{管理信息化SCM供

應鏈管理}供應鏈管理中

的牛鞭效應研究摘要越來越大的波動。牛鞭效應導致供應鏈中巨大的損失:它誤導生產計劃、導致過牛鞭效應的影響成為提高整個供應鏈效率，實現(xiàn)供應鏈管理目標的關鍵。論文首先采用了定性分析的方法對供應鏈管理中牛鞭效應的產生機理進行論訂貨提前期對牛鞭效應的影響，最后據(jù)此提出減輕的方法和措施。關鍵詞：牛鞭效應；供應鏈；回歸分析；訂貨提前期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目錄1緒論11.1研究的背景和意義11.2國內外研究現(xiàn)狀21.3論文的研究內容和結構32供應鏈管理和牛鞭效應介紹52.1基本概念52.1.1供應鏈管理概述52.1.2牛鞭效應概述62.2牛鞭效應的成因分析82.3牛鞭效應的危害102.4減小牛鞭效應的措施113牛鞭效應量化模型線性回歸預測描述153.1線性回歸預測法概述153.2線性回歸方程介紹163.3牛鞭效應量化模型184案例分析204.1BMW物流介紹204.2數(shù)據(jù)收集及分析214.2.1非固定周期訂貨分析214.2.2固定周期訂貨分析254.2.3原因分析284.2.4解決方法敘述305總結32致謝33參考文獻34附錄A36附錄B431緒論1.1研究的背景和意義進入21世紀以來，隨著全球經(jīng)濟化和信息化趨勢的增加，全球經(jīng)濟一體化的步伐在加快，競爭也更加激烈。與此同時，由于信息技術和生產技術的提高，業(yè)的最佳選擇。[1]。牛鞭效應正是供應鏈中各方成員試圖調節(jié)供需關系時發(fā)生的。供應鏈上的一種需求變異放大(方差放大)確定因素疊加在一起，將會導致巨大經(jīng)濟損失。對癥下藥，消除產生的原因都能在一定程度上取得效果。1.2國內外研究現(xiàn)狀在。早在20世紀60年代初，F(xiàn)orerster用系統(tǒng)動力學原理，研究了一系列的案以通過改變組織的行為方式加以克服[2]。Burbridge教授(1984)從產業(yè)動力學的驗，他提出了“5個避免破產的黃金法則”。在這些法則中，他詳細地討論了需求的放大現(xiàn)象以及解決方法。不同于Forrester的研究，Burbridge的工作強調了關鍵結合點(Sharpedged)流的多級階段(multi-phasingoftheinformationflow)[3]。Towill場需求變化的預測幅度幾乎是最初的8效應，而有些機制不會導致這種現(xiàn)象[4]。牛鞭效應研究的一個里程碑式的進展源于著名的“MIT啤酒游戲”的提出和研究。J.D.Sterman系統(tǒng)地描述了這個游戲：參與者在游戲中分別扮演一個啤酒銷售供應鏈中的不同角色()大的偏差，需求變異系數(shù)比分銷商和零售商的需求變異系數(shù)大得多[5]。對牛鞭效應研究最深入的是H.L.Lee領導的研究小組。H.L.Lee支持經(jīng)濟學弈，并且分別建立不同的模式來證明其觀點[6]。在Lee之后的研究中，Cachon和Lariviere進一步研究了短缺博弈問題[7]；Kelle和Milne進一步研究了訂單批量問題[8]；Cachon、Ricardo、Lambert及Copper技術以及相應的信息共享問題上[9]。EDLP到抑制牛鞭效應的效果?！湃蔚闹鸩郊由钸^程[10]。()對牛鞭效應的影響;提出了基于不同水平層次和垂直規(guī)模組合的四種供應鏈結構：鏈狀結構、持成員的辦法來確定適當結構從而削減牛鞭效應的措施[11]。常規(guī)庫存，庫存量多，面對需求波動的應變能力則較弱。在較長的交貨期間內，訂貨量等，增加了整個系統(tǒng)的不確定性[12]。1.3論文的研究內容和結構應的影響，同時提出了緩解牛鞭效應的對策。本文的結構和主要內容如下：第一章介紹牛鞭效應研究背景和意義以及國內外研究現(xiàn)狀。