CN114708043B - 一种供应链牛鞭效应测度方法及系统、设备、存储介质 - Google Patents

一种供应链牛鞭效应测度方法及系统、设备、存储介质 Download PDF

Info

Publication number
CN114708043B
CN114708043B CN202210571583.8A CN202210571583A CN114708043B CN 114708043 B CN114708043 B CN 114708043B CN 202210571583 A CN202210571583 A CN 202210571583A CN 114708043 B CN114708043 B CN 114708043B
Authority
CN
China
Prior art keywords
supply chain
demand
data
correlation
members
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202210571583.8A
Other languages
English (en)
Other versions
CN114708043A (zh
Inventor
殷绪螺
唐文婷
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hunan University of Technology
Original Assignee
Hunan University of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hunan University of Technology filed Critical Hunan University of Technology
Priority to CN202210571583.8A priority Critical patent/CN114708043B/zh
Publication of CN114708043A publication Critical patent/CN114708043A/zh
Application granted granted Critical
Publication of CN114708043B publication Critical patent/CN114708043B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Data Mining & Analysis (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Finance (AREA)
  • Mathematical Optimization (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Accounting & Taxation (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Biology (AREA)
  • Databases & Information Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Educational Administration (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种供应链牛鞭效应测度方法及系统、设备、存储介质，该方法基于拓扑图理论和点劈分运算将复杂供应链拆分为多个简单的二级供应链以计算得到复杂供应链的牛鞭效应，通过化繁为简的供应链拆解方式，可以有效地适用于复杂供应链的牛鞭效应测度。并且，通过对各个成员之间的相关关系进行分析并根据分析结果对需求量数据进行降维处理，当二级供应链中的同级成员数量较多时，可以有效地降低需求量数据的维度，大大提升了后续预测模型的计算效率。而且，还构造了变权重绝对百分比误差模型来评估各个需求预测模型的预测能力，从而可以根据实际需求量数据筛选出符合数据特征的最优需求预测模型，提高了需求预测的精准度。

