三级模式
啤酒游戏：该游戏是由麻省理工学院斯隆管理学院在20世纪60年代创立的库存管理策略游戏，该游戏形象地反映出牛鞭效应的存在及影响。几十年来，游戏的参加者成千上万，但游戏总是产生类似的结果。因此游戏产生恶劣结果的原因必定超出个人因素, 这些原因必定是藏在游戏本身的结构里。
在游戏中，零售商通过向某一批发商订货，来响应顾客要求购买的啤酒订单，批发商通过向生产啤酒的工厂订货来响应这个订单。该实验分成三组，分别扮演零售经理、批发经理和工厂经理。每一组都以最优的方式管理库存，准确订货以使利润最大化。
案例介绍：此案例主要是通过模拟啤酒游戏来仿真供应链中的牛鞭效应，从为改善牛鞭效应来提供帮助。首先假设啤酒游戏中包含零售商、批发商、供应商三个成员。同时对游戏中的参数进行如下假设：市场对啤酒的前4周的需求率为1000周/箱，在5周时开始随机波动，波动幅度为±200，均值为0，波动次数为100次，随机因子为4个。假设各节点初始库存和期望库存为3000箱，期望库存持续时间为3周，库存调整时间为4周，移动平均时间为5周，生产延迟时间和运输延迟时间均为3周，不存在订单延迟。仿真时间为0～200周，仿真步长为1周。期望库存等于期望库存持续时间和各节点的销售预测之积。
(01) FINAL TIME = 100
Units: Month
The final time for the simulation.
(02) INITIAL TIME = 0
Units: Month
The initial time for the simulation.
(03) SAVEPER =
TIME STEP
Units: Month [0,?]
The frequency with which output is stored.
(04) TIME STEP = 1
Units: Month [0,?]
The time step for the simulation.
(05) 市场需求率=
1000+if then else(Time>4,random normal(-200,200,0,100,4),0) Units: **undefined**
(06) 库存调整时间=
4
Units: **undefined**
(07) 批发商发货率=
delay3(零售商订单,运输延迟)
Units: **undefined**
(08) 批发商库存= INTEG (
生产商发货率-批发商发货率,
3000)
Units: **undefined**
(09) 批发商期望库存=
批发商销售预测*期望库存覆盖时间
Units: **undefined**
(10) 批发商订单=
max(0,批发商销售预测+(批发商期望库存-批发商库存)/库存调整时间)
Units: **undefined**
(11) 批发商销售预测=
smooth(批发商发货率,移动平均时间)
Units: **undefined**
(12) 期望库存覆盖时间=
3
Units: **undefined**
(13) 生产商发货率=
delay3(批发商订单,运输延迟)
Units: **undefined**
(14) 生产商库存= INTEG (
生产商生产率-生产商发货率,
3000)
Units: **undefined**
(15) 生产商期望库存=
期望库存覆盖时间*生产商销售预测
Units: **undefined**
(16) 生产商生产率=
delay3(生产商生产需求,生产延迟)
Units: **undefined**
(17) 生产商生产需求=
max(0,生产商销售预测+(生产商期望库存-生产商库存)/库存调整时间)
Units: **undefined**
(18) 生产商销售预测=
smooth(生产商发货率,移动平均时间)
Units: **undefined**
(19) 生产延迟=
3
Units: **undefined**
(20) 移动平均时间=
5
Units: **undefined**
(21) 运输延迟=
3
Units: **undefined**
(22) 零售商库存= INTEG (
批发商发货率-市场需求率,
3000)
Units: **undefined**
(23) 零售商期望库存=
期望库存覆盖时间*零售商销售预测
Units: **undefined**
(24) 零售商订单=
max(0,零售商销售预测+(零售商期望库存-零售商库存)/库存调整时间)
Units: **undefined**
(25) 零售商销售预测=
smooth(市场需求率,移动平均时间) Units: **undefined**
运行结果，可以看到牛鞭效应明显。
订单变化情况如图.
将三级模式更改为2级模式，即只存在生产商和零售商，如下：
(01) FINAL TIME = 100
Units: Month
The final time for the simulation.
(02) INITIAL TIME = 0
Units: Month
The initial time for the simulation.
(03) SAVEPER =
TIME STEP
Units: Month [0,?]
The frequency with which output is stored.
(04) TIME STEP = 1
Units: Month [0,?]
The time step for the simulation.