鏈管理的特點和目標，牛鞭效應的概念、產生原因、危害以及緩解措施等。第三章線性回歸預測模型的描述，牛鞭效應的量化分析。況中的牛鞭效應現(xiàn)象進行分析，并對該企業(yè)進行分析，提出緩解措施。第五章對論文進行總結。2供應鏈管理和牛鞭效應介紹2.1基本概念2.1.1供應鏈管理概述構（見圖2.1）。供應商的供應商用戶的用戶供應商用戶核心企業(yè)需求物流源信息流資金流圖2.1供應鏈結構從圖2.1中可以看出，供應鏈由圍繞核心企業(yè)的供應商的供應商、供應商、至包括顧客。供應鏈上的每個環(huán)節(jié)都含有“供”和“需”兩方面的含義。例如，制造商的銷售部門是分銷商的供方，但又是生產部門的需方。如圖2.2所示。供應制造裝配分銷消費信息流供應商的供應商供應商核心企業(yè)用戶用戶的用戶圖2.2供應鏈節(jié)點企業(yè)關系《中華人民共和國國家標準物流術語》（GB/T18354—2006）對供應鏈管理供應鏈管理發(fā)端于20世紀80年代的制造資源計劃（MRPⅡ），然后經(jīng)歷準時生產制（JIT90年代進入精細生產和精細供應，21世紀初進入供應鏈管理階段（見圖2.3）。20世紀80年代20世紀90年代21世紀制造資源計劃準時生產制精細生產和精細供應供應鏈管理階段?推動式系統(tǒng)?拉動式系統(tǒng)?消除浪費?快速響應?物料采購以可?來自最終用戶的固?存和在制品占用最?供應具有柔性分配需求為基礎定需求量小?顧客化定制生產?消除安全庫存?生產能力與需求匹?成本在供應鏈上透?與最終需求同步和周轉庫存配明生產?依賴于相關訂?固定的生產協(xié)作單?多技能員工?受控的供應鏈過貨計劃和可靠的位?減少工件排隊程預測?柔性的制造系統(tǒng)?調整轉換時間很短?合作伙伴間的能?通過變動對供?相似產品范圍很小?多品種小批量生產力是集成的應商需求實現(xiàn)柔?經(jīng)濟生產批量很小?每一個階段連續(xù)改?全面應用電子商性?供應商提前期很短進務并行的產品開發(fā)圖2.3供應鏈管理的發(fā)展階段供應鏈管理的實質就是使供應鏈節(jié)點上的各相關企業(yè)充分發(fā)揮各自的核心社會分工體系。最優(yōu)化[13]。2.1.2牛鞭效應概述鏈管理專家Haul.Lee教授稱為“牛鞭效應”（bullwhipeffect）。是指就是趕?；蛏谟玫拇侄L的鞭。在供應鏈管是對需求信息扭曲在供應鏈中傳遞的一種形——批發(fā)商——分銷商——曲越來越嚴重。2.4扭曲的放大作用在圖形上很像一根甩起的趕牛鞭，因此被業(yè)界人士形象地稱為的不確定因素疊加在一起，將會導致巨大經(jīng)濟損失[14]。需求量需求量需求量需求量時間時間時間時間客戶需求VS時間零售商需求VS時間批發(fā)商需求VS時間生產商需求VS時間圖2.4“牛鞭效應”中需求逐級放大而造成客源流失和支付違約費用。牛鞭效應有時稱作“蝴蝶效應，它是形容北京的一只蝴蝶撲扇一下翅膀引起了佛羅里達的風暴[15]企業(yè)出現(xiàn)了這種現(xiàn)象，導致整個國家的生產能力過?！f的“庫存加速器理論”。2.2牛鞭效應的成因分析從20世紀中期開始，學術界和企業(yè)界就注意到了牛鞭效應的存在及其對供上。1997年，Lee等發(fā)表在ManagementScience(1997a)和SloanManagementReview(1997b)上的兩篇論文從理論上較為清楚地解釋了牛鞭效應產生的原因與影響因素。Lee支持經(jīng)濟學家的理論，指出牛鞭效應起源于管各環(huán)節(jié)作為一個整體來研究，指出了產生牛鞭效應的四種原因：需求信號處理、Lee的研究，介紹牛鞭效應產生的這四種原因以及產生牛鞭效應的其他幾個因素。1、需求信號處理人為的調整。例如，在市場銷售活動中，假如零售商的歷史最高月銷量為1000加A%，于是他向其上級批發(fā)商下訂單（1+A%）1000件。