早期的研究以其目标主要集中在信息隔绝、确定性需求环境和集中决策下的优化问题上的特点体现了供应链协调思想的萌芽，Clark和Scarf关于多梯队库存问题（Multi-echelon Inventory Problem）的研究[9]是代表性的例子。基于现代理念的关于供应链协调问题的研究则可以追溯到对牛鞭效应的讨论——此处所说的“供应链协调”是指20世纪90年代早期之后的概念。牛鞭效应（Bullwhip Effect）是供应链失调的典型表现，体现为供应链中各个企业的需求波动（表现为库存量）从下游至上游逐级迅速放大。Forrester[10]首先注意到了牛鞭效应的存在——事实上，正是Forrester的系统动力学思想奠定了从系统的角度理解供应链协调的基础——之后，Houlihan等人[11-14]对一系列行业案例、经济数据等的考察证实了牛鞭效应在现代工业中的大量存在。作为牛鞭效应研究的重要进展，Sterman[15-16]设计了“啤酒游戏”对啤酒生产与分销系统进行模拟，验证了牛鞭效应，他认为，这是由于参与者对信息反馈的错误理解、系统性的非理性行为所导致的，解决办法是对管理人员进行培训以养成系统思维（System Thinking）方式。

接下来的研究主要集中在两个方面：牛鞭效应产生的根源及量化、抑制和消除牛鞭效应的对策。其间，Lee、Chen等学者[17-20]基于一阶自相关需求过程AR（1）采用统计方差的方式对牛鞭效应进行了量化，并提出了减少不确定性、减少波动增量以及加强供应链伙伴关系等方法来抑制牛鞭效应，同时强调了信息共享的作用；我国学者张欣等人[21]把模型条件拓展到了ARIMA（0，1，1）；Dejonckeere和Disney[22-26]等人基于控制工程理论提出了量化牛鞭效应的频率响应曲线最大幅值方法和噪声带宽方法，并从供应链库存补货的四种策略（具有指数平滑、具有移动平滑预测、具有需求信号预测以及一般库存补货平滑策略）入手对供应商管理库存（VMI）策略需求放大的控制得出了一系列研究成果；我国学者黄小原、卢震等人[27-28]提出了在客户需求波动最差的情形下减弱牛鞭效应的H∞控制的方法；李刚和汪寿阳等人[29]将牛鞭效应的研究从特殊时间序列下的两阶段模型拓展到了一般ARIMA时间序列下的多阶段模型。此外还有Cachon等其他学者的相关研究工作[30-34]。

这其中值得强调的是，Lee对牛鞭效应做出了非常重要的贡献[35-36]，他研究指出牛鞭效应产生的根源在于决策者追求利润最大化目标下所进行的理性决策，并提出了具体原因（需求信号处理、短缺博弈、批量订货与价格波动）以及相应的解决办法。后来者的研究基本上在这些工作的基础上进行扩展。(www.daowen.com)

在上述研究过程中，人们发现，牛鞭效应事实上是一系列相互关联的原因综合作用的结果。因此，一方面，须研究供应链中各企业在运作过程中如何进行合理决策；另一方面，更重要的是，分开来独立的研究这些孤立的因素中的每一个，可能会掩盖牛鞭效应的这些成因及其补救措施之间的重要联系。考虑到这些局限性，进一步把问题的范围扩大——包括更多的决策变量、更现实的需求结构、更复杂的网络结构，以及更广泛的决策领域——直至“供应链协调”问题的清晰凸显，就是很自然的了。