商的需求比地区平均库存高,另外一部分零售商的需求比地区平均库存低,通过风险分担概念,把各零售商的需求联合起来处理,通过高需求和低需求的抵销,可以降低需求的变动性。
游戏模拟两种情况下的供应链环境。
一个是集中仓储并配送的供应链(如图2-1),另一个是分散仓储并配送的供应链(如图2-2)。
在游戏初始界面上半部分是集中仓储并配送的供应链。
即,一个供应商(supplier)服务一个集中配送仓库(warehouse),该集中配送仓库服务三个零售商(retailer)。
被采购的商品需要两个周期(leadtime=2)到达集中配送仓库手中,同时商品可以配送出或留在仓库中。
配送的商品将经过两个周期(leadtime=2)抵达零售商手中,零售商同时尽力满足市场要求,如果缺货将失去订单。
在游戏初始界面下半部分是分散仓储并配送的供应链。
即,三个零售商分别向一个供应商下订单,订单下达后需要四个周期(leadtime=4)到达零售商手中,零售商同时尽力满足市场要求,如果缺货将失去订单。
图2-1集中仓储并配送的供应链
图2-2分散仓储并配送的供应链
上述两条供应链的总仓储成本、商品成本、销售收入被记录和跟踪。
在两条供应链中。
屏幕右边显示的是成本和利润数据,收入(Rev)减去存货成本(Holding)与货物销售成本(COGS)之后,得到利润。
服务水平(FillRate)和周期数(Period)也会显示出来。
商品从订货到交货的时间(leadtime)最少是四个周期。
在集中仓储并配送的供应链中,如果商品没有立刻分配出去这个周期可能会延长。
游戏目标是每条供应链的利润最大化。
二、“风险分担游戏”实验过程
游戏开始之前先进性简单的初始参数设置。
预设参数:
(Play—Options后点击后续的选项。
)
1)每单位产品每周库存成本(holdingcost),每单位商品成本10,每单位销售收入(RevenuePerItem)20。
(图2-3)—Costs
2)首期库存情况如图2-4所示。
—InitialInventory
3)各零售商的需求是独立的,各零售商平均需求是25,需求变动的标准差是10。
(图2-5)—InitialConditions
4)库存管理模式为定量控制系统。
再订货点取决于对四周内需求总和的预测加适度的安全库存。
如图2-6所示,这个策略会显示默认订货和分配的数量。
试验中可以暂且不修改。
—DefaultInventoryPolicy
图2-3参数设置
图2-4游戏初始数据
图2-5需求参数设置
图2-6游戏策略参数
游戏的各项参数设定完了以后开始进行游戏:
在屏幕右下角的命令按钮一开始显示的是StartRound,这说明此时还不能输入订单或是进行分配。
(图2-7为游戏初始界面)当一轮游戏开始后,它将会变成PlaceOrders,此时可以进行订单输入并进行产品分配,所有库存依次递进至下一阶段库存。
所有零售商根据经验预测销售,并尽力满足需求,库存不足时订单将会损失。
游戏中每个零售商面临的需求都是相同的。
图2-7游戏初始界面
之后是进行第一周期下订单。
对集中仓储并配送的供应链,warehouse在左侧方框中输入订单数,并在右侧的三个方框中分配自己的库存以供应三个retailer。
这时,分配总额不得超过自身现有库存上限。
对分散仓储并配送的供应链,订单数直接输入每个retailer左侧的方框中。
对所有的输入,游戏将自动给出一个缺省值。
(如图2-8)
图2-8第一周期库存数据
所有零售商根据经验预测销售,并尽力满足需求,库存不足时订单将会损失。
无论是集中化系统还是非集中化系统,系统中同一位置的零售商所面临的需求是一致的。
同样,需求不能被拖欠,需求一旦不被满足,就会损失掉。
先查看第一周各零售商面临的需求,再对第一周期的订单数据进行决策,如图2-10所示,先查看各个retailer的需求数据。
图2-9第一周各retailer的需求数据
第一周期下订单,对所给定的缺省值进行修改,然后按PlaceOrders。
对集中仓储并配送的供应链,warehouse在左侧方框中输入订单数15,并在右侧的三个方框中分配自己的库存以供应三个retailer,分别填入1、15、20,分配总额不得超过自身现有库存上限。
对分散仓储并配送的供应链,订单数直接输入每个零售商左侧的方框中,分别填入0、10、15。
retailer的库存都发生了变化,对于集中式系统retailer1,其初始库存为36,接受运来的36单位产品,由满足需求6,所以结果为66。
同样集中式系统retailer2的库存为36+36-22=50,集中式系统零售商3的库存为36+36-40=32。
