供应链中的牛鞭效应

供应链中的牛鞭效应（共11篇）

供应链中的牛鞭效应 篇1

随着全球经济一体化趋势的加快,为了在激烈的市场竞争中得以生存发展,企业之间的联系变得越来越紧密,尤其是上下游企业之间,为了能快速响应市场需求,形成一种协作关系,即围绕着某一核心企业,由供应商、供应商的供应商、核心企业、客户、客户的客户组成了一条集供应、生产、销售于一体的链状结构———供应链,同时供应链管理也应运而生。在供应链中普遍存在着需求波动放大的效应,上游企业面临的需求的波动程度要大于下游企业面临的需求的波动程度[1]65。这种需求信息歪曲的现象就是所谓的“牛鞭效应”。牛鞭效应对整个供应链的运作过程造成严重的负面影响,已经成为供应链问题的研究热点之一。识别引起牛鞭效应的原因,并采取相应的缓解措施,对于提高供应链管理的效率具有重要意义。

1 牛鞭效应的概念及危害

牛鞭效应(Bullwhip Effect)是对供应链中需求传递和放大效应的形象描述,是供应链物流中普遍存在的现象。在产品沿着供应链从上游向下游传输的过程中,市场对产品的需求信息也在沿着供应链自下游向上游传递,从最终产品市场上的消费者需求出发逐层的演变为节点单位对相邻的上游单位的需求,根据节点位置的不同,这种需求可以表现为最终产品的需求、半成品需求、原材料零部件的需求以及供应链上游单位的投资需求。由于需求的表达是逐级的,自下向上要经过若干环节,需求信息在传递过程中会发生扭曲并被不断放大,结果是处于供应链源头的原材料供应商得到的需求信息与市场实际需求信息之间有相当大的出入,供应链两端需求信息总体偏差的量级要比其间相邻两级节点的偏差量级大得多,形成牛鞭效应的现象,就像抖动一根鞭子时,近端的小幅抖动会使远端有较大幅度的波动。

在供应链中,需求信息是以订货数量的方式向上游传递的,因此牛鞭效应直观地表现是供应链中各级节点单位向上游订货数量波动幅度的不断增大,也即最终市场消费需求的小幅波动会导致上游企业订货数量的大幅变动[1]66。如图1所示。供应链中各节点向相邻单位订货的数量随着节点位置由下游往上游改变而出现越来越显著的波动,这就是所谓的牛鞭效应。

牛鞭效应的存在为许多企业的物流实践检验过,美国宝洁公司的一位物流主管曾经对该公司最畅销的产品之一婴儿纸尿裤的销售情况进行过调查,发现尽管该产品在零售商店的销售量只有小幅的波动,但分销商接到的订货量的波动幅度却明显大得多,而宝洁公司为生产该产品向上游供应商发出的原材料订货量的波动幅度更进一步增大了,宝洁公司将这种现象命名为“牛鞭效应”[2]。惠普公司在调查其打印机在一个主要零售商那里的销售情况时发现其订货量的波动要远远大于销售量的波动,而公司的打印机制造部门向芯片制造部门订货数量的变动幅度又比前者更大[4]。在我国,20世纪90年代末曾出现过的VCD价格大战,起因也在于VCD市场上的牛鞭效应,厂家一哄而上,使供应量大大超过需求,最终陷入价格战的恶性循环。

最早注意到供应链中这种需求波动逐级放大现象的人是Forrester,在1961年他就根据系统动力学理论,对一个三阶段四节点的供应链系统进行分析,指出对于季节性商品,制造商觉察到的需求变化远远超过顾客的需求变化,供应链内部的结构、策略和相互作用是导致需求变动放大的原因[1,2,3]。Sterman设计了“啤酒博弈”的课堂游戏(1989),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[4]。Hau L Lee等(1997)对需求放大现象进行了全面深入的分析,总结了导致牛鞭效应的四个原因并提出了牛鞭效应的量化模型和方法[3]147。

牛鞭效应导致了供应链中需求信息的失真,其危害表现在微观和宏观两个方面:

在微观层面上,牛鞭效应的存在会给供应链中企业的运作带来效率和收益的双重损失。第一,产品库存是为了适应需求的变化而设立的,过度的需求波动直接导致了供应链中的过量库存,大量地占用了企业的资金,形成高额的库存成本,给企业的生产经营活动带来压力。第二,由于需求的不确定性增加了,企业对需求进行准确预测的难度也加大了,供应中发生延迟交货和缺货的可能性增加,经常会发生产品短缺和过剩交替或产品过时的现象,导致客户服务的水平降低。第三,需求扭曲使企业的生产也要受到影响,生产计划由于受到扭曲的需求信息的误导而不得不频繁修改,生产不能连续的进行,生产成本和物流成本都会因此而增加。

从社会经济的宏观层面上来说,牛鞭效应还会导致经济资源的盲目流动和低效率的配置。牛鞭效应是一种典型的“市场失灵”现象,由于上游行业接收到的需求信息偏离了真实的需求状况,可能引发过度投资或投入不足的现象。牛鞭效应使投资被误导而出现盲目流动,资本过度进入意味着竞争加剧和收益下降,最终使行业自身的发展受到伤害,也会由于造成金融系统的隐患而给宏观经济运行带来风险。

2 牛鞭效应的成因分析

引起牛鞭效应的原因,一方面在于供应链上下游环节之间需求沟通方面存在着障碍,是在信息不充分的条件下,决策者追求优化决策的结果;另一方面是由供应链的固有属性所引起的,例如存在着较长的交货提前期,流通环节多,具有较高的固定订货成本等。具体地说,引起牛鞭效应的主要原因有以下几个方面:

(1)多级需求预测。当零售商在某时期发现顾客需求增加时,往往会认为这是未来需求增长的预兆,从而大幅度地增加订货量,造成信息的失真。在传统的运作管理中,每个上游成员仅仅依靠其下游买方的需求数据作出预测与决策,因此其制定的订货数量和库存水平将更加偏离真实需求。这样顾客需求在往上层各级供应链成员的传递过程中将不断被放大,多级预测明显加剧了牛鞭效应[3]148。

(2)批量订货策略。在供应链中,需求方一般采用批量订货的策略,这主要是因为存在着固定的订货成本以及通过大量采购可节约运输成本。批量订货意味着下游环节的订单并没有真实体现客户的实际需求。批量订货的影响很容易理解,如果零售商采用最小—最大库存策略进行批量订货,那么批发商就会接到一个大订单,以后几个时期没有订单,接着又是一个比较大的订单等等。因此,批发商看到的是一个扭曲的和高度变动的订货方式[1]70。

(3)提前期。交货提前期越长,供应链中的不确定性也越大,供应链环节为了防止缺货现象的发生,会提高安全库存水平。在采用s,!S"库存策略时,一般订货点s采用如下的计算方法:

式中,L为提前期;D#为平均的每期需求;σD为需求的标准差;z为统计变量,表示在给定的服务水平条件下不发生缺货的概率。其中安全库存为,因此提前期L越长,安全库存也就越大。

(4)流通环节。当供应链中各环节之间缺乏沟通,并且流通环节增多时,牛鞭效应会增大。牛鞭效应具有逐层增大的现象,多一个流通环节,牛鞭效应就放大一次,因此,流通环节对牛鞭效应具有乘数效应。

(5)价格波动。价格波动会促使提前购买。制造商通常会进行周期性促销,如价格折扣、数量折扣、优惠券等,这些优惠实质上是一种间接的价格优惠。制造商的价格优惠会促使其分销商提前购买日后所需的产品,而提前购买的结果是顾客所购买的数量并不反映他们的即时需求,这些批量足以供他们将来一段时间使用。

这种促销对供应链来说可能会成本很高,当制造商的价格处于低水平时(通过折扣或其它促销手法),顾客常会购买比自己实际所需要大得多的数量;当制造商的价格恢复正常水平时,顾客由于有足够库存,因此在其库存消耗完之前,他们不会再购买。结果,顾客的购买模式并不能反映他们的消耗/消费模式,并且使其购买数量的波动较其消耗量波动大,从而产生牛鞭效应。

(6)短缺博弈行为[1]72。当需求大于供给时,供应商常会根据客户的订单需求进行按比例分配。客户为了使自己获取更多的商品,达到利润最大化,就会进行博弈,增大订货数量。在众多客户博弈达到均衡时,所有客户的订货量都将是实际需求的某个倍数,这样导致了需求预测的扭曲和变动,从而引起牛鞭效应。在这种情况下所有客户都夸大了其真正的需求,使供应商无法准确地了解真实的需求信息。

3 减少牛鞭效应的措施

牛鞭效应与供应链成员之间的信息沟通和合作态度以及供应链结构的一些属性有关,如何减轻供应链中的需求波动放大的效应,是我们研究的主要目的。目前已有很多研究都提出了许多减少牛鞭效应的方法和对策,但是大都缺乏系统性和针对性。减少牛鞭效应或消除其影响的关键在于真正了解牛鞭效应产生的原因,然后有针对性地制定措施,从而对牛鞭效应起到有效抑制和减轻的作用。本文针对每种原因比较系统地提出了相应的解决办法。

3.1 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,从而可大大减小牛鞭效应。

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。供应链成员间通过Internet/EDI(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。比如Dell公司通过Internet网、电话、传真等组成了一个高效的资讯网路,客户可以直接地向公司下订单要求进行组装、供应,使订货、制造、供应“一条线”完成,实现了供应商和客户的直接交易,有效地防止了牛鞭效应的产生。

3.2 打破批量订购

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、运输成本高昂。事实上,即使通过EDI可以使订购成本大大下降,但订购的效率仍会受满负荷与否所限制。现在,很多制造商都鼓励其分销商同时订购多种不同的产品,这样货车一次就可从同一制造商那里满载多品种的产品,而不是满载同一品种。这对每一产品来说其订购的频率大了,发送的频率不变,但仍可获得运输的规模经济性,例如宝洁公司对愿意进行混合订购的顾客给予折扣优惠。

使用第三方的物流公司也可使小批订购实现规模经济。企业可以通过把临近供应商的货物联合运输来实现规模经济,而无须从同一个供应商那里一次大批订购。虽然这样会增加额外的处理费用和管理费用,但只要所节省的费用比额外的费用大,联合运输还是值得的。

3.3 缩短提前期

有研究人员发现如果提前期缩短50%,那么预测误差也将减小50%。订货提前期是指发出订单到收到货物之间所需的时间,订货提前期又可细分为信息提前期、决策时间、制造时间、运输时间以及各过程中存在的等待时间。信息提前期是指供应商接收和处理订单所需要的时间;决策时间是指供应商制定生产计划和运输计划所需的时间;制造时间是指当供应商没有库存或在JIT生产方式或定制生产方式下生产订货产品所需的时间;运输时间是指挑选,装卸和运输产品所需的时间;等待时间是指各个过程中的空闲时间。

针对订货提前期的不同组成部分,可采用不同的措施来缩短时间,采用EDI等现代信息技术来缩短信息提前期;使用决策支持系统,例如MRPⅡ,ERP,DRP来加速决策制定过程;通过加强生产管理,利用现代先进的制造技术,采用并行工程及对现有产品结构和生产流程重新优化设计等措施来缩短产品的制造时间;采用现代集成化物流管理技术及第三方物流来缩短物流运输的时间;通过协调各成员的活动,加强管理来缩短各过程之间的等待时间。

3.4 减少供应链的流通环节

减少流通环节可以减少需求信息的放大程度,同时也可以更好地对客户的需求做出反应。采用基于Internet网络的Bto B和Bto C电子商务,采用与客户面对面的交易方式,都大大减少了中间的流通环节。另外,可以采用配送中心取代流通过程中的一级二级等批发商。

3.5 稳定价格

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。制造商可通过制订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能精确计算库存、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。供应商可采用天天低价(EDLP)策略来减小促销所导致的价格波动带来的客户需求的波动。通过消除价格促销,供应商可消除伴随着促销同步产生的需求的急骤变化,形成更加稳定的,变动性更小的顾客需求模式。因此,天天低价策略能够产生更稳定的,变动性更小的顾客需求模式。

3.6 消除短缺情况下的博弈行为

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。通用汽车长期以来都是这样做的,现在很多大公司,如惠普等也开始采用这种方法。

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奕,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。

4 结束语

综上所述,对大多数企业而言,单靠自己的实力,要想在激烈的市场竞争中求得生存和发展,是相当困难的。企业之间通过供应链彼此联系起来,以一个有机的整体参与竞争,共同合作,优势互补,实现协同效应,从而提高供应链的竞争力,达到群体共存。供应链不仅涉及蛋糕的分配,还要把蛋糕做大及发现新的蛋糕,这都需要企业相互信任,互惠互利,为此在供应链中实施战略性伙伴关系是非常必要的。战略性伙伴关系可以改变信息共享和库存管理的方式,企业之间建立诚信机制,实现资讯共用,使各节点企业能从整体最优的角度做出决策,实现供应链的不断增值,各企业也都能获利,求得生存和发展。

摘要：牛鞭效应是供应链中一类典型的由不确定性导致的复杂现象。牛鞭效应对企业的效益甚至整个国家的经济会造成严重的影响,多年来一直受到人们的关注。减小供应链中的牛鞭效应是实现供应链管理的关键,也是提升供应链企业竞争力的有效方式之一。论文在介绍了牛鞭效应的基本概念及其危害的基础上,对引起牛鞭效应的原因进行了分析,最后针对每种根源讨论了减小牛鞭效应的可行对策。

关键词：供应链,供应链管理,牛鞭效应,需求信息

参考文献

[1]邵晓峰,张存禄,李美燕.供应链管理[M].北京:机械工业出版社,2006:65-74.

[2]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.

[3]包旭云,李帮义.供应链中牛鞭效应产生的原因及对策[J].统计与决策,2006(7):147-149.

[4]杨家其,胡顺芳.供应链中牛鞭效应的形成机理与控制方法的研究[J].武汉理工大学学报,2006,19(6):847-850.

