!
"#$"
%'&)(*&)+,.- /10.2*&4365879&4/1:.+58;.2*<>=?5.@A2*3B;.- C)D 5.,.5FE)5.G.+&4- (IHJ&?,.+/?<>=)5.KA:.+5MLN&OHJ5F&4E)2*EOHJ&)(IHJ/)G.- D - ;./);.&
Foz do Iguaçu, PR, Brasil, 09 a 11 de outubro de 2007

MODELAGEM ESTOCÁSTICA DO
EFEITO CHICOTE EM CADEIAS DE
ABASTECIMENTO

José Carlos Fioriolli (UFRGS)

fioriolli@producao.ufrgs.br
Flávio Sanson Fogliatto (UFRGS)
ffogliatto@producao.ufrgs.br

Este artigo apresenta uma proposta de modelagem do Efeito Chicote

(EC) que tem por objetivo aumentar a precisão na quantificação deste
fenômeno em ambientes com demanda e lead time estocásticos. A
modelagem do EC, fenômeno que se caracterizza pelo aumento da
variabilidade da demanda ao longo de uma cadeia de abastecimento, é
fundamental para a identificação de suas causas e para a
quantificação de sua intensidade, ajudando a reduzir seus impactos
negativos sobre os estoques e sobre o nível de serviço oferecido aos
consumidores finais. 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 o tratamento
adequado dos excessos de estoque (fundamental para evitar que a
variabilidade da demanda seja amplificada desnecessariamente). 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 nestas estruturas.

Palavras-chaves: Efeito Chicote, cadeia de abastecimento, modelagem

estocástica
 P PQ RSRUT8V
W XYVAZ\[XVA]W RSXYVA]^F_Y`6`.aYbY`8aYcY% dYe %f_Y`6gUdhY_Yijk% h
l'mMn?mIo p?q rsut9mvwJx*myrz9o w9{?t9|~}~w??t?v€{9q ~‚ w?p9wƒ~w9„?o myq nO…mMp9o r~|u}~w9†>z?o wO‡ˆm…NwmyƒIt?ƒN…mMnJ…rM„?q ‚ q {?r~{9m
Foz do Iguaçu, PR, Brasil, 09 a 11 de outubro de 2007

