BULLWHIP EFFECT · 四阶放大

牛鞭效应:末端的小波动,工厂端的大震荡

需求的小幅波动沿供应链逐级放大——工厂订单的波动达到终端需求的 …, 这就是牛鞭效应。同参数下放大倍数是确定值,可复算。

当前参数 · 订单波动放大(标准差口径)
…×
方差口径 BWR = …(…) · 全程口径 … · 数据出处见下方
怎么看

左边调需求与参数,右边四条曲线同步变化;拖动提前期或换订货策略,放大倍数当场改变。

数据出处:bullwhip-lbug 图模型(LadybugDB)——基准曲线由 Cypher 从图数据库回读(public/data/bullwhip-data.json), 调参后由同一模型引擎在浏览器内实时重算;完整管线 ↓

四阶订货序列 · 同一纵轴
逐级放大:同一次需求波动,越往上游订单摆动越大
悬停(或聚焦后按 ←/→)读取任意一天的精确值;完整数据见下方数据表。
放大阶梯 · 确定值
每一阶的波动与放大(数值随参数当场重算)
数据出处与确定性(可展开)

数据出处:bullwhip-lbug 图模型(/home/jzx/APS/bullwhip-lbug/,未改模型本体,只读引用其引擎)。

  • 基准曲线(图模型数据):仿真写入 LadybugDB 图(writeRun:ORDERED 边 + DayState 节点), 再用 Cypher 回读各节点订货序列,落盘 public/data/bullwhip-data.json(36 个对账场景)。
  • 调参后的曲线:同一模型引擎(lib/simulate.ts runSimulation + lib/metrics.ts computeMetrics) 在浏览器内实时重算——与图模型同源同参,不写死任何假数据。
  • 确定性:纯确定性仿真;随机需求用固定种子(LCG)。同参数 → 同结果,刷新 / 换机逐点一致。 「与 Cypher 对账」验证浏览器重算 ≡ 图模型回读;「✂ 双跑对比」给出两次运行的 SHA-256(逐字节一致)。

Cypher(各节点订货序列)

MATCH (d:DayState) WHERE d.run = {run} RETURN d.name, d.day, d.order_qty, …

口径

  • 放大倍数(标准差口径)= std(工厂订货) / std(终端需求);方差口径 BWR = Var(工厂订货) / Var(终端需求)——模型 lib/metrics.ts 原公式。指标按稳态窗口(第 20–119 天,剔除冷启动瞬态,与模型 phase2 稳态评估一致)计算,全程口径另标。
  • 提前期滑块同时作用于该节点订货提前期与其入边运输提前期(与 config/supply_chain.json 的耦合一致)。
  • 需求输入围绕均值 10;幅度 = 5 时与模型 lib/demand.ts 默认输入逐点一致(生成脚本断言把关)。

确定性证据 · 双跑 SHA-256

点左栏「✂ 双跑对比(确定性证据)」:同参数跑两遍,规范化载荷逐字节对比。

生成信息加载中…

数据表(逐点数值,不依赖悬停)
天终端需求零售商订货批发商订货分销商订货工厂订货