MODELAGEM ESTOCÁSTICA DO EFEITO CHICOTE EM CADEIAS DE ABASTECIMENTO

José Carlos Fioriolli (UFRGS) fioriolli@producao.ufrgs.br Flávio Sanson Fogliatto (UFRGS) ffogliatto@producao.ufrgs.br

Este artigo apresenta uma proposta de modelagem do Efeito Chicote (EC) que tem por objetivo aumentar a precisão na quantificação deste fenômeno em ambientes com demanda e lead time estocásticos. A modelagem do EC, fenômeno que se caracterizza pelo aumento da variabilidade da demanda ao longo de uma cadeia de abastecimento, é fundamental para a identificação de suas causas e para a quantificação de sua intensidade, ajudando a reduzir seus impactos negativos sobre os estoques e sobre o nível de serviço oferecido aos consumidores finais. O novo modelo considera dois elementos que não estão presentes nos principais modelos disponíveis na literatura: a variabilidade no lead time de entrega de pedidos e o tratamento adequado dos excessos de estoque (fundamental para evitar que a variabilidade da demanda seja amplificada desnecessariamente). Além disso, define de modo mais preciso o papel do coeficiente de variação da demanda na quantificação do EC. A utilização do modelo proposto aumenta a eficiência da gestão de cadeias de abastecimento ao contribuir para atenuar a propagação do EC nestas estruturas. Palavras-chaves: Efeito Chicote, cadeia de abastecimento, modelagem estocástica

8 Y G E q Gr@ 8ri P i 8 Sr8v C X u S a ` GC D 8r E 8C q S i S D h E Y Q P d S a ` P Y C X G 8 U S Q 8 P H E C 8 @ 8 FAF hEY FAtsAtyBARptyxwS FeFAbc¥Fcts@ R¥FFApFFS Ag FfBeFcbBFVS FIRWVTRBFIG FD ABA97 4 ) 6 5 " 4 0 3 # " 1 0 ) ( % # & % # # !  ¨ ¤   ¨    ¨   ¨ ¦ ¤ ¢   £'''¡$'2) £©'©$" £ ¡£¡©§¥¤ £¡ 
Foz do Iguaçu, PR, Brasil, 09 a 11 de outubro de 2007

1. Introdução O Efeito Chicote (EC) é um importante fenômeno que produz impactos negativos sobre a regularidade e a estabilidade dos pedidos recebidos em todos os níveis de uma cadeia de abastecimento. De acordo com Chen et al. (2003), observa-se um EC quando a variabilidade da demanda aumenta na medida em que se avança nos níveis da cadeia, desde o varejista até o fabricante. Para avaliar adequadamente as implicações gerenciais do EC é importante entender a sua dinâmica. Considerando dois níveis adjacentes k e k−1 em uma cadeia de abastecimento, esta dinâmica pode ser assim descrita. O pedido gerado pelo nível k é definido a partir da previsão de demanda do nível anterior (k-1) e depende dos dados históricos relativos àquela demanda e da técnica de previsão utilizada no nível k. Da mesma forma, os pedidos gerados pelo nível k+1 são definidos em função dos dados históricos disponíveis sobre a demanda do nível anterior (k) e da técnica de previsão utilizada no nível k+1. Esta lógica se repete a cada avanço de nível, de modo que os dados disponíveis, em cada nível (com exceção do nível mais baixo da cadeia), baseiam-se em uma expectativa de demanda e não na demanda real. Conforme Lee et al. (1997), Carlsson e Fullér (2000) e Chen et al. (2003), o EC potencialmente traz conseqüências locais e sistêmicas para fabricantes, distribuidores e varejistas. Entre as conseqüências locais, destacam-se (i) baixos níveis de serviço, gerados pela dificuldade de amortecer, em tempo hábil, as variações extremas da demanda; (ii) vendas perdidas em função das rupturas de estoques geradas por variações extremas da demanda; (iii) aumentos dos estoques de segurança, com vistas à recuperação dos níveis de serviço que garantam a competitividade da estrutura; (iv) aumento no número de reprogramações de produção para cobrir emergências; e (v) gestão ineficiente de recursos locais, como pessoal, equipamentos e capital. Entre as conseqüências sistêmicas, destacam-se: (i) elevação dos custos relacionados a estoques na cadeia de abastecimento, em razão do aumento dos estoques locais, em cada um dos pontos do sistema; (ii) queda do retorno sobre o capital investido nas operações da cadeia; (iii) queda da produtividade dos funcionários que atuam nos processos produtivos desenvolvidos no sistema, conforme demonstrado por Anderson e Fine (2003); (iv) processo decisório reativo, principalmente em função dos picos de demanda, causando ruptura de planejamento; e (v) gestão ineficiente dos recursos da cadeia de abastecimento como um todo, em decorrência das ineficiências locais e da dificuldade de integração das operações realizadas. O principal desafio relativo ao gerenciamento do EC consiste em reduzir ineficiências e atenuar/eliminar a sua propagação ao longo da cadeia de abastecimento, de modo a viabilizar a otimização dos recursos empregados em seus diferentes níveis. Isto depende do grau de conhecimento que se tem sobre as suas causas e sobre a sua intensidade. Nesse sentido, a quantificação do EC tem sido um tema freqüente de pesquisa nos últimos anos. Autores como Lee et al. (1997), Chen et al. (2000), Fransoo e Wouters (2000) e Warburton (2004) vêm apresentando importantes desenvolvimentos teóricos sobre o tema. Um dos principais modelos de quantificação do EC, apresentado por Chen et al. (2000), é formulado como função do lead time, da variância da demanda e do número de períodos utilizados na previsão da demanda. O modelo trabalha com cenários com lead time constante e trata eventuais valores negativos, obtidos no cálculo do tamanho dos pedidos, como sendo excessos de estoque que podem ser devolvidos a custo zero. De modo similar, os modelos de Lee et al. (1997), Fransoo e Wouters (2000) e Warburton (2004) também operam em