(05) 市场需求率=
1000+if then else(Time>4,random normal(-200,200,0,100,4),0) Units: **undefined**
(06) 库存期望覆盖时间=
3
Units: **undefined**
(07) 库存调整时间=
4
Units: **undefined**
(08) 生产商发货率=
delay3(零售商订单,运输延迟)
Units: **undefined**
(09) 生产商库存= INTEG (
生产商生产率-生产商发货率,
3000)
Units: **undefined**
(10) 生产商期望库存=
库存期望覆盖时间*生产商销售预测
Units: **undefined**
(11) 生产商生产率=
delay3(生产商生产需求,生成延迟)
Units: **undefined**
(12) 生产商生产需求=
max(0,生产商销售预测+(生产商期望库存-生产商库存)/库存调整时间
)
Units: **undefined**
(13) 生产商销售预测=
smooth(生产商发货率,移动平均时间)
Units: **undefined**
(14) 生成延迟=
3
Units: **undefined**
(15) 移动平均时间=
5
Units: **undefined**
(16) 运输延迟=
3
Units: **undefined**
(17) 零售商库存= INTEG (
生产商发货率-市场需求率,
3000)
Units: **undefined**
(18) 零售商期望库存=
库存期望覆盖时间*零售商销售预测
Units: **undefined**
(19) 零售商订单=
max(0,零售商销售预测+(零售商期望库存-零售商库存)/库存调整时间)
Units: **undefined**
(20) 零售商销售预测=
smooth(市场需求率,移动平均时间)
Units: **undefined** 库存情况如下：
订单情况如下；
从图可以看出，此时的波动要小于三级模式（存在制造商、批发商、零售商）时的牛鞭效应。
Management Science and Engineering 管理科学与工程, 2014, 3, 26-32 Published Online March 2014 in Hans. https://www.doczj.com/doc/d64893976.html,/journal/mse https://www.doczj.com/doc/d64893976.html,/10.12677/mse.2014.31B005 Case Study on the Evaluation Method of Bullwhip Effect Yijun Huang1, Ximei Lian2 Beijing University of Posts and Telecommunications, Beijing Email: hyijun@https://www.doczj.com/doc/d64893976.html, Received November 2013 Abstract In the process of practical supply chain management, “bullwhip effect” is a common phenomenon. This article quantifies the actual value of bullwhip effect by constructing a simple mathematical model with the moving average forecasting method, and proves that information sharing can re-duce the bullwhip effect. In order to improve the operability of information sharing, this article has filtered the information sharing content and discussed the information sharing way prelimi-narily. Keywords Bullwhip Effect; Case Study; Information Sharing 牛鞭效应评估方法的实例分析 黄逸珺1，连细妹2 北京邮电大学，北京 Email: hyijun@https://www.doczj.com/doc/d64893976.html, 收稿日期：2013年11月 摘要 在供应链实际管理过程中，“牛鞭效应”是普遍存在的现象。本文通过构建简单的数学模型，运用移动平均预测法评估牛鞭效应值，并定量分析得出信息共享能够减小牛鞭效应。最后，为提高信息共享的可操作性，本文对其内容进行了筛选，并对其共享方式进行了初步探讨。
牛鞭效应 牛鞭效应 - 简介 “牛鞭效应”是对需求信息扭曲在供应链中传递的一种形象的描述。供应链上各个环节：零售商、批发商、分销商 和制造商等其基本思想是：当供应链上的各节点企业只根据来自其相邻的下级企业的需求信息进行生产或者供应决策时，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。当信息达到最源头的供应商时，其所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。由于这种需求放大效应的影响，供应方往往维持比需求方更高的库存水平或者说是生产准备计划。 在整条供应链上，各个环节：零售商、批发商、分销商和制造商等等，每一个节点企业的订单都会产生波动，需求信息都有扭曲发生（这不过是或多或少罢了），这样下来，通过零售商、批发商、分销商、制造商，逐级而上，信息的扭曲越来越严重。 真实的反映实际需求来知道实际生产比想象的要难得多。计算机领域的DELL是最受推崇的直销专家。他们的成功，实际上就是不断缩短长鞭的长度，避免公司经营出现“牛鞭效应”。然而不是每一个公司和领域的企业都能适应直销方式的作法，因为直销的门槛儿相当高，例如美国的可口可乐为了将针对大卖场、超市、零售店的销售做到直接，在全球铺设了强大的销售物流体系，成本巨大，对于一些国内中小饮料企业，这种模式根本无法做到。