Эффект хлыста

Материал из Supply Chain Management Encyclopedia

Перейти к: навигация, поиск

English: Bullwhip effect

Файл:Bullwhip effect.png
Иллюстрация эффекта хлыста: конечный потребитель делает заказ и изменения волнами расходятся по всей [цепи поставок].

Эффект хлыста (или эффект подхлестывания, или эффект производности спроса, или эффект Форрестера; англ. – bullwhip effect, demand amplification, whip-saw, whiplash effect, or Forrester effect) – феномен в цепях поставок, который заключается в усилении амплитуды колебания спроса (объема заказов) по мере удаления от реального источника спроса в цепи поставок[1]. Это означает, что колебания в "конце" цепи поставок (ближе к потребителю, например, на уровне розничного торговца) намного слабее по сравнению с другим "концом" цепи поставок (далеко от потребителя, например, на уровне производителя или поставщика). Двигаясь в цепи поставок от потребителя к поставщику колебания заказов заметно усиливаются. Чем больше звеньев в цепи поставок и чем длиннее время выполнения заказов, тем значительнее амплитуда колебания.


Первое упоминание об этом явлении принадлежит, наверное, Дж. Форрестеру [2] (вот почему в некоторых литературе можно найти ссылки на эффект Форрестера, однако сам Дж. Форрестер никогда не назвал его ни эффектом Форрестера, ни эффектом кнута). Иногда термин "эффект Форрестера" используется для обозначения того, что называются обработка сигнала спроса, т.к. Дж. Форрестер был первым, кто продемонстрировал этот феномен с помощью динамического моделирования. В 1997 году эффект кнута был популяризирован коллективом автором под руководством Х. Ли[3].

Эффект кнута имеет крайне негативное воздействие на эффективность управления цепями поставок. Это приводит к чрезмерному увеличению страховых запасов, ненужному увеличению производственных затрат и накладных расходов, потенциальному ухудшению качества товара, и, что еще хуже, ухудшению качества обслуживания клиентов и упущенным продажам, увеличению расходов на логистику и т.д.

Содержание

Причины и последствия эффекта кнута

Ли и др.[4] идентифицировал три основные причины возникновения эффекта хлыста:

  • Обновление прогноза спроса. Прогнозирование и производственные планы часто основаны на истории заказов от непосредственных клиентов компании. Это клиенты (заказчики), однако, редко делают точно такие же заказы, какие получают от своих собственных клиентов, по крайней мере на коротком промежутке времени, вследствие разных причин, в том числе из-за собственных ожиданий продаж, неприятия риска, личностных характеристик менеджеров, производственной специфики и т.д. Как только менеджеры видят изменения объемов заказов, они корректирует свои производственные и закупочные планы, даже не смотря на то, что понимают, что этот заказ может не отражать (и часто не отражает) реальную ситуацию спроса. В результате, каждый член цепи поставок делает заказ чуть более или чуть менее отличающийся от входящего заказа, что, в итоге, выливается в заказ для поставщика, который иногда прямо противоположен реальной рыночной ситуации и потребностям рынка. Эта ситуация очень распространена, потому что, если время выполнения заказа больше, чем 0 (время выполнения заказа близко к 0 только в ситуации электронной торговли), то значительный страховой запас - вовсе не редкость, а, следовательно, страховые запасы будут расти. Чем выше сроки, тем больше страховых запасов необходимо иметь. Эти запасы, с одной стороны, являются причиной неэффективности в цепи поставок, потому что они требуют дополнительных операционных затрат, а с другой стороны, они сами еще больше увеличивают эффект кнута (увеличивают амплитуду колебаний).
  • Выполнение (отправка/обработка) заказов партиями Заказы обычно накапливаются в партии: по времени (ежедневные, еженедельные, ежемесячные и т.д.) или по объему (контейнер и т.д.). Партии также увеличивают эффект кнута. Причиной отправки заказов партиями следующие: расходы на обработку одного заказа (сколько компании тратят на управление заказами) и расходы на транспортировку. Иногда этот эффект называется эффектом Бербиджа [5]. Бербидж указал конкретные проблемы к чему ведет выполнение заказов партиями.
  • Колебание цен. Производители или продавцы часто создают и реализуют разнообразные промо-акции (специальные скидки, условия покупки или кредитования и т.д.). Эти программы - причина дополнительного колебания цен в цепи поставок. В результате, клиенты реагируют на разные предложения по-разному. Для получения дополнительной информации см. [Стратегия постоянно низких цен]
  • Нормирование и поведенческие модели при ограниченном предложении. Если производитель не в состоянии удовлетворить ажиотажный спрос в короткий период времени, и продавец (оптовик или дистрибьютор) знают об этом, они будут действовать по пути увеличения заказов, чтобы получить по крайней мере что-то. Например, если розничный торговец действительно нуждается 100 единицах продукции, и он знает, что производитель будет выполнять лишь около 50% от заказа, он закажет порядка 200 единиц. Однако, очень часто, 200 штук являются "реальной картиной" для производителей, который делает стратегические решения на основе полученной от клиента (в виде заказа) информации. Однако уже в следующем периоде заказ может быть только 100 единиц (реальный спрос, который в психологии производителя будет означать двукратное снижение спроса). Поведенческая психология часто прибегает к термину ограниченная рациональность, что подразумевает неоптимальное, на границе рационального подхода участников сделки, решение[6]. Нормирование и поведенческие модели при ограниченном предложении иногда называют эффектом Хулихэна[7]. Этот эффект позволяет предположить, что пропущенные поставки приводят к повышению страхового запаса и тем самым увеличивают стоимость заказов. Чем больше заказов выполняется, тем более уязвима цепь поставок от ненадежных источников, т.е. надежные поставщики не имеют возможности мгновенного увеличения производства. Все это приводит к усилению эффект кнута. Хулихэн описал этот процесс как эффект маховика. Ольсмэтс и др. (1988) исследовал это явление в автомобильной отрасли[8].

