啤酒游戏及其牛鞭效应的vensim模拟

水深无声 2022-05-16 12:27 231阅读 0赞

啤酒游戏：该游戏是由麻省理工学院斯隆管理学院在20世纪60年代创立的库存管理策略游戏，该游戏形象地反映出牛鞭效应的存在及影响。几十年来，游戏的参加者成千上万，但游戏总是产生类似的结果。因此游戏产生恶劣结果的原因必定超出个人因素, 这些原因必定是藏在游戏本身的结构里。

在游戏中，零售商通过向某一批发商订货，来响应顾客要求购买的啤酒订单，批发商通过向生产啤酒的工厂订货来响应这个订单。该实验分成三组，分别扮演零售经理、批发经理和工厂经理。每一组都以最优的方式管理库存，准确订货以使利润最大化。

案例介绍：此案例主要是通过模拟啤酒游戏来仿真供应链中的牛鞭效应，从为改善牛鞭效应来提供帮助。首先假设啤酒游戏中包含零售商、批发商、供应商三个成员。同时对游戏中的参数进行如下假设：市场对啤酒的前4周的需求率为1000周/箱，在5周时开始随机波动，波动幅度为±200，均值为0，波动次数为100次，随机因子为4个。假设各节点初始库存和期望库存为3000箱，期望库存持续时间为3周，库存调整时间为4周，移动平均时间为5周，生产延迟时间和运输延迟时间均为3周，不存在订单延迟。仿真时间为0～200周，仿真步长为1周。期望库存等于期望库存持续时间和各节点的销售预测之积。

[![clip\_image002\[1\]][clip_image002_1]][clip_image002_1_clip_image002_1]

(01) FINAL TIME = 100

Units: Month

The final time for the simulation.

(02) INITIAL TIME = 0

Units: Month

The initial time for the simulation.

(03) SAVEPER =

TIME STEP

Units: Month \[0,?\]

The frequency with which output is stored.

(04) TIME STEP = 1

Units: Month \[0,?\]

The time step for the simulation.

(05) 市场需求率=

1000+if then else(Time>4,random normal(-200,200,0,100,4),0)

Units: \*\*undefined\*\*

(06) 库存调整时间=

Units: \*\*undefined\*\*

(07) 批发商发货率=

delay3(零售商订单,运输延迟)

Units: \*\*undefined\*\*

(08) 批发商库存= INTEG (

生产商发货率-批发商发货率,

3000)

Units: \*\*undefined\*\*

(09) 批发商期望库存=

批发商销售预测\*期望库存覆盖时间

Units: \*\*undefined\*\*

(10) 批发商订单=

max(0,批发商销售预测+(批发商期望库存-批发商库存)/库存调整时间

)

Units: \*\*undefined\*\*

(11) 批发商销售预测=

smooth(批发商发货率,移动平均时间)

Units: \*\*undefined\*\*

(12) 期望库存覆盖时间=

Units: \*\*undefined\*\*

(13) 生产商发货率=

delay3(批发商订单,运输延迟)

Units: \*\*undefined\*\*

(14) 生产商库存= INTEG (

生产商生产率-生产商发货率,

3000)

Units: \*\*undefined\*\*

(15) 生产商期望库存=

期望库存覆盖时间\*生产商销售预测

Units: \*\*undefined\*\*

(16) 生产商生产率=

delay3(生产商生产需求,生产延迟)

Units: \*\*undefined\*\*

(17) 生产商生产需求=

max(0,生产商销售预测+(生产商期望库存-生产商库存)/库存调整时间

)

Units: \*\*undefined\*\*

(18) 生产商销售预测=

smooth(生产商发货率,移动平均时间)

Units: \*\*undefined\*\*

(19) 生产延迟=

Units: \*\*undefined\*\*

(20) 移动平均时间=

Units: \*\*undefined\*\*

(21) 运输延迟=

Units: \*\*undefined\*\*

(22) 零售商库存= INTEG (

批发商发货率-市场需求率,

3000)

Units: \*\*undefined\*\*

(23) 零售商期望库存=

期望库存覆盖时间\*零售商销售预测

Units: \*\*undefined\*\*

(24) 零售商订单=

max(0,零售商销售预测+(零售商期望库存-零售商库存)/库存调整时间

)

Units: \*\*undefined\*\*

(25) 零售商销售预测=

smooth(市场需求率,移动平均时间)

Units: \*\*undefined\*\*

运行结果，可以看到牛鞭效应明显。

[![clip\_image004\[1\]][clip_image004_1]][clip_image004_1_clip_image004_1]

订单变化情况如图.

[![clip\_image006][clip_image006]][clip_image006_clip_image006]

[clip_image002_1]: http://hi.csdn.net/attachment/201007/12/0_1278976521Kwz7.gif
[clip_image002_1_clip_image002_1]: /images/20220516/b1a3de908a8c4cbfa6eab67cce4dcd14.png
[clip_image004_1]: http://hi.csdn.net/attachment/201007/12/0_1278976522y1on.gif
[clip_image004_1_clip_image004_1]: /images/20220516/e58f248ca00648c38b779fe13c3e3e58.png
[clip_image006]: http://hi.csdn.net/attachment/201007/12/0_127897652391wX.gif
[clip_image006_clip_image006]: /images/20220516/c09fc6526dbf4106beebb7e789cfd84c.png