供应链中牛鞭效应的模型与分析.doc
- 文档编号:5337187
- 上传时间:2023-05-08
- 格式:DOC
- 页数:8
- 大小:43KB
供应链中牛鞭效应的模型与分析.doc
《供应链中牛鞭效应的模型与分析.doc》由会员分享,可在线阅读,更多相关《供应链中牛鞭效应的模型与分析.doc(8页珍藏版)》请在冰点文库上搜索。
供应链中牛鞭效应的模型与分析
(2004-04-02)
1引言
牛鞭效应(BullwhipEffect)是供应链管理中的一种常见现象,不同商品,牛鞭效应的成因和形式可能不同。
除了“情人啤酒”、“帮宝适尿布”等典型案例外,图1取自Anderson1996,是一个宏观经济上的例子。
终端产品是汽车生产商,其上游是机床制造商,再上溯则是机床制造商的零件供应者,显然这个例子中也存在牛鞭效应现象。
可见,牛鞭效应的概念已不局限于微观经济组织的供应链上。
到目前为止,研究牛鞭效应的文章不胜枚举,但其研究方法(尤其是定量模型研究)却十分有限,2003以前较普遍的是自回归AR模型也有不少文献提及系统动力学模型,直至2003年才出现用Kalman滤波器模型研究牛鞭效应的论文,因此本文的作者们认为仔细分析、比较这三类定量研究牛鞭效应的模型很有必要,有可能启发后来的研究工作。
2关于牛鞭效应的定量模型的研究状况
最早注意到供应链中这种需求波动逐级放大现象的人是Forrest,他(1961)根据系统动力学理论,对一个三阶段四结点的供应链系统进行分析,描述了不同内部条件下的系统对外部变化或冲击的反应,指出供应链内部的结构、策略和相互作用会导致需求变动的放大。
Sterman的“啤酒博弈”1989则从人的行为研究出发,认为决策者对反馈信息的误解是造成这种现象的主要原因。
此外,一些学者通过模拟分析证实了库存管理方式对供应链信息扭曲的影响。
Towill等通过模拟和证实分析发现需求信息的变化幅度每通过一个环节就会增加一倍1。
因此降低这种需求放大的主要手段就是降低分销商数量,缩短供应链。
Lee、Padmanabhan和Whang1997a、1997b,对需求放大现象进行了全面深入的分析,认为这种现象是理性的供应链成员战略互动的结果,并正式引进了P&G公司提出的术语“牛鞭效应”来定义这种现象。
归纳起来,研究牛鞭效应的文献从内容上可以分为三类:
一是说明这一现象的存在及其危害性的;二是研究导致这一现象的原因的;三是研究这一现象的解决方法的。
从研究方法上来看,研究牛鞭效应的典型模型也可以分为三类,一是以Forrester为代表的系统动力学模型,早期涉及研究;二是以F.Chen等为代表的AR1模型;三是最近出现的用Kalman滤波器模型研究的文章参见J.Chenetal2003。
下文将详细介绍、分析和比较这三种模型在牛鞭效应研究过程中的优劣。
3研究牛鞭效应的三大类典型模型
3.1系统动力学模型
系统动力学由美国麻省理工学院斯隆管理学院的Forrester于20世纪50年代创立,它的基础主要是系统论和控制论,用一组差分方程来描述构成系统的各个组元之间的关系,用计算机对社会大系统进行模拟。
1958年Forrester首先描述了一个多结点的生产分销系统,由于该系统的组织结构、组织政策和其中的延误使得供应链中出现如现在所说的牛鞭效应那样的现象:
消费者需求波动沿着供应链向上游企业逐级放大。
Forrester认为这种现象由系统本身的特性决定。
缓解该效应的补救措施为:
(1)加速订单处理,即缩短提前期,减少延误。
(2)提高信息质量,尽量减少信息传递过程中的扭曲,使得沿着供应链传递的需求信息接近真实的客户需求。
(3)逐步调整库存。
许多学者在Forrester模型的基础上,运用模拟仿真等手段验证了牛鞭效应的存在。
斯隆管理学院著名的“啤酒博弈(beergame)”实验是应用系统动力学说明牛鞭效应的典型范例,sterman将其设计成为一个课堂游戏,四个参与者形成一个供应链,这四个参与者分别是啤酒零售商、批发商、分销商和生产商。
