供應鏈中斷下顧客缺貨反應對牛鞭效應的影響研究

張小玲，陸 強

(1.深圳信息職業技術學院，廣東 深圳 518172；2. 哈爾濱工業大學深圳研究生院，廣東 深圳 518055)

供應鏈中斷下顧客缺貨反應對牛鞭效應的影響研究

張小玲1，陸 強2

(1.深圳信息職業技術學院，廣東 深圳 518172；2. 哈爾濱工業大學深圳研究生院，廣東 深圳 518055)

傳統的關于供應鏈牛鞭效應的研究，僅關注供應鏈上游成員間(供應商、制造商或零售商)的協調運作，而忽略缺貨發生后顧客缺貨反應對供應鏈動態性的影響。本文利用高層級Petri-net對包含兩個制造商、兩個零售商的供應鏈系統進行建模與仿真，定量地研究不同的缺貨強度下顧客缺貨反應對兩條相互競爭的供應鏈牛鞭效應的影響。研究結果表明，顧客缺貨反應對缺貨品牌及其競爭品牌的牛鞭效應均存在顯著影響，但各種缺貨反應對牛鞭效應的影響程度有所差異，且供應鏈中斷強度(主要體現為發生缺貨的品牌市場份額以及缺貨持續時間)亦對牛鞭效應產生顯著影響。我們建議不同產品類型(對應不同的顧客反應組合)的管理者根據品牌的市場占有率、缺貨持續時間等因素對不同類型的顧客進行購買行為的引導，以緩解牛鞭效應并保持市場份額。

供應鏈中斷；顧客缺貨反應；牛鞭效應；Petri-net

1 引言

近年來，學術界和工業界越來越關注“供應鏈中斷”這一概念[1]。供應鏈中斷(Supply Chain Disruption)即各類未計劃、未預料的事件發生，中斷了供應商、制造商、零售商和顧客之間正常的物流和信息流[2-3]，并且，使得鏈中企業陷入運作和財務風險[4]。BCI(Business Continuity Institute)的一份報告指出，隨著供應鏈的全球化擴張，2009年供應鏈中斷發生的比率比2008年增加了58%。為了緩解供應鏈中斷造成的影響，學者從各種關鍵領域，如供應管理、需求管理、生產管理和信息管理等，提出了不同的策略和模型[5-6]。

供應鏈中斷后，終端顧客所能感知的即為零售商的缺貨。市場營銷領域有關供應鏈中斷的研究集中于對零售商缺貨的研究，主要就零售商的缺貨損失以及缺貨發生后顧客購買行為的改變進行了大量問卷與實證研究。相關研究表明，缺貨帶來的潛在損失包括兩個方面，分別為品牌銷售損失[7]和商品銷售損失[8]。大量學者傾向于研究如何在缺貨發生后挽留顧客以降低品牌銷售損失以及商品銷售損失[9-10]。通過近年來的進一步研究，人們發現缺貨品牌及其競爭品牌都將遭受由供應鏈低效運作造成的間接損失[11]。也有不少文獻研究了缺貨下顧客購買行為的改變。Gruen等學者[11-12]將缺貨后顧客的購買行為歸結為五類：(1)轉換商店；(2)延遲購買；(3)同品牌替代(不同規格)；(4)轉換品牌；(5)放棄購買。顧客作為一個自適應的個體，其面對缺貨的購買行為是極為關鍵的變量；相應的，對于供應鏈的設計和管理，顧客購買行為與供給-需求波動之間的邏輯關系至關重要。林文進等學者[13]就顧客行為和生產能力限制對供應鏈牛鞭效應的影響進行了研究。Hendricks和Singhal[2]認為人們應該致力于改進供應鏈的反應能力，尤其是當供應鏈中斷發生時，供應鏈的反應能力對供應鏈的績效存在重要影響。由此，不少學者定性的提出顧客反應型供應鏈策略[5，14-15]，并建議研究者應該更多的關注缺貨后顧客的購買行為改變對供應鏈績效的影響因素分析[16]。然而，進行這樣的分析需要一套適用于大規模復雜網絡的建模和分析方法。

