供应链中断下顾客缺货反应对牛鞭效应的影响研究

张小玲，陆 强

(1.深圳信息职业技术学院，广东 深圳 518172；2. 哈尔滨工业大学深圳研究生院，广东 深圳 518055)

供应链中断下顾客缺货反应对牛鞭效应的影响研究

张小玲1，陆 强2

(1.深圳信息职业技术学院，广东 深圳 518172；2. 哈尔滨工业大学深圳研究生院，广东 深圳 518055)

传统的关于供应链牛鞭效应的研究，仅关注供应链上游成员间(供应商、制造商或零售商)的协调运作，而忽略缺货发生后顾客缺货反应对供应链动态性的影响。本文利用高层级Petri-net对包含两个制造商、两个零售商的供应链系统进行建模与仿真，定量地研究不同的缺货强度下顾客缺货反应对两条相互竞争的供应链牛鞭效应的影响。研究结果表明，顾客缺货反应对缺货品牌及其竞争品牌的牛鞭效应均存在显著影响，但各种缺货反应对牛鞭效应的影响程度有所差异，且供应链中断强度(主要体现为发生缺货的品牌市场份额以及缺货持续时间)亦对牛鞭效应产生显著影响。我们建议不同产品类型(对应不同的顾客反应组合)的管理者根据品牌的市场占有率、缺货持续时间等因素对不同类型的顾客进行购买行为的引导，以缓解牛鞭效应并保持市场份额。

供应链中断；顾客缺货反应；牛鞭效应；Petri-net

1 引言

近年来，学术界和工业界越来越关注“供应链中断”这一概念[1]。供应链中断(Supply Chain Disruption)即各类未计划、未预料的事件发生，中断了供应商、制造商、零售商和顾客之间正常的物流和信息流[2-3]，并且，使得链中企业陷入运作和财务风险[4]。BCI(Business Continuity Institute)的一份报告指出，随着供应链的全球化扩张，2009年供应链中断发生的比率比2008年增加了58%。为了缓解供应链中断造成的影响，学者从各种关键领域，如供应管理、需求管理、生产管理和信息管理等，提出了不同的策略和模型[5-6]。

供应链中断后，终端顾客所能感知的即为零售商的缺货。市场营销领域有关供应链中断的研究集中于对零售商缺货的研究，主要就零售商的缺货损失以及缺货发生后顾客购买行为的改变进行了大量问卷与实证研究。相关研究表明，缺货带来的潜在损失包括两个方面，分别为品牌销售损失[7]和商品销售损失[8]。大量学者倾向于研究如何在缺货发生后挽留顾客以降低品牌销售损失以及商品销售损失[9-10]。通过近年来的进一步研究，人们发现缺货品牌及其竞争品牌都将遭受由供应链低效运作造成的间接损失[11]。也有不少文献研究了缺货下顾客购买行为的改变。Gruen等学者[11-12]将缺货后顾客的购买行为归结为五类：(1)转换商店；(2)延迟购买；(3)同品牌替代(不同规格)；(4)转换品牌；(5)放弃购买。顾客作为一个自适应的个体，其面对缺货的购买行为是极为关键的变量；相应的，对于供应链的设计和管理，顾客购买行为与供给-需求波动之间的逻辑关系至关重要。林文进等学者[13]就顾客行为和生产能力限制对供应链牛鞭效应的影响进行了研究。Hendricks和Singhal[2]认为人们应该致力于改进供应链的反应能力，尤其是当供应链中断发生时，供应链的反应能力对供应链的绩效存在重要影响。由此，不少学者定性的提出顾客反应型供应链策略[5，14-15]，并建议研究者应该更多的关注缺货后顾客的购买行为改变对供应链绩效的影响因素分析[16]。然而，进行这样的分析需要一套适用于大规模复杂网络的建模和分析方法。

