تركيب بهينه پيش بيني در زنجيره تأمين چهار سطحي با هدف كمينه نمودن اثر شلاق چرمي

Determining the optimal forecasting combination of the four-level supply chain to minimize the bullwhip effect

اثر شلاق چرمي كه در زنجيره اتفاق مي افتد، منجر به ناكارآمدي‌هايي همچون موجودي اضافي و سفارشات عقب افتاده در طول زنجيره مي‌گردد. انجام پيش‌بيني مناسب مي تواند تا حدود زيادي اين مشكلات را مرتفع سازد. با توجه به اينكه زنجيره تأمين داراي سطوح مختلفي مي‌باشد، لازم است پيش‌بيني در هر سطحي از زنجيره انجام شود. اين مقاله به بررسي مسأله تركيب بهينه پيش بيني جهت كاهش اثر شلاق چرمي در زنجيره تأمين چهار سطحي مي پردازد. براي اين منظور يك زنجيره تأمين 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 عصبي مصنوعي پرسپترون چند لايه را براي پيش بيني مورد استفاده قرار مي-دهد. براي اين منظور نخست نسبت به شبيه سازي زنجيره تأمين مورد نظر اقدام و سپس نتايج با استفاده از روش تحليل واريانس مورد آزمون قرار گرفته‌اند. از بين تركيبات، دو تركيب روش‌هاي پيش‌بيني با كمترين اثر شلاق چرمي بدست آمده است. ميانگين متحرك، شبكه عصبي، هموارسازي نمايي و رگرسيون خطي به ترتيب براي سطح هاي خرده فروش، عمده فروش، توليد كننده و تامين كننده به عنوان يك جواب و ديگري به شكل ميانگين متحرك، هموار سازي نمايي، شبكه عصبي و رگرسيون خطي با همان ترتيب سطوح ياد شده در زنجيره تامين مي‌باشند و تركيبات ديگر از مطلوبيت كمتري برخوردارند.

Bullwhip effect that occurs in the chain, leads to 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 paper addresses the problem of optimal combination of forecasting to reduce the bullwhip effect in the four-level supply chain. For this purpose, a four-level supply chain is considered. One of the methods such as 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 according to minimized bullwhip effects is selected. Finally, the results are analyzed by variance analysis model. Two combinations have the lowest bullwhip effects. Moving average, neural networks, exponential smoothing and linear regression for levels: retailer, wholesaler, manufacturer and supplier respectively as an answer and the other is: moving averages, exponential smoothing, neural network and linear regression in the same mentioned levels and other combinations have less utility.