供应链管理中的牛鞭效应研究

{管理信息化SCM供

应链管理}供应链管理中

的牛鞭效应研究摘要越来越大的波动。牛鞭效应导致供应链中巨大的损失:它误导生产计划、导致过牛鞭效应的影响成为提高整个供应链效率，实现供应链管理目标的关键。论文首先采用了定性分析的方法对供应链管理中牛鞭效应的产生机理进行论订货提前期对牛鞭效应的影响，最后据此提出减轻的方法和措施。关键词：牛鞭效应；供应链；回归分析；订货提前期AbstractThebullwhipeffectisademandvariabilityamplificationphenomenoninthesupplychain.Whentheinformationflowpassesfromtheend-clienttotheoriginalsupplierinthesupplychain,theinformationappearsdistortedandprogressivelyenlarges,andleadstothedemandinformationcausesgrowingfluctuations.Thebullwhipeffectcausesmuchlossinthesupplychain:itmisleadstheproductionplan,leadstoexcessiveinventoryinvestment,reducesearnings,reducesthelevelofservice,andcausesinvalidtransportandsoon.Becausetheinherentcharacteristicsofthestructureofthesupplychainleadthebullwhipeffect,soitcannotbeeliminated.Soweakenthebullwhipasmuchaspossibleisthekeyofimprovingtheefficiencyoftheentiresupplychain,andachievingthegoalofsupplychainmanagement.Firstly,thepapermakesasystematicanalysisofthemechanismofthebullwhipeffectinsupplychainmanagementbyamethodofqualitativeanalysis.Thenunderconditionsoftheinformationsharing,itusestheregressionanalysistoanalyzethespecificcase,andfocusesontheleadtime’sinfluencetothebullwhip.Atlastthepaperproposesthemethodsandmeasurestoweakthebullwhip.Keywords:bullwhipeffect;supplychain;regressionanalysis;leadtime目录1绪论11.1研究的背景和意义11.2国内外研究现状21.3论文的研究内容和结构32供应链管理和牛鞭效应介绍52.1基本概念52.1.1供应链管理概述52.1.2牛鞭效应概述62.2牛鞭效应的成因分析82.3牛鞭效应的危害102.4减小牛鞭效应的措施113牛鞭效应量化模型线性回归预测描述153.1线性回归预测法概述153.2线性回归方程介绍163.3牛鞭效应量化模型184案例分析204.1BMW物流介绍204.2数据收集及分析214.2.1非固定周期订货分析214.2.2固定周期订货分析254.2.3原因分析284.2.4解决方法叙述305总结32致谢33参考文献34附录A36附录B431绪论1.1研究的背景和意义进入21世纪以来，随着全球经济化和信息化趋势的增加，全球经济一体化的步伐在加快，竞争也更加激烈。与此同时，由于信息技术和生产技术的提高，业的最佳选择。[1]。牛鞭效应正是供应链中各方成员试图调节供需关系时发生的。供应链上的一种需求变异放大(方差放大)确定因素叠加在一起，将会导致巨大经济损失。对症下药，消除产生的原因都能在一定程度上取得效果。1.2国内外研究现状在。早在20世纪60年代初，Forerster用系统动力学原理，研究了一系列的案以通过改变组织的行为方式加以克服[2]。Burbridge教授(1984)从产业动力学的验，他提出了“5个避免破产的黄金法则”。在这些法则中，他详细地讨论了需求的放大现象以及解决方法。不同于Forrester的研究，Burbridge的工作强调了关键结合点(Sharpedged)流的多级阶段(multi-phasingoftheinformationflow)[3]。Towill场需求变化的预测幅度几乎是最初的8效应，而有些机制不会导致这种现象[4]。牛鞭效应研究的一个里程碑式的进展源于著名的“MIT啤酒游戏”的提出和研究。J.D.Sterman系统地描述了这个游戏：参与者在游戏中分别扮演一个啤酒销售供应链中的不同角色()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[5]。对牛鞭效应研究最深入的是H.L.Lee领导的研究小组。H.L.Lee支持经济学弈，并且分别建立不同的模式来证明其观点[6]。在Lee之后的研究中，Cachon和Lariviere进一步研究了短缺博弈问题[7]；Kelle和Milne进一步研究了订单批量问题[8]；Cachon、Ricardo、Lambert及Copper技术以及相应的信息共享问题上[9]。EDLP到抑制牛鞭效应的效果。—信任的逐步加深过程[10]。()对牛鞭效应的影响;提出了基于不同水平层次和垂直规模组合的四种供应链结构：链状结构、持成员的办法来确定适当结构从而削减牛鞭效应的措施[11]。常规库存，库存量多，面对需求波动的应变能力则较弱。在较长的交货期间内，订货量等，增加了整个系统的不确定性[12]。1.3论文的研究内容和结构应的影响，同时提出了缓解牛鞭效应的对策。本文的结构和主要内容如下：第一章介绍牛鞭效应研究背景和意义以及国内外研究现状。链管理的特点和目标，牛鞭效应的概念、产生原因、危害以及缓解措施等。第三章线性回归预测模型的描述，牛鞭效应的量化分析。况中的牛鞭效应现象进行分析，并对该企业进行分析，提出缓解措施。第五章对论文进行总结。2供应链管理和牛鞭效应介绍2.1基本概念2.1.1供应链管理概述构（见图2.1）。供应商的供应商用户的用户供应商用户核心企业需求物流源信息流资金流图2.1供应链结构从图2.1中可以看出，供应链由围绕核心企业的供应商的供应商、供应商、至包括顾客。供应链上的每个环节都含有“供”和“需”两方面的含义。例如，制造商的销售部门是分销商的供方，但又是生产部门的需方。