事實上，在運營管理領域，數學建模(包括隨機和確定性的)[17]和仿真等方法早已應用到供應鏈網絡的研究中[18]。目前有關供應鏈中斷的研究只是關注網絡中上游成員的構建，而將顧客視為產品或服務的被動接受者。Sterman[19]通過啤酒游戲證實了管理中牛鞭效應的存在，即供應鏈的波動自下游向上游放大傳播。Lee 等學者[20]的研究理論認為，需求預測修正、訂貨批量決策、價格波動、短缺博弈是牛鞭效應產生的主要原因。Chen等學者[21]用嚴密的理論推導，研究了需求預測對“牛鞭效應”的影響，零售商利用標準的預測手段來估計顧客需求過程的某些參數，而不是簡單地假設零售商了解顧客需求過程的特定形式。他考察一個需求隨著時間呈非靜態的多期庫存模型，需求預測基于觀測到的需求來更新。在非靜態需求下， 庫存系統第t 期的訂貨點決策也為非靜態。例如，零售商在一期經歷了需求的高漲，他將把此視為未來高需求的一個信號，并調整他對需求的預期，由此導致需求的變異放大，即“牛鞭效應”。這種需求信號模型的例子包括貝葉斯更新模型(Bayesian Updating Model)[22]，連續相關需求模型[23-24]。

然而，以往的牛鞭效應研究將任何未滿足的訂單視為積壓，即面對缺貨顧客選擇一直停留在店中直至購買到所需的產品[19，20，25]。事實上，由于信息的可得性和越來越多的采購渠道，顧客越來越不能容忍缺貨，主要體現為顧客購買行為的多樣化(顧客缺貨反應)。我們認為供應鏈的中斷，表現為零售商缺貨，引起顧客購買行為改變，使得零售商和制造商的需求-供給發生劇烈變化，這種劇烈變化將沿著供應鏈逐級傳播，將加劇供應鏈的牛鞭效應。

應將這種現象加入到現有的牛鞭效應研究中，具體而言，我們的研究問題是：供應鏈中斷情境下，顧客的缺貨反應對供應鏈的牛鞭效應將產生怎樣的影響？

假設在快速消費品市場上，存在兩個品牌和兩個零售商，消費者可以從中進行選擇購買。通過構建基于Petri-net的仿真模型，當一個品牌在某個零售商處發生缺貨(缺貨原因可能是運輸斷裂、零售商庫存管理不當等導致供應鏈隨機中斷)，結合顧客缺貨反應、品牌市場份額和缺貨持續時間等因素，探討：

(1)顧客缺貨反應：既然顧客面對缺貨會有不同的反應，我們將探討顧客缺貨反應將如何影響兩條相互競爭的供應鏈各自的牛鞭效應。(2)供應鏈中斷強度：進一步深入探討供應鏈中斷的強度(主要體現為缺貨品牌的市場份額以及缺貨的持續時間)如何影響缺貨品牌以及競爭品牌的牛鞭效應。

我們將首先從總體層面進行研究，然后再針對具體的幾類產品展開應用研究，探討所構建模型的可靠性及有效性，并為具體行業的供應鏈管理者提供決策支持。

2 基于Petri-net的供應鏈模型

適合于描述異步的、并發的復雜系統模型的Petri-net既有嚴格的數學表述方式，也有直觀的圖形表達方式，既有豐富的系統描述手段，也有嚴謹的系統行為分析技術，在供應鏈管理領域得到了廣泛的應用[26，27]。我們應用高層級Petri-net構建供應鏈模型，所建模型框架見圖1。

圖1 研究框架

顧客子模塊的活動1.仿真的每個周期,系統產生四類原始顧客需求(ICD_B1S1,ICD_B2S1,ICD_B1S2,ICD_B2S2);2.在每個店,若店內庫存高于顧客需求,則將原始顧客需求記為POS;3.在每個店,若原始顧客需求大于店內庫存,則發生缺貨,未能滿足的顧客需求將根據顧客反應進行劃分: a.顧客有CR1的幾率更換商店購買同一品牌 b.顧客有CR2的幾率延遲購買,并在下一周期返回同一商店購買同一品牌 c.顧客有CR3的幾率在同一商店內購買同一品牌不同規格的商品 d.顧客有CR4的幾率在同一商店購買不同的品牌 e.顧客有CR5的幾率選擇放棄購買 CR1+CR2+CR3+CR4+CR5=1(1)4.第一輪顧客反應過后任何仍未滿足的需求視為放棄購買。零售商子模塊的活動1.收到來自制造商的產品;2.投遞顧客采購的產品;3.記錄POS數據;4.根據歷史POS數據預測未來需求;5.根據需求預測和庫存向制造商下訂單。由于我們將最后未能得到滿足的需求視為銷售損失,零售商處庫存點的計算公式為: InventoryPosition=on_handinventory+on_order(2)其中,on_handinventory為零售商持有的庫存,on_order為零售商已下卻未收到產品的訂單量。制造商子模塊的活動1.記錄各個零售商反饋來的需求信息;2.產成品入庫;3.收到各個零售商的訂單,合并訂單;4.根據訂單投遞產品:根據每個零售商的積壓訂單分配產品[28]。即制造商根據零售商的訂單量來分配投遞量。具體而言,如果制造商的在手庫存不足以滿足零售商的訂單,則根據每個零售商的訂貨量占總訂單量的比例進行配送。如,當制造商1只有300單位的庫存時,若零售商1的訂單量為200單位,而零售商2的訂單量為400單位,則制造商1將投遞100單位給零售商1,投遞200單位給零售商2。制造商2執行同樣的配送規則。5.根據零售商的歷史訂單預測未來需求;6.根據需求預測和庫存點下單生產。制造商處所有未能滿足的訂單視為積壓,制造商庫存點的計算公式為: InventoryPosition=on_handinventory-backlog+on_order(3)其中,on_handinventory為制造商持有的庫存量,backlog為尚未履行的訂單,on_order為制造商下單生產但還未產成的量。