四个角色以独立的身份做出库存决策和订货决策,并且把相邻参与者发出的订单作为唯一的信息来源。
啤酒在供应链各角色之间移动有迟滞。
因此各角色在决策时应该考虑这种迟滞。
模型中规定一批货物需要花三个周期才能到达,而且订单要花一个周期才能到达上游供应者。
模型中使用了啤酒这一大众商品,其实可以是任何商品,只要它经过以上供应过程,用该模型进行模拟,结果都表明在线性成本结构下,订货数量的变化随着向供应链上游的移动而变大。
上游成员总是过分的响应下游的订货需求,导致供应链总成本成倍增大。
由于信息在时间上产生了延迟,订单将不反映当时实际的啤酒需求,决策者也很难对需求进行预测。
这样决策者的订单决策和库存决策也就失去了准确性。
而且它的决策错误可能传给其上游的供应者,进一步造成供应者决策的失误。
实际上啤酒需求的变化已经被放大了,供应者不得不加大库存来应付这种放大的需求,于是该啤酒供应链总成本增加了。
该实验证明了牛鞭效应的存在性,说明了系统结构决定系统的总合行为,应用系统动力学模型的研究者认为:
供应链系统中的牛鞭效应是系统本身结构所决定的。
系统结构影响系统中各角色的行为,不可避免的导致牛鞭效应发生。
3.2AR1模型
F.Chenetal2000引入指标BE=VarSDVarRD来衡量牛鞭效应的严重程度,其中VarSD、Var(RD)分别表示供应商与零售商的需求的方差。
这个指标以极其简明的方式表达出牛鞭效应的不确定性本质,能较科学地描述牛鞭效应的严重程度,BE值越大,牛鞭效应就越严重,供应商遭受的危害会越大。
F.Chenetal2000讨论了在(sS)的库存策略下,采用移动平均和指数平滑的预测方法求BE系数的下界。
为建立模型需求,他们用AR1M模型来假设零售商看到的客户需求是随机的,且具有如下形式:
Dt=u+ρDt-1+εt1.1
其中u为非负常数,ρ是相关系数,误差项εt为均值为零的独立同分布随机变量。
再假定提前期固定不变。
则通过移动平均方法计算得出BE系数的下界:
BE=Var(qMA)1.2
其中,p是移动平均方法中选择的观察期数。
p越大表示用的历史数据越多,处理结果越平滑,使在其他参数不变的条件下,BE系数越小。
通过指数平滑方法计算得出的BE系数的下界如下式:
≥1+(2Lα+)()1.3
其中α是指数平滑方法中的平滑常量,α越小,越平滑。
根据1.2和1.3式分析造成牛鞭效应的两个关键因素,需求预测模型和提前期对BE系数的影响。
(1)前后两期需求相关系数越大,需求波动放大倍数越小。
即ρ越大,BE越小。
(2)提前期越长,BE越大。
若提前期无法减少,则只能利用更多的历史需求数据来减轻牛鞭效应。
(3)平滑指数越高,BE系数越小。
即预测越平滑,牛鞭效应越小。
(4)模型选择不同对BE系数也有很大影响。
为比较移动平均和指数平滑方法对BE系数的影响。
在观测误差相同的情况下,移动平均参数p和指数平滑参数α有如下关系。
α=2.1
在ρ=0的情况下,将2.1式代入1.3式,得到
=1++>1++=2.2
chenetal由此而得出移动平均方法优于指数平滑方法的结论。
3.3卡尔曼滤波模型
卡尔曼滤波器原来是随机控制理论中的一种重要工具,是由R.E.Kalman在Wiener滤波器基础上发展出来的一个最优随机控制理论,其讨论的问题是:
对于一个本身带有“噪音”的动态系统以及一个带有“噪音”的观察器,如何利用来自观察器的有噪音干扰的数据对系统的状态进行辨识即估计并作出最优控制。
J.Chen等将Kalman滤波器模型应用于牛鞭效应分析,根据Kalman滤波器原理,假设
Xt=FtDt+et
Dt=GtDt-1+ut3.1
其中,Xt表示第t期零售商观察到的市场需求,即销售量;Dt表示第t期实际的市场需求;et表示观测误差,服从N0σe分布;ut表示系统误差,服从N0σu分布;Gt和Ft分别是t时间时描述系统的状态变化关系和状态与观察间关系的常数。