批發(fā)商匯總該區(qū)域的銷12000B%產商下訂單（1+B%）12000件。生產商為了保證批發(fā)商的需貨，雖然他明知其中有夸大成份，但他并不知道具體情況，于是他不得不至少按（1+B%）12000件投一層地增加預訂量，導致“牛鞭效應”。2、批量訂貨提高訂貨量，這樣，由于訂貨策略導致了“牛鞭效應”。3、價格波動商組成的供應鏈為例，當促銷活動在某個時間段開始時，零售商會通過對庫存、變動而變動的訂單并不能反映其真實的需求，因此，導致牛鞭效應也是必然的。4、短缺博弈際需求，即產生牛鞭效應。當需求降溫或短缺結束后，大的訂貨量又突然消失，這就會使牛鞭效應更加明顯。5、牛鞭效應的其他產生原因鞭效應。（1）環(huán)境變異它的最主要的手段是持有高庫存，并且?guī)齑媪侩S著不確定性程度的提高而加大，但這種高庫存所代表的并不是真實的需求，因此也就引發(fā)了牛鞭效應。（2）經(jīng)營中的產品銷售權與控制權的分離零售商普通傾向于加大訂貨量，從而加劇了訂貨需求，產生牛鞭效應。（3）供銷企業(yè)之間缺少協(xié)作互通有無和轉運調撥，只能各自持有高額庫存，這也會導致牛鞭效應。（4）訂貨提前期的加大交貨日期留有一定的余地，這樣就為提前期預留了一個“安全期間，因而持有較長的提前期，而逐級的提前期拉長也就加重了牛鞭效應。缺乏有效地信息溝通產生牛鞭效應也是不可避免的[17]。2.3牛鞭效應的危害中各相關企業(yè)的整體競爭力，最終使每個供應鏈的成員蒙受損失。牛鞭效應給企業(yè)所造成的危害具體如下：1、牛鞭效應增加了生產成本。制造商通常以下游企業(yè)的訂單進行產品預測，動性的顧客需求訂單流，為了應付這種增大的變動性，公司要么擴大生產能力，要么增加庫存量。但這兩種做法都會加大單位產品的生產成本。2、增加了庫存成本。由于牛鞭效應的存在，上游企業(yè)的訂單會在下游企業(yè)確定性。供應鏈上的各節(jié)點企業(yè)通常會擁有大量的庫存以應付需求的不確定性，這勢必增加了企業(yè)的庫存。牛鞭效應引起的庫存增加，占用了企業(yè)資金。同時，高水平的庫存還增加了必備的倉儲空間，從而導致了庫存成本的增加。3、增加了供應鏈的運輸成本和送貨與進貨相關的勞動力成本。公司及其供勞動力，但是無論是哪種選擇，都會增加勞動力總成本。4、延長了供應鏈的補給供貨期，降低產品供給水平。由于牛鞭效應增加了5、給供應鏈中每個節(jié)點企業(yè)的運營都帶來負面影響，從而損害了供應鏈不間得互不信任，從而使?jié)撛诘膮f(xié)調努力變得更加困難。供應鏈的運作效率低下，從而導致供應鏈整體利潤下滑。2.4減小牛鞭效應的措施結構及其相關過程加以必要的改進。1、實現(xiàn)信息共享這是減小牛鞭效應最有效的措施之一。供應鏈成員之間通過Internet/EDI5.1所示。零售商圖5.1供應鏈中信息共享與集成示意圖在集成信息模式中，供應鏈中的所有信息都實現(xiàn)了共享，些信息反映的是顧客信息集送所導致的信息失真或延遲的成中心的共同發(fā)展。2、提高預測的精確度基礎數(shù)據(jù)并進行協(xié)作預測，則會進一步提高預測的準確性。3、準確把握下游企業(yè)的需求動態(tài)4、穩(wěn)定價格期內(如一年內)，按總的采購量來制定折扣政策，它可以使得每次的批量減少；少牛鞭效應。5、對訂貨進行分級管理生的概率?？梢杂行У亟档团１扌?、采用供應商管理庫存或聯(lián)合庫存的方式，合理協(xié)調與分擔庫存鞭效應。7、縮短訂貨的提前期26周進貨，需求預測誤差為40%16周進貨，需求預測的誤差為20%售時節(jié)開始時進貨，則需求預測誤差為10%。因此，縮短提前期能夠顯著地減小其專業(yè)化的服務來縮短提前期，減少運輸中的風險[17]。