1. Introdução
O Efeito Chicote (EC) é um importante fenômeno que produz impactos negativos sobre a
regularidade e a estabilidade dos pedidos recebidos em todos os níveis de uma cadeia de
abastecimento. De acordo com Chen et al. (2003), observa-se um EC quando a variabilidade
da demanda aumenta na medida em que se avança nos níveis da cadeia, desde o varejista até o
fabricante.
Para avaliar adequadamente as implicações gerenciais do EC é importante entender a sua
dinâmica. Considerando dois níveis adjacentes k e k−1 em uma cadeia de abastecimento, esta
dinâmica pode ser assim descrita. O pedido gerado pelo nível k é definido a partir da previsão
de demanda do nível anterior (k-1) e depende dos dados históricos relativos àquela demanda e
da técnica de previsão utilizada no nível k. Da mesma forma, os pedidos gerados pelo nível
k+1 são definidos em função dos dados históricos disponíveis sobre a demanda do nível
anterior (k) e da técnica de previsão utilizada no nível k+1. Esta lógica se repete a cada avanço
de nível, de modo que os dados disponíveis, em cada nível (com exceção do nível mais baixo
da cadeia), baseiam-se em uma expectativa de demanda e não na demanda real.
Conforme Lee et al. (1997), Carlsson e Fullér (2000) e Chen et al. (2003), o EC
potencialmente traz conseqüências locais e sistêmicas para fabricantes, distribuidores e
varejistas. Entre as conseqüências locais, destacam-se (i) baixos níveis de serviço, gerados
pela dificuldade de amortecer, em tempo hábil, as variações extremas da demanda; (ii) vendas
perdidas em função das rupturas de estoques geradas por variações extremas da demanda; (iii)
aumentos dos estoques de segurança, com vistas à recuperação dos níveis de serviço que
garantam a competitividade da estrutura; (iv) aumento no número de reprogramações de
produção para cobrir emergências; e (v) gestão ineficiente de recursos locais, como pessoal,
equipamentos e capital. Entre as conseqüências sistêmicas, destacam-se: (i) elevação dos
custos relacionados a estoques na cadeia de abastecimento, em razão do aumento dos estoques
locais, em cada um dos pontos do sistema; (ii) queda do retorno sobre o capital investido nas
operações da cadeia; (iii) queda da produtividade dos funcionários que atuam nos processos
produtivos desenvolvidos no sistema, conforme demonstrado por Anderson e Fine (2003); (iv)
processo decisório reativo, principalmente em função dos picos de demanda, causando ruptura
de planejamento; e (v) gestão ineficiente dos recursos da cadeia de abastecimento como um
todo, em decorrência das ineficiências locais e da dificuldade de integração das operações
realizadas.
O principal desafio relativo ao gerenciamento do EC consiste em reduzir ineficiências e
atenuar/eliminar a sua propagação ao longo da cadeia de abastecimento, de modo a viabilizar
a otimização dos recursos empregados em seus diferentes níveis. Isto depende do grau de
conhecimento que se tem sobre as suas causas e sobre a sua intensidade.
Nesse sentido, a quantificação do EC tem sido um tema freqüente de pesquisa nos últimos
anos. Autores como Lee et al. (1997), Chen et al. (2000), Fransoo e Wouters (2000) e
Warburton (2004) vêm apresentando importantes desenvolvimentos teóricos sobre o tema.
Um dos principais modelos de quantificação do EC, apresentado por Chen et al. (2000), é
formulado como função do lead time, da variância da demanda e do número de períodos
utilizados na previsão da demanda. O modelo trabalha com cenários com lead time constante
e trata eventuais valores negativos, obtidos no cálculo do tamanho dos pedidos, como sendo
excessos de estoque que podem ser devolvidos a custo zero. De modo similar, os modelos de
Lee et al. (1997), Fransoo e Wouters (2000) e Warburton (2004) também operam em

2
 P PQ RSRUT8V
W XYVAZ\[XVA]W RSXYVA]^F_Y`6`.aYbY`8aYcY% dYe %f_Y`6gUdhY_Yijk% h
l'mMn?mIo p?q rsut9mvwJx*myrz9o w9{?t9|~}~w??t?v€{9q ~‚ w?p9wƒ~w9„?o myq nO…mMp9o r~|u}~w9†>z?o wO‡ˆm…NwmyƒIt?ƒN…mMnJ…rM„?q ‚ q {?r~{9m
Foz do Iguaçu, PR, Brasil, 09 a 11 de outubro de 2007

