基于APIOBPCS模式VMI下牛鞭效应仿真研究

JOURNALOFMANAGEMENTSCIENCESVol.20No.6December,2007

基于APIOBPCS模式VMI下牛鞭效应仿真研究

于晓霖

1,2

,刘敬保

2

1辽宁大学工商管理博士后流动站,沈阳1101362东北财经大学工商管理学院,辽宁大连116023

摘要:运用系统动力学构建基于APIOBPCS采购模式和供应商管理库存的七成员供应链

模型,通过该模型研究8个因素对牛鞭效应的影响。研究表明,平滑指数越小牛鞭效应越弱;库存初始值影响牛鞭效应的具体数值,但不能根本改变牛鞭效应;牛鞭效应受APIOBPCS模式库存调节系数影响巨大,DE2APIOBPCS模式下牛鞭效应相对较弱;在库存调节系数设定为1、某成员的所有下游成员提前期已经确定的前提下,该成员需求的标准方差只与紧邻上游成员的提前期有关,其余成员的提前期对该成员需求标准方差没有影响;库存检查周期越短牛鞭效应越弱;在供应链信息共享以及成员合作的前提下,瓶颈取适当值情况下的牛鞭效应与没有瓶颈情况下的牛鞭效应相比,前者更小;最低采购数量影响牛鞭效应,并且牛鞭效应对此因素表现出比较强的敏感性。

关键词:APIOBPCS;供应商管理库存;牛鞭效应;系统动力学;供应链中图分类号:F27文献标识码:A文章编号:1672-0334(2007)06-0011-11

BullwhipEffectSimulationResearchBasedAPIOBPCS&VMI

YUXiao2lin

1,2

,LIUJing2bao

2

1PostdoctoralStation,SubjectofBusinessAdministration,LiaoningUniversity,Shenyang110136,China2SchoolofBusinessAdministration,DongbeiUniversityofFinance&Economics,Dalian116023,ChinaAbstract:ThesevenmemberssupplychainmodelbasedAPIOBPCSandVMIisconstructedbysystemdy2namics.Theeffectsofeightfactorsareresearchedinthismodel.Theresearchshows:thesmallersmoothratiois,theweakerbullwhipeffectis;theinitialinventoryquantitycanchangethevalueofbullwhipeffect,butitcannotchangebullwhipeffectdrastically;theinfluenceofinventoryadjustmentratioinAPIOBPCSpatternisstrong;theinfluenceofinventoryadjustmentratioinDE2APIOBPCSpatternisweak;ifinventoryadjustmentratioequalstoone,andonemember′salldownstreammembers′leadtimeisconstant,demand′sstandarddevi2ationofthismemberisrelatedtotheproximateupstreammember′sleadtime,whiletheothermembersleadtimecannotinfluenceitanymore;theshortertheinventorycheckcycleis,theweakerbullwhipeffectwillbe;ifthereisaconstraintinsupplychainandtheinformationisshared,thebullwhipeffectisweakeratappropri2ateconstraintconditionthannoconstraintcondition;theminimumpurchasequantitycaninfluencethebullwhipeffect,andatthesametimethebullwhipeffectissensitivetothisfactor.

Keywords:APIOBPCS;vendormanageinventory;bullwhipeffect;systemdynamics;supplychain

　收稿日期:2007-10-16

　作者简介:于晓霖(1962-),男,吉林集安人,毕业于哈尔滨工业大学管理学院,获博士学位,现在辽宁大学工商管理博

士后流动站工作,东北财经大学工商管理学院副教授,研究方向:生产运作管理等。

121　引言

管理科学　　　　　　　　　　　　　　　　　　2007年12月

给供给方费用,这一模式实现了库存所有权和使用权的分离。VMI有利于加强供给方与需求方之间的信息共享,减少供应链上的库存数量,减弱供应链上的牛鞭效应,减少库存占用资金,提高供给方生产的平准化程度,实践证明VMI实际运作效果良好,理论界对其也比较推崇。2.3　信息流运作模式

谢斌等从信息流通渠道的角度总结了供应链上信息流的4种运作模式[13]。

(1)直链式信息传递模式。这种信息传递模式主要集中在供应链紧邻成员之间,信息传递过程中容易出现滞后、信息失真、无法进行跨级信息传递以及缺乏信息的整体集成等问题。

(2)直链式跨级信息传递。这种信息处理模式下供应链上所有成员都可以获取最终客户的需求信息,保留直链式信息传递模式下的双成员信息传递。与直链式信息传递模式相比,这一模式下信息失真不很严重,可以一定程度上降低牛鞭效应,但是它仍然无法弥补直链式信息传递模式的主要缺陷。