为便于比较,本文在假定零售商采取(sS)的订货策略,在提前期L固定的情况下也采用Kalman滤波器作为预测工具,计算出F.Chenetal2000提出的BE指标来考查一个简单二级供应链系统中的牛鞭效应。
(sS)策略下,如果库存量降到一定的订货点yt需求方就订货,订货量qt=S-yt。
订货点yt=E(Dtz3.2
其中z为服务水平,z=0意味着无安全库存,可能造成高缺货率和低客户满意。
设各期的市场需求及其观测值都是服从正态分布的,则可得BE系数的表达式如下:
=L3.3
从该表达式中可以看出,如果不考虑系统误差和观测误差,BE系数主要取决于提前期的长短。
然而事实中,观测误差和系统误差总是不可避免的,导致不同程度的需求方差的放大。
4模型的比较分析
供应链中的供应方企业采取的生产策略有计划式生产(maketostock,缩写为MTS)、订单式生产buildtoorder,缩写为BTO和组装式生产assemblytoorder,缩写为ATO三种。
MTS指企业根据对市场需求的预测、服务水平及库存情况,制订生产计划和物料采购计划,安排生产。
这种策略直接以库存来满足客户订单,因此客户订单的提前期较短。
但是供应方需承受库存成本的压力和预测不准的风险,更何况供应商的预测精度还要受订货方成批订货、价格变动和短缺博弈等原因的影响。
错误的预测扭曲真实的需求信息,并将错误的信息向上游企业传递,导致牛鞭效应。
BTO指企业接到顾客订单后才安排生产;ATO也是接到订单后才安排装配。
表面上,这两种生产策略中提前期较长,供应商不需要对需求进行预测,因而不存在牛鞭效应。
然而,Anderson1996的例子提出了疑问:
汽车的生产机床是按BTO或ATO生产的,为什么也会出现类似牛鞭效应的现象?
解释就只有从汽车行业对自身生产能力发展的预测中寻找。
汽车行业对自己未来销量的预测直接影响到企业对自己生产能力的预测,也就是其上游企业机床生产行业的需求。
由此看来,对需求预测的不准确性是牛鞭效应产生的关键问题。
如果能有效解决需求预测精度问题,则可有效减低供应链中需求信息的扭曲。
有效的预测模型是降低牛鞭效应的重要工具。
供应链中需求方所采取的库存管理策略对牛鞭效应的产生有直接影响。
Chenetal提出的原因中需求方定期更新需求预测做出定购计划就是一种库存管理策略的表现。
需求方通常采用的库存管理策略有(sS)、sQ、sSR、sQR。
其中(sS)、sQ属于永续盘存制,在这两种库存方式中,时间是连续的。
只要库存小于最低库存s立即订货。
sS将订货至最高点S,sQ则按经济批量Q订货。
sSR、sQR属于定期盘存制,即每R个时间盘查一次库存,发现库存低于s,就订货。
订货量与相应的(sS)、sQ相同。
这几种订货策略从长期来看,sSQR都会受到决策者对需求预测的影响。
需求方根据对市场的预测,调整相应库存策略中的参数。
合同订立策略是指供应合同中所规定的物流流动所需要的时间限制和所必须遵循的约定。
包括货物数量,交货时间和付款方式等内容。
实际生活中,合同中规定的内容灵活而具体,视供应双方的合作关系而定。
合同内容反映了供应链中理性双方博弈的结果。
其中的一些人为策略也可能造成需求波动的放大。
如短缺博弈就是一种大家都接受的约定,可以视为一种隐性的合同。
此外,不少供应链中存在赊借、代理等信用关系。
供应链中各结点的决策者基于自己利益的理性决策往往会造成一定程度的人为的需求信息扭曲。
部分供应商根据自己的营销策略,经常会采取先铺货,待销售商销售完成后再结算的方式。
这种体制导致的结果是供应商需要在销售商批发商、零售商结算之前按照销售商的订货量负责将货物运至销售商指定的地方,而销售商并不承担货物搬运费用;在发生货物毁损或者供给过剩时,供应商还需承担调换、退货及其它相关损失,这样,库存责任自然转移到供应商,从而使销售商处于有利地位。