Description

一种供应链牛鞭效应测度方法及系统、设备、存储介质
技术领域
本发明涉及供应链管理技术领域，特别地，涉及一种供应链牛鞭效应测度方法及系统、电子设备、计算机可读取的存储介质。
背景技术
随着经济全球化的发展和产业交叉融合的深入，供应链变得愈加复杂，科学的供应链管理变得尤为重要，而牛鞭效应的存在严重影响了供应链效率，增加了科学供应链管理的难度。牛鞭效应是指需求信息在供应链传递过程中方差扩大的一种现象，其普遍存在于供应链中，据研究统计，超过三分之二的公司存在牛鞭效应，分布于各个行业，因此，如何精确地测度牛鞭效应成为供应链管理亟待解决的关键性问题。目前的牛鞭效应测度方法主要关注简单的二级供应链，无法准确测度复杂供应链的牛鞭效应，并且，目前的测度模型主要适用于低维数据处理，在对复杂供应链的高维数据进行处理时计算效率较低、测度准确度较差。另外，现有的测度模型并没有考虑公共危机环境下供应链成员之间的极端市场相依性，这也进一步导致现有测度方法的测度准确度变差。
发明内容
本发明提供了一种供应链牛鞭效应测度方法及系统、电子设备、计算机可读取的存储介质，以解决现有牛鞭效应测度方法应用于复杂供应链时存在的计算效率低、测度准确度差的技术问题。
根据本发明的一个方面，提供一种供应链牛鞭效应测度方法，包括以下内容：
获取供应链中各个成员的需求量数据；
基于拓扑图理论将复杂供应链拆解为多个二级供应链；
对于每个二级供应链，基于各个成员需求量数据的相关性分析成员之间的相关关系，并根据分析结果对需求量数据进行降维处理；
构造变权重绝对百分比误差模型以根据二级供应链中多个同级成员降维后的需求量数据筛选出对应的最优需求预测模型，分别利用筛选出的最优需求预测模型的需求预测结果计算二级供应链中多个同级成员的订货量数据；
基于二级供应链中多个同级成员的订货量数据和需求量数据进行加总得到每个二级供应链的订货量数据和需求量数据；
基于多个二级供应链的订货量数据和需求量数据利用递归运算计算得到整个供应链的牛鞭效应。
进一步地，所述基于拓扑图理论将复杂供应链拆解为多个二级供应链的过程包括以下内容：
将供应链成员作为拓扑图中的点、成员之间的联系作为拓扑图中的边，以将复杂供应链网络转化为拓扑图形式，通过对拓扑图进行点劈分以将复杂供应链拆分为多个简单的二级供应链。
进一步地，所述基于各个成员需求量数据的相关性分析成员之间的相关关系，并根据分析结果对需求量数据进行降维处理的过程包括以下内容：
利用皮尔逊相关系数计算两个供应链成员的需求量数据之间的相关性，并构造二级供应链中多个成员之间的相关关系矩阵；
基于相关关系矩阵构造似然函数，并利用似然函数挑选出相关性强的需求量特征数据；
利用因子分析方法对相关性强的需求量特征数据进行压缩，以实现数据降维。
进一步地，所述似然函数的表达式为：
Figure 927385DEST_PATH_IMAGE001
其中，θ=A-1，A表示相关关系矩阵，θij为矩阵θ中的元素，d表示需求量数据的维数，λ表示强度系数。
进一步地，所述变权重绝对百分比误差模型为：
Figure 75600DEST_PATH_IMAGE002
其中，k表示预测期数，
Figure 866839DEST_PATH_IMAGE003
表示第t+i期的需求预测值，
Figure 945653DEST_PATH_IMAGE004
表示第t+i期的需求实际值。
进一步地，在进行需求预测之前还包括以下内容：
对筛选出的最优需求预测模型进行拟合，获得最优需求预测模型的余项，利用Vine copula构造多维分布以对最优需求预测模型的余项进行建模。
进一步地，还包括以下内容：
根据供应链牛鞭效应计算结果制定防范策略。
另外，本发明还提供一种供应链牛鞭效应测度系统，包括：
数据获取模块，用于获取供应链中各个成员的需求量数据；
供应链拆解模块，用于基于拓扑图理论将复杂供应链拆解为多个二级供应链；
数据降维模块，用于基于二级供应链中各个成员需求量数据的相关性分析成员之间的相关关系，并根据分析结果对需求量数据进行降维处理；
第一计算模块，用于构造变权重绝对百分比误差模型以根据二级供应链中多个同级成员降维后的需求量数据筛选出对应的最优需求预测模型，分别利用筛选出的最优需求预测模型的需求预测结果计算二级供应链中多个同级成员的订货量数据；
第二计算模块，用于基于二级供应链中多个同级成员的订货量数据和需求量数据进行加总得到每个二级供应链的订货量数据和需求量数据；
第三计算模块，用于基于多个二级供应链的订货量数据和需求量数据利用递归运算计算得到整个供应链的牛鞭效应。