m { r q „ r…n m…ƒ t ƒ m w m‡ o z † w } | o p m… q o „ w ƒ w p ‚ q { v t  w } | t { o z r m xw v m t s q o m n m W~c ‚q{ cw¥tw¥xcsyx… ˆyw cbW~u~r Ww¥yn ym cW~Wcw ~ W€ccc~~WcWw W£yBt£Wu'r cp scw9l h 7 j i • h d g – • e d 7 ™ — – ˜ — – – • ” “ † ˆ‚ ‡ “ † ˆ ‘  † ˆ ‡ † „ ‚‚  € ©k§‰‰§…T‰f7 ‰©‰‰V‰‰FT‰p'e‰ƒ©e$§’e‰©¡V…ƒ©©€

Foz do Iguaçu, PR, Brasil, 09 a 11 de outubro de 2007

2

ambientes com lead time constante e não utilizam eventuais excessos de estoque no cálculo do tamanho dos pedidos. Tais restrições nesses modelos resultam em uma quantificação imprecisa do EC, sendo aplicáveis em cenários raramente encontrados na prática. As principais contribuições do presente artigo visam suprir as deficiências e limitações presentes nos modelos de quantificação do EC disponíveis na literatura. Mais especificamente, propõe-se um modelo matemático para quantificação do EC em ambientes que utilizam a política de pedidos do tipo out-EA (order-up-to Estoque Alvo), sujeitos à demanda e lead time estocásticos e independentes, supondo ambas as variáveis com distribuições de probabilidade que podem ser aproximadas por uma normal. Além de considerar a variabilidade nos lead times de entrega de pedidos nos diferentes níveis da cadeia de abastecimento e tratar de modo mais adequado os excessos de estoque, incorporando os necessários ajustes no cálculo do tamanho dos pedidos, o novo modelo explicita o grau de influência que o coeficiente de variação da demanda exerce sobre a amplificação da variabilidade da demanda ao longo da cadeia. O desenvolvimento de uma modelagem estocástica de acordo com a proposta aqui apresentada se configura em contribuição original e relevante para o estudo do EC já que, a partir da incorporação da variabilidade do lead time e da determinação do grau de influência que o coeficiente de variação da demanda exerce sobre o EC, torna-se mais precisa a identificação das causas deste fenômeno e mais fácil o entendimento da sua dinâmica. Ao incorporar os necessários ajustes no cálculo do tamanho dos pedidos, o modelo retrata com maior realismo as situações observadas nas cadeias de abastecimento, tratando adequadamente os excessos de estoque. Isto é fundamental para a adoção de medidas gerenciais que visem à redução dos impactos negativos do EC sobre os estoques e os níveis de serviço, o que justifica, também na prática, os desenvolvimentos aqui propostos. 2. Modelagem estocástica do EC Na formalização do novo modelo, cujo desenvolvimento segue o esquema apresentado na Figura 1, considera-se uma cadeia de abastecimento em que a cada período t um varejista avalia seu nível de estoque e envia um pedido Q t para um fabricante, a exemplo do trabalho de Chen et al. (2000).
µL
Lt