同时在销售商资金周转不畅时,由于有大量存货可作为资产使用,所以销售商会利用这些存货与其他供应商易货,或者不顾供应商的价格规定,低价出货,加速资金回笼,从而缓解资金周转的困境;再者,销售商掌握大数量的库存也可以作为与供应商进行博弈的筹码。
因此,销售商普遍倾向于加大订货量掌握主动权,这样也必然会导致“牛鞭效应”。
供应商如果能对市场需求有较准确的认识,则可以有效避免这种由需求方恶意扩大订货量造成的需求信息的扭曲。
综合上述三个方面的讨论,本文作者认为,有效的需求预测是降低牛鞭效应的关键。
供应链中每个节点都会对需求信息进行了再加工,根据下游企业提供的信息进行预测,然后再传递给上游企业。
科学的预测方法能保证再加工过程的科学性,有效减低牛鞭效应。
4.1系统动力学模型
系统动力学模型采取模拟的方法,系统都是非线性模型,实验的发生形式和条件较接近真实情况,具有较高的可信度,其结果较有说服力。
它形象证明了牛鞭效应的存在性,描述了牛鞭效应产生过程。
这种模型对牛鞭效应发生的原因归结于系统结构,通过对供应链中结构和策略的深入分析,可以辅助决策者调整策略,以适应需求变动来减轻牛鞭效应。
但是系统动力学模型没有预测能力,不能解决各节点企业对需求信息波动的放大问题。
4.2自回归分析的AR(1)模型
AR1模型意识到零售商采取不同的需求预测模型,对上游企业的需求波动放大有直接的影响。
F.Chenetal利用预测结果在简单的供应链系统中考察牛鞭效应,分析其影响因素,对实践有重要的指导意义。
但该模型还存在以下不足:
(1)预测不够科学。
首先是AR(1)模型对需求的模拟假设与实际情况出入较大。
F.Chenetal将前后期需求信息的关系建立在AR1模型基础上(见公式1.1)。
这个模型若应用于实际,显得过于理想,没有充分考虑影响需求变动的因素。
因为该表达式中隐含着假设:
各期需求都具有相同均值(E(Dt)=μ(1-ρ))和相同方差(var(Dt)=σ2(1-ρ2))。
这个假设在产品生命周期逐渐缩短的今天显然是不合实际的。
产品处于生命周期的不同阶段,其需求是明显不同的,不可能具有相同均值和方差。
其次是关于前后两期需求的相关系数ρ不变的假设也过于理想。
模型中引进ρ的目的在于预测时可利用历史数据。
然而,由于现实生活中一些人为因素的影响,历史数据和所预测数据之间的联系不够稳定,不能用一个单一不变的ρ来表示。
对一些价格弹性明显的商品,销售者通过促销战略调节需求时,会发生经常性的变动。
如没有促销活动,每期的销售量就在平均需求附近波动;如果某一时期中有促销活动,该期的销售量就明显上升,到了下一时期,因为促销活动结束且在促销期间顾客有过量购买行为,因此促销期后的一个时期的销售量明显低于平均需求。
每一期的需求增加与否与该期有否促销呈正相关而与上一期有否促销呈负相关。
除此以外,ρ还因企业的其他竞争策略调整而发生变化。
而且,AR(1)模型预测时利用的数据是前期的销售量,与前期的实际需求有一定区别。
如前文所提到的一些需求方从自己的利益角度出发,有可能恶意扩大订货量,使订货量与实际需求发生很大偏差,实际生活中,由于促销等其他因素的影响,产品的销售量与实际需求往往存在较大出入。
通常销售量的波动大于实际需求的波动,把销售量与实际需求等同起来进行需求预测,本身就会扩大需求波动。
显然,AR(1)模型对现实需求的描述过于理想。
模型中未充分考虑导致需求变动的因素,导致需求预测不够科学。
(2)BE系数的下界缺乏说服力。
F.Chenetal将AR1模型与移动平均和指数平滑等需求预测方法结合起来,定量评估牛鞭效应的程度,给出了BE系数的下界,而非下确界。
他们通过比较相同平滑程度下移动平均方法得出的下界比指数平滑法的下界小(公式2.2),得出移动平均方法优于指数平滑的预测方法,显然不够严密。
DeanChatfield2等人曾通过仿真实验得出相反结论。