8、建立戰(zhàn)略伙伴關系和信任，及時溝通信息階段的信任和良好關系可以減少重復努力，降低交易成本，導致減少牛鞭效應。效應的機會。3牛鞭效應量化模型線性回歸預測描述3.1線性回歸預測法概述濟現(xiàn)象進行預測。通過建立變量之間的回歸方程，并將回歸方程作為預測模型，來實現(xiàn)對物流量的預測。在回歸分析預測過程中，我們一般應關注以下幾個基本問題。1、變量間相關關系的定性分析分析，而不是不加分析地將兩個或多個時間序列資料放在一起進行定量分析。2、變量因果關系的確定現(xiàn)象之間的數(shù)量因果關系，什么是“因，預測前必須明確。量間關系的具體確定主要包括數(shù)學模型的選擇和顯著性檢驗兩方面。（1）數(shù)學模型的選擇線性相關關系，下面的分析就選擇一元線性回歸模型。（2）回歸方程與回歸系數(shù)的顯著性檢驗主要有相關系數(shù)檢驗、t檢驗和F檢驗。對一元線性回歸模型進行顯著性檢驗時，可任選一種。下面介紹一元線性回歸預測的方法。3.2線性回歸方程介紹1、回歸方程的建立采用一元線性回歸分析，即在回歸分析中有兩個變量、,其一元線性回歸方程可表述為：（3.1）對于含有n組、變量的方程，其可表述為：（3.2）式中：,——回歸方程的參數(shù)；——自變量；——因變量；——剩余殘差項或稱隨即擾動項。定性影響，可代表隨機變量，服從正態(tài)分布。對式（3.1）兩邊去數(shù)學期望，即：（3.3）記為（3.4）對（3.2）取方差（3.5）實際上，，，都是真實存在的參數(shù)?；貧w分析的內容之一就是通過樣本值（，）將其估計出來?；貧w方程的確定，實質上是要求出待定參數(shù),,若,求出來了，回歸方程也就是唯一確定的。2、參數(shù)估計配合一條較為理想的趨勢線，這條趨勢線必須滿足以下要求：（1）原數(shù)列的觀測值與模型估計值的離差平方和為最??；（2）原數(shù)列的觀測值與模型估計值的離差總和為0。我們根據(jù)最小二乘法的要求，令殘差平方和(3.6)最小二乘法的意義在于使達到最小。根據(jù)最優(yōu)化原理，有(3.7)求解方程組，得與的估計值：(3.8)(3.9)的無偏估計量：。這里，。參數(shù),確定后，有，我們稱為總離差，稱為剩余或殘差，稱為回歸。;稱為回歸離差平和，其自由度為1余離差平方和，自由度為。3、模型顯著性檢驗（1）相關系數(shù)檢驗相關系數(shù)的定義如下：(3.10)顯然。相關系數(shù)的絕對值的大小表示相關程度的高低。①當=0時，說明與完全不相關，所求回歸系數(shù)無效。②當時，說明與完全相關，自變量與因變量之間的關系為函數(shù)關系。③當時，說明與是部分相關，越接近1，與線性相關度越好。為微弱，為低度，為顯著，為高度相關。（2）檢驗性。取統(tǒng)計量為：(3.11)服從參數(shù)為的分布，即，然后在給出的顯著水平下=0.05，按自由度，查分布表，得臨界值。若>，說明回歸效果顯著；若<，說明回歸效果不顯著[18]。3.3牛鞭效應量化模型所謂牛鞭效應是指供應鏈中的零售商向供應商的訂貨量與其實際的銷售量不一致。一般地，發(fā)給供應商的訂貨量，其方差大于銷售給買方的（即需求扭量的方差與需求的方差的比值來描述牛鞭效應[19]業(yè)，其對市場需求的放大程度（即牛鞭效應），可以表述為：牛鞭效應=(3.12)式計算：=(3.13)性越大，供應鏈中牛鞭效應越嚴重，對生產企業(yè)的危害越大。4案例分析4.1BMW物流介紹生產所需的千萬種零件器材。BMW公司每天裝配所需的零件由上千家供應商來提BMW品牌汽車的制造、銷售和售后服務。在汽車組裝零件的送貨控制中，最重要的是提出訂貨需求，也就是把貨物的需要量和日期通知物流采購中心。BMW在生產規(guī)劃過程中，可以針對10個月后所需提出訂貨需求，供貨商也可藉此預估本才會更明確地知道需要量。