基于預測、庫存、運輸的智慧供應鏈研究

楊鵬飛++彭安++沈凌云++林勁

摘 要：供應鏈整體效率的高低不僅基于基礎設施的完善水平，還與整個供應鏈上下游的銜接水平以及供應鏈各環節的信息化、智能化、協同化密不可分。文章旨在通過對上海邁創智慧供應鏈股份有限公司（Maitrox）實際業務中大量數據的整理和分析工作，深入挖掘供應鏈中各環節的數據關聯，通過實現數據同步，聯動管理，利用預測、倉儲預警、運輸等模型提高實際業務的運營效率，以提高供應鏈的信息化和智能化水平，并最終提高日常業務管理的效率和便捷化程度。

關鍵詞：智慧供應鏈；預測；倉儲；運輸

中圖分類號：F273.7 文獻標識碼：A

Abstract： The overall efficiency of the supply chain is not only based on the improvement of the level of infrastructure， but also the cooperation between every role of the whole supply chain， as well as their informatization， intelligentization and coordinatation. This project aims to mining all kinds of data related to the supply chain in the Maitrox company's business practices， and to achieve data synchronization， joint management. We build the forecast， stocks warning and transportation models to improve the informatization and intelligent level of the supply， and finally we improve the efficiency of daily logistic information management and the convenient degree.

Key words： smart supply chain； forecast； inventory； transportation

0 引 言

在如今互聯網高度發達、大數據日益膨脹的年代，隨著供應鏈管理內涵的拓展、過程的延伸、覆蓋面的擴大以及管理的日益專業化和標準化，對實現數據的高效管理和有效挖掘已經成為供應鏈智能化管理的重要研究課題[1]。

根據Younjung Kim等關于供應鏈管理（SCM）的調查，未來的供應鏈研究方向集中在由傳統的經驗主義向依托數據挖掘的智能化方向發展，通過倉儲、運輸等優化，實現供應鏈智慧管理的目標[2]。在庫存環節，劉學恒等研究和探討了不同庫存策略的優化問題，并以兩層級供應點的倉儲系統作為研究對象，應用粒子群算法，建立和優化相應的庫存模型，解決就近供應點選取和轉運等庫存策略方面的問題[3]。在運輸環節，李正艷基于傳統數據倉庫的概念和結構設計，應用于運輸數據挖掘上，探討了物流配送路徑優化問題的遺傳算法和動態規劃法在物流運輸系統中的應用，對運輸路徑和多式聯運等做了近一步的優化[4]。

本文針對上海邁創智慧供應鏈股份有限公司（Maitrox）供應鏈運營中物流、倉儲等數據庫管理、流程規劃、倉儲預警管理和運輸管理等方面的業務需求，對供應鏈進行全局規劃和關鍵環節技術上的支持和創新研究。并探索性地在預測層面，使用貝葉斯預測模型在一定可信度下對配件損耗量進行預測，并產生訂貨提前期這一參數，通過引入倉儲預警和運輸系統來進一步優化傳統的S-t庫存管理策略和運輸網絡有向圖最短路算法。

1 商業背景

本文以上海邁創智慧供應鏈股份有限公司的供應鏈為背景，提出一整套構建智慧供應鏈的想法，并在供應鏈整體考慮的基礎上研究細節問題具體的實現策略。

上海邁創智慧供應鏈股份有限公司從2004年開始，從事供應鏈管理相關體系的業務。已經構建成一個完整的、鏈接上下游供應商客戶的涵蓋計劃咨詢、備件采購、備件墊資、物流、倉儲、本地配送、大數據系統、高端維修、逆向物流全環節的供應鏈管理服務全球生態體系。上海邁創智慧供應鏈股份有限公司在供應鏈上下游的功能定位，對于國際業務而言，負責從香港等發貨點往東南亞、歐美等一些國家配送手機配件，工作流程如圖1所示：

采購的零部件從國內內地市場供應商運至發貨點倉庫，然后發貨點再轉運往國外服務商，并配送至各國家具體的維修點（簡稱正向運輸）。

本文在上海邁創智慧供應鏈股份有限公司實際供應鏈業務的基礎之上，通過分析業務需求，設計了配件損耗率預測、倉儲預警、運輸優化、物流信息系統構建等幾大系統對供應鏈進行全局優化。各系統在供應鏈不同環節進行優化服務，又密切協作，服務于供應鏈整體。

根據邁創實際業務，運用運籌學內相應的倉儲策略模型和運輸優化模型，對整體供應鏈的關鍵環節加以優化，旨在構建一套根據現有數據的供應鏈優化系統，并最終通過地圖和業務流程等可視化技術加以呈現，為管理人員提供庫存預警、管理信息，以及運輸優化方案的決策支持服務。