如圖1，我們應用基于高層級Petri-net 的模型框架研究缺貨發生后顧客購買行為的改變對牛鞭效應的影響。本模型包含一個三層的供應鏈，包括四種類型的顧客(產品S1B1的顧客，產品S1B2的顧客，產品S2B1的顧客，產品S2B2的顧客)，兩個零售商(商店1與商店2)，兩個制造商(品牌1與品牌2)。兩個品牌相互競爭，制造商1生產產品1并同時在兩個商店出售，其競爭者制造商2生產產品2并同時在兩個商店出售。零售商的庫存用于即時的顧客需求。零售商處任何未能滿足的需求即為缺貨，這部分未能得到滿足的顧客需求將根據顧客缺貨反應進行相應處理(見表1顧客子模塊的活動)。制造商處任何未能滿足的需求視為訂單積壓。

模型應用Aarhus University 的CPN Group 于2000年開發并一直應用至今的Petri-net建模軟件CPN Tools (Http://www.daimi.au.dk/CPnets/)進行構建。整個模型分為四大模塊，包括父模塊和三個子模塊，三個子模塊分別為顧客子模塊，零售商子模塊和制造商子模塊。各子模塊的行為活動見表1。

本文所構建仿真模型與現有研究牛鞭效應的仿真模型相比，添加了顧客缺貨反應模塊。以往的仿真模型將顧客視為產品或服務的被動接受者，而將任何未滿足的訂單視為積壓，即面對缺貨顧客選擇停留在店中直至購買到所需的產品[19-21]。本模型在以往研究基礎上，添加顧客缺貨反應模塊，即面對缺貨，顧客的5種購買行為將影響制造商、零售商的市場需求，零售商或制造商將這種市場需求的變異視為真實的需求信號，在此需求信號的基礎上進行下一周期的需求預測，使得需求變異沿著供應鏈被逐級放大，從而加劇供應鏈的牛鞭效應。

3 研究假設

為了使模型更真實的反應供應鏈，模型考慮了供應鏈管理的重要因素，如需求模型、訂貨策略、前置期和需求預測模型等。

3.1 初始顧客需求

四類顧客的初始需求符合均值為200，方差為202的正態分布，這與Chen等[21]的假設相一致。零售商面對不確定的顧客需求，每個周期每類產品的需求均值為200。零售商通過向制造商訂貨補充庫存，因此各制造商每周期的需求均值為400。

3.2 前置期

從下達訂單到收到貨品之間的時間間隔稱為前置期。在Chatfield 等[29]的模型中，顧客、零售商、批發商、分銷商以及廠商處的前置期分別為0, 4, 4, 4, 4個時間周期。因此，在本模型中，零售商收到貨物即可開始向顧客出售，即假設顧客和零售商的前置期為0天，將制造商下單生產到零售商收到貨品的前置期設為4天。每組仿真實驗的運行周期為50天。

3.3 訂貨策略

不少學者應用最大庫存策略進行庫存管理[25,27]，即當發現庫存降低到再訂貨點時，開始訂貨，訂貨后使最大庫存保持不變。這種周期性的最大庫存策略適用于獨立同分布的需求，假設模型中的各個供應鏈成員都采用最大庫存測量進行訂貨決策。訂貨決策服從：

Ot=Yt-InventoryPosition

(4)