如图2.2所示。供应制造装配分销消费信息流供应商的供应商供应商核心企业用户用户的用户图2.2供应链节点企业关系《中华人民共和国国家标准物流术语》（GB/T18354—2006）对供应链管理供应链管理发端于20世纪80年代的制造资源计划（MRPⅡ），然后经历准时生产制（JIT90年代进入精细生产和精细供应，21世纪初进入供应链管理阶段（见图2.3）。20世纪80年代20世纪90年代21世纪制造资源计划准时生产制精细生产和精细供应供应链管理阶段•推动式系统•拉动式系统•消除浪费•快速响应•物料采购以可•来自最终用户的固•存和在制品占用最•供应具有柔性分配需求为基础定需求量小•顾客化定制生产•消除安全库存•生产能力与需求匹•成本在供应链上透•与最终需求同步和周转库存配明生产•依赖于相关订•固定的生产协作单•多技能员工•受控的供应链过货计划和可靠的位•减少工件排队程预测•柔性的制造系统•调整转换时间很短•合作伙伴间的能•通过变动对供•相似产品范围很小•多品种小批量生产力是集成的应商需求实现柔•经济生产批量很小•每一个阶段连续改•全面应用电子商性•供应商提前期很短进务并行的产品开发图2.3供应链管理的发展阶段供应链管理的实质就是使供应链节点上的各相关企业充分发挥各自的核心社会分工体系。最优化[13]。2.1.2牛鞭效应概述链管理专家Haul.Lee教授称为“牛鞭效应”（bullwhipeffect）。是指就是赶牛或牲口用的粗而长的鞭。在供应链管是对需求信息扭曲在供应链中传递的一种形——批发商——分销商——曲越来越严重。2.4扭曲的放大作用在图形上很像一根甩起的赶牛鞭，因此被业界人士形象地称为的不确定因素叠加在一起，将会导致巨大经济损失[14]。需求量需求量需求量需求量时间时间时间时间客户需求VS时间零售商需求VS时间批发商需求VS时间生产商需求VS时间图2.4“牛鞭效应”中需求逐级放大而造成客源流失和支付违约费用。牛鞭效应有时称作“蝴蝶效应，它是形容北京的一只蝴蝶扑扇一下翅膀引起了佛罗里达的风暴[15]企业出现了这种现象，导致整个国家的生产能力过剩——所说的“库存加速器理论”。2.2牛鞭效应的成因分析从20世纪中期开始，学术界和企业界就注意到了牛鞭效应的存在及其对供上。1997年，Lee等发表在ManagementScience(1997a)和SloanManagementReview(1997b)上的两篇论文从理论上较为清楚地解释了牛鞭效应产生的原因与影响因素。Lee支持经济学家的理论，指出牛鞭效应起源于管各环节作为一个整体来研究，指出了产生牛鞭效应的四种原因：需求信号处理、Lee的研究，介绍牛鞭效应产生的这四种原因以及产生牛鞭效应的其他几个因素。1、需求信号处理人为的调整。例如，在市场销售活动中，假如零售商的历史最高月销量为1000加A%，于是他向其上级批发商下订单（1+A%）1000件。批发商汇总该区域的销12000B%产商下订单（1+B%）12000件。生产商为了保证批发商的需货，虽然他明知其中有夸大成份，但他并不知道具体情况，于是他不得不至少按（1+B%）12000件投一层地增加预订量，导致“牛鞭效应”。2、批量订货提高订货量，这样，由于订货策略导致了“牛鞭效应”。3、价格波动商组成的供应链为例，当促销活动在某个时间段开始时，零售商会通过对库存、变动而变动的订单并不能反映其真实的需求，因此，导致牛鞭效应也是必然的。4、短缺博弈际需求，即产生牛鞭效应。当需求降温或短缺结束后，大的订货量又突然消失，这就会使牛鞭效应更加明显。5、牛鞭效应的其他产生原因鞭效应。（1）环境变异它的最主要的手段是持有高库存，并且库存量随着不确定性程度的提高而加大，但这种高库存所代表的并不是真实的需求，因此也就引发了牛鞭效应。（2）经营中的产品销售权与控制权的分离零售商普通倾向于加大订货量，从而加剧了订货需求，产生牛鞭效应。（3）供销企业之间缺少协作互通有无和转运调拨，只能各自持有高额库存，这也会导致牛鞭效应。（4）订货提前期的加大交货日期留有一定的余地，这样就为提前期预留了一个“安全期间，因而持有较长的提前期，而逐级的提前期拉长也就加重了牛鞭效应。缺乏有效地信息沟通产生牛鞭效应也是不可避免的[17]。2.3牛鞭效应的危害中各相关企业的整体竞争力，最终使每个供应链的成员蒙受损失。牛鞭效应给企业所造成的危害具体如下：1、牛鞭效应增加了生产成本。制造商通常以下游企业的订单进行产品预测，动性的顾客需求订单流，为了应付这种增大的变动性，公司要么扩大生产能力，要么增加库存量。但这两种做法都会加大单位产品的生产成本。2、增加了库存成本。由于牛鞭效应的存在，上游企业的订单会在下游企业确定性。供应链上的各节点企业通常会拥有大量的库存以应付需求的不确定性，这势必增加了企业的库存。牛鞭效应引起的库存增加，占用了企业资金。同时，高水平的库存还增加了必备的仓储空间，从而导致了库存成本的增加。3、增加了供应链的运输成本和送货与进货相关的劳动力成本。公司及其供劳动力，但是无论是哪种选择，都会增加劳动力总成本。4、延长了供应链的补给供货期，降低产品供给水平。由于牛鞭效应增加了5、给供应链中每个节点企业的运营都带来负面影响，从而损害了供应链不间得互不信任，从而使潜在的协调努力变得更加困难。供应链的运作效率低下，从而导致供应链整体利润下滑。2.4减小牛鞭效应的措施结构及其相关过程加以必要的改进。1、实现信息共享这是减小牛鞭效应最有效的措施之一。供应链成员之间通过Internet/EDI5.1所示。零售商图5.1供应链中信息共享与集成示意图在集成信息模式中，供应链中的所有信息都实现了共享，些信息反映的是顾客信息集送所导致的信息失真或延迟的成中心的共同发展。2、提高预测的精确度基础数据并进行协作预测，则会进一步提高预测的准确性。3、准确把握下游企业的需求动态4、稳定价格期内(如一年内)，按总的采购量来制定折扣政策，它可以使得每次的批量减少；少牛鞭效应。5、对订货进行分级管理生的概率。可以有效地降低牛鞭效应。6、采用供应商管理库存或联合库存的方式，合理协调与分担库存鞭效应。7、缩短订货的提前期26周进货，需求预测误差为40%16周进货，需求预测的误差为20%售时节开始时进货，则需求预测误差为10%。因此，缩短提前期能够显著地减小其专业化的服务来缩短提前期，减少运输中的风险[17]。8、建立战略伙伴关系和信任，及时沟通信息阶段的信任和良好关系可以减少重复努力，降低交易成本，导致减少牛鞭效应。效应的机会。3牛鞭效应量化模型线性回归预测描述3.1线性回归预测法概述济现象进行预测。通过建立变量之间的回归方程，并将回归方程作为预测模型，来实现对物流量的预测。在回归分析预测过程中，我们一般应关注以下几个基本问题。1、变量间相关关系的定性分析分析，而不是不加分析地将两个或多个时间序列资料放在一起进行定量分析。2、变量因果关系的确定现象之间的数量因果关系，什么是“因，预测前必须明确。