(3)网状信息传递模式。这种模式下供应链所有成员之间都存在信息传递渠道,形成类似交互的网状模式。这种模式基本克服了直链模式的缺点,但是也引发了新的问题,即信息成本明显增加。该模式仍然以两个成员之间的沟通为主,整体协调性没有得到根本改善。

(4)集成式信息流运作模式。这种模式与直链模式和网状模式的区别是建立一个信息集成中心,信息集成中心的主要功能有信息存储、信息处理、信息收集与发送,供应链成员在信息集成中心可以得到对应权限下的信息,有利于信息的集成、供应链整体的协调和供应链的动态调整。这种模式依托于电子网络,所以存在着网络信息安全的问题,而且信息集成中心负责信息的集成和协调,其运作模式和规则必须事先确定,协调信息集成中心的运作模式和规则也是一个很复杂的问题。

本研究模型采用的信息流运作模式不同于以上4种信息流运作模式,可以理解为改良的直链信息运作模式,即保留紧邻成员之间的信息流传递,同时供应链上游成员可以收到紧邻下游成员所面对的需求信息,这主要是为了与VMI模式相对应。2.4　APIOBPCS模式

基于库存和定购的自动渠道生产控制系统(auto2maticpipelineinventoryandorderbasedproductioncontrolsystem,APIOBPCS)是由John等提出的一种订货策略[14],APIOBPCS模式的变体和最大库存策略都可看作此策略的特例,该策略也是Sterman的固定调整启发式规则的扩展[2]。APIOBPCS的具体含义为订货量(或生产计划)等于预测需求量、对实际库存水平的调整量以及对在途库存的调整量之和。Larsen等给

[15]

出APIOBPCS公式如下。

0

O(t)=F(t)+θ[I-I(t)]+

β[WIP0-WIP(t)](1)

牛鞭效应是指供应链中需求信息从下游企业向

上游企业传递时需求信息被扭曲并逐级放大的现象,即供应商订货量的波动(方差)大于顾客需求的波动(方差),并且这种波动(方差)会沿着供应链自下而上被逐级放大。

牛鞭效应会导致供应与需求之间的不匹配,造成过高的库存或者不能满足需求。过高的库存会导致占用资金、占用场地、掩盖管理的不足等问题,库存不足则会导致销售机会丧失以及客户的流失。研究牛鞭效应既存在理论意义又可以具体应用于企业实践,降低牛鞭效应有利于优化企业运作,发现生产和物料管理方面的不足,有利于企业实行精益化生产。牛鞭效应的相关研究具有以下特点,①供应链的阶数通常为二阶;②研究生产能力不足因素时采用非合作博弈;③研究最低采购数量制约因素时采用需求方累计需求突破最低采购数量才进行订货的模式;④细节研究不够。本研究试图对上述4点给予补充,利用系统动力学仿真软件PowerSim构建七成员供应链仿真模型,在此模型的基础上研究平滑指数、供应链成员的库存初始值、APIOBPCS模式的库存调节系数、DE2APIOBPCS模式的库存调节系数、提前期、库存检查周期、供应链瓶颈和最低采购数量8个因素对牛鞭效应的影响。

2　相关研究综述

2.1　牛鞭效应的相关研究Forrester最早观察到牛鞭效应并对此进行了相应

的研究,初步揭示了供应链中时间延迟、需求放大(即牛鞭效应)等动态性的存在,鉴于Forrester对牛鞭效应研究的突出贡献,所以牛鞭效应也被称为For2

[1]

rester效应。

Sterman用有限理性解释牛鞭效应

[2]

,Lee等指出

需求信号处理、限量供应和短缺博弈、交货时间延迟、价格波动、批量订货导致牛鞭效应[3,4]。

Towill、Metters和Chen等主要研究量化牛鞭效

应[5～7],Chen等用指标BE=

Var(SD)来衡量牛鞭效

Var(RD)

[7]

应的严重程度,Var(SD)为供应商需求的方差,

Var(RD)为零售商需求的方差

。

Towill、邵晓峰、Xu、Yu、张力菠和达庆利等研究

如何减少牛鞭效应[5,8～12],主要包括提高最终用户需求信息的透明度、减少供应链的流通环节、缩短提前期、减少价格的波动、建立战略性伙伴关系、需求共同预测、合理的契约和完善的激励与监督机制等。2.2　VMI库存管理模式

供应商管理库存(vendormanageinventory,VMI)是一种应用比较广泛的库存管理模式,运作模式是需求方提供所面对的客户的需求信息,供应方按照这一信息制定自己的生产、补货计划,供应方的产品保存在需求方的仓库或者是第三方物流企业的仓库中,在一定时间段内需求方按照其当期使用数量付

第6期　　　　　　　　　　　于晓霖等:基于APIOBPCS模式VMI下牛鞭效应仿真研究

WIP

0

0

13

=LF(t)

^

(2)(3)

