摘 要：經濟全球化進程的加快促使新經濟時代下的市場競爭轉變?yōu)楣溨g的整體競爭。需求成為供應鏈的起點和動力源泉，實時、精準的需求預測和供應鏈內部企業(yè)的高效協(xié)同成為供應鏈管理模式下的兩個重要問題。互聯(lián)網的快速深入發(fā)展使大數(shù)據成為一種戰(zhàn)略資源，也使捕獲多源用戶行為數(shù)據成為可能，有利于供應鏈內部企業(yè)合理調整計劃，也帶了數(shù)據選擇和融合的挑戰(zhàn)。本文提出一種基于多源數(shù)據信息的供應鏈協(xié)同需求預測框架，該框架以多源數(shù)據信息的集成共享為基礎，其模型庫采用因素選擇因素指標，通過灰色馬爾科夫和BP神經網絡的組合供應鏈協(xié)同預測，以弱化供應鏈環(huán)境下的牛鞭效應問題。

關鍵字：牛鞭效應；多源數(shù)據；供應鏈協(xié)同預測；組合預測

1 引言

全球化進程的加快和市場需求的多變性周期變短促使新經濟出現(xiàn)。在新經濟時代，市場競爭已經轉變?yōu)楣溑c供應鏈之間的競爭，需求已經成為供應鏈的起點和動力源泉。因此，對多變的需求進行預測已經成為重要問題，實時、精準的需求預測也成為非常熱門的研究方向。張文惠[1]總結了供應鏈需求預測和牛鞭效應定量研究的方法，驗證了基于一次平滑的需求預測方法下的牛鞭效應，得出需求預測方法對牛鞭效應有重要影響。高軍鋒[2]基于某天然氣公司的需求歷史數(shù)據，將離散灰色系統(tǒng)模型與神經網絡模型相結合，進行需求預測研究。

傳統(tǒng)模式下，消費者在進行購買決策過程中主要通過自身經驗、向親朋好友打聽等方式進行。這也使得很多需求預測方法大都以歷史數(shù)據為基礎，不能實時捕獲用戶多變的需求，導致需求預測準確率和實效降低。互聯(lián)網的快速發(fā)展使消費者可以很方便地在網上進行信息搜索、社交咨詢等購前調研行為，也使得捕獲跨平臺的多源數(shù)據進行分析與預測成為可能。Ginsberg等[3]首次通過分析大量的Google搜索請求研究了流行感冒病癥的發(fā)展軌跡，稱某些搜索請求的相對頻率與帶有流感癥狀的病人接診比例相關，能夠準確估計美國各地區(qū)每周的流感的活動情況。賈建民等[4]也提出網絡搜索行為是一個衡量消費者購買意愿的指標，能夠用于購買行為的預測。這些說明基于網上行為數(shù)據可以把握消費者需求現(xiàn)狀和變化軌跡，對其進行合理的挖掘分析，可以更好地服務用戶。

供應鏈是圍繞核心企業(yè)，通過對信息流、物流、資金流的控制，從采購原材料開始，制成中間產品以及最終產品，最后由銷售網絡把產品送到消費者手中的將供應商、制造商、分銷商、直到最終用戶連成一個整體的功能網鏈結構模式[5]。供應鏈管理的核心是以客戶的需求為前提，通過供應鏈內各企業(yè)間的緊密合作，有效地為客戶創(chuàng)造更多附加價值[6]。因此，圍繞供應鏈管理模式進行的牛鞭效應、需求預測和供應鏈協(xié)同等方面的研究成果也很多。彭志忠[7]指出市場預測是供應鏈管理中具有戰(zhàn)略性和規(guī)劃性的問題，建立了基于協(xié)作計劃預測預測（CPFR）數(shù)據庫的供應鏈需求預測的流程框架，并在此基礎上提出基于BP神經網絡的供應鏈需求預測模型。張志清[8]以牛鞭效應的存在對企業(yè)和社會資源造成浪費為起點，針對如何進行高質量的需求預測問題，構建了供應鏈協(xié)同需求預測的基本理論和模型，并對供應鏈需求預測的信息協(xié)同和方法進行了研究，探討了供應鏈需求預測的組織協(xié)同和流程協(xié)同問題。

