Modelagem matemática do efeito chicote em cadeias de abastecimento

Abstract

O aumento da variabilidade da demanda ao longo de uma cadeia de abastecimento é conhecido como Efeito Chicote (EC). A modelagem deste fenômeno é fundamental para a quantificação de sua intensidade, ajudando a reduzir seus impactos negativos sobre o nível de serviço e sobre os estoques em uma cadeia de abastecimento. Esta tese apresenta uma proposta de modelagem do EC que tem por objetivo aumentar a precisão na quantificação deste fenômeno em ambientes com demanda e lead time estocásticos. O novo modelo considera dois elementos que não estão presentes nos principais modelos disponíveis na literatura: a variabilidade no lead time de entrega de pedidos e a incorporação de um ajuste para contemplar uma política adequada de tratamento dos excessos de estoque. Além disso, define de modo mais preciso o papel do coeficiente de variação da demanda na quantificação do EC. A utilização do modelo proposto aumenta a eficiência da gestão de cadeias de abastecimento ao contribuir para atenuar a propagação do EC, elevar o nível de serviço e reduzir os níveis local e global dos estoques. Neste documento, os principais modelos de quantificação do EC são apresentados e analisados, com destaque para os trabalhos de Lee et al. (1997b), Chen et al. (2000), Fransoo e Wouters (2000) e Warburton (2004); nessa análise foram identificadas várias deficiências, capazes de produzir fortes distorções no processo de quantificação do EC. O modelo proposto supre integralmente estas deficiências e apresenta elementos que indicam que a intensidade e o comportamento estocástico e serial do EC só podem ser adequadamente modelados se a variabilidade do lead time for considerada e se os excessos de estoque forem utilizados no cálculo do tamanho dos pedidos. O novo modelo, além de contribuir para o entendimento da dinâmica do EC e para a ampliação do respectivo campo de discussão, representa adequadamente a complexidade das relações entre as variáveis associadas ao EC, o que lhe confere alta capacidade preditiva. Complementarmente, demonstra-se que o modelo de Chen et al. (2000) constitui um caso particular do modelo proposto.

The increase in demand variability as information flows from customers to manufacturers in a supply chain is known as the Bullwhip Effect (BE). Modeling this phenomenon is fundamental in measuring its intensity, aiming at reducing its negative impacts on both service and inventory levels in the supply chain. In this dissertation we propose a new, more precise mathematical model for quantifying the BE in systems with stochastic demand and lead time. The new model takes into account the lead time variability and is adjusted to a more realistic treatment of negative order quantities that may arise in some inventory cycles, two elements not present in the main available models in the literature. In addition, the model enables a more precise assessment of the role that the demand coefficient of variation plays in the quantification of the BE. The use of the proposed model enables an improved management of the supply chain by attenuating the propagation of the BE, increasing the service level and reducing inventory levels both locally and globally. In this dissertation, the main models for quantifying the BE are presented and analyzed, with emphasis in the works of Lee et al. (1997b), Chen et al. (2000), Fransoo and Wouters (2000) and Warburton (2004); in that analysis were identified several deficiencies, able to generate severe distortions in the quantification of the BE. The proposed model fully overcomes these deficiencies and presents elements that indicate that the intensity and stochastical and serial behavior of the BE can only be appropriately modeled if the lead time variability is considered and if inventory excesses are used in the order size calculation. The new model, in addition to contribute to the understanding of the BE dynamics enriching its analysis, represents appropriately the complexity of relationships among variables associated with the BE, contributing to its high predictive capacity. Finally, it is demonstrated that the model in Chen et al. (2000) represents a special case of the proposed model.