^

σI=LDt+KD

其中,O(t)为t时刻订货量;t为时间;F(t)为t时刻

需求预测;θ为在库调节系数,即对实际库存量与期望库存量偏差的调整幅度;I0为期望的库存水平;I(t)为t时刻实际库存量;β为在途调节系数,即对实际在途库存量与期望在途库存量偏差的调整幅度;

0

WIP为期望的在途库存水平;WIP(t)为t时刻实际

^

在途库存量;L为订单提前期;Dt为平均需求的估计

^

量;K为可选择的满足预期服务水平的常数;σD为需求的标准方差的估计量。

罗卫参考Disney等的研究给出了期望库存量的简化方法,即设K=0,L在原来的基础上增加一个单位

。简化的期望库存量计算公式为

^0

(4)I=(L+1)Dt

2.5　系统动力学

系统动力学(systemdynamics,SD)出现于1956年,创始人为美国麻省理工学院的福瑞斯特教授。1961年,福瑞斯特出版的《工业动力学》成为系统动力学领域的经典著作。系统动力学具有动态性、反馈性及适合构建复杂的社会经济模型等特征,供应链具有系统性、复杂性的特点,所以用系统动力学研究供应链问题是比较适合的。刘媛媛和王海燕应用系统动力学研究供应链成员变化对牛鞭效应的影响,结果表明供应链结构本身是造成啤酒游戏中牛

[16,17]

鞭效应的内在原因[18];李稳安和赵林度用系统动力学原理研究供应链中牛鞭效应产生的原因及相应的缓解对策[19];王磊等对研究牛鞭效应时经常讨论到的3种模型进行分析和比较,这3种模型为系统动力学模型、自回归分析的AR(1)模型和Kalman滤波器(KF)模型[20];张力菠等定量研究基于时间的VMI整合补货模式中供应商对随机流需求输入的订单响应率波动及系统成本的变化,并通过二次函数的回归分析探讨系统成本与牛鞭效应之间的数学关系[21]。

3　供应链模型的构建

本研究构建的供应链模型是由终端消费者(简称A)、零售商(简称B)、制造商销售部门(简称C)、制造商生产部门(简称D)、次级供应商销售部门(简称E)、次级供应商生产部门(简称F)和最终资源供应商(简称G)7个成员构成,具体结构关系见图1。图1为供应链的拓扑结构,表1是对图1所示供应链模型运作逻辑的进一步说明。由于假设G可以任何时间得到任何数量的原料,使G失去了一般性,所以G的需求标准方差不予以考虑。牛鞭效应的研究框架见表2。

图2给出本研究的示意系统流程图,受篇幅详细系统流程图省略。

图1　供应链模型中成员间关系

Figure1　TheRelationofMembersinModel

表1　供应链模型运作逻辑

Table1　TheLogicoftheSupplyChainModel

项目

零售商(B)

制造商销售部门(C)预测B需求指数平滑法

A历史需求

制造商生产部门(D)预测C需求指数平滑法

B历史需求

次级供应商销售部门(E)预测D需求指数平滑法

C历史需求

次级供应商生产部门(F)预测E需求指数平滑法

D历史需求

最终资源供应商(G)预测F需求指数平滑法

E历史需求

需求预测预测方法预测依据

由C管理的VMI模式

B需求

库存管理模式

由D管理的VMI模式

C需求

由E管理的VMI模式

D需求

由F管理的VMI模式

E需求

由G管理的VMI模式

F需求

可以随时得到原料

牛鞭效应量化

标准方差标准方差标准方差标准方差标准方差

不予以考虑

14管理科学　　　　　　　　　　　　　　　　　　2007年12月

表2　牛鞭效应研究涉及因素

Table2　TheFactorsofBullwhipEffectResearch

项目

子项目

需求信号处理限量供应和短缺博弈

原因

交货时间延迟价格波动批量订货

提高最终用户需求信息的透明度减少供应链的流通环节缩短提前期减少价格的波动

对策

建立战略性伙伴关系需求共同预测合理的契约

完善的激励与监督机制

√

VMI下双成员需求预测本研究中是否涉及

√√√

模型中如何实现

指数平滑法平滑指数信息共享下的限量供应交货提前期

√√

最低采购数量

VMI库存管理模式

√交货提前期

图2　系统流程示意图

Figure2　TheSketchMapofSystemProcess

　　变量之间关系如下。

A需求未被满足量(t)=max(0件,A需求(t)+A需求累计未被满足量(t-1)-B出库率(t)・dt),意义为

在0件和(A需求(t)+A需求累计未被满足量(t-1)-B出库率(t)・dt)中取最大值,而(A需求(t)+A需求累计未被满足量(t-1)-B出库率(t)・dt)的意义为A当

