ブルウィップ効果｜オペレーションズマネジメント

🎓 レベル：標準　|　重要度：A（必須）

📎 前提：サプライチェーンの構造とトレードオフ（部分最適≠全体最適）・定量発注と定期発注（order-up-to / 定期発注 $S$ ）・需要予測の枠組みと移動平均（移動平均予測と遅れ）　|　関連：在庫集約とリスクプーリング　|　次：在庫集約とリスクプーリング

要点（BLUF）

ブルウィップ効果（bullwhip effect）とは、需要のばらつきがサプライチェーンを上流へ遡るほど増幅される現象です。顧客の実需はわずかしか揺れていないのに、小売の発注はもっと、卸はさらに、製造への発注は激しく振れる——鞭（whip）の手元の小さな動きが先端で大きくしなる様子になぞらえます。
増幅は分散比で測ります： $\mathrm{BW}=\dfrac{\mathrm{Var}(\text{発注})}{\mathrm{Var}(\text{需要})}$ 。 $\mathrm{BW}>1$ なら、その段は受けた需要よりも暴れた発注を上流へ出している＝増幅している、ということです。
怖いのは、各段が誰も間違っていなくても、構造的に起きること。下流の発注しか見えない上流が、移動平均で予測して定量発注と定期発注の order-up-to で補充する——この合理的な行動だけで増幅が生まれます。
単段の理論増幅率は、移動平均（窓 $p$ ）・リードタイム $L$ の order-up-to で $\mathrm{BW}=1+\dfrac{2L}{p}+\dfrac{2L^2}{p^2}\ (\ge 1)$ （Chen ら）。リードタイムが長い・予測窓が短いほど増幅が強い。これが多段で複利的に積み上がるので、製造段では桁違いに膨らみます。
原因は4つ——①需要シグナル処理（予測への過剰反応）②発注のバッチ化③価格変動（販促）④品薄時の水増し発注。緩和はPOS（実需）共有・リードタイム短縮・小ロット化・EDLP（価格安定）。要は実需を見せ、反応を鈍く、ロットを小さく。

1. ブルウィップ効果とは：上流ほど暴れる

ビールの流通を題材にした有名な「ビールゲーム」（MIT）では、顧客需要がほんの少し増減しただけなのに、小売 → 卸 → 製造と遡るほど発注が乱高下し、在庫が過剰と欠品を激しく往復します。これがブルウィップ効果です。

flowchart LR
  CUS["顧客"] -->|"実需（小さな変動）"| RET["小売"]
  RET -->|"発注（中）"| WHL["卸"]
  WHL -->|"発注（大）"| DST["流通"]
  DST -->|"発注（特大）"| MFG["製造"]

各段は自分の下流から来た発注を需要とみなし、それを予測して自分の発注を決めます。問題は、発注は実需そのものではないこと。下流が予測のために少し上乗せ・前倒しした発注を、上流が「これが需要だ」と受け取ってまた上乗せする——この入れ子の上乗せが、上流へ行くほど積み重なります。

増幅の大きさは分散比で測ります。段 $k$ が受けた需要の分散を $\mathrm{Var}(D)$ 、上流へ出した発注の分散を $\mathrm{Var}(q)$ とすると、

\mathrm{BW}=\frac{\mathrm{Var}(q)}{\mathrm{Var}(D)}

が 1 を超えれば増幅、1 なら素通しです。ブルウィップは「各段の $\mathrm{BW}$ が掛け算で積み上がる」現象だと言えます。

2. なぜ起きるか：order-up-to ＋移動平均から導く

増幅は気のゆるみではなく方策の数理から出ます。下流の発注を需要とみなす1つの段が、定量発注と定期発注の order-up-to 方策で補充するとしましょう。手順は3つだけ：

予測：直近 $p$ 期の需要を移動平均して平均需要を見積もる（需要予測の枠組みと移動平均）。

\hat\mu_t=\frac{1}{p}\sum_{i=1}^{p} D_{t-i}

目標在庫：リードタイム $L$ 期間の需要をまかなう order-up-to 水準を $S_t=L\,\hat\mu_t+(\text{一定の安全在庫})$ とする。
発注：売れたぶんを補い、目標水準のズレを埋める。在庫ポジションは前期の $S_{t-1}$ から実需 $D_{t-1}$ だけ減っているので、

q_t=D_{t-1}+\bigl(S_t-S_{t-1}\bigr)

ここで目標水準の変化は、予測の変化だけで決まります。 $S_t-S_{t-1}=L(\hat\mu_t-\hat\mu_{t-1})$ で、移動平均の差は窓から1つ出て1つ入る差なので $\hat\mu_t-\hat\mu_{t-1}=\dfrac{1}{p}(D_{t-1}-D_{t-1-p})$ 。よって

q_t=D_{t-1}+\frac{L}{p}\bigl(D_{t-1}-D_{t-1-p}\bigr) =\Bigl(1+\frac{L}{p}\Bigr)D_{t-1}-\frac{L}{p}D_{t-1-p}