σL

p
ˆ Dt

ˆ DLt

µD σD

Dt

Figura 1 – Desenvolvimento do modelo proposto

m { r q „ r…n m…ƒ t ƒ m w m‡ o z † w } | o p m… q o „ w ƒ w p ‚ q { v t  w } | t { o z r m xw v m t s q o m n m W~c ‚q{ cw¥tw¥xcsyx… ˆyw cbW~u~r Ww¥yn ym cW~Wcw ~ W€ccc~~WcWw W£yBt£Wu'r cp scw9l h 7 j i • h d g – • e d 7 ™ — – ˜ — – – • ” “ † ˆ‚ ‡ “ † ˆ ‘  † ˆ ‡ † „ ‚‚  € ©k§‰‰§…T‰f7 ‰©‰‰V‰‰FT‰p'e‰ƒ©e$§’e‰©¡V…ƒ©©€

Foz do Iguaçu, PR, Brasil, 09 a 11 de outubro de 2007

z
At
At − At −1

Ht Qt
QtR

ˆ σ DLt

Dt −1
VarQt
EC

VarQ R
t

M

EC R

VarDt

3

Em seguida, o varejista recebe e, caso tenha estoque suficiente, atende a demanda D t relativa ao período em curso. Demandas não atendidas ficam pendentes. Considera-se a ocorrência de um lead time variável Lt entre o momento em que o pedido é encaminhado pelo varejista e o momento em que o pedido é recebido por ele. Um pedido colocado no fim do período t é recebido no início do período t + L t . A demanda vista pelo varejista e o lead time de entrega dos pedidos são variáveis estocásticas, cujas distribuições de probabilidade podem ser aproximadas por uma normal, com média e desvio-padrão conhecidos ou estimáveis a partir de dados históricos:

D → N (µ D ,σ D ) L → N (µ L ,σ L )

A estimativa da demanda em t é calculada a partir de uma média móvel que utiliza os dados relativos à demanda observada nos últimos p períodos:
p

ˆ Dt =

i =1

Dt −i

p

A demanda estimada pode ser representada por uma distribuição normal com os seguintes parâmetros:
ŒŽ

σ ˆ D → N µ D , 0D p ,5
‹

Na seqüência, a estimativa da demanda durante o lead time é obtida utilizando a média móvel ˆ referida na Equação (3) e o lead time em t, a partir do pressuposto que Lt e D t utilizam a mesma unidade de tempo.

ˆ ˆ D Lt = Lt D t
’ ‘

De acordo com as Equações (2), (4) e (5b), a estimativa da demanda no lead time pode ser aproximada através de uma distribuição normal, com média e desvio-padrão assim expressos:
˜ ˜ ˜ š
2 ˆ → N µ µ , σ 2µ 2 + σ D (µ 2 + σ 2 ) DL D L L D L L p 0 ,5

O varejista segue uma política order-up-to em que o estoque-alvo é calculado a partir da estimativa da demanda durante o lead time, do nível de segurança desejado e do desviopadrão da demanda estimada para o lead time: ˆ ˆ At = D Lt + zσ D Lt
˜ —

š

™

ˆ onde D Lt = Lt

i =1

p

˜

p

D t −1

e

–

š

–

”

