Machine Translated by Google

Mô hình toán học ứng dụng 40 (2016) 8934–8951

Danh sách nội dung có sẵn tại ScienceDirect

Mô hình toán học ứng dụng

trang chủ tạp chí: www.elsevier.com/locate/apm

Hiệu ứng bullwhip trong chuỗi cung ứng 3 giai đoạn xem xét
nhiều nhà bán lẻ sử dụng phương pháp trung bình động để dự báo
nhu cầu

Hossein Khosroshahi a, , SM Mottar Husseini b , ÔNG Marjani c

Khoa Kỹ thuật Hệ thống và Công nghiệp, Đại học Công nghệ Isfahan, Isfahan 84156-83111, Iran
Một

b
Khoa Kỹ thuật Công nghiệp, Đại học Công nghệ Amirkabir, Tehran, Iran
c
Khoa Kỹ thuật Công nghiệp, Đại học Công nghệ Qom, Qom, Iran

thông tin bài viết trừu tượng

Lịch sử bài viết: Hiệu ứng roi da là một hiện tượng không thể phủ nhận trong chuỗi cung ứng, nó có tác động tiêu cực đến
Nhận vào ngày 22 tháng 9 năm 2014
hiệu suất và hiệu quả của chúng. Có nhiều nguyên nhân dẫn đến sự xuất hiện của hiệu ứng bullwhip, trong đó
Sửa đổi ngày 5 tháng 3 năm 2016
quan trọng nhất là sự tồn tại của nhu cầu không chắc chắn.
Được chấp nhận ngày 17 tháng 5 năm 2016
Do có nhiều nguyên nhân khác nhau cũng như để nhận biết các yếu tố liên quan, điều quan trọng là có thể
Có sẵn trực tuyến vào ngày 31 tháng 5 năm 2016
định lượng được hiệu ứng roi da trong môi trường chuỗi cung ứng. Trong nghiên cứu này, chúng tôi hướng đến
việc định lượng hiệu ứng bullwhip trong chuỗi cung ứng 3 giai đoạn với nhiều nhà bán lẻ.
Từ khóa:

hiệu ứng roi da Đầu tiên, chúng tôi định lượng hiệu ứng bullwhip, tỷ lệ chênh lệch tỷ lệ đặt hàng (OVR) và tỷ lệ chênh

Chuỗi cung ứng lệch hàng tồn kho (IV) trong chuỗi cung ứng đường ống, từ đó chúng tôi phát triển mối quan hệ để tính toán
Tỷ lệ chênh lệch tỷ lệ đặt hàng hiệu ứng bullwhip. Sau đó, chúng tôi mở rộng nó sang chuỗi cung ứng với nhiều nhà bán lẻ. Chúng tôi phân
Tỷ lệ chênh lệch hàng tồn kho tích tác động của mức độ dịch vụ lên hiệu ứng bullwhip đối với cả hai tình huống chuỗi cung ứng được xác định.
Cấp độ dịch vụ
Phân tích này, trong đó nhấn mạnh tầm quan trọng của tác động của mức độ dịch vụ đối với hiệu ứng roi da,
có thể được coi là đóng góp chính của bài viết này. Ngoài ra, chúng tôi khảo sát ảnh hưởng của hệ số tương
quan đến hiệu ứng bullwhip.
© 2016 Elsevier Inc. Mọi quyền được bảo lưu.

1. Giới thiệu

Chuỗi cung ứng thường bao gồm các nhà cung cấp, nhà sản xuất, nhà phân phối, nhà bán lẻ và khách hàng [1]. Trong chuỗi cung ứng cổ điển, các thành viên

và cơ sở có xu hướng đáp ứng mong đợi và nhu cầu của khách hàng [2]. Quản lý chuỗi cung ứng (SCM) được định nghĩa là một tập hợp các chiến lược và quyết

định nhằm cải thiện hiệu suất chuỗi cung ứng [3]. Một vấn đề quan trọng và quan trọng là thiếu thông tin chính xác về lượng cầu và đặt số lượng đặt hàng

phù hợp, đây là một trong những quyết định quan trọng nhất trong SCM [4]. Việc thiếu thông tin này làm tăng độ lệch của đơn đặt hàng so với nhu cầu thực

tế. Khi các đơn đặt hàng di chuyển ngược dòng trong chuỗi cung ứng, sự thay đổi này sẽ tăng lên [5]. Do đó, có rất nhiều biến động về số lượng đặt hàng và

điều này gây ra nhiều vấn đề nghiêm trọng [6]. Hiện tượng này được gọi là hiệu ứng bullwhip và đã được nhiều nhà nghiên cứu xác định [7–10]. Theo Dominguez

và cộng sự, hiệu ứng bullwhip đang làm tăng sự biến động về trật tự và sự thay đổi nhu cầu trong chuỗi cung ứng [11]. Hiệu ứng roi da có tác động tiêu cực

đến chuỗi cung ứng, bao gồm hàng tồn kho cao và mức độ dịch vụ thấp [7]. Ngoài ra, nó có thể làm giảm chất lượng sản phẩm và tăng cường sản xuất và vận

chuyển.

Tác giả tương ứng.

Địa chỉ email: h.khosroshahi@in.iut.ac.ir (H. Khosroshahi).

http://dx.doi.org/10.1016/j.apm.2016.05.033 0307-904X/

© 2016 Elsevier Inc. Mọi quyền được bảo lưu.

Machine Translated by Google

H. Khosroshahi và cộng sự. / Mô hình toán học ứng dụng 40 (2016) 8934–8951 8935

Hình 1. Hiệu ứng Bullwhip được thể hiện bởi Fisher.

chi phí [10]. Hơn nữa, nó có tác động tiêu cực đến hiệu suất chuỗi cung ứng và nhận được sự chú ý ngày càng tăng trong chuỗi cung ứng [12]. Cần
phải định lượng hiệu ứng bullwhip để phân tích tác động của nó và nghiên cứu nguyên nhân của nó.
Trong nghiên cứu này, chúng tôi phát triển một mối quan hệ mới để định lượng hiệu ứng bullwhip trong chuỗi cung ứng 3 giai đoạn. Chúng tôi sử
dụng phương pháp trung bình động (MA) để ước tính giá trị kỳ vọng và độ lệch chuẩn của nhu cầu của nhà bán lẻ. Trong mô hình của chúng tôi, cấp
độ dịch vụ được tính đến, điều này phân biệt công việc của chúng tôi với mối quan hệ toán học được phát triển bởi Chen và cộng sự. [13]. Chúng
tôi xem xét một mạng lưới cung ứng bao gồm một nhà cung cấp duy nhất, một DC duy nhất và nhiều nhà bán lẻ. Chúng tôi xem xét mối tương quan giữa
các đơn đặt hàng của nhà bán lẻ. Chúng tôi cho thấy ảnh hưởng của mức độ dịch vụ đến hiệu ứng bullwhip trong tình huống xác định.
Đầu tiên chúng tôi xem xét tài liệu liên quan đến nghiên cứu của chúng tôi ở Phần 2. Phần 3 phát triển các quan hệ toán học cần thiết. Đầu
tiên chúng ta nghiên cứu chuỗi cung ứng đường ống xem xét một nhà bán lẻ duy nhất (Phần 3.1). Sau đó, chúng tôi mở rộng công việc của mình tới
nhiều nhà bán lẻ trong chuỗi cung ứng (Phần 3.2). Cuối cùng, trong Phần 4, chúng tôi trình bày kết luận và đề xuất nghiên cứu trong tương lai.

2. Bình luận văn học

Việc khuếch đại khái niệm chênh lệch nhu cầu trong các hệ thống công nghiệp được Forrester (1958) [14] đưa ra. Ông là người tiên phong nghiên
cứu hiệu ứng bullwhip và định nghĩa nó là sự khuếch đại nhu cầu. Ông tin rằng đây là vấn đề động lực học của hệ thống có thể kiểm soát được
thông qua việc giảm độ trễ [15]. Sterman (1989) liệt kê bốn nguồn khuếch đại nhu cầu quan trọng: xử lý tín hiệu nhu cầu, trò chơi phân phối, phân
chia đơn hàng và biến động giá. Khuếch đại nhu cầu không phải là một khái niệm mới và nhiều nhà nghiên cứu đã quan tâm đến việc nghiên cứu nó.
Điều này được thể hiện trong Hình 1 bởi Fisher (1997) [16].

Những từ "hiệu ứng bullwhip" được sử dụng lần đầu tiên bởi Lee và cộng sự [17]. Họ đã xác định hiệu ứng này và nghiên cứu bốn nguồn gốc của
hiện tượng này. Lambrecht và Dejonckheere [18] đã đánh giá một nhà thám hiểm hiệu ứng bullwhip, nghiên cứu các chính sách tồn kho khác nhau và
chọn ra cái tốt nhất xét theo hiệu ứng bullwhip. Kể từ đó, nhiều nhà nghiên cứu đã nghiên cứu hiệu ứng này.

Nhiều nghiên cứu trước đây đã tập trung vào hiệu ứng bullwhip. O'Donnell và cộng sự. nghiên cứu giảm thiểu hiệu ứng bullwhis [19] bằng thuật
toán di truyền. Họ phân loại các nghiên cứu trước năm 2006 nhằm cố gắng giảm thiểu hiệu ứng roi da. Geary và cộng sự. [16] đã xem xét các ấn phẩm
trước đó và chuẩn bị đánh giá lịch sử về hiệu ứng roi da trong chuỗi cung ứng. Paik và Bagchi [20] đã phân loại các nguyên nhân chính gây ra hiệu
ứng roi da và liệt kê sáu nguyên nhân chính của nó. Canella và Ciancimino về tác động của sự hợp tác và điều hòa trật tự đối với hiệu ứng bullwhip
và trình bày một số khái niệm để tính toán hiệu suất của chuỗi cung ứng. Nghiên cứu của họ là nghiên cứu thứ ba xem xét các nghiên cứu trước đây
và trình bày cách phân loại tốt các nghiên cứu [21]. Bhattacharya và Bandyopadhyay cũng nghiên cứu nguyên nhân của chuỗi cung ứng. Họ phân loại
nguyên nhân thành hai loại: nguyên nhân hoạt động và nguyên nhân hành vi [9]. Trapero và cộng sự. [22] đã nghiên cứu tác động của việc chia sẻ
thông tin và độ chính xác của dự báo đối với hiệu ứng roi da. Một số nhà nghiên cứu đã làm việc trên chuỗi cung ứng 3 giai đoạn.

