农产品供应链绩效影响的系统动力学研究

孙文清

（河南工程学院 管理工程学院，郑州 451191）

农产品供应链绩效影响的系统动力学研究

孙文清

（河南工程学院 管理工程学院，郑州 451191）

文章构建了三级供应链系统动力模型，并基于指数平滑系数、库存调节系数和在途库存调节系数与供应链牛鞭效应及成本的关系进行了研究。结论表明，牛鞭效应仅是供应链成本的必要而非充分条件；相比在途库存调节系数，零售商和批发商对库存调节系数的变化更敏感；合理的库存目标和库存调节策略可以有效减弱供应链牛鞭效应；供应链牛鞭效应放大程度与总成本不完全相关。

供应链；指数平滑系数；牛鞭效应；成本

0 引言

农产品供应链是一个由农产品的生产、供应、销售等所涉及的农户、商家和消费者组成的网络体系，环节多，结构复杂，农产品流通价值受到销售商预测、库存和在途库存、订货周期、订货提前期等多因素的影响，加之农产品生命周期较短、价值时效性强等特点，一旦有一个环节决策不当，农产品则会出现积压、贬值，导致农产品经销商利润减少甚至亏本。因此，研究农产品供应链系统参数对供应链绩效的影响，不仅能够对现有供应链研究成果的普适性进行检验，而且通过对农产品供应链绩效的动态性变化进行分析，有助于优化农产品供应链运作绩效，具有重要的理论和实践意义。

本文运用系统动力学理论，构建了三级农产品供应链模型，借助软件Porwersim2005，基于模型中的指数平滑系数、APIOBPCS库存调节系数和在途库存调节系数等三个参数的变化分别对农产品供应链牛鞭效应和成本的影响进行仿真分析，以探究上述系数、牛鞭效应、总成本之间的相互关系，并对农产品供应链绩效的优化问题提出对策。

1 模型的构建

1.1 基本假设

本文的研究对象是一条由零售商（用R表示）、批发商（用D表示）和制造商（用M表示）组成的三级农产品供应链，该供应链上只涉及一种农产品；R和D的库存分为仓储库存和在途库存两部分；R和D采用定期订货，根据对市场需求的预测和库存策略，向上游D或M定期订货，D和M结合掌握的历史销售信息确定交货延迟时间。农产品零售商系统动力学结构见图1（D、M与R结构相同，略）。

1.2 参数定义及说明

模型仿真周期360（天），仿真步长为1（天），产品单位为件。

模型中3个参数取值均在一定区间内，为了研究每一个参数的变化对农产品供应链的影响，考虑农产品保质期短、销售渠道周转速度快等特征，令其基本设置为：指数平滑系数为0.4，库存调节系数和在途库存调节系数均为1。

R期望库存=(订货提前期+1)×R平均销售率；R库存=R期望库存；R在途期望库存=订货提前期×R需求预测；R在途库存=R在途期望库存；R入库率=DELAYPPL (批发商供应量，订货提前期)；D供应率=DELAYMTR(R订货量，交货延迟时间)；R订货量=PULSE(MAX(0，R需求预测）×订货周期+(R期望库存-R库存)×库存调节系数+(R在途期望库存-R在途库存)×在途调节系数)，STARTTIME+0，订货周期)，销售率=市场需求。

假设市场需求是随机需求、正态分布需求和正弦波需求的叠加。采用指数平滑法进行销售需求预测。

2 相关系数对农产品供应链牛鞭效应的影响分析

2.1 指数平滑系数对牛鞭效应的影响

图2 指数平滑法的系统动力学流程图

本文指数平滑法模型如图2所示。本文中，指数平滑系数取值0.1～0.9，以0.1为间隔，其他参数为基本设置，对模型进行仿真，以探究不同平滑系数对供应链牛鞭效应的影响，仿真数据处理和汇总见表1。

现阶段，我国大部分的人民，认为身体素质可以通过食物或者补药就能得到良好的改善，并不用通过锻炼来改善自身。另外，还有部分人民具有错误的非体育性娱乐意识，用打麻将或者扑克等娱乐方式来代替体育锻炼，提升自身的身体素质。甚至还有部分人民参与体育比赛，在现场充当体育观众，并不自身参与到体育的竞赛当中，使得自身的身体素质并没有得到很好的提升。除此之外，家庭体育场地具有一定的局限性，因此家庭并不能满足人民的锻炼需求。