另外，本发明还提供一种电子设备，包括处理器和存储器，所述存储器中存储有计算机程序，所述处理器通过调用所述存储器中存储的所述计算机程序，用于执行如上所述的方法的步骤。
另外，本发明还提供一种计算机可读取的存储介质，用于存储进行供应链牛鞭效应测度的计算机程序，所述计算机程序在计算机上运行时执行如上所述的方法的步骤。
本发明具有以下效果：
本发明的供应链牛鞭效应测度方法，基于拓扑图理论和点劈分运算将复杂供应链拆分为多个简单的二级供应链，后续分别计算得到每个二级供应链的订货量和需求量之后再采用递归运算计算得到复杂供应链的总订货量和总需求量，从而计算得到复杂供应链的牛鞭效应，通过化繁为简的供应链拆解方式，可以有效地适用于复杂供应链的牛鞭效应测度。并且，在计算二级供应链的订货量数据时，通过对各个成员之间的相关关系进行分析并根据分析结果对需求量数据进行降维处理，当二级供应链中的同级成员数量较多时，可以有效地降低需求量数据的维度，大大提升了后续预测模型的计算效率。而且，还构造了变权重绝对百分比误差模型来评估各个需求预测模型的预测能力，在变权重绝对百分比误差模型中，预测时期离当前日期越近，模型的预测能力则越强，在计算其预测能力时赋予更大的权重，从而可以根据实际需求量数据筛选出符合数据特征的最优需求预测模型，提高了需求预测的精准度，进而提高了牛鞭效应测度的精准度。
另外，本发明的供应链牛鞭效应测度系统同样具有上述优点。
除了上面所描述的目的、特征和优点之外，本发明还有其它的目的、特征和优点。下面将参照图，对本发明作进一步详细的说明。
附图说明
构成本申请的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是本发明优选实施例的供应链牛鞭效应测度方法的流程示意图。
图2是本发明优选实施例中对供应链进行劈分和粘合的示意图。
图3是本发明优选实施例中对供应链进行劈分和粘合的另一示意图。
图4是本发明优选实施例中对供应链进行劈分和粘合的又一示意图。
图5是本发明优选实施例的二级供应链中包含多个同级成员的供应链结构示意图。
图6是图1中步骤S3的子流程示意图。
图7是本发明另一实施例的供应链牛鞭效应测度方法的流程示意图。
图8是本发明另一实施例的供应链牛鞭效应测度系统的模块结构示意图。
具体实施方式
以下结合附图对本发明的实施例进行详细说明，但是本发明可以由下述所限定和覆盖的多种不同方式实施。
如图1所示，本发明的优选实施例提供一种供应链牛鞭效应测度方法，包括以下内容：
步骤S1：获取供应链中各个成员的需求量数据；
步骤S2：基于拓扑图理论将复杂供应链拆解为多个二级供应链；
步骤S3：对于每个二级供应链，基于各个成员需求量数据的相关性分析成员之间的相关关系，并根据分析结果对需求量数据进行降维处理；
步骤S4：构造变权重绝对百分比误差模型以根据二级供应链中多个同级成员降维后的需求量数据筛选出对应的最优需求预测模型，分别利用筛选出的最优需求预测模型的需求预测结果计算二级供应链中多个同级成员的订货量数据；
步骤S5：基于二级供应链中多个同级成员的订货量数据和需求量数据进行加总得到每个二级供应链的订货量数据和需求量数据；
步骤S6：基于多个二级供应链的订货量数据和需求量数据利用递归运算计算得到整个供应链的牛鞭效应。
可以理解，本实施例的供应链牛鞭效应测度方法，基于拓扑图理论和点劈分运算将复杂供应链拆分为多个简单的二级供应链，后续分别计算得到每个二级供应链的订货量和需求量之后再采用递归运算计算得到复杂供应链的总订货量和总需求量，从而计算得到复杂供应链的牛鞭效应，通过化繁为简的供应链拆解方式，可以有效地适用于复杂供应链的牛鞭效应测度。并且，在计算二级供应链的订货量数据时，通过对各个成员之间的相关关系进行分析并根据分析结果对需求量数据进行降维处理，当二级供应链中的同级成员数量较多时，可以有效地降低需求量数据的维度，大大提升了后续预测模型的计算效率。而且，还构造了变权重绝对百分比误差模型来评估各个需求预测模型的预测能力，在变权重绝对百分比误差模型中，预测时期离当前日期越近，模型的预测能力则越强，在计算其预测能力时赋予更大的权重，从而可以根据实际需求量数据筛选出符合数据特征的最优需求预测模型，提高了需求预测的精准度，进而提高了牛鞭效应测度的精准度。
可以理解，在所述步骤S1中，收集复杂供应链网络中各个成员的需求数据并进行整理和筛选，尽可能地利用所有获得的数据，但需保证每个成员的需求数据的数据频率和时间长度一致。另外，将筛选后的需求数据以csv格式保存并导入R语言软件中。
可以理解，所述步骤S2具体为：
