《属性论在供应链牛鞭效应防范中的应用》由会员分享，可在线阅读，更多相关《属性论在供应链牛鞭效应防范中的应用（10页珍藏版）》请在金锄头文库上搜索。
1、2005 年中国经济学年会 属性论在供应链牛鞭效应防范中的应用第 1 页 共 10 页 1所属领域: 其他领域属性论在供应链牛鞭效应防范中的应用李建丽 1，刘永昌 2，冯嘉礼 3，上海海事大学交通运输学院 1，上海，200135；上海海事大学联合创新实验基地 2，上海，200135；上海海事大学信息工程技术研究所 3，上海，，，摘要：提高预测的准确性是缓解供应链牛鞭效应的关键。我们运用属性论方法，就制造商 -零售商-客户三级供应链，建立了零售商的下游 产品订购量的基本预测 模型，同 时提出两个拓展模型来预测零售商向上游的订货点，以及制造商的生 产量。在三个模型信息整合的基础上提高了预测的准确性
2、，由此可防范牛鞭效应的发生。本研究 还提供了基本模型的算法流程。关键字：需求信息预测；供应链；牛鞭效应；属性论Application of Attribute Theory Method in Prevention of Bullwhip Effect in Supply ChainsLI Jian-li1，FENG Jia-li 2，LIU Yong-chang 3College of Transportation1，Shanghai Maritime University，Shanghai，200135；Experimental Base of United Creation2，Shang
3、hai Maritime University，Shanghai，200135；Research Center of Information Engineering and Technology3， Shanghai Maritime University,Shanghai ,，，Abstract : Accuracy in prediction is the key of in prevention of Bullwhip Effectin in Supply Chains. Firstly , for a simple three- level supply chain comprisin
4、g a single manufacturer , a single retailer and the end customer, this paper establish the basic forcasting model to predict the order quantity of the customer of the relailer, on the basis of Attribute Theory Method. In addition, two extensive forcasting model is built to predict the inventory leve
5、l for the retailer and the manufacturing quantity for the manufacturer, thus enhancing the prediction effect and preventing the bullwhip effect in the Supply Chains. The mathematic process of the basic model is also explained.Key words: Demand Information Prediction; Bullwhip effect ; Supply Chain ;
6、 Attribute Theory Method.一、引言牛鞭效应是最终用户的需求在向供应链上游传递的过程中逐级变大的现象。牛鞭效应普遍存在于供应链中。如何防范牛鞭效应是保证供应链高效运作的核心问题。Hau L. Lee(2000)提出了牛鞭效应的四个主要原因：需求信号偏差、供应短缺、最终客户 零售商 制造商销售量图 1 牛鞭效应 32005 年中国经济学年会 属性论在供应链牛鞭效应防范中的应用第 2 页 共 10 页 2批量订货、价格波动 1。其中涉及信息预测的需求信号偏差是主要原因,因此提高预测的准确性是缓解供应链牛鞭效应的关键。对需求信号处理时，由于人的非理性行为，致使产品实际需求量与预
7、测需求量之间存在偏差，末端企业往往会错误地判断需求量增加是未来需求提高的征兆,为了满足顾客的需求量，持有比需求量更多的库存，大幅增加订货量 2 。随着供应链上这些非价值增值的增多，最终导致了供应链无效率作业,出现周期性的需求上升下降、库存减少、商品短缺等现象，使供应链节点企业之间的信息传递发生失真（图1 3）。由此，准确地预测可有效限制供应链上人的非理性行为。另外，订货的提前期越长，市场的波动越大，需求预测越不准确,牛鞭效应越明显。提高预测准确性有助于供应链上各方提前作决策，安排向上游订货的事宜，从而缩短提前期，加强牛鞭效应的防范。可见，目前对于缓解牛鞭效应的研究虽然强调信息处理，但是大多基于
8、信息共享或集中需求信息等管理模式，如 Chen et al(2000a)进行了需求预测对牛鞭效应相关影响的定量分析，指出通过集中需求信息可以减缓牛鞭效应 4， ，但对于预测并未深入研究。从供应链管理的角度来看，信息共享可以从根本上缓解牛鞭效应，但若缺乏信息预测的支持就难以发挥实效。目前预测的方法主要是在信息共享的情况下运用 POS 等系统进行预测，对环境要求较高，初始投资较大，对供应链中一些关键变量的处理也大多在于修正，而不强调预测。如 Lee et al(1997b)通过使用 POS、EDI、VMI 及 CRP 等方法来解决需求预测等问题；利用过去的订单资料来做比例配额等方法 5。Grave