如圖2該智慧供應鏈服務的主要目的是減少人工干預，在節省人力成本的基礎之上，提高管理的規范化水平，提升供應鏈的運作效率，通過提供便捷化的供應管理和可視化的運輸策略，為決策提供參考支持。參照現代化供應鏈主要組成部分的功能和上海邁創供應鏈現階段主要的功能瓶頸將制定三個系統：預測系統，庫存系統，運輸系統，分別對應于預測模型，庫存模型，運輸模型。

2 解決方案

首先對于供應鏈中的組成部分，即預測系統、庫存系統、運輸系統的功能進行簡單介紹，接著詳述如何把三者有機融合，以充分體現智慧供應鏈的在提升供應鏈效率中的作用。

預測系統將歷史數據作為訓練集，建立預測系統，輸入某一類手機配件和時間參數，系統給出該手機配件在某一時間段的需求量，并將預測結果傳遞給庫存系統。

庫存系統根據物流以及庫存信息建立一套庫存模型。手機配件缺貨有單位損失費，每次進貨會有固定費用，但一次進貨太多則造成貨物積壓，又會導致存儲費上升。采用不同的存儲策略構建不同的存儲模型都會對進貨策略造成影響。庫存系統接收預測系統傳遞的預測結果，判斷某一種手機配件在未來一段時間內是否缺貨，缺貨量為多少，并發出預警信息，并將預警信息傳遞給運輸系統。預警信息包括在未來某段時間t和預計的缺貨量d。

運輸系統收集物流信息、配件成本費、關稅等，并根據時間約束（預警信息中包含的時間段t）計算最優路徑或者最優的配送方案（快遞公司的選擇）。運輸系統將計算的結果進行整理展示，為決策者提供參考。

由圖3可以看出，模式的發起點在于預測。預測的有效性與準確性直接影響智慧供應鏈的功能。預測之所以如此重要的原因在于：（1）缺貨時不能保證某個倉庫一定有缺少的手機配件。一種保證不缺貨的方案是，盡可能多的儲備貨物。但這會造成倉儲費激增，資金積壓。因此，預測某段時間某種手機配件會缺貨，倉庫提前備貨。（2）訂貨提前期。并不是有了需求預測后，缺貨的情況就不會發生，因為貨物從采集市場運往倉庫還需要時間。例如，預測系統告知倉庫，5天后電池可能會缺貨，這時，采購人員去采購時卻發現電池最快只能在7天后送達。訂貨提前期的存在要求在做預測時必須將訂貨準備時間和運輸時間添加到預測時間段內。

接下來分別介紹這三個子系統的具體細節和實現方案。

2.1 預測系統

通過研究手機配件故障率預測系統，目的在于預測原有機型未來可能發生的故障數和在保修期間每個月可能需要更換的配件以及配件數量，并且可以根據相似類型配件預測新配件的損耗率，從而可以提前做好供貨準備，提高企業的售后服務質量。

基于實際運營數據，本文建立了預測模型，使用訓練數據訓練模型，并用測試數據計算錯誤率。基于錯誤率，就可以在一定可靠性要求下，對現實的情況進行預測了。圖4展示了本文建立預測模型的過程。該過程也是數據挖掘、機器學習的一般化步驟。

常見的預測模型有貝葉斯預測模型、平均值模型、回歸模型、時間序列法、灰色預測模型等。具體到實際的手機配件運輸項目上，選用了貝葉斯預測模型和時間序列法，給定時間參數和配件參數就能得到預測的需求。

要將貝葉斯網絡有效應用于配件失效率預測，首先需要細致分析影響配件失效的因素并理清各因素與事件之間的關系，然后通過計算得出的事件發生概率信息為預測提供依據。將訓練數據輸入預測模型，并通過后續的模型驗證和修正等工作得到了具有實際預測功能的模型。

基于貝葉斯的網絡模型，選取實際中部分配件數據進一步分析，驗證基于歷史數據計算出的手機配件的平均故障率和出現故障率的最大概率值作為模型參數使用是可行的。通過多種配件類型的計算分析，本文選取較大數據量的手機機型“A60

+_ID_BLACK”，在印度尼西亞于2012-09-06上市的主板為例。

通過分析計算得出，手機機型是“A60+_ID_BLACK”，在印度尼西亞于2012-09-06上市的主板，損耗率隨上市時間走勢預測值和真實值對比如圖5所示。

從圖5可以看出，手機配件實際損耗率的走勢和基于歷史數據算出的故障率的平均值以及基于歷史數據的故障率的最大概率值相同。但是實際值在開始幾個月和最大概率值接近，之后卻更加接近故障率的平均值。