除了直销，必须有新的方式帮助中国的企业避免“牛鞭效应”的产生。 高效的整合供应链被认为是解决方法的最有效武器。但是一些传统的模式必须改变才能达到真正的高效运转。因为通过分析，管理学家认为，问题不在于是否对供应链进行了管理，而在于没有通过新的管理模式，尤其是在分销与库存管理方法上。 传统上，由于供应链每一个环节都是自己管理的库存，都有自己的库存控制目标和相应的策略，而且相互之间缺乏信息沟通，彼此独占库存信息，因此不可避免地产生了需求信息的扭曲和时滞，使供应商无法快速准确地满足用户的需求。这实际上与供应链管理的产生思想背道而驰，SCM的产生原因在于加强协同，避免信息传递的不准确，然而几乎 供应链条上都要超过5家以上企业，几乎所有这些家都要根据自己的实际情况变更信息。客户需求数量是550部，生 产商考虑到生产线开工率成本，可能认为600部时单位成本更合理，增加了50部的排产计划；而到了原料供应商， 根据原料可能出现的损坏率要增加5%生产，一下来550部的需求就变为630部的原料供应。这还是一个最简单的事例，由管理学统计得出的数据，经过4家企业调整，原始数据差异变化至少要被扩大2-7%。事实上超过5家中间环 节的供应链相当普遍，在产业发展趋势进入低利润的状况下，某些中间商，产品利润只有1%不到，如果在如此的供应链管理环境下，企业经营已经变得相当危险，因为稍微一个小的震荡，这个项目必定亏损。 如何有效地控制这种“牛鞭效应”，尤其是在生产产品相对变化较少的成熟、低利润行业已经迫在眉睫。 牛鞭效应 - 引起原因引起“牛鞭效应”的主要原因有两种，牛鞭效应一种是触发因素，它是整个供应链波动的源头，另一种是加剧因素，它将波动进行放大和扩展：前者主要包括终端市场波动、多样化的需求等，后者主要包括失败的预测、限制性订货条件、促销行为、MRP的僵化运算、非限制性订货条件、经济订货批量、销售波动、计划失误等 因素。 牛鞭效应的结果如下，例如： 1、错误的容量计划。 2、错误的生产排程。 3、无效的运输。 4、过多的存货。 5、不好的客户服务。 6、丧失收入等。 牛鞭效应 - 避免措施1、从VMI寻求突破供应商库存管理主要问题发生在快速响应用户需求的整个供应链上， 供应链各个环节的活动都是同步进行的，而传统的库存和分销管理思想无法满足这一要求，必须从这两方面入手解决问题。首先出现了一种全新的供应链库存管理——VMI（Vender Managed Inventory，供应商管理库存），正在成为 生产制造的避免“牛鞭效应”的突破点。 VMI与RMI（Retailer Managed Inventory，零售商管理库存）的传统库存管理方式完全相反。库存不在由各 自企业自行管理，而是作为供需双方共同管理的“第三方库存”。 在中国推行VMI管理方式的明基逐鹿软件，将一些长期稳定需求的零部件采购不再采取订单形式交付给客户，而 采用VMI方式管理，产生需求后直接从库存中取货，而供应商根据库存中的最低、最高警戒线自动补货，根据最小成 本生产规模制订补货生产数量，而不是根据传统的订单数量。当库存低于最低警戒线补货，高于最高警戒线停止补货。通过VMI，变传统的供应方和需求方双库存管理，为单库存管理，使得生产、采购环节的“牛鞭效应”大为减小。 VMI改变了各节点企业库存管理各自为政的现象，将信息更加集成，而且利用巧妙的方式加深了商务协同能力。 具体来说，VMI是一种以用户和供应商双方都获得最低成本为目的，在一个共同的协议下由供应商管理库存，并 不断监督协议执行情况和修正协议内容，使库存管理得到持续地改进的合作性策略。 VMI对于供应双方好处都是显而易见，库存由供应链上游企业管理，下游企业可以放开手脚进行核心业务的开发，
牛鞭效应及应用实例分析 1 牛鞭效应的背景介绍 1.1 牛鞭效应的发现 二十世纪九十年代中期，宝洁公司的工作人员对他们最畅销的婴儿尿布产品的订单模式进行检查时，发现了一个奇怪的现象：该产品的零售数量是相当稳定的，波动性并不大，但在考察分销中心向她的订货情况时，吃惊地发现波动性明显增大了。其分销中心说，他们是根据汇总的销售商的订货需求量向她订货的。她进一步研究后发现，零售商往往根据对历史销量及现实销售情况的预测，确定一个较客观的订货量，但为了保证这个订货量是及时可得的，并且能够适应顾客需求增量的变化，他们通常会将预测订货量作一定放大后向批发商订货，批发商出于同样的考虑，也会在汇总零售商订货量的基础上再作一定的放大后向销售中心订货。这样，虽然顾客需求量并没有大的波动，但经过零售商和批发商的订货放大后，订货量就一级一级地放大了。在考察向其供应商，如3M公司的订货情况时，她也惊奇地发现订货的变化更大，而且越往供应链上游其订货偏差越大。这个现象就像牛仔使用的长鞭，顶端轻微的一点抖动就会在末梢转化为一条长长的弧线。因此，宝洁公司把这个现象命名为牛鞭效应（bullwhip effect）。 学术界普遍接受的牛鞭效应经典定义由Hau L Lee等（1997a）给出，他用过程的方差来定量的描述需求的波动：牛鞭效应描述的是供应链中供应商所接受的订单比终端顾客的需求具有更大的方差现象（即需求扭曲现象），这种扭曲将以放大的形式向供应链的上游传播（即方差的放大现象）。 1.2 牛鞭效应的成因和影响 1.2.1 牛鞭效应的形成原因 最早注意到供应链中这种需求波动逐级放大现象的人是J. Forrester, 早在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。Forrester认为出现这种现象的原因在于供应链系统太过复杂，而公司间的信息反馈又非常困难，因此单个公司很难独立理性地作出订购决策。Forrester认为解决这种现象的方法在于将供应链视为一个整体，并采用系统动力学的观点对供应链系统进行仿真建模，以便管理者能够确定合适的决策方案。 牛鞭效应研究的一个里程碑式的进步源于著名的“MIT啤酒游戏”的提出和研究。Sterman（1989）教授在其库存管理现场试验中设计了一个“啤酒分销游戏”，从而证实了供应链中确实存在牛鞭效应。在这个试验中，整个供应链上只有四个参与者，分别是啤酒制造商、分销商、批发商以及零售商，它们以各自的身份独立地进行决策，并且相互之间只能以相邻的参与者发出的订单作为唯一的需求信息资源。Sterman教
