高科技產品逆向物流零部件庫存預測方法比較

摘要：循環經濟的發展，要求疏通逆向物流的流通渠道，通過閉環供應鏈建立經濟的可持續發展模式。本文的研究對象鎖定在逆向物流中的特殊一類高科技產品的逆向物流和閉環供應鏈庫存的預測需求。本文重點分析了BP神經網絡在庫存需求中的預測方法，并將傳統統計方法與BP神經網絡進行對比分析。

關鍵詞：逆向物流 閉環供應鏈 BP神經網絡 高科技產品

按照唐納德·F·布隆伯格（2009）的觀點，逆向物流可以具體分為五大類①。本文的研究對象鎖定在第一類：工業、科技和商業產品，并具體聚焦在高科技工業產品的狹義逆向物流——退貨和（或）返修過程。更具體的講是高科技工業產品退貨和（或）返修的物流過程（以下簡稱高科技產品逆向物流）。

1 高科技產品逆向物流庫存預測的特點

1.1 客戶的主觀性

退貨的原因很多，完全由供應鏈終端的使用者和客戶決定，主觀性極強。尤其對于承諾“三包服務”的企業只有對特定用戶深入分析才能準確掌握客戶群的真正想法。

1.2 時間的不確定性

由于產品的銷售、服務的過程是順向供應鏈的過程，即正向供應鏈流程，所以在運輸、配送等環節可以準確預知數量和發貨時間，由于銷售終端客戶的分散和顧客最終消費時間的不確定，以及造成顧客不滿意而產生退貨時間的不確定，使得對逆向物流的控制和再制造庫存管理增加了難度。

1.3 管理的柔性

逆向物流相關流程要求在物流設施、運輸和其他相關服務方面具備足夠的柔性，以確保需求不穩定的逆向物流能夠實現預期的目標。而由于時間的不確定和客戶因不滿意而退、換貨的不確定與退貨品返廠的運輸滿載率之間存在博弈關系，因此加大了管理協調的難度。

1.4 多元合作性

逆向物流在實施過程中會涉及到多個主體，如終端客戶、銷售企業、批發企業、維修服務企業和生產企業等，體現出主體多元性的特點，因此，要建立一個便于相互交流的平臺以能夠確保各個主體之間有效、迅速和實時的交流，以避免延遲和低效。

1.5 不確定性一定程度可控

通常而言，產品及其零部件都是從制造商流向終端用戶。包括對于產品而言，進行售后服務和支持組織，是屬于制造商、終端用戶或獨立的服務組織所有，通常是到現場對產品進行安裝和修理活動。從本質上講，在這一領域，如何有效地進行管理及控制服務實施，在很大程度上依賴于極高的零部件滿足率。從售后服務工程師零部件可得性水平的角度來說，即是降低零部件或組件的短缺可能性，從而使終止或被迫放棄的服務需求數量最小化。在逆向物流中，售后服務領域客觀存在的其他物流功能可以使存貨投資和物流運營的成本最小化。在這種情況下，售后服務工程師零部件滿足率的目標是達到最優庫存投資及最低的物流服務成本，因此，必須對高科技產品庫存進行需求預測管理。