即在其他各种因素相同的条件下,零售商采取指数平滑方法进行预测所带来的牛鞭效应小于移动平均方法。
4.3卡尔曼(Kalman)滤波器模型
相对于AR1模型,Kalman滤波器模型采用了同样的指标来衡量牛鞭效应,但是Kalman滤波器模型具有良好的过滤“噪声”的性能,能提供更科学的需求预测。
除了供应短缺机制外,该模型对Leeetal.1997a或Chenetal2000a提出的导致牛鞭效应的其它几个因素都有适当考虑。
并包括价格因素和订货分批等因素,甚至一些人为因素的影响。
其科学之处主要体现在以下几个方面:
(1)把市场需求和销售量区分开来。
在以往的研究中,由于需求的不可测性,研究者通常以购买量来代替需求量。
视供应商接到的该期订单为其该期需求,零售商的实际销售量为其市场需求。
而实际生活中,由于价格因素和其他促销活动的影响,购买量有时并不能完全反映市场需求。
卡尔曼滤波器模型对需求的预测建立在销售量历史数据的基础上。
而销售量与历史需求之间的关系可以通过Ft来设置。
因此,利用卡尔曼滤波模型对需求的估计会随着销售数据的增加使估计越加精确,能有效过滤掉价格和促销等手段给需求带来的影响,需求预测更加平稳。
(2)卡尔曼滤波模型是一个动态模型。
Gt和Ft可以逐期更新,所以可以避免1.1式中ρ为常数所带来的不足,更加符合变幻莫测的实际情况。
现实生活中,一些人为原因造成的可预测的因素可以通过修改Gt和Ft来量化。
使得预测不仅考虑了系统误差和观测误差等不可控因素,也考虑了人为可控因素造成的影响,更加接近事实情况。
如若产品处于成长期,则Gt大于1。
而成熟期产品,Gt约等于1,衰退期产品,Gt小于1。
若企业上期采取降价或者其他促销措施,带来销售量的大幅度增加,预测时应适当修改Ft-1的值,把促销因素带来的销售量的增加过滤掉。
不同商品,企业竞争战略对Ft-的影响也不竟相同。
如同样采取降价促销,尿布的销售量与实际需求变化不会很大。
Ft-还是约为1。
而相对啤酒而言,降价促销,可能引起销售量的极大变动。
Ft-可能远大于1。
该模型引入Gt和Ft后,把价格波动等因素都考虑在内,使得预测更加灵活和科学。
把反映需求变动的各项因素都包含在其中,可以较真实的反应需求变动,降低需求扭曲程度。
(3)该模型给出了BE系数的计算式。
相对于AR(1)模型,Kalman滤波器模型给出了BE系数的精确计算表达式,有利于进行确定性的分析和研究。
(4)模型具有较好的可扩展性。
卡尔曼滤波器易于和各种库存策略相结合。
上述F.Chenetal所使用的AR1模型只能把时间划分成相等的时间段,否则其各期需求之间的关系假设就都不能成立。
而卡尔曼滤波器模型则适用于时间长短不同的各期。
只要将前期的Dt-1处理为单位时间的需求而在Gt中考虑定货周期的长度的影响即可。
如t-1期为30天,t期为60天,则对处于成熟期的产品A可设Gt为2。
这样模型就可以与永续盘存制的库存策略相结合了。
5小结
本文分析了科学的选择预测模型对降低牛鞭效应的重要作用。
比较了牛鞭效应的三类模型,系统动力学模型可以辅助决策,但没有预测能力AR1模型过于理想化,预测不够精确,给出牛鞭效应的下界却没有给出下确界Kalman滤波器模型充分考虑导致需求变动的各因素,有效过滤需求预测中的干扰因素,能进行动态的科学预测,能有效降低牛鞭效,是值得提倡的预测方法。
由于牛鞭效应产生的原因众多,卡尔曼滤波器模型还需要结合具体的供应链过程、结构和其中的策略来分析。
关于其中参数的设置,Gt和Ft的更新规则等还有待进一步探讨。
本文作者:
王磊,陈竞先,唐志杰
- 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:
- 供应 牛鞭 效应 模型 分析
![提示](https://static.bingdoc.com/images/bang_tan.gif)