基于社群交互的大规模定制供应链模型

牛茹娇，丁香乾，陶 冶，侯瑞春

（1.中国海洋大学 信息科学与工程学院，青岛 266100；2.青岛科技大学 信息科学技术学院，青岛 266061）

0 引言

传统的标准化生产方式已经不能满足新经济形势下消费者对多样化、个性化产品的需求[1]。大规模定制凭借其柔性制造、快速响应的特点，能在产生规模效益的同时满足用户的多样化、个性化需求。有助于企业应对竞争激烈的市场环境，逐渐成为企业追求的目标和未来商业发展的趋势。大规模定制模式的发展也影响并改变着传统的供应链模式。在传统的供应链模型中，生产商和用户之间的信息传递要经过许多中间环节，用户的需求信息无法准确传递到生产商手中，从而导致各节点库存的层层累积，产生“牛鞭效应”。而在大规模定制的供应链中，生产商与用户可以进行直接信息交流，能够更好地了解用户的定制需求并实现以需定产。

目前，有许多学者对大规模定制及其供应链进行了研究，樊双蛟[2]等在电子商务环境下构建了考虑促销的大规模定制产品库存模型。张维杰[3]以海尔互联工厂为背景，研究基于用户需求的大规模定制模式。高亮[4]分析并研究了大规模定制产品供应链信息流管理及建模仿真，建立了企业内部供应链信息管理机制，解决了因为市场需求不确定和“牛鞭效应”带来的供应链管理的问题。但多数研究将用户的定制需求与供应链管理割裂开，或采用随机函数模拟用户需求，与实际定制流程存在较大差距。

社群将有相同需求、共同喜好的用户聚集在一起，强调“以用户为中心”[5]。社群交互是指社群中某个或一群用户将信息传递给另外一个或一群用户，这个信息传递的过程可能会改变这些用户的偏好、实际购买行为或是他们未来的交流方式[6]。通过广告宣传与好友推荐等交互方式，可以加大用户的购买欲望。这对模拟大规模定制的用户需求量具有良好的借鉴意义。因此，本文基于社群交互模式，将用户需求与大规模供应链结合，建立了基于社群交互的大规模定制供应链模型，覆盖了大规模定制产品从定制到生产再到销售交付的全周期主要环节。

1 系统动力学模型构建

以按订单制造（Make To Order）的大规模定制类型为例，在这种生产方式中，变型设计及其下游的活动是由客户订货驱动的[7]。也就是说，生产商依据用户的订单需求进行生产制造，而其销售方式与传统供应链相同。由此得到大规模定制产品的供应链概念模型如图1所示。

图1 大规模定制的供应链概念模型

1.1 基于社群交互的用户订单模型

获取用户的订单需求，是进行大规模定制生产的基础。巴斯扩散模型描述了新产品如何在人群中被采用的过程，将使用者分为创新者和模仿者，通过外部影响系数和内部影响系数促使越来越多的人使用新产品[8]。巴斯扩散模型对于研究大规模定制供应链中用户需求的产生具有良好的借鉴意义。结合社群交互的理念，可以把广告宣传作为外部影响因素、好友推荐作为内部影响因素。此外，与巴斯扩散模型一次性推广不同，产品定制可以重复进行。因此，本文设置了产品体验期，在产品体验期过后，成员有机会再次进行产品定制。

根据是否有定制需求，将社群成员分为用户和潜在用户两类，二者可以相互转化。潜在用户通过购买产品成为用户；用户在产品体验期过后转化成为潜在用户。在社群交互模型中，订单的产生有两个途径：一是通过企业的广告宣传，促使部分潜在用户进行产品定制；二是通过用户进行好友推荐，促使部分潜在用户进行产品定制。其中，广告宣传受广告作用率的影响，好友推荐受接触人数和推荐作用率的共同影响。在此基础上建立的基于社群交互的用户订单模型如图2所示。

图2 基于社群交互的用户订单模型

模型涉及到的公式有：

其中，T表示社群的用户总量，U表示产生定制需求的用户数量，P表示潜在用户的数量，a表示广告作用率，r表示推荐作用率，c表示每个用户所接触到的好友数量，O1表示受口碑宣传影响而增加的用户订单数量，O2表示受好友推荐影响而增加的用户订单数量，O表示定制订单总量。

其中，0 ＜a＜1，0＜r＜1，0＜a+r＜1。

1.2 大规模定制的库存模型

在用户产生定制需求后，生产商根据定制订单数量进行产品的生产，然后根据分销商订单和自身库存情况向分销商送货。同样，分销商、零售商分别根据零售商订单和用户订单及自身库存情况进行分销和零售活动。各节点向下级节点发货时，发货数量应取自身库存和下级订单的较小值，涉及到的主要系统动力学方程为：

送货=MIN（生产商库存，分销商订单），

分销=MIN（分销商库存，零售商订单），

零售=MIN（零售商库存，平均订单需求）。

各级节点库存的系统动力学方程式为：

生产商库存=生产 -送货，

分销商库存=送货 -分销，

零售商库存=分销 -零售。

考虑到产品运输的延迟，分销商和零售商会设置补货提前期。根据统计学原理，安全库存=日平均消耗量*一定服务水平下的前置期标准差。假设补货提前期为A，平均订单需求为M，有：

