公司配送管理系统讲义样本.doc

NOTE03: 配送管理l 本文由清华大学经济管理学院刘丽文教授完成，仅用于教学参考。
l 清华大学经济管理学院版权全部。未经许可，严禁复制、存放、引用或以其它任何形式传输。

供给链上配送步骤是指产品制造完成以后，从制造商、批发商、经销商、零售直至抵达最终用户手中一系列步骤。很多产品出厂后，尤其是消费品，全部需要经过这一系列过程才能抵达最终用户，即产品使用者手中。配送管理和物料采购管理相比，其关键意义在于，因为成品附加值远远高于零部件附加值，该步骤任何冗余库存、时间上延误、制造商和经销商之间不友好关系全部会给链上各个组员带来更高额成本。该步骤链条越长，该步骤对于产品在最终市场上竞争能力影响越大。著名管理学家P.F.德鲁克曾指出：“配送、流通是工业‘黑色地带’，是能够大量节省成当地方。”
配送管理中需要考虑多个关键问题是：怎样设定合理流通配送步骤？怎样和整个流通配送步骤中各个节点上企业保持合作伙伴关系？怎样合理设定各个步骤库存，和怎样预防牛鞭效应（Bullwhip Effect）。本文讨论其中部分关键概念和基础策略。很多企业已经成功地利用了这些概念和策略，不过，必需指出，这些概念和策略利用必需和具体供给链结构及其特点相结合，进行具体分析。

一、 流通配送步骤设定——集中型和分散性配送系统

考虑某企业配送系统。该企业制造和分销配送电子设备，其有两大配送中心，在相隔一定距离两地，分别供给其周围两个市场。两个市场用户（关键是零售商）直接从各自配送中心得到产品，而两个配送中心则全部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供货周期分别为一周，假定制造基地有足够生产能力满足配送中心任何要货要求。现在配送管理方针要求有97%用户服务水平，即每个配送中心必需保持一定库存水平，从而对用户缺货率不超出3%。无法满足用户需求将被竞争对手夺走，而不可能延迟供货。该企业大约有500种不一样规格型号产品，所服务零售商有一万家左右。
现有配送系统是七年前设计，企业现在想考虑一个新配送策略：将两个配送中心合二为一，用单一配送中心服务全部市场（见图2）。

制造基地
配送
中心I
配送
中心II
用户
用户
图1 分散型配送系统

制造基地
配送
中心
用户
图2 集中型配送系统

我们把图1所表示系统称为分散型系统，把图2所表示系统称为集中型系统。这两种系统各有什么特点呢？很显然，和集中型系统相比，分散型系统一个最大好处是能够更靠近自己用户，从而缩短供货时间，运输成本也较低。不过，集中型系统也有很大好处：它能够使企业用更少库存来达成97%用户服务水平，或在相同总库存量条件下达成更高用户服务水平。
集中型系统之所以有这种结果是因为，即使来自各个用户需求是随机，波动有可能是很大，但总需求量改变波动相对而言是稳定，有一个平均值。在集中型系统情况下，某一个用户高于平均值需求和另一个用户低于平均值需求一累加，就有可能产生一个互补效应，从而总需求量仍然靠近于平均值。一个配送中心服务用户数越多，这种效应就越显著。
不过，假如确实采取集中型系统，且仍然保持97%用户服务水平话，系统总库存量到底能降低多少呢？让我们经过两个产品：A和B来做深入分析。但请读者记住，在实际运作系统中，是应该对全部产品进行分析。
假定A、B两种产品从制造基地订货费用全部是每次60元，库存持有费用为单位产品每七天0.27元。在现有系统之下，产品从配送中心到用户运输成本为平均每一产品1.05元。根据估量，在集中型系统情况下，运输费用将增至1.10元。为便于分析，假定两种系统之下供货时间差异不大。
表1和表2分别提供了A、B两种产品历史数据，即过去8周以来每个市场每七天分别对两种产品需求。从表中能够看出，对产品B需求比对A需求要小得多。表3还提供了两种产品周需求平均值和标准偏差，和需求变异系数（标准偏差和平均需求之比值）。

表1 过去8周以来每个市场对产品A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
累计
79
80
78
78
81
78
36
113

表2 过去8周以来每个市场对产品B需求
周
1
2
3
4
5
6
7
8
市场I
0
2
3
0
0
1
3
0
市场II
2
4
0
0
3
1
0
0
累计
2
6
3
0
3
2
3
0

表3 两种产品周需求统计数据

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
累计
A
77.9
20.71
0.27
累计
B
2.375
1.9
0.81

