基于Anylogic对牛鞭效应仿真研究与分析

基于Anylogic对牛鞭效应仿真研究与分析张伟力(东南大学物流管理工程系,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的衡量指标，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的动态变化，并分析订货提前期与牛鞭效应的关系，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，订货提前期的缩短能够减轻牛鞭效应。关键词：牛鞭效应；仿真；AnylogicAnylogic-BasedBullwhipEffectSimulationZhangWeili(Departmentoflogisticsmanagementconstruction,SoutheastUniversity,Nanjing,210096)Abstract:Inordertofindouthowthetimefactoraffectsthebullwhipeffect,regardinventoryandorderquantityasthemeasurements,withthehelpofAnylogicsoftwaresimulatethemodelofthree-echelonsupplychain,andthesimulationresultsareanalyzed.Tostudythedynamicchainchangesvisually,andanalyzedtherelationshipbetweenorderleadtimeandbullwhipeffect,tofindouthowtoalleviatebullwhipeffect.Researchshowsthattimefactorsaffectbullwhipeffectobviously,andcuttingdownorderleadtimecanreducethestrengthofthebullwhipeffectavailably.Keyword:BullwhipEffect;simulation;Anylogic1.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，难以制订合理的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，并使整个供应链的运作成本过高，效率和顾客满意度降低。目前对供应链牛鞭效应有代表性的研究是：Forrestor[1]通过一系列案例研究证实了牛鞭效应的存在，并指出它是工业组织动态行为或时间变化的行为产生的结果；Burbridge教授[2]从产业动力学的角度对牛鞭效应的机理进行了探讨；美国麻省理工学院的Sterman[3]教授通过一项以啤酒为对象的供应链库存管理动态模拟试验，即所谓的啤酒实验，也证实了牛鞭效应的存在，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的错误理解造成；H.L.Lee[4,5]给出了影响供应链牛鞭效应的四个主要因素：供应链成员对需求信息的处理技术；批量订货方式；价格波动；以及预计供应量不足导致的零售商之间的短缺博弈。在已有的供应链的仿真研究中，很多文献利用智能体、系统动力学等方法对供应链进行仿真研究，采用的仿真软件主要有Swarm、Witness、Vensim等。本文从订货提前期来考虑牛鞭效应的产生以及能否通过缩短订货提前期减轻牛鞭效应的强度，从供应链订货提前期的时效性出发,考虑其对于牛鞭效应的影响程度，并通过供应链各成员的库存波动和实时订单数量，动态表示牛鞭效应的强度。借助于Anylogic软件，利用面向对象的方法对三阶供应链建模，混合调用系统动力学和主体建模中的模块分别模拟目标人群产生的需求和供应链成员间的订单、配送，并且对订货提前期值进行修改，分析仿真结果，证明缩短订货提前期能够减轻牛鞭效应的强度。2.建立仿真模型本文建模分为两部分，分别采用不同的方法建模。首先运用系统动力学，对目标消费人群进行建模，这个系统中的潜在客户受广告和口碑的影响由潜在客户变为产品用户，从而产生了需求。其次通过一条信息传输路径将系统中的实时需求反映给三阶供应链模块中的零售商，并由零售商逐级向上游下订单，供应链模块采用的是主体建模，概念模型如图1所示。图1仿真概念模型2.1目标消费人群模块用系统动力学方法对目标消费人群进行建模仿真。如图2所示，构成模块的主要元件包含以下几项：“流”，资金流、信息流、人流和商品流；“积量”，潜在顾客（PotentialUsers）、需求（Demand）、用户(Users)；潜在客户广告口碑产品生命周期用户系统动力学主体建模零售商分销商生产商目标消费人群模块三阶供应链模块订单订单配送配送需求供给“率量”，人与人之间的接触率(ContactRate)、潜在用户对商品信息的采纳率(AdoptionRate)、商品损坏率(DiscardRate)；“辅助变量”，广告影响能力(AdEffectiveness)、分数(Fraction)、产品生命周期(ProductLifetime)、供给(Supply)。图2目标消费人群模块系统中默认有100000目标消费人群，所有人在仿真开始前对商品无任何了解，即信息掌握量为0。仿真开始后每个独立的潜在客户受商品广告宣传和别人的口碑两方面的影响，相同单位的广告影响效用远小于周围人的口碑，模块中的设置为1比10，按照比例算出其对商品的采纳率，这个过程对潜在客户而言是完全模拟现实生活的场景，由Anylogic软件内部运行。当某位潜在客户的采纳率达到预先设定好的分数（Fraction），他决定购买该商品，即产生需求。这部分产生的需求立刻通过一条信息传输路径（图2中黑色线条）传给三阶供应链模块中的零售商主体，经过供应链模块运行后，零售商将商品供应给图2中的供给(Supply)控件。