供应链中的牛鞭效应 篇2

专业教研室刘雅萍

摘要：随着市场竞争的加剧，物流与供应链管理越来越成为企业获取竞争优势的重要手段。本文针对供应链管理中出现的信息扭曲问题，讨论了供应链中牛鞭效应的现象和成因，提出了减轻和消除该效应的对策。

关键词：供应链 牛鞭效应 信息共享

供应链是由供应商、生产商、批发商、零售商以及运输商等一系列的企业组成，原材料依次通过“链”中的每个企业，逐步变成产品，产品再通过一系列流通环节，最后送到最终用户手中，这一系列活动就构成了一个完整供应链的全部活动。

供应链追求的目标是供应链的整体效率和效益的优化，而不是组成供应链的单个企业的效率和效益的优化。这就要求供应链的各成员企业加强合作，信息共享。企业之间的关系已不是传统的“输赢”的敌对关系，而是“双赢”的合作和战略联盟关系。

但在供应链上，常常存在着如预测不准确、需求不明确、供给不稳定、企业间合作性与协调性差的问题，造成生产与运输作业不均衡、库存居高不下、成本过高等现象。引起这些问题的根源有许多，但主要原因之一是“牛鞭效应”。“牛鞭效应”是市场营销活动中普遍存在的高风险现象，它直接加重了供应商的供应和库存风险，甚至扰乱生产商的计划安排与营销管理秩序，导致生产、供应、营销的混乱，解决“牛鞭效应”难题是企业正常的营销管理和良好的顾客服务的必要前提。

一、营销活动中产生“牛鞭效应”的原因 ：

数年前，P＆G管理人员在考察婴儿一次性纸尿裤的订单分布规律时曾惊奇地发现，虽然婴儿对产品的消费比较稳定，零售商那里销售量的波动也不大，但厂家从经销商那里得到的订货量却出现大幅度波动，同一时期厂家向原材料供应商的订货量波动幅度更大。这似乎是一件与常识相矛盾的事。处于其他行业的HP等其他企业也作过类似的调查，同样印证了这一现象的存在，这与我们在挥动鞭子时手腕稍稍用力，鞭梢就会出现大幅度摆动的现象相类似。于是，人们就将这

种现象称为“牛鞭效应”。简单讲，“牛鞭效应”就是指供应链下游消费需求轻微变动而导致的上游企业生产、经营安排剧烈波动的现象。

“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。分析其产生的原因主要有以下几个方面：

（1）需求预测修正

需求预测修正是指当供应链的成员采用其直接的下游订货数据作为市场需求信息的依据时，就会产生需求放大。例如，在市场销售活动中，假如零售商的历史最高月销量为100箱，但下月正逢重大节日，为了保证销售不断货，他会在月最高销量基础上再追加A%，于是他向其上级批发商下订单（1+A%）100箱。批发商汇总该区域的销量预计后（假设）为120箱，他为了保证零售商的需要又追加B%，于是他向生产商下订单（1+B%）120箱。生产商为了保证批发商的需要，虽然明知有夸大的成分，但也不得不按至少（1+B%）120箱投产，并且为了稳妥起见，在考虑损毁、漏订等情况后，他又加量生产，这样一层一层地增加预订量，导致“牛鞭效应”。

（2）短缺博弈

为避免缺货发出的异乎寻常的大额订单，订货激增给上游经营者带来错误市场信号，扭曲的信息在向更上游的供货商传递过程中多次放大，给整个供应链带来灾难性的后果。比如HP公司的新产品在刚上市时，经常出现供不应求的情况，为了合理地安排产品，上游企业总设定一个配给比例来发货。假设这个比例是75%，当下游企业的订单量是100个商品时，实际能得到的货物只是75个。这时下游企业往往夸大销售量和订单量，进行博弈。一旦上游企业的生产能力能满足

订单需求时，订单又恢复正常，这使得上游企业积累了大量库存，产生了“牛鞭效应”。

（3）库存责任失衡加剧了订货需求放大。

在营销操作上，通常的做法是供应商先铺货，待销售商销售完成后再结算。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。因此，销售商普遍倾向于加大订货量掌握主动权，这样必然会导致“牛鞭效应”。

（4）“牛鞭效应”与经营者的营销策略也有一定的关联。经济社会中销售与消费的脱节极容易造成经营者将销售量误解为消费量，并据此做出错误的生产、经销计划。企业的促销计划无论是针对经销商的，还是针对最终消费者的，也无论是数量优惠，还是价格折扣，以及付款方式上的优惠，都会产生一定的先期购买行为，即在实际需求产生之前购买。这样会造成一段时间内产品的销售量远远超出该段时间市场对该产品的实际吸纳水平。这些超出需要的产品就会被客户或消费者堆放在仓库里供未来消费。当市场价格回升至正常水平，由于他们仍有存货，就会在一段时间内消费但不购买，结果是，客户的购买时间安排与消费时间安排截然不同，购买量的变化比消费量的变化幅度要大得多。由此，处于供应链上的企业受到震荡也就在所难免。

（5）“牛鞭效应”还与企业所处的物流环境有极大关联。订货交易成本的存在，运输中规模经济的影响，乃至订单处理、仓储管理的落后，现代化通信手段的匾乏都会直接导致经营者延长订货周期，加大订货批量。订货周期越长，所需安全库存越多；订货周期变化越大，为达到同样的现货供应比率，同样也会要求有更多的安全库存量。

二、减轻和消除“牛鞭效应”的对策

从供应商的角度看，“牛鞭效应”是供应链上的各层级销售商（总经销商、批发商、零售商）转嫁风险和进行投机的结果，它会导致生产无序，库存增加，成本加重，通路阻塞，市场混乱，风险增加，因此妥善解决就能规避风险，减量增效。企业可从如下方面着手：

（1）利用库存控制方法消除牛鞭效应（VMI库存控制）

VMI管理系统就是指由供应厂商管理用户库存，是连续补货的方式之一，所谓“连续补货”是供应商与零售商建立伙伴关系，两者共享零售商的库存数据和销售信息及目前的存货水准，供应商根据这些数据和信息再依据预先制定的存货水准对零售商进行补货的过程。在连续补货的环境下，供应商不再是被动地执行零售商的订单，而是主动地为零售商补货或提出建议性的订单，以降低补货成本，提高供货速度和准确性，降低库存水平。

VMI是一种供应链集成化运作的决策代理模式，由供应商代理分销商或批发商行使库存决策的权力，从而打破传统的先产生订单再进行补货供应模式，以实际的或预测的消费者需求作补货的依据，减少了多方预测而导致的重复次优选择，消除了传统方法需求信息从分销商向供应商传递过程中的放大和扭曲，大大降低了牛鞭效应的影响。（2）加强出入库管理，合理分担库存责任。联合库存管理策略是合理分担库存责任、防止需求变异放大的先进方法。它是使供应商与销售商权利责任平衡的一种风险分担的库存管理模式，它在供应商与销售商之间建立起了合理的库存成本、运输成本与竞争性库存损失的分担机制，将供应商全责转化为各销售商的部分责任，从而使双方成本和风险共担，利益共享，有利于形成成本、风险与效益平衡，从而有效地抑制了“牛鞭效应”的产生和加剧。

（3）缩短提前期，实行外包服务。一般来说，订货提前期越短，订量越准确，因此鼓励缩短订货期是破解“牛鞭效应”的一个好办法。

根据Wal-Mart的调查，如果提前26周进货，需求预测误差为40%，如果提前16周进货，则需求误差为20%，如果在销售时节开始时进货，则需求误差为10%使用外包服务，如第三方物流也可以缩短提前期和使小批订货实现规模经营，这样销售商就无须从同一个供应商那里一次性大批订货。

（4）加强供应链上企业的合作，减少信息传导过程中的扭曲。在这方面，近年来所推崇的综合物流管理模式将大有用武之地。现代化的供应链管理是变原来生产、销售企业之间瓜分利润的竞争关系为共同拓展利润空间的伙伴合作关系，实现所谓双赢的理想局面。体现现代供应链管理观念的一个重要手段就是供应链企业之间的信息共享，典型的做法就是变原来独自搜集需求信息为合作伙伴之间共

享需求信息。通过互联网或者EDI技术使得零售商的销售信息随时传导到批发商、经销商、生产商，使他们得以利用即时信息了解产品消费状况，预测市场走向。由于即时信息比较准确，而且避免多次需求预测，所以真实需求波动被放大的现象得以减少，在掌握真实市场信息的基础上所做出的生产、运作的安排将会更加合理，大量的浪费将被避免。

三、结论

“牛鞭效应”是供应链中普遍存在的现象，它给供应链企业带来很大的危害，是供应链无法避免的问题，所以只有在分析“牛鞭效应”形成原因的基础上有针对性地给出相应策略，才能尽量减小并且避免“牛鞭效应”，提高供应链的效率。

参考文献：

1、物流技术

2、上海管理科学

供应链中的牛鞭效应 篇3

一、供应链中的牛鞭效应及其危害

供应链管理是在满足服务水平需要的同时，为了使得系统成本最小而采取的把供应商、制造商、仓库和商店有效地结合成一体来生产商品，并把正确数量的商品在正确的时间配送到正确地点的一套方法。通过供应链管理，我们可以把对成本有影响和在产品满足顾客需求的过程中起作用的每一方都考虑在内，追求系统的效率和整个系统的费用有效性，从而达到系统中成本最小，增加经济效益，实现供应链各成员共赢的局面。但是在供应链中普遍存在着一个对企业生产运营有着严重影响的“牛鞭效应”。“牛鞭效应”最早是由美国宝洁公司在研究“尿不湿”的市场需求时，发现分销商向工厂的订单的变动程度比零售数量的波动要大得多，研究人员就把这种现象称为“牛鞭效应”。

由于牛鞭效应出现在供应链的各个层次，因此它的危害对供应链的各组成方来说都是或多或少存在的，具体表现在以下几个方面：

1、在供应链的各组成方中产生不同程度的过量库存。上游参与方为保持一定的服务水平，就会用库存来弥补生产柔性的不足。而这个库存同实际的需求相比往往会有很大的差距，多余的库存实际上是不必要的库存，过量库存。这将导致供应链各参与方显著的无效率作业，这实际上是对企业有限资源的的一种浪费。

2、牛鞭效应在一定程度会增加企业的成本。过量库存的存在，无形之中会增加企业的运输、保管费用，库存占用资金的利息支出也是企业成本增加的一个来源，同时库存晶的在保管时损耗也会增加的企业的成本，而潜在的经济损失更是无法估量的。对于生产型企业来说，它将有限的资源用于生产过量的库存品，增加了企业的机会成本。流通型企业同样也存在着机会成本增加的情况。

3、牛鞭效应还会影响企业的销售活动。过量库存的存在，会造成供应链活动中潜在的销售流失；同时，供应链中各参与方为了销售掉多余的库存，必然会采取相应的营销活动，对供应链各方其它产品的销售会产生一定的影响。对于供应链各参与方没有建立战略伙伴关系的情况下，需求的变动和不确定性对产品销售的影响更加明显。

4、对于供应链中制造商来说，相对于其它的参与方，牛鞭效应带来了更大的管理难度。这些难度主要表现在需求扩大而引起的企业有限资源的分配问题，如不同产品原材料的采购，不同产品的生产能力的安排，生产计划的制定，库存战略的制定和库存的控制等等。这些直接影响着企业在市场条件下的生存和发展。

二、信息系统对牛鞭效应的影响

供应链中产生牛鞭效应的主要原因是顾客需求信息在往供应链上游传递过程中的信息扭曲和失真，所以通过IT技术的应用，建立供应链级的信息系统，我们可以实现在供应链内部集中顾客的需求信息，为供应链上每一个阶段的企业提供有关顾客需求的全部信息，使牛鞭效应明显降低。同时，信息系统的建立能够极大地提高供应链的一致性和协调性，缩短了供应链的运转周期并降低成本。因此，为了减小牛鞭效应的影响，首先应该建立以internet／in—tranet技术为基础的供应链信息网络。该网络以生产企业为中心，各成员内部依靠intranet，采用B／S(或B／S与C／S相结合)体系结构，利用java、jsp等具体实现，成员之间采用拨号或专线的方式连接，为供应链各成员建立信息系统提供技术平台，利用其安全、方便、技术可靠的特点，为减轻或消除供应链中的牛鞭效应及其产生的危害提供必要的基础保证。在信息网络的基础上，建立供应链级的信息系统，在这个信息系统中通过提供共享信息中心、合作预测、内部订货、统一库存管理、客户管理、产品价格及预测管理等必要功能模块，来达到减小牛鞭效应的目的。

1、建立涵盖整个供应链的信息中心，使供应链的各参与方共享数据，互通信息有无，能够减少信息的不确定性。所谓的信息不确定性是指企业拥有的信息和企业达到特定目标所需要的信息之间的差异。在一个传统的供应链中，上游企业掌握较多的生产和产品方面的信息，而对于市场和顾客有关的信息则了解较少；下游企业正好相反。通过信息系统的共享信息中心，将整个供应链中的生产、运输、仓储、销售以及顾客信息收集到一起，以达到集中信息的目的，可以弥补供应链各成员所需信息的不足，从而减少信息的不确定性。这样供应链的每一阶段都可以使用顾客的实际需求数据来进行更准确的预测，而不是依赖于下游成员发出的订单来预测，就可以显著的减少牛鞭效应。相反，没有建立共享的信息中心，就不可能实现信息集中的目的，供应链中上游成员利用下游成员的订单来预测需求，由于这些订单相对于实际的顾客需求有很大的变动性，因此根据这些订单预测的需求的变动性更大，从而导致更严重的牛鞭效应。

2、将各成员各自的预测功能统一起来，去粗存精，建立合作预测于系统，能够促使更加有效的预测，降低牛鞭效应的危害。传统的供应链管理中，各成员可能使用不同的数据和预测技术来估计需求，其结果必然会造成需求的变动。信息系统中合作预测子系统的建立，在共享信息的基础上，各成员使用共同的、科学的预测方法，走上合作预测的道路，显然会使预测更加准确，从而减小牛鞭效应。

3、建立供应链管理信息的供应链内部订货予系统，可以缩短提前期，进而显著减少整个供应链的牛鞭效应。提前期分为订货提前期和信息提前期，很明显，由于供应链各成员间信息通畅，同时又使用统一的订货信息系统，信息提前期会大大缩短；又由于供应链级管理信息系统是在企业内信息系统的基础上建立的，订货信息通过供应链MIS和企业内MIS间的接口，快速传递到企业，通过企业内信息系统，企业各部门的配合和信息传递速度提高，生产周期缩短，即缩短订货提前期。提前期的缩短就会导致订货批量的下降，库存的减小，同时也会使预测更加准确；订货批量下降、库存减小和预测准确就会降低需求预测的变动性，从而减少牛鞭效应。因此，缩短提前期就成为减少牛鞭效应的可选途径之一。而缩短提前期的最有效的方式就是在供应链管理信息系统内建立及时、方便、快捷的统一订货信息系统。

