note03: 配送管理*
供应链上的配送环节是指产品制造完成之后，从制造商、批发商、经销商、零售直至到达最终顾客手中的一系列环节。很多产品出厂后，尤其是消费品，都需要经过这一系列过程才能到达最终顾客，即产品的使用者手中。配送管理与物料采购管理相比，其重要意义在于，由于成品的附加值远远高于零部件的附加值，该环节任何冗余的库存、时间上的延误、制造商和经销商之间的不友好关系都会给链上的各个成员带来更高额的成本。该环节的链条越长，该环节对于产品在最终市场上的竞争能力的影响越大。著名的管理学家p.f.德鲁克曾指出：“配送、流通是工业的‘黑色地带’，是可以大量节省成本的地方。”
配送管理中需要考虑的几个重要问题是：如何设定合理的流通配送环节？如何与整个流通配送环节中的各个节点上的企业保持合作伙伴关系？如何合理设定各个环节的库存，以及如何防止牛鞭效应（bullwhip effect）。本文讨论其中的一些重要概念和基本策略。很多企业已经成功地运用了这些概念和策略，但是，必须指出，这些概念和策略的运用必须与具体的供应链结构及其特点相结合，进行具体的分析。
流通配送环节的设定——集中型与分散性配送系统
考虑某公司的配送系统。该公司制造和分销配送电子设备，其有两大配送中心，位于相隔一定距离的两地，分别供应其周围的两个市场。两个市场的顾客（主要是零售商）直接从各自的配送中心得到产品，而两个配送中心则都由同一个制造基地供货（见图1）。
从制造基地到两个配送中心的供货周期分别为一周，假定制造基地有足够的生产能力满足配送中心的任何要货要求。现在的配送管理方针要求有97%的顾客服务水平，即每个配送中心必须保持一定的库存水平，从而对顾客的缺货率不超过3%。无法满足的顾客需求将被竞争对手夺走，而不可能延迟供货。该公司大约有500种不同规格型号的产品，所服务的零售商有一万家左右。
现有的配送系统是七年前设计的，公司现在想考虑一种新的配送策略：将两个配送中心合二为一，用单一的配送中心服务全部市场（见图2）。
我们把图1所示的系统称为分散型系统，把图2所示的系统称为集中型系统。这两种系统各有什么特点呢？很显然，与集中型系统相比，分散型系统的一个最大好处是可以更靠近自己的顾客，从而缩短供货时间，运输成本也较低。但是，集中型系统也有很大好处：它可以使企业用更少的库存来达到97%的顾客服务水平，或在相同总库存量的条件下达到更高的顾客服务水平。
集中型系统之所以有这种结果是因为，虽然来自各个顾客的需求是随机的，波动有可能是很大的，但总需求量的变化波动相对而言是稳定的，有一个平均值。在集中型系统的情况下，某一个顾客高于平均值的需求与另一个顾客低于平均值的需求一累加，就有可能产生一种互补效应，从而总需求量仍然接近于平均值。一个配送中心服务的顾客数越多，这种效应就越明显。
但是，如果确实采用集中型系统，且仍然保持97%的顾客服务水平的话，系统的总库存量究竟能降低多少呢？让我们通过两个产品：a和b来做进一步的分析。但请读者记住，在实际的运作系统中，是应该对全部产品进行分析的。
假定a、b两种产品从制造基地的订货费用都是每次60元，库存持有费用为单位产品每周0.27元。在现有系统之下，产品从配送中心到顾客的运输成本为平均每一产品1.05元。按照估计，在集中型系统的情况下，运输费用将增至1.10元。为便于分析，假定两种系统之下的供货时间差别不大。
表1和表2分别提供了a、b两种产品的历史数据，即过去8周以来每个市场每周分别对两种产品的需求。从表中可以看出，对产品b的需求比对a的需求要小得多。表3还提供了两种产品周需求的平均值和标准偏差，以及需求的变异系数（标准偏差与平均需求之比值）。
表1 过去8周以来每个市场对产品a的需求
周
1
2
3
4
5
6
7
8
市场i
33
45
37
38
55
30
18
58
市场ii
46
35
41
40
26
48
18
55
合计
79
80
78
78
81
78
36
113