所以以基于歷史數據計算出的手機配件平均故障率和出現故障率的最大概率值，作為參考是可行的，雖然有誤差。在實際應用中將會考慮到這些誤差。

而根據公式算出的損耗率（后驗概率）與故障數和實際值（先驗概率）對比，手機機型為A60+_ID_BLACK主板在印尼地區2013年9月的損耗率，如圖6所示。

分析圖6，選取的數據為隨機選取。使用預測模型的誤差在可接受的范圍內，但是仍然需要在計算公式的過程中進行優化，或者對在保量分類的過程中進一步優化，使誤差更小。然而，使用貝葉斯網絡預測模型來預測手機配件損耗率是可行的。

2.2 庫存系統

庫存系統的核心是庫存模型。為了使庫存系統新增預警功能，必須設定貨物的存儲策略。不同的存儲策略適用于不同的配件類型。因此，首先應該對于配件進行分類。

2.2.1 配件分類。分類的主要目的是通過對品種、規格極為繁多的庫存物資進行分類，使得企業管理人員把主要注意力集中在金額較大，最需要加以重視的產品上，達到節約資金的目的。

傳統的分類或者稱之為管理方法有ABC庫存分類法，如下所示：A類物資——占總品種的10%以下，年金額占全部庫存物資年金額的60%到70%。特點是品種數量不多，但價格高，需求不穩定。B類物資——占全部庫存物資總品種的20%到30%，年金額占全部庫存物資年金額的20%左右，需求量一般。C類物資——占全部庫存物資總品種的60%到70%，年金額占全部庫存物資年金額的10%到20%。特點是品種數量多、單價低、需求量大、穩定。

除傳統的ABC庫存分類法，也可以使用數據挖掘中的k均值（k-Means）算法對貨物進行聚類，進而分出類別。K均值聚類用于n維連續空間中的對象。為了簡便，假設對貨物分類時只考慮兩個屬性：貨物的種類和單價。基于這兩個數據，對配件的模擬分類結果如圖7所示：

如圖7所展示的，紅色點分布趨向于種類少而單價貴，因此為A類，綠色點分布趨向于種類偏多而單價偏貴，符合B類，藍色點分布趨向于種類多而單價低，符合C類。

2.2.2 存儲策略。分類后，對不同類型的手機配件應用不同的存儲策略。通常存儲策略分為以下三類（如圖8所示）。

t循環策略：每隔時間t補充存儲量Q。適用于需求穩定的C類貨物。

S，s策略：當前庫存量q>s時不補充，q≤s時，立刻補充存貨。補貨量Q=S-q。適用于需求隨機、不穩定的系統。

S，s，t策略：每隔時間t檢查一次，當存量q>s時不補充，當存量q≤s時，補充量Q=S-q。適合需求隨機的系統。

三種存儲策略各有優劣，根據各策略特征，采取如下處理方案：C類貨物采取t循環策略，B類貨物采取S，s，t策略，A類貨物采取S，s策略。

實際中考慮到系統資源的開銷和效率，假設業務人員每天在固定的時刻統一對所有缺少的貨物進行配送。在該時刻過后新產生的缺貨預警則留到第二天處理。庫存系統每天只需要定時對所有貨物進行檢查一次。如圖9所示。

考慮到公司的業務和實際應用情形，建議采取S，s，t策略來管理預警貨物。因為該庫存策略最能適應公司紛繁復雜的業務需求。

同理對于存儲策略，也不僅僅局限于以上三種，需要明確的是建立存儲策略的根本目的是建立預警機制。

2.2.3 預警機制。按照前文介紹，并不是任何時候都可以進貨，貨物的配送需要時間（訂貨提前期），需要提醒計劃人員何時進貨以及進貨量。預警的真正目的是：在合適的時間將預測需求反饋給計劃人員。

計算合適的預警的時間，需要訂貨提前期t。此時需要預測系統的協助。將訂貨提前期t輸入預測系統，系統會計算未來t天的需求量Q ，若當前庫存Q-Q ≤s，那么根據預測，會得出結論：t天后，庫存將降低至安全庫存s以下。只需要根據當前庫存量來判斷是否進貨：當前庫存Q≤s+Q 時進貨，否則不進貨（如圖10所示）。

預警系統的建立將改善系統的合理決策，因為企業不必每次等到庫存降至0時才去進貨。且不用面臨缺貨損失費。

比如，假設單位缺貨損失費為2，單位庫存為1，每天的需求為10，運輸時間為10。那么當庫存為100時，就發出進貨預警并即刻進貨。10天后，貨物送達，庫存剛好降至為0。