关于“牛鞭效应”产生的原因及对策分析 作者姓名：学号： 摘要：牛鞭效应是营销活动中普遍存在的现象，是企业物流配送供应链中一类典型的由不确定性导致的复杂现象，对供应链性能有着很大的负面影响。本文结合企业物流配送实际其供应链中的不确定性即牛鞭效应产生的成因、供应链管理产生的危害做出了分析，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。 关键词：牛鞭效应，供应链，缓解对策 1引言 牛鞭效应是指在营销市场中供应链中的零售商向供应商的订货量与其实际的销售量不一致。一般地，发给供应商的订货量，其方差大于销售给买方的(即需求扭曲) ，这种扭曲以放大的形式向供应链的上游蔓延。 牛鞭效应给企业造成的后果是不言而喻的，有时甚至非常严重。由于较差的需求预测，制造商支付了超额的原材料成本或产生原材料短缺。额外的制造费用、加班费，以及很高的库存水平导致超额的仓储费用和大量资金积压，低效率的运输过程和超额的运输成本等，都直接影响企业的效益。在某些制造业中，牛鞭效应会使供应链条突然断掉或是造成大量的库存产生。这对于资金紧缺、利润微薄的企业将是致命的冲击。 2牛鞭效应产生的原因 2.1案例分析 第一个认识到牛鞭效应的人是Forrester 。他通过一系列案例研究指出，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，他还注意到这种效应在供应链的每一级都会放大。 与Forrester类似，许多学者也都通过对实际数据的数值分析从经济学角度指出了许多行业中的牛鞭效应现象。如工厂产品计划的变化大于销售量的变化，订货量随着向供应链上游移动有增大的趋势等。 2009年IBM在北京发布了《2009全球首席供应链官调查报告——智慧的未来供应链》。此份报告通过采访全球近400位供应链执行官，揭示了当前一些企业的供应链管理中面临着可视性、风险、客户亲密度、成本控制等5大挑战，同时提出了建立面向未来的智慧的供应链来消除牛鞭效应、应对金融危机。宝洁、惠普等公司也发现了由牛鞭效应所产生的各种问题。 2.2“牛鞭效应”放大现象的计算案例分析 例：假定在一个简单的供应链中，每个节点企业在仓库中都存放着7天所需的货物，即：每个节点企业从其上游供应商那里购买足够的材料以使得它的存货满足7天的需求，对某种产品的需求一直稳定在每7天100单位，如果某一个7天最终客户的需求比平时多了5单位，假设配送非常迅速，我们可以见证“牛鞭效应”对整个供应链的影响。 给定条件：每7天供应链的需求为100单位； 需求：等于下一环节客户购买的数量； 每个7天开始时的初期库存：必定等于前一个周期的期末库存； 每个周期的期末库存：必定等于本周的需求；
供应链管理中“牛鞭效应”的分析 摘要：牛鞭效应是供应链管理中一类典型的由不确定性导致的复杂现象，它会对整个社会经济生产成本产生严重的影响。文章在介绍牛鞭效应的概念及产生原因的基础上，重点提出了弱化牛鞭效应的具体措施。 关键词：供应链管理；牛鞭效应；VMI；第三方物流 在供应链的实际运作中，存在着各种各样的困难，如预测的不准确，导致对需求的难以把握，信息的不透明，导致供给不稳定，由于企业之间的诚信还没有完全建立，企业之间的合作性与协调性差，供应链中的主导企业很难发挥作用，供应的缺乏，生产与运输作业的不均衡、库存居高不下，成本过高等现象。引起这些问题的原因很多，但主要原因之一就是“牛鞭效应”。“牛鞭效应”的基本思想是：当供应链的各节点企业只根据来自其相邻的下级需求信息进行生产或供应决策时，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，达到最源头供应商时，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，由于这种需求放大效应的影响。上游供应商往往维持比下游供应商更高的库存水平。牛鞭效应表现如图1所示。 由于牛鞭效应是从下游客户端逐级向上游转嫁风险的结果，因而它会危害整个供应链的运作，导致总库存增加、
生产无序和失衡、业务流程阻塞、资源浪费、市场混乱和风险增大。由此可见，牛鞭效应的存在，已经成为削弱供应链的增值能力和竞争能力的主要负面因素，因此，探寻其成因及危害，研究并消除它对于供应链的负面影响具有重大的理论和现实意义。 一、牛鞭效应产生的原因 对于由零售商、供应商、制造商所组成的供应链系统来说，如果单就考虑到自身的利益最大化，都无可厚非，它们也都存在极力为满足顾客而做出不懈努力的意愿，任何一个子系统都无过错。造成恶性循环的罪魁祸首是系统本身的结构，处在大系统当中的每一个子系统在不考虑整个系统运作的时候，这种需求信息被扭曲的现象自然而然的就发生了。所以牛鞭效应产生的原因总结如下： 需求信号的处理 为了安排生产进度，计划产量，控制库存和计划物料需求，供应链中的企业通常都会预测产品需求，而预测通常是基于企业直接接触的顾客的购买历史进行的。当下游企业订购时，上游企业的经理就会把这条信息作为将来产品需求的信号来处理，基于这个信号，上游经理会调整需求预测，同时上游企业也会向其供应商增加订购，使其做出相应的调整。因此，这种需求信号的处理是牛鞭效应产生的主要原因。 批量订购
牛鞭效应与供应链 14807104吴书 1、牛鞭效应的概念 1995年，美国的保洁公司（P&C）在研究Pampers牌一次性婴儿纸尿裤的市场需求及订单分布规律时发现，该产品在一定地区的销售数量相对稳定，未出现某天或某月的需求量大大高于或低于其它时间。然而，各分销厂商向工厂的订货量却出现大幅波动，而且宝洁向原材料供应商的订货量波动幅度更大。由于这一现象很像我们在挥动牛鞭时，只要手腕稍稍用力，鞭梢就会出现大幅度的摆动，所以被人们形象的称之为“牛鞭效应（Bullwhip Effect）”。 2、牛鞭效应的研究综述 “牛鞭效应”并不是什么新的概念，早在上世纪60年代就有很多学者对其进行了研究。 2.1、工业动态学之父Forrester在其1961年出版的《工业动力学》一书中最早提出了牛鞭效应现象，Forrester通过列举一系列的例子证实该效应的存在，并从工业动力学的角度指出它是组织行为变化的结果。也就是说，根据工业组织随时间动态变化的行为特点，得出这种效应是供应链系统成员之间在订货、采购、运输和生产等过程中存在时滞的结果，即一个组织所采用的基本形式和政策导致了供应链中的牛鞭效应。 2.2、随后，在20世纪80年代，J.D.Sterman设计了一个非常著名的“啤酒游戏”实验，目的是对牛鞭效应进行分析。在该实验中，扮演生产者和销售者角色的人们唯一的目的就是尽量做好自己的本职工作：如果需要啤酒，就向自己的上游发住订单。客户如有个较小的需求波动，如增加十箱啤酒，一级批发商可能就要增加三十箱，依次波及二级批发商、供应商。由于零售商和批发商不断的追加订货数量，导致啤酒厂供不应求，而当啤酒厂作出调整，诸如增购生产设备等，零售商又意识到实际客户的需求并为增加多少，于是停止要货，最终造成啤酒工厂、批发商、零售商的库存大量积压。在啤酒游戏中，任何一方的意图都是善良的，满足客户并使利润最大化，然而正式这种常规的思维方式导致了需求的变异性放大，这证实了供应链中存在着牛鞭效应。Sterman认为这样的结果是实验者