1、在定單方面，BMW已在挖掘“當日需要量”潛力要求相當嚴格，因此適用在大量，高價值或是變化大的零件。BMWBMW工廠之前的取貨并停放在轉運點的過程稱為“前置運送，而第二階段送達BMW工廠的步驟稱為“主要運送”。過去幾年里，BMW公司已把根據(jù)生產順序所需的訂貨方式最BMW公司目前積極對此項最佳化進行研究。2、在倉儲方面，BMW已在處理低存貨帶來的運輸成本為了降低BMW貨商送貨頻率的提高，造成貨運成本提高?！扒爸眠\送的費用與貨物量成正比，不受送貨次數(shù)影響。大多數(shù)供貨商接到BMW前置運送所需成本。同時也考慮各工廠間整合性倉儲設備及運送的供應鏈管理、最佳化，而是以整體成本為決定的依據(jù)。3、供應鏈方面，BMW已把合作伙伴納入成為考量因子BMW公司把其供應鏈上的合作伙伴（如運輸公司等），納入成本節(jié)約的考量BMW公司替多個BMW工廠送貨，則必須安排送貨先后次序，以達成本最佳化。此外，等待進貨時間。事實上在這個BMW整個物流供應鏈里，提高競爭力的最佳利器[20]。4.2數(shù)據(jù)收集及分析4.2.1非固定周期訂貨分析由上述介紹知道BMW的波動。具體數(shù)據(jù)如下表4.1。表4.1非固定訂貨周期需求信息表日期項目訂貨量當前庫存需求量提前期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析結果。因此從上述信息中隨機選出各訂貨提前期中的一組數(shù)據(jù)，如表4.2：表4.2非固定周期訂貨提前期信息表需求量訂貨量訂貨提前期3603523414440482279271579158411通過作散點圖進行分析，如下圖4.1、4.2。圖4.1需求量與訂貨提前期關系圖圖4.2訂貨量與訂貨提前期關系圖期與需求量、訂貨量之間近似成線性分布關系。下面運用Excel功能對上述數(shù)據(jù)作線性回歸分析。首先是需求量與訂貨提前期分析。自變量為訂貨提前期，因變量為需求量。建立回歸方程Excel數(shù)據(jù)分析如下圖4.3：圖4.3需求量回歸分析“回歸統(tǒng)計”中MultipleR為相關系數(shù)；RSquare為可決系數(shù)R2；AdjustedRSquareσ的點估計值，該值可用于求Y的預測區(qū)間和控制范圍。方差分析表中SignificanceF為對回歸方程整體擬合效果的b值假設檢驗，即PbSSdfP-value為P值，即所達到的臨界顯著水平。最后部分給出的是各回歸系數(shù)及對回歸系數(shù)的顯著性檢驗結果。InterceptCoefficients標準差的估計；tStat為對回歸系數(shù)進行t檢驗時t統(tǒng)計量的值。下限95%和上限95%分別給出了各回歸系數(shù)的95%置信區(qū)間。顯然=－487.3,b=208.8回歸方程為：相關系數(shù)r=0.996>0.8,說明x與y高度相關。顯著性水平，查F分布表[21],=10.1<F=393.9,說明回歸效果顯著。同時對b值假設檢驗，在x這一變量的檢驗中p-值為0.00028貨提前期對需求量有顯著影響。接下來對需求提前期和訂貨量進行分析，如下圖4.4所示。圖4.4訂貨量回歸分析則回歸方程為：x和訂貨量y實際計算得到的回歸方程，則牛鞭效應=計算值=1.0634>1,效應現(xiàn)象。上述兩個變量的回歸方程中訂貨量的斜率208.9>需求量的斜率208.8，由此可以看到，此種零件的訂貨量和需求量的差距將逐漸加大，其不一BMW供應鏈管理存在著問題，如果像這樣長期發(fā)展下去，會給企業(yè)帶來很大的危害。4.2.2固定周期訂貨分析期提前7求量，同時也依據(jù)以往的生產狀況。具體信息如表4.3。表4.3定周期訂貨信息表日期項目訂貨量庫存需求量提前期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減少，為了追加產量之后的幾天析，見表4.4。