非集中式系统retailer1、retailer2、retailer3的库存分别为34+34-6=62,34+34-22=46,34+34-40=28。
Placeorder前:
图2-10;Placeorder后:
图2-11
图2-10第一周期按Placeorder前
两条供应链的总仓储成本、商品成本、销售收入、满足服务的水平游戏自动计算其结果。
两个系统收入(Rev)都为1360,货物销售成本(COGS)都为680,因为需求是一样的,三个retailer满足的需求总和6+22+40=68,又每单位产品的收入为20,每单位产品成本为10,所以总收入为79*20=1360,总货物销售成本为680*10=680。
每周期单位产品的存货成本为,又集中式系统总存货量441,所以存货成本为441*=,非集中式系统总存货量467,所以存货成本为467*=,利润等于销售收入减去库存成本与商品成本之和,两种系统的利润分别为、。
服务水平即满足率(FillRate)都为100%。
(决策失误,数据产生了负值现象)上述结果显示如下图2-9所示。
图2-11第一周期按Placeorder后
开始第二周期的游戏,同第一周期相同,所有库存依次递进至下一阶段库存。
由于第一周期的失误,第二周期先进行适当的计算,再进行决策。
如图2-12,先查看第二周期的需求。
图2-12第二周期的需求
在现有库存情况下,可以知道三个retailer在第二周期结束以后的剩余库存。
retailer1为65+1-37=29,retailer2为58+15-28=45,retailer3为31+20-37=14。
依这些简单的数据,估计第三周期的需求进行适当的决策。
warehouse在左侧方框中输入订单数7,并在右侧分别填入5、0、20,分配总额跟第一周期一样,不得超过自身现有库存上限。
对分散仓储并配送的供应链,订单数直接输入每个零售商左侧的方框中,分别填入0、0、10。
(图2-13)
图2-13第二周期按Placeorder前
第二周期写订单数据后,按PlaceOrders。
图2-14是第二周期订单完成后的库存状况。
图2-14第二周期按Placeorder后
继续进行实验,直至第十周期,停止。
由图2-15可以查看第十周期的库存状况。
图2-15第十周期库存状况
各周期订单报告如图2-16所示,各周期各零售商需求汇总情况如图2-17所示。
图2-16各周期订单报告
图2-17各周期各零售商需求汇总情况
对实验数据进行简单的计算,并且分析:
通过10周的风险分担实验模拟,我得到了集中式系统和分散式系统的第10周末总收入,总销售成本、总库存成本、利润的比较表,如下图2-18所示。
图2-18集中式系统和分散式系统10周利润、成本、收入比较表
通过图中数据的比较,在系统满足度同时是100%的情况下,可以明显看出集中式系统比分散系统的绩效好。
集中式系统得到的利润比分散式系统的要高很多。
三、总结
风险分担说明了需求汇集会减少需求的变动,因为当把不同地区的需求汇集起来,一个顾客的高需求很可能会被另一个顾客的低需求所补偿。
需求变动的减少使得安全库存减少,从而降低了平均库存。
集中式库存管理模式正是利用这样的模式分担了风险,而在分散化系统中,在不同市场的仓库之间重新分配库存的过程几乎是不可能的。
在安全库存方面,集中式系统相对分散化系统,安全库存会减少。
在服务水平上,由于服务水平的提高依赖于变异系数和不同市场的相关需求度。
当集中式系统和分散式系统拥有同样的总安全库存时,集中式系统的服务水平相对较高。
在管理费用上,由于规模经济的因素,集中式系统相对分散化系统而言,所需要的管理费用较少。
从上述几方面我们可以得出集中式库存管理模式可带来风险分担的优势。
整体来说,对安全库存、服务水平、管理费用、提前期与运输成本等因素的影响决定了集中式优于分散式系统。
因为下周需求的正确数据是不能确定的,所以库存不可能是一直为零而限定。
仓库要有一定的安全库存来控制整个供应链,在此基础上,集中式系统可以看做是进一步的“安全库存”。
进一步要是扩展到电商环境或者是通过互联网交互环境下,利用公共物流信息平台,可以增加三方的联系,更能减少库存超出安全库存或是缺货的情况。
这次游戏也能让我感觉到,端到端的直接性联系必然是重要的,但是中间界的存在有时候会缩短时间,提高利润。
这就是我们现代社会所推崇的各行各业都有中介或是猎手公司存在是必然结果的原因吧。
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 物流 供应 beergame riskpoolgame 实验 报告
![提示](https://static.bingdoc.com/images/bang_tan.gif)