綜合以上對目前多源數(shù)據應用、供應鏈管理和需求預測等成果的分析。為弱化供應鏈中的牛鞭效應的影響，提高整體服務效率，本文針對供應鏈管理模式下的協(xié)同需求預測問題，提出一種以多源信息共享為基礎的供應鏈協(xié)同預測框架，不僅以多源數(shù)據信息的集成共享為基礎，對框架中調用的模型庫采用因素選擇因素指標，通過灰色馬爾科夫和BP神經網絡的組合供應鏈協(xié)同預測。

2 牛鞭效應成因與供應鏈協(xié)同問題分析

2.1 牛鞭效應成因分析

在新經濟時代，為了更好地協(xié)作分工，高效滿足用戶需求，降低成本，相關行業(yè)的企業(yè)與企業(yè)之間組成了供應鏈結構。整個供應鏈成為一個體系，其中的企業(yè)大都是獨立的經營體，有著不同的目標市場、技術與運作水平。因此，這些或多或少會加大供應鏈在運作過程中的不確定性，供應鏈管理也變得比較特殊。

牛鞭效應也就是需求放大效應，即供應鏈中的企業(yè)節(jié)點如果只根據下游需求信息進行生產和供應決策，需求信息的扭曲在傳遞的過程中每經過一層企業(yè)節(jié)點會逐級放大，最終獲取的需求信息與真實的用戶需求信息之間也就出現(xiàn)很大偏差。所以，對牛鞭效應的成因進行分析有助于深層次理解供應鏈，從而找到弱化牛鞭效應的方法，提高供應鏈整體效率，降低整體供應成本。

Lee等[9]將牛鞭效應產生的主要成因總結為：需求預測更新、批量訂貨決策、價格波動和短期博弈。但是，進一步探究可以發(fā)現(xiàn)，牛鞭效應存在的深層次原因在于需求信息在傳遞過程中每經過一層供應鏈企業(yè)節(jié)點，需求信息波動就會放大，這種波動其實是供應鏈中的內部企業(yè)從自身考慮出發(fā)，為了應付供應鏈的不確定性而導致的結果。另外，需求之所以存在不確定性，是因為其相關影響因素多變，而供應鏈中廣泛存在信息傳遞的停滯。供應鏈中的不確定性可以歸結為：

（1）供應鏈中的企業(yè)之間銜接不確定性大，即企業(yè)之間的信息共享程度低，信息在傳遞過程中容易失真。

（2）供應鏈中的企業(yè)運作不確定性大，即各職責部門之間和企業(yè)之間的溝通協(xié)調起來不便，沒有從全局對運作進行協(xié)同控制。

由此可知，供應鏈中的不確定性原因集中在信息共享程度較低，其中的企業(yè)協(xié)同率不高。因此，弱化牛鞭效應的有效方法為：實現(xiàn)信息資源的集中共享，基于多源的共享數(shù)據信息，進一步加強供應鏈協(xié)同運作。

Simchi-Levi等[10]通過對比分析集中需求信息和分散需求信息兩種情況下供應鏈第K階段發(fā)出訂單的方差驗證了信息資源的集中共享可以弱化牛鞭效應。其模型公式對比過程如下：

其中，表示訂單觀察值個數(shù)；表示零售商，分銷商，制造商和供應商等供應鏈的不同階段；表示第階段與第階段的提前期；表示供應鏈中第階段發(fā)出訂單的方差；表示顧客需求的方差。

上述兩式分別表示集中共享需求信息和分散需求信息的供應鏈中第階段發(fā)出訂單的方差相對于顧客需求的方差。通過分析可知，牛鞭效應在供應鏈中是一直存在的，只能弱化，很難完全消除。另外，在集中共享需求信息的供應鏈結構中訂單方差以累加和的方式增加，而在分散式需求信息的供應鏈結構中訂單的方差以積的方式增加。由此可以知曉實現(xiàn)信息資源的集中共享，有助于弱化牛鞭效應。