2 高科技產品庫存預測的方法

在售后服務領域，對零部件需求預測的問題主要集中于以下六種分析預測工具：

2.1 簡單平均法

這種方法是非專業物流管理者通常使用的方法。通過計算歷史需求數據的簡單平均值對未來需求進行預測。

2.2 移動平均法

該法是從前幾期的數據中選取部分時間段數據。從某種程度上看，這種方法對近期變化和趨勢的反映更加精確。

2.3 加權移動平均法

該法是根據前期數據不同的時間段和重要性賦予不同的權重。大體上說，這種方法是對簡單移動平均法或基本平均法的改進，但是這種方法必須引入權重判斷機制。

2.4 指數平滑法

該法是對加權移動平均法的一種改進方法。它通過指數加權曲線對各種因素賦予不同權重，并采用系統的加權方法消除了人為判斷的加權機制的影響。

2.5 霍爾特法

該法是比指數平滑法更加成熟的預測方法。它考慮了許多額外因素或歷史數據的趨勢。一般來說，如果需求的變化是漸進的，那么應用霍爾特法將提高指數平滑法的精確性。

2.6 貝葉斯推斷

該法是一種很有效的分析預測方法，它能根據單個SKU邊際利潤的改變，調整相應的預測方法和技術。在典型的電子產品環境下，貝葉斯推斷對流轉緩慢的零部件需求預測很有效。

2.7 線性神經元網絡法

具體步驟如下：

①選取研究樣本。根據不同的存貨控制機制，可以對單一零部件SKU的管理、對成套產品的管理，以及對二者組合的管理的方法來選擇樣本，要同時選取華為、蘋果等優秀公司的樣本，以便對網絡進行學習訓練。應用BP神經網絡模型進行預測與統計方法相比，在樣本的選取上局限性小于傳統的統計方法。因為傳統的統計方法要求樣本服從某一種特殊的分布，如正態分布等，而BP神經網絡模型對樣本并沒有這樣的特殊要求。

②把用來衡量高科技產品企業庫存安全水平的建模變量作為神經網絡的輸入向量，確定輸入層的節點個數。

③將代表分類結果的量作為神經網絡的輸出，設定輸出層節點個數，而輸出層節點個數由輸出類別決定，對高科技產品企業的輸出至少有兩種，即單一產品SKU和成套產品SKU，因此輸出層的節點個數一般為2。

④確定隱含層節點個數。隱含層節點個數一般為經驗值，與輸入層和輸出層的節點個數有關，并沒有統一的數值要求，一般不宜太少。否則將影響網絡的有效性，也不宜過多，否則會增加學習訓練的時間。參照其他研究會根據樣本大小和變量個數設定一個節點。

⑤確定學習率和系統誤差。學習率一般控制在0.01-0.9之間，取值不宜過大或偏小，因為學習率越小，訓練次數越多，若學習率過大，每次權值的變動越劇烈，會影響網絡結構的穩定性。一般來說，在以往的研究中，學習率選擇0.05，誤差ε通常需要根據輸出要求來確定，為了保證系統的學習精度，在很多的研究中設定系統誤差為0.1%。

⑥在輸入各項參數后，就開始用訓練樣本來訓練網絡，使訓練樣本中的樣本企業與參照企業的輸入向量得出區分兩類不同公司的輸出向量，一旦學習訓練完畢，便可作為被測企業預測的有效工具。

3 BP神經網絡在預測中與傳統方法的比較分析

該方法較之傳統的統計類分析方法相比，已經越來越多的受到學者的關注。本文通過以下的兩張表分析優缺點。具體分析見表1-1和表1-2傳統統計方法與BP神經網絡的比較。

綜上，在預測精度、樣本選擇，以及系統誤差方面，BP神經網絡均表現出良好的優點。但是BP神經網絡也存在一定的缺陷，如下表1-2 傳統統計方法與BP神經網絡的比較（2）。

綜上，在數學建模、穩定性和參數的嚴謹性角度，BP神經網絡還有一定的缺陷。

4 結論

循環經濟的發展，要求逆向物流為其疏通渠道。閉環供應鏈的建立可以協調正向和逆向物流在有效的體系中整體趨向最優。高科技產品閉環供應鏈庫存預測的新方法BP神經元網絡開啟了一種嶄新的研究領域，將技術研究和實際應用的結合，為人們解決高科技產品逆向物流中的實際問題構造了一種全新的思路，同時也豐富了統計方法，盡管BP神經元網絡尚有一定的缺陷，隨著研究的深入和理論的發展，其今后必能給我們的研究作出更大的貢獻。

注釋：

①（1）工業、科技和商業產品；（2）消費品召回、回收和處理；（3）基于法律規定的綠色產品回收；（4）包裝和托盤循環利用；（5）廢棄物收集、回收和處理.

參考文獻：

[1]E.Schoeneburg，N.Hansen，A.Gawelczyk.Neuronal Netsw-

erke.Germany：MarktTechnik VerlagAG，1990.

[2] X.Wang，R.Babinsky and H.Scheich.Synaptic potentiation and depression in slices of mediorostral neostriatum- hyperstriatum complex.USA：Neuroscience，Vol.60，No.3，PP.689-699，1994.

[3]唐納德·F·布隆伯格著，劉彥平譯.逆向物流與閉環供應鏈流程管理[M].天津：南開大學出版社.

基金項目：

本文系天津市哲學社科規劃課題“社會學視角下的轉型期中國企業社會責任問題研究”（TJGL12-113）的階段性研究成果。