–

•

—

™

•

—

—

™

“

ˆ D Lt = Lt

i =1

p

’

p

D t −1

m { r q „ r…n m…ƒ t ƒ m w m‡ o z † w } | o p m… q o „ w ƒ w p ‚ q { v t  w } | t { o z r m xw v m t s q o m n m W~c ‚q{ cw¥tw¥xcsyx… ˆyw cbW~u~r Ww¥yn ym cW~Wcw ~ W€ccc~~WcWw W£yBt£Wu'r cp scw9l h 7 j i • h d g – • e d 7 ™ — – ˜ — – – • ” “ † ˆ‚ ‡ “ † ˆ ‘  † ˆ ‡ † „ ‚‚  € ©k§‰‰§…T‰f7 ‰©‰‰V‰‰FT‰p'e‰ƒ©e$§’e‰©¡V…ƒ©©€  Š  ‘ • — ‰

Foz do Iguaçu, PR, Brasil, 09 a 11 de outubro de 2007

(1) (2)

(3)

(4)

(5a)
(5b)

(6)

(7) (8)

4

p

O pedido é calculado em função do estoque-alvo e da demanda. Por ora, eventuais valores negativos são assumidos como excessos de estoque que podem ser devolvidos sem custo, de acordo com Kahn (1987), Lee et al. (1997) e Chen et al. (2000). Q t = At − At − 1 + D t − 1 ˆ ˆ ˆ ˆ Q t = D Lt + zσ D Lt − D Lt −1 − zσ D Lt −1 + D t −1 (10a) (10b)

O cálculo do pedido pode ser apresentado em função da diferença entre as estimativas da demanda durante o lead time (períodos t e t-1), da constante z vinculada ao nível de serviço desejado, da diferença entre as estimativas do desvio-padrão da demanda estimada para o lead time (períodos t e t-1) e da demanda observada no período t-1. ˆ ˆ ˆ ˆ Q t = D Lt − D Lt −1 + z (σ D Lt − σ D Lt −1 ) + D t −1
ž  ž 

Considere as seguintes definições adicionais, a serem utilizadas nos desenvolvimentos que se seguem:
ž 

E = E1 − E 2 ˆ ˆ F = z (σ D Lt − σ D Lt −1 ) G = D t −1 Qt = E + F + G

Conforme Mood et al. (1974, p. 178), a variância do tamanho dos pedidos deve ser calculada da seguinte forma: V arQt = V arE + V arF + V arG + 2 ( C ov EF + C ov E G + C ov F G ) (18) Dado que E = E1 − E 2 , torna-se necessário calcular a variância desta diferença. Como as variáveis E1 e E2 estão correlacionadas, tem-se:

V arE = V arE1 + V arE 2 − 2 C ov E1 E 2
V arE1 = V arE 2 = σ µ +
2 L 2 D 2 σD

A covariância entre E1 e E2, expressa na Equação (21), foi modelada matematicamente a partir de um conjunto de simulações computacionais, Trabalhou-se com diversos cenários,

 

p
Ÿ

ž



E 2 = Lt −1

i =1

ž

p

D t − i −1

œ

 

›



Ÿ

E1 = Lt

i =1

p

ž

p

Dt −i

p

2 2 (µ L + σ L )

 

Ÿ

 

œ

Ÿ

Q t = Lt

p

− L t −1

i =1

p

ž



ž

Dt − i i =1


p

p

D t − i −1

œ

 

2 L

2 D

2 L

2 L

ž

ˆ σ DL = σ µ +
 Ÿ

2 σD

(µ + σ )

m { r q „ r…n m…ƒ t ƒ m w m‡ o z † w } | o p m… q o „ w ƒ w p ‚ q { v t  w } | t { o z r m xw v m t s q o m n m W~c ‚q{ cw¥tw¥xcsyx… ˆyw cbW~u~r Ww¥yn ym cW~Wcw ~ W€ccc~~WcWw W£yBt£Wu'r cp scw9l h 7 j i • h d g – • e d 7 ™ — – ˜ — – – • ” “ † ˆ‚ ‡ “ † ˆ ‘  † ˆ ‡ † „ ‚‚  € ©k§‰‰§…T‰f7 ‰©‰‰V‰‰FT‰p'e‰ƒ©e$§’e‰©¡V…ƒ©©€ œ › œ › ›  ›
0 ,5

Foz do Iguaçu, PR, Brasil, 09 a 11 de outubro de 2007

(9)

(11) ˆ ˆ + z (σ D Lt − σ D Lt −1 ) + D t −1 (12)

(13a)