ambientes com lead time constante e não utilizam eventuais excessos de estoque no cálculo
do tamanho dos pedidos. Tais restrições nesses modelos resultam em uma quantificação
imprecisa do EC, sendo aplicáveis em cenários raramente encontrados na prática.
As principais contribuições do presente artigo visam suprir as deficiências e limitações
presentes nos modelos de quantificação do EC disponíveis na literatura. Mais
especificamente, propõe-se um modelo matemático para quantificação do EC em ambientes
que utilizam a política de pedidos do tipo out-EA (order-up-to Estoque Alvo), sujeitos à
demanda e lead time estocásticos e independentes, supondo ambas as variáveis com
distribuições de probabilidade que podem ser aproximadas por uma normal. Além de
considerar a variabilidade nos lead times de entrega de pedidos nos diferentes níveis da cadeia
de abastecimento e tratar de modo mais adequado os excessos de estoque, incorporando os
necessários ajustes no cálculo do tamanho dos pedidos, o novo modelo explicita o grau de
influência que o coeficiente de variação da demanda exerce sobre a amplificação da
variabilidade da demanda ao longo da cadeia.
O desenvolvimento de uma modelagem estocástica de acordo com a proposta aqui
apresentada se configura em contribuição original e relevante para o estudo do EC já que, a
partir da incorporação da variabilidade do lead time e da determinação do grau de influência
que o coeficiente de variação da demanda exerce sobre o EC, torna-se mais precisa a
identificação das causas deste fenômeno e mais fácil o entendimento da sua dinâmica. Ao
incorporar os necessários ajustes no cálculo do tamanho dos pedidos, o modelo retrata com
maior realismo as situações observadas nas cadeias de abastecimento, tratando
adequadamente os excessos de estoque. Isto é fundamental para a adoção de medidas
gerenciais que visem à redução dos impactos negativos do EC sobre os estoques e os níveis de
serviço, o que justifica, também na prática, os desenvolvimentos aqui propostos.
2. Modelagem estocástica do EC
Na formalização do novo modelo, cujo desenvolvimento segue o esquema apresentado na
Figura 1, considera-se uma cadeia de abastecimento em que a cada período t um varejista
avalia seu nível de estoque e envia um pedido Q t para um fabricante, a exemplo do trabalho
de Chen et al. (2000).
µL
Lt z
σL
Dˆ Lt At At − At −1 Ht
p
Dˆ t Qt QtR
µD σˆ DLt

Dt Dt −1 VarQ R
σD
t

VarQt M

EC EC R

VarDt

Figura 1 – Desenvolvimento do modelo proposto

3
 P PQ RSRUT8V
W XYVAZ\[XVA]W RSXYVA]^F_Y`6`.aYbY`8aYcY% dYe %f_Y`6gUdhY_Yijk% h
l'mMn?mIo p?q rsut9mvwJx*myrz9o w9{?t9|~}~w??t?v€{9q ~‚ w?p9wƒ~w9„?o myq nO…mMp9o r~|u}~w9†>z?o wO‡ˆm…NwmyƒIt?ƒN…mMnJ…rM„?q ‚ q {?r~{9m
Foz do Iguaçu, PR, Brasil, 09 a 11 de outubro de 2007

Em seguida, o varejista recebe e, caso tenha estoque suficiente, atende a demanda D t relativa
ao período em curso. Demandas não atendidas ficam pendentes. Considera-se a ocorrência de
um lead time variável Lt entre o momento em que o pedido é encaminhado pelo varejista e o
momento em que o pedido é recebido por ele. Um pedido colocado no fim do período t é
recebido no início do período t + L t .
A demanda vista pelo varejista e o lead time de entrega dos pedidos são variáveis estocásticas,
cujas distribuições de probabilidade podem ser aproximadas por uma normal, com média e
desvio-padrão conhecidos ou estimáveis a partir de dados históricos:
D → N (µ D ,σ D ) (1)
L → N (µ L ,σ L ) (2)
A estimativa da demanda em t é calculada a partir de uma média móvel que utiliza os dados
relativos à demanda observada nos últimos p períodos:
p
Dt −i
Dˆ t = i =1
(3)
p
A demanda estimada pode ser representada por uma distribuição normal com os seguintes
parâmetros:
‰ Š
σD
Dˆ → N ‹ µ D , ŽŒ (4)
p 0 ,5
Na seqüência, a estimativa da demanda durante o lead time é obtida utilizando a média móvel
referida na Equação (3) e o lead time em t, a partir do pressuposto que Lt e Dˆ t utilizam a
mesma unidade de tempo.
Dˆ Lt = Lt Dˆ t (5a)
 
‘ p
D t −1 ’
Dˆ Lt = Lt ‘“ i =1
”
’ (5b)
p

De acordo com as Equações (2), (4) e (5b), a estimativa da demanda no lead time pode ser
aproximada através de uma distribuição normal, com média e desvio-padrão assim expressos:
• • – –
—— σ ˜ 2 0 ,5
˜
Dˆ L → N —™ µ D µ L , ™ σ L2 µ D2 + ( µ L2 + σ L2 ) š D
š
˜ (6)
p
O varejista segue uma política order-up-to em que o estoque-alvo é calculado a partir da
estimativa da demanda durante o lead time, do nível de segurança desejado e do desvio-
padrão da demanda estimada para o lead time:
At = Dˆ Lt + zσˆ D Lt (7)
• –
— p
D t −1 ˜
onde Dˆ Lt = Lt —™ i =1 ˜
š e (8)
p