量间关系的具体确定主要包括数学模型的选择和显著性检验两方面。（1）数学模型的选择线性相关关系，下面的分析就选择一元线性回归模型。（2）回归方程与回归系数的显著性检验主要有相关系数检验、t检验和F检验。对一元线性回归模型进行显著性检验时，可任选一种。下面介绍一元线性回归预测的方法。3.2线性回归方程介绍1、回归方程的建立采用一元线性回归分析，即在回归分析中有两个变量、,其一元线性回归方程可表述为：（3.1）对于含有n组、变量的方程，其可表述为：（3.2）式中：,——回归方程的参数；——自变量；——因变量；——剩余残差项或称随即扰动项。定性影响，可代表随机变量，服从正态分布。对式（3.1）两边去数学期望，即：（3.3）记为（3.4）对（3.2）取方差（3.5）实际上，，，都是真实存在的参数。回归分析的内容之一就是通过样本值（，）将其估计出来。回归方程的确定，实质上是要求出待定参数,,若,求出来了，回归方程也就是唯一确定的。2、参数估计配合一条较为理想的趋势线，这条趋势线必须满足以下要求：（1）原数列的观测值与模型估计值的离差平方和为最小；（2）原数列的观测值与模型估计值的离差总和为0。我们根据最小二乘法的要求，令残差平方和(3.6)最小二乘法的意义在于使达到最小。根据最优化原理，有(3.7)求解方程组，得与的估计值：(3.8)(3.9)的无偏估计量：。这里，。参数,确定后，有，我们称为总离差，称为剩余或残差，称为回归。;称为回归离差平和，其自由度为1余离差平方和，自由度为。3、模型显著性检验（1）相关系数检验相关系数的定义如下：(3.10)显然。相关系数的绝对值的大小表示相关程度的高低。①当=0时，说明与完全不相关，所求回归系数无效。②当时，说明与完全相关，自变量与因变量之间的关系为函数关系。③当时，说明与是部分相关，越接近1，与线性相关度越好。为微弱，为低度，为显著，为高度相关。（2）检验性。取统计量为：(3.11)服从参数为的分布，即，然后在给出的显著水平下=0.05，按自由度，查分布表，得临界值。若>，说明回归效果显著；若<，说明回归效果不显著[18]。3.3牛鞭效应量化模型所谓牛鞭效应是指供应链中的零售商向供应商的订货量与其实际的销售量不一致。一般地，发给供应商的订货量，其方差大于销售给买方的（即需求扭量的方差与需求的方差的比值来描述牛鞭效应[19]业，其对市场需求的放大程度（即牛鞭效应），可以表述为：牛鞭效应=(3.12)式计算：=(3.13)性越大，供应链中牛鞭效应越严重，对生产企业的危害越大。4案例分析4.1BMW物流介绍生产所需的千万种零件器材。BMW公司每天装配所需的零件由上千家供应商来提BMW品牌汽车的制造、销售和售后服务。在汽车组装零件的送货控制中，最重要的是提出订货需求，也就是把货物的需要量和日期通知物流采购中心。BMW在生产规划过程中，可以针对10个月后所需提出订货需求，供货商也可藉此预估本才会更明确地知道需要量。1、在定单方面，BMW已在挖掘“当日需要量”潜力要求相当严格，因此适用在大量，高价值或是变化大的零件。BMWBMW工厂之前的取货并停放在转运点的过程称为“前置运送，而第二阶段送达BMW工厂的步骤称为“主要运送”。过去几年里，BMW公司已把根据生产顺序所需的订货方式最BMW公司目前积极对此项最佳化进行研究。2、在仓储方面，BMW已在处理低存货带来的运输成本为了降低BMW货商送货频率的提高，造成货运成本提高。“前置运送的费用与货物量成正比，不受送货次数影响。大多数供货商接到BMW前置运送所需成本。同时也考虑各工厂间整合性仓储设备及运送的供应链管理、最佳化，而是以整体成本为决定的依据。3、供应链方面，BMW已把合作伙伴纳入成为考量因子BMW公司把其供应链上的合作伙伴（如运输公司等），纳入成本节约的考量BMW公司替多个BMW工厂送货，则必须安排送货先后次序，以达成本最佳化。此外，等待进货时间。事实上在这个BMW整个物流供应链里，提高竞争力的最佳利器[20]。4.2数据收集及分析4.2.1非固定周期订货分析由上述介绍知道BMW的波动。具体数据如下表4.1。表4.1非固定订货周期需求信息表日期项目订货量当前库存需求量提前期10.08.2012SchLneN08/00010352402360314.08.2012SchLneN08/00010352394360417.08.2012SchLneN08/00010352387357321.08.2012SchLneN08/00010352382357424.08.2012SchLneN08/00010352377357328.08.2012SchLneN08/00010440372357431.08.2012SchLneN08/00010440455399304.09.2012SchLneN08/00010352496414407.09.2012SchLneN08/00010440431391311.09.2012SchLneN08/00010440457392414.09.2012SchLneN08/00010352483391318.09.2012SchLneN08/00010440421391430.10.2012SchLneN08/0001079274828706.11.2012SchLneN08/0001079238824713.11.2012SchLneN08/000108806818720.11.2012SchLneN08/0001079268818727.11.2012SchLneN08/0001088042835704.12.2012SchLneN08/0001079287822711.12.2012SchLneN08/0001079227822718.12.2012SchLneN08/0001088085822728.12.2012SchLneN08/0001016216316541129.01.2013SchLneN08/0001015847515791126.02.2013SchLneN08/000105984559122826.03.2013SchLneN08/0001056327756922826.04.2013SchLneN08/0001058961759132828.05.2013SchLneN08/000105456054542825.06.2013SchLneN08/000101848218132826.07.2013SchLneN08/0001061603761382827.08.2013SchLneN08/00010539959545828析结果。因此从上述信息中随机选出各订货提前期中的一组数据，如表4.2：表4.2非固定周期订货提前期信息表需求量订货量订货提前期3603523414440482279271579158411通过作散点图进行分析，如下图4.1、4.2。