需要指出是，必需注意标准偏差和变异系数之间区分。即使二者全部用来反应用户需求变动性，不过标准偏差表示用户需求绝对变动性，而变异系数表示相对于平均需求变动性。比如，在上述所分析两种产品中，我们能够看到，产品A标准偏差比产品B要大得多，而产品B变异系数比A要大得多。这一特点在最终分析中将起到关键作用。
另外，还应注意到，对于每种产品来说，集中型系统所面临平均需求等于分散型系统下两个配送中心各自平均需求之和。不过，集中型系统需求变动性（不管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对应数据之和小得多。这种特点将对供给链上游生产系统产生关键影响。参考库存管理相关方法* Production and Operations Management: Manufacturing and Services (8/e), Richard B. Chase, Nicholas J. Aquilano, F. Robert Jacobs, Mcgraw-Hill, 1998 （英文影印版，机械工业出版社）
Operations Management, Jay Heizer, Barry Render, Prentice hall, （英文影印版， 清华大学出版社）
进行计算，可将这种影响概括为如表4。

表94 两种产品库存水平

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平均库存为88个（安全库存+Q/2），在配送中心I平均库存为91个。而在集中型系统之下，平均库存为132个。这么，假如该企业采取集中型系统，则产品A平均库存能降低26%。一样，在分散型系统之下，产品B在两个配送中心平均库存分别为15个，而在集中型系统之下，平均库存为20个，降低33%。
以上事例说明了供给链管理中一个关键概念：“Risk Pooling”，即“风险吸收池”。这个概念是说，多个地点需求总和变动性小于各个地点需求变动性。因为各个地点需求是随机变动，一个地点需求高峰和另一个地点需求低谷一累加，就有可能使总需求变动性减小。这么，需求变动性减小可使安全库存降低，从而降低平均库存水平。比如，在上述集中型系统中，其需求变动性不管是用标准偏差还是用变异系数来衡量，全部降低了。
从这一事例中，我们能够概括出“风险吸收池”三个关键点：
（1） 集中型库存可同时降低系统中安全库存和平均库存。因为在一个集中型系统中，假如原来两个分散市场需求一个高、一个低，集中型系统能够很轻易地将原先准备供给给一个市场产品转而供给给另一个市场。而这一点在分散型系统情况下极难作到，或说需要付出高额成本才能作到。
（2） 需求变异系数越大，从集中型系统中获益越大。也就是说，“风险吸收”程度越高。这是因为，平均库存实际上由两部分组成：一部分对应于需求平均值（即Q），另一部分对应于需求变动（即安全库存）。因为平均库存降低关键是经过降低安全库存来实现，所以变异系数越大，安全库存对整个库存降低影响越大。
（3） “风险吸收”效应还取决于不一样市场需求改变模式相关性。假如一个市场需求高于平均值另一个市场也一样，或一个市场需求低于平均值另一个市场也一样，则这两个市场有一个正相关关系。在正相关情况下，“风险吸收”效应将减弱，反之则增强。

二、 牛鞭效应

1、什么是牛鞭效应
配送管理中另一个关键问题是预防“牛鞭效应”（Bullwhip effect）。所谓牛鞭效应，是指订货量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给商过程中，不停地增大。这种效应曲解了供给链中需求信息，使各个节点对需求全部作出了不一样估量，其结果，只好在供给链上层层增大库存，以缓解放大需求波动。这种做法无疑造成了整个供给链上拥有庞大库存，从而造成了整个供给链损失。
很多企业在其供给链中全部发觉了牛鞭效应。比如，P&G企业发觉，它一个关键产品——婴儿纸尿布生产量计划波动很大，从而向供给商订购原材料有相当大波动。不过沿供给链往下再研究零售点销售量， 却发觉波动很小，即市场上对纸尿布需求实际上是相对稳定。这么，即使对最终产品需求是稳定，不过供给链上游订单波动却很大，且越往上越大。这么给制造商和原材料供给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企业在其打印机供给链中也发觉，在沿着从零售商到批发商、从批发商到HP打印机制造部门，直至其集成电路采购部门整个供给链中，订单波动在不停放大。这使得HP按时推行订单协议难度大为提升，并带来了成本增加。另外，在对服装、食品、甚至汽车工业研究中，也发觉了类似现象。