基于信息共享的供应链牛鞭效应仿真研究 【摘要】本文建立了包括供应商、生产商、分销商、零售商的多级库存系统动力学模型，从理论上看，如果具备一定的条件，就可以有效避免信息扭曲放大的现象，缓解牛鞭效应。 【关键词】供应链；牛鞭效应；系统动力学模型；vensim仿真 1、引言 牛鞭效应是对需求信息扭曲在供应链中传递的一种形象描述，其基本思想是当供应链各节点企业只根据来自其相邻的下级企业的需求信息进行生产或供应决策时，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，到达源头供应商时，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。这种需求放大效应的影响，使上游供应商比下游供应商具有更高的库存水平。 供应链的库存和供应链的不确定性有很密切的关系，信息共享程度差是供应链不确定性增加的一个主要原因。从理论上讲，如果供应链上各节点企业能共同合作出资建立一套跨组织的信息系统，有利于保证每一个节点企业能快速地掌握市场动态以及各合作企业的库存状态，那么每个节点库存及订货量也不会出现严重的放大现象，从而避免需求与供给的不确定性所带来的牛鞭效应。 本文从信息共享的角度，建立系统动力学模型，并运用vensim仿真软件来分析信息共享对抑制牛鞭效应的重要性。 2、系统动力学方法 系统动力学中最常用的是因果关系图和系统流程图。因果关系图是用箭头和正负号表示系统中各因素之间相互关系（正反馈、负反馈）的示意图。系统流程图即为存量流量图，是系统动力学结构模型的基本形式，也是系统动力学建模的核心内容。 系统动力学直接面向供应链管理的业务流程，对其进行整体、动态的分析，利用仿真再现系统行为随时间的变化，探寻行为变化背后的意义，是一种可应用于供应链库存控制研究的有效的、可行的方法。 3、供应链牛鞭效应仿真模型 传统的库存控制模式是一种基于交易层次的、静态的、单向的库存管理与控制方式，随着信息从下游企业向上游企业传递，不可避免的会发生需求扭曲的现象，与实际的需求情况严重脱节。为尽可能的消除供应链上的牛鞭效应，本文提出一种减少信息扭曲，抑制需求放大的模型。
供应链中“牛鞭效应”案例分析及解决方法来源：物流天下作者：佚名日期：2009年06月16日访问次数：随着市场全球化和竞争的不断加剧,有人曾 在20世纪就预言了21世纪企业之间的竞争将变成供应链之间的竞争。我国的国 家标准《物流术语》,对于供应链的定义是:“供应链是生产及流通过程中,涉及 将产品或服务提供给最终用户活动的上游和下游企业所形成的网链结构。”由此 可见,供应链是一个集成了多家企业的价值增值链。其基本结构如图1所示: 随着市场全球化和竞争的不断加剧,有人曾在20世纪就预言了21世纪企业 之间的竞争将变成供应链之间的竞争。我国的国家标准《物流术语》,对于供应 链的定义是:“供应链是生产及流通过程中,涉及将产品或服务提供给最终用户活 动的上游和下游企业所形成的网链结构。”由此可见,供应链是一个集成了多家企 业的价值增值链。其基本结构如图1所示: 作为一种跨企业的协作,供应链包含了所有加盟的节点企业,不仅是一条联 结供应商到用户的物流链、信息链和价值链,而是一条增值链。提高整条供应链 的增值能力,增强供应链的竞争力,成为各节点企业共同的目标。 尽管如此,在供应链的实际运作中,却存在着各种各样的困难:如预测的不准确,导致对需求的难以把握;信息的不透明,导致供给不稳定;因为企业之间的诚 信还没有完全建立,企业之间的合作性与协调性差,供应链中的主导企业很难发 挥作用;供应的缺乏,生产与运输作业的不均衡、库存居高不下,成本过高等现象。引起这些问题的原因很多,但主要原因之一就是“牛鞭效应(Bullwhip Effect)”。由于牛鞭效应是从下游客户端逐级向上游转嫁风险的结果,因而它会 危害整个供应链的运作,导致总库存增加、生产无序和失衡,业务流程阻塞,资源 浪费、市场混乱和风险增大。由此可见,牛鞭效应的存在,已经成为削弱供应链的 增值能力和竞争能力的主要负面因素。因此,研究牛鞭效应,并消除它对于供应链 的负面影响就是本论文要研究的内容。 1 供应链中“牛鞭效应”分析 1.1 何谓“牛鞭效应” 1995年,宝洁公司(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,发现一定地区的婴儿对该产品的消费比较稳定,零售商那里的销售量的波动 也不大,但厂家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,这一现象与我们挥动鞭子时手腕稍稍用力, 鞭梢就会出现大幅动摆动的现象相类似。于是,人们将这种现象叫做“牛鞭效应(Bullwhip Effect)”。类似的现象也在惠普、IBM等跨国企业中得到了印证。另外,麻省理工学院的Sterman教授通过着名的啤酒试验,也证明了牛便效应这一
基于Anylogic对牛鞭效应仿真研究与分析 张伟力 (东南大学物流管理项目系,南京,210096） 摘要：为了找到时间因素如何影响牛鞭效应,以库存和订单数量为牛鞭效应强度地衡量指标,借助Anylogic 软件建立三阶供应链模型进行仿真,并对仿真结果进行了比较分析.可视化地研究供应链地动态变化,并分析订货提前期与牛鞭效应地关系,如何减轻牛鞭效应,为企业提供决策支持.研究表明,时间因素对牛鞭效应有重要影响,订货提前期地缩短能够减轻牛鞭效应. 