| 标题 | 供应链模型评价体系的研究 |
| 范文 | 陈 曜 摘要:当今世界,如何使自己企业的供应链能够更有效率的运作,便成为了许多管理人员继续考虑的一个问题。基于此背景下,许多供应链的优化模型被理论界提出。针对传统的模型存在一些不足之处,通过采用系统模拟的方法,提出了一套新的评价系统,应用了权衡曲线的原理,并考察了在需求发生变化的情况下决策的适应情况,给出不同情景下的决策建议。 关键词:供应链;决策;评价体系;权衡曲线 中图分类号:F273.7文献标识码:A Abstract: In today's world, many managers consider more and more on the issue that how to make the supply chain more efficient. Based on this background, a number of supply chain optimization models are proposed by theorists. However, there are some drawbacks in these traditional models, in this paper, by using the simulation; we set up a new evaluation system. By considering the trade-off curve principle, and the adaptation of different demand situation, we give the suggest of decision-making under the different scenarios. Key words: supply chain; decision-making; evaluation system; tradeoff curve 本文研究的供应链决策评价体系,是希望解决供应链决策评价过程中的一个问题:什么样的决策是一个好的决策?通过一些文献的阅读,我们发现当前主流的供应链评价标准都难以系统的、动态的衡量供应链的决策。企业往往只能看到这一决策在被衡量的一个方面表现情况,而决策对其他方面所产生的作用则往往被忽略了。更值得一提的是,当前的供应链评价方法,很难体现出一个决策的长期影响。在当前多变的市场环境下,一个在当前环境下出色的决策,很可能应对不了市场的变化。 而本文提出的基于权衡曲线的评价模型,则很好的解决了这一问题。 1模型简介及系统假设 根据Guilherme和Osmar关于供应链模拟系统的一般模型研究,我们将应用三级概念模型来抽象的描述本文所将采用的模拟系统。之所以选用这一方式来表达本文所将采用的模拟系统,是因为这一模型能够最清晰和完整地体现整个系统的相关设置。该模型主要包括两个流程:第一是生产商根据销售信息或订单信息安排生产的过程;第二是分销商根据当前销售以及缺货发生的情况来指定补货点以及订购量的情况,来制定补货策略的流程。 在整个模拟中,我们将假定系统中存在一个生产商M,而我们所探讨的供应链系统的决策将以这个生产商为中心。 我们将假定生产商M对于它的供应链决策有这样一个决策集合DD,D,我们根据本文提出的评价系统,来探讨这个决策集中每个决策的优劣。在模拟的供应链系统中,生产商M将为下游的5个分销商供应商品。这些分销商被表示为LL,L,L,L,L。在整个模拟系统中,一共有3种商品,分别表示为PP,P,P。分销商以下的部分被简化为一个总体呈正态分布的需求模式ξξ,ξ,…,ξ,ξ,对应于每个分销商的每一种商品,共计有15个分布。在下一节中将具体描述这些分布。系统中的其他参与变量还有描述每个分销商L到生产商M之间的运输时间变量TT,T,T,T,T,以及描述每件商品的生产成本MCMC,MC,MC,运输成本LCLC,LC,LC以及储存成本ICIC,IC,IC。每一次系统模拟将根据需求分布随机产生360组数据,即表示每次模拟的时间跨度为一年。 每次产生需求后,系统将根据上一节中的流程对这些数据进行相应的处理,如进行安排生产,计算补货点,以及发出订单等。每次流程处理完毕后,系统将计算当期发生的所有收入和所花去的成本。