2、牛鞭效应原因分析
引发牛鞭效应原因有多个，这些原因往往和供给链结构方法和各节点之间信息沟通方法相关。其中部分关键原因以下。
（1）多级需求估计。大部分分销配送系统结构是多级。供给链上每个企业为了安排生产日程、采购计划、运输计划等，全部要进行需求估计，而估计基础则是其下游直接用户订货数据。传统做法是供给链分销配送步骤每一节点将其本身需求估计结果经过整理以订单形式向上一级汇报。上一级将其下游全部直接节点订单进行汇总和整理，然后再向其上一级发出订单。对产品需求估计信息就以订单形式一级一级地向供给链上游流动。然而，因为各个节点出于本身利益考虑，会依据自己既定库存补充方针、用户服务水平等对其下游企业需求估计数据进行人为整理和“修改”，再形成自己向上一级订单，造成对产品需求信息波动被逐步放大，从而造成了供给链中牛鞭效应发生。比如，一个由当地经销商、地域销售分企业，销售总企业所组成三级分销配送步骤，每一个步骤均依据其直接下游步骤最新订货统计（对于当地经销商来说，则依据当月销售数量）保持能够供给两周库存量，以此计算向上游步骤订货量。当市场需求为稳定每七天20个时，三级流通步骤期初库存、期末库存和订货数量全部相对稳定 (见表5)。不过，假设市场需求改变了5％，即从每七天需求20个变为每七天19个，如表6所表示，其上游步骤就会引发一层比一层更大波动。这种波动用图来表示，图3所表示。

表5 多级分销配送步骤运行(1)

项目
产品数量
当地经销商
期初库存
40
每七天销售量
20
期末库存
20
期望库存*
40
订货数量
20
地域销售分企业
期初库存
40
每七天销售量
20
期末库存
20
期望库存*
40
订货数量
20
销售总企业
期初库存
40
每七天销售量
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两倍。

表6 在需求变动5％情况下各步骤订货数量波动

第一周
第二周
第三周
第四面
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
每七天销售量
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％
地域销售分企业
期初库存
40
40
34
38
38
每七天销售量
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%
销售总企业
期初库存
40
40
29
46
38
每七天销售量
20
11
23
19
19
期末库存
20
29
6
27
19
期望库存
40
22
46
38
38
订货数量
20
0
40
11
19
订货数量波动百分比
0％
-100%
+ ¥
-72.5%
72.7%
地域销售分企业订货量
0
10
20
30
40
第一月
第二月
第三月
第四月
第五月
时间
订货量
销售总企业订货量
0
10
20
30
40
第一月
第二月
第三月
第四月
第五月
时间
订货量
当地经销商订货量
0
10
20
30
40
第一月
第二月
第三月
第四月
第五月
时间
订货量
图3 销售量、订货量波动图

(2) 批量订货。供给链中每个企业全部依据一定控制规则来进行库存管理并补充订货。即使伴随销售，产品库存量天天全部会降低，但企业不会立即就向其上游供给商订货，而是等库存降低积累到一定数量后，才会向供给链上一级提出订货要求。比如，一个根据定量控制系统进行库存管理分销配送商只有在某种产品库存量低于再订货点时才会向其供给链上游企业订货。供给链上每一节点采取批量订货关键原因是为了节省订货成本和利用批量带来价格折扣，不过，无疑这种做法会“扭曲”需求真正信息，使供给链上游企业所取得需求信息同市场真正需求信息产生出入。同时，企业每次订货量也会随市场需求情况改变而改变。因为订货批量影响，企业订货量波动幅度要远大于该企业自己所面正确市场需求波动幅度。其表现形式往往是企业某30天订货量尤其大，而下个月则可能根本不会订货。所以，定时批量订货也放大了订货量波动幅度，这是产生牛鞭效应另一个关键原因。
另外，供给链上每一企业全部几乎会同时面对下一级多个分销配送商或零售商。假如下一级这些企业中大部分有着相同订货周期，比如全部集中在月初或月末，则对上一级企业来说。所接到订单就会出现显著周期性峰值，则牛鞭效应有可能会被再次加剧。
(3) 价格波动。产品促销有效手段之一是在特定时期内为用户提供特价优惠。尽管这一促销方法能够临时扩大企业销售量，但从长远来看，采取这一策略对企业来说并非是明智之举。在企业为用户提供特价优惠时候，只要库存成本低于这一价格差异值，很多分销配送商全部会借机大量增加采购量，将以较低价格购进产品贮备起来用于以后销售，同时很多用户自然也要购置多于实际需求量产品贮备起来供家庭或个人以后消费之用。如此一来，企业提供特价优惠销售一个直接后果是供给链下游企业“自愿地”增加了库存量，这显然不利于整条供给链优化。同时，这一价格波动还带来了更为严重间接后果：低价优惠促销策略使得经销商和消费者提前购置她们当初并不需要产品，这使得企业经销商和用户购置行为和其消费行为并不吻合，而企业也无法正确区分增加购置量中有多少是用户因低价而当初增加消费，多少是用户贮备起来以供以后消费所需。这最终造成消费者购置波动远大于其实际消费量波动，使得企业在较长时间内面临着较大需求波动。
(4) 产品短缺时按百分比供给策略。当市场上出现产品供不应求情况时，供给链上游企业往往会按下游分销配送商或零售商订货量占总订货量百分比来分配供给她们产品数量。但这么一来，供给链下游要货方就有可能有意加大订货数量，即使供给商只给她们一部分，她们也仍然得到了实际所需数量。这种做法对于上游供给商正确估计市场对其产品真正需求显然是不利。比如，HP企业就曾因对其LaserJet III打印机采取了产品短缺时按百分比供给策略而蒙受了巨大损失。当市场对惠普LaserJet III打印机需求量大于惠普企业供货能力时，惠普企业就采取了按上述百分比给经销商提供打印机数量做法。结果，惠普企业收到订单订货数量剧增。在惠普企业投入大量人力、物力加紧生产LaserJet III打印机时，取得了惠普企业按百分比供给打印机数量就已经基础满足经销商开始大量取消先前人为增加订单量，结果造成惠普企业因产品积压和无须要生产能力扩充而蒙受了巨大损失。