事实上，在运营管理领域，数学建模(包括随机和确定性的)[17]和仿真等方法早已应用到供应链网络的研究中[18]。目前有关供应链中断的研究只是关注网络中上游成员的构建，而将顾客视为产品或服务的被动接受者。Sterman[19]通过啤酒游戏证实了管理中牛鞭效应的存在，即供应链的波动自下游向上游放大传播。Lee 等学者[20]的研究理论认为，需求预测修正、订货批量决策、价格波动、短缺博弈是牛鞭效应产生的主要原因。Chen等学者[21]用严密的理论推导，研究了需求预测对“牛鞭效应”的影响，零售商利用标准的预测手段来估计顾客需求过程的某些参数，而不是简单地假设零售商了解顾客需求过程的特定形式。他考察一个需求随着时间呈非静态的多期库存模型，需求预测基于观测到的需求来更新。在非静态需求下， 库存系统第t 期的订货点决策也为非静态。例如，零售商在一期经历了需求的高涨，他将把此视为未来高需求的一个信号，并调整他对需求的预期，由此导致需求的变异放大，即“牛鞭效应”。这种需求信号模型的例子包括贝叶斯更新模型(Bayesian Updating Model)[22]，连续相关需求模型[23-24]。

然而，以往的牛鞭效应研究将任何未满足的订单视为积压，即面对缺货顾客选择一直停留在店中直至购买到所需的产品[19，20，25]。事实上，由于信息的可得性和越来越多的采购渠道，顾客越来越不能容忍缺货，主要体现为顾客购买行为的多样化(顾客缺货反应)。我们认为供应链的中断，表现为零售商缺货，引起顾客购买行为改变，使得零售商和制造商的需求-供给发生剧烈变化，这种剧烈变化将沿着供应链逐级传播，将加剧供应链的牛鞭效应。

应将这种现象加入到现有的牛鞭效应研究中，具体而言，我们的研究问题是：供应链中断情境下，顾客的缺货反应对供应链的牛鞭效应将产生怎样的影响？

假设在快速消费品市场上，存在两个品牌和两个零售商，消费者可以从中进行选择购买。通过构建基于Petri-net的仿真模型，当一个品牌在某个零售商处发生缺货(缺货原因可能是运输断裂、零售商库存管理不当等导致供应链随机中断)，结合顾客缺货反应、品牌市场份额和缺货持续时间等因素，探讨：

(1)顾客缺货反应：既然顾客面对缺货会有不同的反应，我们将探讨顾客缺货反应将如何影响两条相互竞争的供应链各自的牛鞭效应。(2)供应链中断强度：进一步深入探讨供应链中断的强度(主要体现为缺货品牌的市场份额以及缺货的持续时间)如何影响缺货品牌以及竞争品牌的牛鞭效应。

我们将首先从总体层面进行研究，然后再针对具体的几类产品展开应用研究，探讨所构建模型的可靠性及有效性，并为具体行业的供应链管理者提供决策支持。

2 基于Petri-net的供应链模型

适合于描述异步的、并发的复杂系统模型的Petri-net既有严格的数学表述方式，也有直观的图形表达方式，既有丰富的系统描述手段，也有严谨的系统行为分析技术，在供应链管理领域得到了广泛的应用[26，27]。我们应用高层级Petri-net构建供应链模型，所建模型框架见图1。

图1 研究框架

顾客子模块的活动1.仿真的每个周期,系统产生四类原始顾客需求(ICD_B1S1,ICD_B2S1,ICD_B1S2,ICD_B2S2);2.在每个店,若店内库存高于顾客需求,则将原始顾客需求记为POS;3.在每个店,若原始顾客需求大于店内库存,则发生缺货,未能满足的顾客需求将根据顾客反应进行划分: a.顾客有CR1的几率更换商店购买同一品牌 b.顾客有CR2的几率延迟购买,并在下一周期返回同一商店购买同一品牌 c.顾客有CR3的几率在同一商店内购买同一品牌不同规格的商品 d.顾客有CR4的几率在同一商店购买不同的品牌 e.顾客有CR5的几率选择放弃购买 CR1+CR2+CR3+CR4+CR5=1(1)4.第一轮顾客反应过后任何仍未满足的需求视为放弃购买。零售商子模块的活动1.收到来自制造商的产品;2.投递顾客采购的产品;3.记录POS数据;4.根据历史POS数据预测未来需求;5.根据需求预测和库存向制造商下订单。由于我们将最后未能得到满足的需求视为销售损失,零售商处库存点的计算公式为: InventoryPosition=on_handinventory+on_order(2)其中,on_handinventory为零售商持有的库存,on_order为零售商已下却未收到产品的订单量。制造商子模块的活动1.记录各个零售商反馈来的需求信息;2.产成品入库;3.收到各个零售商的订单,合并订单;4.根据订单投递产品:根据每个零售商的积压订单分配产品[28]。即制造商根据零售商的订单量来分配投递量。具体而言,如果制造商的在手库存不足以满足零售商的订单,则根据每个零售商的订货量占总订单量的比例进行配送。如,当制造商1只有300单位的库存时,若零售商1的订单量为200单位,而零售商2的订单量为400单位,则制造商1将投递100单位给零售商1,投递200单位给零售商2。制造商2执行同样的配送规则。5.根据零售商的历史订单预测未来需求;6.根据需求预测和库存点下单生产。制造商处所有未能满足的订单视为积压,制造商库存点的计算公式为: InventoryPosition=on_handinventory-backlog+on_order(3)其中,on_handinventory为制造商持有的库存量,backlog为尚未履行的订单,on_order为制造商下单生产但还未产成的量。