表4.4固定提前期訂購信息表訂貨量需求量訂貨提前期8407108208178308289608288408248208168308228208257820828820824840818820818820835820822用Excel中的“插入函數(shù)”中的VAR(估計基于給定樣本的方差)功能，對相應數(shù)據(jù)進行分析。訂貨量方差計算結果如下圖4.5：圖4.5訂貨量方差計算需求量方差計算結果如下圖4.6：圖4.6需求量方差分析這些數(shù)據(jù)序列所反應的牛鞭效應為：=息不一致性變大，可導致企業(yè)成本增加，庫存加劇等問題。4.2.3原因分析BMW公司供應鏈管理中存在牛鞭效應現(xiàn)象。物料訂購方面，公司根據(jù)物料的性質（JISJITBULKSAP物料信息BMW上述情況。1、零件訂貨方式及供應商管理方面欠佳BMW最為常見，由于能享受如此待遇。寶馬供應商上千家，僅有十幾家重要零件的供應商常駐BMW，信息這么簡單的事情，還要找物流人員幫助。2、部門之間存在脫離現(xiàn)象統(tǒng)，只能報廢處理。如下表4.5所示零件由于cubing項目取消使用此零件，但只好把好好的零件做到報廢區(qū)。表4.5Cubing項目取消零件表DSNRPartNo.RemarkQty22-027315NOneedreorderforcubing2U3、重復報件報到系統(tǒng)內進行報廢處理，物料人員通過統(tǒng)計DSNR號對這種情況進行訂購。表4.6U是培訓師蘆家鶴的員工號，他負責2128線32128息DSNR及時補充訂貨。這樣，重復報件信息沒有被及時發(fā)現(xiàn)，物料部門加之當于訂購量超出生產所需，多出的零件堆放在庫房里，增加各項成本。表4.6重復報件零件表DSNRPartNo.RemarkQtyTimeDate94-02E840912VS2總裝L28線報件1U12:34:0823.03.201283-02E840912VS2L21線報件1U10:16:5424.03.20124、系統(tǒng)重復下需求或需求區(qū)域出錯出現(xiàn)重復供線的現(xiàn)象，如公司生產的T-car驗證車中紅色車身的3系車僅2臺，卻有44.7題：生產延遲、重新下需求、零件放置不用等。表4.7需求區(qū)域出錯零件表RequiredNo.PartNo.RemarkQtyFit-01小油管10L2100615、物流盤點不及時問題。盤點出來的差異零件還需要質量人員判定可不可用，可用才可做入系統(tǒng)，入庫處理。上述重復下需求和需求出錯的情況，正是沒有及時由質量人員判定，沒能重新做入系統(tǒng)，導致資源的浪費。6、生產信息不一致pickinglist(揀選單)和bomlist（裝車單）。物流人員根據(jù)揀選單給生產線供應每日所需零件，總裝人員持有裝車單。但由于兩種清單制作流程不同，致的情況。零件號為7-04*10,-04*10的零件在F350113的AAB(單車用量)們訂購了放在TIP1pickinglist有，實際也需要，那么pickinglist應該是錯誤的；如果庫存有，實際不需要，那應該是bomlist錯誤，訂的零件又剩了。4.2.4解決方法敘述1、上述案例分析中，非固定周期訂貨的牛鞭效應量化值為1.0634，牛鞭效應現(xiàn)象比較?。还潭ㄖ芷谟嗀浧渲禐?.425，其牛鞭效應現(xiàn)象相對嚴重。企業(yè)最18同時，需要把供應商作為他們的一份子，BMW工作人員和供應商共同管理庫存數(shù)據(jù)，供應商可以調節(jié)其訂貨，以響應零售商的異常低或高的庫存。2、部門之間應該協(xié)同合作，有效溝通。物料規(guī)劃和實物物流不可分開，可總通知物料規(guī)劃。3、重復報件主要是人為原因。