基于witness的信息共享弱化牛鞭效应效果研究

开篇：润墨网以专业的文秘视角，为您筛选了一篇基于witness的信息共享弱化牛鞭效应效果研究范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！

（School of Management，Guangdong University of Technology，Guan

>> 基于witness的“牛鞭效应”仿真实践教学研究 基于牛鞭效应的供应链信息共享集成优化研究 基于信息共享角度的供应链牛鞭效应研究 基于信息共享的供应链牛鞭效应仿真研究 基于SD第四方物流信息共享的牛鞭效应初探 采用信息共享和风险共担降低牛鞭效应的研究现状浅析 基于对牛鞭效应的弱化探讨供应链运作模式的发展 如何弱化供应链管理中的“牛鞭效应” 牛鞭效应的仿真研究 信息分享对牛鞭效应的影响研究 航运市场中的牛鞭效应研究 供应链牛鞭效应的对策研究 供应链牛鞭效应的成因及治理研究 供应链牛鞭效应的量化研究 供应链管理中的“牛鞭效应”研究综述 供应链管理中的牛鞭效应问题研究 需求预测方法抑制牛鞭效应问题的研究 横向动态联盟的信息共享效应研究 基于Witness建模仿真研究 历史销售信息对供应链牛鞭效应的影响 常见问题解答 当前所在位置：中国论文网 > 艺术 > 基于witness的信息共享弱化牛鞭效应效果研究 基于witness的信息共享弱化牛鞭效应效果研究 杂志之家、写作服务和杂志订阅支持对公帐户付款！安全又可靠！ document.write("作者： 吴锐华 董振宁 苏敏姬")

申明:本网站内容仅用于学术交流，如有侵犯您的权益，请及时告知我们，本站将立即删除有关内容。 （School of Management，Guangdong University of Technology，Guangzhou 510006，China） 摘要： 该文依据平滑预测法构建了五阶供应链模型，利用witness软件进行仿真实验，比较信息共享前后供应链上各级成员的订单及库存变化。作者首次运用实验证明，在订货提前期一定，需求预测方法、安全库存不变的情况下，信息共享能有效弱化牛鞭效应，并使库存更加平稳，降低库存成本。同时该文比较详细地介绍了witness建模的详细设计，为其他同行建模提供参考。 Abstract: The paper utilizes index smoothing forecasting method to construct a five-echelon supply chain model and simulate it with witness，which compares the differences of order quantity and inventory before the information sharing and after that in the supply chain members. With the experiment, the author first proved that information sharing could effectively reduce the bullwhip effect and the inventory cost while the lead-time of order, demand forecasting method and safety stock quantity keep changeless. At the same time, the paper introduces the detailed design of witness model, which can give some reference to other researchers. 关键词： 牛鞭效应 信息共享 witness仿真 Key words: bullwhip effect；information sharing；witness simulation 中图分类号：F253.4 TP391.3 文献标识码：A 文章编号：1006-4311（2011）20-0010-03 0 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的过程中，需求波动被不断放大的一种现象。这种需求放大效应的存在会给供应链上各节点的企业带来严重的后果。