电子商务供应链管理中英文对照外文翻译文献(文档含英文原文和中文翻译)翻译:电子商务对动态供应链管理的影评价摘要最近，互联网及相关信息和通信技术（ICT）使得成本效益的信息能够在供应链的独立各方之间传播．新的供应链战略，如供应商管理库存（VMI业务）协同规划，预测与补货（CPFR），有效消费者反馈（ECR），已开始利用这些新的沟通渠道，特别是在供应链的零售终端．电子商务加强了供应链上的制造商和材料零组件供应商，他们以前不能被很好理解和开发．本文的目的是建立供应链模式的电子商务使信息和通讯技术（ICT）的影响量化，特别是其对动态行为的影响．论文包含简单却充满活力的模型，其对将要实施的供应链动态行为模式下的电子商务提出了相当数量见解．关键词供应链管理动力学；电子商务；EPOS(创新电子支付系统)；供应商管理库存；网上购物1. 总述当ICT型的电子商务提出，让供应链中的企业共享市场信息，使得“1-2-1企业”成为可能时，（Peppers&Rogers，1997）几乎没有分析或可量化的证据证明它真正会在配送顾客所需上提高企业的整体绩效．通常的建议是，通过ICT在供应链中的所有企业传递供应链中的信息会提高企业绩效．事实上，最近的研究（Hong-Minh et al.,2000）已经表明，通过供应链的“啤酒游戏”（Ster man，1989年），企业之间简单的传递信息会有一个不利的影响．这是由于伴随着更多的可用信息，调度程序需要知道如何处理它．有很多种方法能使创新的信息流在供应链里得到应用．Kiely（1998）提供了一个良好的起点，他特别强调用需求数据来达到预测的目的．在这篇文章中我们分析4个能够成立的ICT方案的影响，此项分析使通过调查牛鞭效应（Letal,1997a,b）用两种不同的方法把它们传统的供应链加以比较．第一种办法是根据管理飞行模拟器的结果分析啤酒游戏．第二种方法是基于一个量化Z变换分析，其中的应用工具是Disney和To will（2002）高度提倡的．比较和对比这两种方法的目的是评价电子商务在供应链动态质量评估方面的影响．“牛鞭效应”是一项重要措施，因为它是体现出了一个表现不佳的供应链的症状．（琼斯和西蒙，2000年）．“牛鞭效应”是一个生产适应成本的代理办法（Stalk and Hout，1990年），并表明持有“以防万一”的库存的意义是为了缓和不明因素．牛鞭效应相当多以实验和观察为依据的证据包括最近的例子显示：供应商两级订单的粮食部门上游的数据是电子销售点（EPOS）的数据的10倍（Jones and Simons,2000）．汽车部门收入订单和供应商只有一个单一的梯队供应链的差异比率大概是1：2（Naim et al.,2002）．这5个供应链战略是：传统供应链战略——即在供应链上四个"串联"的梯队．网上购物——即分销网络是单道的，信息和物品 在最终消费者和产品供应商之间直接流动．缩减型供应链——即供应链里的一个梯队被移除．供应商管理库存（VMI）——这是模拟通过对供应链里的双方企业制定议定书，给予必要的库存和销售信息，权力和责任给供应商，以便管理客户的库存．电子销售点（EPOS）——市场资讯在供应链中的所有企业之间互传．尽管各种电子商业的情况，可以由四个组四个硕士课程学生根据自己的学识在这两个学术和实践上进行战略的审查或者执行．正是这些大师的学生在实施啤酒游戏．2. 方法论改进个别制造商和供应链的动态行为的研究已是人所共知．最近期的研究方法，可分为下列四类：管理游戏：例如啤酒的游戏对于说明的不同供应链战略的益处来说是有用的．这是麻省理工学院于五十年代末发明的．（sterman，1989）从游戏本身来说，游戏中大致没有什么可以被严格证明．从这个意义上说，游戏是有限制的．但他们确实提供了有价值的证据，并是一个良好的学习手段．其他作者扩展或用计算机处理了啤酒游戏包括van Ackere et al（1993），Kaminsky和Simchi-Levi（1998），Lambrecht和Dejonckheere（1999）．实证研究:很多位作者调查了ICT的冲击对供应链的影响．包括Holmstromm（1998），Fransoo和Wouters（2000），Kaipia，Holmström和Tanskanen（2000）．然而，此种贡献在已知战略实施以后，量化了改进性能，即不存在预测要素和集，并且研究的焦点就是要找出最佳做法．不幸的是，它并非总是能够比较信息和通信技术的推行策略，其直接原因是由于这些策略在不同性质的环境中实施．统计：这种类型的贡献，通常提供关于需求的特性的影响的统计见解 ，例如标准差和相关性，以及供应链特性，例如首要时间和库存成本中的信息路径和牛鞭效应或需求扩增．统计方法经常被用来量化真实情况的表现．然而，这些方法未能表现出如何减少或消除有害的动态影响，如“牛鞭”，并很少得到从技术上深入探讨影响系统结构性能的原因和结果．这种类型最近的重大贡献包括Lee, So and Tang （2000）,Chen, Ryan and Simchi-Levi （2000），Chen，Drezner，Ryan and Simchi-Levi（2000）．模拟与系统动力：它是由Forrester（1961）提出，是一种在大型非线性系统内调查动态效果方法，且不诉诸复杂的数学控制理论模型（Edghill和Towill，1989年）．仅用模拟方法虽然繁琐，费时，且只提供有限的洞察力（Popplewell和Bonney，1987），但它们确有先发优势，能在模型非线形的同时避免复杂的数学．以前利用模拟所做的工作是非常多产的，其中包括（但绝不仅限于）Forrester（1961），and Coyle（1982）,他研究了传统的供应链结构，Cachon andFisher（1997）和Waller,Johnson和Davis （1999）他们研究过VMI．连续控制理论技术:用于生产和库存控制．