图4.1需求量与订货提前期关系图图4.2订货量与订货提前期关系图期与需求量、订货量之间近似成线性分布关系。下面运用Excel功能对上述数据作线性回归分析。首先是需求量与订货提前期分析。自变量为订货提前期，因变量为需求量。建立回归方程Excel数据分析如下图4.3：图4.3需求量回归分析“回归统计”中MultipleR为相关系数；RSquare为可决系数R2；AdjustedRSquareσ的点估计值，该值可用于求Y的预测区间和控制范围。方差分析表中SignificanceF为对回归方程整体拟合效果的b值假设检验，即PbSSdfP-value为P值，即所达到的临界显著水平。最后部分给出的是各回归系数及对回归系数的显著性检验结果。InterceptCoefficients标准差的估计；tStat为对回归系数进行t检验时t统计量的值。下限95%和上限95%分别给出了各回归系数的95%置信区间。显然=－487.3,b=208.8回归方程为：相关系数r=0.996>0.8,说明x与y高度相关。显著性水平，查F分布表[21],=10.1<F=393.9,说明回归效果显著。同时对b值假设检验，在x这一变量的检验中p-值为0.00028货提前期对需求量有显著影响。接下来对需求提前期和订货量进行分析，如下图4.4所示。图4.4订货量回归分析则回归方程为：x和订货量y实际计算得到的回归方程，则牛鞭效应=计算值=1.0634>1,效应现象。上述两个变量的回归方程中订货量的斜率208.9>需求量的斜率208.8，由此可以看到，此种零件的订货量和需求量的差距将逐渐加大，其不一BMW供应链管理存在着问题，如果像这样长期发展下去，会给企业带来很大的危害。4.2.2固定周期订货分析期提前7求量，同时也依据以往的生产状况。具体信息如表4.3。表4.3定周期订货信息表日期项目订货量库存需求量提前期30.08.2012SchLneN03/0001084053871006.09.2012SchLneN03/0001082056181713.09.2012SchLneN03/0001083055382820.09.2012SchLneN03/0001096055582827.09.2012SchLneN03/00010840691824704.10.2012SchLneN03/00010830112041111.10.2012SchLneN03/00010820835111518.10.2012SchLneN03/0001082082981625.10.2012SchLneN03/0001083082782201.11.2012SchLneN03/0001082083282508.11.2012SchLneN03/0001082082482815.11.2012SchLneN03/0001082082082422.11.2012SchLneN03/0001084082281829.11.2012SchLneN03/0001082084481806.12.2012SchLneN03/0001082082983513.12.2012SchLneN03/00010820827822由于10月初可能是由于假日的原因需求量减少，为了追加产量之后的几天析，见表4.4。表4.4固定提前期订购信息表订货量需求量订货提前期8407108208178308289608288408248208168308228208257820828820824840818820818820835820822用Excel中的“插入函数”中的VAR(估计基于给定样本的方差)功能，对相应数据进行分析。订货量方差计算结果如下图4.5：图4.5订货量方差计算需求量方差计算结果如下图4.6：图4.6需求量方差分析这些数据序列所反应的牛鞭效应为：=息不一致性变大，可导致企业成本增加，库存加剧等问题。4.2.3原因分析BMW公司供应链管理中存在牛鞭效应现象。物料订购方面，公司根据物料的性质（JISJITBULKSAP物料信息BMW上述情况。1、零件订货方式及供应商管理方面欠佳BMW最为常见，由于能享受如此待遇。宝马供应商上千家，仅有十几家重要零件的供应商常驻BMW，信息这么简单的事情，还要找物流人员帮助。2、部门之间存在脱离现象统，只能报废处理。如下表4.5所示零件由于cubing项目取消使用此零件，但只好把好好的零件做到报废区。表4.5Cubing项目取消零件表DSNRPartNo.RemarkQty22-027315NOneedreorderforcubing2U3、重复报件报到系统内进行报废处理，物料人员通过统计DSNR号对这种情况进行订购。表4.6U是培训师芦家鹤的员工号，他负责2128线32128息DSNR及时补充订货。这样，重复报件信息没有被及时发现，物料部门加之当于订购量超出生产所需，多出的零件堆放在库房里，增加各项成本。表4.6重复报件零件表DSNRPartNo.RemarkQtyTimeDate94-02E840912VS2总装L28线报件1U12:34:0823.03.201283-02E840912VS2L21线报件1U10:16:5424.03.20124、系统重复下需求或需求区域出错出现重复供线的现象，如公司生产的T-car验证车中红色车身的3系车仅2台，却有44.7题：生产延迟、重新下需求、零件放置不用等。表4.7需求区域出错零件表RequiredNo.PartNo.RemarkQtyFit-01小油管10L2100615、物流盘点不及时问题。盘点出来的差异零件还需要质量人员判定可不可用，可用才可做入系统，入库处理。上述重复下需求和需求出错的情况，正是没有及时由质量人员判定，没能重新做入系统，导致资源的浪费。6、生产信息不一致pickinglist(拣选单)和bomlist（装车单）。物流人员根据拣选单给生产线供应每日所需零件，总装人员持有装车单。但由于两种清单制作流程不同，致的情况。零件号为7-04*10,-04*10的零件在F350113的AAB(单车用量)们订购了放在TIP1pickinglist有，实际也需要，那么pickinglist应该是错误的；如果库存有，实际不需要，那应该是bomlist错误，订的零件又剩了。4.2.4解决方法叙述1、上述案例分析中，非固定周期订货的牛鞭效应量化值为1.0634，牛鞭效应现象比较小；固定周期订货其值为1.425，其牛鞭效应现象相对严重。企业最18同时，需要把供应商作为他们的一份子，BMW工作人员和供应商共同管理库存数据，供应商可以调节其订货，以响应零售商的异常低或高的库存。2、部门之间应该协同合作，有效沟通。物料规划和实物物流不可分开，可总通知物料规划。3、重复报件主要是人为原因。需要对工作人员加强生产管理培训，培养正零件一个单据一个DSNR号。4、重复下需求或需求区域出错，主要是因为系统存在某些问题。