在360组数据全部产生后,系统将自动结算本次模拟中发生的所有支出和获得的全部收入,并记录最终的盈利情况。在模拟阶段中,我们将对每一个决策D,设定不同的服务水平要求,以此来观察服务水平与最终利润间的权衡曲线,籍此来评价决策D的优劣程度。 为了方便起见,我们价格对应于每一个分销商的每一个产品,如表1分布(均为标准分布): 2模拟系统中生产商的决策集D 为了能够说明本文所论述的评价体系的作用,模拟系统将采用两种不同的决策来进行,模拟采集到的数据用于比对,以证明评价体系的作用。我们以两个典型的供应链系统决策为例进行说明,定义决策D为推系统(Push),而决策D为一个拉系统(Pull)。以下就对这两种不同的决策的流程以及一些相关设置做一说明: 在推系统中,生产商将使用移动平均对数据进行处理,并将最后平均获得数据作为该分销商该类产品的下个月需求平均值。本系统中移动平均的计算方法为A=αS+1-αA。其中,A表示在时间t时的移动平均值,S表示在时间t时发生的销售,表示平滑系数。而在大多数供应链系统中α取0.1至0.2之间比较合适。因此本文将使用α=0.1进行计算。 因此我们可以得到生产商M在每期期初的决定当期需要生产产品i的个数由以下公式决定: Q=βA其中j表示不同的分销商,β表示服务水平 与上述决策相反,拉系统是基于对未来需求的预测来进行安排生产的。 拉系统下,分销商参与决策的程度大大增加。分销商需要决定当自己的库存减少到什么程度的时候需要向生产商进行订货,每一次订货需要订购多少才能实现最优化,以及如何控制服务水平等。要解决这些问题,就需要一个流程来支持分销商对订货的决策。本文中的系统将采用以下方法来模拟这一个流程: 首先,决策的周期将不再以一个月为单位。每一天,分销商都需要关注自己的销售情况和当前库存,并通过EOQ模型来决定当日是否应该向生产商发出补货的请求。在此,我们根据Iglehart D.L.的研究,把OQ表示对以下两式的迭代求解,直至得到一组Q,R在一个单位内变动: Q=+(1) nR=1-βQ (2) Q为最优的订货量,而R为补货点。K为分销商每次向生产商订购需要付出的固定成本,在这里就是需要花费的运输成本。λ表示一个时间单位内需求的期望。在随机需求中,需求的期望一般用一定周期内样本的均值来表示,而在这里我们使用上文中提到的移动平均值作为λ的值进行计算,理由同上。h表示每一单位的商品在一个单位时间内所需花费的库存成本。β表示生产商所决定的服务水平,范围是0,1。FR表示的是由观察样本所代表的正态分布在R点上的概率。关于FR以及R的计算如下所示,由nR=1-βQ得Lz=nR/δ,其中δ为观察样本所代表的正态分布的标准差,而Lz所表示的是标准化的损失函数。由于本模拟系统基于Microsoft Excel,因此无法对积分进行准确的计算,故我们进行了如下化解: Lz=t-zφtdt=tφtdt-z1-Φz=φz-z1-Φz 其中Φz是标准正态分布的概率分布函数。 在求得Lz的值之后,就可以进而反推,得到FR的值,从而我们得到一组优化解Q,R。分销商应当根据R进行判断是否应该补货。而进货的数量将由Q以及生产商决定的服务水平共同决定。 3结果讨论 本文的模拟系统建立在Excel宏观基础上,并安装了Palisade DecisionTools公司的@Risk 4.5 for Excel插件用于进行产生随机的数据,同时,利用VBA实现上一章节讨论的概念模型讨论。 模拟是基于权衡曲线的决策评估。我们对每一个决策下每一个生产商的服务级别进行15次模拟,共得到15组数据,每组产生的数据将会以如下形式表述:服务级别,利润,收入,库存支持,运输支出我们将这15组基于同一决策系统并属于同一服务级别的数据成为一批。服务级别的设定值从85%到99%,共计15个不同的整数值,因此针对每个决策D(Push,Pull),我们有15批共计225组数据。因此,系统模拟共得到450组数据。 3.1数据正态性检验 首先,我们对每组数据的利润变量进行正态性测试,如图1所示,是对Push决策在85%服务级别下的利润变量测试图。 上面中的测试分别为正态分布,泊松分布,平均分布以及指数分布的K-S,根据结果显示,我们接受该数据为一个正态分布,即N1 454 118,23 239。 