如图1，我们应用基于高层级Petri-net 的模型框架研究缺货发生后顾客购买行为的改变对牛鞭效应的影响。本模型包含一个三层的供应链，包括四种类型的顾客(产品S1B1的顾客，产品S1B2的顾客，产品S2B1的顾客，产品S2B2的顾客)，两个零售商(商店1与商店2)，两个制造商(品牌1与品牌2)。两个品牌相互竞争，制造商1生产产品1并同时在两个商店出售，其竞争者制造商2生产产品2并同时在两个商店出售。零售商的库存用于即时的顾客需求。零售商处任何未能满足的需求即为缺货，这部分未能得到满足的顾客需求将根据顾客缺货反应进行相应处理(见表1顾客子模块的活动)。制造商处任何未能满足的需求视为订单积压。

模型应用Aarhus University 的CPN Group 于2000年开发并一直应用至今的Petri-net建模软件CPN Tools (Http://www.daimi.au.dk/CPnets/)进行构建。整个模型分为四大模块，包括父模块和三个子模块，三个子模块分别为顾客子模块，零售商子模块和制造商子模块。各子模块的行为活动见表1。

本文所构建仿真模型与现有研究牛鞭效应的仿真模型相比，添加了顾客缺货反应模块。以往的仿真模型将顾客视为产品或服务的被动接受者，而将任何未满足的订单视为积压，即面对缺货顾客选择停留在店中直至购买到所需的产品[19-21]。本模型在以往研究基础上，添加顾客缺货反应模块，即面对缺货，顾客的5种购买行为将影响制造商、零售商的市场需求，零售商或制造商将这种市场需求的变异视为真实的需求信号，在此需求信号的基础上进行下一周期的需求预测，使得需求变异沿着供应链被逐级放大，从而加剧供应链的牛鞭效应。

3 研究假设

为了使模型更真实的反应供应链，模型考虑了供应链管理的重要因素，如需求模型、订货策略、前置期和需求预测模型等。

3.1 初始顾客需求

四类顾客的初始需求符合均值为200，方差为202的正态分布，这与Chen等[21]的假设相一致。零售商面对不确定的顾客需求，每个周期每类产品的需求均值为200。零售商通过向制造商订货补充库存，因此各制造商每周期的需求均值为400。

3.2 前置期

从下达订单到收到货品之间的时间间隔称为前置期。在Chatfield 等[29]的模型中，顾客、零售商、批发商、分销商以及厂商处的前置期分别为0, 4, 4, 4, 4个时间周期。因此，在本模型中，零售商收到货物即可开始向顾客出售，即假设顾客和零售商的前置期为0天，将制造商下单生产到零售商收到货品的前置期设为4天。每组仿真实验的运行周期为50天。

3.3 订货策略

不少学者应用最大库存策略进行库存管理[25,27]，即当发现库存降低到再订货点时，开始订货，订货后使最大库存保持不变。这种周期性的最大库存策略适用于独立同分布的需求，假设模型中的各个供应链成员都采用最大库存测量进行订货决策。订货决策服从：

Ot=Yt-InventoryPosition

(4)

其中，Ot为周期t末的订货决策，Yt为周期t的订货点，InventoryPosition为当期的库存水平，其计算方法见表1。

每周期订货点更新的计算公式为：

(5)

(6)

由于模型中前置期是固定的，订货点主要取决于所使用的预测方法。

3.4 需求预测

移动平均预测法是一种被广泛接受简单而有效的预测方法。我们用移动平均法将过去n个周期的真实需求进行平均以预测下一周期的需求[21]：

(7)