Sucky [23] đã cố gắng loại bỏ thời gian đầu trong việc tính toán hiệu ứng bullwhip và cho thấy việc tập hợp rủi ro ảnh hưởng đến nó như thế nào.
Schmidt về tầm quan trọng của việc tổng hợp nhu cầu của nhà bán lẻ và giải thích rằng việc ước tính giá trị trung bình và phương sai của nhu cầu
của nhà bán lẻ là không chính xác do nhu cầu phụ thuộc vào thời gian [24]. Nepal và cộng sự. [14] đã trình bày một phân tích về hiệu ứng bullwhip
trong chuỗi cung ứng 3 giai đoạn. Họ tập trung vào hiệu ứng roi da trong suốt vòng đời. Akkermans và Voss đã sử dụng mô hình động lực hệ thống để
nghiên cứu hiệu ứng roi da ảnh hưởng đến dịch vụ như thế nào; họ đã xác định được ba loại thông số kỹ thuật có khả năng gây ảnh hưởng xấu đến
dịch vụ [25]. Cannella và cộng sự. đã nghiên cứu tác động của việc điều phối đơn hàng và hàng tồn kho đến hiệu suất cung ứng trong chuỗi cung ứng
3 giai đoạn truyền thống. Họ đã sử dụng số liệu OVR và IV [26]. Cannella và cộng sự. nghiên cứu vai trò của công nghệ thông tin trong hiệu suất
hoạt động và cải thiện hiệu ứng bullwhip; họ đã sử dụng chỉ số OVR và IV để tính toán biến động nhu cầu [27]. Bruccoleri và cộng sự. [28] đã
nghiên cứu ảnh hưởng của sự thiếu chính xác của hồ sơ kiểm kê đối với
Machine Translated by Google

8936 H. Khosroshahi và cộng sự. / Mô hình toán học ứng dụng 40 (2016) 8934–8951

Bảng 1

Các nghiên cứu về hiệu ứng roi da cho thấy hầu hết đều sử dụng chính sách đặt hàng theo yêu cầu.

Học Số liệu hiệu suất Cấu trúc mô hình Mô hình nhu cầu Loại kho

Chen và cộng sự. [13] OVR - Hai bậc truyền thống Tự động hồi quy Trung tâm phân phối

- Đa cấp
"
Disney và Towill [32] BW Chuỗi cung ứng VMI hai cấp Bươ c chân

"
Dejonckheere và cộng sự. [33] OVR Hệ thống kiểm kê sản xuất truyền thống - Hình sin
- Bươ c chân

- tôi không biết

" "
Chatfield và cộng sự. [34] Hai chuỗi cung ứng bốn cấp - tôi không biết

" " "

Dejonckheere và cộng sự [35] Hai chuỗi cung ứng bốn cấp
" "
Disney và cộng sự. [36] - OVR Hệ thống kiểm kê sản xuất truyền thống
- IV
“ "
[37] BW Bước
“ “
Disney và cộng sự [38] - OVR - iid

- Tự động hồi quy

-IV - Trung bình động
"
Kim và cộng sự. [39] OVR Hai chuỗi cung ứng năm lớp iid Hệ thống kiểm kê
"
Chen và Disney [40] - OVR sản xuất truyền thống - Hồi quy tự động - Trung bình trượt
- IV
" "
Boute và cộng sự. [41] OVR iid
" "
Hosoda và cộng sự. [42] Chuỗi cung ứng Epos hai cấp Tập dữ liệu thực tế
" "
Jakšicˇ và Rusjan [43] Chuỗi cung ứng truyền thống hai cấp Tập dữ liệu
" " "
Kelepouris và cộng sự [44] thực tế hình sin Nhu
" "
Bayraktar và cộng sự. [45] BW cầu tuyến tính trực tuyến

dự báo theo mùa

xích đu
"
Haughton [46] BW Chuỗi cung ứng truyền thống hai cấp Tự động hồi quy theo
" "
Agrawal và cộng sự. [47] - OVR mùa nhân lên
- IV
"
Sucky [23] BW Chuỗi cung ứng truyền thống ba cấp độ Trung bình động
"
Tạ [48] BW Chuỗi cung ứng truyền thống hai cấp Dự báo mờ
" "
Coppini và cộng sự [49] BW Làm mịn theo cấp số nhân
"
Cannella và Ciancimino [21] - OVR Chuỗi cung ứng truyền thống đa cấp Làm mịn
-IV
- BW
"
Cho và Lee [50] BW Chuỗi cung ứng truyền thống hai cấp - Trung bình động
- Tự động hồi quy theo mùa
" "
Li và cộng sự. [51] BW Đường trung bình động
"
Syntetos và cộng sự. [52] BW Chuỗi cung ứng truyền thống ba cấp Phương pháp khác nhau
"
Cantor và Katok [53] BW Chuỗi cung ứng truyền thống hai cấp theo mùa
"
Ciancimino và cộng sự [54] BW Chuỗi cung ứng truyền thống ba cấp độ Làm mịn theo cấp số nhân
" " "
Nepal và cộng sự [14] BW
" " "
[12] BW
"
Chatfield và Pritchard [55] BW Chuỗi cung ứng truyền thống đa cấp
" "
Buchmeister và cộng sự. [56] BW theo mùa
"
Li và cộng sự. [57] BW Chuỗi cung ứng truyền thống hai cấp độ Damped Dự báo xu hướng
"
Costantino và cộng sự. [58] - OVR Chuỗi cung ứng truyền thống nhiều cấp độ - Đường trung bình động
-IV - Làm mịn theo cấp số nhân
"
Nagaraja và cộng sự [59] BW Chuỗi cung ứng truyền thống hai cấp SARMA
"
Dominguez và cộng sự [11] BW Chuỗi cung ứng truyền thống đa cấp

OVR và IV. Dominguez và cộng sự. [29] đã sử dụng hai chiến lược khác nhau trong mạng lưới chuỗi cung ứng liên kết nối tiếp để giảm thiểu

hiệu ứng roi da. Cannella đã nghiên cứu các chính sách sắp xếp thứ tự và minh họa hiệu quả trao đổi thông tin có thể được thực hiện như thế nào

được cải thiện; anh ấy đã sử dụng OVR và IV [30]. Dominguez và cộng sự. [31] minh họa ảnh hưởng của lợi nhuận trong hiệu ứng bullwhip

dựa vào cấu hình chuỗi cung ứng.

Bảng 1 tóm tắt nhiều nghiên cứu về hiệu ứng bullwhip và chỉ ra rằng hầu hết đều sử dụng các chính sách theo thứ tự. Điều này là do

sử dụng chính sách này trong nghiên cứu của chúng tôi.

Trong bài viết này, chúng tôi sẽ chỉ ra rằng mức độ dịch vụ ảnh hưởng đáng kể đến hiệu ứng bullwhip. Ngoài ra, mối tương quan giữa

nhu cầu của nhà bán lẻ được nghiên cứu và tác động của nó lên hiệu ứng bullwhip được tính đến. Chúng tôi sẽ phát triển một mối quan hệ mới với

định lượng hiệu ứng roi da trong chuỗi cung ứng 3 giai đoạn trong quy trình sản xuất để thực hiện những phân tích này. Sau đó, chúng tôi sẽ mở rộng nó tới
tình trạng có nhiều nhà bán lẻ.

3. Định nghĩa mô hình

3.1. Hiệu ứng bullwhip trong chuỗi cung ứng đường ống

Chuỗi cung ứng 3 giai đoạn cơ bản bao gồm nhà cung cấp hoặc nhà sản xuất và nhà kho hoặc trung tâm phân phối; một cửa hàng bán lẻ

được giả định. Chúng tôi giả định rằng một sản phẩm phải được vận chuyển từ nhà cung cấp đến nhà bán lẻ [60] (xem Hình 2). Khác

giả định là đường chân trời, được xem xét trong khoảng thời gian t .
Machine Translated by Google

H. Khosroshahi và cộng sự. / Mô hình toán học ứng dụng 40 (2016) 8934–8951 8937

Luồng thông tin

Phân bổ
nhà cung cấp Cửa hàng bán lẻ
trung tâm

Dòng nguyên liệu

Hình 2. Chuỗi cung ứng 3 giai đoạn.

Việc phân tích các chuỗi cung ứng phức tạp dưới góc độ hiệu ứng roi da cần bắt đầu từ việc xem xét một chuỗi cung ứng cơ bản và

sau đó mở rộng kịch bản dựa trên kết quả. Vì vậy, chúng tôi xem xét một nghiên cứu của Chen et al. [13] đã kiểm tra và

định lượng hiệu ứng bullwhip. Chúng tôi sử dụng phương pháp này để định lượng hiệu ứng bullwhip trong một chuỗi cung ứng của nhà bán lẻ. Đầu tiên,

chúng ta phải xác định các điều kiện mà chúng ta định lượng hóa tác động.

3.1.1. Chính sách tồn kho

Giả định rằng hệ thống kiểm kê đang được quản lý và nghiên cứu trong từng thời kỳ. Ngoài ra, đơn hàng qt được gửi tại

đầu mỗi thời kỳ. Quy mô của đơn đặt hàng phải đủ để đáp ứng nhu cầu của nhà bán lẻ Dt. Nhu cầu của người bán lẻ là một

tham số ngẫu nhiên và trung tâm phân phối không có thông tin về điều đó. Giả định rằng việc xem xét được thực hiện tại

đầu mỗi giai đoạn t và qt được nhà cung cấp đặt hàng dựa trên chính sách đặt hàng của chuỗi phân phối như

được sử dụng trong tài liệu được xem xét [13,23]. Quy mô đơn hàng mà trung tâm phân phối gửi cho nhà cung cấp khi bắt đầu

của thời kỳ t được cho bởi phương trình sau:

qt = yt yt 1 + Dt 1, (1)

trong đó yt và yt 1 lần lượt là mức tồn kho mong muốn ở cuối thời kỳ t và t 1. Mục tiêu của khoảng không quảng cáo này

chính sách là tăng mức tồn kho thực tế lên mức tồn kho mong muốn yt [61]. Ngoài ra, Dt 1 là nhu cầu của nhà bán lẻ. Nó là

được đặt ở cuối thời kỳ t 1 và được thỏa mãn ở thời kỳ. Nếu qt < 0, chúng ta giả định rằng lượng hàng tồn kho dư thừa này sẽ quay trở lại

nhà cung cấp mà không mất bất kỳ chi phí nào [17,62].