关键词：牛鞭效应；仿真；Anylogic Anylogic-Based Bullwhip Effect Simulation Zhang Weili (Department of logistic s management construction, SoutheastUniversity, Nanjing, 210096> Abstract:In order to find out how the time factoraffects the bullwhip effect, regard inventory and order quantity as the measurements, with the help of Anylogic software simulate the model of three-echelon supply chain, and the simulation results are analyzed. To study the dynamic chain changes visually, and analyzed the relationshipbetween order lead time and bullwhip effect, to find out how to alleviate bullwhip effect. Research shows that time factors affectbullwhip effect obviously, and cutting down order lead time can reduce the strength of the bullwhip effectavailably. Keyword:Bullwhip Effect。simulation。Anylogic 1.引言 牛鞭效应是指市场需求信息从供应链下游向上游传递地过程中,需求波动被不断放大地一种现象.这种现象使得供应链上游企业无法准确把握市场需求信息,难以制订合理地企业能力需求规划和生产计划,造成生产能力过剩或者库存产品过多或者缺货,并使整个供应链地运作成本过高,效率和顾客满意度降低. 目前对供应链牛鞭效应有代表性地研究是：Forrestor[1]通过一系列案例研究证实了牛鞭效应地存在,并指出它是工业组织动态行为或时间变化地行为产生地结果；Burbridge 教授[2]从产业动力学地角度对牛鞭效应地机理进行了探讨；美国麻省理工学院地Sterman[3]教授通过一项以啤酒为对象地供应链库存管理动态模拟实验,即所谓地啤酒实验,也证实了牛鞭效应地存在,并认为该效应是供应链成员系统性、非理性行为和对反馈信息地错误理解造成；
供应链中牛鞭效应的模型与分析 (2004-04-02) １引言 牛鞭效应（ＢｕｌｌｗｈｉｐＥｆｆｅｃｔ）是供应链管理中的一种常见现象，不同商品，牛鞭效应的成因和形式可能不同。除了“情人啤酒”、“帮宝适尿布”等典型案例外，图１取自Ａｎｄｅｒｓｏｎ １９９６，是一个宏观经济上的例子。终端产品是汽车生产商，其上游是机床制造商，再上溯则是机床制造商的零件供应者，显然这个例子中也存在牛鞭效应现象。可见，牛鞭效应的概念已不局限于微观经济组织的供应链上。 到目前为止，研究牛鞭效应的文章不胜枚举，但其研究方法（尤其是定量模型研究）却十分有限，２００３以前较普遍的是自回归 ＡＲ 模型 也有不少文献提及系统动力学模型，直至２００３年才出现用Ｋａｌｍａｎ滤波器模型研究牛鞭效应的论文，因此本文的作者们认为仔细分析、比较这三类定量研究牛鞭效应的模型很有必要，有可能启发后来的研究工作。 ２关于牛鞭效应的定量模型的研究状况 最早注意到供应链中这种需求波动逐级放大现象的人是Ｆｏｒｒｅｓｔ，他（１９６１）根据系统动力学理论，对一个三阶段四结点的供应链系统进行分析，描述了不同内部条件下的系统对外部变化或冲击的反应，指出供应链内部的结构、策略和相互作用会导致需求变动的放大。Ｓｔｅｒｍａｎ的“啤酒博弈” １９８９ 则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。此外，一些学者通过模拟分析 证实了库存管理方式对供应链信息扭曲的影响。Ｔｏｗｉｌｌ等通过模拟和证实分析发现 需求信息的变化幅度每通过一个环节就会增加一倍 １ 。因此降低这种需求放大的主要手段就是降低分销商数量，缩短供应链。Ｌｅｅ、Ｐａｄｍａｎａｂｈａｎ和Ｗｈａｎｇ １９９７ａ 、 １９９７ｂ ，对需求放大现象进行了全面深入的分析，认为这种现象是理性的供应链成员战略互动的结果，并正式引进了Ｐ＆Ｇ公司提出的术语“牛鞭效应”来定义这种现象。 归纳起来，研究牛鞭效应的文献从内容上可以分为三类：一是说明这一现象的存在及其危害性的；二是研究导致这一现象的原因的；三是研究这一现象的解决方法的。从研究方法上来看，研究牛鞭效应的典型模型也可以分为三类，一是以Ｆｏｒｒｅｓｔｅｒ为代表的系统动力学模型，早期涉及研究；二是以Ｆ．Ｃｈｅｎ等为代表的ＡＲ １ 模型；三是最近出现的用Ｋａｌｍａｎ滤波器模型研究的文章 参见Ｊ．Ｃｈｅｎｅｔａｌ ２００３ 。 下文将详细介绍、分析和比较这三种模型在牛鞭效应研究过程中的优劣。
“牛鞭效应” T h e B u l l w h i p E f f e c t ?1997年，H a u．L．L e e教授在供应链中，首先提出牛鞭效应 (B u l l—w h i p E f f e c t)的概念，认为供应链中以订单形式传送的信息会被扭曲，误导上游成员的生产和库存决策。他提出的“需求变异加速放大原理”的基本思想是：当各节点企业只根据下游企业提供的需求信息进行生产时，需求信息会被不断地扭曲，其不真实性会沿着供应链逆向逐级放大，最终造成源头供应商获得的需求信息和实际市场需求之间发生了很大的偏差，而这种偏差比下游分销商和零售商所面对的偏差要大得多，由此导致上游企业比下游企业持有更多的库存。 何谓“牛鞭效应” ?牛鞭效应(T h e B u l l w h i p E f f e c t)是指供应链中下游消费者的需 求轻微变动导致上游企业生产、经营安排剧烈波动的效果 ?或者说是供应链中的下游企业的需求信息在向上游企业传递时发生的放大现象，又叫作需求变异放大（方差放大）现象。 ?因为这种形象与我们在挥动鞭子时手轻微用力，鞭梢就会出现大幅摆动的现象类似，故形象描述为“牛鞭效应”，即需求放大效应。 ? ?牛鞭效应的基本思想是：当供应链上的各节点上的企业只根据来自其相邻的下级企业的需求信息进行生产或者供应决策时，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。当信息达到最源头的供应商时，其所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。 ?在S A R S期间，我国国民大量的购买口罩、消毒水等抗病毒物品，而这种需求在零售商那里得到反映。很长一段时间，零售商大量的购入口罩、消毒水这些抗病毒物品。