在此期間，總的損失費為：庫存量×單位庫存費×存儲時間=1×100÷2×10=500。

但若當庫存降至0時才開始進貨，則不僅存在庫存費，還將面臨缺貨損失費：庫存費+缺貨損失費=500+10×10×2=700。當然損失的不僅僅是費用，還有客戶的信賴和期望。

2.3 運輸系統

運輸系統的核心是運輸模型。串聯庫存模型和運輸模型的是訂貨提前期。對于運輸系統來說，得到的訂貨提前期就是時間限制，即運輸系統計算出的最優路徑（可能不止一條）其運輸時間必須小于等于訂貨提前期，否則倉庫會面臨缺貨的風險。因此，運輸系統的任務就是計算出一條運輸時間小于等于訂貨提前期且運輸費用最少的線路，稱之為最優路線。

2.3.1 最優訂購時間。優先考慮倉庫費用，可以采取迭代的思想。庫存系統首先假設訂貨提前期為t，此時通過運輸模型計算出在滿足運輸時間小于等于訂貨提前期t的所有線路中，運輸費用最小的運輸線路所需的運輸時間是否等于t。若是，則發出預警。否則不發出預警，因為有理由認為，當前并不是訂貨的最佳時機，而應該經過一段時間再選用該最優的運輸線路。

然而，采取以上策略面臨該最優線路可能不存在的風險。如圖11所示：

庫存模型預計，t 時刻經過訂貨提前期t后（到達t 時刻）庫存將剛好降低至安全庫存線下。因此將需求信息發送給運輸系統。運輸系統計算的最優路徑其運輸時間小于t，為t ，如圖11，易得，t =t +t-t 。因此，采取在t 時刻發貨，經過時間t 后貨物剛好在t 時送達。但問題是，無法保證在t 時刻原來的最優線路還存在，因為原來的最優線路是在t 時刻計算出來的，比如該路徑的發貨點在今天被調出了一批貨物而存儲不足，則該最優路線改變。具體應用中，不必具體到每分每秒，庫存系統每天檢查一次倉庫，基于此，設定運輸系統每天也只檢查一次，查看最優路徑是否發生變化，算法流程圖如圖12所示：

其中，訂貨提前期的計算是為了和庫存系統形成對接，上文的討論無形中對運輸系統的功能提出了要求——根據時間約束計算出最優路徑。

2.3.2 模型構建。首先明確運輸系統的作用——根據時間約束計算最優路徑。在所要求解的運輸問題中， 除了要考慮費用因素外，還需要考慮運輸風險、機會成本、人工成本等。實際中，最直接的優劣判斷就是運輸帶來的費用，這可能包括：運輸費、海關費、裝卸費等。這些費用都是由于運輸產生的，可以將其合并為運輸費。

除了費用，還需要考慮運輸時間，即整條線路上的運輸時間和必須小于時間約束。因此，線路規劃的目標就是：找出滿足時間約束條件的費用最小的線路。基于此建立起的運輸網絡的模型為一個有向圖，每條邊上有兩個權值。

因此，運輸系統的任務就簡化成從多個已知（哪些倉庫存儲該種配件顯然已知）起點中計算出到終點的最優線路。不失一般性，只需要遍歷計算從特定起點到指定終點（缺貨倉庫）的最優路徑，再比較這些最優路徑，從中選擇一條最優路徑即可。

因此，運輸系統的任務可以簡化為：求解帶時間約束的最短路徑問題。

圖13中，運輸系統首先生成左圖的運輸網絡圖，并指定起終點。運輸網絡圖中包含運輸線路的時間和費用。時間和費用分別是該路段的運輸時間和運輸費用。右圖是運輸模型計算得出的最優的運輸線路及其運輸方式（藍色線條表示）。

對于帶時間約束的最短路徑問題，有許多不同的解法，最簡單的蠻力法首先計算兩點間的所有路徑，這可以通過深度優先遍歷來實現，然后計算每條路徑的總時間和總費用并比較得出最優路徑。該算法的時間復雜度是On ，算法優化可以考慮動態規劃、剪枝等策略。本文將運輸模型中的核心算法做成一個模塊，以便隨時切換算法，使用不同的算法來比較運算時間。

2.3.3 實例計算。為了能更深刻地說明問題，舉一個實際計算實例來展示運輸系統的作用。

如圖13所示，圖中每個圓表示貨運點，圓之間的連線表示路徑，路徑上標有運輸方式（sea，海運；air，航空；highway，公路；train，鐵路）。每種運輸方式后面帶有兩個數字表示該邊上該運輸方式的權值、時間和費用；需求的目標是：將貨物從HK（Hong Kong）運到UK（United Kingdom），使得總運輸費用最少。