将供应链成员作为拓扑图中的点、成员之间的联系作为拓扑图中的边，以将复杂供应链网络转化为拓扑图形式，通过对拓扑图进行点劈分以将复杂供应链拆分为多个简单的二级供应链。
具体地，如图2至图4所示，根据拓扑图理论的定义，将复杂供应链网络中的成员视为拓扑图中的点，将成员之间的联系视为边，从而可以将复杂的供应链网络转化为拓扑图形式。通过进行点劈分运算，任何复杂的供应链网络都可以劈分为简单的二级供应链，相反地，任何复杂的供应链网络都可以由简单的二级供应链通过点粘合运算获得。因此，通过拓扑图理论和点劈分运算，可以将复杂供应链拆分为多个简单的二级供应链，后续只需计算各个二级供应链的需求量和订货量即可得到整个复杂供应链的总需求量和总订货量，从而计算得到整个复杂供应链的牛鞭效应，可以适用于任何复杂程度的供应链网络。
可以理解，如图5所示，二级供应链中可能会存在多个同级成员，例如同一个生产商下面可能会对应若干个销售商，由于二级供应链中同级成员的数量众多，其对应的需求数据数量庞大，且数据维度较高，会导致后续模型进行需求预测时的数据处理量过大、计算效率变低。因此，本发明通过对同级成员之间的相关关系进行分析，并根据分析结果对需求量数据进行降维处理，以减少后续模型的数据处理量，提高计算效率。
可以理解，如图6所示，所述步骤S3中的基于各个成员需求量数据的相关性分析成员之间的相关关系，并根据分析结果对需求量数据进行降维处理的过程包括以下内容：
步骤S31：利用皮尔逊相关系数计算两个供应链成员的需求量数据之间的相关性，并构造二级供应链中多个成员之间的相关关系矩阵；
步骤S32：基于相关关系矩阵构造似然函数，并利用似然函数挑选出相关性强的需求量特征数据；
步骤S33：利用因子分析方法对相关性强的需求量特征数据进行压缩，以实现数据降维。
具体地，假设X和Y为两个同级成员的需求变量，则它们之间的相关关系可以用皮尔逊相关系数来进行表示：
Figure 256680DEST_PATH_IMAGE005
，其中，Cov()表示协方差，Var()表示方差。通过分别计算多个成员之间的相关关系可以构建二级供应链的相关关系矩阵。然后，以供应链成员的相关关系为基础，构造似然函数，以挑选出相关性强的变量集，其中，似然函数的表达式如下：
Figure 28327DEST_PATH_IMAGE006
其中，θ=A-1，A表示相关关系矩阵，θij为矩阵θ中的元素，d表示需求量数据的维数，即变量维数，λ表示强度系数。强度系数λ反映目标相关性筛选的程度，即筛选强度，其取值介于0与1之间，可以根据供应链成员的实际数量来进行设定。
在构造完似然函数后，根据拆分后的二级供应链中的成员实际数目设置强度系数，运算似然函数以获得最优的θ，即挑选出相关性最强的变量集。
然后，采用因子分析方法对挑选出的相关性最强的变量集进行压缩，具体采用公因子替代原来的需求变量，从而实现数据降维。具体可以表示为：Y=α+βF+ε。
其中，Y表示表示供应链成员的需求数据向量，即需求变量，为n维随机向量，F=（F1，F2，...，Fp）’，为一个公因子随机向量集，p表示公因子随机向量集的维数，p＜n，ε=(ε1，ε2，…，εn)’，表示误差向量，均值为0，Cov(εi,εj)=0（1≤i,j≤n，i≠j），Cov（F，ε）=0，β∈Rn*p，β表示因子得分，Rn*p表示因子得分矩阵，α表示一个n维常数向量。
可以理解，本发明采用皮尔逊相关系数计算两个供应链成员的需求变量之间的相关性，并用来表征两个成员之间的相关关系，从而构造出包含多个同级成员的二级供应链的相关关系矩阵。再基于相关关系矩阵构造似然函数，在基于二级供应链包含的成员数目的基础上确定好筛选强度后运算似然函数，以筛选出相关性强的变量集。然后，采用因子分析方法，将相关性强的变量用公因子来替代，从而大大降低了需求数据变量的维数，减少了后续模型预测的数据处理量，提高了模型的计算效率。
可以理解，牛鞭效应的定义为：
Figure 41282DEST_PATH_IMAGE007
，其中，Var()表示方差算子，q为订货量，d为需求量，t为计算时期。若供应链中存在牛鞭效应，那么bwe应大于1，即订货量的方差大于需求量的方差。从上述定义可以看出，牛鞭效应测度的关键就是得到订货量，而订货量q的计算与供应链采取的订货策略有关。通常情况下，供应链成员都采用order-up-to的订货策略，即当库存低于最低库存量时，需补货至计划的库存量，计算表达式为：
Figure 923788DEST_PATH_IMAGE008
其中，z表示服务水平，短期内服务水平变化不大，一般为固定值，St表示t时期的库存量，St-1表示（t-1）时期的库存量，dt-1表示（t-1）时期的需求实际值，上标l表示前置期，前置期包括产品的生产、运输时间，短期内也保持恒定，