首先由1978年诺贝尔经济学奖得主赫伯特西蒙（由于他在工作机构动态上的出色研究）第一次提出．西蒙（1952）描述了如何使用线性确定性控制理论来进行生产和库存控制．Axsäter（1985）陈述了一个有用的对于早期工作的评论性论文，总结了这个领域的优势和和劣势．他的结论是，控制理论“说明了非常好的动态效果和反馈”，但不能解决测序和生产批量的问题．瑞典的Linkoping 大学的生产经济学学院的大量研究已被记入文献．他们已经在运用拉普拉斯变换和经济技术，如MRP系统（Grubbstrom,1967）的净现值．连续控制理论受到这样的困扰，即一些调度和订货情况本来就是离散的，而且离散时间的延误的连续表述在数学上是很复杂的．离散控制理论，能够很有效地对抽样数据系统进行调查．例如：调度和订货系统和本质上离散的计算机系统Vassian（1955）从西蒙在连续领域的工作中得到灵感，采用离散控制理论研究了一个生产调度算法．De Winter （1966），在关于新型的供应链结构可能仅有的两个成果的其中之一里，寻找一种用在海军供应链上的集中控制存货．Deziel和Eilon（1967）描述了一个重大的应用．Burns和Burns and Sivazlian（1978）研究一个拥有四个级别的使用的Z变换的传统供应链．Bonney和Popplewell（1988）研究了MRP系统．Dejonck heeretal.（2003a），一直在用Z变换调查共同控制结构中共同预测机制的牛鞭表现．Disney（2001）一直采用离散控制理论来调查供应商管理库存供应链．离散控制理论的缺点在用到数学的时候往往涉及冗长而乏味代数操控．本文中所涉及的方法都是用来分析结果的．例如啤酒游戏的结果，或是在各种情况的ICT下决定牛鞭效应的范围和程度．将这些分析与以前公布的结果进行直接比较，（Hong-Minhetal.，2000）得到了相违背的结果．啤酒游戏的结果包括结构性问题和人类行为方面的问题．后者特征可能包括游戏玩家对游戏理解不够，不确定性决策和错误以及从顾客到供应商订单传送中出错．这时候分析型的Z变换方法被用来比较目标和结果，并用它来推导出供应链牛鞭效应中确定性的反馈系统结构的影响．如果认为ICT 系统将处理供应链中数量庞大的信息交易，并且管理例外的情况时人为干扰影响是有限的．那分析方法就更为重要了．3. 五种供应链的描述这五种供应链研究的设想由下进行总结．下面是对每种供应链的简短说明．3.1 传统供应链传统供应链的特点是由4个“串联”起来梯队组成一个供应链．每个梯队只接收有关当地库存水平和销售的信息．然后每个梯队按照当地供应商的存货水平，销售情况及以前的未取货订单来制定定单（Sterman,1989）．3.2 缩减型供应链缩减型供应链是指供应链中的梯队减少了．例如对于的供应链来说，这就代表了零售梯队已经融入于信息和物质流．这是一个用ICT 来缩减梯队的供应链．作为提高供应链的动态性的有效机制，梯队缩减已经被Wikner,Towill和Naim（1991）确认．3.3 网上购物网上购物是指生产商直接从最终消费者那里接到订单（可能像戴尔一样通过互联网），并在生产和分销的第一时间将产品直接邮购给最终消费者．这样的供应链策略与传统的仅一个梯队的供应链具有相同的基本结构．3.4 EPOS可用型供应链EPOS可用型供应链是指最终消费者的销售对于供应链中的所有成员都是可见的．例如，在很多杂货供应链中，通过互联网可以获得EPOS数据．这些数据或是直接从零售商那得到的或是通过第三方得到的．供应链成员可用这些数据对未来的情况进行预测．具体来说，在这种策略中，每个梯队可以用最终消费者的销售作为自己的规划建议，但每梯次仍然需要提供（如果可能的话）他的客户所订的货物．Dejinckheere，Disney，Lambrecht 和Towill（2001）从Mason-Jones（1998）的模拟方法中得到启发，利用Z 变换对这项策略已经进行了全面调查．3.5 供应商管理库存（VMI）VMI具体表述如下：在一个有两个梯队的VMI的关系中供应商（分销商）管理，消费者（零售商）的库存．分销商拥有零售商的销售和库存水平的资料．在此情况下零售商并不给分销商下订单，而是零售商相信分销商供给足够数量的库存来保证零售商有足够的（不是太多）库存．VMI策略的支持者有DisneyHolmstrom，Kaipia和Towill（2001），他们支持供应链中的VMI梯队．在这种情况下，其他的梯队（仓库和工厂）按传统的模式运行．4. ICT对供应链动力学的影响4.1 啤酒游戏的结果Hong-Minh et al.（2000）分析了四个不同的团队采用四种不同的供应链策略的结果，其中的一个团队采用的是前面描述果过的EPO S型供应链．虽然研究结果表明信息共享好处多多，（Mason-Jones and Towill,1997）,令人惊讶的是EPOS策略的效果是最差的．当EPOS策略减小了供应链里牛鞭效应的程度是，作为代价的是长时间的存货积压（负的净存货）．得出的结论是虽然市场信息及时的在供应链的各个梯队得以分享，供应链里的各方仍有他们自己的订货规则．这就是说，各方没有共同协作．虽然共享市场信息确实是一件好事，但只有把它作为一个商定的整体供应链的决策策略的一部分时，它才会产生收益．（Mason-Jones,1998）为了测试这一假说，EPOS 策略被加上一些特性后重新运行，这些策略包括所有的参与者参与协同规划，预测与补货,也就是CPFR ．作为一个涉及16名学生的国际运输方向的硕士课程，啤酒游戏也由目前的作者运行两次．第一次的啤酒游戏按传统模式运行．那就是，啤酒严格按Sterman （1989）所定的规则运行 ．第二次的啤酒游戏在学生团结协作下进行．不同的集团重新制定了四个不同的ICT 供应链策略．第一届四阶段时期，需求模式（即所有集团回应）被由一个8面骰子随机抽出，从时间5（两个游戏中指25）需求由一个20片面的骰子产生．