2.2 供應鏈協(xié)同問題分析

供應鏈協(xié)同立足其內部企業(yè)作為合作伙伴的協(xié)同工作，是比供應鏈數(shù)據信息共享和集成更高層次的階段。在這一階段，供應鏈中的企業(yè)在共享需求信息、庫存信息、銷售信息等業(yè)務信息的基礎上，根據外界需求和環(huán)境的變化實時調整計劃，提供服務，滿足用戶需求。供應鏈協(xié)同按照層次劃分可以分為戰(zhàn)略協(xié)同、技術協(xié)同和業(yè)務協(xié)同。具體如下：

1）戰(zhàn)略協(xié)同。處于指導整個供應鏈高效運作的協(xié)同層次，主要包括供應鏈競爭戰(zhàn)略與運作戰(zhàn)略協(xié)同，以及供應鏈節(jié)點企業(yè)的內部戰(zhàn)略與其他企業(yè)節(jié)點的戰(zhàn)略協(xié)同。在這個層次上，由于信息較少，主要靠經驗與分析，以及對外界環(huán)境發(fā)展趨勢的掌握。

2）技術協(xié)同。處于戰(zhàn)術和操作層面的供應鏈協(xié)同，即供應鏈企業(yè)節(jié)點基于信息共享，以支持其他企業(yè)節(jié)點掌握信息，合理安排庫存、銷售等計劃工作。在這個層次上，主要是以信息資源的集成共享為基礎實現(xiàn)供應鏈的同步運作和信息協(xié)同。

3）業(yè)務協(xié)同。處于具體業(yè)務運作層面的供應鏈協(xié)同，可以是供應鏈企業(yè)內部的業(yè)務協(xié)同，也可以是供應鏈企業(yè)節(jié)點間的業(yè)務協(xié)同，涉及的業(yè)務主要包括：采購、庫存、需求預測等。

由此可知，做到供應鏈協(xié)同狀態(tài)有兩個關鍵之處。第一是從簡單的信息共享技術層面出發(fā)，到構建成真正的供應鏈合作伙伴關系；第二是業(yè)務協(xié)同程度由基礎業(yè)務慢慢加深擴展，形成自定而下的各層次協(xié)同。鑒于需求預測是供應鏈的起點和源泉，能幫助供應鏈中企業(yè)合作伙伴合理安排生產、庫存、銷售等資源的配置，本文針對以多源共享的數(shù)據信息為基礎，對供應鏈協(xié)同需求預測業(yè)務進行研究，來探究如何進一步弱化牛鞭效應對供應鏈的影響。

3 基于多源數(shù)據的供應鏈協(xié)同預測框架

3.1 供應鏈協(xié)同預測多源數(shù)據信息

本文提出的供應鏈協(xié)同需求預測以供應鏈中企業(yè)合作伙伴的信息、競爭對手信息、環(huán)境政策等信息以及與消費者網上行為相關的多源信息融合為基礎，借助需求預測技術與方法和供應鏈多個企業(yè)之間協(xié)同進行需求預測。多源的數(shù)據信息是基礎必備條件，具體如下：

1）供應鏈企業(yè)合作的多源數(shù)據信息，即來自供應鏈中不同的企業(yè)節(jié)點的多方面數(shù)據信息，主要包括零售商的POS數(shù)據和促銷計劃等信息，制造商的產品信息，以及新產品或產品變更等信息，供應商的材料資源信息，庫存等信息。

2）競爭對手的多源數(shù)據信息，即來自行業(yè)其他供應鏈對手或企業(yè)的相關數(shù)據信息，主要包括競爭對手的相關產品，服務信息，競爭戰(zhàn)略等信息。

3）環(huán)境政策的多源數(shù)據信息，即來自與行業(yè)相關的宏觀環(huán)境形勢或政府公布的相關政策信息，主要包括市場信息、政策信息，宏觀經濟等相關信息。