表1 平滑系数对牛鞭效应的影响

表1表明，无论平滑系数取何值，供应链均表现出需求信息逐级放大的现象；在平滑系数为0.1和0.5～0.6时，供应链牛鞭效应表现较弱。结合一次指数平滑法知识知道，平滑系数小于0.5的取值具有“拉平”作用，适合于比较平稳的外部需求预测，大于0.5的取值适合于表现灵敏、具有明显变动倾向的外部需求预测。结合本研究需求定义，市场需求变动较大，基于数据表明在平滑系数为0.1时的牛鞭效应较弱的结论，可以给出的解释是，（1）市场需求变动比较激烈的情况下，过于平稳的预测也会大大减弱牛鞭效应现象，（2）零售商R和批发商D分别基于市场需求和零售商R的订单信息作出的预测比较保守、平稳，进而表现在其向上一级发出的订单的波动性也比较小，即以预测、订货的平稳性牺牲库存管理的灵活性。需求指出的是，上述数据验证了文献[1]关于需求信息沿着供应链往上逐级放大的研究结论，与此不同的是，数据表现出指数平滑预测精准度与供应链牛鞭效应并不一致，参看下面分析。

为进一步探究指数平滑预测准确度和牛鞭效应的关系，以零售商R为例，绘制出不同平滑指数系数下基于市场需求的预测值的回归拟合度表，见表2。

表2 基于市场需求的指数平滑预测值回归拟合优度汇总

由统计学知识可知，指数平滑系数为较小（0.1～0.4）和较大（0.8～0.9）取值时，零售商对市场需求预测的精准度较差，取值为0.6左右时的预测误差较小，精准度较高，这跟表1中指数平滑系数为0.6左右时“R方差比”较小、牛鞭效应表现较弱一致，也就是说，指数平滑系数为0.1时的牛鞭效应弱化现象是因为系数选择不合适、预测不准确造成。对批发商D预测拟合优度情况进行分析，结果相同。

为进一步探究指数平滑系数对供应链总成本的影响，构建基于图1的农产品供应链总成本模型，见图3。与供应链总利润不同，供应链总成本包括与供应链牛鞭效应相关的在途库存成本和库存成本两部分，可以作为反映供应链质量的一个主要指标。

图3 农产品供应链总成本模型

在图3中，设运输-库存费率为0.06RMB/件/天。指数平滑系数不同取值下的供应链总成本的汇总，见表3。

表3 不同指数平滑系数下的供应链成本

表3中，取值为0.5和0.6的指数平滑系数对应的供应链总成本分别为185083和185188，数值最小，并且远小于指数平滑系数0.1对应的供应链总成本186181。结合表2和表3可知，牛鞭效应表现较弱的供应链并非都具有较小的总成本，而预测精准下的供应链不仅表现出较弱的牛鞭效应，且具有较小的总成本。

综上分析可知，（1）与供应链精准的预测方法和供应链总成本两项指标不同，牛鞭效应是判断供应链质量的必要性而非充分性指标。精准的预测方法下的供应链成本小且牛鞭效应表现较弱；而较小的牛鞭效应可能来自于准确的预测，也可能来自于预测方法自身的“拉平”作用，并不必然伴有较小的供应链总成本；（2）与平滑系数为0.5～0.6时牛鞭效应弱化现象不同，平滑系数为0.1时牛鞭效应的弱化现象是因为对实际富于变化的外表需求的“拉平”作用造成的，尽管减弱了牛鞭效应，但并没有降低整个供应链的成本，这就要求供应链成员准确了解最终市场需求特征，过滤掉干扰信息，通过多次调试，选择合适的指数平滑系数。

2.2 APIOBPCS调节系数对牛鞭效应的影响

式中，O(t)为t期的订货量；F(t)为t期的需求预测量；I(t)为t期实际库存水平；II0为期望的在途库存水平；II(t)为t期实际的在途库存量；α为库存调节系数；β为在途库存调节系数；LT为提前期；I0为简化后的期望库存水平，为需求平均量。

本文中，库存调节系数α和在途库存调节系数β分别取值为0、0.5、1、1.5、2、2.5，其他系数为基本设置，对模型仿真，以观察α和β的不同取值对供应链牛鞭效应的影响，数据汇总见表4。

表4 库存调节系数α和在途调节系数β对牛鞭效应的影响

由表4可知，在整体上，供应链牛鞭效应呈现出随着库存调节系数α和在途库存调节系数β的取值增大而越来越强烈的趋势，α=β=0、0.5、1、1.5、2、2.5时的供应链总方差比分别为854.5、892.3、1367.8、1776.7、2562.7、3675.6，可以给出的解释是，以零售商R为例，根据“销售率”和“订货量”，R销售率=市场需求，R订货量包括订货周期内的期望销售量、库存调节量和在途库存调节量三部分，R（在途）调节量=[R期望（在途）库存-R（在途）库存]×（在途）库存调节系数，当库存调节系数α和在途库存调节系数β较大时，则R订货量必然增大，除满足市场需求之外，（在途）库存量也必然增大，而期望（在途）库存量与调节系数无关，则没有增加，此时，库存调节量，即期望（在途）库存与（在途）库存之差变得更小，当后者大于前者时库存调节量为负值，下一次的订货量必然小于上一次的订货量，因此，前后订货量表现出的波动性随着（在途）库存调节系数增大而加剧。为验证上述分析，对不同调节系数下零售商R的调节量（库存调节量与在途库存调节量之和）进行仿真、统计，见表5。

