تأثیر سیستم پیشبینی تقاضای متلاطم بر اثر شلاقی در زنجیره تأمین: یک رویکرد مقایسه ای

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دکتری، دانشگاه تهران.

2 استاد، دانشگاه امیرکبیر.

چکیده

یک مبحث مهم در مدیریت زنجیره تأمین، پدیده اثر شلاقی است. این مهم بیانگر افزایش تغییرپذیری تقاضا طی حرکت در طول زنجیره می باشد. در این مقاله تأثیر چندین روش کلاسیک و هوشمند در فرایند پیشبینی تقاضای متلاطم، در وقوع پدیده اثر شلاقی بررسی میشود. نتیجه این تحقیق حاکی از آن است که شبکههای عصبی در مقایسه با روشهای معمول کلاسیک همچون روش هموارسازی نمایی با توجه به رفتار غیرخطی، نوسانی و حتی آشوبی تقاضای متلاطم، توان بیشتری در مدل سازی و پیشبینی این رفتار دارند. در انتهای مقاله به کمک یک مثال عددی، کاربرد بهره گیری از شبکه های عصبی در پیشبینی تقاضای متلاطم، در کاهش موفقیت آمیز پدیده اثر شلاقی به تصویر در آمده است.

کلیدواژه‌ها


1. Carbonneau R, Laframboise K, Vahidov R, Application of machine learning techniques for supply chain demand forecasting, European Journal of Operational Research، 2008, 184, 1140-1154
2. Chen, F., Ryan, J. K., &Simchi-Levi, D. The impact of exponential smoothing forecasts on the bullwhip effect. Naval Research Logistics,2000. 47(4), 269–28
3. Dejonckheere, J., Disney, S.M., Lambrecht, M.R., Towill, D.R.,. Measuring and avoiding the bullwhip effect: A control theoretic approach. European Journal of Operational Research ،2003, 147, 567–590.
4. Dejonckheere, J., Disney, S.M., Lambrecht, M.R., Towill, D.R Transfer function analysis of forecasting induced bullwhip in supply chains. International Journal of Production Economics2002, 78, 133-144
5. Disney, S.M, Towill, D.R, Velde W. Van de, Variance amplification and the golden ratio in production andinventory control. International Journal of Production Economics ،2004, 90, 295–309
6. Efendigil T, Onut S, Kahraman C, A decision support system for demand forecasting with artificial neural networks and neuro-fuzzy models: A comparative analysis,Expert Systems with Applications 2009, 36, 6697-6707
7. Gutierrez R S, Solis A O, Mukhopadhyay S. Lumpy demand forecasting using neural networks. International Journal of Production Economics، 2008, 111, 409-420.
8. Hillier, F S., Liberman, G. J, Introduction to operations Research,7th edition, McGraw Hill, 2001.
9. Hong L, Ping W, Bullwhip effect analysis in supply chain for demand forecasting technology, System engineering - Theory & Practice, Volume 27, issue7, july 2007
10. Khashei M, Bijari M, RaissiArdali G A, Improvement of Auto-Regressive Integrated Moving Average models using Fuzzy logic and Artificial Neural Networks (ANNs), Neurocomputing 2009, 72, 956-967
11. Lee, H.L., Padmanabhan, V., Whang, S., a" The Bullwhip effect in supply chains". Sloan Management Review ،1997; 38 (3), 93–102.
12. Sarimveis. H et al. Dynamic modeling and control of supply chain systems: A review. Computers &operations research، 2008;35: 3530-61
13. Teunter R, Sani B, On the bias of Crostons Forecasting method, European Journal of Operational Research ,2009, 194, 177-183.