例如牛鞭效应会造成节点企业的库存量过高，从而导致各节点企业的库存成本提高、服务水平和运作效率下降[1]。 王旭坪等人利用控制理论对比实施信息共享前后供应链的牛鞭效应，并使用指数平滑法的需求预测方法探讨订货提前期对牛鞭效应的影响[3]。刘红着重研究市场需求服从ARMA（1，1）平稳可逆时间序列的两级供应链牛鞭效应的存在，比文献[3]更详细地证明缩短订货提前期能有效地降低牛鞭效应[1]。李卓群、汪传旭都在不同的需求预测方法下，比较不同订货提前期对牛鞭效应的影响，但后者深入证明订货提前期在节点企业的不同分布对供应链牛鞭效应的影响[4，5]。上述研究分别验证缩短订货提前期、需求信息共享和选择适当的预测方法可以有效弱化牛鞭效应。但在实际研究中，随着物流理论和实践的不断深入，所提出的研究问题日益复杂，非确定因素、不可知因素、模糊因素众多，因果关系复杂，单独应用数学方法难以进行描述或很难求解且有时无法求解，使得我们的研究需要利用计算机仿真软件来辅助解决[6]。赵静、桂寿平等人分别利用仿真软件witness、anylogic对供应链进行仿真建模，但仅仅验证了供应链中牛鞭效应的存在[7][8]。而陈思、张伟力同样也利用了anylogic仿真软件对供应链进行仿真建模，验证了订货提前期的缩短能有效弱化牛鞭效应，但是在模型和参数设置方面描述较为简略，无法为读者进行相关仿真实验提供参考[9]。 本文将借助于WITNESS软件，利用面向对象的方法对五阶供应链进行建模仿真，并详细介绍witness的建模设计，除了沿用传统的牛鞭效应指数对比信息共享前后牛鞭效应指数的强弱情况，还从供应链的库存波动角度验证信息共享对改善供应链运行的作用。 1 供应链模型构建 1.1 供应链模型结构 本实验仿真为五阶角色供应链：制造商（5级）―批发商（4级）―分销商（3级）―零售商（2级）一终端消费者。 每个周期，终端消费者自动地向零售商发出一个采购订单。 零售商、分销商、批发商、制造商等供应链上的每个角色都需要完成以下工作：①首先对自身库存进行盘点，预测其下游需求量并计算订货量，向其上游发出订单；②收到L个周期前上游企业发的货物（L为订货提前期）；③接收下游企业的订单，并按照需求发出货物；如若出现缺货，则将未完成的订单量推至下个周期交货。 为了验证信息共享对弱化牛鞭效应的有效性，我们构建了信息共享与不共享两个供应链模型：信息共享前，该模型以订单为导向，从顾客需求开始，需求逐级向上游传递，拉动供应链运转，同时上游逐级满足下游需求（如图1）。 信息共享后，供应链中各个角色都可以直接收集到终端客户的需求信息，同时还能了解各个角色的库存情况（如图2）。 1.2 需求预测模型 需求预测订货的基础工作，本模型采用移动平均法进行需求预测。供应链上第j级节点的从第t个周期开始的未来L个周期内的需求为：■■■=L■■=L×■（1） 是采用移动平均法，利用t周之前l周期的真实需求预测第t周期的需求，Djt是节点j在第t周期的实际需求，它等于下游企业（j-1）的第t周期的订货量。 最初l个阶段由于缺乏数据，无法进行预测，假设其等于0。 1.3 订货批量决策模型 1.3.1 信息共享前的订货批量决策模型 需求预测之后，各角色采用订至点法进行订货批量Qjt的计算，订至点法的思路是，先计算目标库存水平，然后减去现有库存水平，得出本周的订货批量。节点j的第t周期的目标库存水平如下：S■=■■■+SS（2） 其中SS为安全库存，本来安全库存应该等于预期需求的标准差与安全系数的乘积，但是本文为了简化，将其定为常数，且各级成员的安全库存量相等。则节点j第t周期的订货批量为： Q■=S■-NS■-WIP■（3） 其中NSjt和WIPjt分别为节点j第t周期初的在库库存和在途库存，二者计算公式如下：NS■=NSj(t-1)+Qj(t-1-L)-Dj(t-1)（4） WIP■=■Q■（5） 1.3.2 信息共享后的订货批量决策模型 实施信息共享后，我们将采取和信息共享前同样的预测方法即移动平均法进行预测，不同的是各角色都可在每周期初知道这周期之前终端消费者的需求信息Di以及其下游各节点企业的库存情况，因此各角色每周期进行需求预测时直接应用终端消费者的历史需求信息，即： ■■■=L■■=L×■（6） 另外各角色在利用订至点订货法计算订货批量时，可利用其自身以及下游各角色的库存情况。所以第j级节点企业的目标库存不再仅仅关注自己的目标，应该是下游所有节点企业的目标库存之和。