第6期　　　　　　　　　　　于晓霖等:基于APIOBPCS模式VMI下牛鞭效应仿真研究期的需求加上A上期没有被满足的需求减去本期B出库的数量。

A需求未被满足量(t)

A需求未被满足率(t)=

dt

15

A需求预测(t)=平滑指数×A需求

(t)

+(1-平

滑指数)×A需求预测(t-1)

B出库量(t)=if(B库存(t)≥A需求累计未被满足量(t-1)+A需求(t),A需求未被满足量(t-1)+A需求(t),B库存(t)),意义为如果t时期B的库存数量大于等于A上一期没有被满足的需求数量加上A当期的需求数量,则B出库量=A需求未被满足量(t-1)+A需求(t);如果不满足条件则t期B出库量为B库存(t)。

B出库率(t)=

B出库量(t)

dt

间[22]。

(2)终端客户需求设置为3种类型。

①阶跃需求,需求初始值为100件/天,仿真运行10天后,需求变为120件/天,此后一直保持不变;

②正弦波需求,初始值为100件/天,振幅为20件/天,周期为20天;

③随机需求,在80件/天和120件/天之间的随机数。

(3)运输周期和生产周期。运输周期为销售部门对需求方的补货提前期,简称DL;生产周期为生产部

两者设定为常门对销售部门补货提前期,简称PL。

数,可以取1天、2天、3天、4天。

(4)B库存初始值设为0件,C2G库存初始值设定为200件,这样设定具有一定的随意性,后文中将验证库存初始值对牛鞭效应的影响。

(5)仿真周期为360天。(6)仿真步长为1天。

(7)库存检查周期T,即每隔某一固定时间T检查库存数量一次,并且按照预先设置的库存管理规则进行处理。(8)APIOBPCS模式的θ与β,在此将θ和β统称为调节系数,初始θ和β均设为1。罗卫指出,θ和β相等时,APIOBPCS演变成一种变形DE2APIOBPCS,这

[15]

两个系数取值范围一般在0～2之间。为不失去研究的一般性,将这两个系数设定为-1～3之间,并且假设供应链上所有成员都采用相同的系数。

4　仿真设计和数据分析

4.1　平滑指数对牛鞭效应的影响

B订货量(t)=max{0,A需求预测(t)+在库调节

系数×[(订货提前期+1)×A需求预测(t)-B在库]+在途调节系数×(订货提前期×A需求预测(t)

OBPCS模式求-B在途库存(t))},此变量按照API

得,其中(订货提前期+1)×A需求预测(t)相当于

I,而B在库相当于I(t),订货提前期×A需求预测

0

0

(t)

相当于WIP,B在途库存(t)相当于WIP(t),用max函数是为防止在APIOBPCS模式计算出来的订货数量小于零的情况下出现负的订货数量(此时实际库存数量大于目标库存,显然是不应该订货的)。

B在途库存(t)=B在途库存(t-1)+C出库率(t)・dt-・dt,意义为t期的B在途库存数量等于上一期的B在途库存数量加上本期的输入数量(C出库率(t)・dt)减去本期在途库存流出数量(B入库率(t)・dt)。B入库率(t)=C出库率(t-C2B运输周期),意义为C的出库率经过C2B运输周期时间段到达B的仓库形成B的入库率,其中C2B运输周期是指从C发货开始到B收到货物所经历的时间。

上面说明中,下角标t为时间标识,dt为仿真的步长。

本研究中的C、D、E、F成员运作逻辑与图2中的B相同,G可以在任何时间以任何数量得到原料。

仿真模型中其他变量说明如下。

(1)采用指数平滑法进行供应链上需求预测,参考潘红宇的研究将平滑系数(α)设定在0.1～0.5之

B入库率

(t)

设θ=β=1,T=DL=PL=1天,需求类型为阶跃需求,以0.1为间隔探索不同的平滑指数对牛鞭效应的影响,仿真结果见图3。

图3表明,随着平滑系数的增大牛鞭效应更加明显,当平滑指数为0.1时牛鞭效应最弱,在同等条件下将需求类型变为正弦波需求和随机需求,表现出与阶跃需求同样的规律。从降低牛鞭效应的角度考虑,后续研究中将平滑指数设定为0.1。4.2　库存初始值对模型稳定性的影响

为验证库存初始值对牛鞭效应的影响,假设θ=β=1,T=DL=PL=1天,α=0.1。

图3　平滑指数对牛鞭效应的影响

Figure3　TheInfluenceofSmoothRatiotoBullwhipEffect

16管理科学　　　　　　　　　　　　　　　　　　2007年12月

表3中,B2I(t0)为成员B初始0时刻的库存数值,C2I(t0)为成员C初始0时刻的库存数值,

D2I(t0)为成员D初始0时刻的库存数值,E2I(t0)