为了达到本文的目的，我们对第二组的结果进行了分析．不同的绩效措施被从游戏收集，他们已被总结成方程式1（Chenetal ,2000）．2222//CONS ORATE CONS CONS ORATE ORATE i i i i Bullwhip σσμσμσ==这个等式给了衡量牛鞭效应的方法.除了牛鞭措施的衡量，我们还在啤酒游戏中采用了典型性能指标，那就是库存成本．每得到一件货物的库存罚0.5英镑，每少一件库存花费1英镑．股票出招致费用£1.00．库存成本是一个重要的度量因素，因为它最终决定我们能在何种程度上满足顾客以及确定过期库存的危险型．严重的积压成本是有道理的．因为无论我们将供应链的波动程度控制的多么好，如果我们不能满足最终消费者的话，我们最终会被行业所抛弃．游戏的结果汇总在附录中．库存费用作为一个正常能被达到的相对排名从而在在某一特定的供应链策略的实际梯队数量中独立出来．因此，我们将惩罚有较少梯队的供应链．此外，两种EPOS 的结果都会被显示出来．第一个是在研究中做过并在本文中描述过的，它被定义为EPOS-CPFR ,第二个（叫作EPOS-no CPFR ）是基于被Hong-minhetal.（2000）记录的有确切结果的EPOS．EPOS-CPFR在最少化方面做的很好，而事实上它就是减少供应链的牛鞭效应．但是，对于EPOS- no CPFR,要支付更多的库存成本，这主要是由于供应链中有长期的存货．除了使存货成本正常化，消除一个梯队或许多梯队的策略仍优于其他的选择．如以前所报告的（例如，见Wikner et al.，1991），消除一个梯队就消除了一个决策点，并减少了总成本．比EPOS-CPFR的结果更令人惊讶的是VMI的情况为既有最差的存货持有成本又有最坏的牛鞭效应．很明显，在游戏中可以看出，尽管提供了详尽的记录议定书的规定，游戏成员在贯彻落实这一构想时存有问题．4.2 Z变换评价我们再一次使用式1以确定牛鞭因素在I级，因为它为提供了一个封闭表达式，使牛鞭能够通过一个Z变换方法而确定下来（Disney Towill, 2002），对牛鞭效应进行量化的学者有（Chenetal, 2000）．我们用平方脉冲响应方法来确定每一个供应链策略所产生的牛鞭效应的大小．这种方法是由Disney和Towill（2002）创造的．总的来说，常用的供应链模式可归纳如下：除非对具体战略进行模式化是必要的，生产决策具有有序规则 ，它是基于平均需求的总和，目标商品库存和实际库存中的一小部分的差别，以及目标运输库存与实际运输库存的结构之间的一小部分的区别（John，Naim 和Towill，1994年）．这这个结论是适当的．因为Naim和Towill（1995）已表明，这是相等于sterman的（1989）锚定和调整启发式，这个式子能够在玩啤酒游戏中复制人的行为，这是众所周知的．使用Eziel和 Eilon在定序规则里的设置（Disney和Towill，2001年和2002年）可使复杂的数学操控减少．这是正确的，因为Disney和towill（2002）已证明这是一个具有重要的可取的动态特性的一般apiobpcs模式的子集．数学工作也得到了进一步简化，这是通过设置在订货规则里指数预报的平均年龄相等于在两个反馈回路中的逆增益()ti1/减1，并确定了制作/发行的筹备时间相等于两种秩序的时期．这些是为了尽量避免在牛鞭表达式中的极高阶多项式．VMI 的具体情景蓝本是供应商管理其客户的库存水平，并致力确保该存货水平保持在（经共同商定）最低和最高水平之间．尤其是，最低及最高水平不会随时间而改变时．这种情况导致两个梯队的供应链运行起来就像具有一个梯队的供应链，Disney （2001年）．我们可以从Disney （2001）那获得对供应商管理库存及其变种的更多信息（尤其是当最低及最高水平随着时间变化）．我们的研究结果概述于下．有两个基本牛鞭非公开形式：一为传统，缩减，电子购物和VMI 的供应链模式，另一个为EPOS 供应链模式．我们可以从下得出结论，当订货样式逐渐流向了供应链中的传统供应链，牛鞭将普遍增加．不过我们注意到，通过仔细观察，当接近4i T 时，流向供应链牛鞭效应反而会降低．消除一个梯队，很明显可以除掉牛鞭的根源，因为一套秩序变通是根本无法进行的．有效地消除整个销售网络可使工厂订单率像传统的供应链的第一梯队一样迅速有效．虽然是一个“低科技”的ICT ，移除两梯队的策略在概念上是简单易懂的．由于这些战略不要求调度器的新的行为，所以也许可以解释为何它们在啤酒游戏产生了有利的结果．不过，他们也存在严重的缺点，在实际供应链中消除零售商，分销中心和批发商也就意味着消除了和顾客的近距离接触．所以除非顾客已经准备好接受不呢个近距离接触的弊端，（因为他们可能用书籍或电脑来完成），这个策略就不可能使用．在VMI 的供应链中，我们可以使得两个梯队表现的和一个单一的梯队一样．事实上，我们没有理由不能拥有一个四梯队的VMI 策略，并使得四梯队像一个单一的梯队那样行动． 因此VMI 被用来获得良好的动态订货，并提供与顾客接触的机会．这也许可以解释为何该策略经常被发现用在杂货供应链中．然而EPOS 策略与其他的策略相比，具有一个本质上不同的订货结构，所以我们需要一套新的封闭形式．但是我们可以看到，我们可以从EPOS中得到与VMIJ几乎相同的绩效表现．而且EPOS策略可以与顾客近距离接触，因此将具有更广泛的用途．5. 结论我们依据单一产品或者累计产品类型提出结果．这个结果当评估ICT 对多种产品的影响时一样有效．研究表明，有必要采取适当的分类政策，以便于汇总产品到各类以动态行为为基础的市场（Naimetal.，2002）．不同的产品类型可能需要不同的订货政策（Evansetal.，1998）或信息富集策略（Mason-Jones and Towill,1997）．我们采取了两种不同的做法来了解ICT对供应链动力学的影响．该Z 变换分析表明有可能创新型的ICT将超越其它策略．