4、在供应链管理信息系统中建立统一库存管理子系统。通过统一库存管理，实行实时配货，减少供应链中下游成员的库存，甚至可以在有条件的成员中实行零库存，起到减小牛鞭效应的作用；建立顾客管理子系统、产品价格管理与预测子系统等等，了解消费者的需求、喜好、产品价格变化趋势，根据市场的需要和企业的条件，减少产品价格变动和优化企业与消费者间的短期博弈，从而减小供应链的牛鞭效应。

供应链中的牛鞭效应 篇4

当前, 服务业在中国国民经济中的比重越来越大, 服务业正逐步成为国民经济的核心。服务业固定资产投资增长速度明显高于第一产业和第二产业, 服务经济时代已经到来。

在服务行业得到巨大发展的同时, 服务供应链的研究和应用也日渐兴起。现代服务业企业就需要将部分服务外包出去, 并通过供应链模式为客户提供来自全世界的服务。因此, 服务业的快速发展为服务供应链的兴起与发展提供了机遇。

因此对服务供应链的研究与产品供应链的研究一样, 具有重大的意义。“牛鞭效应”是产品供应链中大量存在的现象, 造成了社会资源的大量浪费, 加大了企业的成本。产品供应链中的“牛鞭效应”的存在性已经得到了充分的研究, 由Forrester、Burbidge和Sterman用不同的方法证明了供应链中“牛鞭效应”的存在性;而关于服务供应链的“牛鞭效应”的研究则相对较少, 而且尚未达成共识。本文将针对服务供应链中“牛鞭效应”, 在Edward G的抵押服务游戏的基础上, 构建仿真模型, 探讨其“牛鞭效应”的存在性。

本文利用Excel软件进行数据仿真建模, 再现了Edward G.等人的模型, 证明了在该模型中存在这明显的“牛鞭效应”, 而且信息共享对于减弱波动程度有明显的作用。

将服务的特性纳入考虑后, 本文认为, 由于服务生产过程中要有顾客的参与, 因此在提供服务时就应该格外关注时间要素的重要性。就是说, 服务等待时间会直接影响顾客对服务质量的评价是“服务”不同于“实物产品”很重要的一点。在修正模型中考虑了这一因素之后, 再次利用Excel进行数据仿真建模, 得出的结果说明了:在该模型中, 不存在“牛鞭效应”;信息共享在服务供应链的上游能够改善“牛鞭效应”, 而在下游却不能起到作用。

二、抵押服务游戏模型

(一) 服务供应链模型抽象

根据对服务供应链定义和结构模型的研究, 结合产品供应链中对模型的抽象概括, 可以将服务供应链的模型概括如下:

考虑一个单项目的多阶供应链, 其中每一阶段仅有一个参与者。在任一给定的阶段i , 参与者的行为可描述如下:在每一个时间周期t结束之前, 参与者的需求Di, t已经被实现, 该参与者以其服务能力Ci, t为上限来满足需求, 不能满足的需求成为积压Bi, t, 并被推迟处理。本阶段满足的需求ri, t传递给他的上游供应商, 成为上游供应商输入的需求Di, t+1在上述的模型中, 一个阶段的订单直接转化为上一阶段的需求, 因此Di, t+1= ri, t。各阶段每隔k个周期重新制定目标能力C*i, t, 指导Ci, t向着C*i, t变化。

该模型的假设条件可概括为如下要点:

1.供应链是单项目的多阶供应链, 每阶段仅有一个参与者, 各阶段是不同的主体;

2.终端客户的需求并非是各期独立的, 而是相互关联的;

3.各级目标服务能力是根据该阶段的积压来预测的;

4.实际服务能力向目标服务能力的变化需要一定的时间;

5.不能满足的需求被无限期推迟处理。

(二) 抵押服务游戏模型描述

1.抵押服务游戏模型背景

抵押服务游戏是模拟现实中的抵押贷款服务, 并将其简单化后提出的。每次抵押贷款申请要经过连续的四个阶段:初始处理, 信誉检查, 调查和确认检查, 四个节点代表了四个不同的服务提供商。

每个顾客将抵押贷款的申请提交给第一阶段初始处理阶段, 申请者在贷款工作人员处填写申请的, 之后第一阶段的工作人员将处理过的申请传递给第二阶段信誉检查 (即由第二阶段的工作人员与客户联系, 确认工作和审查信用记录的信息) 。之后如同上一层级, 信誉检查阶段将申请订单传递给调查阶段 (即对客户的财产进行调查, 以检查它的价值, 也包括在分区法规或邻近物业内的任何侵犯) 和确认检查 (即确保财产所有权是无可争议的, 无留置权) 。四个阶段中都需要客户的参与, 这是由服务的特性决定的。

每个阶段, 由于无法像产成品一样建立库存作为缓冲, 以应对不断变化的需求。每个阶段都要通过管理其能力的大小, 即它雇用的工人数量, 来控制该阶段的积压, 从而提高其服务水平。每个阶段的服务提供商根据一定的规则制定目标处理能力, 并通过雇佣和解雇来调整工人数量从而使实际处理能力向着目标处理能力变化。但由于雇佣 (包括宣传, 面试, 雇用, 培训等流程) 和解雇 (包括发出通知, 解雇等流程) 均需要一定的时间, 因此实际处理能力的变化要有一定的时滞。

由于服务不像产成品一样有库存, 因此选择以订单堆积和服务能力这两个参数进行衡量, 看在这种服务供应链中是否存在“牛鞭效应”的情况。

同时, 该条服务供应链的另一个目标是, 最大限度地减少整个供应链中雇员薪金和服务延误的总成本。这能够提供更优化的目标处理能力的算法, 可以成为之后研究的方向之一。

2.对抵押服务游戏模型公式及对公式的理解

根据Edward G. 和Douglas J. (2000) 发表在 《Production and Operation Management》的论文《ASimulation Gamefor Service-Oriented Supply Chain Management:Does Information Sharing Help Managerswith Service Capacity Decisions?》, 总结出如下公式:

Bi, t———第i阶段第t天的积压量;

ri, t———第i阶段第t天的实际处理量;

Ci, t———第i阶段第t天的实际处理能力;

Ci, t*———第i阶段第t天的目标处理能力;

τ———能力调整时间;

λ———平均服务延迟时间;

T———目标能力调整周期;

α———一个决定在多大程度上利用新的申请率来决定目标处理能力的系数, 0<α<1。

公式 (1) 表示:每个阶段的输入, 来自上一阶段的完成量, 同时又要优先处理本阶段前一天累积下来的积压;其输出就是其完成量。因此, 第i阶段第t+1 天的积压量, 等于该阶段前一天积压量加上上一阶段前一天实际处理的量 (即, t+1 天所面对的, 需要完成的量) , 减去该阶段上一天实际处理的量。

公式 (2) 表示:各个服务提供商, 只能以其实际处理能力为上限, 来满足当天的需求;如果当天需求量较小, 则会出现能力过剩。因此, 第i阶段第t天所能处理的积压数量, 取决于该阶段当日的实际处理能力和当日可供处理的量中的较小者;

公式 (3) 表示:每个星期, 根据调查的积压, 来决定雇佣或解雇雇员, 设置系统的目标能力。但是, 实际上, 平均处理能力将落后于目标调查能力一定的时间。因此, 我们将目标处理能力规则制定如下:第i阶段实际处理能力的变化率, 等于第i天的实际处理能力朝着目标处理能力变化的变化率 (在能力调整时间中均匀变化) ;

公式 (4) 表示:现实中, 出于某种原因, 各个服务提供商不能每天都调整目标能力, 目标能力将会用如下方程决定:目标处理能力每T天调整一次。在t能被T整除的时候, 查看当天的积压, 并采取如下方案:将目标调整至可以在允许的延迟期内处理完积压;而在其余的时间里, 目标处理能力不作调整。

3.仿真模型初始化

原论文已经对其设定的一系列参数进行了仿真模拟, 并得到了结论。这里, 我们结合之后要修正的模型, 在不违背原数据设定目的和结合实际的原则下, 设定初始参数如下:

4.仿真建模

利用Excel进行仿真, 建立模型。

假设游戏持续5 天。开始时, 申请产生速度r (0, t) 保持在每天20 次, 直到40 天后, 申请产生速度一次增加35%, 跳转为每天27 次。之后保持在这一数字不变, 直至250 天———比赛结束。模型分为无终端客户需求信息和有终端客户需求信息两种情况, 来对比信息共享对“牛鞭效应”的影响。相应地, 在公式中表现为:α=0 和 α=0.5。

在Excel中, 仿真计算的公式如下:

(三) 修正的抵押服务游戏模型

1.模型的修正

经过第一章中对服务的特点的研究, 笔者认为, 由于“牛鞭效应”对供应链管理的绩效评价存在着重大的影响, 在研究“牛鞭效应”的同时应与成本收入计算同时进行。因此在研究“牛鞭效应”时应格外关注时间要素的重要性。

由于服务生产过程中要有顾客的参与, 顾客会把自己的时间赋予价值, 并将时间花费看成是负担。服务等待时间和服务时间的长短就直接影响顾客对服务质量的评价。

因此, 服务过程中时间要素的重要性要求, 服务需求中为满足的需求不能被无限期推迟。客户的可等待时间是有上限的。反映在模型中, 表现为, 当订单等待时间超出客户可等待时间上限时, 客户撤回订单。

2.修正模型的公式及公式理解

模型修正以后, 增加了di, t, 用以表示第i阶段的参与者在第t天, 因无法在客户可等待时间内完成而撤回的订单。

为简化计算, 将撤回流程设定如下:客户在第t天将申请递交给阶段i的参与者, 如果在第t天或第t+1 天提供服务则可以完成订单, 在第t+2 天提供服务客户一定不会接受。

据此可以看出, 我们关于顾客可等待时间的规则如下:客户递交申请时, 可以立刻被提供服务, 也可以等待到第二天结束时接收服务, 但再长则不行。由此, 客户等待时间最短为0 天, 最长为2 天;假设每个客户可等待的时间均是如此, 则客户平均可等待时间等于1 天。服务提供商的平均服务延迟时间等于客户平均可等待时间, 就是1 天。因此每阶段的名义服务延迟时间 λ设定为1 天。

从而有如下公式:

di, t———第i阶段第t天的撤回量;

其余变量的意义与原模型一致。

公式 (1) (2) 表示:当面对一堆优先级相同的订单时, 我们优先处理前一天积压下的订单。第i阶段第t天, 面对前一天处理剩下的积压Bi, t+1, 如果当天处理量ri, t≥Bi, t, Bi, t可以全部被处理完成, 当天不被撤回;从而Bi, t+1为ri-1, t+ (Bi, t-ri, t) ;如果ri, t<Bi, t, 则Bi, t不能被全部处理, 无法处理的订单被撤回, di, t=Bi, t-ri, t, 则Bi, t=ri-1, t。

则,

公式 (3) 表示:与原模型相同, 每个服务提供商能够提供的服务, 取决于该阶段当日的实际处理能力和当日可供处理的量中的较小者;

公式 (4) 表示:与原模型相同, 第i阶段实际处理能力的变化率, 等于第i天的实际处理能力朝着目标处理能力变化的变化率 (在能力调整时间中均匀变化) ;

公式 (5) 表示:目标处理能力每T天调整一次。在t能被T整除的时候, 查看当天开始时的积压和t-1 天的撤回量, 并采取如下方案:将目标调整至可以在允许的延迟期内处理完积压和撤回量;而在其余的时间里, 目标处理能力不作调整。

3.修正的仿真模型初始化

结合之前的原模型, 为了进行比较, 在使用相同数据的情况下, 根据前面的公式分析, 设定本模型的初始参数如下:

4.仿真建模

利用Excel进行仿真建模。流程与前面一样。

在Excel中, 仿真计算的公式如下:

三、仿真结果及分析

根据仿真建模的数据, 选取两个量进行统计———申请积压和实际处理能力的方差, 来度量各个阶段波动的大小。收集两个模型中的四次实验数据, 整理得到下列图表。

从上面的数据可以看出, 在原模型中, 无论是各级能否获得终端需求信息, 随着服务申请沿着服务供应链从下游客户端向上游移动, 各个阶段的申请积压和实际处理能力的方差都是逐渐增大的, 就是说:该模型存在显著的“牛鞭效应”。

同时我们发现:当存在终端需求信息的时候, 实际处理能力的方差和申请积压的方差显著低于不存在终端需求信息的情况。可以看出, 信息共享对于改善“牛鞭效应”具有较大的作用。

然而在修正后的模型中, 无论是各级能否获得终端需求信息, 随着服务申请沿着服务供应链从下游客户端向上游移动, 各个阶段的申请积压的方差都是逐渐增大的, 但是明显可以看到, 实际处理能力的方差在有终端需求信息的情况下, 第四阶段的方差比第三阶段的小。

同时, 当存在终端需求信息的时候, 实际处理能力的方差和申请积压的方差有很多个点是低于不存在终端需求信息的情况, 说明信息共享对于改善“牛鞭效应”具有一定的作用。 但申请积压的第二阶段和实际处理能力的第一阶段, 都出现了有信息共享的时候波动更大。这说明了, 在供应链下游的地方, 信息共享对波动的削弱作用并不明显。

再将两个模型的数据作比较, 可以发现:修正后的模型的方差明显低于所对应的原模型的方差, 尤其是申请积压的方差, 两者不在一个数量级 (如表3 和表4) 。

考虑到两个模型均选取了四个阶段来仿真模拟, 那么是否因为模拟的周期太短, 导致观察到的现象不能说明某种规律呢?为此我将两个模型均扩展为了8 个阶段, 得到结果如下:

可以看出, 对于原模型, 申请积压和实际处理能力的方差在各种情况下都是逐级增大的, 而且现实中, 服务供应链的长度一般不长, 所以足以说明, 原模型中存在“牛鞭效应”。

而修正后的模型, 申请积压和实际处理能力的方差呈现先缓慢增长, 后缓慢降低的走势, 整个过程中的变化幅度不大, 尤其是相比于原模型中的数据。因此, 修改后的模型中数据的波动基本无变化, 因此, 可以认为是方差是不变的。亦即, 不存在“牛鞭效应”。

四、结论

在原抵押服务游戏模型中, 存在显著的“牛鞭效应”, 信息共享对于改善“牛鞭效应”具有较大的改善作用。

在考虑了客户等待时间有限这一要素之后, 修正的服务供应链模型的申请积压和服务能力的方差表现为不变, 说明不存在“牛鞭效应”;信息共享在服务供应链的上游能够改善“牛鞭效应”, 而在下游却不能起到作用。

参考文献

[1]Anderson E G J.A simulation game for teaching services-oriented supply chain management:Does information sharing help managers with service capacity decisions?[J].Production and Operations Management, 2000, (Spring) .