発注 $q_t$ は、最新需要 $D_{t-1}$ を $1+L/p$ 倍に拡大して上流へ渡しています（さらに $p$ 期前を差し引く）。これが増幅の正体——予測の更新ぶんだけ発注が需要より大きく動くのです。

増幅率の公式（Chen ら）

需要 $D$ が独立同分布（iid、分散 $\sigma^2$ ）なら、 $D_{t-1}$ と $D_{t-1-p}$ は独立なので分散は足し算で、

\mathrm{Var}(q)=\Bigl[\Bigl(1+\frac{L}{p}\Bigr)^2+\Bigl(\frac{L}{p}\Bigr)^2\Bigr]\sigma^2 =\Bigl[1+\frac{2L}{p}+\frac{2L^2}{p^2}\Bigr]\sigma^2

したがって増幅率は

\mathrm{BW}=\frac{\mathrm{Var}(q)}{\mathrm{Var}(D)}=1+\frac{2L}{p}+\frac{2L^2}{p^2}\ \ (\ge 1)

これが Chen, Drezner, Ryan, Simchi-Levi (2000) の結果です。読み取れることは明快——リードタイム $L$ が長いほど（ $2L/p$ と $2L^2/p^2$ が増える）、予測窓 $p$ が短いほど（分母が小さい）増幅が強い。 $L=0$ （即納）なら $\mathrm{BW}=1$ （増幅なし）、 $p\to\infty$ （過去すべてで平均＝反応を鈍く）でも $\mathrm{BW}\to1$ 。速い補充と鈍い反応が増幅を抑えることが式から直接わかります。

3. 単段の増幅率：シミュレーションは公式に一致するか（コード）

理論式 $1+2L/p+2L^2/p^2$ が正しいか、iid 需要を流して実測の $\mathrm{Var}(q)/\mathrm{Var}(D)$ と突き合わせます。発注は導いた $q_t=D_{t-1}+(L/p)(D_{t-1}-D_{t-1-p})$ をそのまま使い、 $(L,p)$ をいろいろ変えます。

import numpy as np
import pandas as pd

rng = np.random.default_rng(42)

def bullwhip_sim(L, p, n=2_000_000, mu=100.0, sigma=20.0):
    """単段 order-up-to（移動平均 MA(p) 予測・リードタイム L・iid 需要）。
    発注 q_t = D_{t-1} + (L/p)(D_{t-1} - D_{t-1-p})。増幅率 Var(q)/Var(D) を返す。"""
    D = rng.normal(mu, sigma, size=n)
    i = np.arange(p, n)
    q = D[i] + (L / p) * (D[i] - D[i - p])
    return np.var(q) / np.var(D)

def bullwhip_formula(L, p):
    return 1 + 2 * L / p + 2 * L**2 / p**2

rows = []
for (L, p) in [(1, 4), (2, 4), (4, 4), (8, 4), (4, 2), (4, 8), (4, 16)]:
    sim = bullwhip_sim(L, p)
    f = bullwhip_formula(L, p)
    rows.append({"L": L, "p": p, "シミュ Var(q)/Var(D)": sim,
                 "Chen式 1+2L/p+2L^2/p^2": f, "差": sim - f})
df = pd.DataFrame(rows)
print(df.to_string(index=False, float_format=lambda x: f"{x:.4f}"))

出力：

 L  p  シミュ Var(q)/Var(D)  Chen式 1+2L/p+2L^2/p^2       差
 1  4             1.6253                 1.6250  0.0003
 2  4             2.4991                 2.5000 -0.0009
 4  4             5.0005                 5.0000  0.0005
 8  4            13.0059                13.0000  0.0059
 4  2            13.0075                13.0000  0.0075
 4  8             2.4989                 2.5000 -0.0011
 4 16             1.6249                 1.6250 -0.0001

出力の意味：シミュレーションの実測増幅率は、すべての $(L,p)$ で Chen の式に小数第3位までほぼ一致しました（差は $\pm0.008$ 以内、200万サンプルのばらつきのみ）。読み取れる構造は3つ。①必ず 1 より大きい——どの段も需要より暴れた発注を出す。②リードタイム $L$ が長いほど増幅大： $p=4$ 固定で $L=1\to2\to4\to8$ と倍にすると $\mathrm{BW}=1.63\to2.50\to5.00\to13.0$ と跳ね上がる。③予測窓 $p$ が長いほど増幅小： $L=4$ 固定で $p=2\to4\to8\to16$ と窓を広げると $\mathrm{BW}=13.0\to5.00\to2.50\to1.63$ と鎮まる。同じ $\mathrm{BW}=13$ が「 $L=8,p=4$ 」でも「 $L=4,p=2$ 」でも出る通り、効くのはリードタイムと予測窓の比です。短いリードタイム（速い補充）と長い予測窓（鈍い反応）が増幅を抑える——緩和策はすべてこの式の上にあります。

