1. 研究背景及目标 [page::0][page::1]

• COVID-19疫情通过消费者恐慌和囤货行为引发大幅需求波动。

- 疫情同时导致供应链中断及原料短缺，放大了牛鞭效应（BWE）。

• 本文旨在梳理疫情期间不同美国行业牛鞭效应的发展和表现差异。

2. 文献综述与理论基础 [page::1][page::2]

• 传统研究表明需求预测误差、行为偏差及配额游戏是牛鞭效应主要成因。

- 疫情期间传统预测模型准确率下降，行为因素加剧BWE。

• 机器学习模型已展现出对复杂非线性趋势的更佳捕捉能力。

3. 方法论：数据与模型设计 [page::3][page::4][page::5][page::6]

• 利用1992年至2023年美国77个行业月度制造、批发及零售库存和需求数据。

- 预测模型包括SARIMA、Prophet、RNN、LSTM，数据划分为训练集（1992-2015）和测试集（2016-2023）。

• LSTM和RNN数据预处理包括去季节性、去趋势和归一化，SARIMA特化季节参数。

- 牛鞭效应用放大比率衡量：生产方需求变化方差除以终端需求变化方差。

• 以预测基线值对比实际数据，分析疫情对BWE影响。

4. 预测性能比较及模型选择 [page::7][page::8][page::9]

• 传统模型SARIMA和Prophet在疫情期MAPE大幅增加，表现变差。

- RNN和LSTM对疫情造成的非线性和不规则变动表现出更强稳健性和准确性。

• LSTM以略优于RNN的预测一致性被选为牛鞭效应分析的基础预测模型。

5. 疫情期间牛鞭效应放大比率分析 [page::9][page::10]

| 供应链阶段 | 准确预测BWE(+,+) | 准确预测无BWE(-,-) | 假阳性(+,-) | 假阴性(-,+) |
|------------|-----------------|---------------------|-------------|-------------|
| 制造商 | 12(23.5%) | 20(39.2%) | 1(0.02%) | 18(35.3%) |
| 批发商 | 8(42.1%) | 5(26.3%) | 1(5.3%) | 5(26.3%) |
| 零售商 | 1(14.2%) | 5(71.4%) | 0 | 1(14.2%) |

• 制造商受BWE影响最大，表现为更高比例的准确预测及假阴性，指模型未检测出实际的牛鞭效应。

- 批发商次之，零售商受影响最小，主要表现为需求平滑和较少BWE事件。

• 疫情加剧了供应链上游传导的波动，显示针对不同阶段需差异化管理策略。

6. 行业层面高敏感度分析及案例研究 [page::10][page::11][page::12][page::13]

• 表格归纳了模型未能预测BWE但实际存在的行业，结合COVID-19期间需求（↑/↓/→）和供应震荡说明原因。

- 制造业中，肉类加工、农机、电子产品、电池制造等行业因劳动力短缺、工厂停工或需求剧变导致BWE加剧。

• 例如汽车制造需求先下降后反弹，供应链受全球零部件短缺影响。

- 批发业中，化工、家电、五金等行业经历需求剧烈波动和供应中断。

• 零售业最小，家居电子类供应链困扰明显但BWE较轻。

7. 结论与未来展望 [page::14]

• 明确实证了COVID-19期间牛鞭效应显著加剧，行业反应高度异质。

- LSTM模型成为预测BWE的有效工具，为供应链风险管理提供预测手段。

• 未来研究应探讨行业结构、库存策略对BWE敏感性的影响，并尝试混合模型提升预测性能。

- 建议扩展跨国比较，深化供应链韧性与适应性研究。

详尽分析报告：《Impact of COVID-19 on The Bullwhip Effect Across U.S. Industries》

---

1. 元数据与概览（引言与报告概览）

报告标题： Impact of COVID-19 on The Bullwhip Effect Across U.S. Industries
作者： Alper Sarıcıoğlu, Müjde Erol Genevois, Michele Cedolin
发布机构： International Journal of Industrial Engineering
日期： 收稿2024年8月24日，接受2025年2月12日
研究主题： 本文聚焦COVID-19疫情如何影响美国各产业中的“牛鞭效应”（Bullwhip Effect，简称BWE），即供应链上下游需求波动放大的现象。