[2]Dirk de Waart., Steve Kremper, 5 steps to service supply chain excellence[J].Supply Chain Management, 2004, (1) :28-36.

[3]金立印.服务供应链管理、顾客满意与企业绩效[J].中国管理科学, 2006, 14 (2) :100-106.

[4]胡正华, 宁宣熙.服务链概念、模型及其应用[J].商业研究, 2003, (07) :111-113.

供应链牛鞭效应的成因及治理研究 篇5

[摘要] 牛鞭效应对整个供应链的运作水平造成严重影响，多年来一直受到众多学者的关注。本文从经济学层面对牛鞭效应的成因做出分析，并在此基础上有针对性地提出相应缓解对策，有效地弱化牛鞭效应。最后指出由于我国特殊的环境而导致的牛鞭效应产生的几个特殊原因。

[关键词] 供应链 牛鞭效应 信息共享

一、牛鞭效应

1.“牛鞭效应”的含义

牛鞭效应(Bullwhip effect)也叫信息曲解(informationdistortion)现象，指的是当供应链上的一种需求变异突然放大时，由于信息流从最终客户端向原始供应商端传递时，无法有效地实现信息的共享，使得信息扭曲而逐级放大，导致了需求信息出现越来越大的波动。这种信息扭曲的放大作用在图形显示上很像很一根甩起的赶牛鞭，因此被形象地定义为“牛鞭效应”。

2.牛鞭效应的危害

牛鞭效应导致需求信息失真，扭曲的信息使供应链中的成员对市场和顾客的预测出现偏差，如果不能缓解牛鞭效应，很可能导致企业领导者决策失误。可以说，牛鞭效应所带来的危害程度要超过一般管理者的预期。牛鞭效应及其引发的失调对供应链的运营业绩有较大的负面影响，不仅增加了成本，降低了反应能力，而且不利于在供应链内部建立合作伙伴关系，从而导致整个供应链利润下滑。

二、供应链牛鞭效应的成因分析

1.供应链的组织结构

一般地说，供应链越长，处于同一节的企业越多，供应商离消费者越远，对需求的预测越不准。同时经过各环节的传递及各企业安全库存的多层累加，需求资讯的扭曲程度越大，“牛鞭效应”越明显。“牛鞭效应”产生的根本原因在于供应链各个环节的信息不对称，导致信息最终的无限放大，从而产生牛鞭效应。由于供应链的各个企业是独立的个体，存在各自的利益目标。供应链上参与者的利益目标和供应链最优化决策往往是互相制约和影响的，最终导致代理方在传递信息时按照自己最优而委托方次优的标准进行选择。

2.需求预测的不准确性

企业一般都利用过去的市场需求来预测未来的市场需求，这样就很容易导致需求信号被不断放大。供应链每一节点企业都会对其生产日程，生产能力，存货控制，以及物料需求进行计划和预测，预测的基础则是这一企业直接的顾客。因此，供应链中任何一个买方发现产品需求量在某个时期增加时，就会认为这是未来需求增加的预兆，从而就会大幅度地增加订货量。在传统的运作模式中，上游企业一般依靠下游企业所提供的信息和数据做出预测和决策，因此上游企业的库存控制将受到扭曲信息的损害，这样重复下去，就呈现逐步放大的趋势，即多重预测是导致牛鞭效应的一个关键因素。

3.理性选择和短缺博弈

一般情况下，零售商只是按需求订货，只要在补货期间不发生断货就可以，但是有时候零售商们不知道下一批货物在什么时候能够得到补充。如果需求不断增加而生产能力不足的话，零售商就需要等待很久之后才能得到货源补充。零售商的一个理性反应就是订购足够多的货物，那么即便将来的货源补充不够及时，零售商也有足够的存货来维持经营。供应商的生产能力不能满足潜在的需求时，会根据买方的订货量限额配给，卖方为了得到更多的配额，就会提高订货量，超出实际的需求。当这种问题解决后，订货量就会回到正

常的水平。其实，即使供应量充足，只要买方认为可能发生缺货，就可能采取以上的策略。当需求大于供应时，理性的决策是按照订货量比例分配现有供应量，比如，总的供应量只有订货量的40%，合理的配给办法就是按其订货的40%供货。此时，销售商为了获得更大份额的配给量，故意夸大其订货需求是在所难免的，当需求降温时，订货又突然消失，这种由于短缺博弈导致的需求信息的扭曲最终会导致“牛鞭效应”。

三、弱化牛鞭效应的对策

1.简化供应链结构，销售渠道下沉

供应链的水平层次和垂直规模的参与者越多，信息被加工的次数就越多，被扭曲的程度也就越大。在服装行业，由于广泛采取批发的大流通营销模式，导致供应链层级数量加大，不仅严重影响了市场需求信息的有效传递，而且增加了不必要的物流成本、库存成本、销售成本等，大大降低了服装供应链的反应速度和运作效率。因此，简化供应链的结构，弱化“牛鞭效应”的一个有效策略就是销售渠道下沉，发展直销或连锁经营,以及开展网络化销售。

2.加强信息共享，保障供应链信息畅通。

减少牛鞭效应最常用的方法是通过集中顾客需求信息减少整个供应链的不确定性，即为供应链各阶段提供实际的顾客需求的全部信息。而需求信息的个别占有是信息扭曲的一个重要原因，于是信息的共享便为减轻牛鞭效应提供了一条途径。

这是因为，采用信息技术后，需求信息的传递由原来的线形结构变为网状结构，即供应链中的每个成员不仅接受其直接下游传来的订单信息，同时还接受来自最终顾客的需求信息，每个成员利用流向自己的各种信息来预测实际需求和向上游企业的订货量，能够有效地避免由多头预测引起的信息失真。同时，现代先进的信息技术如POS, EDI, ERO, Internet等，也为实现供应链成员之间的信息共享，减少信息传递过程中的失真，使信息在传递过程中更加会计便利提供了可行条件。3.加强库存管理

(1)VMI库存控制。VMI管理系统就是指由供应商管理用户库存(Vendor Managed Inventory)，是连续补货的方式之一。VMI是一种供应链集成化运作的决策代理模式，它把客户的库存决策权代理给供应商，由供应商代理分销商或批发商行使库存决策的权力，从而打破传统的先产生订单再进行补货供应模式，以实际的或预测的消费者需求作补货的依据，减少了多方预测而导致的重复次优选择，消除了传统方法需求信息从分销商向供应商传递过程中的放大和扭曲，大大降低了牛鞭效应的影响。

(2)联合库存控制。不同于VMI集成化运作的决策代理模式，联合库存是一种风险分担的库存管理模式，简单来说，联合库存管理就是基于协调中心的联合库存管理模式。联合库存管理和供应商管理客户库存不同，它强调双方同时参与，共同制定库存计划，使供应链过程中的每个库存管理者(供应商、制造商、分销商)都从相互之间的协调性考虑，保持供应链相邻的两个节点之间的库存管理者对需求的预期保持一致，从而消除了需求变异放大现象。

4.建立战略联盟，加强信任合作

从供应链的整体出发，通过建立战略伙伴关系，实现信息共享，以获得关于整个供应链中的库存水平、订单、生产和交货情况的准确信息，使得生产按顾客的实际需求进行，减少供应链中需求的变动性，能有效地弱化“牛鞭效应”。

除此之外，还应通过完善企业间的契约关系，建立有效的激励和监督机制来保障服装供应链企业间战略合作的实现。一方面，供应链上的核心企业在设计激励契约时，必须充分考虑到其他参与企业的利益，并能使其他企业接受这个契约所能获得的利益不少于不参与这个供应链或不接受这个契约时的所得;另一方面，加强合约的约束力，如完善监督机制对参与企业间的合作进行管理和控制等。

四、对我国经济中牛鞭效应的分析探讨

1.由于我国特殊的环境而导致的牛鞭效应产生的几个特殊原因

综合来讲，目前在我国造成牛鞭效应的原因可以归结为两大类，客观原因就是我国经济体制的约束;主观原因就是我国的企业的观念问题。(1)经济体制的约束。由于我国是由计划经济体制转变到市场经济体制，因此目前我国的市场经济体制存在着一些不完善的地方。市场经济体制不完善表现在市场法制不够健全。市场经济体制不完善的另一个表现就是企业的代理制度混乱。(2）企业本身的观念问题。目前我国大部分企业还没有建立现代化的企业制度，很多企业都只是把自己当作一个个体，而没有上升到供应链这一高度。根据实际调查结果表明，企业与供应商的合作还没有形成战略伙伴关系等具有战略联盟的关系,许多企业没有充分利用EDI /Internet等先进的信息通信手段，企业与企业之间信息传递工具落后。

2.对我国企业的一些启发

在我国，由于特殊的政治经济背景,以及人文环境，企业要想缓解牛鞭效应可以从以下几个方面入手: 首先，供应链上下游企业之间应该建立良好的合作伙伴关系。建立起一种合作机制，合作关系代替相互博弈。其次,企业间实现信息共享，有效利用Internet实现上下游企业供需信息间的沟通。企业只有得到准确有效的供需信息，才能减少由于信息不准确而导致的牛鞭效应。对我国企业最大也是最重要的一个启发就是企业自身需要转变思想，抛弃以前旧的经营观念和理念，用现代先进的管理思想来武装自己，从而适应市场经济的要求。企业应该站在供应链这一高度考虑自己的战略决策，而不是把自己看作孤立的生产者，只有这样才能从根本上减弱牛鞭效应的影响。

参考文献：

[1]邵晓峰季建华黄培清:供应链中的牛鞭效应分析.东华大学学报，2001,8:119～124

[2]李辉:牛鞭效应.销售与市场，2000年第8期

[3]万杰:供应链中牛鞭效应现象产生原因与控制措施研究，2002

[4]段建宇张海涛:VMI策略对牛鞭效应的控制.物流技术，2007年第26卷

供应链中的牛鞭效应 篇6

以销定产是目前很多连锁企业所采用的采购管理办法，但在实际操作中，往往是实际使用与定购数量产生很大的差异，对于企业资源造成浪费，这样的浪费粗略估计目前可以占到企业利润的20％以上。

我们可以发现特定产品的顾客需求变动并不大，但供应链中的库存和延期交货水平却波动很大，这种需求变异放大现象被通俗地称为“牛鞭效应”，是市场营销活动中普遍存在的高风险现象，企业必须认真对待，合理解决。

六大原因

一件商品的零售是相当稳定的，但零售商为了适应顾客需求增量的变化，保证商品及时可得，通常会将销售量稍作放大后向批发商订货。例如，商品的历史最高月销售量为1000件，但下月正逢重大节日，零售商为了保证不断货，会在1000件的基础上追加A％订货，这样，他的上级批发商收到的订单就是(1+A％)1000件。研究发现，此种需求预测修正，是连锁企业商品供应发生“牛鞭效应”的主要原因之一。

我们可以看到，批发商出于同样的考虑，也会在汇总零售商订货量后作进一步放大，再向分销中心订货。越往供应链的上游，需求预测修正造成的增量就越大。当不断被放大的需求信息到达供应链的源头时，那些总销售商、生产商就要维持比实际需求高出很多的库存水平、生产水平，从而人为地增大了经营风险。

此外，还有订货批量决策、价格波动、短缺博弈、库存责任失衡和应付环境变异等原因，都可能使连锁企业的需求信息不断被放大，导致“牛鞭效应”。

订货批量决策——在供应链中，每一级销售商都要向其上游订货。一般情况下，销售商并不会来一个订单就向上级销售商订货一次，而是在考虑库存和运输费用的基础上，按照一个时间周期或者一定数量规模与上游联系，为了减少订货频率、降低经营成本，同时规避断货风险，销售商就要加量订货。另一方面，频繁的订货也会增加上级销售商的工作量，上级销售商也往往要求下级销售商按照一定数量规模或时间周期订货，从而鼓励了下级销售商的加量订货行为。

价格波动——价格波动是由于一些促销手段，或者经济环境突变造成的，如价格折扣、数量折扣、赠票、与竞争对手的恶性竞争和产品的供不应求、通货膨胀、自然灾害、社会动荡等，这种因素使许多零售商和推销人员预先采购的订货量大于实际的需求量，因为如果库存成本小于由于价格折扣所获得的利益，销售人员当然愿意预先多买。

短缺博弈一当需求大于供应时，理性的决策是按照订货量比例分配现有供应量。比如，总的供应量只有订货量的40％，合理的配给办法就是按其订货的40％供货。此时，销售商为了获得更大份额的配给量，故意夸大其订货需求是在所难免的。而当需求降温时，订货就会突然消失。

库存责任失衡——在连锁企业营销操作上，通常是供应商先“铺货”，待销售商销售完成后再结算。供应商首先要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、退货及其他相关损失。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。大量存货可作为资产使用，如与其他供应商易货，或者低价出货，缓解资金压力。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。

应付环境变异——自然环境、人文环境、政策环境和社会环境的变化都会增强市场的不确定性，销售商的应对之策就是保持库存。当环境变化增强，或者形成一种较普遍认识时，销售商会加大订货，将不确定性风险转移给供应商。

解决方法

从供应商的角度看，“牛鞭效应”是供应链上的各层级销售商(总经销商、省市批发商、零售商)转嫁风险和进行投机的结果。导致生产无序，库存增加，成本和风险增大。企业可以从以下几个方面入手，进行综合治理。