4）消費者網上行為相關的多源數(shù)據信息，主要包括網上搜索數(shù)據，行業(yè)社交論壇等數(shù)據信息。

針對上述幾方面多源數(shù)據的獲取，則需要根據不同的數(shù)據信息采用不同的搜集方式，從而建立集成數(shù)據信息共享庫。供應鏈中企業(yè)節(jié)點數(shù)據的獲取則需要其中的企業(yè)合作伙伴們進行信息共享和系統(tǒng)集成；競爭對手的多源數(shù)據獲取則只能根據其公開的相關數(shù)據，以及對競爭對手在行業(yè)進行相關的戰(zhàn)略措施等信息，獲取后對數(shù)據信息進行篩選、標注、分類；環(huán)境政策的多源數(shù)據信息的獲取可以通過爬取與行業(yè)相關的需求，銷量和產品信息，以及政府公布的相關政策信息和宏觀經濟等相關信息；消費者網上行為數(shù)據的獲取百度搜索指數(shù)或谷歌搜索指數(shù)來代表網絡搜索因素，以及行業(yè)社交論壇數(shù)據。

綜合上述分析可知，基于以上多源數(shù)據，對分散的供應鏈信息進行共享和集成，改善供應鏈結構，然后結合需求預測方法，進行供應鏈協(xié)同預測，更好地弱化牛鞭效應給供應鏈帶來的負面影響，最終提高供應鏈整體服務用戶的效率。

3.2 供應鏈協(xié)同預測框架

（1）供應鏈協(xié)同預測框架運作流程

基于上文對牛鞭效應成因和供應鏈協(xié)同問題的分析，以及對供應鏈協(xié)同預測所需多源數(shù)據信息的列舉分析，為了使供應鏈中的企業(yè)合作伙伴達到更好的供應鏈協(xié)同效果。本文提出了一種基于多源數(shù)據信息的供應鏈協(xié)同預測框架，該框架具體流程如圖3-1所示：

對圖3-1的協(xié)同預測框架流程進行梳理可知，本文提出的供應鏈協(xié)同預測框架主要流程過程如下：

1）基于多種渠道和技術獲取相關多源數(shù)據信息，即從供應鏈中包括零售商、制造商、供應商的合作伙伴，競爭對手，環(huán)境及政策以及消費者用戶留在網上的行為數(shù)據相關數(shù)據。這些數(shù)據不僅來自多個渠道，而且大都是跨平臺的多源大數(shù)據，其數(shù)據信息的存在形式是復雜多樣的。

2）信息篩選和評估，將搜集到的多源數(shù)據進行必要的甄別和篩選。

3）將篩選評估后的數(shù)據和信息進行對應的預處理和標準化，對于復雜數(shù)據則需要進行基于語義的相關處理，使數(shù)據形成統(tǒng)一的形式，并將其存入供應鏈協(xié)同預測數(shù)據庫。

4）調用模型庫中因素選擇模型，對多源數(shù)據指標進行分析與選擇，對于對最終協(xié)同需求預測關聯(lián)度較小的數(shù)據指標，在模型修正的時候可以不予考慮。

5）調用模型庫中的模型方法，分別使用灰色馬爾科夫和BP神經網絡模型預測方法，從時間序列和多種影響因素兩方面進行預測，然后基于時間序列和多因素進行供應鏈協(xié)同組合預測。

6）由供應鏈中多個企業(yè)合作伙伴組成的協(xié)同需求預測小組對協(xié)同預測結果進行分析，對不同模型方法進行對比分析，判定預測結果的合理性是否達標。如果協(xié)同預測結果的合理性達標，則根據需求預測結果進行生產與需求計劃。如果協(xié)同預測結果的合理性不達標，則會從數(shù)據指標，需求預測方法出發(fā)，以及參考零售商等企業(yè)的意見，進行必要的修正。另外，如果感應到外界環(huán)境及政策，競爭對手和消費者偏好趨勢方面的變化，將會把協(xié)同預測的結果反饋到上層協(xié)同需求預測模型，進行必要的修正，以此來保證供應鏈中的企業(yè)合作伙伴能協(xié)同地根據外界變化進行相應的調整。