4. 多段で複利的に膨らむ：4段直列SC（コード）

単段で $\mathrm{BW}>1$ なら、それが段の数だけ掛け算されます。顧客需要（iid）を起点に、小売 → 卸 → 流通 → 製造の4段を直列につなぎ、各段が下流の発注を自分の需要として同じ order-up-to で補充する様子をシミュレートします。各段の発注分散が、顧客需要に対して何倍に膨らむかを見ます。

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import japanize_matplotlib

rng = np.random.default_rng(7)

def order_up_to(incoming, L, p, mu=100.0):
    """下流からの受注 incoming を需要として order-up-to(MA(p), リードL) で発注。
    q_t = incoming_{t-1} + (L/p)(incoming_{t-1} - incoming_{t-1-p})。"""
    n = len(incoming)
    q = np.empty(n)
    q[:p + 1] = mu                      # バーンイン（最初の p+1 期は平均で埋める）
    t = np.arange(p + 1, n)
    q[t] = incoming[t - 1] + (L / p) * (incoming[t - 1] - incoming[t - 1 - p])
    return q

n = 300000
mu, sigma = 100.0, 20.0
L, p = 3, 5
burn = 2000
cust = rng.normal(mu, sigma, size=n)   # 顧客需要（iid）
stages = [cust]
for _ in range(4):                      # 4段：小売→卸→流通→製造
    stages.append(order_up_to(stages[-1], L, p, mu))

labels = ["顧客需要", "小売の発注", "卸の発注", "流通の発注", "製造の発注"]
var0 = np.var(cust[burn:])
print(f"設定：4段直列・リードL={L}・予測窓p={p}・iid需要 sigma={sigma}")
print(f"{'段':10s} 発注分散      対顧客比(増幅)")
amp = []
for lab, s in zip(labels, stages):
    v = np.var(s[burn:])
    amp.append(v / var0)
    print(f"{lab:10s} {v:10.2f}    {v / var0:8.3f}")

# 予測窓 p・リード L を変えて「製造（最上流）」の増幅がどう動くか
ps = [2, 3, 5, 8, 12]
amp_grid = {}
grid_rows = []
for Lx in [2, 4]:
    vals = []
    for pp in ps:
        st = [cust]
        for _ in range(4):
            st.append(order_up_to(st[-1], Lx, pp, mu))
        vals.append(np.var(st[-1][burn:]) / var0)
    amp_grid[Lx] = vals
    grid_rows.append({"リードL": Lx, **{f"p={pp}": v for pp, v in zip(ps, vals)}})
print("\n[最上流(製造)の増幅率：予測窓 p とリード L の効果]")
print(pd.DataFrame(grid_rows).to_string(index=False, float_format=lambda x: f"{x:.1f}"))

# 図：左=段ごとの増幅（棒）、右=製造の増幅 vs 予測窓 p（L別の線）
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(13, 5.2))
colors = ["#7f7f7f", "#9ecae1", "#6baed6", "#3182bd", "#08519c"]
ax1.bar(labels, amp, color=colors, edgecolor="white")
for x, a in enumerate(amp):
    ax1.text(x, a + 0.1, f"{a:.2f}", ha="center", fontsize=10)
ax1.set_ylabel("対・顧客需要の分散比（増幅率）")
ax1.set_title(f"上流ほど発注が暴れる（L={L}, p={p}）")
ax1.tick_params(axis="x", rotation=20)

for Lx, mk in [(2, "o-"), (4, "s-")]:
    ax2.plot(ps, amp_grid[Lx], mk, lw=2, label=f"リード L={Lx}")
ax2.set_yscale("log")
ax2.set_xlabel("予測窓 p（移動平均の期間）")
ax2.set_ylabel("最上流(製造)の増幅率（対数軸）")
ax2.set_title("予測窓を長く・リードを短くすると増幅は和らぐ")
ax2.legend(); ax2.grid(alpha=0.3, which="both")
plt.tight_layout(); plt.show()

出力：

設定：4段直列・リードL=3・予測窓p=5・iid需要 sigma=20.0
段          発注分散      対顧客比(増幅)
顧客需要           399.12       1.000
小売の発注         1164.47       2.918
卸の発注          4134.17      10.358
流通の発注        16359.71      40.990
製造の発注        68579.04     171.828

[最上流(製造)の増幅率：予測窓 p とリード L の効果]
 リードL      p=2    p=3   p=5  p=8  p=12
    2   1920.0  271.2  37.7 10.1   4.6
    4 109300.4 9357.1 626.0 83.0  21.4