用户得到商品后开始使用，根据商品生命周期（设置为60天），当商品到达使用期限无法使用，则传递到商品损坏率(DiscardRate)控件，这部分用户重新转变成潜在客户，并重复上述步骤循环运行到模拟结束。以上所有数据都可以根据不同的场景进行修改，增强了模块的柔性，本文仅以目标消费人群为100000人的系统来模拟顾客需求。2.2三阶供应链模块与2.1不同，本模块采用的是主体建模的方法。如图2所示模块中的三个主体分别为零售商(retailer)、分销商(wholesaler)和制造商(factory),运用Anylogic的企业库进行建模。该供应链以订单为导向，由客户需求开始，以订单带动整条供应链的运作。制造商、分销商、零售商逐阶向下游满足需求。供应链各阶的主体采取（T，s，S）库存控制策略，即主体以T为周期定期检查系统的库存水平，因此仅在符合固定周期的离散时间点上检测库存水平。T期之初，企业对库存进行盘点，当发现现有库存水平低于安全库存s时，发出订单补充库存，使库存补充至最大库存水平S。模型默认的10T天，2000s件，4000S件。，每个主体用一个活动对象类进行建模，在活动对象内部利用参数、变量、属性和功能对主体行为和属性进行建模。图3三阶供应链模块控件表示供应链模块以1天为周期循环运行该事件，事件日志描述如下：早上8：00零售商检查顾客订单，检查库存，若库存低于s,则向上游的分销商下订单。生产商在接受到来自分销商的订单时，即调用订单管理功能，将订单存入数据存储中；分销商接受订单以后，检查库存，当库存能满足订单时则向零售商配送商品，否则想上游制造商下订单；制造商随后调出订单，判断订单是否为有效订单，若为有效订单，那么判断现有的产成品库存是否能够满足订单的需求，当库存不足以满足全部需求时，调用生产模块组织生产。在有充足产成品库存的条件下，制造商对分销商进行配送，存在一定的提前期。所有命令执行完后更新当天全部信息。3.模型仿真及结果分析订货提前期是指下游企业向上游企业发出订单到收到货物所需的时间,包括信息提前期、决策时间、制造时间、运输时间等。引起牛鞭效应的时间因素主要是订货提前期，初始设订货提前期满足uniform(5,10)*day()的平均分布。本文仿真的目的是分析供应链中各阶主题的订货量和库存水平，动态地对牛鞭效应进行可视化观察。设置模型仿真时间为2年，收集库存水平及实时订单的相关信息。3.1各指标的收集1.库存水平。由图4(a)可以看出零售商库存较少，波动程度小（2480-4000），无低于安全库存水平s的情况，两次最高库存之间时间较短，这说明零售商的采购活动频繁。分销商(b)处的库存水平处于零售商与生产商之间，波动幅度居中（800-4000），波动的周期较零售商长，说明分销商采购周期较长，每次采购量较大，且经常出现库存水平低于安全库存的情况。制造商(c)处的成品库存波动幅度很大（0-5000），呈现出有规律的锯齿形，前后两次库存补充时间间隔最长，一次补充量大，同样呈现出有规律的锯齿形，可以预测如果订货周期加长到一定时间，制造商将最找出现缺货情况。(a)零售商(b)分销商(c)制造商图4供应链各主体的库存水平2.订单数量。图5中零售商接收到使用者的订单为红色，需求量变化范围是1012-1015，订货量较少，波动性很小，几乎保持不变。分销商接收到的订单为蓝色，很明显可以看到波动性大于零售商，数量介于零售商和制造商之间，且订货周期有明显变化。绿色表示制造商接收来自分销商的订单情况，数量值最大，波动振幅最大，订货周期也不规则。图5供应链各主体的实时订单3.2牛鞭效应分析从数量值、波动幅度、周期的规则性观察订货提前期为uniform(5,10)*day()（图4和5）的供应链个主体的库存水平和实施订单，可以发现各量值沿供应链呈放大趋势。仿真模型统计了各主体的平均值、方差（如图6），通过精确的数值再次证明了该供应链由下游向上游发生了牛鞭效应。方案一零售商分销商制造商平均值163924463681方差20.25660.114180.367图6主体平均值、方差3.3牛鞭效应与订货提前期的关系假设刚才的情况为方案一，在所有设置不变的情况下现在本文模拟方案二：订货周期缩短一半为uniform(2.5,5)*day()和方案三：订货周期扩大一倍uniform(10,20)*day()。在方案二的仿真过程中各主体的库存水平没有太大区别，只是波动振幅小于方案一，但是没有明显的变化。方案三出现很大不同，首先零售商缺货率高达60%，库存振幅较之前两个方案有明显扩大，呈现不规则的锯齿形，订货周期不稳定。上游的分销商和制造商也相应出现缺货和很不稳定的情况，震动幅度都相应的扩大，库存水平在0-4000，因为最大库存设置为4000，但是订单数量超过了6000，造成制造商不能按时完成订单，客户流失。平均值和方差如图7。方案二零售商分销商制造商平均值158220542941方差14.25322.35431.217方案三零售商分销商制造商平均值294234464251方差27.25690.114267.367图7方案二和方案三的平均值和方差由以上分析可知，订货提前期的大小关系是：方案二方案一方案三，牛鞭效应强度的大小顺序是：方案二方案一方案三，可见订货提前期不仅是引起供应链产生牛鞭效应的原因之一，而且订货提前期越长牛鞭效应强度越大，反之则越小，供应链成员减轻牛鞭效应的有效途径之一就是缩短订货提前期。4.结语本文从供应链各主体的库存水平和实时订货量入手，借助Anylogic仿真软件，研究了订货提前期研究牛鞭效应的产生以及相互关系，得出缩短提前期可以减轻牛鞭效应的结论。在今后的研究中可以综合考虑产生牛鞭效应的四种主要因素，多尺度动态模拟牛鞭效应，找出减轻牛鞭效应的最优方法。参考文献：[1]J.WForrester.IndustrialDynamics[M].NewYork:MITPressandJohnWiley&Sons.Inc.,1961.[2]BurbridgeJ.L.Automatedproductio