其中，Ot為周期t末的訂貨決策，Yt為周期t的訂貨點，InventoryPosition為當期的庫存水平，其計算方法見表1。

每周期訂貨點更新的計算公式為：

(5)

(6)

由于模型中前置期是固定的，訂貨點主要取決于所使用的預測方法。

3.4 需求預測

移動平均預測法是一種被廣泛接受簡單而有效的預測方法。我們用移動平均法將過去n個周期的真實需求進行平均以預測下一周期的需求[21]：

(7)

在仿真中，Dt-0表示t-0天的真實需求，n為將被平均的周期數。為簡單起見，我們設n=6[31]。

4 仿真實驗設計與結果分析

本節將通過動態仿真來研究由于隨機事件的發生導致供應鏈中斷的情境下，兩類因素顧客缺貨反應、供應鏈中斷強度對牛鞭效應的影響。

4.1 仿真實驗

本組實驗，我們研究在不同的品牌市場份額和缺貨持續時間下，不同的顧客缺貨反應(共5種顧客反應：更換商店CR1，延遲購買CR2，同一品牌替代CR3，轉換品牌CR4以及放棄購買CR5)如何影響缺貨品牌及競爭品牌供應鏈的牛鞭效應。

本組實驗的核心是顧客反應，我們對所有的顧客反應組合進行了實驗。由于：

0≤CRi≤1i=1,2…,5

(8)

且：

CR1+CR2+…+CR5=1

(1)

根據Gruen等[11-12]的研究，缺貨的持續時間及發生的概率分為：少于8小時(19%)，8小時到1天(36%)，1天到3天(25%)，多于3天(20%)。據此，我們設置了4種水平的缺貨持續時間分別對應Gruen等[11]的研究：1天，2天，3天和4天。在本組實驗中，選取兩種水平的缺貨持續時間：1天和3天。

表2 實驗設計I

模型中假設兩個制造商分別生產不同品牌的產品，品牌的市場份額設置為大品牌(缺貨品牌的市場份額為70%)發生缺貨，同等競爭水平的品牌(缺貨品牌的市場份額為50%)發生缺貨，以及小品牌(缺貨品牌的市場份額為30%)發生缺貨。探討大中小品牌發生缺貨后顧客的不同反應對供應鏈動態性的影響。實驗設計見表2。由此共有756(2×3×126)組實驗，每組試驗后收集兩類數據，缺貨品牌的牛鞭效應和競爭品牌的牛鞭效應。每組實驗運行10次，對結果取平均值。其中，牛鞭效應的測量指標為制造商下單生產的方差(var(MPR))與顧客需求方差(var(CD))之間的比值[21]：

BWE=var(MPR)/var(CD)

(9)

對實驗結果進行方差分析，結果見表3。

表3 牛鞭效應的方差分析

(*表示5%的顯著性水平)

我們從試驗結果中得到一系列管理啟示。對于發生缺貨的品牌，品牌市場份額、缺貨持續時間以及轉換商店的顧客(CR1)和延遲購買的顧客(CR2)對其供應鏈的牛鞭效應有積極的顯著影響。即缺貨持續時間越長，或缺貨品牌的市場份額越大，或越多的顧客選擇更換商店或延遲購買，牛鞭效應越顯著。在以往的研究中，人們發現面對缺貨時，顧客選擇轉換商店或延遲購買，對零售商造成銷售損失，忽略了顧客的缺貨反應對供應鏈的上游制造商的影響。通過本研究，我們發現選擇轉換商店或延遲購買的顧客將加劇整個供應鏈條的牛鞭效應，從而加大制造商的生產波動，造成大量庫存積壓。因此，當缺貨發生時，缺貨品牌的制造商和零售商都將產生損失，有必要推動制造商和零售商的合作，對具有顯著影響的顧客(更換商店、延遲購買)給予關注，挽留顧客，在保證零售商、制造商的市場份額的同時，提高供應鏈的運作效率。

本研究量化了各類顧客購買行為的危害性。更換商店和延遲購買是兩類具有顯著影響的顧客群體，其中，更換商店的顧客造成的影響(估計值為50.0885)要大于選擇延遲購買的顧客造成的影響(估計值為31.3131，見表3)。這與Jing Xiaoqing和Lewis[32]關于網絡零售的一項研究成果相一致，他們認為應根據顧客特性進行庫存優化。同樣，管理者應根據顧客的影響程度進行供應鏈的優化管理。