　　各成员库存初始值通过随机数的方式产生,由于库存的初始值不可能小于0件,所以随机数的最小值设定为0件。本研究的库存订货模式接近于(T,S)制订货模式,随机数上限采用(T,S)库存管理模式中的S,参考张可明和宋伯慧计算最高库存量的公式[23],有

S=TD+Dt+K

---

为成员E初始0时刻的库存数值,F2I(t0)为成员F初始0时刻的库存数值;A2STD为成员A需求的标准方差,B2STD为成员B需求的标准方差,C2STD为成员C需求的标准方差,D2STD为成员D需求的标准方差,E2STD为成员E需求的标准方差,F2STD为成员F需求的标准方差。后文中再次出现意义相同。表3的数据表明,不同的库存初始值对需求的标准方差有影响,但是由下向上逐级增大的趋势没有变化。在本研究设定的取值范围内,库存初始值只能使牛鞭效应产生量变,不足以使其发生质变,所以库存初始值取值可以相对比较自由,但为保证数据的可比性,对比组中的库存初始值必须保持一致,后文中沿用对库存初始值的设定。4.3　库存调整系数对牛鞭效应的影响

设DL=PL=T=1,α=0.1,终端客户需求设定为阶跃需求,研究θ和β对牛鞭效应的影响,仿真结果见表4。

222Dσt+(T+t)σD

-

--

(5)

其中,S为最大库存量,T为两次订货时间间隔,D为

-单位时间需求量的均值,t为提前订货时间的均值,

2

σ2t为提前订货时间的方差,σD为单位时间需求量的方差。

取客户服务率为95%,对应的K=1.73;将T、D和t都设定为最大值,即T=4天,D=120件/天,t=4天;设σt=0,σD(单位时间需求量的标准方差)在正弦波需求时最大为14.14件/天,计算后S=1029.19件。后续阐述中为简化说明将省略各个变量的单位。

综上库存初始值范围为[0,1029.19],在3种需求下各随机取5组值进行仿真,探讨库存初始值对牛鞭效应的影响,仿真结果如表3所示。

表3　库存初始值对牛鞭效应的影响Table3　TheInfluenceofInitializeInventoryQuantitytoBullwhipEffect

需求类型阶跃需求阶跃需求阶跃需求阶跃需求阶跃需求正弦波需求正弦波需求正弦波需求正弦波需求正弦波需求随机需求随机需求随机需求随机需求随机需求

B2I(t0)57836882057727159831003671026527285144761345

C2I(t0)2516747534509295737226273297943261760181

D2I(t0)1279295201778272651845841513768668752

E2I(t0)66563141659668009819636124451760945812

F2I(t0)201942505637245959041784657435944853601

A2STD3.293.293.293.293.2914.1414.1414.1414.1414.1411.0111.0111.0111.0111.01

B2STD14.3111.5216.8214.3110.2523.2323.7920.0421.0223.9516.5814.9813.8117.9215.23

C2STD16.6615.5921.16.8216.5930.2131.4527.6827.8830.8321.1321.18.3422.5019.16

D2STD20.8721.9125.5020.7922.8038.5939.2036.3237.0738.5125.1325.7123.4026.8224.09

E2STD25.3926.2528.7126.0026.7748.8749.67.26.7949.0830.1530.1028.2131.9629.20

F2STD31.4219.2532.8131.0529.4662.3561.9161.61.2562.1135.4535.4034.3636.7036.25

第6期　　　　　　　　　　　于晓霖等:基于APIOBPCS模式VMI下牛鞭效应仿真研究

表4　在库调节系数和在途调节系数对牛鞭效应的影响

Table4　TheInfluenceofθandβtoBullwhipEffect

θ

-1

17

β

-1

B2STD2.11000.531.05014.4743.3256.2173.8223162.6041.0.9923.7126.732216.2379.67101.3375.5665.871227.20121.05123.50119.57119.99

C2STD1.09E+10931.4337.8132.42.84021.22111.29225.13391.634677.60178.1911.2432.11.31107.99278.15136.28127.75128.43158.22462.05221.75216.201.98

D2STD11.1611.4314.8716.2122.24026.33255.92793.551849.955025049.40513.4817.4637.66.45218482.02926.212.55207.36206.03105017.271852.67398.21374.95321.96

E2STD2.91E+10837.40.52100.9720397.36

030.485.742673.428339.7034097501.009.7322.0943.3462.26914006.512231.42290.34274.39257.10392185.474924.27610.866.14502.74

F2STD13.1414.8620.9658.9110974.30

033.971218.688771.8436585.35382872.801180.3228.3852.3074.171119202.912729.29402.81358.320.924949.866140.29972.761072.52761.73

