بررسی تاثیر ترکیب روش های پیش‌بینی برکاهش اثر شلاق چرمی در یک زنجیره‌تامین چهار سطحی در شرایط تقاضای متغیر

اثر شلاق چرمی که در زنجیره اتفاق می افتد، باعث ناکارآمدی هایی همچون موجودی اضافی و سفارشات عقب افتاده در طول زنجیره می گردد. انجام پیش بینی مناسب می تواند تا حدود زیادی این مشکلات را مرتفع سازد. با توجه به اینکه زنجیره تامین دارای سطوح مختلفی می باشد، لازم است پیش بینی در هر سطحی از زنجیره انجام شود. این پژوهش به بررسی مساله ی ترکیب بهینه پیش بینی برای کاهش اثر شلاق چرمی در زنجیره ی تامین چهار سطحی در شرایط تقاضای متغیر می پردازد. برای این منظور یک زنجیره ی تامین چهار سطحی در نظر گرفته شده است که در هر یک از سطوح آن، یکی از روش های میانگین متحرک، هموارسازی نمایی، رگرسیون خطی و شبکه ی عصبی مصنوعی پرسپترون چند لایه را برای پیش بینی مورد استفاده قرار می دهد. برای نیل به این امر نخست نسبت به شبیه سازی زنجیره ی تامین مورد نظر اقدام صورت پذیرفت و سپس نتایج با استفاده از روش تحلیل واریانس مورد آزمون قرار گرفت. از بین ترکیبات مختلف، ترکیب روش های پیش بینی با کم ترین اثر شلاق چرمی به دست آمده است که عبارتند از: میانگین متحرک، شبکه عصبی، هموارسازی نمایی و رگرسیون خطی به ترتیب برای سطح های خرده فروش، عمده فروش، تولیدکننده و تامین کننده و ترکیبات دیگر مطلوبیت کمتری دارند.

The Impact of Forecasting Methods Combination for Reducing Bullwhip Effect in a Fourlevel Supply Chain under Variable Demand

Bullwhip effect in a supply chain, makes 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 research addresses the problem of optimal combination of forecasting to reduce the bullwhip effect in a fourlevel supply chain when demand is variable. For this purpose, a fourlevel supply chain has been considered.  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 which minimizes bullwhip effects is selected. Finally, the results are analyzed by variance analysis model. One combination has the lowest bullwhip effects. Moving average, neural networks, exponential smoothing and linear regression are determined for levels: retailer, wholesaler, manufacturer and supplier respectively. Other combinations have less utility