供應(yīng)鏈牛鞭效應(yīng)風(fēng)險的神經(jīng)網(wǎng)絡(luò)預(yù)測模型研究

[摘 要] 本文重點研究了供應(yīng)鏈中的信息流動過程中引發(fā)的信息失真現(xiàn)象——牛鞭效應(yīng)。

[關(guān)鍵詞] 牛鞭效應(yīng) 風(fēng)險因素 神經(jīng)網(wǎng)絡(luò)

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

一、供應(yīng)鏈牛鞭效應(yīng)的風(fēng)險因素分析

首先，信息結(jié)構(gòu)對牛鞭效應(yīng)的影響。供應(yīng)鏈節(jié)點企業(yè)間有三種不同的信息結(jié)構(gòu)：完全信息共享、部分信息共享和信息不共享，對牛鞭效應(yīng)的影響程度依次增大。信息完全共享是企業(yè)在戰(zhàn)略層次上進(jìn)行合作，實行集中控制。部分信息共享是企業(yè)在操作層次上進(jìn)行協(xié)作，對降低供應(yīng)商訂單波動產(chǎn)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(dá)到自身利益最大化為目的安排生產(chǎn)和訂貨。其次，供應(yīng)鏈組織結(jié)構(gòu)是產(chǎn)生牛鞭效應(yīng)的根源，可以從層級結(jié)構(gòu)(包括水平層次和垂直規(guī)模)和核心企業(yè)所處的中心位置兩個方面來考慮。供應(yīng)鏈的層級結(jié)構(gòu)是指按水平層次和垂直規(guī)模的不同來劃分的供應(yīng)鏈結(jié)構(gòu)類型，分為四種：水平層次多和垂直規(guī)模大的供應(yīng)鏈為整樹結(jié)構(gòu)；水平層次多而垂直規(guī)模小的供應(yīng)鏈為細(xì)長結(jié)構(gòu)；水平層次少而垂直規(guī)模大的供應(yīng)鏈為短粗結(jié)構(gòu)；水平層次少且垂直規(guī)模也小的供應(yīng)鏈為鏈狀結(jié)構(gòu)。在供應(yīng)鏈結(jié)構(gòu)下，隨著供應(yīng)鏈水平層次和垂直規(guī)模的增多，委托代理關(guān)系的梯次也就增加，利益目標(biāo)和博弈決策之間的二次選擇也就被多次重復(fù)，所以牛鞭效應(yīng)隨供應(yīng)鏈長度、寬度的增加而逐漸放大。中心位置是指核心企業(yè)在供應(yīng)鏈中的位置，按位置的不同可將供應(yīng)鏈分為生產(chǎn)推動型和需求拉動型。在生產(chǎn)推動型供應(yīng)鏈中的核心企業(yè)遠(yuǎn)離最終消費者，生產(chǎn)依據(jù)預(yù)測進(jìn)行，因此具有較大的波動性；在需求拉動型供應(yīng)鏈中的核心企業(yè)可以對市場需求進(jìn)行有效識別，拉動整條供應(yīng)鏈的運(yùn)作。因此，生產(chǎn)推動型供應(yīng)鏈結(jié)構(gòu)比需求拉動型供應(yīng)鏈結(jié)構(gòu)對牛鞭效應(yīng)的影響程度更大。再次，決策機(jī)制也是產(chǎn)生牛鞭效應(yīng)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(yīng)鏈中各節(jié)點企業(yè)根據(jù)下游企業(yè)的訂單做出預(yù)測，并根據(jù)此預(yù)測來設(shè)定安全庫存和訂貨批量，并且在此基礎(chǔ)上作調(diào)整后再傳遞給其上游企業(yè)。這樣便使供應(yīng)鏈中各節(jié)點企業(yè)的需求信息不一致，且供應(yīng)鏈中的每個企業(yè)都有自己的一套預(yù)測系統(tǒng)，使得需求信息在由供應(yīng)鏈下游企業(yè)向上游企業(yè)傳遞的過程中被扭曲放大。

批量訂貨是指企業(yè)為了獲得批量訂購的優(yōu)惠政策和運(yùn)輸?shù)慕?jīng)濟(jì)性，在訂貨之前將需求進(jìn)行積累，從而進(jìn)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(yīng)達(dá)到最小，但更多的情況是客戶的訂貨時間隨機(jī)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(yīng)產(chǎn)生的波動性達(dá)到最高峰。

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

分配與短缺博弈是在供應(yīng)鏈中經(jīng)常會出現(xiàn)的情形，特別是對于高需求的產(chǎn)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(yīng)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(jù)其所接到的訂單信息進(jìn)行需求預(yù)測，就會嚴(yán)重地放大這種需求，一旦需求回復(fù)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(dān)高昂的庫存成本和資源配置失誤成本。如果供應(yīng)鏈中各階段之間的訂貨提前期過長，則供應(yīng)鏈內(nèi)部的牛鞭效應(yīng)將會放大。一般供應(yīng)鏈中的提前期由采購提前期、制造提前期、發(fā)運(yùn)提前期和交貨提前期等構(gòu)成。從牛鞭效應(yīng)的數(shù)學(xué)表達(dá)式可以看出，提前期對牛鞭效應(yīng)的大小有直接的關(guān)系。提前期越長，則牛鞭效應(yīng)越大。，L為提前期，P為預(yù)測樣本數(shù)，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(yīng)鏈牛鞭效應(yīng)風(fēng)險的神經(jīng)網(wǎng)絡(luò)預(yù)測模型