Некоторые исследователи пытаются найти истоки эффекта кнута в психологии менеджеров, принимающих решение об объемах закупок. Используя моделирование эффекта кнута на примере игры (имитационного моделирования) "Пиво", они доказывают, что менеджерами используются одна из двух основных стратегий: «тихая гавань» или «паника». При этом, обе стратегии имеют негативное влияние на эффективность цепи поставок. В тоже время, как только у игроков появляется шанс для ведения переговоров (распространения информации), результаты становятся намного лучше[9].


Негативными последствиями эффекта кнута для цепи поставок:

  • Неэффективное управление запасами. Колебание спроса (объемов заказов) приводит к изменению уровня запасов на каждом уровне цепи поставок. Как только поставщик получает заказ, который больше, чем аналогичный заказ за предыдущий период, он вынужден увеличить страховой запас. С другой стороны, если объем заказа ниже, это не всегда позволяет оперативно изменить (снизить) страховой запас. Чем выше изменчивость спроса (объема заказов), тем выше должны быть страховые запасы. Страховые запасы имеют тенденцию увеличиваться по мере удаления от источника потребления.
  • Невыполненные заказы и неудовлетворительный сервис. Уровень страхового запаса, необходимого для обеспечения достаточного уровня обслуживания клиентов, увеличивается с увеличением колебания спроса, однако, это не всегда достаточно, чтобы удовлетворить ажиотажный, незапланированный спроса. Таким образом, иногда компании могут столкнуться с отсутствием товара на полках магазинов.
  • Непредсказуемые графики производства. Изменение объемов спроса приводит к изменениям используемых мощностей. Во время "высоких" продаж производитель обычно увеличивает объем производства за счет дополнительных смен. Во время "низких" продаж - делает дополнительные страховые запасы или оставляет рабочих без работы (в обоих случаях это приводит к финансовым потерям).
  • Высокие цены на сырье из-за срочной необходимости. В случае возникающей необходимости получения срочных заказов, производители часто сталкиваются с ситуацией отсутствия сырья и материалов (части материалов). Дополнительный заказ даже небольшой партии ведет к дополнительным транзакционным издержкам и обойдется производителю чрезвычайно дорого (примером могут служить дополнительные затраты на незапланированную транспортировку).
  • Недополученная прибыль. Все вышеперечисленные последствия приводят к финансовым потерям: дополнительные запасы на страховые запасы (а, следовательно, капитала) или невыполненных заказов (упущенные продажи).


Анализ последних работ показывает, что исследователи предпочитают не спорить о причинах и последствиях эффекта кнута, но пытаются найти средства и методы противодействия и снижению негативного воздействие на производительность цепей поставок.

Пример эффекта кнута

Обычно потребление большинства товаров повседневного спроса стабильно. Например, потребление подгузников младенцами - постоянно; потребление хлеба, соли, кетчупа и других продукты питания - постоянное и т.д. Розничные торговцы очень часто видят достаточно стабильный спрос с незначительными колебаниями, как показано на рис. ниже.