(13b) (14) (15) (16) (17)

(19) (20)

5

combinando três valores de coeficiente de variação da demanda (0,1; 1 e 2), três valores de coeficiente de variação do lead time (0,1; 1 e 2) e três valores de p (2; 10 e 30). Para cada um dos 27 cenários, foram realizadas 5000 rodadas da rotina de cálculo da covariância entre E1 e E2, dados nas Equações (13a) e (13b). Utilizou-se, em cada rodada, uma série de 2000 valores de demanda e lead time, gerados aleatoriamente. As planilhas utilizadas nesta e nas demais simulações mencionadas neste artigo, bem como os procedimentos de validação das expressões delas derivadas, estão disponíveis mediante solicitação aos autores.
ž    Ÿ
2 C ov E1 E 2 = σ D

p −1 2 µL 2 p
2 2σ D 2 2 2 ( µ L + σ L ) − 2σ D p 2 µL

A seguir, calcula-se a variância da diferença entre as estimativas da demanda no lead time:
ž    Ÿ
2 2 V arE = 2σ L µ D +

De acordo com a Equação (18), o próximo passo consiste no cálculo da variância da diferença entre as estimativas do desvio-padrão da demanda durante o lead time, da variância da demanda em t e das covariâncias entre (i) E e F, (ii) E e G e (iii) F e G. A variância da diferença entre as estimativas do desvio-padrão (em t e t-1) foi modelada matematicamente a partir de uma série de simulações computacionais, conforme expressão apresentada na Equação (23a). Trabalhou-se com diversos cenários, combinando quatro valores de coeficiente de variação da demanda (0,1; 0,5; 1 e 2) e três valores de z (1; 2 e 3). Para cada um dos 12 cenários, foram realizadas 1000 rodadas da rotina de cálculo da variância de F. Utilizou-se, em cada rodada, uma série de 2000 valores de demanda gerados aleatoriamente.
ž    Ÿ

V arF = 2 z 2

( t − 1) 2 σ DL 2 3( t + 1)

Representando o fator dependente do tempo por:
T = ( t − 1) 3( t + 1) 2 (23b)
¤
2 σD 2 2 (µ L + σ L )

p

Na seqüência, calcula-se a variância de G:
2 V arG = σ D

Obtidas as variâncias de E, F e G [Equações (22b), (23c) e (24), respectivamente], calculamse as covariâncias dessas variáveis. Pode-se demonstrar que as covariâncias entre E e F e entre F e G convergem para zero: C ov EF = 0 C ov FG = 0 (25) (26)

¦

2 2 V arF = 2 z 2 T σ L µ D +

¢



Ÿ

2 2 2 V arE = 2 σ L µ D + σ D

p2

+

m { r q „ r…n m…ƒ t ƒ m w m‡ o z † w } | o p m… q o „ w ƒ w p ‚ q { v t  w } | t { o z r m xw v m t s q o m n m W~c ‚q{ cw¥tw¥xcsyx… ˆyw cbW~u~r Ww¥yn ym cW~Wcw ~ W€ccc~~WcWw W£yBt£Wu'r cp scw9l h 7 j i • h d g – • e d 7 ™ — – ˜ — – – • ” “ † ˆ‚ ‡ “ † ˆ ‘  † ˆ ‡ † „ ‚‚  € ©k§‰‰§…T‰f7 ‰©‰‰V‰‰FT‰p'e‰ƒ©e$§’e‰©¡V…ƒ©©€

Foz do Iguaçu, PR, Brasil, 09 a 11 de outubro de 2007

p −1 2 µL p2

2 σL

p

œ

›

    ž ž œ œ

›

œ

œ

› ¡ £ ¥

(21)

(22a)

›

›  Ÿ

(22b)

(23a)

(23c)

(24)