在傳統的供應鏈中，一般是到了庫存降低到一定程度（這個一定程度是通過經驗判斷的）后才進貨的，比如目前只剩100件，預估3天后消耗完。則必須在3天內將貨物送到，最優方案：第一種方案（時間：2<3，費用：6）。

如圖14，在智慧供應鏈中，進貨時間會由預警系統告知，假設預測模型和預警模型得出最低庫存是300件，且在6天內消耗完，則可選的運輸方式組合會有很多，這時滿足時間限制（Timelimit）為6的最少運輸費用為方案四（總時間為5<6，費用為4）。

企業實際進貨通常為定期檢測不同配件的庫存量，并根據該配件的歷史需求量按經驗進行進貨，因此進貨日期和進貨量會出現一定偏差，為了保證服務質量往往采取提前采購、多進貨的方案，但是這卻增加了庫存和運輸成本。

通過運輸模型的計算結果和目前企業的進貨方案相比，本文所提出的供應鏈解決方案在實際應用中有巨大潛力。正如上文所說，預測起到了關鍵性的作用，預測最根本的改善在于知道庫存降到多少時最適合進貨（比如提前到6天），此時可選的路徑運輸方案很多，包括海運和鐵路，因此費用較低。

如果沒有相應的輔助決策，只能憑經驗判斷進貨時機，而一般情況是到了庫存見底后，才開始進貨，而這時的進貨時間（3天）更短，可選線路不多，基本都是空運，因此運輸費用也更高。

3 總 結

本文主要目的是參考實際的手機配件配送商業案例，構建具有實際可操作性的供應鏈系統，并針對供應鏈的低效環節加以優化以提高整個供應鏈的效率。對此，我們構建了三個子系統——預測系統、庫存系統、運輸系統。三個子系統具有高內聚低耦合的特性，內部通過預測需求和訂貨提前期串接起來。

預測作為庫存方案和運輸選擇的依據，它的存在為合理有效地管理配件提供了基礎。運輸系統和庫存系統相互交換數據、相互支持，致力于達到運輸和庫存的平衡高效。通過預測、庫存、運輸系統的協作，以及正向物流和逆向物流的結合，可以實現一種動態平衡的智能化的供應鏈運行模式。

三個系統的實現細節不一定與本文相同，但都需要用到統計學、數據挖掘、線路優化等相關知識，對此本文也做出了相應的討論。本文所描述的方案距離全面高效運行的供應鏈系統實現還有一段路要走，但對于供應鏈研究和其實際應用而言，本文研究具有較好的應用價值和現實意義。

參考文獻：

[1] 佚名. 2015年中國物流現狀調研及發展趨勢走勢分析報告[EB/OL]. （2015-09-08）[2017-03-05]. http：//wenku.baidu.com/view/f3d6c414e53a580217fcfe65.html.

[2] Younjung Kim， Youngho Lee， Kyung-Yong Chung， et al. An investigation on the information systems research in supply chain management： an analysis of research topic and methodology[J]. October 2015，74（20）：8849-8860.

[3] 劉學恒，汪傳旭，許長延. 帶有時限的多點應急系統庫存策略優化研究[J]. 計算機工程與應用，2012（7）：212-216，230.

[4] 李正艷. 基于數據挖掘的物流運輸系統研究[D]. 重慶：重慶大學（碩士學位論文），2010.

[5] 傅家良. 運籌學方法與模型[M]. 上海：復旦大學出版社，2005.

[6] 何榮宣. 傳統物流向現代供應鏈管理轉變的策略[J]. 企業經濟，2011（9）：41-43.

[7] 朱清華. 基于供應鏈的管理信息系統構建[D]. 重慶：西南大學（碩士學位論文），2007.

[8] 許會元. 企業物流的數據挖掘與智能管控[D]. 杭州：浙江理工大學（碩士學位論文），2015.

[9] Pang-Ning T， Michael S， Vipin K. Introduction to Data Mining[M]. 北京：人民郵電出版社，2011.

[10] Jun-Yeon Lee， Richard K. Cho， Seung-Kuk Paik. Supply chain coordination in vendor-managed inventory systems with stockout-cost sharing under limited storage capacity[J]. European Journal of Operational Research， 2016，248（1）：95-106.

[11] Maria Boile， Hyangsook Lee， Sotirios Theofanis. Hierarchical Interactions between Shippers and Carriers in International Maritime Freight Transportation Networks[J]. Procedia-Social and Behavioral Sciences， 2012，48：3651-3660.