供應鏈牛鞭效應風險的神經網絡預測模型研究

[摘 要] 本文重點研究了供應鏈中的信息流動過程中引發的信息失真現象——牛鞭效應。

[關鍵詞] 牛鞭效應 風險因素 神經網絡

所謂牛鞭效應是指需求信息從供應鏈的下游向上游傳遞的過程中呈現變動程度逐漸增大的現象。供應鏈中由于牛鞭效應的存在加大了各級庫存成本，使企業生產計劃變化加劇，客戶需求不能及時滿足，服務水平差等嚴重問題。因此加強對牛鞭效應的防范是十分重要的。

一、供應鏈牛鞭效應的風險因素分析

首先，信息結構對牛鞭效應的影響。供應鏈節點企業間有三種不同的信息結構：完全信息共享、部分信息共享和信息不共享，對牛鞭效應的影響程度依次增大。信息完全共享是企業在戰略層次上進行合作，實行集中控制。部分信息共享是企業在操作層次上進行協作，對降低供應商訂單波動產生一定作用。信息不共享是指各實體之間無合作意向，各自以達到自身利益最大化為目的安排生產和訂貨。其次，供應鏈組織結構是產生牛鞭效應的根源，可以從層級結構(包括水平層次和垂直規模)和核心企業所處的中心位置兩個方面來考慮。供應鏈的層級結構是指按水平層次和垂直規模的不同來劃分的供應鏈結構類型，分為四種：水平層次多和垂直規模大的供應鏈為整樹結構；水平層次多而垂直規模小的供應鏈為細長結構；水平層次少而垂直規模大的供應鏈為短粗結構；水平層次少且垂直規模也小的供應鏈為鏈狀結構。在供應鏈結構下，隨著供應鏈水平層次和垂直規模的增多，委托代理關系的梯次也就增加，利益目標和博弈決策之間的二次選擇也就被多次重復，所以牛鞭效應隨供應鏈長度、寬度的增加而逐漸放大。中心位置是指核心企業在供應鏈中的位置，按位置的不同可將供應鏈分為生產推動型和需求拉動型。在生產推動型供應鏈中的核心企業遠離最終消費者，生產依據預測進行，因此具有較大的波動性；在需求拉動型供應鏈中的核心企業可以對市場需求進行有效識別，拉動整條供應鏈的運作。因此，生產推動型供應鏈結構比需求拉動型供應鏈結構對牛鞭效應的影響程度更大。再次，決策機制也是產生牛鞭效應的重要因素，可以從以下幾個方面來分析：需求信息的多重處理是指供應鏈中各節點企業根據下游企業的訂單做出預測，并根據此預測來設定安全庫存和訂貨批量，并且在此基礎上作調整后再傳遞給其上游企業。這樣便使供應鏈中各節點企業的需求信息不一致，且供應鏈中的每個企業都有自己的一套預測系統，使得需求信息在由供應鏈下游企業向上游企業傳遞的過程中被扭曲放大。

批量訂貨是指企業為了獲得批量訂購的優惠政策和運輸的經濟性，在訂貨之前將需求進行積累，從而進行周期性的批量訂貨。如果所有的客戶訂貨周期均勻地分布，那么牛鞭效應達到最小，但更多的情況是客戶的訂貨時間隨機分布或者是互相重疊，使上一級的需求波動更加顯著，牛鞭效應產生的波動性達到最高峰。

價格波動是指在供應鏈中制造商和分銷商周期性地使用特殊促銷方式導致的價格波動。

分配與短缺博弈是在供應鏈中經常會出現的情形，特別是對于高需求的產品。譬如，某制造商所接到的各分銷商的訂貨總量為，而該制造商的供應能力僅為，則每個分銷商都將得到其訂貨量的一半，因此各分銷商都會放大自己的訂貨量。此時，制造商根據其所接到的訂單信息進行需求預測，就會嚴重地放大這種需求，一旦需求回復正常水平(有時僅僅需要市場上有一點需求回落的跡象)，制造商將承擔高昂的庫存成本和資源配置失誤成本。如果供應鏈中各階段之間的訂貨提前期過長，則供應鏈內部的牛鞭效應將會放大。一般供應鏈中的提前期由采購提前期、制造提前期、發運提前期和交貨提前期等構成。從牛鞭效應的數學表達式可以看出，提前期對牛鞭效應的大小有直接的關系。提前期越長，則牛鞭效應越大。，L為提前期，P為預測樣本數，Var()為制造商收到的訂貨方差，Var(D)為零售商面對的需求方差。