Điểm cần lưu ý là, trong chính sách này, người ta giả định rằng khách hàng không chấp nhận tình trạng thiếu hụt ở cuối thời hạn.

hoặc cuối kỳ. Vì vậy, không được phép thiếu hụt vào cuối kỳ. Tuy nhiên, chính sách đặt hàng theo yêu cầu cho phép tình trạng thiếu hụt

bất kỳ thời kỳ nào khác, và nếu hệ thống gặp phải tình trạng thiếu hụt trong một thời kỳ thì sự thiếu hụt đó sẽ bị tồn đọng [63].

Có hai cách tiếp cận để đáp ứng nhu cầu của nhà bán lẻ. Cái đầu tiên tương tự như cái được đưa ra [13], cái tự hồi quy

mô hình nhu cầu (AR1) [64].

Một cách tiếp cận khác là khi chúng ta không có thông tin về nhu cầu của nhà bán lẻ. Chúng tôi giả định rằng nhu cầu của nhà bán lẻ là một

biến ngẫu nhiên có phân phối giống hệt nhau, ngẫu nhiên, ổn định và độc lập theo thời gian [23]. Chúng tôi sử dụng thứ hai

tiếp cận và thực hiện tính toán và phân tích của chúng tôi dựa trên giả định này. Chúng tôi giả định rằng thời gian chờ giữa

trung tâm phân phối và nhà bán lẻ là một lượng không đổi được hiển thị bằng L. Chúng tôi sử dụng chính sách đặt hàng đơn giản đến mức tồn kho để

tính toán mức tồn kho mục tiêu yt theo công thức sau [65]:

L
yt = Dˆ tL + zσˆ t , (2)

trong đó Dˆ L là ước tính nhu cầu trung bình trong thời gian đầu, σˆ L là ước tính về nhu cầu độ lệch chuẩn trong thời gian thực hiện và z là
t t

hằng số được chọn cho mức dịch vụ mong muốn. Lưu ý rằng z là hệ số quản lý thể hiện số lượng

cầu có độ lệch chuẩn được coi là hàng tồn kho an toàn [66]. Nếu hàm phân phối của cầu là hàm phân phối chuẩn,

hình thức chính sách đặt hàng này sẽ là tối ưu [13].

3.1.2. Kỹ thuật dự báo

Để tính toán giá trị trung bình và phương sai của nhu cầu trong thời gian đầu, chúng ta phải sử dụng phương pháp dự báo để ước tính

những yếu tố này. Điều này là do chúng tôi không có bất kỳ thông tin nào về nhu cầu của nhà bán lẻ. Chúng tôi sử dụng chuyển động theo chu kỳ N đơn giản

trung bình. N là tham số trung bình động cho biết số khoảng thời gian được sử dụng để ước tính nhu cầu của nhà bán lẻ.

Đạt được các công thức của Dˆ L và σˆ L t , lúc đầu Dˆ L phải được xác định. Chúng ta biết rằng Dˆ L là tổng hợp của nhà bán lẻ
t t t

cầu từ thời kỳ t đến thời kỳ t + L 1. Do đó, ta có:

L 1

DLt = Dt + Dt+1 + ···+ Dt+L 1 = Dt+i. (3)

tôi=0
Machine Translated by Google

8938 H. Khosroshahi và cộng sự. / Mô hình toán học ứng dụng 40 (2016) 8934–8951

Vì chúng ta không xác định được nhu cầu trong những khoảng thời gian này nên chúng ta phải sử dụng kỹ thuật trung bình động để ước tính nhu cầu.

trong kỳ. Vì vậy, chúng tôi sử dụng các công thức sau:

N
1 1
Dˆt+k = Dˆt = Dt i = (Dt 1 + Dt 2 + ···+ Dt N ). (4)
N N
tôi=1

Điều này có nghĩa là nếu chúng ta dự định ước tính nhu cầu cho bất kỳ khoảng thời gian nào trong tương lai, chúng ta cần tính giá trị trung bình của N

các thời kỳ trước đây. Sau đó, chúng ta có thể sử dụng nó làm ước tính cho bất kỳ khoảng thời gian tiếp theo nào.

Dˆ L
t
= Dˆt + Dˆt+1 + ···+ Dˆt+L 1 (5)

N
L
Dˆ L = L × Dˆt = Dt-i. (6)
t
N
tôi=1

Ngoài ra, để tính σˆ L t , chúng tôi sử dụng đường trung bình động để ước tính σˆt, được tính theo phương trình sau

[23]:

N
1 2
σˆ 2 = 2 = (7)
σˆt +k (Dt i Dˆt)
t
N
tôi=1

Bằng cách sử dụng phương trình. (3), σL

t
được thực hiện ở trạng thái sau:

L 1 L 1

(σLt )2 = Var(DL t) = Var Dt+i = Var(Dt+i) + 2 Cov(Dt+i,Dt+j).

tôi=0 tôi=0 tôi<j

Có hai điểm: Thứ nhất là do giả định trước đây của chúng tôi nên người ta cho rằng:

Cov(Dt+i,Dt+j) = 0.

Thứ hai là do thiếu thông tin về nhu cầu của nhà bán lẻ nên chúng ta phải ước tính sự khác biệt về nhu cầu của nhà bán lẻ trong

mỗi kỳ và sử dụng σˆ L thay vì σL

t t . Do đó, chúng ta có thể tìm ra σˆ tL qua:

N
L 2
(σˆt )2 = L × σˆt =
L 2
(Dt i Dˆt)
N
tôi=1

N 2
(Dt i Dˆt)
σˆL .
tôi=1
= √ L × σˆt = √ L × (số 8)
t
N

Lưu ý rằng các giá trị ước tính của Dˆ L và σˆ L có thể thay đổi theo từng thời kỳ. Điều này là do nhận được thông tin mới;
t t

do đó, mức độ đặt hàng của trung tâm phân phối có thể được cập nhật theo từng thời kỳ [7].

Bây giờ chúng ta có thể ước tính số lượng hàng hóa mà trung tâm phân phối đặt hàng cho nhà cung cấp để tăng lên.

tồn kho đến mức mong muốn. Chúng ta có thể định lượng qt bằng các phép tính sau:

L
yt = Dˆ L + zσˆ
t t

qt = yt yt 1 + Dt 1

Dˆ L
L L
= (Dˆ tL t 1) + z(σˆt σˆ t 1) + Dt 1.

Sử dụng phương trình. (7) và (9), số lượng đặt hàng có thể được tính như sau:

L L
qt = (1 + )Dt 1 + ( )Dt N 1 + z √ L(σˆt σˆt 1) (9)
N N

Chúng ta xem xét một ví dụ bằng số để minh họa cách trung tâm phân phối xác định các thông số kỹ thuật của đơn hàng. Trong ví dụ này, chúng tôi sử dụng

đường trung bình động 3 kỳ với giả định mức độ dịch vụ là 99% với hai khoảng thời gian thực hiện. Tập dữ liệu được tạo

từ phân phối chuẩn có giá trị trung bình là 50 và độ lệch chuẩn là 15. Các phép tính được thực hiện bởi MATLAB;

các sơ đồ được tạo ra bởi Microsoft Excel. Bảng 2 cho thấy các kết luận.

Để minh họa ảnh hưởng của thời gian thực hiện và tham số MA (N) đến phương sai của qt, chúng tôi tính toán phương sai của qt với

thời gian thực hiện khác nhau và N. Sau đó, chúng tôi hình dung chúng trong Hình 3 như sau.

Hình 3 minh họa sự gia tăng liên tục phương sai của qt khi thời gian thực hiện tăng lên. Điều này cho thấy thời gian thực hiện là một

yếu tố quan trọng làm thay đổi số lượng đặt hàng và việc tăng thời gian giao hàng có tác động tiêu cực đến hiệu suất của

chuỗi cung ứng. Hình 3 cho thấy thời gian thực hiện có tác động trực tiếp đến hiệu ứng roi da. Điều cần lưu ý là xu hướng này

được mong đợi cho mọi N trong MA và mọi tập dữ liệu.

Hình 4 cho thấy sự giảm phương sai của qt bằng cách tăng tham số MA. Xu hướng này tương tự với mọi tập dữ liệu

và mọi thời điểm thực hiện. Điều này có nghĩa là hiệu ứng bullwhip có mối quan hệ nghịch đảo với N trong MA.
Machine Translated by Google

H. Khosroshahi và cộng sự. / Mô hình toán học ứng dụng 40 (2016) 8934–8951 8939

ban 2

Xác định số lượng đặt hàng của trung tâm phân phối.

t 0 1 2 3 4 5 6 7 số 8 9 10

Dt 46 65 42 31 73 87 34 70 57 51 63,7 86

Dˆt 51,0 46,0 48,7 63,7 64,7 53,7 127,3 107,3 59,3

Dˆ L
t 102,0 92,0 97,3 127,3 129,3 488,2 221,6 976,4 118,7

σˆ t2 100,7 200,7 316,2 566,2 502,9 443,1 200,1 156,4 62,9

L
(σˆt )2 201,3 401,3 632,4 1132,4 1005,8 66,9 13,2 19 125,8

yt 135,1 138,7 155,9 205,7 203,2 144,8

qt 177,1 34,6 90,3 136,8 31,5 39,4

t 11 12 13 14 15 16 17 18 20

Dt 39 37 58 41 37 46 44 67 53 84

Dˆt 58,7 54,0 44,7 45,3 45,3 41,3 42,3 52,3 54,7 58,7

Dˆ L
t 117,3 108,0 89,3 90,7 90,7 82,7 84,7 104,7 109,3 117,3

σˆ t2 397,6 512,7 89,6 82,9 82,9 13,6 14,9 108,2 89,6 397,6
L
(σˆ t )2 795,1 1025,3 179,1 165,8 165,8 27,1 29,8 216,4 179,1 795.1

yt 183,0 182,6 120,5 120,7 120,7 94,8 97,4 138,9 140,5 183,0

qt 42,3 36,6 4,1 41,2 37,0 20,1 46,6 108,6 54,6 42,3

Hình 3. Xu hướng biến thiên của qt do thay đổi thời gian thực hiện.