在仿真中，Dt-0表示t-0天的真实需求，n为将被平均的周期数。为简单起见，我们设n=6[31]。

4 仿真实验设计与结果分析

本节将通过动态仿真来研究由于随机事件的发生导致供应链中断的情境下，两类因素顾客缺货反应、供应链中断强度对牛鞭效应的影响。

4.1 仿真实验

本组实验，我们研究在不同的品牌市场份额和缺货持续时间下，不同的顾客缺货反应(共5种顾客反应：更换商店CR1，延迟购买CR2，同一品牌替代CR3，转换品牌CR4以及放弃购买CR5)如何影响缺货品牌及竞争品牌供应链的牛鞭效应。

本组实验的核心是顾客反应，我们对所有的顾客反应组合进行了实验。由于：

0≤CRi≤1i=1,2…,5

(8)

且：

CR1+CR2+…+CR5=1

(1)

根据Gruen等[11-12]的研究，缺货的持续时间及发生的概率分为：少于8小时(19%)，8小时到1天(36%)，1天到3天(25%)，多于3天(20%)。据此，我们设置了4种水平的缺货持续时间分别对应Gruen等[11]的研究：1天，2天，3天和4天。在本组实验中，选取两种水平的缺货持续时间：1天和3天。

表2 实验设计I

模型中假设两个制造商分别生产不同品牌的产品，品牌的市场份额设置为大品牌(缺货品牌的市场份额为70%)发生缺货，同等竞争水平的品牌(缺货品牌的市场份额为50%)发生缺货，以及小品牌(缺货品牌的市场份额为30%)发生缺货。探讨大中小品牌发生缺货后顾客的不同反应对供应链动态性的影响。实验设计见表2。由此共有756(2×3×126)组实验，每组试验后收集两类数据，缺货品牌的牛鞭效应和竞争品牌的牛鞭效应。每组实验运行10次，对结果取平均值。其中，牛鞭效应的测量指标为制造商下单生产的方差(var(MPR))与顾客需求方差(var(CD))之间的比值[21]：

BWE=var(MPR)/var(CD)

(9)

对实验结果进行方差分析，结果见表3。

表3 牛鞭效应的方差分析

(*表示5%的显著性水平)

我们从试验结果中得到一系列管理启示。对于发生缺货的品牌，品牌市场份额、缺货持续时间以及转换商店的顾客(CR1)和延迟购买的顾客(CR2)对其供应链的牛鞭效应有积极的显著影响。即缺货持续时间越长，或缺货品牌的市场份额越大，或越多的顾客选择更换商店或延迟购买，牛鞭效应越显著。在以往的研究中，人们发现面对缺货时，顾客选择转换商店或延迟购买，对零售商造成销售损失，忽略了顾客的缺货反应对供应链的上游制造商的影响。通过本研究，我们发现选择转换商店或延迟购买的顾客将加剧整个供应链条的牛鞭效应，从而加大制造商的生产波动，造成大量库存积压。因此，当缺货发生时，缺货品牌的制造商和零售商都将产生损失，有必要推动制造商和零售商的合作，对具有显著影响的顾客(更换商店、延迟购买)给予关注，挽留顾客，在保证零售商、制造商的市场份额的同时，提高供应链的运作效率。

本研究量化了各类顾客购买行为的危害性。更换商店和延迟购买是两类具有显著影响的顾客群体，其中，更换商店的顾客造成的影响(估计值为50.0885)要大于选择延迟购买的顾客造成的影响(估计值为31.3131，见表3)。这与Jing Xiaoqing和Lewis[32]关于网络零售的一项研究成果相一致，他们认为应根据顾客特性进行库存优化。同样，管理者应根据顾客的影响程度进行供应链的优化管理。