三级模式 啤酒游戏：该游戏是由麻省理工学院斯隆管理学院在20世纪60年代创立的库存管理策略游戏，该游戏形象地反映出牛鞭效应的存在及影响。几十年来，游戏的参加者成千上万，但游戏总是产生类似的结果。因此游戏产生恶劣结果的原因必定超出个人因素, 这些原因必定是藏在游戏本身的 结构里。 在游戏中，零售商通过向某一批发商订货，来响应顾客要求购买的啤酒订单，批发商通过向生产啤酒的工厂订货来响应这个订单。该实验分成三组，分别扮演零售经理、批发经理和工厂经理。每一组都以最优的方式管理库存，准确订货以使利润最大化。 案例介绍：此案例主要是通过模拟啤酒游戏来仿真供应链中的牛鞭效应，从为改善牛鞭效应来提供帮助。首先假设啤酒游戏中包含零售商、批发商、供应商三个成员。同时对游戏中的参数进行如下假设：市场对啤酒的前4周的需求率为1000周/箱，在5周时开始随机波动，波动幅度为±200，均值为0，波动次数为100次，随机因子为4个。假设各节点初始库存和期望库存为3000箱，期望库存持续时间为3周，库存调整时间为4周，移动平均时间为5周，生产延迟时间和运输延迟时间均为3周，不存在订单延迟。仿真时间为0～200周，仿真步长为1周。期望库存等于期望库存持续时间和各节点的销售预测之积。 (01) FINAL TIME = 100
Units: Month The final time for the simulation. (02) INITIAL TIME = 0 Units: Month The initial time for the simulation. (03) SAVEPER = TIME STEP Units: Month [0,?] The frequency with which output is stored. (04) TIME STEP = 1 Units: Month [0,?] The time step for the simulation. (05) 市场需求率= 1000+if then else(Time>4,random normal(-200,200,0,100,4),0) Units: **undefined** (06) 库存调整时间=
供应链管理中的牛鞭效应分析
供应链管理中的牛鞭效应分析 摘要：供应链管理是以核心竞争理论为基础，从采购原材料开始，到制成半成品和最终产品，最后由销售网络把产品送到最终用户手中这一过程，实现对信息流、物流和资金流的控制。它是将供应商、制造商、分销商、零售商直到最终用户连成一个整体的功能网链模式，对链中的资源进行有效配置的过程。供应链中的牛鞭效应是由信息的不确定性造成的信息扭曲并逐渐放大，从而造成需求信息大幅度波动的现象。牛鞭效应造成了供应链的的巨大损失，因此，分析并提出弱化牛鞭效应的对策具有一定的现实意义。 关键词：供应链管理；牛鞭效应；库存积压；短缺博弈 1 牛鞭效应的含义及核心思想 1.1牛鞭效应的含义 牛鞭效应也称需求变异放大效应，是对需求信息在供应链中传递的过程中发生扭曲失真的一种形象描述。主要指供应链上的信息流从最终客户向原始供应商端传递时，由于无法有效地实现信息的共享，导致需求在需求链上的传递过程中被逐级放大，最终导致制造商在实施生产计划时遇到巨大的不确定性。 牛鞭效应，是供应链管理的基本原理之一，由于信息扭曲的放大作用在图形上很像很一根甩起的牛鞭，因此被形象地称为牛鞭效应。 1.2牛鞭效应的核心思想
牛鞭效应的核心思想是：当供应链上的各成员企业只根据来自其相邻的下级企业的需求信息进行生产或供应决策时，需求信息的失真性会沿着供应链逐级而上，产生逐级放大的现象。当信息传递到最源头的原材料供应商时，其所获得的需求信息和终端消费市场中的顾客真实需求信息往往会发生巨大的偏差。因为这种需求放大效应的影响，上游供应商一般需要保持比下游供应商更高的库存量。 1.3供应链中牛鞭效应的形成过程 图1-1 供应链中牛鞭效应的形成过程 图1-1显示，在供应链中，每一个供应链成员企业制定的采购量、生产计划信息都会发生扭曲，而且这种扭曲程度会沿着供应链从下游向上游不断扩大，从而各成员企业的订货量的变化水平也就沿供应链不断的扩大。 显而易见，这种现象将会给企业带来众多的不良后果：产品的安全库存量居高不下、服务水平降低、供应链的整体成本过高以及客户个性化定制化程度低等问题，这必然降低供应链中企业的整体竞争力。因此减少“牛鞭效应”的不良影响，从而提高供
《供应链管理》实验报告
二、供应链中各种库存管理的策略理解 （市场——节点1——节点2——节点3——节点4——节点五——上游企业） 首先，我们的实验是建立在无契约基础之上的，即各节点的唯一目的在于实现自我盈利最大化，并且除了节点一以为，我们不需要考虑缺货成本。 对于节点1来说，因为需要考虑缺货成本，加之此处的缺货成本远高于库存成本，所以节点一的策略应当为在一定范围内大胆向上游订货，承担库存成本以避免缺货损失。 对于节点2至5，由于不考虑缺货成本，所以可以尽量的向下游送货但尽量少的向上游订货以避免过高库存成本。 综上来看，就该实验假设下的库存管理的决策是为局部利益考虑的，易于导致需求波动随供应链的推进而放大，引发牛鞭效应，造成意想不到的整体损失，从而再影响到各节点的利益！ 三、各参数对库存策略的影响以及本实验所用到的库存策略 节点成本＝买入价格×本期收到的货物＋固定订货成本＋单位持货成本 ×库存数＋单位缺货成本×缺货数 节点收益＝售出价格×售出货物数量 节点利润＝节点收益-节点成本
从EXCEL数据生成的需求量变化表和订货量变化表中可以看出，节点三的操作在30次操作中的前9次中每次都含有很大程度的库存成本，即这反应了自身存货量持续大于下游订货量的情况，造成这个情况的可能性有多重，然而在本次实验中，原因在于我们组的下游同学一直预判市场需求量不大，他不敢多订货想避免缺货损失，当整体供应链缺货的苗头非常明显的时候，处在节点5的同学也无法力挽狂澜，毕竟在初期，他之前的所有人都觉得需求量少，这一个在节点一判断的错误信息被不断放大，是的节点5的同学和我们说，他真的不敢多订货，怕库存成本，这也就是他身为供应链上游，库存极少，乃至当整体供应链需要大量货物的时候无法施以援手！经过9-20期的努力，我们终于逆转了局势，使得供