Figure 276272DEST_PATH_IMAGE009
表示前置期的需求预测值，
Figure 31869DEST_PATH_IMAGE010
表示前置期的预测误差标准差。因此，如果需要准确的计算订货量，关键就是要准确地计算需求预测值。
目前，常用的需求预测模型由自回归模型（AR）、移动自回归模型（ARMA）、向量自回归模型（VAR）等，模型的预测能力是变化的，与数据的特征、环境等因素有关，不同的数据可能对应的最优预测模型存在差异。因此，本发明根据现实需求数据，通过构造变权重绝对百分比误差模型来挑选预测模型，以确保筛选出符合数据特征的最优需求预测模型。其中，所述变权重绝对百分比误差模型为：
Figure 469804DEST_PATH_IMAGE011
其中，k表示预测期数，
Figure 890421DEST_PATH_IMAGE012
表示第t+i期的需求预测值，
Figure 425307DEST_PATH_IMAGE013
表示第t+i期的需求实际值。在C-MAPE模型中，预测期数距离计算时期t越近，模型的预测能力就越强，因此，在计算其预测能力时应该赋予更大的权重，从而可以提高模型的预测精度。对于模型的预测能力而言，C-MAPE值越小，表明拟合效果越好，需求预测就越精准。通过计算目前常用的多个预测模型所对应的C-MAPE值，从中筛选出最小者作为最优需求预测模型，有利于提高模型的需求预测精度，从而提高牛鞭效应的测度精准度。
可以理解，由牛鞭效应的定义可知，牛鞭效应存在的原因就是由于信息紊乱，导致订货量的方差大于需求量的方差。在供应链中，拥有更多的需求信息意味着拥有需求决策的主动权。然而，在需求信息固定的情形下，怎样挖掘更多有价值的信息，以指导供应链生产与需求决策，成为牛鞭效应测度进一步需要解决的问题，需求预测模型的余项信息成为了突破口。但是，目前的需求预测模型都是直接假设余项分布为正态分布，但是在实际情况中，需求预测模型的余项分布类型可能是非正态，很大可能是具有高峰厚尾的t分布或者偏t分布，因此，现有的需求预测模型的余项分布无法准确地拟合数据，模型的预测精准度有待提高。并且，在同一个市场环境中，供应链成员难以避免地存在相依性，供应链成员之间的极端相依性不断凸显，需求预测模型的余项可能存在极端相依性，而目前的需求预测模型暂未考虑到极端市场环境下的相依性，需求预测精度有待提高。
可选地，所述步骤S4中在进行需求预测之前还包括以下内容：
对筛选出的最优需求预测模型进行拟合，获得最优需求预测模型的余项，利用Vine copula构造多维分布以对最优需求预测模型的余项进行建模。
具体地，Copula函数常用来捕捉市场的极端相依性，而本发明则首次将其应用到牛鞭效应测度中来，借助于Copula分布函数可以表示成边际分布和相依性关系的乘积，两者分开计算，有利于Copula分布函数的表示和实践应用。假设n维随机向量X=（x1，x2，…，xn）的联合密度分布为函数f和联合分布函数F，那么存在n维Copula函数C使得F（x1，x2，…，xn）=C（F1（x1），…，Fn（xn）），可以得到：
Figure 538757DEST_PATH_IMAGE014
其中，
Figure 274107DEST_PATH_IMAGE015
，fi（xi）是边缘分布Fi（xi）的密度函数，ui= Fi（xi），i=1,2，…，n。
虽然上述步骤S3已经对数据进行了降维处理，但是剩下来的需求数据仍然具有一定的维度，故而需求预测模型需要构建高维分布来捕捉余项信息。但是，高维分布难以直接获得，尤其是在分布非正态的条件下构造更加困难。而本发明采用Vine copula构造多维分布，通过Vine的方法将c表示为多个二维copula乘积的形式，具体为：
Figure 498415DEST_PATH_IMAGE016
其中，e={a,b}，De=Aa∩Ab，Ce=Ce,a∪Ce，b（Ce,a=Aa/De,Ce,b=Ab/De）,
Figure 622229DEST_PATH_IMAGE017
,1和j一样均为条件集，Nl为点构成的集合，N1=1,2，…，n。
由上述表达式可知，借助Vine copula，高维分布可以表示为二维Copula乘积的形式，然后，调整Copula函数的类型，以构造出适合余项特征的多维分布。Copula函数的类型可以选用高斯-copula、t-copula函数，其中，高斯-copula的表达式为：
Figure 906580DEST_PATH_IMAGE018