另外，我们发现并非所有顾客购买行为都对牛鞭效应产生显著作用，如选择同一品牌不同规格产品替代的顾客或选择另一品牌的顾客以及放弃购买的顾客。相对于“放弃购买”或“品牌转换”的顾客，选择同一品牌进行替代的顾客有助于同时维持制造商和零售商的市场份额。我们建议制造商与零售商应紧密合作，鼓励顾客在同一商店内进行同一品牌的替代，尤其是鼓励那些倾向于更换商店的顾客。这对制造商和零售商是一种双赢的策略。首先，该策略能减少双方的销售损失。其次，越多的顾客选择同一品牌替代，则更换商店或延迟购买的顾客比例将相应降低，牛鞭效应得到缓解。这是一种顾客需求转移策略，已被成功地应用到供应链中断风险的管理中。如1999年台湾地震后，戴尔遭遇了供应中断。通过促销手段，戴尔成功地将顾客需求转移到一些可得的产品上，从而控制了顾客的产品选择[33]。

对于竞争品牌，我们发现缺货品牌的市场份额、缺货的持续时间都将加剧供应链的牛鞭效应，但只有更换品牌的顾客(CR4)对供应链的牛鞭效应产生积极的显著影响。虽然，顾客选择购买另一种品牌能够暂时增加竞争品牌的市场份额，但是，这种购买行为为管理者提供了一种假象。这种不准确的需求信号将沿着供应链被扭曲放大[20]。如同Gruen和Corsten[12]所述，用另一种商品代替缺货商品，这种转移行为增加了在库商品的销售(超越了在库商品的正常需求)。因此，当一种品牌发生缺货时，作为其竞争品牌的管理者，应与零售商合作，将转移而来的顾客需求与自身正常的顾客需求区分开来，避免市场的虚假繁荣造成供应链运作上的低效率。同时，可抓住机会，以高品质的产品吸引暂时转移来的顾客，培养顾客的忠诚度，增加市场份额。

5 应用分析

上述仿真实验从整体上探讨了顾客购买行为对牛鞭效应的影响，本节我们将对5种具体的商品类别进行应用仿真分析。在快速消费品供应链中，当顾客遭遇缺货时，根据Gruen和Corsten[12]以及Gruen等[11]的研究，面对不同类别的产品人们的购买行为改变是不同的，见表4。因此，我们将应用Gruen等学者的研究成果进行实际案例分析，探讨具体的产品类别下缺货强度(主要体现为品牌市场份额和缺货持续时间)分别对缺货品牌和竞争品牌的牛鞭效应的影响。

表4 顾客面对不同产品缺货时的购买选择

本组实验考虑所有的缺货持续时间，即四个持续水平，品牌市场份额从70%，以10%为步长，递减到30%。实验设计见表5。

每类商品均有20组实验，每组实验运行10次，对结果取平均值，实验结果的方差分析见表6。

表5 实验设计II

基于实验II的结果，我们得到如下启示。对于缺货品牌，所研究的5类商品中，缺货品牌市场份额、缺货持续时间以及两者的交互作用都对缺货品牌的牛鞭效应产生显著影响。然而，影响程度是不同的，其中品牌市场份额影响最为显著，越是大品牌发生缺货，越能加剧该品牌的牛鞭效应。并且，对不同种类的商品而言，市场份额的影响程度存在差异。5类商品中，品牌市场份额对化妆品的影响最大(估计值为145.5408，见表6)。化妆品与其他4类商品的差异与Gruen和Corsten[12]以及Gruen等[11]收集的数据结果一致。这可以解释为顾客在购买化妆品时有更大的品牌偏好性，越是大品牌的化妆品拥有越高的顾客忠诚度，缺货发生时，顾客更加倾向于转换商店购买同一品牌。这与我们在仿真实验中得到的结果相一致，当顾客选择转换商店时将加剧牛鞭效应。虽然缺货持续时间及其与市场份额的交互作用对牛鞭效应的影响小于市场份额产生的影响，管理者仍可以通过与零售商的紧密合作，如增加安全库存、应用更精确的库存追踪系统等，降低缺货持续时间，以缓解因缺货造成的牛鞭效应。

对于竞争品牌，缺货品牌的市场份额对竞争品牌的牛鞭效应亦会产生显著影响，即大厂商的缺货越能加剧小厂商的牛鞭效应，使得本身就经营不善的小厂商处境更加恶劣。但影响程度因不同的商品类别而异，在我们研究的5类商品中，市场份额对纸巾和零食类商品的牛鞭效应影响最大。根据Gruen和Corsten[12]以及Gruen等[11]的研究，纸巾和零食类商品的购买者对品牌的拥护程度较低，当遭遇缺货时，顾客更多的选择另一品牌的商品进行替代，因此，越大的品牌发生缺货，选择不同品牌替代的顾客也就越多，越能加剧竞争品牌的牛鞭效应。我们建议，当大厂商发生缺货时，小厂商应尽可能保证货源充足，以吸引更多的顾客，另一方面应与零售商紧密合作，将暂时的顾客需求与真实的顾客需求区分开，实现供应链的有效运作。