建立订货分级管理制度

从供应商的角度看，并不是所有销售商的地位和作用都是相同的。按照帕累托定律，他们有的是一般销售商，有的是重要销售商，有的是关键销售商，而且关键销售商的比例大约占20％，却实现了80％的销量。因此供应商应根据一定标准将销售商划分出不同的等级，对他们的订货实行分级管理，如对一般销售商的订货实行“满足管理”，对于重要销售商的订货进行“充分管理”，对于关键销售商的订货实现“完美管理”，通过稳定关键销售商和重要销售商，减少变异概率。

这种方法在一些优秀企业已经得到很好的应用。3M公司为关键客户提供完美的订货服务，一旦缺货，立即为关键客户在遍布全球的3M公司仓储中搜索存货，并安排直接递送，甚至在特殊情况下，3M公司还会借用已出售的货物来供给关键客户。他们这样做的目的，就是要保证在任何情况下都能为关键客户提供完善的供货服务，增强销售商的信心，营造良好的市场氛围，减少订货需求放大。

加强出入库管理，合理分担库存责任

上游企业应当努力获取下游企业的真实信息，这样，上下游企业都可以根据相同的原始资料来制定供需计划。例如，IBM、惠普和苹果等公司在合作协议中明确要求分销商将中央仓库里产品的出库情况反馈回去，虽然这些数据没有零售商销售点的数据那么全面，但仍然有着巨大的决策参考价值。

DELL则通过Internet、电话、传真等组成了一个高效的信息网络，彻底摆脱了需求放大的困惑。当订单产生时即刻传至DELL信息中心，由信息中心将订单分解--为子任务，迅速分派给各区域中心，各区域中心及时进行组装，并按照时间表准时供货，从而使订货、制造、供应“一站式”完成，有效地防止了“牛鞭效应”的产生。

在供应商管理库存的环境下，销售商的大库存并不需要预付款，相反地，大库存还会起到融资作用，起到制约供应商的作用，因此这一管理模式加剧了订货需求放大。联合库存管理则对此进行了修正，它在供应商与销售商之间建立起了合理的库存成本、运输成本与竞争性库存损失的分担机制，从而使双方成本和风险共担，利益共享，有利于形成成本、风险与效益平衡，从而有效地抑制了“牛鞭效应”。

缩短订货提前期

4t2来说，订货提前期越短，订量越准确，因此，缩短订货提前期是破解“牛鞭效应”的一个好办法。根据Wal-Mart的调查，如果提Ni26周进货，需求预测误差为400／0；如果提前16周进货，则需求预测的误差为20％；如果在销售时节开始时进货，则需求预测的误差为10％

规避短缺情况下的博弈行为

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，这样就可以防止销售商为了获得更多的供应而夸大订购量。通用汽车公司长期以来都是这样做的，现在很多大公司如惠普等也开始采用这种方法。

在供不应求时，销售商对供应商的供应情况缺乏了解，博弈的程度就很容易加剧。与销售商共享供应能力和库存状况的有关信息能减轻销售商的忧虑，从而在一定程度上防止他们参与博弈。

参考历史资料。适当减量修正，分批发送

供应商根据历史资料和当前环境分析，适当削减订货量，同时为保证需求，供应商可使用联合库存和联合运输方式多批次发送，这样，在不增加成本的前提下，也能够保证订货的满足。

提前回款期限

提前回款期限、根据回款比例安排物流配送是消除订货量虚高的一个好办法。因为这种方法只是将期初预订数作为一种参考，具体的供应与回款挂钩，从而保证了订购和配送的双回路管理。提前回款期的具体方法是，将会计核算期分为若干区间，在每个区间(如10天或7天)末就应当回款一次，对于积极回款者给予价格优惠，等等。

从分散型系统到集中型系统

在一个分散型系统中，每一个机构都在寻找自己最有效的战略，而不考虑供应链其他机构的影响，从而产生类似“牛鞭效应”的弊端。随着信息技术的发展。企业可以建立信息系统。使所有机构都能够获取同样的数据，使整个供应链使用协调战略，降低系统成本和提高服务水平，这样的集中型系统，是现代连锁企业的理想模式之一。

供应链中的牛鞭效应 篇7

关键词：供应链,移动平均法,牛鞭效应

一、模型构建

为了便于研究, 首先构建一个简单的二级供应链系统, 我们做如下假设:

*供应链上有2个企业, 它们分别是1个零售商和1个制造商;

*零售商直接满足顾客需求, 没有运输延迟时间;

*零售商不准缺货, 制造商的生产能力无限;

*订单延迟以及运输延迟时间均为1周, 制造商生产周期为2周;

*各节点企业安全库存以及初始库存都为100, 单位件;

*各节点企业均采用安全库存策略;

*模拟周期为50周;

*各个周期的订货量以及发货量大于或等于零;

*单位库存以及订货费用均为1元, 单位缺货费用为2元。

相关说明:设定第三个假设的意义在于保证零售商与制造商的总时间延迟相同, 目的是为了在时间延迟相同的条件下分析市场需求在向上传递过程中的放大现象。零售商的订单延时与制造商运输延迟时间之和为2周, 这就意味着零售商从发出订单到最后收到货物实际上经过了2周的延迟时间。制造商的生产周期也为2周, 表示制造商从制定生产计划到货物进入仓库成为库存的时间也为2周。这就剔除了因为延迟时间不同对需求放大所造成的影响。

该模型中相关变量以及公式定义如下:

*市场需求:市场需求是用MATLAB随机函数产生的一组均匀分布随机变量。具体公式如下:NORMINV (RAND () ) , 80, 10)

*市场销售=MIN (上周库存+本周到货, 市场需求)

*订货量=MAX ( (安全库存-库存) /库存调整时间+本周需求, 0) , 初始值为0

*本周需求=下游企业订货量 (延迟时间以前)

*库存量=上周库存量+本周到货-本周发货量, 各节点企业库存初始值都为100

*本周到货=上游发货量 (运输延迟时间以前)

*发货量=MAX (MIN (上周库存+本周到货, 本周需求+上周缺货) , 0)

*缺货量=本周需求-本周发货量

*生产需求= (安全库存-库存) /库存调整时间+本周需求

说明:上述公式中“本周到货”是由上游供应商的“发货量”经过运输延迟时间后传入的, 它们在数值上是相等的。“本周需求”是由下游需求方的“订货”经过订货延迟传入的, 它们在数值上也是相等的。

二、模型仿真

首先针对上述模型, 运用matlab进行仿真, 得出牛鞭效应图, 如图1所示。 (图1)

图1说明:黑线为市场需求;红线为零售商需求;蓝线为制造商生产需求。

当需求出现波动时, 运用matlab仿真, 得出如下牛鞭效应图, 如图2所示。 (图2)

图2说明:黑线为市场需求;红线为零售商需求;蓝线为制造商生产需求。

比较图1和图2可以看出, 当需求出现波动时, 制造商的生产需求峰值达到了170, 牛鞭效应加剧。

三、在市场预测环节加入移动平均法, 分析其牛鞭效应情况

移动平均法是取预测对象最近一组历史数据的平均值作为预测值的方法。这种方法不是仅取最近一期的历史数据作为下一期的预测值, 而是取最近一组历史数据的平均值作为下一期的预测值, 这一方法使近期历史数据参与预测, 使历史数据的随机成分有可能互相抵消, 平均值所含的随机成分就会相应减少。

移动平均法的“平均”是指对历史数据的“算术平均”, 而“移动”是指参与平均的历史数据随预测值的推进而不断更新。当一个新的历史数据进入平均值时, 要剔除原先参与预测平均的最陈旧的一个历史数据, 并且每一次参与平均的历史数据的个数是相同的。

其计算公式为:Ft+1=n1∑nk=1Xt-k+1

其中, F表示预测值, X表示历史数据, n表示参与移动平均的数据个数。

为了便于研究对比, 在此取前面的研究数据运用移动平均法进行预测, 仿真结果如下:

运用matlab对几个参数进行仿真, 得出牛鞭效应曲线, 如图3所示。 (图3)

图3说明:黑线为市场需求;红线为零售商需求;蓝线为制造商生产需求。

根据仿真结果我们可以看到使用移动平均法后, 订货以及库存波动的趋势都有所减弱, 对照图1与图3我们可看到制造商生产需求的峰值从140减少到115, 振动明显减弱, 有效地减小了系统的牛鞭效应。据此可以看出, 在需求预测环节, 采用移动平均法能够减小牛鞭效应, 有效地增加了供应链系统的稳定性。

当需求出现波动时, 使用移动平均法的有效性研究。针对需求突变的情形, 现使用移动平均法对输入变量进行仿真, 仿真结果如图4所示。 (图4)

图4说明:黑线零售商库存;红线为制造商库存;蓝线为制造商生产需求。

供应链牛鞭效应的对策研究 篇8

一、供应链牛鞭效应存在的问题

许多制造企业常发现产品需求量波动很大，程度要远大于产品实际销售量的变化幅度，这种现象在许多商品供应中普遍存在。牛鞭效应随着供应链运作的企业越多，效应越明显，整个供应链管理变得十分复杂、困难。牛鞭效应使供应链上需求信息失真且失真度逐级放大，直接后果就是库存积压;其次，过度需求变化使企业生产计划变化加剧，导致额外成本支出增加，如加班费用、加快运输的费用等，最终导致生产成本和运输成本上升;再次，牛鞭效应易造成需求增加的错觉，使制造商盲目扩大生产能力，结果生产能力利用率不高;同时，牛鞭效应导致生产能力闲置或过度使用，产生短缺与过剩交替，甚至产品过时的现象，客户需求不能及时满足，导致对客户服务水平降低。由此，有必要从技术层次上找出弥补供应链中牛鞭效应的对策。

二、供应链牛鞭效应的战略对策分析

供应链内部各成员目标利益的不协调、有效激励与监督机制缺乏，使得完善信息和简化决策在传统供应链结构下不可行。单纯从信息完善和简化决策角度出发无法根本解决牛鞭效应问题，因此，先要做到完善契约和供应链内部所有委托代理双方利益目标协调一致。

1. 完善契约

供应链结构中各实体间利益在某种程度上互相矛盾，在没有其他激励条件下，没有参与者会先公开信息，因此建立完善契约制度是提高信息共享程度的前提。为减少牛鞭效应，有必要对实体间联系进行管理和控制，合法契约是有效方法。在签订契约时，要注意契约柔性和时间有效性。

我们考虑单个制造商和供应商的简单模型：令供应商完成契约的劳动量为x(这里产品=供应商提供的服务)，产量y=f(x)，为了简化，产品价格为1，这样，就确定了产品价值，假定s(y)为供应商生产价值y元产品后得到的报酬，c(x)为供应商提供x劳动量的成本。我们试图寻找次优激励机制/利益分成机制来刺激供应商提供良好服务，因为最优机制很难达到。在利益分成机制下，供应商与制造商都按一定比例从收益中获得利润。假设供应商份额采取s(x)=af(x)+F的形式，其中F为常数，a<1，这样，由供应商利益最大化得出：max a f(x)+F-C(x)。此时供应商提供的劳动量满足：a MP(x)=MC(x),MP(x)为边际产量，MC(x)为边际成本。在信息对称时，供应商提供的劳动量z，满足MP(z)=MC(z)，在不对称信息下不是最优的。然而非对称信息条件下，尽管供应商报酬部分取决于可观察产量x，但供应商和制造商共同承担了产量波动风险，既对供应商产生激励，又使供应商不必承担全部产量波动风险，就在次优条件下最优地解决了供应商“败德风险”。

另一方面，为解决制造商误选了供应商，契约签订时，可采取两种方式：第一，寻求中间商或经纪人对供应商进行信息甄别。假设制造商直接与供应商签约风险为v，中间商或经纪人代理成本为c′，信息不对称降低后的风险为v′，那么当v-v′>c′时，制造商采取的策略可行。中间商或经纪人本身并不能成为供应商信号，但他们能利用专业知识鉴定识别供应商信息。通过建立中间商或经纪人商业信誉，能使制造商和供应商之间的信息不对称状况得到扭转。希望获得良好服务水平的制造商通过经纪人的可接受价格与提供良好服务的供应商签约，且为此支付给经纪人佣金也低于在非对称市场上搜寻良好服务水平供应商的成本。第二，制造商与供应商合同签订时，采取风险分担措施。根据前面假设：供应商风险分担VL=βV+E,0<β<1,E为常数。现假设市场中有两类供应商：低服务水平的L1，与高服务水平的L2,L1承担风险能力VL1βV+E。L1和L2都能承担风险，愿与制造商签约，如果逐步增加β，a f(x)+F-c(x)-βV-E是递减的。当VL1

2. 协调企业利益目标

从协调企业利益目标看，最显著方法是通过财务手段达到供应链内部纵向一体化，本质是将企业间委托代理关系内部化，简化组织结构，也是获取供应链内其他成员信息的直接手段。从企业资源基础理论看，企业追求的是内部资源的经济租金最大化，企业核心能力引致的竞争优势是在竞争性市场上取得经济租金的唯一手段。企业内部资源有限，为最大化内部资源的经济租金，完全供应链内部一体化在理论上不可取。

为协调供应链内部企业利益目标，方法一是企业间合作，建立类似于联盟的伙伴关系，也是完善供应链内部信息和决策结构、促使信息一体化的有效途径。有效合作与伙伴关系依赖于企业间信任建立，而信任是企业间长期合作博弈建立的。信任不易获得，传统竞争理论使得企业习惯于将其他成员视为竞争对象，因而合作与伙伴关系难以维持。方法二是成员间部分股权互换。有利结果是不必经长期合作博弈就可协调成员利益目标，且是保证成员进行信息和决策合作的有效激励机制。供应链内部参与企业间资产和流程的专用性提供了对股权互换的激励，但企业规模和权威差异性使得股权互换的有效性复杂化。

三、供应链牛鞭效应的战术对策分析

1. 规避短缺博弈行为

当供应商面临短缺，而不是根据订单来分配产品时，可按比例定量分配订货，顾客没有扩大订单意识。消费者无制造商供应信息时，短缺中“博弈”现象达到最高峰。充分享有生产能力及存货信息能缓解消费者不安，最终减少博弈中需求。但出现真正短缺时，享有生产能力信息又显不足，制造商可预先与消费者签订销售旺季订单，就能调节生产能力，良好安排生产时间。由于制造商赋予零售商退货政策扩大了博弈现象，在无惩罚条件下，零售商将扩大需求及取消订单，因此有必要实施更严厉的取消订单的政策措施，对缓解牛鞭效应有益。

