بررسي تأثير تركيب روش هاي پيش‌بيني بركاهش اثر شلاق چرمي در يك زنجيره‌تامين چهار سطحي در شرايط تقاضاي متغير

The Impact of Forecasting Methods Combination for Reducing Bullwhip Effect in a Four-level Supply Chain under Variable Demand

اثر شلاق چرمي كه در زنجيره اتفاق مي‌افتد، باعث ناكارآمدي­ هايي همچون موجودي اضافي و سفارشات عقب افتاده در طول زنجيره مي­ گردد. انجام پيش­ بيني مناسب مي‌تواند تا حدود زيادي اين مشكلات را مرتفع سازد. با توجه به اينكه زنجيره‌تأمين داراي سطوح مختلفي مي ­باشد، لازم است پيش­ بيني در هر سطحي از زنجيره انجام شود. اين پژوهش به بررسي مسأله ­ي تركيب بهينه پيش‌بيني براي كاهش اثر شلاق چرمي در زنجيره­ ي‌تأمين چهار سطحي در شرايط تقاضاي متغير مي‌پردازد. براي اين منظور يك زنجيره­ ي‌تأمين چهار سطحي در نظر گرفته شده است كه در هر يك از سطوح آن، يكي از روش­ هاي ميانگين متحرك، هموارسازي نمايي، رگرسيون خطي و شبكه­ ي عصبي مصنوعي پرسپترون چند لايه را براي پيش‌بيني مورد استفاده قرار مي­ دهد. براي نيل به اين امر نخست نسبت به شبيه‌سازي زنجيره­ ي‌تأمين مورد نظر اقدام صورت پذيرفت و سپس نتايج با استفاده از روش تحليل واريانس مورد آزمون قرار گرفت. از بين تركيبات مختلف، تركيب روش‌هاي پيش­ بيني با كم‌ترين اثر شلاق چرمي به‌دست آمده است كه عبارتند از: ميانگين متحرك، شبكه عصبي، هموارسازي نمايي و رگرسيون خطي به ترتيب براي سطح‌هاي خرده‌فروش، عمده‌فروش، توليدكننده و تامين‌كننده و تركيبات ديگر مطلوبيت كمتري دارند.

Bullwhip effect in a supply chain, makes inefficiencies such as excess inventory and overdue orders during the chain. These problems can be reduced by appropriate predictions. Forecasting must be done in all levels of a supply chain. This research addresses the problem of optimal combination of forecasting to reduce the bullwhip effect in a four-level supply chain when demand is variable. For this purpose, a four-level supply chain has been considered. Moving average, exponential smoothing, linear regression and multilayer perceptron artificial neural network can be considered for predicting in each level. First, the desired supply chain is simulated for this means. The different combinations of aforementioned forecasting methods are calculated. Then a combination of forecasting methods which minimizes bullwhip effects is selected. Finally, the results are analyzed by variance analysis model. One combination has the lowest bullwhip effects. Moving average, neural networks, exponential smoothing and linear regression are determined for levels: retailer, wholesaler, manufacturer and supplier respectively. Other combinations have less utility