即：S′■=■S■（7） Skt即前述信息共享前第k级节点企业的第t周期的目标库存。第j级节点企业的在库库存也不再仅仅自己的在库库存，应该是下游所有节点企业的在库库存之和。NS′■=■NS■（8） NS■即前述信息共享前第k级节点企业的第t周期的在库库存。第j级节点企业的在途库存也不再仅仅自己的在途库存，应该是下游所有节点企业的在途库存之和。WIP′■=■WIP■（9） WIP■即前述信息共享前第k级节点企业的第t周期的在途库存。则第j级节点企业的第t周期的订货量为： Q′■=S′■-NS′■-WIP′■（10） 2 witness仿真建模 WITNESS是Lanner Group公司开发的功能强大的仿真软件系统，主要用于离散事件系统的仿真。它采用面向对象建模的编程方法，打破以往仿真软件面向过程的方式，因而建模灵活，使用方便。Witness的仿真钟推进方法采用的是事件调度法，即时间控制部件从事件表中始终选择具有最早发生时间的事件记录，然后将仿真钟修改到该事件发生时刻。当前，Witness代表了最新一代仿真软件的水平。 2.1 构建供应链模型 本实验供应链模型如图3所示，WITNESS实验模块设置如图4所示，其中ActuralDemand变量代表终端消费者实际需求。终端消费者固定每周期产生一个需求文件，零售商即时满足终端消费者产生的需求并在每周期初进行发送订单和处理上游企业的到货工作，分销商、批发商、制造商在每周期初都会进行三个工作，发送订单、处理上游企业的到货，满足下游订单需求。 本次实验假设订货提前期L=3，需求预测的周期数l=3，随机需求D■=5×cost+10，零售商初始库存60，分销商、批发商、制造商初始库存均为90，为简化实验，各级安全库SS均设为75，WITNESS实验仿真周期数为200。 2.2 结构模型的设置 结构模型的设置包括元素可视化设置和细节设置。主要是如何将前述供应链逻辑模型转化为witness的零部件（Part）、缓冲区（Buffer）、机器（Machine）、属性（Attribute）等元素。 2.2.1 订单文件模块设置 供应链中每个成员都要向上级成员发送订单，本问定义了一个订单文件模块，包含一个part（订单）和一个interger Attribute （订货量），如图5所示。Part可以代表订单被传递，attribute存储了订单的数量。 2.2.2 终端消费者模块设置 图6为终端消费者模块，包含一个part（随机需求）和两个Buffer“Quence(1)和Quence(2)”。 part的生成代表终端消费者向零售商的一次购买行为。我们令其每个周期主动产生一次，并在"随机需求.action on create"事件中计算该次购买数量为 5 *COS（TIME）+10，将该数量存储在动态数组变量ADemand中。然后part随机需求会进入“零售商.Quence(1)”中。 2.2.3 零售商模块设置 零售商模块如图7所示，零售商元素设置如表1。 ①订单发送机器OrderSender的细节设置。机器OrderSender的功能是周期初发出订单。每周期从外部主动地拉入一个元素“订单文件.订单”，令其加工时间为1，保证每周期一次。然后在“OrderSender.Actions on Input”事件中，我们分别计算未来3天预计需求量、在途库存量、订货量，也即每个周期一开始我们就执行下列操作。1）首先进行需求预测FutureDemand，如果当前系统时间(Time)是前3周期，则预计未来3周内需求量（FutureDemand）为0；否则，令FutureDemand = L * [ADemand（TIME）+ADemand（TIME-1）+ ADemand（TIME-2）]/P。2）计算在途库存SumComing，从动态数组变量“已发货”中取出最近三个周期进行加合，以得到零售商当前的在途库存。3）计算订货量OrderQ，订货量OrderQ等于预计需求量FutureDemand与安全库存SS之和减去在库库存Nowstock与在途库存SumComing之和，如果计算结果是负数，则令订货量OrderQ=0。将OrderQ存入动态数组Purchase之中。令变量“订单文件.订货量”等于OrderQ。将part元素“订单文件.订单”送到“供应商.Quence（1）”，以供上游供应商接收。如果我们不发送订单，则上游不需要进行发货处理。 ②对到货处理机器TackleOrder的细节设置：TackleOrder的功能是在期中的时候接收库存。