3.1.3. Định lượng hiệu ứng bullwhip

Để định lượng hiệu ứng bullwhip, chúng ta có thể sử dụng phương trình sau [13]:

Var(q)
BW = , (10)
Var(D)

trong đó Var(D) là phương sai của nhu cầu của nhà bán lẻ và Var(q) thể hiện phương sai của số lượng đặt hàng của trung tâm phân phối. ví dụ 1
cho thấy hiệu ứng roi da trong chuỗi cung ứng có thể được minh họa như Hình 5, biểu thị số lượng nhà bán lẻ
nhu cầu và đơn đặt hàng của trung tâm phân phối. Ngoài ra, chúng ta có thể thấy sự biến động về số lượng đặt hàng của trung tâm phân phối
lớn hơn nhiều so với sự biến động trong nhu cầu của nhà bán lẻ.

Tuy nhiên, Cannella và Ciancimino đã đưa ra những mối quan hệ khác cho hiệu ứng roi da [21]. Các phương trình này giống như
sau:

1- Tỷ lệ chênh lệch tỷ lệ đặt hàng:

2
σ
/μqq
ORV = . (11)
σ D /μD 2

2
Phương trình này là một phần mở rộng của phương trình. (10) và cho thấy sự bất ổn của đơn hàng trong chuỗi cung ứng. Trong phương trình này, σq Và
2
μq được sử dụng để hiển thị phương sai và giá trị trung bình tương ứng của số lượng đặt hàng của trung tâm phân phối. Ngoài ra, σ D và μD là
phương sai và giá trị trung bình của nhu cầu của nhà bán lẻ tương ứng.

1- Tỷ lệ chênh lệch hàng tồn kho:

σ 2 /μI
IV = (12)
σ D /μD
tôi 2
Machine Translated by Google

8940 H. Khosroshahi và cộng sự. / Mô hình toán học ứng dụng 40 (2016) 8934–8951

×1000
3/5

2/5

1/5
ẾỔ
NI ỰĐ
I S
B

0/5

0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29
N

Hình 4. Xu hướng phương sai của qt khi thay đổi N trong MA.

Hình 5. Minh họa hiệu ứng bullwhip.

Mối quan hệ này được Disney và Towill đề xuất để đo lường sự bất ổn của hàng tồn kho hoặc hàng tồn kho [67]. Nó đo lường sự biến động
của hàng tồn kho tại trung tâm phân phối trong chuỗi cung ứng. Disney và Lambercht cho rằng sự gia tăng biến động hàng tồn kho có tác động
2
bất lợi đến chi phí mỗi kỳ [67]. Các ký hiệu σ và μI tương ứng thể hiện phương sai và giá trị trung bình của hàng tồn kho được giữ tại trung
TÔI

tâm phân phối.

Bây giờ chúng ta định lượng hiệu ứng bullwhip và phát triển một mối quan hệ mới để tính toán nó. Để tính toán hiệu ứng bullwhip, chúng ta
cần tìm phương sai số lượng đặt hàng của trung tâm phân phối. Nó thu được bởi Bổ đề 1.

Bổ đề 1. Phương sai số lượng đặt hàng của trung tâm phân phối được cho bởi phương trình sau:

2 2
L L
V˜ ar(qt) = 1 + Var(Dt 1) + Var(Dt N 1) + z2LVar(σˆt) + z2LVar(σˆt 1) (13)
N N

Bằng chứng. Chúng tôi sử dụng phương trình. (9) để chứng minh điều đó. Lúc đầu, chúng ta nhận được phương sai từ hai vế của phương trình. (9). Do đó, có thể thực hiện các
phép tính sau:

qt = yt yt 1 + Dt 1

L
L = 1 + Dt 1 + Dt N 1 + z √ L(σˆt σˆt 1)
N N
L L
Var(qt) = Var1 + Dt 1 + Dt N 1+z √ L(σˆt σˆt 1)
N N
2 2
L L L
L = 1 + Var(Dt 1) + Var(Dt N 1) + z2LVar(σˆt σˆt 1) + 2 1 + Cov(Dt 1,Dt N 1) +
N N N N
L L
2z √ L 1 + Cov(Dt 1,(σˆt σˆt 1)) + 2z √ L Cov(Dt N 1,(σˆt σˆt 1))
N N
Machine Translated by Google

H. Khosroshahi và cộng sự. / Mô hình toán học ứng dụng 40 (2016) 8934–8951 8941

Dựa trên giả định trước, chúng ta có thể kết luận rằng:

Cov(Dt 1, Dt N 1) = 0

Ngoài ra, Chen và cộng sự còn chỉ ra rằng [13]:

Cov Dt i, σˆt = 0 i = 0, 1, ..., N

Hơn nữa, nó được quy định rằng:

Var(σˆt σˆt 1) = Var(σˆt) + Var(σˆt 1) 2Cov(σˆt, σˆt 1)

Chúng tôi giả sử hiệp phương sai giữa độ lệch chuẩn trong khoảng thời gian t và t+1 bằng 0. Giả định này thực tế là đúng. và chúng tôi biết rằng nhu cầu

Chúng tôi sử dụng dữ liệu trước đó về nhu cầu của nhà bán lẻ để ước tính σˆ t , của nhà bán lẻ là độc lập; Vì vậy,
L L
σˆ L Cov(σˆ t t 1)
, này gần như bằng 0. Theo đó, kết quả là giả định sau:

Cov(σˆt, σˆt 1) = 0

Kể từ đây:

L 2 L 2
Var(qt) = 1 + Var(Dt 1) + Var(Dt N 1) + z2LVar(σˆt) + z2LVar(σˆt 1)
N N

Bổ đề 2. Chúng ta giả định rằng nhu cầu của nhà bán lẻ có phân phối chuẩn với các tham số μ và σ chưa biết. Do đó, phương sai của đơn đặt hàng trung tâm

phân phối tuân theo phương trình. (14) và được cho như sau:

2
2L N -1 2 (Không/2)
V˜ ar(q) = 1 + + 2L2 +2z2L 2 σ (14)
N N2 N N (N -1/2)

Var(q) là phương sai của số lượng đặt hàng của trung tâm phân phối, σ theo phương 2 là phương sai của nhu cầu của nhà bán lẻ và (α) được tính trong đó

trình sau:

y
(α) = yα 1e ydy
∞

Bằng chứng. Nó chỉ ra rằng nếu X là mẫu phân phối chuẩn với các tham số μ và σ chưa biết, và S là độ lệch chuẩn ước tính; S được xác định theo phương trình

sau [68]:

N
2
(xi x¯)

S = tôi=1

n -1

Do đó, giá trị kỳ vọng của S có thể được tính như sau:

2 (n/2)
E(S) = σ. (15)
n -1 ((n 1)/2)

Ngoài ra, chúng tôi có:

E(S2) = σ 2. (16)

E(x) được sử dụng làm giá trị kỳ vọng của x. Chúng ta sẽ chứng minh các phương trình. (15) và (16) trong Phụ lục A.

Bằng cách sử dụng phương trình. (7), chúng ta có thể thấy rằng:

N -1 N -1
σˆ = S E(σˆ ) = E(S)
N N

2 (Không/2)
E(σˆ ) = σ.
N ((N 1)/2)

Ngoài ra, chúng tôi có thể chỉ ra rằng:

N -1
E(σˆ 2) = σ 2.
N

Do đó, để tính phương sai số lượng đặt hàng của trung tâm phân phối, chúng ta phải tính phương sai của σˆ , đó là
thu được như sau:

2
N -1 2 (Không/2)
Var(σˆ ) = E(σˆ 2) (E(σˆ ))2 = σ 2. (17)
N N ((N 1)/2)
Machine Translated by Google

8942 H. Khosroshahi và cộng sự. / Mô hình toán học ứng dụng 40 (2016) 8934–8951

Như chúng ta đã biết, nhu cầu của nhà bán lẻ ở mỗi thời kỳ đều tuân theo một hàm phân phối giống nhau, do đó:

Var(Dt 1) = Var(Dt N 1) = σ 2

Bằng cách sử dụng tính toán trước đó và phương trình. (13) chứng minh hoàn tất.

Bây giờ chúng ta có thể định lượng hiệu ứng bullwhip. Như thể hiện trong phương trình. (10), chúng tôi sử dụng Bổ đề 1 và 2 để định lượng hiệu ứng bullwhip.

Kết quả là chúng ta có thể thực hiện các phép tính sau:

2
Var(q) = 1 2L 2L2 N -1 2 (Không/2)
BW = 1 +
N
+ + 2z2L
N N
σ2
Var(D) σ2 N2 ((N 1)/2)

2
2L 2L2 N -1 2 (Không/2)
BW = 1 + + + 2z2L . (18)
N N2 N N ((N 1)/2)

Để tính OVR và IV cần tìm thêm các quan hệ và tham số. Đối với OVR, chúng ta phải tìm ra kết quả mong đợi
giá trị số lượng đặt hàng. Disney và Towill chỉ ra rằng đối với trạng thái dừng trong thời gian dài, giá trị trung bình của số lượng đặt hàng
tương đương với nhu cầu trung bình của nhà bán lẻ [21]. Do đó, OVR bằng BW. Để tìm IV, chúng ta cần tính
giá trị kỳ vọng và sự chênh lệch của hàng tồn kho tại trung tâm phân phối trong từng thời kỳ. Chúng được tính như sau:

q
E(tôi) = (q x)fDL (x)dx (19)
0
q
2 2
Var(I) = E(I 2) (E(I))2 = (q x) fDL (x)dx (E(I)) , (20)
0

trong đó E(I) và Var(I) lần lượt là giá trị dự kiến và phương sai của hàng tồn kho; q là số lượng đặt hàng; và do

thiếu thông tin, chúng tôi phải sử dụng số lượng đặt hàng ước tính thay vì số lượng chính xác. Hơn nữa, fDL (x) là
chức năng phân phối nhu cầu của nhà bán lẻ trong thời gian đầu.
Do đó, phương trình sau đây thể hiện phương sai hàng tồn kho:

σ 2 /μI
IV =
σ D /μD
tôi 2

Dˆ q (q 2 q
x) fDL (x)dx
0 0 (q x)fDL (x)dx2
IV = . (21)
σˆ 2 q (q x)fDL (x)dx
0

Rõ ràng, vì thiếu thông tin nên chúng ta phải sử dụng phương sai ước tính và giá trị kỳ vọng của nhu cầu của nhà bán lẻ.

Hơn nữa, để tìm fDL (x), chúng ta chỉ cần phát biểu rằng đây là phân phối chuẩn và các tham số chưa biết. Vì vậy, chúng tôi
sử dụng số tiền ước tính cho các tham số trong tính toán của chúng tôi.