表5 牛鞭效应随（在途）库存调节系数增加而放大趋势

表5显示，α=β=0时的调节量、均值和方差均为0，这与表4的“总方差比最小”相一致，订货量中的调节量及均值在α和β较小值（0.5、1、1.5）情况下在增加，增加幅度递减，大于1.5时呈现递减直至负值，而调节量的方差一直呈现递增趋势，因此，牛鞭效应呈现逐渐放大现象。

如上分析，在整体上，牛鞭效应随库存调节系数和在途库存调节系数增大呈现递增的放大趋势，这与文献[3]结论一致，所不同的是，牛鞭效应在基于库存调节系数分组和基于在途库存调节系数分组的每一组内又均表现出强烈波动的现象，见图4。从弱化牛鞭效应的角度，管理者需要选取合适的（在途）库存调节系数以制订合理的库存管理策略。

图4 分组下的（在途）库存调节系数下牛鞭效应比较

最后，对以库存调节系数α和在途库存调节系数β作为决策变量下的牛鞭效应和供应链总成本间的关系进行研究。对图4的供应链总成本模型进行优化，可得基于（在途）库存调节系数的供应链最小成本C*=184360.6，此时，α=2.49，β=2.02，与表4比较，可以得知，α和β作用下的牛鞭效应和供应链总成本之间不存在正相关关系。

3 结论

本文构建了APIOBPCS模式定期采购下的三级农产品供应链的系统动力学模型，借助系统动力学软件Porwersim2005，针对APIOBPCS和指数平滑系数的变化对供应链牛鞭效应的影响及其成因进行了研究。研究结论如下。

（1）微弱的牛鞭效应仅是较小供应链成本的必要而非充分条件，供应链企业对外部需求进行预测前应该通过多次调试，精准的预测方法下的供应链成本小且牛鞭效应表现较弱；而较小的牛鞭效应可能来自于准确的预测，也可能来自于预测方法自身的“拉平”作用，并不必然伴有较小的供应链总成本，即供应链牛鞭效应放大程度与总成本不完全相关。

（2）在整体上，供应链牛鞭效应呈现出随着库存调节系数和在途库存调节系数的取值增大而越来越强烈的趋势，在库存调节系数和在途库存调节系数作用下的牛鞭效应和供应链总成本之间不存在正相关关系；与其他系数相比，零售商和批发商需求放大程度对库存调节系数的变化最敏感。

[1]Lee H,Padmanabhan V,Whang S.The Bullwhip Effect in Supply Chains[J].Sloan Management Review,1997,38(3).

[2]Christopher M,Gattorna J.Supply Chain Cost Management and Val⁃ue-based Pricing[J].Industrial Marketing Management,2005,(34).

[3]Dejonckheere J,Disney S M,Lambrecht M R,et al.Measuring and Avoiding the Bullwhip Effect:A Control Theoretic Approach[J].Euro⁃pean Journal of Operational Research,2003,147(3).

[4]李翀，刘思峰，方志耕，白洋.多级供应链系统成本分析随机网络模型及算法研究[J].中国管理科学，2013,21(4).

[5]汪传旭,崔建新.ARMA(1,1)需求条件下需求信息延迟对两级供应链牛鞭效应和平均成本的影响[J].系统管理学报，2007,16(3).

[6]孙文清.ARMA（1,1）需求下努力水平和剩余系数对农产品供应链绩效的影响分析[J].统计与决策，2016,(7).

[7]刘伟华，肖建华，焦志.农产品封闭供应链典型运作模式及其成本控制研究[J].软科学，2009,23(11).

[8]凌六一，郭晓龙，胡中菊，梁樑.基于随机产出与随机需求的农产品供应链风险共担合同[J].中国国旅科学，2013,21(2).

[9]罗卫,张子刚,欧阳明德.基于DE-APIOBPCS策略的牛鞭效应和库存方差[J].中国管理科学,2005,13(2).

[10]王海燕,张冲,佘光.基于期望库存的供应链系统放大效应控制[J].计算机集成制造系统,2012,18(1).

（责任编辑/易永生）

F253

A

1002-6487（2016）23-0037-03

河南省教育厅哲学社会科学研究重大招标课题（2014-ZD-06；2014-SZZD-21）；河南工程学院资源环境与特色旅游研究中心联合资助

孙文清（1972—），男，河南确山人，副教授，研究方向：供应链管理。