4
 P PQ RSRUT8V
W XYVAZ\[XVA]W RSXYVA]^F_Y`6`.aYbY`8aYcY% dYe %f_Y`6gUdhY_Yijk% h
l'mMn?mIo p?q rsut9mvwJx*myrz9o w9{?t9|~}~w??t?v€{9q ~‚ w?p9wƒ~w9„?o myq nO…mMp9o r~|u}~w9†>z?o wO‡ˆm…NwmyƒIt?ƒN…mMnJ…rM„?q ‚ q {?r~{9m
Foz do Iguaçu, PR, Brasil, 09 a 11 de outubro de 2007

› œ 0 ,5
 σ D2 ž
σˆ D L = Ÿ σ µ + 2
L
2
D (µ + σ )  
2
L
2
L (9)
p
O pedido é calculado em função do estoque-alvo e da demanda. Por ora, eventuais valores
negativos são assumidos como excessos de estoque que podem ser devolvidos sem custo, de
acordo com Kahn (1987), Lee et al. (1997) e Chen et al. (2000).
Q t = At − At − 1 + D t − 1 (10a)
Q t = Dˆ Lt + zσˆ D Lt − Dˆ Lt −1 − zσˆ D Lt −1 + D t −1 (10b)
O cálculo do pedido pode ser apresentado em função da diferença entre as estimativas da
demanda durante o lead time (períodos t e t-1), da constante z vinculada ao nível de serviço
desejado, da diferença entre as estimativas do desvio-padrão da demanda estimada para o lead
time (períodos t e t-1) e da demanda observada no período t-1.
Q t = Dˆ Lt − Dˆ Lt −1 + z (σˆ D Lt − σˆ D Lt −1 ) + D t −1 (11)
› œ › œ
 p
Dt − i ž  p
D t − i −1 ž
Q t = Lt Ÿ   + z (σ D Lt − σ D Lt −1 ) + D t −1
ž  ž
  − L t −1 Ÿ
i =1 i =1
ˆ ˆ (12)
p p

Considere as seguintes definições adicionais, a serem utilizadas nos desenvolvimentos que se

seguem:
› œ
 p
Dt −i ž
E1 = Lt Ÿ i =1
 
ž (13a)
p
› œ
 p
D t − i −1 ž
E 2 = Lt −1 Ÿ i =1
 
ž (13b)
p

E = E1 − E 2 (14)
F = z (σˆ D Lt − σˆ D Lt −1 ) (15)
G = D t −1 (16)
Qt = E + F + G (17)
Conforme Mood et al. (1974, p. 178), a variância do tamanho dos pedidos deve ser calculada
da seguinte forma:
V arQt = V arE + V arF + V arG + 2 ( C ov EF + C ov E G + C ov F G ) (18)
Dado que E = E1 − E 2 , torna-se necessário calcular a variância desta diferença. Como as
variáveis E1 e E2 estão correlacionadas, tem-se:
V arE = V arE1 + V arE 2 − 2 C ov E1 E 2 (19)
σ D2
V arE1 = V arE 2 = σ µ + 2
L
2
D ( µ L2 + σ L2 ) (20)
p
A covariância entre E1 e E2, expressa na Equação (21), foi modelada matematicamente a
partir de um conjunto de simulações computacionais, Trabalhou-se com diversos cenários,