二、供應鏈牛鞭效應風險的神經網絡預測模型

首先，根據上述分析可知：構建供應鏈牛鞭效應風險的評價指標體系（如表1所示）

其次，依據表2確定各項評價指標的評價值，并進行規一化處理，使之落在 區間內，作為人工神經網絡模型可一以處理的輸入值。

再次，對牛鞭效應的風險預測，本文采用基于BP算法的多層前饋型人工神經網絡。如圖1所示，其網絡結構為三層結構，由輸入層，輸出層和隱含層組成，輸入層有8個神經元，輸入向量為:X=(x1，x2，…x8)T;隱含層有3個神經元，它們是組織結構風險、信息結構風險、決策機制風險；輸出層只有1個神經元。經專家系統評分得出的輸入信息X1，x2，…x8，經輸入層輸入到該神經網絡的各輸入節點i后，向前傳播到隱含層的各節點j上，經過各單元的特性為Sigmoid型的激活函數f運算后，把隱含節點的輸出信息Yj傳播到輸出節點K，最后給出輸出結果Zk，如圖所示：

網絡的學習過程由正向和反向傳播兩部分組成。正向傳播過程中，每一層神經元的狀態只影響下一層神經元網絡。如果輸出層實際的輸出與期望的輸出存在誤差，則轉入反向傳播過程，將誤差信號沿原來的連接途徑返回，通過修改各層神經元的權值，逐次地向輸入層傳播去進行修正計算，并再一次轉入正向傳播過程，兩個過程反復運用，使得誤差信號最小。

假定，輸入神經元i與隱含層神經元j之間連接權值為Wij，隱含層神經元j輸出層神經元K之間的連接權值為Wij，隱含單元和輸出單元的閾值分別為，則有:θj，θk，則有:， 其中，Sigmoid型的激非線性函數，其表達式為:。

在應用該三層前饋型神經網絡模型預測牛鞭效應風險前，要選取相應的若干歷史數據，作為訓練樣本對該網絡進行訓練。如要建立預測某條供應鏈牛鞭效應風險的神經網絡模型，由專家系統依據該供應鏈所處的不同歷史時期接受不同訂單的具體情況評定各時期各業務每個輸入信號的值，作為訓練樣本，對該模型進行訓練。設選取N個時期的不同數據Xin=(i=1，2，…;n=1，2…N)作為訓練樣本，當輸入第n個樣本時，輸出層的輸出為:。使用誤差函數為平方型為:。其中，Zkn為輸出層的節點k對應于第n個訓練樣本的實際輸出，為對應的期望輸出(即導師值)，由歷史數據經專家系統統計得出。總誤差為：

以此函數作為目標函數。對于網絡結構和樣本都確定的情況 E是關于參數Wij，Wjk，θj，θk的無窮階連續可微函數。于是可以求出以下各偏導數:。

本模型算法的實施：

①選取權系數Wij，Wjk及閾值θj，θk的初值，通常取零點附近的點；②四個參數按某種順序，分別以下面的步驟逐個迭代：

a)計算某參數的偏導數，得到目標函數沿該參數的遞減方向；b)沿目標函數的遞減方向搜索，直到偏導數零點停止；

③當各參數均處于偏導數零點或目標函數 的值小于允許誤差時迭代停止。該模型輸出的是[0，1]之間的數值，根據輸出結果與表2中的評語集進行匹配，從而得出某條供應鏈的風險預測結果。通過計算，還可了解各風險因素Xi對牛鞭效應風險的影響程度:。

根據神經網絡預測模型的運行結果和以上公式的計算，可以得到牛鞭效應風險的大小，找出導致風險的主要因素。

三、結論

本文通過分析牛鞭效應的形成原因，構建了其風險評價指標體系，并運用神經網絡模型對風險進行預測，能夠預測出主要的風險因素，企業管理者可以根據預測結果對相關方面采取重點防范措施。

參考文獻:

[1]黃 鶯:供應鏈環境下的牛鞭效應和策略[D].上海:同濟大學(碩士學位論文)2007(3):19～23

[2]楊詩華:供應鏈管理中牛鞭效應機理分析與仿真[D].哈爾濱:哈爾濱工業大學(碩士學位論文)2006(6):8～12，36～37

[3]李平麗:供應鏈牛鞭效應的理論研究與實證分析[D].武漢:武漢理工大學(碩士學位論文)2003(12):15～18，25～27

[4]司 猛 陳偉達:信息共享對牛鞭效應的影響分析[J].現代管理科學2007(7):60～61，99

[5]王 磊 陳爭先 唐志杰:供應鏈中牛鞭效應的模型分析[J].供應鏈管理，2004，(1):42～46