供应链牛鞭效应风险的神经网络预测模型研究
开篇：润墨网以专业的文秘视角，为您筛选了一篇供应链牛鞭效应风险的神经网络预测模型研究范文，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！
[摘 要] 本文重点研究了供应链中的信息流动过程中引发的信息失真现象――牛鞭效应。
所谓牛鞭效应是指需求信息从供应链的下游向上游传递的过程中呈现变动程度逐渐增大的现象。供应链中由于牛鞭效应的存在加大了各级库存成本，使企业生产计划变化加剧，客户需求不能及时满足，服务水平差等严重问题。因此加强对牛鞭效应的防范是十分重要的。
一、供应链牛鞭效应的风险因素分析
首先，信息结构对牛鞭效应的影响。供应链节点企业间有三种不同的信息结构：完全信息共享、部分信息共享和信息不共享，对牛鞭效应的影响程度依次增大。信息完全共享是企业在战略层次上进行合作，实行集中控制。部分信息共享是企业在操作层次上进行协作，对降低供应商订单波动产生一定作用。信息不共享是指各实体之间无合作意向，各自以达到自身利益最大化为目的安排生产和订货。其次，供应链组织结构是产生牛鞭效应的根源，可以从层级结构(包括水平层次和垂直规模)和核心企业所处的中心位置两个方面来考虑。供应链的层级结构是指按水平层次和垂直规模的不同来划分的供应链结构类型，分为四种：水平层次多和垂直规模大的供应链为整树结构；水平层次多而垂直规模小的供应链为细长结构；水平层次少而垂直规模大的供应链为短粗结构；水平层次少且垂直规模也小的供应链为链状结构。在供应链结构下，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，所以牛鞭效应随供应链长度、宽度的增加而逐渐放大。中心位置是指核心企业在供应链中的位置，按位置的不同可将供应链分为生产推动型和需求拉动型。在生产推动型供应链中的核心企业远离最终消费者，生产依据预测进行，因此具有较大的波动性；在需求拉动型供应链中的核心企业可以对市场需求进行有效识别，拉动整条供应链的运作。因此，生产推动型供应链结构比需求拉动型供应链结构对牛鞭效应的影响程度更大。再次，决策机制也是产生牛鞭效应的重要因素，可以从以下几个方面来分析：需求信息的多重处理是指供应链中各节点企业根据下游企业的订单做出预测，并根据此预测来设定安全库存和订货批量，并且在此基础上作调整后再传递给其上游企业。这样便使供应链中各节点企业的需求信息不一致，且供应链中的每个企业都有自己的一套预测系统，使得需求信息在由供应链下游企业向上游企业传递的过程中被扭曲放大。
批量订货是指企业为了获得批量订购的优惠政策和运输的经济性，在订货之前将需求进行积累，从而进行周期性的批量订货。如果所有的客户订货周期均匀地分布，那么牛鞭效应达到最小，但更多的情况是客户的订货时间随机分布或者是互相重叠，使上一级的需求波动更加显著，牛鞭效应产生的波动性达到最高峰。
价格波动是指在供应链中制造商和分销商周期性地使用特殊促销方式导致的价格波动。
分配与短缺博弈是在供应链中经常会出现的情形，特别是对于高需求的产品。譬如，某制造商所接到的各分销商的订货总量为，而该制造商的供应能力仅为，则每个分销商都将得到其订货量的一半，因此各分销商都会放大自己的订货量。此时，制造商根据其所接到的订单信息进行需求预测，就会严重地放大这种需求，一旦需求回复正常水平(有时仅仅需要市场上有一点需求回落的迹象)，制造商将承担高昂的库存成本和资源配置失误成本。如果供应链中各阶段之间的订货提前期过长，则供应链内部的牛鞭效应将会放大。一般供应链中的提前期由采购提前期、制造提前期、发运提前期和交货提前期等构成。从牛鞭效应的数学表达式可以看出，提前期对牛鞭效应的大小有直接的关系。提前期越长，则牛鞭效应越大。,L为提前期，P为预测样本数，Var()为制造商收到的订货方差，Var(D)为零售商面对的需求方差。
二、供应链牛鞭效应风险的神经网络预测模型
