技术的发展和客户需求的多样化促使企业必须面对缩短产品生产周期、加快产品开发速度来快速响应客户需求的问题,由此产生了供应链。由三个或更多上游、核心企业、下游所形成的供应链可以更加快速地将产品和信息从供应方传送至最终的消费者,同时也使得供应链每个节点上的企业专注于自身的核心业务,提升竞争力。牛鞭效应是供应链中存在的客观现象。供应链中的各节点企业为了减少由实际需求和计划数量的偏差造成的生产计划的不稳定,往往需要主动选择提高安全库存数量来保证正常的生产活动,这种情况会使需求被逐级放大而引发牛鞭效应。解决供应链中的牛鞭效应问题成为提升整个供应链效益的核心问题。在供应链管理中,需求预测是推动业务流程的基础,企业对安全库存的设置正是基于需求预测的偏差值,偏差值越小,安全库存量就越小。而安全库存的存在是导致牛鞭效应产生的直接原因,节点企业通过主动增加安全库存来规避缺货风险,导致牛鞭效应在供应链上逐级放大。因此,可以通过需求预测的精准度降低安全库存数量进而削弱牛鞭效应的影响,以此提高各节点企业及时应对市场需求波动的能力,对实现供应链整体效益的最大化具有重要的现实意义。基于上述背景,本文首先基于以制造商为核心的供应链中业务流程,分析了牛鞭效应的产生原因和具体表现,通过对安全库存、需求预测和牛鞭效应之间的量化分析,确定了提高需求预测精度可减弱企业受到牛鞭效应的影响,并证明了此种方法对于供应链上各节点企业都具有适用性。考虑到以往企业常用的一些传统时序预测方法存在局限性,对于非线性的数据特征无法捕获,在实际应用中精准度有限,而近年来人工智能技术的应用,尤其是神经网络算法被广泛应用在各个领域,所以本文采用基于神经网络的模型进行需求预测,为供应链管理提供了新思路和方法。由于复杂市场环境下的供应链中影响需求预测因素繁多,本文采用了灰色关联度分析法选取价格、季节性、促销力度等主要特征因素。其次,考虑到传统预测模型的缺陷,本文在研究了神经网络核心思想与方法基础上,提出LSTM-BP组合模型,运用该模型实现未来一段时间内的需求预测。在模型应用中,针对某制造企业当前生产管理紊乱等现状,以企业近两年的产品订单为研究对象进行实证分析。结果证明,在该模型下的产品预测偏差大幅度降低,并且节点企业受到牛鞭效应的影响程度得到有效缓解。因此,本文提出的LSTM-BP组合模型对削弱供应链中的牛鞭效应具有良好的应用价值。