但啤酒游戏结果显示ICT增加了人的决策复杂程度，即使清楚所提供的界定协议，也是很难的．因为有太多的信息和和计算需要管理．啤酒游戏还表明，如果对ICT协议管理不善，会增加库存成本．我们的结论是，虽然啤酒是在一个模拟和简化的环境中进行的，但像真实世界一样，人们需要决定哪些结果是不能被立即预知的．Sterman（1989）就表示，在这样的一个环境中，人们并不善于决策．虽然ICT为提高供应链的透明度提供了机会，但同时也创造了一个更复杂的环境使得当人们确实要加以干预使，决策变得更为困难．在传统的打啤酒模式和实施电子商务纲要之间可能有一个供游戏的人通过的学习曲线．电子商务实施纲要显示如果确实存在着学习曲线，那么就表明在简单的情况下学习曲线能够让参与者更快的进步．还有一种可能性是实施者在实施他们的电子商务战略时雄心勃勃．同时，这是不同于真实世界的．公司往往可能在执行新技术时超过了自己的能力和资源以至于太先进的满足了他们的需要，或者是由于在本质上属于资源密集型而无法执行和操作．由于很难保证每个人都受过适当训练，以应对ICT议定书的规定，有必要设计强有力的ICT系统以尽量减少人类干扰．反过来说，在需要人类的互动时，需要用哪些具体信息资源来做出那些特别的决定，这些要求是显而易见的．同时，在现有技术条件下，ICT系统很难处理例外情况，例如旷工或工厂停产．因此需要适当简化程序来使人机交互简单化，以管理例外情况．附录A在不同的供应链中量化牛鞭使用Z变换方法，如表2所示．原文:Assessing the impact of e-business on supplychaindynamicsAbstractThe Internet and related information and communication technologies (ICT) have recently enabled the cost-effective dissemination of information between disparate parties in the supply chain. New supply chain strategies, such as vendor managed inventory (VMI), collaborative planning, forecasting and replenishment (CPFR) and efficient consumer response (ECR), have begun to exploit these new communication channels, principally at the retail end of the supply chain. The impact of the e-business enabled supply chain on manufacturers and materials/component suppliers is,however, less well understood and exploited. This paper is aimed at establishing e-business enabled supply chain models for quantifying the impact of ICT, in particular its effect on dynamic behaviour. The paper concludes that simple, yet robust, models enable considerable quantitative insights into the impact of e-business on supply chain dynamic behaviour prior to their implementation.Keywords Supplychaindynamics；Lommerce；ullwhipZQS；Vendormanage dinventory；Shopping1. IntroductionWhile information and communication technologies (ICT) in the form of e-business is advocated as an enabler to the 1–2–1 enterprise (Peppers andRogers, 1997) by allowing market place information to be shared by all businesses in the supply chain, there is little analytical or quantifiable evidence that it will actually improve the overall performance of the enterprise in delivering customer wants. It is usually proposed that passing information to all businesses in the supply chain via ICT will improve performance. In fact, recent research (Hong-Minh et al., 2000) has shown, via the supply chain ‘‘Beer Game’’ (Sterman, 1989), that simply passing information on to businesses can have a detrimental effect. This is due to the fact