3.1.4. Kết quả tính toán và mô phỏng

Để thực hiện phân tích độ nhạy cho hai khái niệm (BW và IV), chúng tôi xem xét một số ví dụ dưới đây. Trong này
ví dụ: chúng tôi sử dụng phân phối chuẩn với giá trị trung bình là 50 và độ lệch chuẩn là 15 để tạo dữ liệu cho nhà bán lẻ
yêu cầu. Việc tính toán được thực hiện bằng MATLAB (Bảng 2) và các sơ đồ được tạo bằng Microsoft Excel.

0
8/0
35/0

65/0

95/0

26/0

56/0

86/0

17/0

47/0

77/0

38/0

68/0

98/0

29/0

59/0

89/0

CẤP ĐỘ DỊCH VỤ

Hình 6. Tác động của mức độ dịch vụ đến BW.

Machine Translated by Google

H. Khosroshahi và cộng sự. / Mô hình toán học ứng dụng 40 (2016) 8934–8951 8943

47/95

47/9

47/85

VI
47/8

47/75

47/7

47/65 89
1
4
7
3
6
9
2
5 58
6
7
8 /9
0

CẤP ĐỘ DỊCH VỤ

Hình 7. Tác động của mức độ dịch vụ đến IV.

60

50

40

30
BW
20
IV
10

0
29
6
4
8 5/0
6
7
8

Cấp độ dịch vụ

Hình 8. Tác động của mức độ dịch vụ đến BW và IV.

Đầu tiên, chúng tôi phân tích tác động của mức độ dịch vụ đến hiệu ứng bullwhip. Điều này nhấn mạnh tác động đáng kể của mức độ dịch vụ
(Hình 6). Phát hiện này hỗ trợ sự cần thiết phải phát triển phương trình. (18).
Hình này minh họa mô hình gia tăng hiệu ứng roi da do mức độ dịch vụ tăng lên. Ví dụ: xem xét hai tình huống cấp độ dịch vụ (70% và 88%), Hình
6 cho thấy mức tăng 10% về cấp độ dịch vụ được yêu cầu tại các điểm này sẽ tạo ra mức tăng BW lần lượt là gần 13% và 60% cho các điểm đã cho.
Nghĩa là, tác động đáng kể hơn đến BW sẽ được mong đợi khi yêu cầu mức độ dịch vụ cao hơn. Kết quả này rất quan trọng xét từ quan điểm thực tế,
vì trên thị trường gần đây, các công ty thường hướng tới mức độ dịch vụ cao nhất. Một lý do chính là trong tình huống cấp độ dịch vụ cao hơn, cần
có sự biến động về quy mô đơn hàng lớn hơn để kịp thời ứng phó với những thay đổi về nhu cầu. Từ đó, chúng ta có thể kết luận rằng ở mức độ dịch
vụ cao hơn, một thước đo chính xác hơn về hiệu ứng roi da cũng là một nhu cầu rõ ràng.

Trong phân tích này, chúng tôi giả định có 200 tiết, trong khi N trong MA được coi là 5. Điều tương tự cũng được xem xét trong Hình 7 bên dưới.
Hình 7 minh họa tác động của mức độ dịch vụ lên IV. Cần lưu ý hai điểm. Một là mức độ dịch vụ có tác động tích cực đến IV. Thứ hai là mức độ
ảnh hưởng của dịch vụ đến IV là không nghiêm trọng. Ngoài ra, lượng IV không thay đổi nhiều khi thay đổi cấp độ dịch vụ.

Hình 8 cho thấy ảnh hưởng của mức độ dịch vụ đến BW và IV.
Trong Hình 8, chúng ta có thể thấy rằng mức độ dịch vụ có ảnh hưởng đến BW lớn hơn nhiều so với IV. Vì vậy, tác động của dịch vụ
mức trên IV có thể được bỏ qua.
Hình 9 cho thấy ảnh hưởng của thời gian thực hiện đối với BW và IV. Mặc dù thời gian thực hiện có tác động tích cực đến cả BW và IV,
tác động này mạnh mẽ hơn đối với BW. Điều này hợp lý vì thời gian thực hiện được sử dụng trực tiếp để tính hiệu ứng roi da.
Hình 10 minh họa ảnh hưởng của tham số (N) trong MA đến BW và IV.
Hình này cho thấy số chu kỳ trong MA (N) có tác động tiêu cực đến hiệu ứng bullwhip. Tác động này là
tương tự đối với IV. Tuy nhiên, nó nhạy cảm hơn nhiều đối với hiệu ứng roi da.
Machine Translated by Google

8944 H. Khosroshahi và cộng sự. / Mô hình toán học ứng dụng 40 (2016) 8934–8951

160
BW
140
IV
120

100
y = 3/208x + 44/288
80

60

40 y = 6/8819x - 16/111

20

-20 1 3 5 7 9 11 13 15 17 19

thời gian dẫn đầu

Hình 9. Tác động của thời gian thực hiện đối với BW và IV.

70

60

50

40
BW
30
IV
20

10

0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29
N

Hình 10. Ảnh hưởng của số chu kỳ trong MA đến BW và IV.

3.2. Hiệu ứng bullwhip trong chuỗi cung ứng với nhiều nhà bán lẻ

Để định lượng hiệu ứng bullwhip trong chuỗi cung ứng có nhiều nhà bán lẻ, có một số giả định mà chúng tôi
tính đến. Những giả định này được đưa ra như sau:

• Chức năng phân phối của tất cả các nhà bán lẻ là như nhau. Điều này có nghĩa là chúng tuân theo phân phối chuẩn với các giá trị giống hệt nhau
thông số.
• Nhu cầu đối với mỗi hai nhà bán lẻ có mối tương quan và giống nhau, với hệ số tương quan tương đương ρ.

Điều đầu tiên cần tính đến là chính sách về số lượng đặt hàng. Khi có nhiều nhà bán lẻ trong chuỗi cung ứng,
chính sách đặt hàng được thay đổi và chuyển sang phương trình sau [23]:

qt = yt yt 1 +m DJt (22)
j=1

Đây là một phần mở rộng của phương trình. (1), trong

t đó Dj là nhu cầu của nhà bán lẻ j trong thời kỳ t. qt và yt đã được xác định trước đó.

Ngoài ra, công thức của yt không thay đổi và được đưa ra trong biểu thức. (2). Tuy nhiên, các giá trị của Dˆ L khác t hoặc E(DL t) và σˆ tL

với các giá trị đã cho trước đó. E(DL t) là giá trị kỳ vọng của tất cả nhu cầu của nhà bán lẻ trong thời gian đầu và độ lệch chuẩn σˆt là

L của nhu cầu của nhà bán lẻ. Vì vậy, phương trình. (23) có thể được chứng minh [23]:

tôi tôi

yt = LE DJt + z √ L Var DJt . (23)

j=1 j=1

Lý do là nhu cầu của nhà bán lẻ bằng tổng nhu cầu của tất cả các nhà bán lẻ trong thời gian đầu. phương trình. (5), (6) và (7) giúp chúng ta sử

t , dụng phương pháp MA như được sử dụng trong các phương trình trước đó và dẫn đến kết quả là
chúng tôi tìm thấy phương trình. (23). Để ước tính số lượng Dj
Machine Translated by Google

H. Khosroshahi và cộng sự. / Mô hình toán học ứng dụng 40 (2016) 8934–8951 8945

phương trình sau đây, tương tự như phương trình. (6).

N
1
DJ j = 1, 2, ..., tôi
E(Djt ) = t-tôi
N
tôi=1

N
1
tôi

E(Dt) = DJ
t-i .
(24)

Nj =1 tôi=tôi

Do đó, số lượng đặt hàng của trung tâm phân phối được đưa ra như sau:

tôi tôi tôi tôi

L qt = 1 + DJ t L 1+ DJ + z √ L Var DJ Var DJ (25)

N N t N 1 t t 1
j=1 j=1 j=1 j=1
.

Việc tính toán phương sai ước tính của số lượng đặt hàng được thực hiện trong Bổ đề 3 và 4.

Bổ đề 3. Dựa trên các giả định trước, phương trình sau là kết quả của phương trình trước:

tôi

2 σ
D
= Var DJ
t = m(1 + (m 1)ρ)σ 2. (26)

j=1

Bằng chứng. Để tìm phương sai của nhu cầu của nhà bán lẻ, các phương trình sau được đưa ra [68,69]:

tôi tôi

Var DJ = Var(Djt ) + 2 Cov(Di t,Dj t).

t

j=1 j=1 tôi<j

Như chúng ta đã biết, phương sai của nhu cầu của nhà bán lẻ là như nhau và hiệp phương sai của hai nhà bán lẻ bất kỳ là như nhau. Vì thế,

chúng ta có thể rút ra các phương trình sau:

tôi

2
Var(Dj t) = mσ
j=1

m
2 Cov(Di t,Dj t) = 2 ρ Var(Di t) Var(Dj t) = m(m 1)ρσ 2.
2
tôi<j

Kết quả là, phương trình. (26) được chứng minh.

Bổ đề 4. Dựa trên các giả định trước đó, chúng ta có thể rút ra nhận định sau:

2
2L2 N -1 2 (Không/2)
V˜ ar(q) = m(1 + (m 1)ρ) 1 + 2L +2z2L + σ 2. (27)
N N2 N N (N -1/2)

Bằng chứng. Để chứng minh phương trình. (27), chúng ta phải lấy phương sai từ hai vế của phương trình. (25). Dựa trên các lập luận trước đây được đưa

ra trong Bổ đề 1 và Bổ đề 2, có thể chỉ ra phát biểu sau:

L 2 tôi 2 tôi tôi

Var(qt) = 1 + Var DJ L + Var DJ + 2z2LVar Var DJ

N t 1 N t N 1 t

j=1 j=1 j=1

.

Dựa trên các phương trình. (25) và (27), rõ ràng là:

Ngoài ra, dựa trên phương trình. (17), Var(σ) có thể thu được, và do đó, phương trình. (27) có thể dễ dàng thu được.