合计

1.38E+109

95.61114.16209.2631437.79

0126.472193.9512520.17240.457750.402902.7884.161.16251.502285015.666245.071143.311043.60978.351008438.0213500.332327.082438.071908.40

-1-1-1-100000111112222233333

0123-10123-10123-10123-10123

　　从表4数据可知,不同的系数选择对牛鞭效应β为-1时,整个供应链没有表影响巨大,当θ为0、

现出需求的标准方差,系统没有产生订货,所以在以上的25组数据中最优的是θ和β均为1。如前文所OBPCS的一种变形DE2API2述,当θ和β相等是API

OBPCS。为验证DE2APIOBPCS在稳定性方面的表现,设θ等于β,选值范围在0～2之间,以0.1为间隔探寻规律,其他条件同上。仿真数据见表5。

18管理科学　　　　　　　　　　　　　　　　　　2007年12月

4.4　库存检查周期对牛鞭效应的影响

表5数据显示,DE2APIOBPCS模式具有比较强的稳定性,θ和β值在0.1～1.7之间没有表现出十分强烈的振荡,说明从减弱牛鞭效应这一角度考虑可以将DE2APIOBPCS模式用于指导供应链构建。

仿真条件设θ=β=1,DL=PL=1,α=0.1,研究

库存检查周期对牛鞭效应的影响。通过仿真得到数据见表6。

表5　DE2APIOBPCS下库存调节系数对牛鞭效应的影响

Table5　TheInflenceofInventoryAdjustmentRatiotoBullwhipEffectinDE2APIOBPCSPatternθ=β

00.10.20.30.40.50.60.70.80.911.11.21.31.41.51.61.71.81.92

B2STD14.2610.8.657.446.756.125.755.475.265.2.994.924.884.4.945.065.285.686.508.7675.56

C2STD21.1118.7916.4414.9313.9813.2512.6812.2211.8411.5211.2411.0210.10.11.1211.8113.4817.5626.2842.03127.75

D2STD26.2626.2823.6821.7220.2919.4318.5017.8017.3717.2417.4617.1116.4415.7215.2015.9221.8733.0045.3765.69207.36

E2STD30.4234.2531.5929.2027.2826.0124.7124.1223.4122.5522.0922.2623.2123.3821.7422.0634.1848.0366.2699.63274.39

F2STD33.9243.2840.8738.0035.5633.6832.3830.8730.2329.6328.3828.0029.2632.4531.6231.6849.0663.2595.22142.83358.

合计

125.97133.24121.23111.29103.8698.4994.0290.4888.1186.1984.1683.3184.6887.3384.6286.53123.87167.52239.63358.941043.60

表6　库存检查周期对牛鞭效应的影响

Table6　TheInfluenceofInventoryCheckCycletoBullwhipEffect

需求类型阶跃需求阶跃需求阶跃需求正弦波需求正弦波需求正弦波需求随机需求随机需求随机需求

T

B2STD4.99121.13171.7219.68105.12147.5812.48101.78143.66

C2STD11.24123.12174.2327.44108.71149.6017.04103.73146.12

D2STD17.46125.78177.6737.22113.152.6622.61106.55149.79

E2STD22.09129.29183.4148.85119.92157.8629.16110.10156.14

F2STD28.38134.16191.6163.72128.78165.2938.21117.58165.61

123123123

第6期　　　　　　　　　　　于晓霖等:基于APIOBPCS模式VMI下牛鞭效应仿真研究　　由表6数据可以看出,各项指标在同一种需求模式下都随着T的增大而增大。与T=1相比,T=2或T=3时供应链级与级之间需求标准方差变化幅度较小,但是数值要大很多。因此为减弱供应链上的牛鞭效应,应当选择比较小的库存检查周期。4.5　供应链瓶颈对牛鞭效应的影响

以往的研究探讨了短缺博弈情况下产生牛鞭效应,本研究将考虑供应链上存在瓶颈,并且存在瓶颈的成员已经通知了对应的下游成员,那么对应的下游成员订货不会突破这个极限,本研究探讨在此情形下的牛鞭效应。

仿真设定仍然选择阶跃需求作为终端客户需求的类型,θ=β=1,DL=PL=T=1,α=0.1,选择生产商的销售节点作为瓶颈,瓶颈的最大能力设定为90、100、110、120、130、140、150,仿真结果见图4。

图4中,TotalSTD为B2F需求标准方差的总和,

TotalNum为B2F不能满足对应下游成员需求的次数

19

后数值变化不大,所以选择一个合适的能力值对整条供应链的运作效果影响很大,模型中能力值设置为120就可以比较好的兼顾牛鞭效应和服务质量。4.6　最低采购数量对牛鞭效应的影响