5
 P PQ RSRUT8V
W XYVAZ\[XVA]W RSXYVA]^F_Y`6`.aYbY`8aYcY% dYe %f_Y`6gUdhY_Yijk% h
l'mMn?mIo p?q rsut9mvwJx*myrz9o w9{?t9|~}~w??t?v€{9q ~‚ w?p9wƒ~w9„?o myq nO…mMp9o r~|u}~w9†>z?o wO‡ˆm…NwmyƒIt?ƒN…mMnJ…rM„?q ‚ q {?r~{9m
Foz do Iguaçu, PR, Brasil, 09 a 11 de outubro de 2007

combinando três valores de coeficiente de variação da demanda (0,1; 1 e 2), três valores de
coeficiente de variação do lead time (0,1; 1 e 2) e três valores de p (2; 10 e 30). Para cada um
dos 27 cenários, foram realizadas 5000 rodadas da rotina de cálculo da covariância entre E1 e
E2, dados nas Equações (13a) e (13b). Utilizou-se, em cada rodada, uma série de 2000 valores
de demanda e lead time, gerados aleatoriamente. As planilhas utilizadas nesta e nas demais
simulações mencionadas neste artigo, bem como os procedimentos de validação das
expressões delas derivadas, estão disponíveis mediante solicitação aos autores.
› œ
 p −1 ž 2
C ov E1 E 2 = σ D2 Ÿ 2  
µL (21)
p
A seguir, calcula-se a variância da diferença entre as estimativas da demanda no lead time:
› œ
2σ D2  p −1 ž 2
V arE = 2σ L2 µ D2 + ( µ L2 + σ L2 ) − 2σ D2 Ÿ   µL (22a)
p p2
› › œ œ
  µ L2 σ L2 ž ž
V arE = 2 Ÿ σ L2 µ D2 + σ D2 Ÿ +     (22b)
p2 p
De acordo com a Equação (18), o próximo passo consiste no cálculo da variância da diferença
entre as estimativas do desvio-padrão da demanda durante o lead time, da variância da
demanda em t e das covariâncias entre (i) E e F, (ii) E e G e (iii) F e G.
A variância da diferença entre as estimativas do desvio-padrão (em t e t-1) foi modelada
matematicamente a partir de uma série de simulações computacionais, conforme expressão
apresentada na Equação (23a). Trabalhou-se com diversos cenários, combinando quatro
valores de coeficiente de variação da demanda (0,1; 0,5; 1 e 2) e três valores de z (1; 2 e 3).
Para cada um dos 12 cenários, foram realizadas 1000 rodadas da rotina de cálculo da
variância de F. Utilizou-se, em cada rodada, uma série de 2000 valores de demanda gerados
aleatoriamente.
› œ
( t − 1) ž 2
V arF = 2 z 2 Ÿ   σ DL (23a)
3( t + 1) 2
Representando o fator dependente do tempo por:
( t − 1)
T = (23b)
3( t + 1) 2
¡ ¢
£ σ D2 ¤
V arF = 2 z 2 T ¥ σ L2 µ D2 + ( µ L2 + σ L2 ) ¦ (23c)
p
Na seqüência, calcula-se a variância de G:
V arG = σ D2 (24)
Obtidas as variâncias de E, F e G [Equações (22b), (23c) e (24), respectivamente], calculam-
se as covariâncias dessas variáveis. Pode-se demonstrar que as covariâncias entre E e F e
entre F e G convergem para zero:
C ov EF = 0 (25)
C ov FG = 0 (26)

6
 P PQ RSRUT8V
W XYVAZ\[XVA]W RSXYVA]^F_Y`6`.aYbY`8aYcY% dYe %f_Y`6gUdhY_Yijk% h
l'mMn?mIo p?q rsut9mvwJx*myrz9o w9{?t9|~}~w??t?v€{9q ~‚ w?p9wƒ~w9„?o myq nO…mMp9o r~|u}~w9†>z?o wO‡ˆm…NwmyƒIt?ƒN…mMnJ…rM„?q ‚ q {?r~{9m
Foz do Iguaçu, PR, Brasil, 09 a 11 de outubro de 2007

