The Ripple Effect as a shortage propagation. Four different metrics to analyse disruption propagation in Supply Chains

Abstract

This project aims to deepen the analysis of supply chains. Supply chain managers are often confronted with problems that affect the performance of the chain. This study focuses in particular on one of them, the Ripple Effect. But what does this phenomenon imply? The reality is that there is currently no single definition among the authors. But, there is a common part in all the definitions found. The Ripple Effect always involves the propagation of disruptions along the supply chain. In this project, the opinion of different authors is analysed and a definition is established. In particular, it has been decided to restrict the term to only those disruptions that somehow generate an inability to supply between nodes. This definition allows us to apply our conclusions to such high-profile cases as the Suez Canal blockage, the microchip crisis, the Listeria problem in South Africa and, of course, Covid-19. In all of them, the disruption caused an inability to supply between nodes that spread to other downstream nodes in the chain. The devastating consequences of the Ripple Effect for the supply chain manager and the participating companies justifies the boom of studies that have been developed in recent years in this framework. The vast majority of studies focus on analysing chain performance in the face of propagating disruptions, in some cases proposing measures both before and after the onset of a disruption to mitigate the negative effects. After an extensive literature review, the conclusion drawn is that all these studies need to rely in some way on metrics to see how the Ripple Effect impacts. This project proposes to continue the research developed in the book chapter "Measuring the ripple effect: A simulation based study of supply chains resilience using new metrics" (2022) by Laura Tobajas, in which it is proposed to use metrics based on the backlog variable (quantity pending delivery to the next node), which through a series of time restrictions makes it possible to clearly delimit whether a node is being affected by the Ripple Effect or not. The study focused on carrying out a sensitivity analysis of certain parameters and common chain factors using a metric oriented to the node closest to the end customer, the retailer. From the conclusions of this study, it became clear that the propagation of this inability to supply along the different nodes was, to say the least, intriguing. Therefore, this project retrieves that model and includes a series of new metrics, all based on the backlog variable. These metrics allow us to analyse the actual propagation of disruptions along the chain through every echelon involved. Focusing on how this inability to supply evolves node by node, it has been able to obtain relevant conclusions about the Ripple Effect and its behaviour in a supply chain. Among other things, it has been seen how there is clearly an important random component when it comes to whether the node receives the Ripple Effect or not. This is noticeably reduced as the node moves away from the disturbance. The supply chain model on which the study is based is a four-step serial chain with one node at each echelon. Matlab software has been used to perform a simulation based on the daily operations of a supply chain. The equations used to model the operation of the chain can be found in the model section from the report.

Con este proyecto se busca profundizar en el análisis de las cadenas de suministro. Los gestores de la cadena tienen que afrontar a menudo problemas que afectan al rendimiento de la misma. Este estudio se centra en uno de ellos, el Ripple Effect (Efecto Cascada). Pero, ¿qué implica este fenómeno? La realidad es que a día de hoy no existe una definición única entre los autores. Pero, sí hay una parte común en todas las definiciones encontradas. El Efecto Cascada implica siempre propagación de disruptions (perturbaciones) a lo largo de la cadena de suministro. En este proyecto se analiza la opinión de distintos autores y se establece una definición. En concreto, se ha decidido restringir el término para únicamente aquellas perturbaciones que generan de alguna forma incapacidad de suministrar entre los nodos. Esta definición nos permite aplicar nuestras conclusiones a casos tan sonados como puedan ser: el bloqueo del canal de Suez, la crisis de microchips, el problema de Listeria que se vivió en Sudáfrica… y por supuesto el Covid-19. En todas ellas la perturbación provocó una incapacidad de suministrar entre nodos que se propagó a otros eslabones de aguas abajo de la cadena. Viendo los efectos devastadores del Efecto Cascada para el gestor de la cadena y las empresas participantes, se justifica el auge de estudios que se han desarrollado en los últimos años en este marco. La gran mayoría de estudios se centra en analizar el rendimiento de la cadena ante perturbaciones con propagación, proponiendo en algunos casos medidas tanto previas como posteriores al comienzo de una perturbación para mitigar los efectos negativos. Tras un extenso análisis de literatura, la conclusión obtenida es que todos estos estudios necesitan de alguna forma basarse en métricas para ver cómo impacta el Efecto Cascada. En este proyecto se propone continuar con la investigación desarrollada en el capítulo de libro “Measuring the ripple effect: A simulation based study of supply chains resilience using new metrics” (2022) de Laura Tobajas, en el que se utilizan métricas basadas en la variable backlog (cantidad pendiente a entregar al siguiente nodo), que mediante una serie de restricciones temporales permite delimitar claramente si un nodo está siendo afectado por el Efecto Cascada o no. El estudio se centró en realizar un análisis de sensibilidad de ciertos parámetros y factores habituales de la cadena basado en una métrica orientada al nodo más cercano al cliente final, el minorista. De las conclusiones de este estudio se concretó que la propagación en sí de esa incapacidad de suministrar a lo largo de los distintos nodos resultaba cuanto menos interesante. Por tanto, este proyecto recupera ese modelo e incluye una serie de métricas nuevas basadas todas en el backlog. Estas métricas permiten analizar la propagación propiamente dicha de las perturbaciones a lo largo de la cadena. Centrándonos en cómo evoluciona esa incapacidad de suministrar nodo a nodo se han conseguido obtener conclusiones relevantes sobre el Ripple Effect y su comportamiento en una cadena de suministro. Viendo, entre otras cosas, cómo claramente hay una componente aleatoria importante a la hora de que el nodo reciba los efectos de Ripple Effect o no. La cual se reduce notoriamente a medida que el nodo se aleja de la perturbación. El modelo de cadena de suministro en el que se sustenta el estudio es una cadena serial de cuatro escalones con un nodo en cada escalón. Se ha utilizado el software Matlab para realizar una simulación en base a la operativa diaria de una cadena de suministro. Las ecuaciones utilizadas para modelar el funcionamiento de la cadena pueden encontrarse en el apartado referido al modelo de la memoria.