选择成员为制造商的销售部门,在此假定最低采购量为0、20、40、60、80、100、120、140、160,同时假定零售商已经事先约定不允许缺货。在这种模式下,低于最低采购数量但是大于0的需求会按照最低采购数量进行订货,大于最低采购量的需求则按照需求值进行订货。θ=β=1,DL=PL=T=1,α=0.1,研究具有最低采购数量(即供应商只供应在此数量以上的订单)的供应链上的牛鞭效应,仿真结果如表

7所示。

的总和,计算不满足次数的方法是当某成员的库存小于对应下游成员的需求时,此成员产生一次不满足次数。由图4可以看出,瓶颈值在90～140之间时,随着瓶颈数值的增大,牛鞭效应更加明显,到140以上则稳定不变。服务质量受到巨大影响,在110～120之间由原来的总不满意次数395降低到47次,此

对比表7中的数据发现,在最低采购数量为120时,零售商需求标准方差极低,与此现象可能相关的是阶跃需求的均值119.45,所以猜测零售商订单较小标准方差可能出现在需求均值附近。试验另外两种类型的需求,正弦需求均值为100,随机需求的均值为99.21,如果上面的猜测成立,比较80、100、120这3个数据,可以发现比较强的反差,其中100这个值应该优于其他两个值。按照这一思想设计一组仿真试验,研究最低采购数量对牛鞭效应的影响,仿真结果如表8所示。

图4　瓶颈对牛鞭效应和服务质量的影响

Figure4　TheInfluenceofConstrainttoBullwhipEffectandServiceQuality

表7　最低采购数量对牛鞭效应的影响

Table7　TheInfluenceofMinimumPurchaseQuantitytoBullwhipEffect

最低采购量

020406080100120140160

B2STD4.994.994.994.063.532.931.8848.4369.05

C2STD11.2411.2411.2411.2511.2610.9110.2849.34.86

D2STD17.4617.4617.4617.4517.4417.0415.1856.0467.08

E2STD22.0922.0922.0922.0922.1022.1121.8266.9372.35

F2STD28.3828.3828.3828.4028.4128.4727.79.8179.24

20管理科学　　　　　　　　　　　　　　　　　　2007年12月

表8　不同需求模式下最低采购数量对牛鞭效应的影响

Table8　TheInfluenceofMinimumPurchaseQuantitytoBullwhipEffectinDifferentDemandType需求类型正弦波需求正弦波需求正弦波需求随机需求随机需求随机需求随机需求

最低采购数量

801001208098100120

B2STD18.995.74.2211.975.8714.1144.44

C2STD26.8512.4844.5216.9811.7217.8344.77

D2STD36.3818.19.8722.5617.3923.4049.86

E2STD47.23.8560.3029.1322.7929.5259.02

F2STD62.0629.6573.8438.2030.4637.9669.75

图5　提前期对牛鞭效应的影响

Figure5　TheInfluenceofLeadTimetoBullwhipEffect

　　由表8可知,最低采购数量在很大程度上影响牛鞭效应。随机需求下,最低采购数量为80、98和

100时供应链各环节方差变化很大,因此最低采购数

游成员的牛鞭效应可能只与对应的上游成员的提前期有关系,为了验证这种可能性,重新拟定试验改变生产商的制造周期和供应商的运输周期。

试验数据证明了上面的假定,尝试改变其他条件对牛鞭效应的影响,发现只要将在途调节系数和在库调节系数设定为1,改变需求类型或者平滑指数,同样的现象也会再现,初步证明这是一个稳定的与在库调节系数和在途调节系数有关的现象。

5　结论

量灵敏度很高,是一个不太好把握的变量。

4.7　提前期对牛鞭效应的影响

仿真条件设θ=β=1,T=1,α=0.1,需求类型设定为波动明显的阶跃需求。由于供应链结构趋同,所以只改变制造商的运输周期和制造周期,研究在不同的配对关系下的牛鞭效应。仿真得到的数据绘制成图5。

图5中,在X轴上标示制造商的运输周期与制造商生产周期的配对关系,121表示运输周期为1、生产周期为1,223表示运输周期为2、生产周期为

3,其他意义类似;绘图区中用1、2、3、4、5分别表示B、C、D、E、F需求的标准方差。由图5可以看出,当

本研究构建了具有7个成员的供应链,在构建的模型框架下,采取差异化的做法,通过仿真研究平滑指数、库存初始值、库存检查周期、提前期、最低采购数量、供应链上的瓶颈和APIOBPCS模式的库存调整系数对牛鞭效应的影响,研究结论如下。