出力の意味：顧客需要の分散を 1 とすると、上流へ行くごとに増幅が積み上がり、小売 2.92 → 卸 10.4 → 流通 41.0 → 製造 172 と膨らみます。製造段が受け取る発注の分散は、顧客需要の約 172 倍——同じものを売っているのに、製造には嵐のような注文の波が届くわけです。

ここで効くのが第3節との接続です。小売段の増幅 2.918 は、ちょうど Chen の iid 公式に一致します： $1+\dfrac{2\cdot3}{5}+\dfrac{2\cdot3^2}{5^2}=1+1.2+0.72=2.92$ 。小売の入力（顧客需要）は iid なので、公式どおり。ところが上流ほど1段あたりの増幅が大きくなります（卸以降の段間倍率は $3.55,\,3.96,\,4.19$ と増える）。理由は、上流が受け取る発注はもう iid ではなく正に自己相関しているから——移動平均の差分が大きく振れ、 $2.92$ より強く増幅するのです。だから多段の総増幅は単純な $2.92^4\approx72$ ではなく、それを超える 172 になります。

下段の表は緩和の梃子です。最上流の増幅は、予測窓 $p$ を長くする（反応を鈍く）と劇的に下がり（ $L=4$ で $p=2$ の $109300$ が $p=12$ で $21.4$ ）、リードタイム $L$ を短くすると下がる（ $p=5$ で $L=4$ の $626$ が $L=2$ で $37.7$ ）。桁で効くので、ブルウィップ対策は「気合い」ではなくリードタイム短縮と予測の安定化という構造への介入だとわかります。

5. 4つの原因と緩和策

第2〜4節は①需要シグナル処理（予測への過剰反応）だけを数理化しましたが、Lee, Padmanabhan, Whang (1997) は現実の原因を4つ挙げます。いずれも「実需が見えない／反応が過剰になる」点で共通です。

原因	中身	緩和策
①需要シグナル処理	下流の発注を需要と誤認し、予測を過剰更新（本稿の公式）	POS（実需）の共有・予測窓を長く・需要の協調計画（CPFR）
②発注のバッチ化	固定費経済的発注量EOQ でまとめ発注 → 上流から見ると断続的な大波	小ロット化・混載・発注固定費の削減
③価格変動	販促・値引きで前倒し購入（forward buying） → 需要が実需と乖離	EDLP（毎日同価格）・販促の抑制
④品薄時の水増し発注	供給逼迫時に割当を見越して多めに発注（shortage gaming）	過去実績ベースの割当・返品自由の抑制・情報開示

共通する処方箋は 「実需を見せる・反応を鈍くする・ロットを小さくする・価格を安定させる」。とりわけPOS データの上流共有は、各段が「下流の発注」ではなく「最終顧客の実需」を直接予測できるようにし、入れ子の上乗せを根元から断つので効果が大きい。これはサプライチェーンの構造とトレードオフで触れた部分最適≠全体最適の解——各段の局所最適をやめ、実需という共通情報で全体最適に寄せる打ち手です。

⚠️ よくある誤解

「ブルウィップは誰かのミスで起きる」ではない：各段が合理的に予測し合理的に補充しても、構造的に起きます（第2節の公式は最適に近い order-up-to から出る）。犯人探しではなく、リードタイム・予測窓・ロット・価格・情報共有という構造を変えるのが対策です。
「需要予測を精緻にすれば消える」ではない：むしろ予測に敏感に反応するほど増幅は強まります（ $p$ を小さくすると $\mathrm{BW}$ 増）。精度を上げるより、実需（POS）を上流と共有して各段が同じ実需を見ることと、反応を適度に鈍くすることが効きます。過剰反応こそ根因。
「在庫を増やせば対処できる」ではない：在庫の積み増しは欠品を一時しのぎするだけで、変動の増幅そのものは消えません。むしろ過剰在庫と欠品の往復（牛の鞭の振れ）を助長します。効くのは変動を発生源で抑えること——リードタイム短縮・小ロット・EDLP・情報共有。
「増幅は一定倍で素直に伝わる」ではない：単段は $1+2L/p+2L^2/p^2$ ですが、多段では上流の入力が自己相関するため、段あたりの増幅が上流ほど大きくなり、総増幅は単段倍率の単純な累乗を超えます（コード4： $2.92^4\approx72$ ではなく $172$ ）。だから長いチェーンほど末端の暴れは想像以上です。
「これは在庫の話で品質や能力とは無関係」ではない：暴れた発注は、製造の能力（ボトルネックとキャパシティ）を過剰／過少に振り回し、残業と遊休、急ぎ替えによる品質の乱れまで波及します。ブルウィップ抑制は在庫だけでなく、能力稼働と品質の安定にも効きます。