需要对相严重，系统重复下需求更改不掉，需联系相关技术人员，对系统进行及时维护，资的浪费对如此大型企业是多么的愚蠢。5、物流盘点方面要重新安排工作细节。做到平时必小盘，定期要大盘。同时需2~3天小型盘点库，也可进行报废处理，根据零件性质处理。6、由于装车单和拣选单所导致的问题，我认为是可以避免。制定清单的人乱。应也会得以缓解。5总结进入21世纪以来，面对日益激烈的市场竞争和顾客需求的不断变化，供应弱牛鞭效应成为供应链管理问题研究的一个重要课题。究具有重要的理论意义和实际意义。描述，分析了供应链管理的起源和发展过程，剖析牛鞭效应的产生机理与危害；其次提出了一种供应链牛鞭效应的研究方法,即线性回归分析方法。通过具体的的方式，合理协调与分担库存、缩短订货的提前期和建立战略伙伴关系和信任，及时沟通信息等方法与对策，都能很好的控制和减弱牛鞭效应。的内容较多，本文仅就其中的牛鞭效应产生原因和减少措施等问题进行了研究，论文还有许多不足和有待于完善的地方。致谢感谢沈阳理工大学四年来对我们的培养，让我掌握了大量的科学文化知识，力帮助，很顺利地收集到撰写论文所需的信息，在此对BMW公司表示感谢。困惑。衷心感谢四年来陪伴我们一起走过的老师，是他们教给我丰富的专业知识，是我时刻铭记在心的，由衷的感谢老师们！谢谢！的感谢！参考文献[1]陈兵兵.SCM供应链管理—.机械工业出版社，2004227~230[2]王磊.陈竞先.唐志杰.供应链中牛鞭效应的模型与分析.供应链管理.2004：41~43[3]张钦，达庆利.东南大学学报.2004，20：110~111[4]Towill,IndustrialDynamicsModelingofSupplyChain.InternationalJournalofPhysicalDistribution&logisticsManagement，1996,26（2）：23~42[5]李一峰，宣慧玉，武红江.供应链中牛鞭效应的模拟研究.物流科技.2002，25：12~14[6]H.L.Lee，V.Padmanbahan，S.Whang，Bullwhipeffectinasupplychain，SloanManagementReview,1997，38：93~102[7]Caehon,GerardP.;Lariviere,MartinA..CapacityAllocationUsingPastSales:WhentoTurn一and一Earn.ManagementScience，1999，45(5)：68~704[8]Kelle,P.,AlistairMilne.TheEffectof(s,S)OrderingPolicyontheSupply.JProductionEconomies，1999，59：113~122[9]Lambert.D.M，CooPer.M.C，&pagh.J.SupplyChainManagement:ImplementationIssuesandResearchOpportunities.TheInternationalJournalofLogisticsManagement，1998，9(2)：1~19[10]马新安，张列平，田澎.供应链中的时滞.系统工程理论与实践.20025(597~102[11]万杰，王楠．供应链结构对牛鞭效应的影响研究．西北农林科技大学学报（社会科学版)，2001.5[12]孙元欣．供应链长鞭效应的模型与分析．上海大学学报(自然科学版)，2001.3[13]甘卫华，曹文琴.现代物流基础.北京：电子工业出版社，2010，1：26~37[14]黎继子．供应链管理．北京：机械工业出版社，2011，1：181~183[15]李平丽.供应链牛鞭效应的理论研究与实证分析.武汉理工大学硕士学位论文.2003：11~12[16]SengePM.TheFifthDiscipline［M］.NewYork：Doubieday，1990[17]赵秋红，汪寿阳，黎建强.物流管理中的优化方法与应用分析.版社，2006：230~239[18]陈立，黄立群.物流运筹学.北京理工大学出版社，2008，7：17~24[19]罗新星,吴羽中.供应链中牛鞭效应的定量分析与有效控制.科技进步与对策,2006，7：156~159[20]张庆英．物流案例分析与实践．北京：电子工业出版社，2010，4:166~167[21]盛骤，谢式千，潘承毅.概率论与数理分析.北京：高等教育出版社，2008，6：387~391附录ABullwhipEffectinSupplyChainsDrStephenDisneyCardiffBusinessSchool,CardiffUniversityAbstractWereviewarangeofmethodologicalapproachestosolvingthebullwhipproblem.Thebullwhipproblemisadynamicconsequenceofsupplychainstructuresandreplenishmentpolicies.Therolesofthestructureofthedemandprocess,thetreatmentoftime(continuousvdiscrete),forecastingtechniquesandlead-timeswillbereviewed.Inpractice,andinthetheory,avarietyoftechniqueshavebeenusedtosmooththedynamicsofsupplychains.Theseinclude,theuseofsophisticatedforecasting,poolingofdemandandinventories,proportionalfeedbackcontrollersandfull-statefeedbacksystems.Multi-echelonsupplychainsalsopresentanumberofinterestinginnovations.Fromthetraditional,arms-lengthtradingrelationships,informationsharing,vendormanagedinventoryandechelonstockpoliciescanbedeveloped.Moresophisticatedcollaborationandco-ordinationmechanismsmayalsoleadtoaltruisticbehaviorandresultinsuperiorperformance.Theimpactoftheseprocedureswillbeexamined.Finallythoughtsonnewdirectionsinbullwhipresearcharepresented.Keywords:Bullwhip,supplychains,inventory,multi-echelon,order-up-topolicyA.1Introduction:ThebullwhipeffectinsupplychainsThebullwhipeffectisadynamicalphenomenoninsupplychains.Itreferstothetendencyofthevariabilityofordersratestoincreaseastheypassthroughtheechelonsofasupplychaintowardsproducersandrawmaterialsuppliers.Aclassicexampleoftheeffectisbabynappiesordiapers.Babiesarefairlyregularintheiruseofnappies-theyhaveanewnappy(almost)everytimetheyfeed.Sure,thereisseasonalvariationinthebirthratesasmorebabiesareconceivedinspring(whenmalespermcountissignificantlyhigherthaninanyotherseason;howeverthisisnotgloballyconsistentandthenthereissomedebateovertheroleofbothtemperatureandthedaylength).Neither-the-less,thisseasonalvariationissmallparedtothewidelyfluctuatinganderraticproductionratesexperiencedbythediapermanufactureraftertheordershavepassedthroughthesupermarketsanddistributioncenters.Therearevariousmeasuresofthebullwhipeffectproposedintheliterature.Themostmonmeasureistheratioofthevarianceoftheorderratetothevarianceofthedemandrate,seeequation(A1).Itisthemeasurethatwewillfocusonherein,andworksbestforstationary,stochastic,discretetimedemandprocesses.Howeverthereareothermeasures.Standarddeviationscouldbeusedinstead.Indeed,aswewillreveallater,thisismorenaturalwhentheeconomicsofthebullwhip(andinventory)areconsidered.Another(practical)measureisratiosoftheco-efficientofvariation(COV=variance/mean)oforderanddemandrates.Thisisausefulmeasurewhentherearemultipleproductsgoingthroughmultipleroutestomarketandsomeparisonisneededacrossdifferentproducts,businessesorroutestomarket.(A1)Bullwhipcreatesunstableproductionschedules.Theseunstableproductionschedulesarethecauseofarangeofunnecessarycostsinsupplychains.Companieshavetoinvestinextracapacitytomeetthehighvariabledemand.Thiscapacityisthenunder-utilizedwhendemanddrops.Unitlaborcostsriseinperiodsoflowdemand,over-time,agencyandsub-contractcostsriseinperiodsofhighdemand.Thehighlyvariabledemandincreasestherequirementsforsafetystockinthesupplychain.Additionally,paniesmaydecidetoproducetostockinperiodsoflowdemandtoincreaseproductivity.Ifthisisnotmanagedproperlythiswillleadtoexcessiveobsolescence.Highlyvariabledemandalsoincreaseslead-times.Theseinflatedlead-timesleadtoincreasedstocksandbullwhipeffects.Thusthebullwhipeffectcanbequiteexasperatingforpanies;theyinvestinextracapacity,extrainventory,workover-timeoneweekandstandidlethenext,whilstattheretailstoretheshelvesofpopularproductsareempty,andtheshelveswithproductsthataren’tsellingarefull.Therearevariouscausestothebullwhipeffect.Lee,PadmanabhanandWhang(1997)madeground-breakingcontributionsandre-ignitedinterestinthesubject.Theirmaincontributionwastoanalysesfourdifferentcausesofthebullwhipeffect;batching,shortagegaming,lead-timesanddemandsignalprocessing.However,thereareothersourcesofthebullwhipeffect.Togetherdemandsignalprocessing(thewaythatreplenishmentdecisionsaremade)andtheimpactoflead-timeshavepreviouslybeencalledtheForresterEffect.Wewillmainlyfocushereinonthebullwhipproblemsgeneratedbytheso-calledForresterEffects.A.2MethodologicalapproachestosolvingthebullwhipproblemThebiggestdecisiontomakeiswhethertostudythebullwhipproblemindiscreteorcontinuoustime.Indiscretetime,systemstates(demandrates,inventoryandWIPlevels)andreplenishmentordersaremadeattheequallyspacedmomentsoftime.Inbetweenthesemomentsoftime,nothingisknownaboutthesystem.Incontinuoustimethesystemsstatesaremonitoredatallmomentsoftimeandtheorderrateiscontinuouslyadjusted.Neitherrepresentationoftimeisincorrect;itisjustthatonerepresentationoftimemaybemoresuitableforagivensituationthantheother.Forexample,inagrocerysupplychain,supermarketstotalupdemandthathasoccurredduringtheday,areplenishmentorderisgeneratedandadeliveryisdispatchedfromthedistributioncentreovernight.Thisscenarioisverysuitableforadiscretetimeanalysis.Apetrochemicalplant,ontheotherhand,maybeabletocontinuouslyadjustitsproductionofdifferentgradesofproducttoreflectthecurrentdemandratesforeachgrade.Thistypeofscenarioismoreamenabletoacontinuousanalysis.A.2.1ContinuoustimemethodsTheLaplacetransformwasoriginallydevelopedbyLaplaceandEulerinthe17thcenturyforstudyingtheorbitsofplanets.However,electronicengineershavedevelopedawholerangeoftools,looselytermedcontroltheory,forstudyingcontinuoustimesystemsbasedonLaplacetransformedtransferfunctions.Thesetransferfunctiontechniquesworkverywellifthesystemislinear,timeinvariant(LTI-amonassumption)andthesystemhasnoinitialconditions(IC).Simon(1952)seemstohavebeenthefirsttoapplytheLaplacetransformtoaproductionandinventorycontrolproblem.TransformapproachesworkwellinSingleInputandSingleOutput(SISO)scenariosasthenonlyasingletransferfunctionisrequired.Transformsalsocontainpleteinformationaboutfrequencyresponseofthesystem.Interestingly,thetransformsthatdescribecashflowsaredirectlyrelatedtotheNetPresentValueofthatcashflow.IfthetwoassumptionsofLTIandzeroICdonothold,thentheanalyticalapproacheshavetoresortbacktothe(non-linear)differentialequationforms.Unfortunatelythereisno“standardapproach”foranalysisofsuchsystems.Indeedmanysystemshavenoknownsolution,andevenwhenwecanobtainasolutionthereisoftenaninfinitenumberofthem,oneforeachsetofICandnon-linearity.Lineardifferentialequationsarealsoreadilyhandledbystate-spacetechniques.Theseareessentiallymatrixrepresentationsofsystemsofequations.State-spacemethodsareespeciallygoodathandlingMultipleInput,MultipleOutput(MIMO)systemsandcanbeeasilyextendedtoincludenon-zeroIC’s.Anotherimportanttypeofsystemisknownasthedifferential-delayequation.Thesearesystemsthatcontainapuretimedelayinthem(assupposedtoalag,whichcanbereadilyhandledbydifferentialequationsandLaplacetransforms).Puretimedelaysoccurinsupplychainsettingswhenthereisatransportdelay,whereaslagshavebeenshowntobeagoodrepresentationoffactoryoutputwhentherearemultiplestagesofproduction