其中，ρij为相关关系系数，Fi为标准正态分布。t-copula函数的表达式为：
Figure 319106DEST_PATH_IMAGE019
，其中，Fi为t分布，v为自由度。
可以理解，本发明通过采用Vine copula构造多维分布以对最优需求预测模型的余项进行建模，不仅可以捕捉极端相依性，还可以根据数据特征通过调整Copula对的类型来调整余项分布，实现模型与数据的高度契合，有效提高了需求预测模型的预测精度。
可选地，如图7所示，所述供应链牛鞭效应测度方法还包括以下内容：
步骤S7：根据供应链牛鞭效应计算结果制定防范策略。
具体地，根据牛鞭效应测度结果做出针对性的牛鞭效应防范措施，例如调整生产量、提高服务水平、加快物流速度等，以降低供应量的实际牛鞭效应，提高供应链的效率。
另外，如图8所示，本发明的另一实施例还提供一种供应链牛鞭效应测度系统，优选采用如上所述的方法，该系统包括：
数据获取模块，用于获取供应链中各个成员的需求量数据；
供应链拆解模块，用于基于拓扑图理论将复杂供应链拆解为多个二级供应链；
数据降维模块，用于基于二级供应链中各个成员需求量数据的相关性分析成员之间的相关关系，并根据分析结果对需求量数据进行降维处理；
第一计算模块，用于构造变权重绝对百分比误差模型以根据二级供应链中多个同级成员降维后的需求量数据筛选出对应的最优需求预测模型，分别利用筛选出的最优需求预测模型的需求预测结果计算二级供应链中多个同级成员的订货量数据；
第二计算模块，用于基于二级供应链中多个同级成员的订货量数据和需求量数据进行加总得到每个二级供应链的订货量数据和需求量数据；
第三计算模块，用于基于多个二级供应链的订货量数据和需求量数据利用递归运算计算得到整个供应链的牛鞭效应。
可以理解，本实施例的供应链牛鞭效应测度系统，基于拓扑图理论和点劈分运算将复杂供应链拆分为多个简单的二级供应链，后续分别计算得到每个二级供应链的订货量和需求量之后再采用递归运算计算得到复杂供应链的总订货量和总需求量，从而计算得到复杂供应链的牛鞭效应，通过化繁为简的供应链拆解方式，可以有效地适用于复杂供应链的牛鞭效应测度。并且，在计算二级供应链的订货量数据时，通过对各个成员之间的相关关系进行分析并根据分析结果对需求量数据进行降维处理，当二级供应链中的同级成员数量较多时，可以有效地降低需求量数据的维度，大大提升了后续预测模型的计算效率。而且，还构造了变权重绝对百分比误差模型来评估各个需求预测模型的预测能力，在变权重绝对百分比误差模型中，预测时期离当前日期越近，模型的预测能力则越强，在计算其预测能力时赋予更大的权重，从而可以根据实际需求量数据筛选出符合数据特征的最优需求预测模型，提高了需求预测的精准度，进而提高了牛鞭效应测度的精准度。
可以理解，本实施例的系统中的各个模块与上述方法实施例的各个步骤相对应，故各个模块的具体工作原理在此不再赘述，参考上述方法实施例即可。
另外，本发明的另一实施例还提供一种电子设备，包括处理器和存储器，所述存储器中存储有计算机程序，所述处理器通过调用所述存储器中存储的所述计算机程序，用于执行如上所述的方法的步骤。
另外，本发明的另一实施例还提供一种计算机可读取的存储介质，用于存储进行供应链牛鞭效应测度的计算机程序，所述计算机程序在计算机上运行时执行如上所述的方法的步骤。
其中，一般计算机可读取存储介质的形式包括：软盘（floppy disk）、可挠性盘片（flexible disk）、硬盘、磁带、任何其与的磁性介质、CD-ROM、任何其余的光学介质、打孔卡片（punch cards）、纸带（paper tape）、任何其余的带有洞的图案的物理介质、随机存取存储器（RAM）、可编程只读存储器（PROM）、可抹除可编程只读存储器（EPROM）、快闪可抹除可编程只读存储器（FLASH-EPROM）、其余任何存储器芯片或卡匣、或任何其余可让计算机读取的介质。指令可进一步被一传输介质所传送或接收。传输介质这一术语可包含任何有形或无形的介质，其可用来存储、编码或承载用来给机器执行的指令，并且包含数字或模拟通信信号或其与促进上述指令的通信的无形介质。传输介质包含同轴电缆、铜线以及光纤，其包含了用来传输一计算机数据信号的总线的导线。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种供应链牛鞭效应测度方法，其特征在于，包括以下内容：
获取供应链中各个成员的需求量数据；
基于拓扑图理论将复杂供应链拆解为多个二级供应链；
对于每个二级供应链，基于各个成员需求量数据的相关性分析成员之间的相关关系，并根据分析结果对需求量数据进行降维处理；