首先，根據(jù)上述分析可知：構(gòu)建供應(yīng)鏈牛鞭效應(yīng)風(fēng)險的評價指標(biāo)體系（如表1所示）

其次，依據(jù)表2確定各項評價指標(biāo)的評價值，并進(jìn)行規(guī)一化處理，使之落在 區(qū)間內(nèi)，作為人工神經(jīng)網(wǎng)絡(luò)模型可一以處理的輸入值。

再次，對牛鞭效應(yīng)的風(fēng)險預(yù)測，本文采用基于BP算法的多層前饋型人工神經(jīng)網(wǎng)絡(luò)。如圖1所示，其網(wǎng)絡(luò)結(jié)構(gòu)為三層結(jié)構(gòu)，由輸入層，輸出層和隱含層組成，輸入層有8個神經(jīng)元，輸入向量為:X=(x1，x2，…x8)T;隱含層有3個神經(jīng)元，它們是組織結(jié)構(gòu)風(fēng)險、信息結(jié)構(gòu)風(fēng)險、決策機(jī)制風(fēng)險；輸出層只有1個神經(jīng)元。經(jīng)專家系統(tǒng)評分得出的輸入信息X1，x2，…x8，經(jīng)輸入層輸入到該神經(jīng)網(wǎng)絡(luò)的各輸入節(jié)點i后，向前傳播到隱含層的各節(jié)點j上，經(jīng)過各單元的特性為Sigmoid型的激活函數(shù)f運(yùn)算后，把隱含節(jié)點的輸出信息Yj傳播到輸出節(jié)點K，最后給出輸出結(jié)果Zk，如圖所示：

網(wǎng)絡(luò)的學(xué)習(xí)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(jīng)元的狀態(tài)只影響下一層神經(jīng)元網(wǎng)絡(luò)。如果輸出層實際的輸出與期望的輸出存在誤差，則轉(zhuǎn)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(jīng)元的權(quán)值，逐次地向輸入層傳播去進(jìn)行修正計算，并再一次轉(zhuǎn)入正向傳播過程，兩個過程反復(fù)運(yùn)用，使得誤差信號最小。

假定，輸入神經(jīng)元i與隱含層神經(jīng)元j之間連接權(quán)值為Wij，隱含層神經(jīng)元j輸出層神經(jīng)元K之間的連接權(quán)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(shù)，其表達(dá)式為:。

在應(yīng)用該三層前饋型神經(jīng)網(wǎng)絡(luò)模型預(yù)測牛鞭效應(yīng)風(fēng)險前，要選取相應(yīng)的若干歷史數(shù)據(jù)，作為訓(xùn)練樣本對該網(wǎng)絡(luò)進(jìn)行訓(xùn)練。如要建立預(yù)測某條供應(yīng)鏈牛鞭效應(yīng)風(fēng)險的神經(jīng)網(wǎng)絡(luò)模型，由專家系統(tǒng)依據(jù)該供應(yīng)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(yè)務(wù)每個輸入信號的值，作為訓(xùn)練樣本，對該模型進(jìn)行訓(xùn)練。設(shè)選取N個時期的不同數(shù)據(jù)Xin=(i=1，2，…;n=1，2…N)作為訓(xùn)練樣本，當(dāng)輸入第n個樣本時，輸出層的輸出為:。使用誤差函數(shù)為平方型為:。其中，Zkn為輸出層的節(jié)點k對應(yīng)于第n個訓(xùn)練樣本的實際輸出，為對應(yīng)的期望輸出(即導(dǎo)師值)，由歷史數(shù)據(jù)經(jīng)專家系統(tǒng)統(tǒng)計得出。總誤差為：

以此函數(shù)作為目標(biāo)函數(shù)。對于網(wǎng)絡(luò)結(jié)構(gòu)和樣本都確定的情況 E是關(guān)于參數(shù)Wij，Wjk，θj，θk的無窮階連續(xù)可微函數(shù)。于是可以求出以下各偏導(dǎo)數(shù):。

本模型算法的實施：

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

a)計算某參數(shù)的偏導(dǎo)數(shù)，得到目標(biāo)函數(shù)沿該參數(shù)的遞減方向；b)沿目標(biāo)函數(shù)的遞減方向搜索，直到偏導(dǎo)數(shù)零點停止；

③當(dāng)各參數(shù)均處于偏導(dǎo)數(shù)零點或目標(biāo)函數(shù) 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(shù)值，根據(jù)輸出結(jié)果與表2中的評語集進(jìn)行匹配，從而得出某條供應(yīng)鏈的風(fēng)險預(yù)測結(jié)果。通過計算，還可了解各風(fēng)險因素Xi對牛鞭效應(yīng)風(fēng)險的影響程度:。

根據(jù)神經(jīng)網(wǎng)絡(luò)預(yù)測模型的運(yùn)行結(jié)果和以上公式的計算，可以得到牛鞭效應(yīng)風(fēng)險的大小，找出導(dǎo)致風(fēng)險的主要因素。

三、結(jié)論

本文通過分析牛鞭效應(yīng)的形成原因，構(gòu)建了其風(fēng)險評價指標(biāo)體系，并運(yùn)用神經(jīng)網(wǎng)絡(luò)模型對風(fēng)險進(jìn)行預(yù)測，能夠預(yù)測出主要的風(fēng)險因素，企業(yè)管理者可以根據(jù)預(yù)測結(jié)果對相關(guān)方面采取重點防范措施。

參考文獻(xiàn):

[1]黃 鶯:供應(yīng)鏈環(huán)境下的牛鞭效應(yīng)和策略[D].上海:同濟(jì)大學(xué)(碩士學(xué)位論文)2007(3):19～23

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

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

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

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