表2 过去8周以来每个市场对产品b的需求
周
1
2
3
4
5
6
7
8
市场i
2
3
1
3
市场ii
2
4
3
1
合计
2
6
3
3
2
3
表3 两种产品周需求的统计数据
产品
平均需求
标准偏差
变异系数
市场i
a
39.3
13.2
0.34
市场i
b
1.125
1.36
1.21
市场ii
a
38.6
12.0
0.31
市场ii
b
1.25
1.58
1.26
合计
a
77.9
20.71
0.27
合计
b
2.375
1.9
0.81
需要指出的是，必须注意标准偏差和变异系数之间的区别。虽然二者都用来反映顾客需求的变动性，但是标准偏差表示顾客需求的绝对变动性，而变异系数表示相对于平均需求的变动性。例如，在上述所分析的两种产品中，我们可以看到，产品a的标准偏差比产品b要大得多，而产品b的变异系数比a要大得多。这一特点在最终分析中将起到重要作用。
此外，还应注意到，对于每种产品来说，集中型系统所面临的平均需求等于分散型系统下两个配送中心各自的平均需求之和。但是，集中型系统的需求变动性（无论是用标准偏差还是用变异系数来衡量）比分散型系统下两个配送中心的相应数据之和小得多。这种特点将对供应链上游的生产系统产生重要影响。参照库存管理的有关方法*进行计算，可将这种影响概括为如表4。
表94 两种产品的库存水平
产品
周平均需求
安全库存
每次订货量
最大库存
分散型
市场i
a
39.3
25.08
132
158
市场i
b
1.125
2.58
25
26
市场ii
a
38.6
22.8
131
154
市场ii
b
1.25
3
24
27
集中型
a
77.9
39.35
186
226
集中型
b
2.375
3.61
33
37
从该表可知，在分散型系统之下，产品a在配送中心ii的平均库存为88个（安全库存+q/2），在配送中心i的平均库存为91个。而在集中型系统之下，平均库存为132个。这样，如果该公司采用集中型系统，则产品a的平均库存能减少26%。同样，在分散型系统之下，产品b在两个配送中心的平均库存分别为15个，而在集中型系统之下，平均库存为20个，减少33%。
以上事例说明了供应链管理中的一个重要概念：“risk pooling”，即“风险吸收池”。这个概念是说，多个地点需求总和的变动性小于各个地点需求的变动性。因为各个地点的需求是随机变动的，一个地点的需求高峰与另一个地点的需求低谷一累加，就有可能使总需求的变动性减小。这样，需求变动性的减小可使安全库存减少，从而降低平均库存水平。例如，在上述的集中型系统中，其需求的变动性无论是用标准偏差还是用变异系数来衡量，都减少了。
从这一事例中，我们可以概括出“风险吸收池”的三个要点：
集中型库存可同时减少系统中的安全库存和平均库存。因为在一个集中型系统中，如果原来两个分散市场的需求一个高、一个低，集中型系统可以很容易地将原先准备供应给一个市场的产品转而供应给另一个市场。而这一点在分散型系统的情况下很难作到，或者说需要付出高额成本才能作到。
需求的变异系数越大，从集中型系统中的获益越大。也就是说，“风险吸收”的程度越高。这是因为，平均库存实际上由两部分组成：一部分对应于需求的平均值（即q），另一部分对应于需求的变动（即安全库存）。由于平均库存的降低主要是通过降低安全库存来实现的，所以变异系数越大，安全库存对整个库存减少的影响越大。
“风险吸收”的效应还取决于不同市场需求变化模式的相关性。如果一个市场的需求高于平均值另一个市场也同样，或一个市场的需求低于平均值另一个市场也同样，则这两个市场有一种正相关的关系。在正相关的情况下，“风险吸收”的效应将减弱，反之则增强。
牛鞭效应
1、什么是牛鞭效应
配送管理中另一个重要问题是防止“牛鞭效应”（bullwhip effect）。所谓牛鞭效应，是指订货量的波动在从零售商到批发商、批发商到制造商，直至制造商又到零部件供应商的过程中，不断地增大。这种效应曲解了供应链中的需求信息，使各个节点对需求都作出了不同估计，其结果，只好在供应链上层层增大库存，以缓解放大的需求波动。这种做法无疑导致了整个供应链上拥有庞大的库存，从而导致了整个供应链的损失。