构造变权重绝对百分比误差模型以根据二级供应链中多个同级成员降维后的需求量数据筛选出对应的最优需求预测模型，分别利用筛选出的最优需求预测模型的需求预测结果计算二级供应链中多个同级成员的订货量数据；
基于二级供应链中多个同级成员的订货量数据和需求量数据进行加总得到每个二级供应链的订货量数据和需求量数据；
基于多个二级供应链的订货量数据和需求量数据利用递归运算计算得到整个供应链的牛鞭效应；
所述变权重绝对百分比误差模型为：
Figure 446165DEST_PATH_IMAGE001
其中，k表示预测期数，
Figure 627748DEST_PATH_IMAGE002
表示第t+i期的需求预测值，
Figure 489525DEST_PATH_IMAGE003
表示第t+i期的需求实际值，通过计算目前常用的多个预测模型所对应的C-MAPE值，从中筛选出最小者作为最优需求预测模型。
2.如权利要求1所述的供应链牛鞭效应测度方法，其特征在于，所述基于拓扑图理论将复杂供应链拆解为多个二级供应链的过程包括以下内容：
将供应链成员作为拓扑图中的点、成员之间的联系作为拓扑图中的边，以将复杂供应链网络转化为拓扑图形式，通过对拓扑图进行点劈分以将复杂供应链拆分为多个简单的二级供应链。
3.如权利要求1所述的供应链牛鞭效应测度方法，其特征在于，所述基于各个成员需求量数据的相关性分析成员之间的相关关系，并根据分析结果对需求量数据进行降维处理的过程包括以下内容：
利用皮尔逊相关系数计算两个供应链成员的需求量数据之间的相关性，并构造二级供应链中多个成员之间的相关关系矩阵；
基于相关关系矩阵构造似然函数，并利用似然函数挑选出相关性强的需求量特征数据；
利用因子分析方法对相关性强的需求量特征数据进行压缩，以实现数据降维。
4.如权利要求3所述的供应链牛鞭效应测度方法，其特征在于，所述似然函数的表达式为：
Figure 389348DEST_PATH_IMAGE004
其中，θ=A-1，A表示相关关系矩阵，θij为矩阵θ中的元素，d表示需求量数据的维数，λ表示强度系数。
5.如权利要求1所述的供应链牛鞭效应测度方法，其特征在于，在进行需求预测之前还包括以下内容：
对筛选出的最优需求预测模型进行拟合，获得最优需求预测模型的余项，利用Vinecopula构造多维分布以对最优需求预测模型的余项进行建模。
6.如权利要求1所述的供应链牛鞭效应测度方法，其特征在于，还包括以下内容：
根据供应链牛鞭效应计算结果制定防范策略。
7.一种供应链牛鞭效应测度系统，采用如权利要求1~6任一项所述的方法，其特征在于，包括：
数据获取模块，用于获取供应链中各个成员的需求量数据；
供应链拆解模块，用于基于拓扑图理论将复杂供应链拆解为多个二级供应链；
数据降维模块，用于基于二级供应链中各个成员需求量数据的相关性分析成员之间的相关关系，并根据分析结果对需求量数据进行降维处理；
第一计算模块，用于构造变权重绝对百分比误差模型以根据二级供应链中多个同级成员降维后的需求量数据筛选出对应的最优需求预测模型，分别利用筛选出的最优需求预测模型的需求预测结果计算二级供应链中多个同级成员的订货量数据；
第二计算模块，用于基于二级供应链中多个同级成员的订货量数据和需求量数据进行加总得到每个二级供应链的订货量数据和需求量数据；
第三计算模块，用于基于多个二级供应链的订货量数据和需求量数据利用递归运算计算得到整个供应链的牛鞭效应。
8.一种电子设备，其特征在于，包括处理器和存储器，所述存储器中存储有计算机程序，所述处理器通过调用所述存储器中存储的所述计算机程序，用于执行如权利要求1~6任一项所述的方法的步骤。
9.一种计算机可读取的存储介质，用于存储进行供应链牛鞭效应测度的计算机程序，其特征在于，所述计算机程序在计算机上运行时执行如权利要求1~6任一项所述的方法的步骤。
CN202210571583.8A 2022-05-25 2022-05-25 一种供应链牛鞭效应测度方法及系统、设备、存储介质 Active CN114708043B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210571583.8A CN114708043B (zh) 2022-05-25 2022-05-25 一种供应链牛鞭效应测度方法及系统、设备、存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210571583.8A CN114708043B (zh) 2022-05-25 2022-05-25 一种供应链牛鞭效应测度方法及系统、设备、存储介质