6

A covariância entre E e G foi modelada matematicamente a partir de um conjunto de simulações computacionais, conforme expressão proposta na Equação (27). Trabalhou-se com diversos cenários, combinando três valores de coeficiente de variação da demanda (0,1; 1 e 2), três valores de coeficiente de variação do lead time (0,1; 1 e 2) e três valores de p (2; 10 e 30). Para cada um dos 27 cenários, foram realizadas 5000 rodadas da rotina de cálculo da covariância entre E [Equação (14)] e G [Equação (16)]. Utilizou-se, em cada rodada, uma série de 2000 valores de demanda e lead time, gerados aleatoriamente. C o v EG =
2 σ DµL

p

Em seguida, calcula-se a variância dos pedidos. Substituindo as parcelas da Equação (18) pelas respectivas expressões – Equações (22b), (23c), (24), (25), (27) e (26), e representando o coeficiente de variação da demanda por D, tem-se:
­ ¦
2 θD

+

Pela definição do EC, segue que: EC = V ar ( Q ) V ar ( D )
¦ ¥
2 L 2 θD

Visando representar com maior realismo o tratamento dos estoques, todo e qualquer valor negativo de tamanho de pedido (considerado como um excesso de estoque H t ) pode ser utilizado no ajuste do tamanho do pedido, de acordo com as seguintes expressões: H t = abs[m in{0; Q t − H t −1 }] (31)

(32) Este ajuste, realizado em função dos excessos de estoque, altera somente o desvio-padrão da série original de pedidos. Desta forma, o novo coeficiente de variação dos pedidos, θ Q R , pode ser expresso como:

Q

R t

= m ax{0; Q t − H t −1 }

θQ = M θQ
R

O fator de ajuste do coeficiente de variação, M, pode ser estimado através da expressão proposta na Equação (34). A respectiva modelagem matemática foi desenvolvida a partir de um conjunto de simulações computacionais. Trabalhou-se com um total de 29 cenários, elaborados com base em diferentes coeficientes de variação de pedidos. Para cada um dos cenários definidos, foram realizadas 1000 rodadas da rotina de cálculo do fator de ajuste. Utilizou-se, em cada rodada, uma série de 10000 valores gerados aleatoriamente.
±³
− aθ ˆ M = 1− e Q

b

O desvio-padrão do pedido ajustado pode ser expresso por:
ˆ σQ = MσQ
R

¤

£

¤

¦

µ 2µL 1+ L ECt = 1 + p p
£ ¥

+ 2σ

1

1 + p

2 2µL 2 (1 + z T ) + p z T 2

«

¤

¢

£

¥

¡

¤

¦

¢

£

¥

2 V arQt = σ D 1 +

2µL µ 1+ L p p

m { r q „ r…n m…ƒ t ƒ m w m‡ o z † w } | o p m… q o „ w ƒ w p ‚ q { v t  w } | t { o z r m xw v m t s q o m n m W~c ‚q{ cw¥tw¥xcsyx… ˆyw cbW~u~r Ww¥yn ym cW~Wcw ~ W€ccc~~WcWw W£yBt£Wu'r cp scw9l h 7 j i • h d g – • e d 7 ™ — – ˜ — – – • ” “ † ˆ‚ ‡ “ † ˆ ‘  † ˆ ‡ † „ ‚‚  € ©k§‰‰§…T‰f7 ‰©‰‰V‰‰FT‰p'e‰ƒ©e$§’e‰©¡V…ƒ©©€
2 + 2σ L

Foz do Iguaçu, PR, Brasil, 09 a 11 de outubro de 2007

(27)

1

1 p

(1 + z 2T ) +

2 2µL 2 z T p

©

¢

¡

§

¢

¡

¯

¡

¨ ª ¬

(28)

(29) (30)

(33)

® °²

(34)

(35)

7

Pela definição do EC, segue que: EC EC Como
R

V ar ( Q R ) ˆ V ar ( Q ) = M 2 E C ˆ = =M2 V ar ( D ) V ar ( D )
« ­

R

= 1− e
ª ¬

b − aθ Q

2

EC

θQ =

σQ , µQ
¿ ½ ¼
2 L 2 2 θD

e, considerando µ Q = µ D , tem-se:

θ Q = θ D E C t0 ,5

Utilizando a Equação (40), pode-se reescrever a Equação (37) para definir a forma primária do modelo matemático proposto para a quantificação do EC:
¿ ¾

EC

R t

= 1− e

sendo a = 2, b = –2/3 e:
¿ ½ ¼ » ½ º ¼

ECt = 1 +
¾

2 θD

+

2

z 2T

Considerando a existência de k níveis na cadeia de abastecimento, a modelagem proposta para a quantificação do EC tem a seguinte forma:

E C kR =
R E C kt =

V ar ( Q kR ) = V ar ( D1 )
¸ ¸¾

∏ EC
j =1

k

R j

∀k
¹ µ
2

j =1

3. Análise

A Figura 2 mostra que a quantificação do EC através do modelo de Chen et al. (2000) apresenta valores expressivamente superiores aos valores obtidos através do modelo aqui proposto. Aproximadamente metade dos cenários simulados na análise corresponde a esta situação. Essas diferenças devem-se à alta incidência de pedidos com valores negativos, o que aumenta a variância dos pedidos e distorce o dimensionamento do EC. Cabe salientar que os valores de EC calculados usando o modelo proposto não apresentam diferenças estatisticamente significativas, a <1% de significância, em relação aos valores reais de EC simulados.

¹¿

k

1− e

b − aθ D j E C 0 ,5 b
jt

E C jt

∀k

¹

»

º

2µ L µ 1+ L p p

2 + 2σ L

1

1 p

(1 + z T ) + 2 µ p

2 L

µ

·

¹

b − aθ D E C t0 ,5 b

2

ECt

¹

»

º

»

½

µ

·

º

¼

´

¸

¾

σQ = σD

µ 2µL 1+ 1+ L p p

+ 2σ

m { r q „ r…n m…ƒ t ƒ m w m‡ o z † w } | o p m… q o „ w ƒ w p ‚ q { v t  w } | t { o z r m xw v m t s q o m n m W~c ‚q{ cw¥tw¥xcsyx… ˆyw cbW~u~r Ww¥yn ym cW~Wcw ~ W€ccc~~WcWw W£yBt£Wu'r cp scw9l h 7 j i • h d g – • e d 7 ™ — – ˜ — – – • ” “ † ˆ‚ ‡ “ † ˆ ‘  † ˆ ‡ † „ ‚‚  € ©k§‰‰§…T‰f7 ‰©‰‰V‰‰FT‰p'e‰ƒ©e$§’e‰©¡V…ƒ©©€

Foz do Iguaçu, PR, Brasil, 09 a 11 de outubro de 2007

(36) (37)

1

1 + p

2 2µL 2 z T 1+ z T )+ ( p

µ

·

·

©

´

¨ ´ ¸

(38)
0 ,5

(39)

(40)

(41)

´ ¸

(42)

(43)

(44)

8

300

250

Chen et al. (2000)

200

EC

150

100

50

0 1 201 401 601 801 1001 1201 1401 1601 1801 2001 2201 2401 2601

Figura 2 – Modelo de Chen et al. (2000) versus modelo proposto

O modelo de Chen et al. (2000), por utilizar uma política de devolução sem custos dos excessos de estoque, não adota mecanismos de ajuste do tamanho dos pedidos quando estes apresentam valores negativos. Esta situação produz sérias distorções, inclusive em ambientes com lead time constante. Diferentemente das conclusões apresentadas por esses autores, os resultados da pesquisa aqui apresentada indicam que o modo como os excessos de estoque são tratados é determinante não só para uma quantificação mais precisa do EC, mas principalmente para evitar aumentos desnecessários em sua intensidade. O modelo proposto por Chen et al. (2000), independentemente do lead time de entrega de pedidos ser constante ou variável, tende a superdimensionar o EC, podendo aumentar a sua intensidade em até oito vezes, como exemplificado na Figura 2. O modelo proposto neste artigo, por utilizar uma política onde valores negativos de tamanho de pedido são considerados como excessos de estoque, prevê os ajustes necessários no tamanho dos pedidos, de modo a evitar aumentos na intensidade do EC.
4. Conclusão