很多企业在其供应链中都发现了牛鞭效应。例如，p&g公司发现，它的一个主要产品——婴儿纸尿布的生产量的计划波动很大，从而向供应商订购的原材料有相当大的波动。但是沿供应链往下再研究零售点的销售量， 却发现波动很小，即市场上对纸尿布的需求实际上是相对稳定的。这样，虽然对最终产品的需求是稳定的，但是供应链上游订单的波动却很大，且越往上越大。这样给制造商以及原材料供应商满足订货要求带来了很大困难，同时也增加了成本。又如，hp公司在其打印机供应链中也发现，在沿着从零售商到批发商、从批发商到hp的打印机制造部门，直至其集成电路采购部门的整个供应链中，订单的波动在不断放大。这使得hp按时履行订单合同的难度大为提高，并带来了成本的增加。此外，在对服装、食品、甚至汽车工业的研究中，也发现了类似现象。
2、牛鞭效应的原因分析
引起牛鞭效应的原因有多种，这些原因往往与供应链的构造方式以及各节点之间的信息沟通方式有关。其中一些主要原因如下。
（1）多级需求预测。大部分分销配送系统的结构是多级的。供应链上的每个企业为了安排生产日程、采购计划、运输计划等，都要进行需求预测，而预测的基础则是其下游直接客户的订货数据。传统做法是供应链分销配送环节的每一节点将其自身需求的预测结果经过整理以订单的形式向上一级报告。上一级将其下游所有直接节点的订单进行汇总和整理，然后再向其上一级发出订单。对产品需求的预测信息就以订单的形式一级一级地向供应链上游流动。然而，由于各个节点出于自身利益考虑，会根据自己既定的库存补充方针、顾客服务水平等对其下游企业需求预测数据进行人为的整理和“修改”，再形成自己向上一级的订单，导致对产品需求信息的波动被逐步放大，从而导致了供应链中牛鞭效应的发生。例如，一个由当地经销商、地区销售分公司，销售总公司所组成的三级分销配送环节，每一个环节均根据其直接下游环节最新的订货记录（对于当地经销商来说，则根据当月的销售数量）保持能够供应两周的库存量，以此计算向上游环节的订货量。当市场需求为稳定的每周20个时，三级流通环节的期初库存、期末库存和订货数量都相对稳定 (见表5)。但是，假设市场需求变化了5％，即从每周需求20个变为每周19个，如表6所示，其上游环节就会引起一层比一层更大的波动。这种波动用图来表示，如图3所示。
表5 多级分销配送环节的运行(1)
项目
产品数量
当地经销商
期初库存
40
每周销售量
20
期末库存
20
期望库存*
40
订货数量
20
地区销售分公司
期初库存
40
每周销售量
20
期末库存
20
期望库存*
40
订货数量
20
销售总公司
期初库存
40
每周销售量
20
期末库存
20
期望库存*
40
订货数量
20
*注：期望库存为本周销售量的两倍。
表6 在需求变动5％情况下各环节订货数量的波动
第一周
第二周
第三周
第四周
第五周
市场需求
当地市场需求量
20
19
19
19
19
需求量波动百分比
0％
5％
0％
0％
0％
当地经销商
期初库存
40
40
38
38
38
每周销售量
20
19
19
19
19
期末库存
20
21
19
19
19
期望库存
40
38
38
38
38
订货数量
20
17
19
19
19
订货数量波动百分比
0％
-15％
11.8％
0％
0％
地区销售分公司
期初库存
40
40
34
38
38
每周销售量
20
17
19
19
19
期末库存
20
23
15
19
19
期望库存
40
34
38
38
38
订货数量
20
11
23
19
19
订货数量波动百分比
0％
-45％
109.1％
-17.4%
0%
销售总公司
期初库存
40
40
29
46
38
每周销售量
20
11
23
19
19