Publications (2)

Publication Number Publication Date
CN114708043A CN114708043A (zh) 2022-07-05
CN114708043B true CN114708043B (zh) 2022-09-13

Family

ID=82177302

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210571583.8A Active CN114708043B (zh) 2022-05-25 2022-05-25 一种供应链牛鞭效应测度方法及系统、设备、存储介质

Country Status (1)

Country Link
CN (1) CN114708043B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115496366B (zh) * 2022-09-23 2023-12-22 南京简亿网络科技有限公司 一种供应链安全评估优化方法及系统
CN115577982B (zh) * 2022-11-23 2023-04-07 湖南工商大学 供应链网络设计方法及系统、电子设备、存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0770967A2 (en) * 1995-10-26 1997-05-02 Koninklijke Philips Electronics N.V. Decision support system for the management of an agile supply chain
CN106651258A (zh) * 2016-12-14 2017-05-10 黑龙江农业工程职业学院 一种零售产品库存管理系统
CN108876020A (zh) * 2018-05-31 2018-11-23 清华大学 一种基于随机需求和服务水平约束的供应链优化方法
US10373117B1 (en) * 2016-11-15 2019-08-06 Amazon Technologies, Inc. Inventory optimization based on leftover demand distribution function
CN111882101A (zh) * 2020-05-25 2020-11-03 北京信息科技大学 一种基于切换拓扑下供应链系统一致性问题的控制方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9779381B1 (en) * 2011-12-15 2017-10-03 Jda Software Group, Inc. System and method of simultaneous computation of optimal order point and optimal order quantity
US20180315008A1 (en) * 2017-04-28 2018-11-01 General Electric Company Apparatus and method for determining order quantities in supply networks
CN107515940A (zh) * 2017-08-30 2017-12-26 广东信基蜂巢科技有限责任公司 一种缓解酒店用品供应链牛鞭效应的大数据应用

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0770967A2 (en) * 1995-10-26 1997-05-02 Koninklijke Philips Electronics N.V. Decision support system for the management of an agile supply chain
US10373117B1 (en) * 2016-11-15 2019-08-06 Amazon Technologies, Inc. Inventory optimization based on leftover demand distribution function
CN106651258A (zh) * 2016-12-14 2017-05-10 黑龙江农业工程职业学院 一种零售产品库存管理系统
CN108876020A (zh) * 2018-05-31 2018-11-23 清华大学 一种基于随机需求和服务水平约束的供应链优化方法
CN111882101A (zh) * 2020-05-25 2020-11-03 北京信息科技大学 一种基于切换拓扑下供应链系统一致性问题的控制方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
医药供应链中牛鞭效应的研究:基于测量模型和企业实证分析;李姣等;《中国卫生事业管理》;20151115(第11期);第50-53页 *
基于Bayes-OWA混合算子的生鲜农产品供应链风险诊断;褚超等;《武汉理工大学学报(信息与管理工程版)》;20161215(第06期);第50-53页 *

Also Published As

Publication number Publication date
CN114708043A (zh) 2022-07-05

Similar Documents

Publication Publication Date Title
CN114708043B (zh) 一种供应链牛鞭效应测度方法及系统、设备、存储介质
CN109587713B (zh) 一种基于arima模型的网络指标预测方法、装置及存储介质
CN111813618A (zh) 数据异常检测方法、装置、设备及存储介质
CN114266473A (zh) 一种基于数据分析的供应链需求预测系统及方法
CN112417627A (zh) 一种基于四维指标体系配电网运行可靠性分析方法
CN115796678A (zh) 一种连接线的智能生产监测方法及系统
CN115826509A (zh) 一种控制方法、装置、电子设备及存储介质
CN114139725A (zh) 业务对象的预测方法、设备及存储介质
CN112860672A (zh) 标签权重的确定方法和装置
CN117235606A (zh) 特种不锈钢的生产质量管理方法及系统
CN116992350A (zh) 一种基于大数据的产业供应链优化方法及系统
CN116909712A (zh) 基于机器学习的智能任务调度系统及其方法
CN115907837A (zh) 基于机器学习的期货数据分析、风险预测方法及系统
CN115660730A (zh) 基于分类算法的流失用户分析方法及系统
CN116304761A (zh) 工况类别分析方法、装置、电子设备及存储介质
CN115271442A (zh) 基于自然语言评估企业成长性的建模方法及系统
CN114185938B (zh) 基于数字金融及大数据溯源的项目溯源分析方法及系统
CN115481803A (zh) 基于行业拥挤度的金融时间序列预测方法、装置及设备
CN114625781A (zh) 一种基于商品住房价值的批量评估方法
CN113191569A (zh) 一种基于大数据的企业管理方法及系统
CN116450708B (zh) 一种企业数据挖掘方法及系统
CN117670066B (zh) 基于智能决策的司库管理方法、系统、设备及存储介质
CN115545882B (zh) 一种基于新增信贷不良率的信贷风险预测方法
CN115577982B (zh) 供应链网络设计方法及系统、电子设备、存储介质
CN114564473B (zh) 基于erp企业管理系统的数据处理方法、设备及介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant