云小红，张金锁，金　浩

(1.西安科技大学 管理学院，陕西 西安 710054；2.西安科技大学 能源经济与管理研究中心，陕西 西安 710054；3.延安大学 经济管理学院，陕西 延安 716000；4.西安科技大学 理学院，陕西 西安 710054)



煤炭供应链牛鞭效应量化研究*

云小红1，2，张金锁3，金浩2，4

(1.西安科技大学 管理学院，陕西 西安 710054；2.西安科技大学 能源经济与管理研究中心，陕西 西安 710054；3.延安大学 经济管理学院，陕西 延安 716000；4.西安科技大学 理学院，陕西 西安 710054)

考虑一个煤炭勘探开采企业和一个煤炭销售运输企业组成的两级煤炭供应链，建立了煤炭市场需求服从SARMA时间序列过程，煤炭销售运输企业采用MA技术预测市场需求和Order-up-to库存策略的煤炭供应链牛鞭效应量化模型，并对该模型的影响因素进行理论分析和算例验证。研究表明：0<ρ<1,0<θ<1时，煤炭供应链必会产生牛鞭效应；L≤k≤S时，牛鞭效应值较小；季节性自回归系数、季节性移动平均系数、季节性循环周期、订货提前期和历史数据个数5个参数对煤炭供应链牛鞭效应有直接影响。具体而言，季节性循环周期的增大有助于减少煤炭供应链牛鞭效应，季节性自回归系数的增大并不总是能减少煤炭供应链牛鞭效应，而季节性移动平均系数和订货提前期的减少有助于减少煤炭供应链牛鞭效应。

牛鞭效应；煤炭供应链；季节性

0　引　言

牛鞭效应(Bullwhip Effect，BE)一直是国内官、产、学、研竞相研究的焦点，供应链上需求信息的逐级放大引发了 “牛鞭效应”，冲击着供应链上的供需平衡，导致供应过剩、产品积压，无形中增加额外成本、增大产品损耗、打乱生产计划，直接影响供应链的运作效率和经济效益[1-3]。对于牛鞭效应的量化研究，Chen[4]等指出已有文献量化牛鞭效应常运用不同的需求过程、库存策略或预测技术。对于需求过程，学者们广泛应用自回归移动平均模型(ARMA)[5-7]，特别是它的特殊形式—简单一阶自回归AR(1)模型[4，8]，李文立[9]研究AR(1)模式下分销商利用历史订单数据如何减少牛鞭效应，刘红等(2007)[10]的顾客需求采用AR(1)模型，并比较不同预测方法(移动平均(MA)、指数平滑(ES)、最小均方差(MMSE))下的牛鞭效应；……