每个周期初从Quence（2）中拉入一个上游发来的供货“订单文件.订单”，然后令其加工时间等于0.5，在"TackleOrder.action on finish"事件中，计算当前库存量等于当前库存量加上供应商三天前的发货量。收货完成后将“订单文件.订单”抛弃。 ③处理下游订单机器MeetDemand的细节设置MeetDemand的功能是在周期末接收下游的订单，并发出货物。每个周期从Quence（1）中拉入个“订单文件.订单”的part，然后令其加工时间为1。然后在“MeetDemand.Actions on Finish”事件中计算发发货后剩余库存量；如若库存不足，记录缺货数量并在下次一并发出。然后将“订单文件.订单”发送到“终端需求.Quence（1）”，并将该周期发货数量记录在数组变量“已发货”中。如果发货量为0，也要记录。以上就是零售商模块的元素详细设计，分销商、批发商和制造商模块与零售商模块设计基本相同，本文不再赘述。 3 实验结果对比分析 3.1 牛鞭效应分析 牛鞭效应指数BE是通过计算一段时期内供应链中某角色的订单需求量的方差和终端顾客订单需求量的方差之比得出的，BE的大小反映的是供应链中牛鞭效应的大小，BE越大，订单波动幅度放大得越严重，反之，则订单波动幅度放大情况比较轻微。经过200次仿真后，得出供应链上各节点企业的订单情况如图8和图9所示，需求信息共享前，供应链中的零售商订单变化范围在（0,30）之间，层级越往上，订单变化越大，到达制造商时，订单变化范围在（0,80）之间；需求信息共享后，最上游制造商的变化范围缩小到（0,50），供应链各级订单波动明显减缓，牛鞭效应比共享前要弱。另外，由公式BE=■可得到表2，需求信息共享前，牛鞭效应指数越往上变化越大，而需求信息共享后，牛鞭效应指数逐级变化的幅度减缓，牛鞭效应指数平稳上升。由以上对订单波动情况及牛鞭效应指数分析可知信息共享有减缓牛鞭效应的作用。 3.2 库存情况分析 需求信息共享前后各级库存变化如表3，共享前后各级库存均值变化不算明显，而各级库存的方差在共享前波动较大，且越往上库存波动越明显；而共享前后的库存方差及库存最大值对比说明信息共享后库存波动幅度明显减少，这有助于稳定库存，各级可以更加合理地进行库存管理。 4 结束语 通过以上各级库存情况对比以及牛鞭效应指数的数据分析，可知在提前期、安全库存、订货策略等变量不变的情况下，信息共享策略能有效弱化供应链牛鞭效应。本文通过witness仿真模型证明信息共享能有效弱化供应链的牛鞭效应，并且减少库存的波动情况，降低库存成本。因此供应链中的企业可以建立战略伙伴关系，实行联合库存管理，建立企业之间的诚信机制，实现信息共享，从而降低供应链运作成本，提高经济效益。 参考文献： [1]刘红，需求信息模型对供应链牛鞭效应的影响，上海海事大学学报，2007.06. [2]刘红,供应链牛鞭效应建模与仿真[M].上海：上海交通大学出版社，2008. [3]王旭平，郭瑞东，胡祥培.基于控制工程的牛鞭效应研究及仿真建模[J].中国管理科学，2006，10. [4]李卓群,基于需求预测技术弱化牛鞭效应影响研究[P].山西大同大学学报（自然科学版），2010，2. [5]汪传旭，需求提前期分布对供应链牛鞭效应的影响分析，计算机集成制造系统，2007.05. [6]彭扬,吴承健,物流系统建模与仿真，浙江大学出版社，2009. [7]赵静，蔺麦田，周根贵，基于witness的供应链系统的仿真设计与改善，物流科技，2008.9. [8]桂寿平，吴冬玲.基于Anylogic的五阶供应链仿真建模与分析[J].改革与战略，2009，1. [9]陈思，张伟力，基于anylogic的牛鞭效应仿真研究与分析，中国市场，2010. [10]赵林度，李严峰，吴志华.供应链管理――战略、策略和实施[M].重庆：重庆大学出版社，2009，1. [11]LEE H L,PADMANABHAN V,WANG S.The bullwhip effect in supply chains [J].Sloan Management Review,1997,38(3):93-102. [12]LEE H L ,SO KUT C,TANG C S.The value of information sharing in a two-level supply chain[J]Management Science,2000,46(5):626-643.