安全库存=M * A。

当节点的实际库存低于安全库存时，会根据差值向对应的上级节点补货：

分销商订单=IF THEN ELSE（分销商库存 ＜ 分销商安全库存，分销商安全库存 -分销商库存，0），

零售商订单=IF THEN ELSE（零售商库存 ＜ 零售商安全库存，零售商安全库存 -零售商库存，0）。

对需求进行预测时，本文用前一天的实际需求表示平均需求，即：

平均订单需求=SMOOTH（订单，1）。

1.3 基于社群交互的大规模定制供应链模型

将用户订单模型与库存模型结合，便可得到最终的基于社群交互的大规模定制供应链模型。为了简化模型方便研究，本文以一个社群、一个生产商、一个分销商和一个零售商为例进行建模，得到的系统动力学模型如图3所示。

图3 考虑社群交互的大规模定制供应链模型

2 模型仿真与结果分析

本文使用AnyLogic进行模型仿真，设置的仿真周期为40天，在模型运行的初始时刻各节点的库存量设置为0。用于仿真模拟的各参数的默认值为：社群用户T=10000，广告作用率a=0.01，推荐作用率r=0.01，用户每天接触到的好友数量c=5，产品体验期t=10。

2.1 订单需求量分析

在默认参数下，模型运行期间用户受广告宣传影响产生的定制订单数量O1和受好友推荐产生的定制订单数量O2以及定制订单总量O如图4所示。

图4 订单需求量

由上图可知，在模型运行的初始阶段，由于潜在用户P的数量远大于用户U的数量，使得受广告影响的订单数量O1保持在一个较高的水平，是产生定制订单的主要来源；同时，随着用户数量U的逐渐增多，受好友推荐影响产生的定制订单数量O2从无到有呈快速增加趋势。此后，受广告影响的订单数量O1逐渐下降，受好友推荐影响产生的定制订单数量O2逐渐上升，直至二者均趋于稳定。从整体来看，定制订单总量O的变化趋势与受推荐影响的订单数量O2的变化趋势相似。

2.2 各节点库存数量分析

当参数取默认值时，模型供应链各节点的库存数量如图5所示。

图5 各节点库存

由图5看出，模型运行初期，生产商、分销商和零售商的库存量相继迅速增加，最终各节点的库存数量大致相同。在传统供应链模型中，常出现“牛鞭效应”。牛鞭效应指当供应链上的各级供应商只根据来自其相邻的下级销售商的需求信息进行供应决策时,需求信息的不真实性会沿着供应链逆流而上，产生逐级放大的现象[9]。但在该模型中，当运行结果趋于稳定时，各节点库存和定制订单数量趋于一致。这一结果表明，用户与生产商之间的直接信息交流提高了生产和库存管理的稳定性，在一定程度上缓解了“牛鞭效应”，比传统供应链更具优势。

2.3 广告作用率敏感性分析

当其它参数不变、系统趋于稳定时，更改广告作用率a的取值对用户订单的影响如图6所示。

图6 广告作用率对定制订单的影响

从图6可以看出，随着广告作用率a的增加，定制订单总量O和受广告影响的订单数量O1明显增加，而受推荐影响的定制订单数量O2呈现先增加后减少的趋势。这是因为一方面由于广告作用率a的增加使得用户数量U增加，而受好友推荐影响产生的订单数量O2与用户数量U成正比，从而导致受推荐影响的订单数量O2增加；另一方面，因为受广告影响的订单数量O1与潜在用户数量P成正比，所以当社群成员数量T一定时，两种作用率也存在一定的竞争关系，一方订单数量的增加势必会导致另一方订单的减少。

2.4 推荐作用率敏感性分析

当其它参数不变、系统趋于稳定时，更改推荐作用率r的取值对用户订单的影响如图7所示。

从图7可以看出，随着推荐作用率r的增加，受推荐影响产生的订单数量O2和订单总量O显著增加，受广告影响产生的订单数量O1逐渐减小。这一结果再次验证了两种作用率之间的竞争关系。并且与图6对比可以看出，增加推荐作用率r比增加广告作用率a更有利于订单总量O的增长。这表明在实际生活中，加大好友推荐力度比增大广告宣传更有利于产生定制需求。

图7 推荐作用率对定制订单的影响

2.5 接触人数敏感性分析

当其他参数不变、系统趋于稳定时，更改接触人数c的取值对用户订单的影响如图8所示。

图8 接触人数对定制订单的影响

由图8可知，随着接触人数c的增加，订单总量O和受好友推荐影响产生的订单数量O2也随之增加，受广告影响产生的订单数量O1逐渐减少。此外观察订单总量O的增长情况可知，在一定范围内，当接触人数c成倍增加时，定制订单总量O也能成倍增加，如接触人数由c=5变成c=15时，订单总量也近似变为原来的3倍；但继续增大接触人数时，订单总量增长的速度会放缓，如接触人数由c=5变成c=25时，订单总量不足原来的5倍。这可能是因为随着用户接触人数的增多，接触到的潜在用户出现重合，降低了订单的增加速度。

3 结语

本文受社群交互模式的启发，以用户需求为导向，结合巴斯扩散模型，建立了基于社群交互的大规模定制供应链的系统动力学仿真模型，将用户需求与大规模定制供应链有机结合，覆盖了大规模定制产品从用户定制到生产制造再到销售交付的全周期主要环节。通过对仿真结果进行分析，发现该模型提高了生产和库存管理的稳定性，在一定程度上缓解了“牛鞭效应”，比传统供应链更具优势。同时对各项参数进行敏感性分析发现，大规模定制的订单数量对口碑推荐率、接触人数的敏感性较高，对广告作用率的敏感性较低。同时本文也存在一些不足，如模型相对比较简单，还存在进一步完善和优化的空间，这也是下一步进行研究和改进的方向。