對以上提出的供應鏈協(xié)同預測框架及其主要流程步驟的梳理分析可知，該框架具有如下特征：

1）基于多源的數(shù)據信息進行協(xié)同預測，預測的信息來源具有多源和多向性，涵蓋了供應鏈中的企業(yè)節(jié)點，市場政策，以及消費者用戶的網上行為數(shù)據信息。

2）充分利用了信息融合技術，數(shù)據挖掘和數(shù)據庫以及數(shù)據倉庫技術的思想，在供應鏈的多個層次進行有效協(xié)同。

3）組合預測方法兼顧了時間序列和多種影響因素，BP神經網絡又具有自學習特點，因此，這樣的組合策略可以提高提高協(xié)同預測精度。

4）預測結果的評價，由于對不同的協(xié)同預測結果進行對比協(xié)調，由來自供應鏈中不同企業(yè)合作伙伴組成的評定小組聯(lián)合確定最后的預測量，這樣有助于更好的預測結果被采納。

5）在協(xié)同預測結果通過合理性檢驗后，將預測直接轉化為生產與需求計劃，兼顧了流程的完整與實用性。

（2）供應鏈協(xié)同框架層次架構

根據上述對協(xié)同框架流程特點和模型庫方法建模的分析，可知基于多源數(shù)據的供應鏈協(xié)同預測框架需要兼顧數(shù)據層、方法處理層和應用層三個方面。因此，從三個層次的角度來看，本文提出的基于多源數(shù)據信息的協(xié)同預測框架具體如圖3-2所示：

對圖3-2中的協(xié)同預測框架層次圖進行梳理分析可知：

1）數(shù)據層主要用來存儲與協(xié)同預測相關多源的數(shù)據信息，信息主要來自供應鏈中的不同企業(yè)合作伙伴、競爭環(huán)境與消費用戶，并存儲了一些必要的知識庫和知識倉庫，以及方法、規(guī)則庫。

2）在數(shù)據層與方法處理層之間構建了一層數(shù)據和知識管理層，用來銜接數(shù)據層和方法處理層，使得方法處理時可以訪問相關數(shù)據，處理后的結果可以進行有效存儲。

3）方法處理層主要一部分用來處理多源數(shù)據信息的挖掘、清洗、評價與統(tǒng)一表示，負責將標準化的數(shù)據存儲到數(shù)據層；另一部分用來進行供應鏈協(xié)同預測，協(xié)同預測模塊中主要由問題分析模塊和模型方法調用與管理模塊，以及預測調用模塊組成。

4）方法處理層以上的均可稱為應用層，主要通過應用層接口銜接供應鏈中的各個協(xié)同企業(yè)主體的管理應用系統(tǒng)，從而保證可以從供應鏈中的企業(yè)合作伙伴，競爭環(huán)境以及消費者留下的網上行為等系統(tǒng)平臺上搜集獲取多源數(shù)據。

綜合上述內容分析可知，本文提出的基于多源數(shù)據的供應鏈協(xié)同預測框架，不僅兼顧了框架在流程上的運作分析，模型庫需求預測方法建模過程，還給出了基于分層次的框架分析。通過分析基于多源數(shù)據的供應鏈協(xié)同預測框架可知，該框架不僅做到了基于集中式的信息共享改善供應鏈信息流結構，還基于框架運作更好地控制了供應鏈中的企業(yè)合作伙伴，使其更好地進行供應鏈協(xié)同預測，在實踐中對于弱化牛鞭效應的影響有一定的優(yōu)勢與參考價值。