平滑指数越小牛鞭效应越弱;库存初始值对牛鞭效应具体值有影响,但是不能从根本上改变牛鞭效应;库存检查周期越小牛鞭效应越弱;APIOBPCS

生产商运输周期固定时,零售商需求的标准方差固定,其他成员的需求标准方差随着生产商生产周期变大而变大。这说明在此种供应链运作模式下,下

第6期　　　　　　　　　　　于晓霖等:基于APIOBPCS模式VMI下牛鞭效应仿真研究采购模式下,设置合理的库存调整系数有利于降低牛鞭效应,DE2APIOBPCS采购模式下库存调整系数对牛鞭效应影响相对较小;当库存调节系数设定为1、某成员所有下游成员提前期已经确定的前提下,该成员需求的标准方差只与紧邻上游成员的提前期有关,再上游成员的提前期对该成员需求标准方差没有影响。

在供应链上存在最低采购、供应链上成员不允许缺货的前提下,最低采购数量在需求平均值附近牛鞭效应表现较弱,而且牛鞭效应对最低采购数量表现出比较强的敏感性;在供应链存在瓶颈、供应链成员之间合作的前提下,设置合理的瓶颈与不存在瓶颈对比,合适的瓶颈可以降低牛鞭效应,同时服务质量基本不受影响。

参考文献:

[1]ForresterJW.IndustrialDynamics:AMajorBreak2

throughforDecisionMakers[J].HarvardBusinessReview,1958,36(4):37-66.

[2]StermanJD.ModelingManagerialBehavior:Misper2

ceptionsofFeedbackinaDynamicDecisionMakingExperiment[J].ManagementScience,19,35(3):321-339.

[3]LeeHL,PadmanabhanV,WhangS.TheBullwhipEffectinSupplyChains[J].SloanManagementRe2view,1997,38(3):93-102.[4]

LeeHL,PadmanabhanV,WhangS.InformationDistortioninaSupplyChain:TheBullwhipEffect[J].ManagementScience,1997,43(4):6-558.[5]TowillDR.SupplyChainDynamics[J].Internation2

alJournalofComputerIntegratedManufacturing,1991,4(4):197-208.

[6]MettersR.QuantifyingtheBullwhipEffectinSupply

Chains[J].JournalofOperationsManagement,1997,15(2):-100.

[7]ChenF,DreznerZ,RyuanJK,LeviDS.Quantif2

yingtheBullwhipEffectinaSimpleSupplyChain:TheImpactofForecasting,LeadTimesandInforma2tion[J].ManagementScience,2000,46(3):436-443.

[8]邵晓峰,季建华,黄培清.供应链中的牛鞭效应

[22][23][21][20][19]

searchPartE,2001,37(1):35-.

21

[10]YuZ,YanH,ChengTC.BenefitsofInformation

SharingwithSupplyChainPartnerships[J].Indus2

trialManagementandDataSystems,2001,101(3):114-119.

[11]张力菠,韩玉启,陈杰,余哲,马文中.供应链管

理的系统动力学研究综述[J].系统工程,2005,23(6):8-15.

[12]达庆利,张钦,沈厚才.供应链中牛鞭效应问题

研究[J].管理科学学报,2003,6(3):86-93.

[13]谢斌,卢震,黄小原.供应链中的信息流运作模

式[J].东北大学学报(社会科学版),2003,5(4):260-262.

[14]JohnS,NaimMM,TowillDR.DynamicAnalysis

ofaWIPCompensatedDecisionSupportSystem[J].InternationalJournalofManufacturingSystemDesign,1994,1(4):283-297.

[15]LarsenER,MorecroftJDW,ThomsenJS.Com2

plexBehaviorinaProduction2distributionModel[J].EuropeanJournalofOperationalResearch,1999,119(1):61-74.

[16]罗卫.基于APIOBPCS策略的牛鞭现象研究

[D].武汉:华中科技大学,2005.

[17]DisneySM,TowillDR.ADiscreteLinearControl

TheoryModeltoDeterminetheDynamicStabilityofVendorManagedInventorySupplyChains[J].Inter2nationalJournalofProductionResearch,2002,40(1):179-204.

[18]刘媛媛,王海燕.供应链成员变化对牛鞭效应

分析[J].东华大学学报(自然科学版),2001,

27(4):119-124.

[9]XuK,DongY,EversPT.TowardsBetterCoordina2

tionoftheSupplyChain[J].TransportationRe2

影响的系统动力学仿真研究[J].物流技术,2006,(6):50-53.

李稳安,赵林度.牛鞭效应的系统动力学分析[J].东南大学学报(哲学社会科学版),2002,(10):96-98.

王磊,陈竞先,唐志杰.供应链中牛鞭效应的模型与分析[J].物流技术,2004,(1):42-46.

张力菠,陈杰,马义中.基于时间的VMI整合补货模式的系统成本与牛鞭效应[J].系统工程,2006,24(10):26-33.

潘红宇.时间序列分析[M].北京:对外经济贸易大学出版社,2006.

张可明,宋伯慧.物流系统分析[M].北京:清华大学出版社,北方交通大学出版社,2004:134-137.□