Để tính toán hiệu ứng bullwhip, chúng ta cần xác định nó cho chuỗi cung ứng nhiều nhà bán lẻ. Điều này giống như phương trình. (10), như sau:

Var(q)
BW = (28)
Var(Dj)
j

Sự khác biệt duy nhất giữa các phương trình. (10) và (28) là cách tính nhu cầu của người bán lẻ. Phương trình này đo lường tỷ lệ phần trăm

phương sai của số lượng đặt hàng và tổng phương sai của nhu cầu của nhà bán lẻ. Để tính toán phương sai của nhu cầu của nhà bán lẻ j Var(Dj) được sử

dụng. Chúng ta sử dụng j Var(Dj) thay vì Var( j Dj). Lý do là chúng ta phải tìm tỷ lệ phương sai của số lượng đặt hàng để tìm ra phương sai phù hợp

với nhu cầu của nhà bán lẻ. Chúng ta biết rằng Var( j Dj) là phương sai trong quan điểm của trung tâm phân phối. Do đó, chúng tôi sử dụng j Var(Dj)
làm mức chênh lệch phù hợp của nhu cầu của nhà bán lẻ.
Machine Translated by Google

8946 H. Khosroshahi và cộng sự. / Mô hình toán học ứng dụng 40 (2016) 8934–8951

Hình 11. Tác động của hệ số tương quan đến BW trong chuỗi cung ứng khi xem xét số lượng nhà bán lẻ khác nhau.

Do đó, chúng ta có thể định lượng hiệu ứng bullwhip bằng phương trình sau:

2L 2L2 N -1 2
BW = (1 + (m 1)ρ) 1 + + + 2z2L ( (Không/2)
)2. (29)
N N2 N N (N -1/2)
2
Phương trình được sử dụng để tính IV giống như phương trình. (18). Các giá trị của q, E(D) và σ được thay đổi trong phép tính

quan hệ. Để tính toán các tham số này, chúng tôi sử dụng các phương trình. (22) đến (26).
Machine Translated by Google

H. Khosroshahi và cộng sự. / Mô hình toán học ứng dụng 40 (2016) 8934–8951 8947

Hình 12. Tác động của số lượng nhà bán lẻ đến BW.

Một điểm rất quan trọng cần lưu ý là dựa trên các giả định trước đó, đơn đặt hàng của hai nhà bán lẻ bất kỳ đều có mối tương quan như nhau;
chúng ta phải giả định rằng hệ số tương quan là không âm. Lý do là nếu đơn hàng của nhà bán lẻ thứ nhất và thứ hai có mối tương quan nghịch,
đơn hàng của nhà bán lẻ thứ nhất và thứ ba có tương quan nghịch thì đơn hàng của nhà bán lẻ thứ hai và thứ ba phải có mối tương quan dương. Do
đó, nếu đơn đặt hàng của tất cả các cặp nhà bán lẻ có cùng mối tương quan thì hệ số tương quan phải không âm.

3.2.1. Kết quả tính toán và mô phỏng

Trong phần này, một ví dụ được cung cấp để chỉ ra hiệu ứng bullwhip bị thay đổi như thế nào bằng cách thay đổi hệ số tương quan.
Chúng tôi giả định chuỗi cung ứng gồm 3 giai đoạn xem xét 2–10 nhà bán lẻ và định lượng hiệu ứng roi da được chuyển đến trung tâm phân phối.
Hình 11 minh họa tác động của hệ số tương quan lên hiệu ứng roi da. Nó cho thấy tác động đáng kể của mối tương quan giữa nhu cầu của nhà bán
lẻ đối với hiệu ứng bullwhip trong chuỗi cung ứng. Việc thay đổi hệ số tương quan giữa các nhà bán lẻ khác nhau cho thấy hành vi tương tự của
hiệu ứng roi da. Đối với tất cả số lượng nhà bán lẻ, hiệu ứng bullwhip tăng lên khi hệ số tương quan ngày càng tăng. Con số này ngụ ý rằng hiệu
ứng bullwhip tăng mạnh khi số lượng nhà bán lẻ trong mạng lưới cung ứng tăng lên.

Hình 12 thể hiện BW của chuỗi cung ứng với các nhà bán lẻ khác nhau. Trong hình này, sự gia tăng của hiệu ứng bullwhip cùng với sự gia tăng
số lượng nhà bán lẻ được minh họa rõ ràng. Rõ ràng là tốc độ tăng sẽ cao hơn đối với chuỗi cung ứng có nhiều nhà bán lẻ hơn.

4. Phân tích độ nhạy và hiểu biết sâu sắc về mặt quản lý

Phân tích độ nhạy và một số hiểu biết sâu sắc về mặt quản lý sẽ được thảo luận dưới đây. Trọng tâm là BW, giả sử chuỗi cung ứng có một nhà
bán lẻ duy nhất. Theo phương trình. (19), BW trong chuỗi cung ứng đường ống liên quan đến ba thông số: N, L và z. Chúng tôi cho thấy tác động
theo cặp của các tham số này đối với hiệu ứng bullwhip. Với một tham số (z) cố định, N và L được coi lần lượt là 3 và 5, trong khi mức dịch vụ
được giả định là 99%. Phần mềm toán học đã được sử dụng để phân tích này.
Trước tiên, chúng tôi chỉ ra tác động kết hợp của N và mức độ dịch vụ đối với hiệu ứng bullwhip, được minh họa trong Hình 13.
Hình 13 cho thấy mối quan hệ trực tiếp giữa mức độ dịch vụ và hiệu ứng roi da. Nó cũng minh họa rằng N và BW có một
mối quan hệ ngược lại.
Cái nhìn sâu sắc về mặt quản lý 1: Cấp độ dịch vụ là một quyết định chiến lược ở cấp độ thị trường; mức độ dịch vụ thấp hơn có thể dẫn đến
mất thị phần. Tuy nhiên, nếu có một phạm vi ưu tiên cho mức dịch vụ, việc tìm ra mức điểm dịch vụ tối ưu trong phạm vi mong muốn có thể được
thực hiện bằng cách xem xét một tình huống đa mục tiêu, bao gồm hiệu ứng roi da và hậu quả của mức dịch vụ thấp hơn.

Thông tin chi tiết về quản lý 2: BW cho thấy sự gia tăng biến động về nhu cầu từ thượng nguồn đến hạ nguồn. Điều này tạo ra rất nhiều chi
phí, bao gồm chi phí tồn kho và chi phí đặt hàng trước. Ngoài ra, việc thiếu đi sự mượt mà không hề phù hợp chút nào. Bên cạnh đó, mức độ dịch
vụ thấp dẫn đến nhu cầu giảm và ảnh hưởng tiêu cực đến thương hiệu cũng như thị trường trong dài hạn. Việc tìm ra mức độ dịch vụ tối ưu mang
lại lợi ích cao nhất cho chuỗi cung ứng có thể được thực hiện bằng cách xem xét một vấn đề đa mục tiêu, bao gồm hiệu ứng roi da và chi phí của
mức dịch vụ thấp.
Machine Translated by Google

8948 H. Khosroshahi và cộng sự. / Mô hình toán học ứng dụng 40 (2016) 8934–8951

Hình 13. Tác động kép của N và mức dịch vụ lên BW.

Hình 14. Tác động kép của N và thời gian thực hiện lên BW.

Thông tin chi tiết về quản lý 3: N hiển thị các giai đoạn được xem xét để dự báo nhu cầu. Mối quan hệ ngược lại giữa BW và N có thể được
giải thích như sau. Việc sử dụng nhiều kỳ trước hơn để dự báo có nghĩa là xem xét nhiều khách hàng hơn và dẫn đến dự báo chính xác hơn. Điều
này dẫn đến BW thấp hơn. Tuy nhiên, phân tích này chỉ có thể được sử dụng cho phân phối nhu cầu bình thường. Đối với nhu cầu đặc biệt như
nhu cầu theo mùa, việc sử dụng nhiều N hơn có thể gây ra dự báo không chính xác và có thể tạo ra nhiều BW hơn.

Hình dưới đây minh họa tác động kết hợp của N và thời gian thực hiện đối với hiệu ứng roi da.
Hình 14 minh họa mối quan hệ trực tiếp giữa thời gian thực hiện và BW. Cường độ của mối quan hệ này phụ thuộc vào lượng N.

Thông tin chi tiết về quản lý 4: Như được minh họa trong Hình 14, ảnh hưởng của các giá trị lớn đối với N và thời gian thực hiện đối với
BW là không lớn lắm. Điều này cho thấy rằng nếu việc dự báo nhu cầu trở nên chính xác thì thời gian giao hàng không có tác động lớn đến BW.
Do đó, nếu việc mô hình hóa hành vi của khách hàng rất khó khăn thì tốt hơn nên sử dụng các hệ thống bao gồm hàng tồn kho do nhà cung cấp
quản lý, đúng lúc, linh hoạt hoặc giao hàng chéo để giảm thời gian giao hàng. Tuy nhiên, nếu dự báo chính xác thì không cần phải đầu tư chi
phí để giảm thời gian thực hiện.

Hình 15 cho thấy tác động đồng thời của mức độ dịch vụ và thời gian thực hiện đối với hiệu ứng roi da.
Machine Translated by Google

H. Khosroshahi và cộng sự. / Mô hình toán học ứng dụng 40 (2016) 8934–8951 8949

Hình 15. Tác động theo cặp của mức độ dịch vụ và thời gian thực hiện đối với BW.

Cái nhìn sâu sắc về mặt quản lý 5: Phân tích ở trên chỉ ra rằng độ nhạy của hiệu ứng bullwhip đối với các tham số tăng lên

khi yêu cầu mức độ dịch vụ cao hơn. Phát hiện này hỗ trợ việc đo lường chính xác hơn về hiệu ứng bullwhip, đó là

mục đích chính của bài viết hiện tại.

5. Kết luận

Trong bài báo này, trước tiên chúng tôi định lượng tác động của bullwhip lên tỷ lệ chênh lệch tỷ lệ đặt hàng (OVR) và tỷ lệ chênh lệch hàng tồn kho (IV)

trong chuỗi cung ứng 3 giai đoạn quy trình sử dụng kỹ thuật trung bình động để ước tính giá trị trung bình và phương sai của nhu cầu của nhà bán lẻ.