3、减小牛鞭效应对策和方法
假如明确了产生牛鞭效应原因，接下来就能够考虑对应对策和方法。以下讨论通常对策和方法，不过在实际应用中，企业必需依据自己实际情况灵活使用和组合使用这些方法。

（1） 提升信息精度
牛鞭效应产生根本原因是需求信息在沿供给链传输过程中失真和波动放大。所以，不言而喻，提升信息精度是最关键一项方法。
提升信息精度一个方法是分享POS数据。引发供给链上牛鞭效应一个基础原因是供给链上各级企业全部用下游订单数据来估计需求，这种多级需求估计方法造成信息每经过一个步骤，波动就被放大部分。但实际上，整个供给链中真正需要满足只是最终用户需求，这种需求通常可由零售商POS数据反应出来。这么，假如直接和用户打交道零售商能够和供给链上其它步骤分享POS数据，则各个步骤就能够在同一基础上进行需求估计，从而降低牛鞭效应。很多企业现在已经成功地实现了这种信息共享，比如，戴尔计算机企业，P&G企业和沃马特企业等，避免了无须要订单波动。
除了POS数据以外，供给链上各步骤还需要分享其它相关信息。比如，一个零售商一月份需求很大，因为其进行了促销，假如在接下来二月份没计划促销，则零售商需求量和制造商估计结果就有可能不一样，即使二者分享了DOS数据。在这种情况下，制造商还必需知道零售商促销计划，从而及早做好准备。

（2）由单一节点控制补充供货
假如在整个供给链上由单一节点控制补充供货，也有利于降低牛鞭效应。因为如上所述，引发牛鞭效应一个关键原因是供给链上每一节点使用来自直接下游节点订货数据作为需求数据，每一节点全部自己向直接上游节点订货。这么就造成各个节点要求供货量是不一致，从而增大整个供给链上库存。假如采取单一节点控制整个供给链补充供货，就能够消除各个节点之间这种不一致，达成整个供给链协调。
对于象Dell这么直接面向用户销售商，单一节点控制是自动实现，因为在制造商和用户之间不存在中间节点，制造商自动变成了补充供货单一控制者。当销售是经过多个步骤经销商、零售商来进行时，就需要采取一个有效方法来实现单一节点控制。多年来发展起来一个方法被称为“卖方管理库存”（Vender-managed inventory, VMI）或“连续补充供货”（Continuous Replenishment Programs, CRP），即供给链上游企业（供给方）依据下游企业POS数据和库存数据有规则地向下游补充供货，这就相当于由原来供给链上企业各自管理各自库存改为由上游企业统一管理下游企业库存管理下游企业（要货方）库存。在类似于日用具、食品等消费品行业供给链中，诸如纳比斯克，沃马特，K马特，P&G等很多企业全部采取了这种方法来降低牛鞭效应，降低库存，，取得了很好绩效。