that, as well as having more information available, schedulers need to know what to do with it.There are many ways in which innovative information flows could be used within supply chains. Kiely (1998) provides a good starting point, specifically focusing on using demand data for forecasting purposes. In this paper we analyse the impact of four ICT enabled scenarios by investigating the bullwhip effect (Lee et al.,1997a, b) using two different approaches and comparing them to a traditional supply chain. The first approach is based on an analysis of the results of a management flight simulator, the Beer Game. The second approach is based on a quantitative z-transform analysis using the tools highlighted by Disney and Towill (2002). The aim is to compare and contrast the two approaches qualitatively to assess the implications of their evaluations of e-business scenarios on supply chain dynamics.Bullwhip is an important measure, being symptomatic of a poorly performing supply chain (Jones and Simons, 2000). It is a surrogate measure of production adaptation costs (Stalk and Hout, 1990) and implies the inclusion of ‘‘just-in-case’’ stock holding to buffer against uncertainties. There is considerable empirical evidence of bullwhip including recent examples in the: * food sector where the supplier orders two tiers further upstream varied 10 times more than the electronic point of sales (EPOS) data (Jones and Simons, 2000).* automotive sector where the ratio of the variance between incoming orders and order to suppliers at just a single echelon in the supply chain was 1:2 (Naim et al., 2002).The five supply chain strategies considered are:* Traditional—in which there are four ‘‘serially linked’’ echelons in the supply chain.* e-Shopping—where the distribution network is by-passed and information and materials flow directly between the end consumer and the product suppliers.* Reduced—where an echelon in the supply chain had been removed.* Vendor managed inventory (VMI)—that is simulated by developing a protocol positioned between two businesses in the supply chain that gives the necessary inventory and sales information, authority and responsibility to the supplier in order to manage the customer’s inventory.