A covariância entre E e G foi modelada matematicamente a partir de um conjunto de

simulações computacionais, conforme expressão proposta na Equação (27). Trabalhou-se com
diversos cenários, combinando três valores de coeficiente de variação da demanda (0,1; 1 e 2),
três valores de coeficiente de variação do lead time (0,1; 1 e 2) e três valores de p (2; 10 e 30).
Para cada um dos 27 cenários, foram realizadas 5000 rodadas da rotina de cálculo da
covariância entre E [Equação (14)] e G [Equação (16)]. Utilizou-se, em cada rodada, uma
série de 2000 valores de demanda e lead time, gerados aleatoriamente.
σ D2 µ L
C o v EG = (27)
p
Em seguida, calcula-se a variância dos pedidos. Substituindo as parcelas da Equação (18)
pelas respectivas expressões – Equações (22b), (23c), (24), (25), (27) e (26), e representando
o coeficiente de variação da demanda por § D, tem-se:
¨ ¡ ¢ ¡ ¢ ©
ª 2µL £ µL ¤ 2 £ 1 ¤ 2 µ L2 2 «
V arQt = σ D2 ¬ 1 +
p
¥ 1 +
p
¦ + 2 σ L ¥
1
θ D2
+
p
¦ (1 + z 2
T ) p z T­
+ (28)

Pela definição do EC, segue que:

V ar ( Q )
EC = (29)
V ar ( D )
¡ ¢ ¡ ¢
2µL £ µL ¤ 2 £ 1 ¤ 2 µ L2 2
+ ¦ (1 + z T ) +
1
ECt = 1 + ¥ 1+ ¦ + 2σ L ¥
2
z T (30)
p p θ D2 p p
Visando representar com maior realismo o tratamento dos estoques, todo e qualquer valor
negativo de tamanho de pedido (considerado como um excesso de estoque H t ) pode ser
utilizado no ajuste do tamanho do pedido, de acordo com as seguintes expressões:
H t = abs[m in{0; Q t − H t −1 }] (31)
Q t
R
= m ax{0; Q t − H t −1 } (32)
Este ajuste, realizado em função dos excessos de estoque, altera somente o desvio-padrão da
série original de pedidos. Desta forma, o novo coeficiente de variação dos pedidos, θ Q R , pode
ser expresso como:
θQ = M θQ
R (33)
O fator de ajuste do coeficiente de variação, M, pode ser estimado através da expressão
proposta na Equação (34). A respectiva modelagem matemática foi desenvolvida a partir de
um conjunto de simulações computacionais. Trabalhou-se com um total de 29 cenários,
elaborados com base em diferentes coeficientes de variação de pedidos. Para cada um dos
cenários definidos, foram realizadas 1000 rodadas da rotina de cálculo do fator de ajuste.
Utilizou-se, em cada rodada, uma série de 10000 valores gerados aleatoriamente.
® ¯
− aθ b
Mˆ = °² 1 − e Q ³ ± (34)

O desvio-padrão do pedido ajustado pode ser expresso por:

σ Q = Mˆ σ Q
R (35)

7
 P PQ RSRUT8V
W XYVAZ\[XVA]W RSXYVA]^F_Y`6`.aYbY`8aYcY% dYe %f_Y`6gUdhY_Yijk% h
l'mMn?mIo p?q rsut9mvwJx*myrz9o w9{?t9|~}~w??t?v€{9q ~‚ w?p9wƒ~w9„?o myq nO…mMp9o r~|u}~w9†>z?o wO‡ˆm…NwmyƒIt?ƒN…mMnJ…rM„?q ‚ q {?r~{9m
Foz do Iguaçu, PR, Brasil, 09 a 11 de outubro de 2007

Pela definição do EC, segue que:

V ar ( Q R ) V ar ( Q )
EC R
= = Mˆ 2 = Mˆ 2 E C (36)
V ar ( D ) V ar ( D )
¨ © 2
ª − aθ Qb «
EC R
= ¬ 1− e ­ EC (37)