Một mối quan hệ mới đã được phát triển để tính toán các giá trị này. Chúng tôi đã nghiên cứu ảnh hưởng của mức độ dịch vụ, thời gian thực hiện và

tham số của phương pháp trung bình động (N) về hiệu ứng bullwhip và tỷ lệ phương sai hàng tồn kho. Nghiên cứu xác định

rằng các mối quan hệ trước đây đã được đề xuất cho hiệu ứng bullwhip bằng cách sử dụng kỹ thuật trung bình động cho

ước tính nhu cầu đã bỏ qua tác động của mức độ dịch vụ. Mối quan hệ toán học được đề xuất của chúng tôi cho hiệu ứng bullwhip

có tính đến yếu tố cấp độ dịch vụ và chúng tôi đã minh họa mức độ ảnh hưởng đáng kể của cấp độ dịch vụ đến bullwhip

hiệu ứng này tăng lên khi mức độ dịch vụ tăng lên. Nó cũng được chỉ ra rằng hiệu ứng bullwhip có mối quan hệ tích cực

với tham số của phương pháp trung bình động cũng như thời gian thực hiện. Thứ hai, chúng tôi đã mở rộng mô hình đề xuất của mình

đến một chuỗi cung ứng có tính đến nhiều nhà bán lẻ. Với mục đích này, chúng tôi giả định các hàm phân phối nhu cầu giống hệt nhau cho
σˆ L L
các nhà bán lẻ có mối tương quan bằng nhau giữa các đơn đặt hàng của nhà bán lẻ. Hơn nữa, chúng tôi giả định rằng
t , Cov(σˆ t 1) bằng 0; người bán lẻ
nhu cầu tuân theo hàm phân phối chuẩn; và nhu cầu của nhà bán lẻ là độc lập đối với các thời kỳ. Tuy nhiên, đối với

nghiên cứu trong tương lai, bất kỳ giả định nào trong số này đều có thể được thay đổi hoặc nới lỏng tùy theo vấn đề cụ thể. Ngoài ra, chúng tôi

chỉ được coi là một mặt hàng trong chuỗi cung ứng. Vì vậy, đối với nghiên cứu trong tương lai, chuỗi cung ứng đa hàng hóa có thể

được tính đến. Hơn nữa, tình huống nhiều trung tâm phân phối cũng có thể được coi là một phần mở rộng công việc của chúng tôi.

Phụ lục A

Nếu X là biến ngẫu nhiên có phân phối chuẩn với các tham số μ và σ, và Xi là mẫu của phân phối này
thì người ta đã chứng minh được rằng [68]:

(n 1)S2 n -1 1
χ2n-1 = α = ,λ = ,
2 σ 2 2

trong đó S2 là phương sai ước tính hoặc phương sai mẫu với định nghĩa sau:

N
2
(xi x¯)
tôi=1
S2 = .
n -1

Ngoài ra, χ2 N là phân bố chi -square và (α, λ) là phân bố gamma có hàm sau:

α 1
λeλx(λx)
fX (x) ,x ≥ 0,
= (α)
Machine Translated by Google

8950 H. Khosroshahi và cộng sự. / Mô hình toán học ứng dụng 40 (2016) 8934–8951

Ở đâu:

y
(α) = yα 1e ydy.
∞

Hơn nữa, n là số lượng mẫu được đưa ra từ phân phối chuẩn.

Vì vậy, chúng ta có thể tìm giá trị kỳ vọng của S2 bằng các phép tính sau [68]:

(n 1)S2 (n 1)/2)
E( ) = = n 1
2 σ 1/2

σ 2
(n 1)S2 σ 2
E(S2) = ) =
n 1E( 2 σ n 1n 1 = σ 2.

Để tìm giá trị kỳ vọng của độ lệch chuẩn ước tính S, chúng ta có

(n 1)S2 n -1 1
(α = ,λ = )
2 σ
2 n 1 2 n 1
S2 (α = ,λ = )
2 2σ 2

Y = S2 S = √ Y E(S) = E( √ Y )

Mặt khác, điều này đã chứng minh điều đó [68,69].

Vì vậy, từ các nhận định trên cho thấy:

n-1 + 1
1 2 2
E(Y 2 ) = .
1
n-1 2 n-1
2σ 2 2

Cuối cùng, nó được đưa ra rằng:

2 (không/2)
E(S) = σ
n -1 ((n 1)/2)

Người giới thiệu

[1] LE Cárdenas-Barrón, SS Sana, Mô hình kiểm kê EOQ nhiều mặt hàng trong chuỗi cung ứng hai lớp trong khi nhu cầu thay đổi theo nỗ lực quảng cáo, Appl. Toán học.
Người mẫu. 39 (2015) 6725–6737.
[2] H. Soleimani, G. Kannan, Thuật toán di truyền và tối ưu hóa bầy hạt lai để thiết kế mạng lưới chuỗi cung ứng khép kín ở quy mô lớn
mạng, ứng dụng. Toán học. Người mẫu. 39 (2015) 3990–4012.
[3] SJ Sadjadi, A. Makui, E. Dehghani, M. Pourmohammad, Áp dụng cách tiếp cận xếp hàng cho bài toán tồn kho vị trí ngẫu nhiên với hai khác nhau
có nghĩa là cân nhắc hàng tồn kho, Appl. Toán học. Người mẫu. 40 (2016) 578–596.
[4] J.-T. Vương, C.-T. Su, C.-H. Wang, Bài toán xác định kích thước lô động Stochastic sử dụng lập trình hai cấp dựa trên kỹ thuật trí tuệ nhân tạo, Appl.
Toán học. Người mẫu. 36 (2012) 2003–2016.
[5] Y. Ouyang, Tác động của việc chia sẻ thông tin đến sự ổn định của chuỗi cung ứng và hiệu ứng roi da, Eur. J. Điều hành. Res. 182 (2007) 1107–1121.
[6] HL Lee, V. Padmanabhan, S. Whang, Hiệu ứng roi da trong chuỗi cung ứng1, Sloan Management. Rev. 38 (1997) 93–102.
[7] D. Simchi-Levi, P. kaminsk, E. Simchi-Levi, Thiết kế và quản lý các khái niệm, chiến lược và nghiên cứu điển hình về chuỗi cung ứng, McGraw-Hill Education,
2007.

[8] S. Chopra, P. Meindl, Quản lý chuỗi cung ứng: Chiến lược, Lập kế hoạch và Vận hành, Pearson Prentice Hal, 2007.
[9] R. Bhattacharya, S. Bandyopadhyay, Đánh giá về nguyên nhân gây ra hiệu ứng roi da trong chuỗi cung ứng, Int. J. Khuyến cáo. Sản xuất. Technol. 54 (2011) 1245–1261.
[10] DR Towill, L. Chu, SM Disney, Giảm hiệu ứng roi da: Nhìn qua lăng kính thích hợp, Int. J. Sản phẩm. Kinh tế. 108 (2007) 444–453.
[11] R. Dominguez, S. Cannella, JM Framinan, Tác động của cấu trúc chuỗi cung ứng đến hiệu ứng roi da, Appl. Toán học. Người mẫu. 39 (23) (2015) 7309–7325.
[12] C. Li, Kiểm soát hiệu ứng bullwhip trong hệ thống chuỗi cung ứng với các luồng thông tin bị hạn chế, Appl. Toán học. Người mẫu. 37 (2013) 1897–1909.
[13] F. Chen, Z. Drezner, JK Ryan, D. Simchi-Levi, Định lượng hiệu ứng bullwhip trong một chuỗi cung ứng đơn giản: tác động của việc dự báo, thời gian giao hàng và
thông tin, quản lý. Khoa học. 46 (2000) 436–443.
[14] B. Nepal, A. Murat, R. Babu Chinnam, Hiệu ứng bullwhip trong chuỗi cung ứng năng lực có xem xét đến các khía cạnh vòng đời sản phẩm, Int. J. Sản phẩm.
Kinh tế. 136 (2012) 318–331.
[15] M. Hussain, PR Drake, Phân tích hiệu ứng bullwhip với việc phân lô đơn hàng trong chuỗi cung ứng nhiều cấp, Int. J. Vật lý. Phân phối. Nhà hậu cần. Quản lý. 41 (2011)
972–990.

[16] S. Geary, SM Disney, DR Towill, On bullwhip trong chuỗi cung ứng—đánh giá lịch sử, thực tiễn hiện tại và tác động dự kiến trong tương lai, Int. J. Sản phẩm. Kinh tế. 101
(2006) 2–18.
[17] HL Lee, V. Padmanabhan, S. Whang, Sự bóp méo thông tin trong chuỗi cung ứng: hiệu ứng roi da, Manag. Khoa học. 50 (1997) 1875–1886.
[18] M. Lambrecht, J. Dejonckheere, Một nhà nghiên cứu hiệu ứng roi da, Báo cáo nghiên cứu DTEW 9910, (1999) 1–32.
[19] T. O'donnell, L. Maguire, R. McIvor, P. Humphreys, Giảm thiểu hiệu ứng bullwhip trong chuỗi cung ứng bằng thuật toán di truyền, Int. J. Sản phẩm. Res. 44
(2006) 1523–1543.
[20] S.-K. Paik, PK Bagchi, Tìm hiểu nguyên nhân của hiệu ứng bullwhip trong chuỗi cung ứng, Int. J. Phân phối bán lẻ. Quản lý. 35 (2007) 308–324.
[21] S. Cannella, E. Ciancimino, Trong giai đoạn tránh né đòn roi da: Hợp tác chuỗi cung ứng và điều hòa trật tự, Int. J. Sản phẩm. Res. 48 (2010) 6739–6776.
[22] JR Trapero, N. Kourentzes, R. Fildes, Tác động của việc trao đổi thông tin đến hiệu suất dự báo của nhà cung cấp, Omega 40 (2012) 738–747.
[23] E. Sucky, Hiệu ứng bullwhip trong chuỗi cung ứng-Một vấn đề được đánh giá quá cao? Int. J. Sản phẩm. Kinh tế. 118 (2009) 311–322.
[24] R. Schmidt, Chia sẻ thông tin so với chiến lược tổng hợp đơn hàng trong chuỗi cung ứng, J. Manuf. Technol. Quản lý. 20 (2009) 804–816.
[25] H. Akkermans, C. Voss, Hiệu ứng roi da dịch vụ, Int. J. Điều hành. Sản phẩm. Quản lý. 33 (2013) 765–788.
[26] S. Cannella, J. Ashayeri, PA Miranda, M. Bruccoleri, Suy thoái kinh tế hiện tại và chuỗi cung ứng: tầm quan trọng của nhu cầu và hàng tồn kho suôn sẻ
ing, Int. J. Máy tính. Tích phân. Sản xuất. 27 (2014) 201–212.
[27] S. Cannella, JM Framinan, A. Barbosa-Póvoa, Mô hình chuỗi cung ứng hỗ trợ CNTT: một nghiên cứu mô phỏng, Int. J. Hệ thống. Khoa học. 45 (2014) 2327–2341.
Machine Translated by Google

H. Khosroshahi và cộng sự. / Mô hình toán học ứng dụng 40 (2016) 8934–8951 8951

[28] M. Bruccoleri, S. Cannella, G. La Porta, Sự thiếu chính xác của hồ sơ hàng tồn kho trong chuỗi cung ứng: vai trò của hành vi của người lao động, Int. J. Vật lý. Phân phối. Nhà hậu cần. Quản lý.