核心论点与研究目的：

• 疫情引发的外部冲击放大了供应链中的牛鞭效应，导致需求波动被进一步放大，特定行业对冲击的响应差异反映了供应链结构的关键角色。

- 通过涵盖制造业、批发业及零售业的美国行业层面数据，结合传统统计方法和机器学习（ML）技术，深入探讨疫情对BWE的影响机制。

• 研究目的不仅是确认BWE在疫情期间的加剧，而且旨在提出应对全球供给链扰动的管理策略。

关键词包括：供应链管理、牛鞭效应、COVID-19、机器学习预测、行业层面分析及实证分析。[page::0,1]

---

2. 逐节深度解读

2.1 引言（Introduction）

报告指出COVID-19引发了消费者的恐慌性囤货行为，推动了基本商品需求激增；同时，疫情也暴露了供应链脆弱性，包括原材料短缺和劳动力限制。疫情期间不仅需求端产生剧烈冲击，供应链上下游的物流网络、贸易限制及运输中断造成供应中断，进一步加剧了BWE。
此外，买方库存管理决策受到较大不确定性的影响，导致其对需求波动的过度反应（“啤酒游戏”效应），以及“囤货游戏”行为（提前预期短缺）、人为放大需求波动，供应端扰动转化为更大需求波动。[page::0]

2.2 关于牛鞭效应的文献回顾（Literature Review）

• BWE在疫情中因需求不确定性剧增及传统预测模型失效而更加突出。文献综述了不同预测策略及其对BWE影响，其中人工神经网络等先进方法被证实可有效降低预测误差及BWE。

- “配额游戏”（ration gaming）被识别为BWE加剧的重要人类行为因素，供应链参与者在感知短缺时常规避风险而人为放大订单量。

• 多项实证研究显示BWE在不同行业和阶段存在差异，制造商常因处于供应链顶端而最易受BWE影响，零售商相对影响较小。文献还指出，在经济动荡或不确定时期，纠正BWE的难度显著加大。[page::1,2]

2.3 研究方法论（Research Methodology）

• 采用美国77个行业的月度制造、批发、零售层级的库存与需求数据（1992-2023），结合隐含价格平减指数调整价格和利润率，使数据可比较。

- 应用多种预测方法：传统统计模型SARIMA和Prophet，以及机器学习的RNN和LSTM。数据预处理包含季节性剔除、趋势去除和归一化，确保时间序列稳定性。

• 预测培训期为1992-2015年，验证期划分为2016-2019年（疫情前基线）与2020-2023年（疫情期间）以评估模型应对疫情带来数据变化的能力。

- BWE分析通过计算生产方（由库存和出货量推算）和需求方的月度波动率（变异数）之比（放大率）进行。利用预测基线与实际数据放大率的对比，识别疫情期间的BWE变化和行业易感性。

• 研究方法详见流程图（图1）和公式，计算放大率的基本公式为方差生产/方差需求，值>1表明存在BWE。[page::3,4,6,7]

---

3. 图表深度解读

图1 流程图（Forecast Procedure and Bullwhip Analysis Procedure）

图1清晰展示了数据预处理、模型训练、预测、误差计算以及BWE放大率计算与比较的全流程，涵盖数据调整、ADF单位根检验、模型包括SARIMA、Prophet、RNN、LSTM，预测分为训练集与测试集。右侧反映预测基线与实际数据的BWE对比分析流程。[page::3]

---

图2 供应链中波动放大测量方法示意图

该示意图表述了如何通过计算某一产业内部自身需求和生产（库存进出流）数据的方差比衡量BWE，突破了传统需上下游两级关系的数据限制，适配行业层面独立测算。图中不同流向对应库存、采购与需求，直观说明BWE放大率的计算过程和应用范围。[page::7]