Como
σQ
θQ = , (38)
µQ
´ ¶ · ¶ · µ 0 ,5
¸ 2µL º µL » º » 2µL 2 ¹
2
σQ = σ D ¾ 1+
p
¼ 1+
p
½ + 2σ L ¼
2 1
θD2
1
+ ½ 1 + z 2T +
p
z T¿( ) p
(39)

e, considerando µ Q = µ D , tem-se:

θ Q = θ D E C t0 ,5 (40)
Utilizando a Equação (40), pode-se reescrever a Equação (37) para definir a forma primária
do modelo matemático proposto para a quantificação do EC:
´ µ 2
¸ − aθ Db E C 0 ,5 b ¹
EC t
R
= ¾ 1− e t
¿ ECt (41)

sendo a = 2, b = –2/3 e:
´ ¶ · ¶ · µ
2µ L º
¸ µ » 2 º 1 » 2 µ L2 2 ¹
ECt = ¾ 1 +
p
¼ 1 + L ½ + 2σ L ¼
p
1
θ D2
+
p
½ (1 + z 2
T ) +
p
z T¿ (42)

Considerando a existência de k níveis na cadeia de abastecimento, a modelagem proposta para

a quantificação do EC tem a seguinte forma:
V ar ( Q kR ) k
E C kR =
V ar ( D1 )
= ∏ ECj =1
R
j ∀k (43)
´ µ 2
k ¸ − aθ Dbj E C 0 ,5 b ¹
E C ktR = ∏ ¾¸ 1 − e
j =1
jt
¿¹ E C jt ∀k (44)

3. Análise
A Figura 2 mostra que a quantificação do EC através do modelo de Chen et al. (2000)
apresenta valores expressivamente superiores aos valores obtidos através do modelo aqui
proposto. Aproximadamente metade dos cenários simulados na análise corresponde a esta
situação. Essas diferenças devem-se à alta incidência de pedidos com valores negativos, o que
aumenta a variância dos pedidos e distorce o dimensionamento do EC. Cabe salientar que os
valores de EC calculados usando o modelo proposto não apresentam diferenças
estatisticamente significativas, a <1% de significância, em relação aos valores reais de EC
simulados.

8
 P PQ RSRUT8V
W XYVAZ\[XVA]W RSXYVA]^F_Y`6`.aYbY`8aYcY% dYe %f_Y`6gUdhY_Yijk% h
l'mMn?mIo p?q rsut9mvwJx*myrz9o w9{?t9|~}~w??t?v€{9q ~‚ w?p9wƒ~w9„?o myq nO…mMp9o r~|u}~w9†>z?o wO‡ˆm…NwmyƒIt?ƒN…mMnJ…rM„?q ‚ q {?r~{9m
Foz do Iguaçu, PR, Brasil, 09 a 11 de outubro de 2007