对于每一批的数据,我们都将对其利润数据的正态性进行检验,并确定其均值与标准差,如表2所示。之后我们将应用这些数据进行分析,发现有四组数据(表2)由于SigNorm 在现实中,图2带给决策者们的意义是,如果企业处在一个生产商势力比较强大的领域内,厂商具有较大的垄断力量,消费者对缺货造成的等待时间并不是非常在意,或者消费者对品牌的忠诚度较高,缺货不会或者很难造成消费者转向其他企业的竞争产品。在这种情况下,从供应链的角度,企业选择Push的决策将更有利于企业的发展,因为在推系统下,维持较低服务水平的企业可以获得更高的利润回报;反之,企业则应该选择Pull。 当然,我们应该认识到,往往根据企业所掌握的有关市场的信息,尚不足以明确的判断厂商应该采取较低或较高的服务水平。企业需要根据市场的反映,竞争者的行为来不断的修正自己的目标。因此在这种不明确的情况下,我们需要给出一个结论,究竟Push和Pull的决策哪一个更有优势。因此,我们有必要对模拟产生的数据做进一步的统计分析。 3.2统计分析 我们对图2中每一个决策单独做一个profit-service level的一元回归,就可以得到以下结论,如图3所示。 从图3中我们可以更加准确的看出,推系统的回归方程常量比较大,也就意味着在服务水平较低的情况下,这种决策带来的企业业绩表现将优于一个拉系统的表现。当然我们也能注意到推系统的回归系数远小于一个拉系统(两者皆为负值),因此在推系统中每提升一个服务水平所带来的利润降低要大于在拉系统中的情况。以上分析结果与上图的折线表示的情况一致。进一步的计算可以得到,当生产商的服务水平在89%处两种系统的表现情况一样。 如果我们将生产系统的决策与服务水平的决策作为一个整体的话,通过二元回归分析,我们可以看到以下结论,如图4所示。 图3中ServiceLevel表示企业对服务水平的决策,而Decision表示企业对生产系统的决策(以0表示一个拉系统,而1表示一个推系统)。两个决策变量之间的相关性为零,表现出很好的独立性,同时,由残差统计表中我们可以看到回归后的残差呈现了较好的正态性。 上表中我们可以发现服务水平的决策与生产系统的决策均与企业的利润成反比关系。我们注意到生产系统决策的回归系数为-0.258,即表示一个推系统在总体上的表现要差于一个拉系统。 4结论 上述的模拟结果可以给我们这样一个结论,即如果企业的供应链属于一个推系统,则应该保持服务水平在89%,这样企业的业绩表现才会优于一个拉系统,同样,如果企业的供应链属于一个拉系统,则应该保持服务水平在89%以上,这样才能较推系统有一定的优势。而如果企业在尚无法确定自己未来的服务水平的情况下,应当首先选择将自己的供应链系统发展为一个拉系统,因为在总体上拉系统较推系统在利润表现上占有一定的优势。 参考文献: [1] 陈剑,蔡连侨. 供应链建模与优化[J]. 系统工程理论与实践,2001(6):26-33. [2]D.P. Christy, J.R. Grout. Safeguarding supply chain relationships[J]. International Journal of Production Economics, 1994(36):233-242. [3]Cohen M.A., Lee H.L. Strategic analysis of integrated production-distribution systems: models and Methods[J]. Operations Research, 1988,36(2):216-228. [4]Huchzermeier A, Cohen M.A.. Valuing operational flexibility under exchange rate risk[J]. Operations Research, 1996,44(1):100-113. |
| 随便看 |
|
科学优质学术资源、百科知识分享平台，免费提供知识科普、生活经验分享、中外学术论文、各类范文、学术文献、教学资料、学术期刊、会议、报纸、杂志、工具书等各类资源检索、在线阅读和软件app下载服务。