另外，我們發現并非所有顧客購買行為都對牛鞭效應產生顯著作用，如選擇同一品牌不同規格產品替代的顧客或選擇另一品牌的顧客以及放棄購買的顧客。相對于“放棄購買”或“品牌轉換”的顧客，選擇同一品牌進行替代的顧客有助于同時維持制造商和零售商的市場份額。我們建議制造商與零售商應緊密合作，鼓勵顧客在同一商店內進行同一品牌的替代，尤其是鼓勵那些傾向于更換商店的顧客。這對制造商和零售商是一種雙贏的策略。首先，該策略能減少雙方的銷售損失。其次，越多的顧客選擇同一品牌替代，則更換商店或延遲購買的顧客比例將相應降低，牛鞭效應得到緩解。這是一種顧客需求轉移策略，已被成功地應用到供應鏈中斷風險的管理中。如1999年臺灣地震后，戴爾遭遇了供應中斷。通過促銷手段，戴爾成功地將顧客需求轉移到一些可得的產品上，從而控制了顧客的產品選擇[33]。

對于競爭品牌，我們發現缺貨品牌的市場份額、缺貨的持續時間都將加劇供應鏈的牛鞭效應，但只有更換品牌的顧客(CR4)對供應鏈的牛鞭效應產生積極的顯著影響。雖然，顧客選擇購買另一種品牌能夠暫時增加競爭品牌的市場份額，但是，這種購買行為為管理者提供了一種假象。這種不準確的需求信號將沿著供應鏈被扭曲放大[20]。如同Gruen和Corsten[12]所述，用另一種商品代替缺貨商品，這種轉移行為增加了在庫商品的銷售(超越了在庫商品的正常需求)。因此，當一種品牌發生缺貨時，作為其競爭品牌的管理者，應與零售商合作，將轉移而來的顧客需求與自身正常的顧客需求區分開來，避免市場的虛假繁榮造成供應鏈運作上的低效率。同時，可抓住機會，以高品質的產品吸引暫時轉移來的顧客，培養顧客的忠誠度，增加市場份額。

5 應用分析

上述仿真實驗從整體上探討了顧客購買行為對牛鞭效應的影響，本節我們將對5種具體的商品類別進行應用仿真分析。在快速消費品供應鏈中，當顧客遭遇缺貨時，根據Gruen和Corsten[12]以及Gruen等[11]的研究，面對不同類別的產品人們的購買行為改變是不同的，見表4。因此，我們將應用Gruen等學者的研究成果進行實際案例分析，探討具體的產品類別下缺貨強度(主要體現為品牌市場份額和缺貨持續時間)分別對缺貨品牌和競爭品牌的牛鞭效應的影響。

表4 顧客面對不同產品缺貨時的購買選擇

本組實驗考慮所有的缺貨持續時間，即四個持續水平，品牌市場份額從70%，以10%為步長，遞減到30%。實驗設計見表5。

每類商品均有20組實驗，每組實驗運行10次，對結果取平均值，實驗結果的方差分析見表6。

表5 實驗設計II

基于實驗II的結果，我們得到如下啟示。對于缺貨品牌，所研究的5類商品中，缺貨品牌市場份額、缺貨持續時間以及兩者的交互作用都對缺貨品牌的牛鞭效應產生顯著影響。然而，影響程度是不同的，其中品牌市場份額影響最為顯著，越是大品牌發生缺貨，越能加劇該品牌的牛鞭效應。并且，對不同種類的商品而言，市場份額的影響程度存在差異。5類商品中，品牌市場份額對化妝品的影響最大(估計值為145.5408，見表6)。化妝品與其他4類商品的差異與Gruen和Corsten[12]以及Gruen等[11]收集的數據結果一致。這可以解釋為顧客在購買化妝品時有更大的品牌偏好性，越是大品牌的化妝品擁有越高的顧客忠誠度，缺貨發生時，顧客更加傾向于轉換商店購買同一品牌。這與我們在仿真實驗中得到的結果相一致，當顧客選擇轉換商店時將加劇牛鞭效應。雖然缺貨持續時間及其與市場份額的交互作用對牛鞭效應的影響小于市場份額產生的影響，管理者仍可以通過與零售商的緊密合作，如增加安全庫存、應用更精確的庫存追蹤系統等，降低缺貨持續時間，以緩解因缺貨造成的牛鞭效應。