---

表1 预测模型表现比较

| 期间 | 方法 | 需求预测MAPE(%) | 需求预测MAPE方差(%) | 库存预测MAPE(%) | 库存预测MAPE方差(%) |
|-------------|----------|-----------------|---------------------|-----------------|---------------------|
| 2016-2019 | SARIMA | 9.05 | 21.46 | 1.84 | 1.68 |
| | Prophet | 12.63 | 1.80 | - | - |
| | RNN | 4.17 | 0.23 | 1.86 | 0.02 |
| | LSTM | 4.07 | 0.22 | 1.83 | 0.02 |
| 2020-2023 | SARIMA | 3.78 | 13.75 | 10.46 | 3.48 |
| | Prophet | 23.42 | 31.65 | 31.78 | - |
| | RNN | 6.64 | 0.73 | 2.60 | 0.03 |
| | LSTM | 6.63 | 0.72 | 2.57 | 0.03 |

• 疫情期间，传统SARIMA和Prophet模型预测误差上升显著，尤其Prophet误差和方差激增，显示传统模型难以捕捉疫情引发的复杂波动。

- 相较之下，RNN和LSTM表现更稳定，疫情期的误差和方差仅有轻微上升，显示深度学习模型对非线性和突变具有更强适应性。

• 最终选择LSTM作为BWE分析的基准预测模型。[page::7,8,9]

---

图3与图4 MAPE箱线图（模型误差分布）

• 图3（需求预测）与图4（库存预测）的箱线图定量反映了四种模型在两个时间段内的误差分布，采用对数坐标突出异常值。

- RNN和LSTM误差中位数及间距均远小于SARIMA和Prophet，体现更优的稳健性。

• 疫情期间SARIMA和Prophet误差分布向右移动且波动扩大，验证模型适应疫情复杂性差。[page::8]

---

图5 BWE放大率对比散点图

• 通过散点图将预测放大率（横轴）与实际放大率（纵轴）对比，分四象限标示“准确预测牛鞭效应”（+,+）、“虚假正牛鞭效应”（+,-）、“准确预测无牛鞭效应”（-,-）、“错漏预测牛鞭效应”（-,+）

- 颜色区分供应链阶段（制造商、批发商、零售商），点数注释对应行业代码。

• 大量制造业点聚集于“准确预测”和“漏判牛鞭”区域，显示制造业牛鞭效应普遍且受疫情显著影响。

- 批发商次之，零售商最少，符合供应链理论预期。

• “虚假正牛鞭”极少，说明预测模型虽有误差，但总体鲁棒。[page::9,10]

---

表2 BWE预测与实际对比数据汇总

| 供应链阶段 | 准确预测牛鞭 (+,+) | 准确预测无牛鞭 (-,-) | 虚假正牛鞭 (+,-) | 真漏判牛鞭 (-,+) |
|------------|--------------------|-----------------------|-------------------|-------------------|
| 制造商 | 12 (23.5%) | 20 (39.2%) | 1 (0.02%) | 18 (35.3%) |
| 零售商 | 1 (14.2%) | 5 (71.4%) | 0 | 1 (14.2%) |
| 批发商 | 8 (42.1%) | 5 (26.3%) | 1 (5.3%) | 5 (26.3%) |
| 总计 | 21 (27.3%) | 30 (39.0%) | 2 (2.6%) | 24 (31.2%) |

• 制造商牛鞭效应最频繁且易受疫情加剧影响，漏判率也最高。

- 零售商多数情况下无显著牛鞭，具较强需求波动平滑能力。

• 批发商表现居中，易受上下游影响但在某种程度上可缓冲波动。

- 以上发现提示供应链越接近上游，越需重点关注抗牛鞭策略。[page::10]

---

表3 “漏判牛鞭”行业清单与需求/供应震荡描述

• 表列举了18个制造业、5个批发业及1个零售业的行业代码及名称，这些行业的预测模型未检测到实际发生的BWE。

- 结合文献分析与产业报告，这些行业多存在：

- 需求显著上升（如电子产品、家电、汽车）或下降（纺织、服装、建筑机械）
- 供应中断（如劳动力短缺、工厂停工、物流瓶颈）

• 典型案例包括“汽车制造”需求先跌后回升，供应受芯片短缺影响严重；“家电批发”需求激增但供应受阻；“家具零售”需求萎缩且供应受疫情管制限制。
• 图6-8为部分行业需求时间序列及LSTM预测，展示疫情前后实际与预测的对比，进一步佐证数据处理及模型能力。