Делая собственные заказы, тем не менее, розничный торговец учитывать собственные уровни запасов (остатки предыдущих периодов), ожидания продаж (в том числе ожиданий отдачи собственной рекламы и продвижения), скидки от производителя или дистрибьютора, цены на транспортировку и обработку заказов, а также множество других мелких факторов. Заказы от розничного продавца оптовику (или дистрибьютору, или производителю) не выглядят так стабильно, как непосредственно продажи.


Заказы от оптовика дистрибьютору еще более волатильны по этим же причинам.


В конце концов, заказы производителю колеблются еще больше. Из-за этого, производитель сталкивается с проблемами дополнительных смен для удовлетворения пиковых заказов, а также с проблемами излишних страховых запасов при отсутствии заказов на коротком промежутке времени. Дополнительные затраты и невыполнение заказов - норма при таком ритме работы.


Эффект кнута был изучен и диагностирован как серьезная проблема в целом [10],[11], а также проблема отдельных компаний или отраслей:

  • Высокотехнологичная отрасль[12]
  • Отрасль производства продуктов питания[13]
  • Производственный сектор[14]
  • и т.д.

Analysis of the Bullwhip Effect

The bullwhip effect was analyzed by various researchers with different methods:

  • Simulation approach [15]
  • Evolutionary least-mean-square algorithm [16]
  • Beer game simulation with different demand scenarios [17]
  • Multi-echelon supply chain system [18]
  • Analytical approach

Иммитационное моделирование эффекта кнута (игра "Пиво")

Файл:Beergame.png
Beergame illustration. Source: Nienhaus J., Ziegenbein A. and Schoensleben P. (2006) How human behavior amplifies the bullwhip effect. A study based on the beer distribution game online, Production Planning & Control, Vol. 17, No. 6, p.547–557

Влияние кнут Моделирование игры (Пиво игры, известные также как пиво игре распределения), который был разработан группой динамики систем в Массачусетском технологическом институте в 1960-х. Это показывает, кнут, имитируя эффект цепочки поставок с четырьмя уровнями: розничный, оптовый торговец, дистрибьютор или фабрики. Это может быть воспроизведен в классе или в режиме онлайн и является очень эффективным средством иллюстрации системного мышления. При включении менеджеров, чтобы испытать негативное воздействие кнут влияние на поставки производительности цепи, пиво игра делает их о применении контрмер в их компаниях <rev> Nienhaus Дж., Цигенбайн А. и Schoensleben П. (2006) Как человека поведение усиливает эффект кнута. Исследование, основанное на игре пива распределения онлайн, планирования производства и управления, Vol. 17, № 6, p.547-557 </ ссылка>. Каждый игрок берет на себя роль (индивидуально или в группе из 2-3 игроков) одну из ролей. Конечного потребителя размещает заказы на розничный (покупает пиво). Его требование определена, но неизвестных участников. Конечная спрос четыре единицы (бутылки, пакеты с пивом) в течение первых шести периодов (в том числе «тест» или «нулевой» период) и восемь единиц в течение следующих периодов моделирования. Игра обычно длится в течение 50-70 периода. Этого достаточно, чтобы диагностировать кнут эффект. Каждый период представляет собой одну неделю. За это время участники должны принимать важные решения и мероприятия, в строгом порядке:

  • Каждый игрок (команда) получает заказ от своего клиента. Для розничного это заранее определенном порядке (до востребования). Для остальных игроков это заказы от предыдущих участников (например, заказ от оптовика для дистрибьютора).
  • Каждый игрок (команда) принимает решение о том, сколько на заказ. Это решение основано на полученный заказ на накопившихся заказов (все заказы должны быть выполнены), на предыдущих заказов на инвентаризацию левого на складе и других факторов.
  • Каждый игрок (команда) должен минимизировать свои затраты. Товар на складе (запас) стоит $ 0,50 в продукте за период. Накопившихся заказов по цене $ 1,00 за продукт за период (штраф за не имеющийся в наличии ситуаций). Таким образом участники должны учитывать компромисс между минимизацией расходов на вложенный капитал в акции, с одной стороны и избежать вышедших из-фондовой ситуаций, с другой стороны.