對于競爭品牌，缺貨品牌的市場份額對競爭品牌的牛鞭效應亦會產生顯著影響，即大廠商的缺貨越能加劇小廠商的牛鞭效應，使得本身就經營不善的小廠商處境更加惡劣。但影響程度因不同的商品類別而異，在我們研究的5類商品中，市場份額對紙巾和零食類商品的牛鞭效應影響最大。根據Gruen和Corsten[12]以及Gruen等[11]的研究，紙巾和零食類商品的購買者對品牌的擁護程度較低，當遭遇缺貨時，顧客更多的選擇另一品牌的商品進行替代，因此，越大的品牌發生缺貨，選擇不同品牌替代的顧客也就越多，越能加劇競爭品牌的牛鞭效應。我們建議，當大廠商發生缺貨時，小廠商應盡可能保證貨源充足，以吸引更多的顧客，另一方面應與零售商緊密合作，將暫時的顧客需求與真實的顧客需求區分開，實現供應鏈的有效運作。

本節，我們通過對化妝品、洗發水、咖啡、紙巾以及零食等快速消費品進行應用仿真分析，驗證了本模型的可靠性及有效性，并為這5類消費品供應鏈管理者在面對供應鏈中斷時，提供相應的決策支持。

表6 不同產品類別下牛鞭效應的方差分析

(*表示5%的顯著性水平)

6 結語

本文應用高層級Petri-net構建了包含兩個品牌的相互競爭的供應鏈系統，研究其中一個品牌發生缺貨后顧客購買行為的改變分別對兩個品牌(缺貨品牌及其競爭品牌)供應鏈牛鞭效應的影響，為一項探索性的研究。仿真結果顯示，對于缺貨品牌而言，對牛鞭效應形成顯著影響的為五類顧客缺貨反應中的兩類，即選擇更換商店和延遲購買的顧客。因此，當各類不確定事件發生，導致供應鏈缺貨，尤其是終端消費者遭遇缺貨時，生產企業的供應鏈管理者，應當積極與零售商合作引導這些顧客進行同品牌不同規格產品的替代，以維持市場份額并保持供應鏈的有效性。對于競爭品牌的供應鏈管理者，也可加強與零售商的合作，以及時獲取競爭品牌的缺貨信息，從而采取相應的管理策略調整。因為對競爭品牌的顯著影響因素為更換品牌的顧客，建議競爭品牌的管理者與零售商合作，將虛假轉移的顧客需求與自身真實的顧客需求區分開，以更科學的安排生產與銷售。同時，我們發現不同的產品類別下供應鏈中斷強度對牛鞭效應亦存在顯著影響。建議生產企業的供應鏈管理者及時采取措施，降低缺貨的持續時間，或提供同類可替代產品，以降低供應鏈的中斷強度，緩解供應鏈牛鞭效應。

在現實的市場環境中，遭遇缺貨時顧客反應隨著品牌、產品和地區而改變[11，34]。因此，開發一套方法對不同的運作條件進行評估而非尋求最優的顧客反應組合更有益于生產企業的供應鏈系統 設計者。本方法可以為生產企業的供應鏈系統設計者提供決策支持依據。供應鏈系統的設計者，可以根據自身供應鏈的產品特點，進行顧客缺貨反應進行調研，根據調研結果，應用本方法，通過仿真實驗，診斷該產品缺貨時，顧客的購買行為將對供應鏈牛鞭效應產生的影響，從而針對具體的產品類別，采用不同的供應鏈管理方法。

通過基于Petri-net的仿真，我們為定量測量顧客缺貨反應對牛鞭效應的影響提供了基礎。本文的研究依然存在不少局限性。首先，研究假設模型中所有的企業都采用簡單的時間序列預測模型，對不同的預測模型，如兩參數指數平滑法、三參數Winter’s模型等進行比較分析可作為未來的一個研究方向。其次，我們不是在尋找零售商缺貨的原因，而在于將缺貨對缺貨品牌和競爭品牌的影響進行量化。有趣的是，Gruen等[11]認為缺貨的原因有以下幾點：28%源于供應鏈的上游(制造商)，25%是由于商店的庫存管理不當，47%是由于商店的訂單與預測失誤。Musalem等[35]也討論了這類問題。關注零售商的庫存管理系統，使在庫商品能夠及時上架，從而有效緩解牛鞭效應將成為未來一個有意思的課題。

[1] Manning A. Supply chain disruptions plague most companies [J]. Modern Materials Handling, 2008, August 27.

[2] Hendricks K, Singhal V.The effect of supply chain glitches on shareholder wealth [J].Journal of Operations Management, 2003, 21(5): 501-522.