44 (2014) 796–819.
[29] R. Dominguez, S. Cannella, JM Framinan, Về chiến lược hạn chế roi da trong các mạng lưới chuỗi cung ứng khác nhau, Comput. Ấn Độ Anh. 73 (2014) 85–95.
[30] S. Cannella, Chính sách đặt hàng trong chuỗi cung ứng trao đổi thông tin, Appl. Toán học. Người mẫu. 38 (2014) 5553–5561.
[31] R. Dominguez, S. Cannella, JM Framinan, Về lợi nhuận và cấu hình mạng trong động lực chuỗi cung ứng, Transp. Res. Phần E: Hậu cần. Chuyển. Mục sư 73
(2015) 152–167.
[32] SM Disney, DR Towill, Mô hình hàm chuyển giao rời rạc để xác định tính ổn định động của chuỗi cung ứng hàng tồn kho do nhà cung cấp quản lý, Int. J.
Sản phẩm. Res. 40 (2002) 179–204.
[33] J. Dejonckheere, SM Disney, MR Lambrecht, DR Towill, Đo lường và tránh hiệu ứng roi da: một cách tiếp cận lý thuyết kiểm soát, Eur. J. Điều hành. Res.
147 (2003) 567–590.
[34] DC Chatfield, JG Kim, TP Harrison, JC Hayya, Hiệu ứng bullwhip—tác động của thời gian thực hiện ngẫu nhiên, chất lượng thông tin và chia sẻ thông tin: a
nghiên cứu mô phỏng, Prod. Hoạt động. Quản lý. 13 (2004) 340–353.
[35] J. Dejonckheere, SM Disney, MR Lambrecht, DR Towill, Tác động của việc làm giàu thông tin đối với hiệu ứng roi da trong chuỗi cung ứng: một biện pháp kiểm soát
quan điểm kỹ thuật, Eur. J. Điều hành. Res. 153 (2004) 727–750.
[36] S. Disney, D. Towill, W. Van de Velde, Khuếch đại phương sai và tỷ lệ vàng trong sản xuất và kiểm soát hàng tồn kho, Int. J. Sản phẩm. Kinh tế. 90 (2004)
295–309.

[37] RD Warburton, Một cuộc điều tra phân tích về hiệu ứng roi da, Prod. Hoạt động. Quản lý. 13 (2004) 150–160.
[38] SM Disney, I. Farasyn, M. Lambrecht, DR Towill, WV de Velde, Chế ngự hiệu ứng roi da trong khi theo dõi dịch vụ khách hàng trong một cấp độ chuỗi cung ứng duy nhất, Eur. J.
Điều hành. Res. 173 (2006) 151–172.
[39] JG Kim, D. Chatfield, TP Harrison, JC Hayya, Định lượng hiệu ứng bullwhip trong chuỗi cung ứng với thời gian giao hàng ngẫu nhiên, Eur. J. Điều hành. Res. 173 (2006)
617–636.

[40] Y. Chen, S. Disney, Chính sách đặt hàng cận thị với bộ điều khiển phản hồi theo tỷ lệ, Int. J. Sản phẩm. Res. 45 (2007) 351–368.
[41] RN Boute, SM Disney, MR Lambrecht, B. Van Houdt, Một mô hình sản xuất và tồn kho tích hợp để làm giảm sự biến động của nhu cầu thượng nguồn trong
chuỗi cung ứng, đồng Euro. J. Điều hành. Res. 178 (2007) 121–142.

[42] T. Hosoda, MM Naim, SM Disney, A. Potter, Chia sẻ thông tin bán hàng trên thị trường có lợi ích gì không? Liên kết lý thuyết và thực hành, Computing. Ấn Độ Anh.
54 (2008) 315–326.
[43] M. Jakšicˇ, B. Rusjan, Tác động của chính sách bổ sung đối với hiệu ứng bullwhip: cách tiếp cận chức năng chuyển giao, Eur. J. Điều hành. Res. 184 (2008) 946–961.
[44] T. Kelepouris, P. Miliotis, K. Pramatari, Tác động của các thông số bổ sung và chia sẻ thông tin đến hiệu ứng bullwhip: một nghiên cứu tính toán,
Máy tính. Hoạt động. Res. 35 (2008) 3657–3670.
[45] E. Bayraktar, SC Lenny Koh, A. Gunasekaran, K. Sari, E. Tatoglu, Vai trò của dự báo về hiệu ứng bullwhip đối với các ứng dụng E-SCM, Int. J. Sản phẩm. Kinh tế.
113 (2008) 193–204.
[46] MA Haughton, Hiệu ứng roi da biến dạng trên các tàu sân bay, Transp. Res. Phần E: Hậu cần. Chuyển. Rev. 45 (2009) 172–185.
[47] S. Agrawal, RN Sengupta, K. Shanker, Tác động của việc chia sẻ thông tin và thời gian thực hiện đối với hiệu ứng bullwhip và hàng tồn kho hiện có, Eur. J. Điều hành. Res. 192
(2009) 576–593.
[48] Y. Xie, Những ảnh hưởng của dự báo nhu cầu mờ đối với hiệu ứng bullwhip trong chuỗi cung ứng nối tiếp, 2009, trang 1424–1428.
[49] M. Coppini, C. Rossignoli, T. Rossi, F. Strozzi, Hiệu ứng Bullwhip và phân tích dao động hàng tồn kho bằng mô hình trò chơi bia, Int. J. Sản phẩm. Res. 48 (2010)
3943–3956.

[50] DW Cho, YH Lee, Đo lường hiệu ứng Bullwhip trong chuỗi cung ứng theo mùa, J. Intell. Sản xuất. 23 (6) (2011) 2295–2305.
[51] X. Li, L. Song, Z. Zhao, Định lượng tác động của việc thay thế nhu cầu đối với hiệu ứng bullwhip trong chuỗi cung ứng, Nghiên cứu Hậu cần 3 (2011) 221–232.
[52] AA Syntetos, NC Georgantzas, JE Boylan, BC Dangerfield, Phán quyết và động lực chuỗi cung ứng, J. Oper. Res. Sóc. 62 (2011) 1138–1158.
[53] DE Cantor, E. Katok, Ổn định sản xuất trong chuỗi cung ứng nối tiếp: một cuộc điều tra trong phòng thí nghiệm, Transp. Res. Phần E: Hậu cần. Chuyển. Bản sửa đổi 48 (2012)
781–794.

[54] E. Ciancimino, S. Cannella, M. Bruccoleri, JM Framinan, Về giai đoạn tránh né bullwhip: chuỗi cung ứng đồng bộ, Eur. J. Điều hành. Res. 221 (2012)
49–63.

[55] DC Chatfield, AM Pritchard, Returns và hiệu ứng bullwhip, Transp. Res. Phần E: Hậu cần. Chuyển. Bản sửa đổi 49 (2013) 159–175.
[56] B. Buchmeister, D. Friscic, I. Palcic, Nghiên cứu hiệu ứng Bullwhip trong chuỗi cung ứng bị hạn chế, Proc. Anh. 69 (2014) 63–71.
[57] Q. Li, SM Disney, G. Gaalman, Tránh hiệu ứng bullwhip bằng cách sử dụng dự báo xu hướng giảm dần và chính sách đặt hàng để bổ sung, Int. J. Sản phẩm.
Kinh tế. 149 (2014) 3–16.
[58] F. Costantino, G. Di Gravio, A. Shaban, M. Tronci, hệ thống dự báo SPC để giảm thiểu hiệu ứng bullwhip và biến động tồn kho trong chuỗi cung ứng, Expert Syst. ứng dụng. 42
(2015) 1773–1787.
[59] CH Nagaraja, A. Thavaneswaran, SS Appadoo, Đo lường hiệu ứng bullwhip đối với chuỗi cung ứng với các thành phần nhu cầu theo mùa, Eur. J. Điều hành. Res.
242 (2015) 445–454.
[60] H. Yan, SL Tang, Hoạt động cross-docking trước và sau phân phối, Transp. Res. Phần E: Hậu cần. Chuyển. Bản sửa đổi 45 (2009) 843–859.
[61] LA Johnson, DC Montgomery, Nghiên cứu hoạt động trong lập kế hoạch sản xuất, lập kế hoạch và kiểm soát hàng tồn kho, Wiley, New York, NY, 1974.
[62] JA Kahn, Hàng tồn kho và sự biến động của sản xuất, Am. Kinh tế. Linh mục (1987) 667–679.
[63] E. Sucky, Hiệu ứng roi da trong chuỗi cung ứng—Một vấn đề được đánh giá quá cao? Int. J. Sản phẩm. Kinh tế. 118 (2009) 311–322.
[64] MS Sodhi, CS Tang, Hiệu ứng bullwhip gia tăng của những sai lệch trong hoạt động trong chuỗi cung ứng hình cây với việc lập kế hoạch yêu cầu, Eur. J.
Hoạt động. Res. 215 (2011) 374–382.
[65] A. Hassanzadeh, A. Jafarian, M. Amiri, Mô hình hóa và phân tích nguyên nhân của hiệu ứng bullwhip trong chuỗi cung ứng tập trung và phi tập trung bằng phương pháp bề mặt
phản hồi, Appl. Toán học. Người mẫu. 38 (2014) 2353–2365.
[66] W. Zinn, M. Levy, DJ Bowersox, Đo lường tác động của việc tập trung/phân cấp hàng tồn kho đối với lượng hàng tồn kho an toàn tổng hợp: 'xem lại luật căn bậc hai', J. Bus.
Nhà hậu cần. 10 (1989) 1–14.
[67] SM Disney, DR Towill, On the bullwhip và phương sai hàng tồn kho được tạo ra bởi chính sách đặt hàng, Omega 31 (2003) 157–167.
[68] JE Freund, M. Miller, E. John, Thống kê toán học của Freund với các ứng dụng, Pearson Education India, 2004.
[69] R. Sheldon, Khóa học đầu tiên về xác suất, Pearson Education India, 2002.