《INTERNATIONAL JOURNAL OF PRODUCTION ECONOMICS》：Impact of privacy-preserving horizontal retailer information sharing on the bullwhip effect in supply chains with multiple retailers
编辑推荐：
研究人员提出零售商之间平均客户需求的隐私保护型横向信息共享（privacy-preserving horizontal information sharing）概念。研究人员考察需求变异性、需求相关性、预测方法、安全库存与提前期不确定性等影响因素。基于订单与库
研究人员提出零售商之间平均客户需求的隐私保护型横向信息共享（privacy-preserving horizontal information sharing）概念。研究人员考察需求变异性、需求相关性、预测方法、安全库存与提前期不确定性等影响因素。基于订单与库存变异性、订单满足率（fill rate）及供应链成本（supply chain costs）等指标分析结果，并提出在何种设置下实施所提出概念可获得最高收益的建议。
供应链（supply chain, SC）由多层级企业构成，协调与信息共享被视为提升响应性和韧性的关键。然而，企业常因担心失去议价能力、暴露成本结构或违反保密约束而不愿共享运营数据，尤其是不愿披露详细需求信息，这可能加剧牛鞭效应（bullwhip effect）。经典纵向信息共享，如共享销售点数据或库存位置，可缓解牛鞭效应；但在多零售商同层环境中，零售商面临相关但不同的需求过程，横向共享平均市场信号具有潜在价值。竞争顾虑和反垄断等监管约束使零售商不愿相互披露详细需求历史。隐私保护计算（privacy-preserving computation），如安全多方计算（secure multi-party computation, SMPC）和同态加密（homomorphic encryption, HE），使计算聚合值而不暴露个体输入成为可能，但其实施在计算、通信和组织复杂性方面成本较高。现有研究多关注纵向信息共享或单一零售商情形，关于多零售商多层级SC中横向平均需求共享运营影响的证据有限。因此，研究人员开展本研究，以评估零售商横向共享平均客户需求对牛鞭效应、库存变异、服务水平和成本的影响，并为隐私保护共享机制的设计与成本效益评估提供依据。该文发表于《INTERNATIONAL JOURNAL OF PRODUCTION ECONOMICS》，作者为Martin Hru?ovsky、Emel Arikan与Lena Silbermayr。研究人员构建包含供应商—制造商—批发商—多零售商的四层级SC仿真模型，各层级采用订单至目标（order-up-to, OUT）库存政策；比较仅使用自身客户需求预测的基线与零售商获取并利用所有客户平均需求、按平滑因子与自身需求融合的横向共享情景，并系统变化需求变异性和相关性、预测方法、安全库存方法、提前期不确定性及参与共享的零售商数量。研究得出，横向平均需求共享通常改善零售商订单和库存绩效，但可能增加上游波动和成本；总SC成本在多数情形下降，需通过收益再分配补偿上游。其意义在于量化了隐私保护型横向平均需求共享在多层级多零售商SC中的运营价值与风险，为后续密码学实现的经济评估提供基础。
为开展研究，作者采用的关键技术方法包括：在AnyLogic 8 University 8.8.4中建立四层级多零售商代理仿真模型；各层级采用OUT政策；需求采用Gamma分布，相关需求用Gaussian copula生成；预测采用移动平均（moving average, MA）和简单指数平滑（simple exponential smoothing, SES）；安全库存采用固定期间（fixed periods, FP）和服务水平（service level, SL）两类方法；提前期设为确定性或Gamma随机提前期并允许订单交叉；以牛鞭效应比率（bullwhip effect ratio, BWE）、库存变异比率（inventory variance ratio, IVR）、平均订单满足率（average fill rate, AFR）、变异系数（coefficient of variation, CV）及库存和缺货成本评估；主实验采用30次重复、3200期、200期预热，并用基准实例验证模型。未涉及样本队列来源。