9、s(1998)通过对多级生产库存系统需求计划过程中的一些关键变量进行修正 6,以减缓牛鞭效应。属性论是一种数学算法可以对供应链中变量进行准确预测，灵活性强，对于缓解牛鞭效应，降低其风险，具有广泛的运用前景。属性论已在其他领域,如股价预测中得到广泛运用,得到了满意的结果 7。此方法利用历史数据进行预测，而不是利用过去的订单资料来做比例配额，通过对历史数据进行学习，能够从历史数据中挖掘出数据在价格波动，短期博弈等因素下的一般规律，降低这些因素对预测效果的影响。二、供应链牛鞭效应风险防范的属性论方法研究2005 年中国经济学年会 属性论在供应链牛鞭效应防范中的应用第 3 页 共 10 页 3（一）基
10、于属性论预测的三种模型：图2 制造商-零售商-客户三级供应链及其预测模型表达就制造商-零售商-客户三级供应链，我们建立了三个模型。 （如图，其中 模型一为基本预测模型，模型二、三为拓展模型）模型 1：反映了流程 1（客户向上游零售商订货） ，零售商根据下游客户历史订单数据来预测下游产品订购量。模型 2：反映了流程 2（零售商向上游制造商订货） ，零售商根据下游信息来预测向上游的产品订货点。模型 3a反映了流程 3（制造商与零售商信息不共享，信息直接来自零售商订购量)制造商根据零售商的订购量来预测产品生产量。模型 3b 反映了流程 4（制造商与零售商信息共享，可得到零售商下游客户信息）制造商根据
11、零售商客户的订购量来预测产品生产量。1.模型 1：基于零售商的下游产品订单量预测模型 1 运用的前提：配送中心的业务量已发展到了一定规模，业务信义度达到良好水平，客户数量相对稳定。其模型建立过程为：1） 利用属性论方法在客户销售量时间序列中进行相似性搜索订单量的变化规律是以最大的概率进行历史的重现，在无重大市场因素的影响下，产品订购量会受到历史因素的影响。对某些订购时间较长的产品，由于它们的订量时间序列里隐含了丰富的运行规律，可以在其历史时间序列中进行相似性查找，找出该产品“历史上的今天” ，然后依此作出预测。首先，建立起属性论的模型。则这时也要在产品订购量的时间序列中截取数据窗口，流程 4
12、信息传递（信息共享）流程 3 信息传递（信息不共享）零售商配送中心仓库客户 1,客户客户 n制造商 1制造商订单流程 1流程 2订单制造商 n2005 年中国经济学年会 属性论在供应链牛鞭效应防范中的应用第 4 页 共 10 页 4窗口的大小为 20 天，若零售商要预测明日某产品的订购量，则采用最近 20 天（今天加过去 19 天）的订购量建立一个 20 维的向量，然后在产品历史订购成交量的时间序列上，随机截取相同维数的向量，利用转化程度函数查找与此多维向量相似的随机向量。以这些相似向量为研究对象，对它们后一天的订购量（即时间序列的下一点的数据）进行学习，如果后一天的大多数订购量增长，那么可以
13、预测明日订购量会上升，反之下降。更进一步精确地预测可用定性映射 8的方法，得出明日的此产品的订购量。2）利用波恩斯坦基函数拟合技术对未来的订购量进行预测对于新订购的产品或在某种产品的订量时间序列中进行相似性搜索失败时，这时无历史因素可供参考。在这种情况下，我们引入了波恩斯坦基函数拟合技术，拟合成历史时间序列上的数据，从而推得第二天得订购量。3）此种模型的特例：（1）当某种商品客户需求不连续时，在产品订购停滞期在一定限度内(至多不超过 20 天)则属性论的方法仍可以运用，这时可以将订购停滞期内的订购量设为 0。 （2）当对非稳定需求的产品进行预测时，如季节性产品，这时为加大对订量预测的准确度，可
14、以加大时间序列的长度。2.模型2：在订货周期既定下，零售商向上游订货的产品订货点的预测这里零售商也采用Keller & Miline (1999)提出的(s,S)存货政策，即在设定存货上限的情况下决定订购批量，可抑制供应链中需求变异的扩大 9。假设零售商的向上游的订货周期是固定的，则这时也要在产品订购量的时间序列中截取数据窗口，窗口的大小为订货周期的长度。假设明日零售商要向上游制造商订货，则运用从上一次订货以来的该产品的订购量（即最后一个订购期内的订购量） ，采用这个历史最近的数据窗口的数据建立一个多维的向量，然后在由产品历史订购成交量的时间序列上，根据各实际订货日为截取点截取一个订购期的数据
15、段，形成与此多维向量相同维数的向量， （有相同的数据窗口）利用转化程度函数查找与此多维向量相似的随机向量。以各相似的向量为研究对象，每一个向量都会对应一个经验的产品订货点，用定型映射函数对这些订购量进行学习，可预测出明日向上游的产品订货点。另外，还有一种方法即以零售商向制造商订货量的历史数据建立时间序列，各时间点相隔的距离为订购期的时间段的长度，所以可以增加时间序列的长度，扩大查找范围。然后要确定下一次的订货量，可以按照模型一的方法在时间序列上截取数据段，采用合适的数据窗口，我们依然可以将数据窗口宽度取为20，运用最近的数据窗口的数据，建2005 年中国经济学年会 属性论在供应链牛鞭效应防范中
16、的应用第 5 页 共 10 页 5立20维的向量。然后进行相似查找，采用时间序列滑动模型，预测下一次的产品订货点。3.模型3 a.b：制造商 对于产品生产量的预测模型3 a.b的建立过程基本同模型2相同，但要在信息共享与不共享两种情况下讨论，两者时间序列上的数据不同。信息共享在实际供应链中往往受到多种因素制约，如上游供应商的信息系统是否发达，基础设施是否完善等。在信息共享的情况下，由制造商管理下游零售商的库存，直接利用零售商下游客户的产品订购信息，进行生产决策。这种情况下，时间序列上的数据为零售商下游客户的产品订购量。1）假设制造商的某产品生产周期固定的，当制造商要预测明日生产时，则运用最后一个订购期内的订购量，建立一个多维的向量，