（3） 减小订货批量
订货批量减小能够降低供给链上任意两个节点之间可能积累起来需求波动。不过，批量减小会带来订货次数增加和小批量运输成本增加等问题。所以，要想减小批量，必需采取方法减小和订货、运输和收货等相关固定成本。
批量减小带来成本之一是因为订货次数增加，所需下订单、收货等相关业务量在那国家，从而带来交易成本增加。克服这个问题方法之一是利用计算机辅助订货（Computer-assisted ordering, CAO）。CAO是指使用计算机来准备订单，实现“无纸化”作业。今天，已经有越来越多企业利用EDI、因特网等技术来进行订货业务，这首先降低了商品买方订货成本，其次也降低了商品供给商供货成本。
从运输费用角度来说，小批量零担运输成本比大批量整车运输成本要高得多，所以，要想减小批量，还必需克服批量减小带来运输成本上升问题，一个既减小批量又不至于带来运输成本提升方法是“Cross docking”，即把多个小批量商品聚集在一起，拼成整车运输批量。比如，沃马特向其零售店商品配送就广泛采取了这一方法。日本最大零售连锁店之一——“Seven－Eleven”店也成功地利用了这一方法，其一辆运货车上，按食品所需不一样温度分别组合，这使得7-11能够既保持送往每一零售店商品多样性，同时又实现整车运输，降低了送货所需车辆。
批量减小所碰到另一个问题是：假如订货和送货批量减小，则收货作业频数和成本则会上升。为此，还需采取方法，比如，利用某种技术使收货作业简化，从而降低收货成本。比如，利用电子手段确定装运内容，数量，到货时间，从而减小卸货时间，增加交叉装运效率。装货托盘上条形码也有利于货物接收作业效率提升。

（4） 产品短缺情况下分配策略和信息共享
在产品短缺情况下，传统做法是依据每个零售商（要货方）订货要求，按一定百分比供给她们。但正如前面所提到，这么一来，要货方就会加大订货数量，即使供给商只给她们一部分，她们也仍然得到了实际所需数量。要货方这种夸大了订货数量使得牛鞭效应更严重。所以，现在一个新方法是，不是根据要货方要货数量，而是根据过去销售业绩，将可供产品按百分比供货。这么就促进要货方在需求低谷时销售更多产品。很多企业，诸如GM，HP等，现在全部采取了这种作法。
还有部分企业试图经过在整个供给链上实现信息共享来降低产品短缺情况发生，比如，有些企业向其大用户提供提前订货优惠，这种信息使得企业能够改善估计精度，并据此安排自己生产能力。假如生产能力能够合理地分配给多种产品，则能降低产品短缺情况发生，这么就能起到抑制牛鞭效应效果，从这个意义上来说，灵活生产能力也有利于牛鞭效应缓减。

（5）利用合适价格策略来稳定需求
可采取价格策略之一是讲传统批量价格优惠改为数量价格优惠。假如企业采取以批量为基础价格优惠，则零售商倾向于增大批量，以利用这种优惠，而以数量为基础价格优惠是指以一定时期内（比如十二个月）购置数量总和为基础价格优惠。采取后一个方法，能够避免单一订单大批量，而是小批量多订单，这么就能够降低供给链上订单波动。但这种方法使用需要注意一点：假如以数量为基础价格优惠有一个固定截止日期，有可能在此日期之前引发大批量订购，所以，一个愈加好方法是采取滚动时间周期，以降低这种订购波动。
可采取另一个价格策略是“稳定价格（Stabilizing Pricing）”,即去掉促销，而改用“每日低价”（Every Day Low Pricing， DELP）。假如没有周期性或临时性地促销，零售商就不会集中在此期间大量订购，而是根据料客需求来订购，P&G和部分其它日用具企业全部实施了这种策略。
另一个方法是把给零售商促销优惠额和其销售额相挂钩，而不是和其采购量相挂购。这么零售商得不到提前购置好处，而仅只是购置她们能够销售出去量，这么也可显著地缓解牛鞭效应。

（6）建立合作伙伴关系和信任
以上所讨论降低牛鞭效应很多方法全部需要供给链上各个企业协力合作和相互信任才能够做到。因为，首先，只有合作才有可能共享供给链上各节点信息，从而愈加好地使供给链上供需吻合。其次，相互之间愈加好关系也能够节省交易成本，比如，假如一个供给商能够相信来自零售商估计和订货信息，则能够省却自己进行估计工作。类似地，假如零售商信任供给商供货质量和交货时间，就可省却自己催促，验货等收货工作。通常来说，在相互信任和友好关系基础上，供给链上各节点很多反复性工作全部能够省却。伴随正确信息共享而来交易成本降低也能够帮助缓解牛鞭效应。从这个意义上来说，建立供给链上合作和信任关系是减小牛鞭效应、改善整个供给链管理绩效前提。