Информационный поток (информации о том, сколько по заказу) движется по цепочке поставок с задержкой в ​​одну неделю. Она представляет собой обычную ситуацию в реальных компаниях. Хороший поток задержкой на две недели из-за транспортировки. Производитель получает заказы от производства через две недели, а также (чтобы сделать его легче можно сказать, что одна неделя для производства и одной недели для контроля качества и упаковки). Некоторые важные правила, чтобы помнить:

  • Не пытайтесь искать ваше требование, прежде чем есть время.
  • Не изменяйте последовательность шагов.
  • Не смешивайте заказов и готовой продукции.
  • Это можно сделать 0 порядке.
  • Если вы пропустили раунд, не пытайтесь догнать. Убедитесь, что все другие члены сделали это правильно.


Bullwhip Effect Simulation Game (Beer Game, also known as beer distribution game), which was developed by the Systems Dynamics Group at the Massachusetts Institute of Technology in the 1960s. It demonstrates the bullwhip effect by simulating a supply chain with four tiers: the retailer, the wholesaler, the distributor or the factory. It might be played in class or on-line and is very effective mean of illustrating systems thinking. By enabling managers to experience the negative impact of the bullwhip effect on supply chain performance, the beer game makes them aware of the application of countermeasures in their companies<rev> Nienhaus J., Ziegenbein A. and Schoensleben P. (2006) How human behavior amplifies the bullwhip effect. A study based on the beer distribution game online, Production Planning & Control, Vol. 17, No. 6, p.547–557</ref>. Each player takes the role (individually or in group of 2-3 players) one of the roles. An ultimate customer places orders at the retailer (buys beer). His demand is defined, but unknown to the participants. The ultimate demand is four units (bottles, packs of beer) during the first six periods (including “test” or “zero” period) and eight units during the following periods of the simulation. The game usually lasts for 50-70 period. It is enough to diagnose bullwhip effect. Each period represents one week. During this period participants have to make important decisions and activities in strict order:

  • Each player (team) receives order from their customer. For retailer it is pre-defined order (demand). For the rest of players it is orders from previous players (eg order from wholesaler for distributor).
  • Each player (team) makes a decision of how much to order. This decision is based on received order, on backlogged orders (all orders should be accomplished), on previous orders, on inventory left in stock and other factors.
  • Each player (team) has to minimize its costs. A product on stock (safety stock) costs $0.50 per product per period. Backlogged orders costs $1.00 per product per period (penalty for out-of-stock situations). Thus participants have to take into account a trade-off between minimizing the costs of capital employed in stocks on the one hand and avoiding of out-of-stock situations, on the other hand.

Information flow (the information of how much to order) moves along supply chain with a delay of one week. It represents common situation in real companies. Good flow has a delay of two weeks due to transportation. Producer gets its orders from production after two weeks as well (to make it easier it is possible to say that one week is for production and one week is for quality control and packaging). Some important rules to remember:

  • Do not try to look for your demand before there is time to.
  • Do not change the sequence of steps.
  • Do not mix the orders and finished products.
  • It is possible to make 0 order.
  • If you missed the round, don’t try to catch-up. Make sure that all other members did it correctly.

Меры по предотвращению эффекта кнута

Lee и соавт. (1997) предложил основу для инициатив цепочке поставок иметь дело с кнут эффект: обмен информацией, канал выравнивания, операционной эффективности. Он был подвергнут критике за общий подход, и с тех пор много работ на эту тему, пытаясь найти более общие и более конкретные решения:

  • Заказ политики
  • Лот размер правил * Прогнозирование улучшения Ошибка цитирования Отсутствует закрывающий тег </ref>,[19]
  • Lot sizing rules [20]
  • Forecasting improvements[21],[22],[23],[24]
  • Decreasing demand variability [25]
  • Multi-agent approach [26]

Information sharing is one of the most important tools for minimizing bullwhip effect. Most of contemporary tools and approaches, including VMI, CPFR, etc. and technical innovations, such as RFID use this principle. The importance of information in supply chains:

  • Helps reduce variability in supply chains
  • Help suppliers make better forecast
  • Enables the coordination system of manufacturing and distribution systems and strategies
  • Enables retailers to better serve their customers
  • Enables retailers to react and adapt to supply chain problems more rapidly
  • Enables lead time reductions