研究结果如下。4.1 模型验证：研究人员用两个基准实例比较BWE、IVR和AFR，仿真结果与已有模型接近，表明模型可用于后续比较。4.2 初始设置与需求变异性影响：在四零售商、MA、确定性提前期和固定安全库存设定下比较无共享与共享，并设置五个需求变异场景；共享使零售商订单CV降低约9%—13%，BWE降低约16.98%—26.23%，IVR降低约22.63%—25.51%，多数场景AFR提高；但上游订单和库存变异及成本上升，批发商最明显；零售商总成本节省最高约10.11%，而上游成本增加最高约2.60%，总SC成本变化为0至约?0.43%。4.3 零售商间需求相关性的影响：在相关系数?0.3至0.7下比较，负相关ρ=?0.3时零售商IVR降低约26%—33%、批发商IVR改善约0.3%—5%，零售商BWE降低约18%—34%、批发商BWE降低约6%—9%；正相关增强时共享收益减弱，ρ=0.7时IVR变化约7%—9%；负相关可使各层级成本下降，总SC成本节省约3%，而高需求变异叠加正相关时总成本增加约0.10%—0.47%。4.4 预测方法的影响：比较MA_N=10、20、50与SES_δ=0.1、0.2、0.3，MA_N增大或δ降低使平滑增强，共享的边际效应减小；SES对最新需求更敏感，高需求变异下共享对BWE、IVR和AFR改善更明显；SES_0.3下零售商库存成本最多降低约33%，总SC成本降低约0.19%—4.12%，MA情形总SC成本降低最多约1%。4.5 安全库存方法的影响：比较FP的R=1、2、3与SL的95%、99%；FP下R=1可使库存成本降低最高约40%但缺货增加约55%，总成本可省约18%；共享使零售商库存成本降低最高约17.76%，其他层级增加最高约3.66%，总SC成本降低约0.14%—0.96%；R=3时多数总SC成本降低约0.12%—0.37%，但CV=0.5时增加约0.09%；SL下成本波动更大，共享使零售商库存成本降低约3%—9%，总SC成本最高节省约0.74%—0.96%，最低约0.05%，SL_99在CV=1时总成本增加约0.06%。4.6 提前期不确定性的影响：采用Gamma随机提前期、均值2期、CV为0.25、0.5、0.75并允许订单交叉；FP下结果与确定性提前期相似，低需求变异时零售商BWE降低超过26%，上游BWE增加随需求与提前期变异增大而减弱，总SC成本节省约0.00%—0.49%；SL下共享对所有层级库存成本为正，但零售商缺货成本上升，总SC成本节省约0.55%—8.56%。4.7 参与共享零售商数量的影响：比较2个与4个零售商共享，2个共享时参与零售商BWE降低约12.34%（4个时为18.63%，正效应约减少三分之一），IVR正效应由23.20%降至15.58%；批发商BWE增加约1.22%（4个时为4.33%，负效应减少超过70%），AFR改善亦减少约三分之一；总SC成本节省约0.06%—0.17%。总体而言，参与零售商越多，零售商收益和SC总收益越大，部分参与可保留部分收益并减轻上游波动。
讨论部分总结：横向平均需求共享对所有参与零售商有利，即使成本无直接变化，BWE和IVR也显示订单与库存变异下降；但高需求变异叠加SES预测或SL安全库存时，因上游缺货导致零售商AFR可能下降。参与共享对参与零售商有益，不参与未见显著额外成本，但参与人数越多收益越大，理想情形为全部零售商参与。上游各层级因零售商订单协方差增加而承担更高牛鞭效应和成本，批发商最明显；负需求相关、SES预测和SL安全库存等少数情形可使各层级均节省。零售商节省通常高于上游增加，总SC成本多数下降，少数高需求变异叠加正相关或安全库存情形总成本增加低于0.5%。零售商最有动机实施该机制，其节省可用于补偿上游并投入机制实施；初始设置下零售商在补偿上游后仍可保留约20%—43%的初始节省。较高需求变异、提前期不确定和SL安全库存情形潜在节省可达总SC成本的3.30%—8.56%。研究结论翻译：不同SC成员间共享需求信息可抑制牛鞭效应，降低订单波动并节省库存和缺货成本；但许多企业仍不愿共享完整信息。因此，研究人员检验横向共享部分信息，即向每个零售商提供所有客户平均需求，能否在不共享完整信息的情况下降低牛鞭效应，并可借助SMPC或HE实现。基于四层级多零售商OUT政策仿真，研究人员比较无共享基线与零售商接收平均客户需求并与自身观测融合的机制，采用BWE、IVR、AFR及库存和缺货成本评估，并变化需求变异与相关、预测方法、安全库存、提前期不确定性和参与程度。三项核心结论为：（i）在广泛参数范围内，横向平均值作为稳定信号，降低零售商订单和库存变异并总体改善服务；收益在较高需求、提前期和库存变异以及零售商间负需求相关下最强。（ii）共享平均信号后零售商反应更趋同，订单同升同降，可能增加批发商乃至制造商和供应商看到的变异，尤其在高需求变异或强正相关下；上游更大安全库存有帮助但不能消除该效应。（iii）部分参与、降低共享平均值权重或采用更平滑预测，可保留零售商收益而不向上游推送过多波动。实验假设生产和运输能力无限、需求过程程式化。未来可纳入能力约束与拥堵、非平稳和季节需求、更丰富合同形式（如期权或服务水平协议）及策略行为；可研究影响因素交互，并比较横向与纵向信息共享；还可开展真实数据现场测试及替代聚合方案（如中位数或稳健平均），以在保留零售商收益的同时减少上游同步波动。