- 行业差异体现了疫情对需求和供应链两端的不同影响，深刻说明了行业特性与供应链结构在疫情期间BWE表现上的关键作用。[page::11,12,13]

---

4. 估值分析（本研究无传统金融估值部分，故不适用）

本报告聚焦供应链管理和统计实证分析，未涉及公司财务估值和证券分析，不包含DCF或市盈率等估值内容。

---

5. 风险因素评估

• 供应链的突发性全球危机暴露对高不确定性和需求冲击的脆弱性，是BWE加剧的风险源。

- 预测模型风险包括对疫情期间数据非平稳性与非常态波动不敏感，导致预测偏差（如漏判牛鞭）。

• 不同行业依赖特定供应来源和库存策略，存在系统性性断链风险。

- 行为风险如“囤货游戏”、“短缺预期”等人为因素放大波动，如文献指出的典型供应链非理性决策。

• 在缓解策略欠缺方面，报告呼吁针对行业特征设计差异化管理和预测方法，以适应突变环境并预防BWE放大。[page::0,1,14]

---

6. 批判性视角与细微差别

• 报告优势：

- 集中利用大规模行业面板数据与先进ML模型，结合传统统计框架，兼顾广度与深度。
- 细致划分供应链层次，合理推断制造业处于最敏感节点。
- 充分考察疫情特殊时期中预测模型的适应性和局限，为供应链管理提供实操指导。

• 潜在不足和需注意点：

- 预测模型（尤其LSTM）依赖历史数据质量和前期参数调优，面对极端事件仍可能有漏判，且未详细揭示模型参数敏感度。
- 数据本身缺少上下游配对信息，使用单一行业独立放大率计算可能忽视跨行业相互作用，限制了BWE方向性判断。
- 部分行业的“漏判牛鞭”尚欠更细粒度的行为和结构数据支持，解释多为文献回溯，未来需增量实证验证。
- 表格1中数值排版稍显混乱，部分指标未明确区分，可能影响读者准确理解。
- 报告未涉及疫情后供应链调整的长期影响及策略有效性检验，仅为时间窗口内快照分析。

---

7. 结论性综合

本研究深入剖析了COVID-19疫情对美国供应链中牛鞭效应的放大机制和行业层面表现。基于77个行业1992-2023年的月度库存及需求数据，采用SARIMA、Prophet、RNN、LSTM多模型进行需求和库存预测，最终选用LSTM建立疫情无影响下的预测基线。通过比较实际放大率与预测放大率，揭示疫情导致牛鞭效应明显加剧，尤其集中于上游制造商和部分批发商，零售商受影响较轻，反映供应链结构和行业特性的关键作用。

机器学习模型（RNN、LSTM）表现出明显优于传统统计模型（SARIMA、Prophet）的预测能力，在复杂非线性和高波动的疫情时代展现了卓越韧性。BWE分析兼顾定量指标与行业实证描述，揭示了疫情造成的需求突然波动和供应中断如何转化为供应链整体效率和风险管理的严峻挑战。

报告强调，预判和管理BWE需结合行业特征、供应链阶段和疫情影响的多维度视角，并呼吁未来研究加强跨行业供应链联系分析、混合模型优化与长期稳健应对策略开发，以增强全球供应链韧性。

---

参考文献溯源标记

文中所有引用均标注页码，重点参考了引言（0-1页），文献回顾及实证方法（1-4页），数据与模型细节（4-7页），结果分析（7-14页）和结论总结（14页），确保文本依据完整透明。[page::0-14]

---

总结

该报告为理解和应对全球性突发公共卫生事件期间供应链波动的管理挑战提供了理论和实证的重要贡献。其创新之处在于融合了行业层面大规模数据与先进ML预测，精确刻画疫情对“牛鞭效应”的量化影响与行业差异，为学术界和产业界提供了行动蓝图和未来研究方向。

报告