.Theprincipleproblemwithdifferential-delayequationsisthattheygenerateaninfinitenumberofplexsolutionstothecharacteristicequationandthushaveatranscendentalnature.However,theLambertWfunctionhasbeensuccessfullyappliedtoobtainsolutionstodelaydifferentialequations.TheLambertWfunctionistheinversefunctionoff(w)=wew.Thegeneralstrategyistore-arrangetodifferentialequationtomakeitlooklikeY=XeXandthenusetheWfunctiontoprovidethesolution,X=W(Y).A.2.2DiscretetimemethodsThediscretetimeanalogueoftheLaplacetransformisthez-transform.ItwasdevelopedindependentlybyscholarsfromtheUKandRussiaduringtheSecondWorldWarforcontrollingsuchthingsradarandguntargetingsystemsandotherapplicationsthatinvolvedthenewlyavailabledigitalputers.Thefirstbookthatbroughttogetherallofthedevelopmentsofthez-transformwasbyJury(1964),butthefirstpersontoapplythez-transformtoaproductionandinventorycontrolproblemappearstohavebeenVassian(1955).Theadvantagesofusingthez-transformoverthetimedomaindifferenceequationsarethesameasforthecontinuouscase;convolutioninthetimedomainismultiplicationinthefrequencydomain.However,thedisadvantagesarethatithastobeLTIandpossesszeroIC.However,problemswiththepure-timedelayarepletelyavoidedindiscretetimeasitformsthekernelofthez-transform.Statespacemethods(withthesameadvantages)arealsoavailableindiscretetime.Indiscretetimealotcanbedonewithstochastictechniquesusingtheexpectationoperator.However,thecalculationoftheco-variancescanbeeverytediouswhenplexsystemsarestudied.Interestinglythisdifficultlyispletelyavoidedwithtransformapproaches.Martingaleshavealsobeenusedtostudyinventoryproblems,forexample,seeGraves(1999).Martingalesareusefultoolsastheycanyieldinsightsintomagnitudeofinfinitevariancesthatoccurinnon-stationarytimeseries.AparticularlyusefuldifferenceequationapproachwasdevelopedbyBoxandJenkins(1970).KnownasARIMAmodeling,BoxandJenkinsdevelopedageneralizedtimeseriesmodelthatconsistedofanarbitrarynumberofthreetypesofterms.Thatis,Auto-regressive,integratedandMovingAverageterms.Theirgeneralizedtimeseriesmodelhasbeenfoundtorepresentawiderangeofstochastictimeseries.ThegeneralARIMA(p,d,q)modelisgivenbyequationA2.TheBoxandJenkinsapproachcopeswithnon-stationaryprocessesbydifferencingthetimeseries.(A2)A.2.3OtherapproachesAnytimeseries,continuousordiscrete,canbeanalyzedusingvariationsoftheFouriertransform.Thisisafrequencyresponsemethod,whereatimeseriesisbrokenupintoaseriesofharmonics.Harmonicsaresinewavesofdifferentfrequencies,amplitudesandphaselags.Understandinghowreplenishmentrulesrespondtothepletespectrumofindividualharmonicfrequenciesallowustounderstandhowtheyreactanydemandsignal,thusthetoolisparticularlypowerful.Thebeergame,atabletopmanagementgame,isalsoverygooddemonstratorofthebullwhipeffect.Itmayalsobeusedtogenerateknowledgeandinsightsintohowactualpeoplemanagesupplychains,Sterman(1989).Thebeergamehasbeenusedextensivelyinbusinessschoolsworld-wideandmanyformsofitexist.Somevaria