300

250 Chen et al. (2000) MODELO

200
EC

150

100

50

0
1 201 401 601 801 1001 1201 1401 1601 1801 2001 2201 2401 2601
Cenário

Figura 2 – Modelo de Chen et al. (2000) versus modelo proposto

O modelo de Chen et al. (2000), por utilizar uma política de devolução sem custos dos
excessos de estoque, não adota mecanismos de ajuste do tamanho dos pedidos quando estes
apresentam valores negativos. Esta situação produz sérias distorções, inclusive em ambientes
com lead time constante. Diferentemente das conclusões apresentadas por esses autores, os
resultados da pesquisa aqui apresentada indicam que o modo como os excessos de estoque são
tratados é determinante não só para uma quantificação mais precisa do EC, mas
principalmente para evitar aumentos desnecessários em sua intensidade.
O modelo proposto por Chen et al. (2000), independentemente do lead time de entrega de
pedidos ser constante ou variável, tende a superdimensionar o EC, podendo aumentar a sua
intensidade em até oito vezes, como exemplificado na Figura 2. O modelo proposto neste
artigo, por utilizar uma política onde valores negativos de tamanho de pedido são
considerados como excessos de estoque, prevê os ajustes necessários no tamanho dos pedidos,
de modo a evitar aumentos na intensidade do EC.
4. Conclusão
A análise dos principais modelos disponíveis na literatura apontou para a existência de três
lacunas importantes no processo de quantificação do EC: (i) desconsideração da variabilidade
do lead time de entrega de pedidos; (ii) tratamento inadequado dos possíveis excessos de
estoque; e (iii) ausência de elementos caracterizadores da demanda (tal como seu coeficiente
de variação). O modelo proposto neste artigo supre integralmente estas deficiências e
apresenta elementos que apontam para a seguinte conclusão: a intensidade e o comportamento
estocástico e serial do EC só podem ser adequadamente modelados se a variabilidade do lead
time for incorporada ao processo de modelagem e se os excessos de estoque forem utilizados
no cálculo do tamanho dos pedidos.
Do ponto de vista gerencial, a modelagem proposta auxiliou na identificação dos aspectos
mais sensíveis relacionados à previsão de demanda, políticas de tratamento dos excessos de
estoques, decisões sobre estoques de segurança e negociações sobre prazos de entrega de
pedidos. Cabe ressaltar a necessidade de cuidados redobrados em situações onde a demanda
independente é relativamente estável e o lead time de entrega dos pedidos apresenta grande
variabilidade. Nestes casos, conforme verificado nas simulações resumidas na Figura 2, o EC
poderá atingir valores muito altos (EC > 30).
Referências
ANDERSON JR., E. G. & FINE, C. H. Business cycles and productivity in capital equipment supply chains.

9
 P PQ RSRUT8V
W XYVAZ\[XVA]W RSXYVA]^F_Y`6`.aYbY`8aYcY% dYe %f_Y`6gUdhY_Yijk% h
l'mMn?mIo p?q rsut9mvwJx*myrz9o w9{?t9|~}~w??t?v€{9q ~‚ w?p9wƒ~w9„?o myq nO…mMp9o r~|u}~w9†>z?o wO‡ˆm…NwmyƒIt?ƒN…mMnJ…rM„?q ‚ q {?r~{9m
Foz do Iguaçu, PR, Brasil, 09 a 11 de outubro de 2007

In: Quantitative models for supply chain management. 6. ed. Boston: Kluwer Academic Publishers, 2003.
CARLSSON, C. & FULLÉR, R. A fuzzy approach to the bullwhip effect. In: Cybernetics and Systems ‘2000,
Proceedings of the Fifteenth European Meeting on Cybernetics and Systems Research, Vienna, April 25-28,
p.228-233, 2000.
CHEN, F.; DREZNER, Z.; RYAN, J. K. & SIMCHI-LEVI, D. Quantifying the Bullwhip Effect in a Simple
Supply Chain: The Impact of Forecasting, Lead Times, and Information. Management Science. Vol. 46, n.3,
p.436-443, 2000.
______. The Bullwhip Effect: managerial insights on the impact of forecasting and information on variability in
a supply chain, in: Quantitative models for supply chain management. 6. ed. Boston: Kluwer Academic
Publishers, 2003.
FRANSOO, J. C. & WOUTERS, M. J. F. Measuring the Bullwhip Effect in the Supply Chain. Supply Chain
Management. Vol. 5, n.2, p.78-89, 2000.
KAHN, J. Inventories and the volatility of production. American Economic Review. N.77, p.667-679, 1987.
LEE, H.; PADMANABHAN, V. & WHANG, S. Information Distortion in a Supply Chain: The Bullwhip
Effect. Management Science. Vol. 43, n.4, p.546-558, 1997.
MOOD, A. M.; GRAYBILL, F. A. & BOES, D. C. Introduction to the theory of statistics. New York:
McGraw-Hill, 1974.
WARBURTON, R. D. H. An analytical Investigation of the Bullwhip Effect. Production and Operations
Management. Vol. 13, n.2, p.150-160, 2004.

10