* EPOS—where information from the market place is transmitted to all enterprises in the supply chain.Although various e-business scenarios are available the above were chosen by four groups of four Masters Programme students based on their review of commonly quoted and/or implemented strategies in both the academic and practitioner literature. It was these Masters students who implemented the scenarios in the Beer Game.2. MethodologyResearch on improving the dynamic behaviour of individual manufacturing businesses and supply chains is well known. Most recent research methodologies may be categorised as:* Management games: Tools such as the Beer Game that was developed at MIT at the end of the 1950s (Sterman, 1989), are useful to illustrate the benefitsof different supply chain strategies. Games are limited in the sense that generally nothing can be rigorously proved from the game in itself, but they do provide a valuable source of anecdotal evidence and are a good learning device. Other authors have extended or computerised the Beer Game including van Ackere et al. (1993), Kaminsky and Simchi-Levi (1998), and Lambrecht and Dejonckheere (1999a, b).* Empirical studies: A number of authors have investigated the impact of ICT on the supply chain including Holmstr .om (1998), Fransoo and Wouters (2000), and Kaipia et al. (2000). However, this type of contribution looks at quantifying the improvement performance of a known strategy after its implementation; that is, there is no predictive element and the focus of the research is to identify best practices. Unfortunately, it is not always possible to compare ICT implementation strategies directly due to the varying nature of the environments they have been implemented in.* Statistical: This type of contribution typically provides statistical insights about the impact of demand properties such as standard deviation and correlation, and supply chain properties such as lead-times and information paths on inventory costs and the bullwhip effect orTdemand amplification. Statistical methods are often used to quantify the performance of real situations. These methods however, fail to show how to reduce or eliminate the detrimental dynamic effects, such as ‘‘bullwhip’’, and insights into the causes and effects of system structure on performance are rarely obtained in depth from the technique. Recent significant contributions of this type include Lee et al. (2000) and Chen et al., (2000).* Simulation and system dynamics: This approach was advocated by Forrester (1961) as a method of investigating the dynamical effects in large non-linear systems without resorting to complicated mathematical control theory based models (Edghill and Towill, 1989). Simulation approaches alone suffer。