需要對工作人員加強生產管理培訓，培養(yǎng)正零件一個單據(jù)一個DSNR號。4、重復下需求或需求區(qū)域出錯，主要是因為系統(tǒng)存在某些問題。需要對相嚴重，系統(tǒng)重復下需求更改不掉，需聯(lián)系相關技術人員，對系統(tǒng)進行及時維護，資的浪費對如此大型企業(yè)是多么的愚蠢。5、物流盤點方面要重新安排工作細節(jié)。做到平時必小盤，定期要大盤。同時需2~3天小型盤點庫，也可進行報廢處理，根據(jù)零件性質處理。6、由于裝車單和揀選單所導致的問題，我認為是可以避免。制定清單的人亂。應也會得以緩解。5總結進入21世紀以來，面對日益激烈的市場競爭和顧客需求的不斷變化，供應弱牛鞭效應成為供應鏈管理問題研究的一個重要課題。究具有重要的理論意義和實際意義。描述，分析了供應鏈管理的起源和發(fā)展過程，剖析牛鞭效應的產生機理與危害；其次提出了一種供應鏈牛鞭效應的研究方法,即線性回歸分析方法。通過具體的的方式，合理協(xié)調與分擔庫存、縮短訂貨的提前期和建立戰(zhàn)略伙伴關系和信任，及時溝通信息等方法與對策，都能很好的控制和減弱牛鞭效應。的內容較多，本文僅就其中的牛鞭效應產生原因和減少措施等問題進行了研究，論文還有許多不足和有待于完善的地方。致謝感謝沈陽理工大學四年來對我們的培養(yǎng)，讓我掌握了大量的科學文化知識，力幫助，很順利地收集到撰寫論文所需的信息，在此對BMW公司表示感謝。困惑。衷心感謝四年來陪伴我們一起走過的老師，是他們教給我豐富的專業(yè)知識，是我時刻銘記在心的，由衷的感謝老師們！謝謝！的感謝！參考文獻[1]陳兵兵.SCM供應鏈管理—.機械工業(yè)出版社，2004227~230[2]王磊.陳競先.唐志杰.供應鏈中牛鞭效應的模型與分析.供應鏈管理.2004：41~43[3]張欽，達慶利.東南大學學報.2004，20：110~111[4]Towill,IndustrialDynamicsModelingofSupplyChain.InternationalJournalofPhysicalDistribution&logisticsManagement，1996,26（2）：23~42[5]李一峰，宣慧玉，武紅江.供應鏈中牛鞭效應的模擬研究.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]馬新安，張列平，田澎.供應鏈中的時滯.系統(tǒng)工程理論與實踐.20025(597~102[11]萬杰，王楠．供應鏈結構對牛鞭效應的影響研究．西北農林科技大學學報（社會科學版)，2001.5[12]孫元欣．供應鏈長鞭效應的模型與分析．上海大學學報(自然科學版)，2001.3[13]甘衛(wèi)華，曹文琴.現(xiàn)代物流基礎.北京：電子工業(yè)出版社，2010，1：26~37[14]黎繼子．供應鏈管理．北京：機械工業(yè)出版社，2011，1：181~183[15]李平麗.供應鏈牛鞭效應的理論研究與實證分析.武漢理工大學碩士學位論文.2003：11~12[16]SengePM.TheFifthDiscipline［M］.NewYork：Doubieday，1990[17]趙秋紅，汪壽陽，黎建強.物流管理中的優(yōu)化方法與應用分析.版社，2006：230~239[18]陳立，黃立群.物流運籌學.北京理工大學出版社，2008，7：17~24[19]羅新星,吳羽中.供應鏈中牛鞭效應的定量分析與有效控制.科技進步與對策,2006，7：156~159[20]張慶英．物流案例分析與實踐．北京：電子工業(yè)出版社，2010，4:166~167[21]盛驟，謝式千，潘承毅.概率論與數(shù)理分析.北京：高等教育出版社，2008，6：387~391附錄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