References

  1. Lee H.L., Padmanabhan V. and Whang S. (1997) Information distortion in a supply chain: The bullwhip effect, Management Science; Apr 1997; 43, 4; p.546
  2. Forrester J.W., (1961) Industrial dynamics. New York: MIT Press and John Wiley & Sons.
  3. Lee H.L., Padmanabhan V. and Whang S. (1997) The bullwhip effect in supply chains. Sloan Management Review 38(3) p93–102
  4. Lee H.L., Padmanabhan V. and Whang S. (1997) The bullwhip effect in supply chains. Sloan Management Review 38(3) p93–102
  5. Burbidge J.L. (1991) Period Batch Control (PBC) with GT – the Way Forward from MRP, PBCIS Annual Conference, Birmingham, UK
  6. Sterman J.D. (1989) Modeling managerial behavior: misperceptions of feedback in a dynamic decision making experiments. Management Science, 35 (3), p321–339
  7. Houlihan J. B. (1988) International supply chains : a new approach. Management Decisions. Vol. 26. p13-19.
  8. Olsmats C. M., Edghill J. S. and Towill D. R. (1988) Industrial dynamics model building of a close-coupled production-distribution system. Engineering Costs & Production Economics, Vol. 13 Issue 4, p295-310, 16p
  9. Nienhaus J., Ziegenbein A. and Schoensleben P. (2006) How human behavior amplifies the bullwhip effect. A study based on the beer distribution game online Production Planning & Control, Vol. 17, No. 6, 547–557
  10. Buzzell R. D., J. A. Quelch and W. J. Salmon (1990) The costly bargain of trade promotion. Harvard Business Review, 68, p141–148
  11. Richard M. (1997) Quantifying the bullwhip effect in supply chains. Journal of Operations Management, Vol. 15 Issue 2, p89-100
  12. Kelly, K. 1995. Burned by busy signals: Why Motorola ramped up production way past demand. Business Week 6 36
  13. Holmstrom, J. 1997. Product range management: a case study of supply chain operations in the European grocery industry. Supply Chain Management 2(3) 107–115
  14. Dooley K., Yan T., Mohan S., Gopalakrishnan M. (2010) Inventory management and the bullwhip effect during the 2007–2009 recession: evidence from the manufacturing sector. Journal of Supply Chain Management, Vol. 46 Issue 1, p12-18
  15. Wangphanich P., Kara S. and Kayis B. (2010) Analysis of the bullwhip effect in multi-product, multi-stage supply chain systems-a simulation approach, International Journal of Production Research; Aug2010, Vol. 48 Issue 15, p4501-4517
  16. Tseng L-T., Tseng L-F., Chen H-C. (2011) Exploration of the bullwhip effect based on the evolutionary least-mean-square algorithm, International Journal of Electronic Business Management, Vol. 9 Issue 2, p160-168
  17. Matteo C., Chiara R., Tommaso R. and Fernanda S. (2010) Bullwhip effect and inventory oscillations analysis using the beer game model, International Journal of Production Research, Vol. 48 Issue 13, p3943-3956
  18. Xiao-Yuan, H. (2007) An H∞ control method of the bullwhip effect for a class of supply chain system. International Journal of Production Research, Vol. 45 Issue 1, p207-226
  19. Kelle P. and Milne A. (1999) The effect of (s,S) ordering policy on the supply chain. International Journal of Production Economics, 59 (1–3), 113–122
  20. Pujawan I.N. (2004) The effect of lot sizing rules on order variability. European Journal of Operations Research, 159 (3), 617–635
  21. Zhang X. (2005) Delayed demand information and dampened bullwhip effect. Operations Research Letters, 33 (3), 289–294
  22. Zhao X. and Xie J. (2002) Forecasting errors and the value of information sharing in a supply chain. International Journal of Production Research, 40 (2), 311–335
  23. Croson R. and Donohue K. (2005) Upstream versus downstream information and its impact on the bullwhip effect. System Dynamics Review, 21 (3), 249–260
  24. Ingalls R.G., Foote B.L. and Krishnamoorthy A. (2005) Reducing the bullwhip effect in supply chains with control-based forecasting. International Journal of Simulation & Process Modelling, 1–2 (1), 90–110
  25. Lin C. and Lin Y. (2006) Issues in the reduction of demand variance in the supply chain. International Journal of Production Research, 44 (9), 1821–1843
  26. Qing Cao and Leggio K. (2008) Alleviating the bullwhip effect in supply chain management using the multi-agent approach: an empirical study. International Journal of Computer Applications in Technology, Vol. 31 Issue 3/4, p225-237

KK

Личные инструменты
Our Partners