2. 优化供应链结构

供应链中水平层次和垂直规模的参与者越多，信息加工次数越多，扭曲程度也越大，要尽量减少供应链水平和垂直的数量。依据对核心企业流程的重要程度，将供应商和顾客群体分成支持型和重要型来确定供应链结构。支持型是指那些对最终产品提供起支持作用的参与者。例如，提供贷款的银行，维护生产设备的设备供应商等。重要型是指对那些最终产品增值起重要作用的参与者。如不易获得的原材料供应者、有较好销售渠道的批发商等。将参与者进行分类，保留重要型，剔除支持型，供应链结构有所简化。简化后的供应链有合适长度和宽度，这样可从结构上减少牛鞭效应。

3. 稳定价格和缩短交货时间

促销或单纯以销量评价销售员业绩的做法将引起提前购买，造成未来购买量下降，或由于大量订单取消，导致生产安排棍乱。控制提前购买引起牛鞭效应的最好方法是减少对经销商的折扣频率和幅度。制造商通过稳定的价格策略减少对提前购买的激励。一些超市采取“天天平价”策略使消费者囤积现象减少，真实消费信息显露在经营者的销售数据中，利于正确预测需求和决策。交货时间越长，牛鞭效应越显著，因此订货方须准备更多库存，从而增加库存成本。如果批发商缩短交货时间，将有助于零售商作出有效库存决策和订货决策。

4. 避免多方需求预测

供应链中每一成员通过计划传递预测信息。下游成员的需求输入是由需求预测产生的。对供应链中消费数据重复过程的补救措施是在下游到上游的可能状况中确定统一需求参数，有效方式是在供应链内部集中顾客需求信息，即为每个成员提供顾客实际需求的全部信息。如下图所示，每个成员利用信息预测实际需求。通过互联网或EDI，双方根据原始数据更新各自预测，避免多方进行需求预测及出现信息“孤岛”。由于使用预测方法和购买习惯不同，往往在向上游企业订购时，仍会导致订单波动。所以，信息强化能避免多方需求预测，显著减少牛鞭效应。

方法二是绕过下游企业来获得信息。例如，直销方式直接面向消费者，可直接了解产品需求模式，供应时间过长也会夸大牛鞭效应。因此，提高物流效率，加快订单处理速度，避免多次重复录入，压缩订货周期能降低需求变动幅度。

5. 打破批量订货

批量订购会产生牛鞭效应，供应链成员应实行小批量、多批次的采购或供应模式。企业可利用E D I来减少每次订货成本，减少每次订货批量，提高订货频率。小批量、经常性订货，可更有效控制库存，且更加有效响应客户需求。首先，企业可采用实时库存补充模式，利于企业实现小批量订货，不必保持很高的安全库存而降低库存成本;其次，利用信息技术，改变电话或传真的订货方式，实现网上订货，使信息传递成本降低，企业就不必将订单积累到一定量后再集体发送来降低成本了;此外，上游企业还可鼓励下游企业订购多种不同产品，这样货车一次就可从同一制造商那里满载多品种产品，对于每种产品来说订购频率增加了，总体发送频率不变，仍可以获得批量运输的规模经济性。还可将企业物流业务外包给第三方物流公司。第三方物流公司可将产品统筹安排，使运输成本降低。例如，当多家供应商彼此位置相邻时，就可以采用混装运输的方法，将各供应商的产品装在同一辆货车上，实现小批量交货的经济性。

通过以上两种方法，信息甄别有效地降低了信息不对称带来的逆向选择风险，改善了供应链中信息传递风险，提高了动态联盟的效益。需要指出的是，不仅是牛鞭效应，还有许多其他供应链效率损失也可从供应链结构，包括组织结构和信息结构中找到问题的根源。供应链内部的委托代理关系是不可避免的，即使是一体化后的企业内部也存在委托代理关系，要彻底解决效率损失问题，必须建立有效的激励和监督机制，完善内部和外部契约。

摘要：由于供应链牛鞭效应的存在,导致供应链上的需求信息失真,从而产生库存积压、企业生产计划变化加剧、额外成本支出增加等问题。因此,有必要从战略层次和战术层次上找出弥补供应链中牛鞭效应的对策。本文将从战略层次和战术层次来讨论削弱牛鞭效应的方法。

关键词：供应链,牛鞭效应,对策

参考文献

[1]谢科范,彭会涛.供应链管理中的“牛鞭效应”与信息风险[J].中国机械工程,2003,14(17):1510-1512.

[2]施锡铨.博弈论[M].上海:上海财经大学出版社,2002.

供应链牛鞭效应的影响因素分析 篇9

一、组织结构对牛鞭效应的影响

不同的产品具有不同形式的供应链, 同一个企业也可以是多个不同供应链的实体。在传统的供应链结构下, 随着供应链水平层次和垂直规模的增多, 委托代理关系的梯次也就增加, 利益目标和博弈决策之间的二次选择也就被多次重复, 而每一次重复都意味着次优选择的进一步优化, 这是牛鞭效应随供应链长度、宽度增加而逐渐放大的主要原因之一。供应链中成员个数越多, 信息被加工的次数越多, 被扭曲的现象就越严重。

二、信息结构对牛鞭效应的影响

供应链节点企业之间的合作关系一般有三种:完全合作、部分合作和独立决策, 并相应地形成了三种不同的信息结构类型:完全信息共享、部分信息共享和信息不共享。不同信息结构对牛鞭效应的影响不尽相同。完全合作属于战略层次, 对生产、计划、库存等均实行统一集中控制, 便于识别加工过的信息, 对牛鞭效应影响较小。部分合作是指跨越企业之间的某些流程进行的操作层次上的协作, 在协作过程中共享部分信息。由于仅是信息结构上部分信息的共享, 如果合作领域包括的主要流程与订货流程息息相关, 则会减少供应商订单波动, 否则牛鞭效应依旧存在。独立决策指各实体之间独立预测无合作意向, 不存在信息共享, 这在产品短缺、交货时间长、市场波动比较大的情况下, 很容易增强牛鞭效应。

三、决策机制对牛鞭效应的影响

1、需求预测

在供应链中, 上游企业总是将来自下游的需求信息作为自己需求预测的依据, 并据此安排生产或供应计划。譬如, 订单数量一般运用指数平滑法来进行需求预测, 当每日的新数据出现时, 未来需求将呈现连续变化, 送给供应者的订单反映了需要重新满足来自需求的库存数量, 也反映了必要的安全库存量, 未来需求与安全库存通过平滑技术得以实现。在交货期内, 保持数周的安全库存是习以为常的, 但结果往往是预期的订单数量比需求数量变化更大。

2、批量订货

由于在供应链中存在频繁订单下的运输经济性问题, 满负荷运输与低于最低起运量运输之间的经济差距巨大, 大多数企业一般都会进行批量订货。如果所有消费者订货周期均匀地分布在各周期, 那么牛鞭效应达到最小, 然而这种理想情况较少出现。一般消费者的周期需求变化并不明显, 并非所有订单都在同一时间内产生, 订单极大可能地被偶然传播损失或重叠。当订单周期重叠时, 订单需求波动产生, 来自牛鞭效应的变化将达到最大。

3、价格波动

据估计, 零售业中制造商与代理商之间交易的80%是在需求预测的前提下预先成交的, 这通常是因制造商给出了一个极具吸引力的价格, 使零售业中的预先购买导致较多的存货, 而预先购买则由价格波动产生。在目标市场中, 制造商和分销商周期性地使用价格折扣、数量折扣和特殊奖励等特殊促销方式, 另外制造商还向分销商、批发商提供特别折扣、价格条款与分期付款等一些间接价格折扣的交易特权。这种促销与供应链密切相关, 如果预先购买成为一种惯例, 那么当商品价格低时, 消费者所购买的比实际需要的要多;当价格处于中性或偏高时, 消费者将停止购买行为直到耗尽存货。结果, 消费者购买模式无法反映实际消费模式, 且购买数量的变化要大于消费数量的变化。

4、分配与短缺博弈

将有限的生产按照零售商所要求的订货量比例进行分配的方式也会导致牛鞭效应的扩大。当供应链中出现高需求产品供应短缺时, 如某制造商所接到的各分销商的订货总量为Q, 而其供应能力仅为Q/2, 每个分销商或零售商都将只得到其要求订货量的一半, 于是他们便会放大自己的订货量。若制造商根据其所接到的订单信息进行需求预测, 便会严重地放大这种需求, 并极有可能会采取两种招致失败的举措:向供应链发出严重超出需求的订单, 或为该产品配置严重过量的生产能力资源。一旦需求回复到正常水平, 制造商便将承担高昂的库存成本和资源配置失误成本。当这种现象成为一种社会行为时, 订货模式和消费模式的差距将是巨大的, 牛鞭效应也就产生了。

5、订货提前期

若供应链中各阶段之间的订货提前期过长, 牛鞭效应也会放大。我们不妨假设制造商的两个订货提前期t0和t1, 且t1>t0;另假设制造商的下游阶段 (分销商) 在单位时间内的变异程度为v。由于在供应链中, 上游阶段习惯将下游阶段的变量解释为趋势。因此, 通常制造商会将单位时间的变异程度v与订货提前期 (t0和t1) 相乘得到订货变量。于是:订货提前期为t0, t1的订货变量分别为:v0=v×t0;v1=v×t1。显然, 若t1>t0, 则v1>v0。因此, 订货提前期大小对牛鞭效应的影响也很大。

此外, 若供应链各成员之间缺乏良好协调, 使顾客的实时需求信息无法及时反馈到供应链, 将会使顾客需求响应滞后, 由此也会导致牛鞭效应。

摘要：牛鞭效应主要是由需求信息的扭曲造成的, 而需求信息扭曲的原因是由于缺乏信息交流, 而造成信息交流不畅的原因离不开其生存环境——供应链, 本文将从供应链的组织结构、信息结构和决策机制三个方面来分析牛鞭效应的影响因素。

关键词：供应链,牛鞭效应,形成机理

参考文献

[1]、万杰, 李敏强, 寇纪淞.供应链分配机制对牛鞭效应的影响研究[J].系统工程学报, 2003, 17 (14)

供应链中的牛鞭效应 篇10

关键词：促销行为,供应链,牛鞭效应,价格波动

引 言

从20世纪中期开始, 供应链中牛鞭效应的存在以及对供应链的影响已经引起广泛的注意, 许多学者开始对牛鞭效应产生的原因进行分析和探讨。牛鞭效应, 指在供应链下游通过补给订单而向上游传递的过程中需求波动不断放大的一种现象。一般认为, 牛鞭效应起源于管理者追求利润最大化的理性决策, 牛鞭效应主要由4种原因引起, 即需求信号处理、批量订货、价格波动和短缺博弈等 (Lee等, 1997) [1]。其中, 价格波动常常是由零售商周期性地使用特殊促销方式, 如价格折扣、数量折扣和特殊奖励等引起的, 在供应链中, 运用这些促销方式的行为在促进消费者大量购买的同时也产生了未来的库存。在这种模式下, 可以预见, 当商品价格低时, 消费者所购买的比实际需要的要多, 在商品价格回复到正常水平时, 客户将减少或停止购买行为, 直到库存耗尽。其结果是, 消费者的购买模式无法反映实际的消费模式, 并且购买数量的变化大于消费数量的变化, 即引起了供应链中的牛鞭效应。

供应链管理中普遍存在着牛鞭效应现象, 其首先被Forrester在20世纪50年代末发现[2], Sterman (1989) 设计的“啤酒分销博弈”课程游戏也证明了牛鞭效应的存在[3]。他认为, 在供应链管理中, 尽管特定产品客户的需求变动不大, 但库存和订单积压水平却沿着供应链向上变动很大。近年来, 鉴于牛鞭效应给供应链企业带来了非常严重的后果, 国内外很多学者对其成因及如何消除牛鞭效应进行了大量的研究。Dejonckheere等 (2002) 通过控制系统工程方法来研究牛鞭效应, 认为下游零售商作为在需求过程和零售商的订单之间的转换者[4]。万杰等 (2002) 考虑了供应商的分配机制对牛鞭效应的影响, 属于短缺博弈问题[5]。陆贵斌等 (2002) 证明价格波动或供应商的短视定价策略将导致牛鞭效应[6]。卢震, 黄小原 (2003) 采用随机控制理论对供应链中牛鞭效应进行了抑制控制的研究[7]。尤建新, 隋明刚, 霍佳震 (2007) 研究表明生产提前期和回收延迟时间对牛鞭效应有影响, 且存在最优值[8]。王伟均, 唐小我和倪得兵 (2008) 在信息需求滞后的情况下建立了供应链牛鞭效应和零售商决策的框架模型, 指出零售商的两个重要行为 (定价决策和库存决策) 对牛鞭效应的影响[9]。从牛鞭效应的产生及原因方面, 很少有文献考虑到利用定量方法来分析零售商的促销行为或者零售商的定价方面的因素。

1 零售商的决策模型

1.1 无促销行为时

假定考虑在动态需求环境下, 一个包含有一个供应商与一个零售商的简单供应链系统, 市场的需求由零售商掌握, 对这个系统的每个成员来说, 其物流管理的核心问题是如何根据所掌握的需求量的数据来预测未来的需求, 从而确定每一时期t的订货量qt。假定需求是可预测的, 并且零售商使用标准预测技术来评估需求水平, 那么未来的需求必然与当前的需求存在着某种关系。在这个简单的两阶段供应链模型中, 零售商从发出订单到收到商品的时间 (即提前起L) 固定且已知。双方的行为都发生在一个无限离散的时间范围, 即t=0, ±1, ±2, …。零售商在t时刻依据其库存水平向供应商订购qt数量的货物, 为了满足第t期的顾客需求Dt, 零售商需要对顾客需求进行预测。从简单的独立同分布到动态非稳定的一系列随机过程, 许多过程被用来模拟需求模式, 实践证明现实中很少会有某种商品的需求模式完全符合独立同分布过程。本文的研究基于AR (1) 需求模式, 采用一阶自相关过程AR (1) 进行预测, 国内有相当多学者采用这种需求模式。假设商品的AR (1) 需求模式由Dt表示, 则顾客需求满足公式:

Dt=μ+ρDt-1+εt (t=0, ±1, ±2, …) (1)

在上式中, μ为常量, ρ为自相关系数, 且0<ρ<1, εt为一随机项, 且εt～N (0, σ2) 。

对 (1) 式两边同取期望和方差可得:

$\text{E}(\text{D}{}_{\text{t}})=\frac{\text{μ}}{1-\text{ρ}}$, $\text{V}\text{a}\text{r}(\text{D}{}_{\text{t}})=\frac{\text{σ}{}^2}{1-\text{ρ}{}^2}$

其中:Dt是t时期市场需求, μ为大于零的常数, ρ表示相邻2个时期市场变量之间的相关系数, $|\text{ρ}|＜1$保证需求过程的稳定, εt表示市场需求变量的波动误差, {εt}符合均值为零, 方差为σ2的正态独立过程, 假设σ远小于μ以保证D>0。ρ的不同取值代表了不同的需求模式:当ρ=0时, {Dt}符合均值为μ, 方差为σ2的独立同分布;当-1<ρ<o时, 相邻两期需求负相关, 过程呈现震荡行为;当0<ρ<1时, 各期需求正相关, 过程呈波动趋势;当$|\text{ρ}|\to 1$时, 需求过程呈非稳定状态。

1.2 有促销行为时

促销也称作销售促进或营业推广, 是营销组合战术的重要组成部分, 是企业应对竞争、扩大市场、争夺客户、树立形象的基本营销手段。促销实际上是包括各种多数属于短期性的刺激工具, 用以刺激消费者和贸易商较迅速或较多地购买某一特定产品或服务。从Raghunathan (2001) 的分析结果表明[10], 对于满足 (1) 表达式所给出特征的市场需求分布, 供应商可以根据以往而不仅仅是第t-1期间的需求情况来合理推测顾客在t期间的需求, 因此, 如果对于供应链中零售商在上一期中有出现促销行为的情况下, 必然会造成市场的实际需求量增加, 因而为了更好地说明促销行为对供应链中牛鞭效应的影响, 本文采用Raghunathan (2001) 所给出的市场需求特征表达式[10], 对于满足该表达式的需求特征来讲, 本文同样假设仅包含一个供应商和一个零售商的两级供应链系统, 但零售商向顾客销售产品过程中采用一些促销手段, 使产品的实际销售数量增加, 在第t期间, t=1, 2, 3……, 零售商端所面临的市场对某产品的需求为Dt, 并且有如下式子为:

Dt=μ+ρDt-1+qXt-1+εt (2)

其中, μ为一个常数, $\text{ρ}\le |1|$和$\text{q}\le |1|$是两个稳定的系数, 分别用来表示当前期的需求Dt与前一期的需求Dt-1以及前一期的促销行为的相关性, 由于市场需求的变化通常受前一期需求状况以及采用促销手段等行为的影响, 并且影响程度有限, 因此, $\text{ρ}\le |1|$和$\text{q}\le |1|$是较为合理的假设。εt是用来表示需求量估计值的误差, 为一个随机变量, 且εt～N (0, σ2) 。在 (2) 式中, Xt-1表示零售商在第t-1期间所进行的促销行为所带来的需求量的变化, 该行为将影响到下一阶段的顾客需求, 因此, 可以假定Xt, t=1, 2, 3……, 为一个服从正态分布的随机变量, 且Xt～N (eX, (σX) 2) 。由于各个期间的Xt相互独立, 因此, 该值不仅直接影响到下一个阶段的需求量, 并且使得供应商不能仅仅根据所掌握的当前期以及以往时期的需求信息来较为准确地推测下一期间的需求, 这样往往会导致供应链中牛鞭效应的进一步扩大。

对 (2) 式两边同时取期望值与方差, 得:

E (Dt) =μ+ρE (Dt-1) +qE (Xt-1) =μ+ρE (Dt-1) +qeX (3)

Var (Dt) =ρ2Var (Dt-1) +q2Var (Xt-1) +σ2=ρ2Vae (Dt-1) +q2 (σX) 2+σ2 (4)

可以近似地认为:D (Dt) =E (Dt-1) , Var (Dt) =Var (Dt-1) , 则:

$\text{E}(\text{D}{}_{\text{t}})=\frac{\text{μ}+\text{q}\text{e}{}^{\text{X}}}{1-\text{ρ}}$ (5)

$\text{V}\text{a}\text{r}(\text{D}{}_{\text{t}})=\frac{\text{σ}{}^2+(\text{σ}{}^{\text{X}}){}^2}{1-\text{ρ}{}^2}$ (6)

若ρ=0, q=0, 市场需求Dt的期望值和方差分别为μ和σ2, 这时意味着当前期的需求Dt与前一期的需求Dt-1以及前一期的促销行为无关。

2 运用促销方式前后的供应链牛鞭效应的比较分析

假设零售商采用 (s, S) 最小最大库存管理的订货策略, 即当零售商的库存水平下降至s时, 零售商即向供应商订货使其库存水平提升至S。在任意时间t, 由于市场需求量是变化的, 当订货的提前期不变时, 订货点yt为逐日变化的需求期望和标准差的函数, 即满足以下式子:

$\text{y}{}_{\text{t}}=\text{L}\overline{\text{μ}}{}_{\text{t}}+\text{z}\sqrt{\text{L}}\text{S}{}_{\text{t}}(7)$

$\overline{\text{μ}}{}_{\text{t}}=\frac{{\displaystyle {\sum }_{\text{i}=\text{t}-\text{p}}^{\text{t}-1}\text{D}}{}_{\text{i}}}{\text{p}}\text{S}{}_{\text{t}}^2=\frac{{\displaystyle {\sum }_{\text{i}=\text{t}-\text{p}}^{\text{t}-1}(}\text{D}{}_{\text{i}}-\overline{\text{μ}}{}_{\text{t}}){}^2}{\text{p}-1}(8)$

其中, $\overline{\text{μ}}$t和St分别为需求期望和提前期内日需求量的标准差, L为订货的提前期, 为一常量, z为一定客户服务水平下的安全系数, 即标准正态分布的临界值, 也就是供应商保证供货的服务水平系数, 其具体数值为概率分布值, 取决于置信度α, 不同的置信度对应着不同的z值。p为估计需求的时间样本长度。

设零售商向供应商发出的订货量为qt, 那么qt应该为本期与上期订货点两值之差, 再加上上期的需求量, 即满足下式:

qt=yt-yt-1+Dt-1 (9)

分别把 (7) 式、 (8) 式代入 (9) 式, 可得:

$\text{q}{}_{\text{t}}=\text{L}\frac{{\displaystyle {\sum }_{\text{i}=\text{t}-\text{p}}^{\text{t}-1}\text{D}}{}_{\text{i}}}{\text{p}}+\text{z}\sqrt{\text{L}}\text{S}{}_{\text{t}}-\text{L}\frac{{\displaystyle {\sum }_{\text{i}=\text{t}-\text{p}-1}^{\text{t}-2}\text{D}}{}_{\text{i}}}{\text{p}}-\text{z}\sqrt{\text{L}}\text{S}{}_{\text{t}-1}+\text{D}{}_{\text{t}-1}=\left(1+\frac{\text{L}}{\text{p}}\right)\text{D}{}_{\text{t}-1}-\frac{\text{L}}{\text{p}}\text{D}{}_{\text{t}-\text{p}-1}+\text{z}\sqrt{\text{L}}(\text{S}{}_{\text{t}}-\text{S}{}_{\text{t}-1})(10)$

把 (10) 两边同时取方差, 可得:

$\text{V}\text{a}\text{r}(\text{q}{}_{\text{t}})=\left(1+\frac{\text{L}}{\text{p}}\right){}^2\text{V}\text{a}\text{r}(\text{D}{}_{\text{t}-1})-2\frac{\text{L}}{\text{p}}\left(1+\frac{\text{L}}{\text{p}}\right)\mathrm{cov}(\text{D}{}_{\text{t}-1}‚\text{D}{}_{\text{t}-\text{p}-1})+\left(\frac{\text{L}}{\text{p}}\right){}^2\text{V}\text{a}\text{r}(\text{D}{}_{\text{t}-\text{p}-1})+\text{z}\sqrt{\text{L}}\left(1+\frac{\text{L}}{\text{p}}\right)\mathrm{cov}(\text{D}{}_{\text{t}-1}‚(\text{S}{}_{\text{t}}-\text{S}{}_{\text{t}-1}))-\text{z}\sqrt{\text{L}}\frac{\text{L}}{\text{p}}\mathrm{cov}(\text{D}{}_{\text{t}-\text{p}-1}‚(\text{S}{}_{\text{t}}-\text{S}{}_{\text{t}-1}))+\text{z}{}^2\text{L}\text{V}\text{a}\text{r}(\text{S}{}_{\text{t}}-\text{S}{}_{\text{t}-1})$ (11)

当在前一期不存在着促销行为的情况下, 市场需求满足Dt=μ+ρDt-1+εt, 则可以得到:

cov (Dt-1, Dt-p-1) =ρpVar (Dt) (12)

这样, 由 (11) 式、 (12) 式可得:

$\text{V}\text{a}\text{r}(\text{q}{}_{\text{t}})=\left[1+\left(\frac{2\text{L}}{\text{p}}+\frac{2\text{L}{}^2}{\text{p}{}^2}\right)(1-\text{ρ}{}^{\text{p}})\right]\text{V}\text{a}\text{r}(\text{D}{}_{\text{t}})+\text{z}{}^2\text{L}\text{V}\text{a}\text{r}(\text{S}{}_{\text{t}}-\text{S}{}_{\text{t}-1})$ (13)

从 (13) 式, 可以得到:

$\frac{\text{V}\text{a}\text{r}(\text{q}{}_{\text{t}})}{\text{V}\text{a}\text{r}(\text{D}{}_{\text{t}})}\ge \left[1+\left(\frac{2\text{L}}{\text{p}}+\frac{2\text{L}{}^2}{\text{p}{}^2}\right)(1-\text{ρ}{}^{\text{p}})\right]$ (14)

是在前一期没有促销行为的情况下所存在的牛鞭效应。

当在前一期存在着促销行为的情况下, 市场需求满足下式:

Dt=μ+ρDt-1+qXt-1+εt

则可以得到:

cov (Dt-1, Dt-p-1) =ρpVar (Dt) +qpVar (Xt) (15)

则由 (11) 式、 (15) 式可得在前一期存在促销行为的情况下零售商的订货量方差为:

$\text{V}\text{a}\text{r}({\text{q}}^{\prime }{}_{\text{t}})=\left[1+\left(\frac{2\text{L}}{\text{p}}+\frac{2\text{L}{}^2}{\text{p}{}^2}\right)(1-\text{ρ}{}^{\text{p}})\right]\text{V}\text{a}\text{r}(\text{D}{}_{\text{t}})+\text{z}{}^2\text{L}\text{V}\text{a}\text{r}(\text{S}{}_{\text{t}}-\text{S}{}_{\text{t}-1})+\text{q}{}^{\text{p}}\text{V}\text{a}\text{r}(\text{X}{}_{\text{t}})$ (16)

由 (13) 式和 (16) 式可知:

Var (q′t) ≥Var (qt) (17)

则可得:

$\frac{\text{V}\text{a}\text{r}({\text{q}}^{\prime }{}_{\text{t}})}{\text{V}\text{a}\text{r}(\text{D}{}_{\text{t}})}\ge \frac{\text{V}\text{a}\text{r}(\text{q}{}_{\text{t}})}{\text{V}\text{a}\text{r}(\text{D}{}_{\text{t}})}\ge \left[1+\left(\frac{2\text{L}}{\text{p}}+\frac{2\text{L}{}^2}{\text{p}{}^2}\right)(1-\text{ρ}{}^{\text{p}})\right]$ (18)

即在前一期存在促销行为的情况下, 供应链上的牛鞭效应进一步加剧了, 市场需求量的大小进一步被扭曲了, 订货量比在没有促销行为的情况下更偏离了市场的实际需求量。

3 基于促销行为的收益大于库存成本时的牛鞭效应分析

在供应链中, 零售商通常会进行周期性促销或不定期的促销, 如价格折扣、数量折扣、优惠券、赠品等等, 通过这种促销对于供应链来说可能成本会很高, 当零售商采取促销行为时, 会引起价格波动, 这时零售商的价格将比平时较低, 顾客会购买比自己实际所需大得多的数量;当零售商的价格恢复到正常水平时, 顾客已购买足够的商品数量, 因此当其商品在消耗到一定数量时他们不会再进行购买, 也就是价格波动将会促使顾客进行提前购买, 由于这些因素使许多顾客购买商品的数量大于他们实际的需求量, 这样, 在供应链上也会表现为零售商向供应商预先采购的订货量大大增加, 这是因为当库存成本小于由于价格折扣所获得的利益, 零售商当然也愿意多向供应商订货和向顾客出售商品, 但这样的订货没有真实反映需求的变化, 并且使其购买数量的波动较其消耗量的波动更大, 同样的情况在供应链中的每一个节点中传递, 导致在供应链中的牛鞭效应进一步加剧。

本文仍旧以前面所述的存在一个供应商和一个零售商的两阶段供应链来讨论供应链中价格的波动对供应链牛鞭效应的影响, 假设市场需求是市场价格的线性函数 (Kaha J.A., 1987) [11], 即qt=a-bpt+εt (t=0, ±1, ±2, …) , 其中, a>0, b>0。假设供应链中零售商的订货量和销售量都是价格的函数, 即有:

qt=a+bP${}_{\text{t}}^{\text{q}}$+εt (19)

Dt=e+fP${}_{\text{t}}^{\text{d}}$+ωt (20)

其中, qt表示第t期的订货量, Dt表示第t期的销售量, P${}_{\text{t}}^{\text{q}}$表示第t期的订货价格, P${}_{\text{t}}^{\text{d}}$表示第t期的销售价格, εt为订货量误差项, 且εt～N (0, σ2) , ωt为销售量误差项, 且ωt～N (0, σ2) , a, b, e, f均为常数, 且取值为[0, 1]。设It代表第t期的库存, 则可以得到:

It=It-1+qt-Dt (21)

由 (21) 式可知:

I1=I0+q1-D1 (22)

将 (19) 式、 (20) 式代入 (22) 式, 可得:

I1=I0+ (a-e) +bP${}_1^{\text{q}}$-fP${}_1^{\text{d}}$+ε1-ω1 (23)

同理, 可知:

I2=I0+2 (a-e) +b∑${}_{\text{k}=1}^2$P${}_{\text{k}}^{\text{q}}$-f∑${}_{\text{k}=1}^2$P${}_{\text{k}}^{\text{d}}$+∑${}_{\text{k}=1}^2$ (εk-ωk) (24)

因此, 可得:

It=I0+t (a-e) +b∑${}_{\text{k}=1}^{\text{t}}$P${}_{\text{k}}^{\text{q}}$-f∑${}_{\text{k}=1}^{\text{t}}$P${}_{\text{k}}^{\text{d}}$+∑${}_{\text{k}=1}^{\text{t}}$ (εk-ωk) (25)

这样,

It-It-1= (a-e) +bP${}_{\text{t}}^{\text{q}}$-fP${}_{\text{t}}^{\text{d}}$+ (εt-ωt) (26)

又因为It=It-1+qt-Dt, 则:

qt=It-It-1+Dt= (a-e) +bP${}_{\text{t}}^{\text{q}}$-fPdt+ (εt-ωt) +Dt (27)

假设随机变动的销售价格和订货价格符合以下的关系式:

P${}_{\text{t}}^{\text{d}}$=m+nP${}_{\text{t}}^{\text{q}}$+μt (28)

其中, m与n为常数, μt服从均值为0, 方差为σ2的随机变量, 将 (28) 式代入 (27) 式, 有:

qt= (a-e-fm) + (b-fn) P${}_{\text{t}}^{\text{q}}$-fμt+ (εt-ωt) +Dt (29)

由于μt, εt, ωt为相互独立的随机变量, 方差均为σ2, 而 (a-e-fm) 为常量, 因此对 (29) 式两边同时取方差, 可得:

Var (qt) = (b-fn) 2Var (P${}_{\text{t}}^{\text{q}}$) + (2+f2) σ2+Var (Dt) (30)

从 (30) 可知, Var (qt) ≥Var (Dt) , 当市场中在前一期存在着促销行为时, 零售商向供应商的订货量的变化大于顾客需求量的波动, 也就是说, 零售商的促销行为进一步加剧了供应链中的牛鞭效应, 且当订货价格的波动程度Var (P${}_{\text{t}}^{\text{q}}$) 和销售价格的波动程度Var (P${}_{\text{t}}^{\text{d}}$) 越大时, 牛鞭效应就越明显。

4 结束语

在实际的供应链运作过程中, 由于分销商和零售商在销售过程中经常采用一些促销方式, 如打折、数量折扣、分期付款等, 这些导致了顾客的提前购买行为, 使顾客的购买模式脱离真实需求, 变得更难以预测, 很大程度上加剧了牛鞭效应。因此, 应通过限制促销行为来降低牛鞭效应, 制造商或供应商可通过制定稳定的价格策略以减少对提前购买的激励。当产品价格比较稳定时, 消费者才会在真正需要时订货和购买, 这显然有利于供应链上企业安排生产和控制库存, 尽量避免和减少牛鞭效应。

参考文献

[1].Lee H.L., Padmanabhan V., Whang S.Informationdistortion in a supply chain:the bullwhip effect[J].Manage-ment Science, 1997, (43) :546~558

[2].Forrester Jay W..Industrial dynamics:A breakthroughfor decision makers[J].Harvard Business Review, 1958, 36 (7) :37~66

[3].Sterman J.D.Modeling managerial behavior:misper-ceptions of feedback in a dynamic decision making experiment[J].Management Science, 1989, 35 (3) :321~339

[4].Dejonckheere J., Disney S.M., Lambrecht M.R.Theimpact of information enrichment on the bullwhip effect in supplychain:a control engineering perspective[J].European Journalof Operational Research, 2004, (153) :727~750

[5].万杰, 李敏强, 寇纪淞.供应链中分配机制对牛鞭效应的影响研究[J].系统工程学报, 2002, 17 (4) :340~348

[6].陆贵斌, 胡奇英, 甘小冰.定价和库存联合策略研究[J].系统工程学报, 2002, 17 (6) :531~536

[7].卢震, 黄小原.牛鞭效应的随机控制[J].东北大学学报 (自然科学版) , 2003, 24 (4) :393~396

[8].尤建新, 隋明刚, 霍佳震.闭环供应链牛鞭效应分析[J].系统工程理论与实践, 2007, (12) :111~117

[9].王伟均, 唐小我, 倪得兵.需求信息滞后下的零售商决策与牛鞭效应分析[J].中国管理科学, 2008, 16 (4) :84~89

[10].Raghynathan S.Information sharing in a supply chain:a note on its value when demand is non-stationary[J].Man-agement Science, 2001, 47 (4) :605~610

浅析供应链需求预测与牛鞭效应 篇11

1、供应链

供应链是围绕核心企业, 通过对信息流, 物流, 资金流的控制, 从采购原材料开始, 制成中间产品以及最终产品, 最后由销售网络把产品送到消费者手中的将供应商, 制造商, 分销售, 零售商, 直到最终用户连成一个整体的功能网链结构模式。供应链管理则是对供应链中流动的物流、信息流、资金流的集成化管理。对企业所在的整个供应链进行整合, 通过与供应链成员的合作, 共享信息, 协同作战, 从而最大程度的缩减供应链的成本, 提高产品响应市场的能力和服务水平。

2、供应链需求

为了在需求多变的市场上获得竞争优势, 企业要随时关注市场需求变化信息, 了解供应链需求, 试图准确预测供应链需求来改善供应链绩效。而供应链需求由以下五个部分构成。基本需求, 指剔除其他四种因素后所得的需求。季节性需求, 指有些商品的需求具有季节波动性。比如空调, 往往在夏季比较畅销。针对这类商品, 预测时在基本需求的基础上进行一定幅度的增减。趋势性需求, 需求往往要考虑产品的生命周期。比如产品处于成长期, 那么其需求将增长快速。处于成熟期, 其需求的增长比较缓慢且稳定。周期性需求, 需求要考虑到产品周期性。有时会一季度一周期, 有时会一年一周期或更长, 因而在预测需求时可以根据产品需求呈现的周期性特点, 进行相应的调整。不规律性需求, 指需求的随机波动性。这种需求很难预测, 因而可以通过多保有一些库存以抵消预测的不精确。

二、供应链需求预测

预测的需求是供应链所有成员和部门进行规划和控制的基础, 需求数量和时间极大的影响了生产进度、资金安排和其他经营总体规划。需求预测水平的高低对供应链绩效有着重要的影响。如果预测不准确, 供应链成员物料或产品的采购量同实际需求量之间就有误差, 这个误差将沿着供应链传递到它的供应商, 在供应链传递过程中误差将被不断地放大, 形成了牛鞭效应, 从而导致供应链库存费用增加、缺货增多和客户满意度降低等不良影响。

预测方法可以分为定性和定量两类。定性法是那些利用判断、直觉、调查或者比较分析对未来做出定性估计的方法。多数是因为缺乏历史数据而采用。比如要预测新产品销量, 或者是否研发新技术等决策时, 就只能采用定性预测法。常用的包括:德尔菲法、专家意见法、场景描述法和知觉法。

定量方法可以细分为两类:时间序列法和因果预测法。时间预测法的前提假设是未来的需求模式将会重复, 或者很大程度上重复。这种方法是根据过去的销售数据、使用数学和统计学模型, 根据需求的时间特征来预测未来的需求。通常预测短期需求比较准确。因果预测法前提是需求量的变化水平取决于某些相关的变量。从以往数据中找到这些自变量, 就可以预测出作为因变量的需求水平。这种方法适用于中长期的预测。因果分析法又有很多不同形式:统计形式, 如回归和计量模型;描述形式, 如投入-产出模型、生命周期模型等。以下是对供应链常见需求预测方法的总结 (如图1) 。

三、需求预测与牛鞭效应

1、牛鞭效应

供应链管理中普遍存在着牛鞭效益现象, 其首先被Forrester在20世纪50年代末发现。牛鞭效应是指供应链中的零售商向上一级供应商的订货量与其实际的销售量不一致, 发给供应商的订货量, 其方差大于销售给买方的, 即需求发生扭曲。这种扭曲以放大的形式向供应链的上游蔓延, 即方差继续变大。该现象之所以被称为“牛鞭效应”, 是由于这种现象类似于养牛人挥鞭的情形。养牛人在挥动牛鞭赶牛时, 他的手腕只要稍稍用力, 牛鞭的稍部就会有较大幅度的摆动, 这被称为牛鞭效应。牛鞭效应现象是供应链管理中主要关注的问题, 它给企业造成的危害主要表现为以下方面:间接引起企业生产能力的盲目放大, 即生产规模过大或过小;低效率的运输过程和超额的运输成本;企业库存水平提高、服务水平下降、运营成本增加以及定制化程度降低等一系列问题;影响供应链的经营效益与整体竞争能力, 甚至导致整个供应链崩溃。

对于其成因, 早期的牛鞭效应研究者, 包括以Forrester为代表的案例研究者和以Sterman为代表的模拟实验者, 都是从供应链动态性的角度考虑, 认为供应链个体成员的非理性决策和供应链本身的阶段延迟问题是牛鞭效应产生的最根本原因。不同于以往的研究者, 斯坦福大学Lee教授等在分析牛鞭效应的原因时, 更关注供应链的结构和相关的运作过程, 他认为牛鞭效应是供应链成员在供应链结构下进行理性决策的结果, 需求预测、批量订货、价格波动和配给短缺博弈是牛鞭效应的四个主要原因, 后有学者增加交货时间长这个因素。还有一些学者从其他角度补充了牛鞭效应的原因, 如Wilding着重讨论三方面的因素:确定性混沌、平行交互作用和需求放大;Taylor提出, 机器故障、产出波动和产品质量差异加剧了供应链的波动性。一些学者更是运用数学知识, 定量的证明了牛鞭效应的发生。他们分别从订货策略, 需求预测两个方面着手, 用数量经济学, 需求模型等方法证明。如Chen等采用统计学手段研究了滑动平均和指数平滑预测对由供应商和零售商组成的二级供应链中牛鞭效应的影响。

2、牛鞭效应的定量研究

由于牛鞭效应产生的原因很多, 要完全消除牛鞭效应, 实际上这是很难做到的。目前很多学者提出了相应的管理方法来减小牛鞭效应。对牛鞭效应的定量研究可采用BE系数来度量。BE=Var (SD) /Var (RD) 。其中Var (SD) 表示生产商的需求方差, Var (RD) 表示零售商的方差。这个指标表达出了牛鞭效应的不确定性本质, 描述了牛鞭效应的严重程度, BE值越大, 牛鞭效应越严重, 生产商遭受的危害越大。

以一个生产商和一个零售商组成的简单的两层次供应链系统为例, 双方之间只交易一种产品。假设零售商是生产商唯一的买方, 则每期生产商可以根据零售商过去的订货量预测下一期的订货量。市场需求随即变化, 零售商无法知道市场需求的确切分布, 只能通过预测获得市场需求信息。在每期末, 零售商根据过去的销售数据对下一期的市场需求进行预测, 然后将预测结果同库存情况比较, 利用特定的库存策略确定订货量, 并在期初向生产商发出订单。同样, 生产商每期末根据以往零售商的订货情况, 预测可能的订货数量, 再根据库存情况和库存策略计算供应商的订货数量。假设零售商面对的市场需求为AR (1) 模型, 或者ARMA (1) , MA (1) 等模型。零售商和生产商采用预测技术来获取市场需求信息, 比如简单移动平均法和一次指数平滑法。零售商采用一定的订货策略, 比如固定量系统、固定间隔期系统和最大最小系统。然后放松其他一些变量就可以计算出两级系统中的BE值了。以下是对供应链牛鞭研究定量框架的总结 (见图2) 。

3、牛鞭效应与需求预测

由于供应链各级库存、生产决策前, 首先要预测下游市场需求的大小, 然后按照一定的库存和订货策略下定单。由此, 准确预测下游需求成为了减小提前期供应, 避免缺货、断货和成本损失的关键。如果能够准确预测需求, 就能大大降低牛鞭效应。下面用一种简单的预测方法———一次指数平滑法, 定量验证牛鞭效应。

假设面对市场需求为AR (1) 模型:Dt=μ+ρDt-1+εt, 其中d为大于零的常数, -1<ρ<1表示相邻两个时期需求变量之间的相关系数。εt表示市场需求变量的波动误差, 符合均值为零, 方差为σ2的正态分布, 且各时期是独立的。则:。Xt表示t期预测值，Qt表示向供应商下的订单。用订货点法计算下一期的库存，z表示企业的安全系数，取决于企业的目标服务水平St:St=Xt+zλt。式中Zλt表示零售商的安全库存, z表示企业的安全系数, 取决于企业的目标服务水平。, 表示零售商需求预测过程中的标准偏差。零售商利用固定时间间隔期的库存策略来。计算如下。

预测值:t时期预测值的计算公式为:

订货量:Qt=St- (St-1-Dt-1) =Xt-Xt-1+Dt-1+z (λt-λt-1)

由此可以看出, 向其供应商下的订单方差大于实际需求的变化, 即产生了牛鞭效应。在一定假设条件下, 通过变换需求预测方法, 可以研究不同预测方法对牛鞭效应的影响。研究结果表明预测方式在对牛鞭效应的影响上扮演十分重要的角色。不同的预测方法会对供需信息的扭曲产生不同程度的影响, 从而影响整个供应链的绩效。为了减弱牛鞭效应, 应该选择合适的预测方法, 并且控制信息在上下游之间的传递过程。

参考文献

[1]马士华、林勇:供应链管理[M].机械工业出版社, 2000.

[2]安德森:数据、模型与决策[M].机械工业出版社, 2006.

[3]包旭云、李帮义:供应链中牛鞭效应产生的原因及对策[J].统计与决策, 2006 (7) .

[4]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 (3) .

[5]万杰、寇纪淞:需求信息预测与处理中的牛鞭效应[J].天津大学学报, 2003 (3) .