[3] Kleindorfer P，Saad G.Managing disruption risks in supply chains [J].Production and Operations Management, 2005, 14(1)：53-68.

[4] Stauffer D.Risk: The weak link in your supply chain [J].Harvard Management Update, 2003, 8(3): 3-5.

[5] Tang C S. Perspectives in supply chain risk management [J].International Journal of Production Economics, 2006, 103(2)： 451-488.

[6] Heckmann I, Comes T， Nickel S.A critical review on supply chain risk-Definition, measure and modeling[J]． Omega, 2015, 52(2): 119-132.

[7] Schary P, Christopher M. The anatomy of a stock-out [J].Journal of Retailing, 1979, 55(2): 59-67.

[8] Fitzsimons G J.Consumer response to stockouts [J].Journal of Consumer Research, 2000, 27(2): 249-266.

[9] Anderson E T, Fitzsimons G J，Simester D.Measuring and mitigating the costs of stockouts [J].Management Science, 2006, 52(11): 1751-1763.

[10] Dong Yan, Yao Yuliang, Xu Kefeng.Designing supply chain backorder contracts for customer retention[R]. Working Paper, the University of Texas at San Antonio, College of Business, 2008.

[11] Gruen T W, Corsten D S, Bharadwaj S. Retail out-of-stocks: A worldwide examination of causes, rates, and consumer responses[R/OL].Washington, DC: Grocery Manufacturers of America, 2002.

[12] Gruen T W, Corsten D S. A comprehensive guide to retail out-of-stock reduction in the fast-moving consumer goods industry[R]. Research Study. The Grocery Manufacturers Association (GMA), Food and Marketing Institute (FMI), National Association of Chain Drug Stores (NACDS), 2008.

[13] 林文進，江志斌，李國威，等. 顧客行為和生產能力限制的牛鞭效應分析[J]. 上海交通大學學報，2015,49(4):537-542.

[14] Iakovou E, Vlachos D, Xanthopoulos A. An analytical methodological framework for the optimal design of resilient supply chains [J].International Journal of Logistics Economics and Globalisation, 2007, 1(1): 1-20.

[15] Sheffi Y. The resilient enterprise: Overcoming vulnerability for competitive advantage[M]. Cambridge, MA: MIT Press, 2005.

[16] Reichart A, Holweg M. Creating the customer-responsive supply chain: A reconciliation of concepts [J]. International Journal of Operations & Production Management, 2007, 27(11): 1144-1172.

[17] 李翀, 劉思峰, 方志耕, 等. 供應鏈網絡系統的牛鞭效應時滯因素分析與庫存控制策略研究[J]. 中國管理科學, 2013, 21(2): 107-113.

[18] Chatfield D, Pritchard A.Returns and the bullwhip effect [J]. Transportation Research Part E:Logistics and Transportation Review, 2013, 49(1): 159-175.

[19] Sterman J. Modeling managerial behavior: Misperceptions of feedback in a dynamic decision-making experiment [J].Management Science, 1989, 35(3): 321-339.

[20] Lee H L, Padmanabhan V, Whang S. Information distortion in a supply chain: The bullwhip effect [J].Management Science, 1997, 43(4): 546-558.

[21] Chen F, Drezner Z, Ryan J K, et al.Quantifying the bullwhip effect in a simple supply chain: The impact of forecasting, lead times, and information [J].Management Science, 2000, 46(3): 436-443.

[22] Azoury K S.Bayes solution to dynamic inventory models under unknown demand distribution [J], Management Science, 1985,31(9): 1150-1160.

[23] Kahn J A.Inventories and the volatility of production [J], American Economic Review,1987, 77(4) :667-679.

[24] Miller B. Scarf's state reduction method, flexibility, and a dependent demand inventory model [J], Operation Research, 1986,34(1):83-90.

[25] 李剛, 汪壽陽, 于剛,等, 牛鞭效應與生產平滑問題有效性模型[J]. 管理科學學報, 2004, 7(1): 1-18.

[26] Zhang Xiading, Lu Qiang, Wu T.Petri-net based applications for supply chain management: An overview [J].International Journal of Production Research, 2011, 49(13): 3939-3961.

[27] 韓文民, 袁麗麗, 葉濤鋒, 基于隨機Petri網的生產提前期牛鞭效應測度研究[J]. 中國管理科學,2011, 19(2): 116-124.