A análise dos principais modelos disponíveis na literatura apontou para a existência de três lacunas importantes no processo de quantificação do EC: (i) desconsideração da variabilidade do lead time de entrega de pedidos; (ii) tratamento inadequado dos possíveis excessos de estoque; e (iii) ausência de elementos caracterizadores da demanda (tal como seu coeficiente de variação). O modelo proposto neste artigo supre integralmente estas deficiências e apresenta elementos que apontam para a seguinte conclusão: a intensidade e o comportamento estocástico e serial do EC só podem ser adequadamente modelados se a variabilidade do lead time for incorporada ao processo de modelagem e se os excessos de estoque forem utilizados no cálculo do tamanho dos pedidos. Do ponto de vista gerencial, a modelagem proposta auxiliou na identificação dos aspectos mais sensíveis relacionados à previsão de demanda, políticas de tratamento dos excessos de estoques, decisões sobre estoques de segurança e negociações sobre prazos de entrega de pedidos. Cabe ressaltar a necessidade de cuidados redobrados em situações onde a demanda independente é relativamente estável e o lead time de entrega dos pedidos apresenta grande variabilidade. Nestes casos, conforme verificado nas simulações resumidas na Figura 2, o EC poderá atingir valores muito altos (EC > 30).
Referências
ANDERSON JR., E. G. & FINE, C. H. Business cycles and productivity in capital equipment supply chains.

m { r q „ r…n m…ƒ t ƒ m w m‡ o z † w } | o p m… q o „ w ƒ w p ‚ q { v t  w } | t { o z r m xw v m t s q o m n m W~c ‚q{ cw¥tw¥xcsyx… ˆyw cbW~u~r Ww¥yn ym cW~Wcw ~ W€ccc~~WcWw W£yBt£Wu'r cp scw9l h 7 j i • h d g – • e d 7 ™ — – ˜ — – – • ” “ † ˆ‚ ‡ “ † ˆ ‘  † ˆ ‡ † „ ‚‚  € ©k§‰‰§…T‰f7 ‰©‰‰V‰‰FT‰p'e‰ƒ©e$§’e‰©¡V…ƒ©©€
MODELO
Cenário

Foz do Iguaçu, PR, Brasil, 09 a 11 de outubro de 2007

9

In: Quantitative models for supply chain management. 6. ed. Boston: Kluwer Academic Publishers, 2003. CARLSSON, C. & FULLÉR, R. A fuzzy approach to the bullwhip effect. In: Cybernetics and Systems ‘2000, Proceedings of the Fifteenth European Meeting on Cybernetics and Systems Research, Vienna, April 25-28, p.228-233, 2000. CHEN, F.; DREZNER, Z.; RYAN, J. K. & SIMCHI-LEVI, D. Quantifying the Bullwhip Effect in a Simple Supply Chain: The Impact of Forecasting, Lead Times, and Information. Management Science. Vol. 46, n.3, p.436-443, 2000. ______. The Bullwhip Effect: managerial insights on the impact of forecasting and information on variability in a supply chain, in: Quantitative models for supply chain management. 6. ed. Boston: Kluwer Academic Publishers, 2003. FRANSOO, J. C. & WOUTERS, M. J. F. Measuring the Bullwhip Effect in the Supply Chain. Supply Chain Management. Vol. 5, n.2, p.78-89, 2000. KAHN, J. Inventories and the volatility of production. American Economic Review. N.77, p.667-679, 1987. LEE, H.; PADMANABHAN, V. & WHANG, S. Information Distortion in a Supply Chain: The Bullwhip Effect. Management Science. Vol. 43, n.4, p.546-558, 1997. MOOD, A. M.; GRAYBILL, F. A. & BOES, D. C. Introduction to the theory of statistics. New York: McGraw-Hill, 1974. WARBURTON, R. D. H. An analytical Investigation of the Bullwhip Effect. Production and Operations Management. Vol. 13, n.2, p.150-160, 2004.

m { r q „ r…n m…ƒ t ƒ m w m‡ o z † w } | o p m… q o „ w ƒ w p ‚ q { v t  w } | t { o z r m xw v m t s q o m n m W~c ‚q{ cw¥tw¥xcsyx… ˆyw cbW~u~r Ww¥yn ym cW~Wcw ~ W€ccc~~WcWw W£yBt£Wu'r cp scw9l h 7 j i • h d g – • e d 7 ™ — – ˜ — – – • ” “ † ˆ‚ ‡ “ † ˆ ‘  † ˆ ‡ † „ ‚‚  € ©k§‰‰§…T‰f7 ‰©‰‰V‰‰FT‰p'e‰ƒ©e$§’e‰©¡V…ƒ©©€

Foz do Iguaçu, PR, Brasil, 09 a 11 de outubro de 2007

10