首先，根据上述分析可知：构建供应链牛鞭效应风险的评价指标体系（如表1所示）
其次，依据表2确定各项评价指标的评价值，并进行规一化处理，使之落在 区间内，作为人工神经网络模型可一以处理的输入值。
再次，对牛鞭效应的风险预测，本文采用基于BP算法的多层前馈型人工神经网络。如图1所示，其网络结构为三层结构，由输入层，输出层和隐含层组成，输入层有8个神经元，输入向量为:X=(x1,x2,…x8)T;隐含层有3个神经元，它们是组织结构风险、信息结构风险、决策机制风险；输出层只有1个神经元。经专家系统评分得出的输入信息X1,x2,…x8，经输入层输入到该神经网络的各输入节点i后，向前传播到隐含层的各节点j上，经过各单元的特性为Sigmoid型的激活函数f运算后，把隐含节点的输出信息Yj传播到输出节点K，最后给出输出结果Zk，如图所示：
网络的学习过程由正向和反向传播两部分组成。正向传播过程中，每一层神经元的状态只影响下一层神经元网络。如果输出层实际的输出与期望的输出存在误差，则转入反向传播过程，将误差信号沿原来的连接途径返回，通过修改各层神经元的权值，逐次地向输入层传播去进行修正计算，并再一次转入正向传播过程，两个过程反复运用，使得误差信号最小。
假定，输入神经元i与隐含层神经元j之间连接权值为Wij，隐含层神经元j输出层神经元K之间的连接权值为Wij，隐含单元和输出单元的阈值分别为,则有:θj,θk，则有:, 其中,Sigmoid型的激非线性函数,其表达式为:。
在应用该三层前馈型神经网络模型预测牛鞭效应风险前，要选取相应的若干历史数据，作为训练样本对该网络进行训练。如要建立预测某条供应链牛鞭效应风险的神经网络模型，由专家系统依据该供应链所处的不同历史时期接受不同订单的具体情况评定各时期各业务每个输入信号的值，作为训练样本，对该模型进行训练。设选取N个时期的不同数据Xin=(i=1,2,…;n=1,2…N)作为训练样本，当输入第n个样本时，输出层的输出为:。使用误差函数为平方型为:。其中，Zkn为输出层的节点k对应于第n个训练样本的实际输出，为对应的期望输出(即导师值),由历史数据经专家系统统计得出。总误差为：
以此函数作为目标函数。对于网络结构和样本都确定的情况 E是关于参数Wij,Wjk,θj,θk的无穷阶连续可微函数。于是可以求出以下各偏导数:。
本模型算法的实施：
①选取权系数Wij,Wjk及阈值θj,θk的初值，通常取零点附近的点；②四个参数按某种顺序，分别以下面的步骤逐个迭代：
a)计算某参数的偏导数，得到目标函数沿该参数的递减方向；b)沿目标函数的递减方向搜索，直到偏导数零点停止；
③当各参数均处于偏导数零点或目标函数 的值小于允许误差时迭代停止。该模型输出的是[0,1]之间的数值，根据输出结果与表2中的评语集进行匹配，从而得出某条供应链的风险预测结果。通过计算，还可了解各风险因素Xi对牛鞭效应风险的影响程度:。
根据神经网络预测模型的运行结果和以上公式的计算，可以得到牛鞭效应风险的大小，找出导致风险的主要因素。
三、结论
本文通过分析牛鞭效应的形成原因，构建了其风险评价指标体系，并运用神经网络模型对风险进行预测，能够预测出主要的风险因素，企业管理者可以根据预测结果对相关方面采取重点防范措施。
参考文献:
[1]黄 莺:供应链环境下的牛鞭效应和策略[D].上海:同济大学(硕士学位论文)2007(3):19～23
[2]杨诗华:供应链管理中牛鞭效应机理分析与仿真[D].哈尔滨:哈尔滨工业大学(硕士学位论文)2006(6):8～12,36～37
[3]李平丽:供应链牛鞭效应的理论研究与实证分析[D].武汉:武汉理工大学(硕士学位论文)2003(12):15～18,25～27
[4]司 猛 陈伟达:信息共享对牛鞭效应的影响分析[J].现代管理科学2007(7):60～61,99
[5]王 磊 陈争先 唐志杰:供应链中牛鞭效应的模型分析[J].供应链管理,2004,(1):42～46