3.3 供應鏈協(xié)同預測框架模型庫方法

如上述框架圖中所示，本文提出的供應鏈協(xié)同預測框架模型方法基于多源數(shù)據，首先通過因素選擇模型分析選擇出關聯(lián)性強的的數(shù)據因素指標作為模型的輸入。由于灰色馬爾科夫基于時間序列進行預測，而BP神經網絡可以基于多種關聯(lián)影響因素來進行預測，因此，采用灰色馬爾科夫和神經網絡預測方法進行組合預測，綜合考慮時間序列和多源數(shù)據影響因素進行預測。整體思路如圖3-3：

（1）因素選擇模型

需求具有一定的偶然性和模糊性，從系統(tǒng)角度來看存在著確定性因素和未知因素，可以認為是灰色系統(tǒng)。因此，本文基于灰色理論構建因素選擇模型，其主要步驟如下：

如圖3-4所示，模型方法包括正向傳播和反向誤差傳播過程。在正向傳播過程，多種數(shù)據因素代入輸入層，經過隱層的非線性映射，輸出層計算出初步預測結果，然后對誤差進行計算優(yōu)化權重，這樣反復迭代，直到學習訓練出可以輸出接受誤差范圍的預測值。

綜上所述，將灰色馬爾科夫和BP神經網絡預測出的預測值進行組合預測，作為模型庫最終得到的供應鏈協(xié)同預測結果。

4. 總結與展望

本文為弱化供應鏈中的牛鞭效應的影響，提高整體服務效率，提出一種以多源信息共享為基礎的供應鏈協(xié)同預測框架。該框架不僅以多源數(shù)據信息的集成共享為基礎，對框架中調用的模型庫采用因素選擇因素指標，通過灰色馬爾科夫和BP神經網絡的組合供應鏈協(xié)同預測，對弱化牛鞭效應和供應鏈協(xié)同需求預測具有一定的理論意義和實踐參考價值。本文模型庫中的組合預測方法雖然可行，還需要進一步研究，對比論證。另外，本文因素選擇分析模型對數(shù)據選擇和融合有一定的實踐意義，可面對復雜多樣的多源數(shù)據，還需深入細化研究數(shù)據選擇和融合問題。

參考文獻

[1] 張文惠. 淺析供應鏈需求預測與牛鞭效應[J]. 當代經濟， 2009（22）：150-151.

[2] 高軍鋒. 灰色神經網絡模型DGNNM（1，1）及其在供應鏈需求預測中的應用[J]. 科技、經濟、市場， 2007（1）：34-35.

[3]Ginsberg J.， Mohebbi M. H.， Patel R. S.， et al. Detecting Influenza Epidemics Using Search Engine Query Data[J]. Nature， 2009， 457（7232）：1012-14.

[4]王煉， 寧一鑒， 賈建民. 基于網絡搜索的銷量與市場份額的預測：來自中國汽車市場的證據[J]. 管理工程學報， 2015， 29（4）：56-64.

[5] 陳志祥， 馬士華， 陳榮秋. 供應鏈企業(yè)間的合作對策與委托實現(xiàn)機制問題[J]. 科研管理， 1999， 20（6）：98-102.

[6] Manthou V， Vlachopoulou M， Folinas D. Virtual e-Chain （VeC） model for supply chain collaboration[J]. International Journal of Production Economics， 2004， 87（3）：241-250.

[7] 彭志忠. 供應鏈需求預測中的神經網絡預測技術應用分析[J]. 中國流通經濟， 2007， 21（12）：16-18.

[8] 張志清. 面向不確定需求的供應鏈協(xié)同需求預測研究[D]. 哈爾濱工業(yè)大學， 2010.

[9] Lee H L， Padmanabhan V， Whang S. Information Distortion in a Supply Chain： The Bullwhip Effect[J]. Management Science， 1997， 43（4）：546-558.

[10] 大衛(wèi)·辛奇-利維， 菲利普·卡明斯基， 伊迪斯·辛奇-利維，等. 供應鏈設計與管理：概念、戰(zhàn)略與案例研究[M]. 中國人民大學出版社， 2010.

作者簡介

梁士全（1989-），男，河南商丘人， 碩士研究生，研究方向為物流系統(tǒng)設計與優(yōu)化。