牛鞭效应： “牛鞭效应”是经济学上的一个术语，指供应链上的一种需求变异放大现象，使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，此信息扭曲的放大作用在图形上很像一个甩起的牛鞭，因此被形象地称为牛鞭效应。 “牛鞭效应”是市场营销中普遍存在的高风险现象，是销售商与供应商在需求预测修正、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方面博弈的结果，增大了供应商的生产、供应、库存管理和市场营销的不稳定性。企业可以从6个方面规避或化解需求放大变异的影响：即订货分级管理；加强入库管理，合理分担库存责任；缩短提前期，实行外包服务；规避短缺情况下的博弈行为；参考历史资料，适当减量修正，分批发送；提前回款期限。 基本信息： 英文名称：Bullwhip effect 营销过程中的需求变异放大现象被通俗地称为“牛鞭效应”。(指供应链上的信息流从最终客户向原始供应商端传递时候，由于无法有效地实现信息的共享，使得信息扭曲而逐渐放大，导致了需求信息出现越来越大的波动。) “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。 长鞭效应（bullwhip effect),在管理学上俗称“牛鞭效应”。动力系统中常称为蝴蝶效应都是说初始条件十分微小的变化经过不断放大，对其未来状态会造成极其巨大的差别。有些小事可以糊涂，有些小事如经系统放大，则对一个组织、一个国家来说是很重要的，就不能糊涂。
牛鞭效应在服装行业中的影响 摘要：服装行业具有流行性、时尚性的显著特点，其供应链具有独特的模式。本文从牛鞭效应的基本概念出发。分析服装行业牛鞭效应的影响因素，并提出了相应的建议，具有很大的实践意义。关键词：库存危机，牛鞭效应，服装行业 2012年初，美特斯邦威爆出库存危机，其中绝大数是过季产品。截止到2011年9月30日的美特斯邦威第三季度报表显示，美特斯邦威的库存为29亿元，而在2009年这个数字只有9亿元。有媒体报道，申银万国证券发布报告显示，美特斯邦威2011年底存货已降至25亿元规模，其中超过15亿元的货物为过季商品。该报告指出，美特斯邦威的净资产约为32亿元，而仓库里那些过季衣服已占其净资产的近一半。“高库存直接影响企业的资金流，甚至会导致企业资金链断裂。”一位服装公司的销售负责人透露，“多个品牌服装去年在中国出现了销售额负增长现象，产量在上升而销量却在下降，这可能是造成高库存的一个重要原因。”服装行业强调流行和时尚，其产品的主要特点就是更新变化速度快，这次美特斯邦威造成库存积压深层次原因是传统的粗放式生产造成了需求被夸大，生产量过多。目前，大多数服装企业计划的生产数量，大多还是通过订货会来确定的，这种模式由于依靠渠道商提供信息而不是消费者，往往会造成服装销量低于预期，从导致库存积压。 1、牛鞭效应的概念及对供应链的影响 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，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，非常形象得，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。其本质是营销活动过程中的需求变异放大现象。 牛鞭效应对供应链管理具有很大的危害性，它使供应商的库存和供应风险加大，使生产商的营销管理秩序与计划安排被打乱，致使生产、供应、营销发生混乱，企业要想维护良好的顾客服务和正常的营销管理，必要前提就是解决“牛鞭效应”难题。牛鞭效应导致了供应链中需求信息的失真，其负面效应在于： (1)供应链中各节点中会储存许多不必要的库存，这样会大量占用企业的资金，形成高额的库存成本，给企业的生产经营活动带来压力。比如这次美特斯邦威的库存危机就积压大量过季产品，占用了20多亿的资金。
供应链管理的牛鞭效应 “牛鞭效应”是在下游企业向上游企业传导信息的过程中发生信息失真，而这种失真被逐级放大的结果，从而波及到企业的营销、物流、生产等领域。 供应链的有效运作是受很多因素制约的，例如组织结构、信息渠道、地域分布、行业特征等。但是，其中最根深蒂固的影响因素当属“牛鞭效应”。 何为牛鞭效应？ 在一条供应链中，消费市场需求的一点点变化都会被一级级放大到制造商、首级供应商、次级供应商那里。例如计算机市场需求预测轻微增长2%，放大到戴尔（制造商）时可能成了5%，传递到英特尔（首级供应商）时则可能是10%，而到了替英特尔生产制造处理器的设备商（次级供应商）时则可能变为20%。 简单来说，当经营者接到消费者发出的订单后，会根据本期从下游经销商收到的订单发出货物，并以此为依据参考销售记录预测未来需求的变化，结合本期期末库存量向上游供应商发出订单。订单的传递和货物的运送都需要两个经营周期，那么每个经营者从发出订单到得到该计单的订货需要四个经营周期。当消费者需求出现变化，零售商、批发商、分销商的订单及库存量自发出现波动，并且，越是处于供应链的后端，需求变化幅度越是会正数级放大。以形状而言，这就像西部牛仔挥舞的牛鞭，鞭轻轻一抖，鞭梢便会大幅度抖动，划出一道美丽的圆弧，这就是所谓供应链管理中的“牛鞭效应”。 牛鞭效应的影响 “牛鞭效应”其实是在下游企业向上游企业传导信息的过程中发生信息失真，而这种失真被逐级放大的结果，从而波及到企业的营销、物流、生产等领域。牛鞭效应成因于系统原因和管理原因，它们的共同作用提高了企业经营成本，对产品供应链造成消极影响，导致对市场变化的过激反应。当市场需求增加时，整个供应链的产能增加幅度超过市场需求增加幅度，超出部分则以库存形式积压在供应链不同节点。一旦需求放缓或负增长，大量资金和产品将以库存形式积压，整个供应链可能资金周转不良，严重影响供应链的良好运作，甚至导致企业倒闭，尤其是处于供应链末端的小企业。以思科为例，2000年前后网络经济泡沫破灭，直接导致注销高达24亿美元的库存。以半导体设备制造行业为例，2000年前后经济泡沫后的大量库存，直到2002年才处理完，各大公司动辄注销几千万美元的过期库存。对众多的次级、次次级供应商而言，则意味着没有新订单，没有新的营业收入，无法维持运营。结果是大批供应商处于崩溃边缘，大幅裁员，甚至难逃破产厄运。 对市场的响应速度而言，牛鞭效应表明，越是处于供应链后端，企业响应速度越慢。其结果是，当市场需求增加的时候，供应商往往无法支持制造商；而当市场需求放缓时，供应商则往往继续过量生产，造成库存积压。由于牛鞭效应，伴随着过量生产的是整个供应链的生产能力过度膨胀。一旦经济不景气，整个供应链被迫大幅削减人员，关、停、并、转设备。 以笔者所在公司为例，到2003年，人员从2000年高峰期的5000余人缩减到2200人左右，总部的生产