本节，我们通过对化妆品、洗发水、咖啡、纸巾以及零食等快速消费品进行应用仿真分析，验证了本模型的可靠性及有效性，并为这5类消费品供应链管理者在面对供应链中断时，提供相应的决策支持。

表6 不同产品类别下牛鞭效应的方差分析

(*表示5%的显著性水平)

6 结语

本文应用高层级Petri-net构建了包含两个品牌的相互竞争的供应链系统，研究其中一个品牌发生缺货后顾客购买行为的改变分别对两个品牌(缺货品牌及其竞争品牌)供应链牛鞭效应的影响，为一项探索性的研究。仿真结果显示，对于缺货品牌而言，对牛鞭效应形成显著影响的为五类顾客缺货反应中的两类，即选择更换商店和延迟购买的顾客。因此，当各类不确定事件发生，导致供应链缺货，尤其是终端消费者遭遇缺货时，生产企业的供应链管理者，应当积极与零售商合作引导这些顾客进行同品牌不同规格产品的替代，以维持市场份额并保持供应链的有效性。对于竞争品牌的供应链管理者，也可加强与零售商的合作，以及时获取竞争品牌的缺货信息，从而采取相应的管理策略调整。因为对竞争品牌的显著影响因素为更换品牌的顾客，建议竞争品牌的管理者与零售商合作，将虚假转移的顾客需求与自身真实的顾客需求区分开，以更科学的安排生产与销售。同时，我们发现不同的产品类别下供应链中断强度对牛鞭效应亦存在显著影响。建议生产企业的供应链管理者及时采取措施，降低缺货的持续时间，或提供同类可替代产品，以降低供应链的中断强度，缓解供应链牛鞭效应。

在现实的市场环境中，遭遇缺货时顾客反应随着品牌、产品和地区而改变[11，34]。因此，开发一套方法对不同的运作条件进行评估而非寻求最优的顾客反应组合更有益于生产企业的供应链系统 设计者。本方法可以为生产企业的供应链系统设计者提供决策支持依据。供应链系统的设计者，可以根据自身供应链的产品特点，进行顾客缺货反应进行调研，根据调研结果，应用本方法，通过仿真实验，诊断该产品缺货时，顾客的购买行为将对供应链牛鞭效应产生的影响，从而针对具体的产品类别，采用不同的供应链管理方法。

通过基于Petri-net的仿真，我们为定量测量顾客缺货反应对牛鞭效应的影响提供了基础。本文的研究依然存在不少局限性。首先，研究假设模型中所有的企业都采用简单的时间序列预测模型，对不同的预测模型，如两参数指数平滑法、三参数Winter’s模型等进行比较分析可作为未来的一个研究方向。其次，我们不是在寻找零售商缺货的原因，而在于将缺货对缺货品牌和竞争品牌的影响进行量化。有趣的是，Gruen等[11]认为缺货的原因有以下几点：28%源于供应链的上游(制造商)，25%是由于商店的库存管理不当，47%是由于商店的订单与预测失误。Musalem等[35]也讨论了这类问题。关注零售商的库存管理系统，使在库商品能够及时上架，从而有效缓解牛鞭效应将成为未来一个有意思的课题。

[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] 林文进，江志斌，李国威，等. 顾客行为和生产能力限制的牛鞭效应分析[J]. 上海交通大学学报，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, 刘思峰, 方志耕, 等. 供应链网络系统的牛鞭效应时滞因素分析与库存控制策略研究[J]. 中国管理科学, 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] 李刚, 汪寿阳, 于刚,等, 牛鞭效应与生产平滑问题有效性模型[J]. 管理科学学报, 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] 韩文民, 袁丽丽, 叶涛锋, 基于随机Petri网的生产提前期牛鞭效应测度研究[J]. 中国管理科学,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

国家自然科学基金资助项目(71171064)

张小玲(1982-)，女(汉族)，福建人， 深圳信息职业技术学院讲师，研究方向：供应链管理,E-mail:190836773@qq.com.

F252

A