[28] Wan Xiang, Evers P T.Supply chain networks with multiple retailers: A test of the emerging theory on inventories, stockouts, and bullwhips [J].Journal of Business Logistics, 2011, 32(1): 27-39.

[29] Chatfield D C, Kim J G, Harrison T P, et al. The bullwhip effect——impact of stochastic lead time, information quality, and information sharing: A simulation study [J]. Production and Operations Management, 2004, 13(4): 340-353.

[30] Lee H L, Padmanabhan V, Whang S.Comments on ‘information distortion in a supply chain: The bullwhip effect’ [J].Management Science, 2004, 50(12): 1887-1893.

[31] Wright D, Yuan Xin.Mitigating the bullwhip effect by ordering policies and forecasting methods [J].Internationl Journal of Production Economics, 2008, 113(2): 587-597.

[32] Jing Xiaoqing, Lewis M. Stockouts in online retailing [J].Journal of Marketing Research, 2011, 48(2): 342-354.

[33] Martha J, Subbakrishna S.Targeting a just-in-case supply chain for the inevitable next disaster [J].Supply Chain Management Review, 2002, 6(5):18-23.

[34] Zinn W, Liu P C. Consumer response to retail stock-outs [J].Journal of Business Logistics, 2001, 22(1): 49-71.

[35] Musalem A, Olivares M, Bradlow E, T et al. Structural estimation of the effect of out-of-stocks [J].Management Science, 2010, 56(7): 1180-1197.

Impact of Customer Response to Stock-out on Bullwhip Effect:Under Supply Chain Disruption

ZHANG Xiao-ling1, LU Qiang2

(1. Shenzhen Institute of Information Technology, Shenzhen 518172, China;2.Harbin Institute of Technology, Shenzhen Graduate School, Shenzhen 518055, China)

Effective supply chain management is a critical capability to fulfill consumer demand. Since the ultimate goal of a performing supply network is to deliver products/services to the end customers, customer response to stock-out (a post-disruption event) should be an important variable. Incorporating the purchasing behavior into the supply network analysis to "bridge" customer responses to stock-out (a marketing phenomenon) and bullwhip effect (a supply chain phenomenon) requires more quantitative modeling, which is currently absent. Indeed, most supply chain modeling takes the end customer as a passive recipient of products/services provided by upstream elements and treats any unfilled orders as backlog. However, with more competitive worldwide sourcing, consumers increasingly shop at alternative outlets to find the items they need, which has significant impact on the supply chain dynamics of stock-out brand and competing brand, and even the overall supply network. In this paper, responses from different customers experiencing stock-out is modelled to effectively identify supply chain mitigation strategies.In this research, a high-level Petri-net is developed to model a supply network with two brands of product and two stores, and five types of customer stock-out responses from marketing literature are identified. In the first experiment, the responses are incorporated in the model to quantitatively assess the correlation between customer response and bullwhip effect of both the stock-out brand and the competing brand. In the second experiment, the data from a marketing research of P&G Company is applied to analysis the impact of stock-out intensity on bullwhip effect of 5 specific product categories, which presented 5 different customer response compositions.Based on the ANOVA analysis of the experiment results, some managerial relevance statements are provided for both the stock-out brand and competing brand. (1) For the stock-out brand, it's suggested that managers should a) focus on customers who prefer to switch store or delay purchase; and b) work together with their retailers to develop customers’ store loyalty and encourage customers to substitute within the same brand in a different size. (2) For the competing brand, the manufacturer and its retailers should make great effort to distinguish the demand switched from the stock-out brand from the real demand and grab the opportunity to develop more loyalty customers. (3) Implication to managers for both the stock-out brand and the competing brand is that the incentive to customer behavior should vary with market share and stock-out duration in order to mitigate the bullwhip effect.Through linking supply chain dynamics to customer purchase behaviors based on simulation technology, the impact of stock-out disruption is quantified from the viewpoint of customer behavior for improving supply chain efficiency. We expect that this paper can provide the foundation for a future stream of research for studying the complex topic of disruption stock-out risk in a supply chain by taking into consideration of customer behaviors from marketing perspective.

supply chain disruption; customer purchase behavior; bullwhip effect; Petri-net

1003-207(2016)07-0054-09

10.16381/j.cnki.issn1003-207x.2016.07.007

2014-12-26；

2015-12-06

國家自然科學基金資助項目(71171064)

張小玲(1982-)，女(漢族)，福建人， 深圳信息職業技術學院講師，研究方向：供應鏈管理,E-mail:190836773@qq.com.

F252

A