考慮大數據服務商參與的閉環供應鏈決策研究

王道平, 梁思涵, 周 玉

(1.北京科技大學 經濟管理學院,北京 100083; 2.黃河水利委員會 黃河水利科學研究院,河南 鄭州 450003)

0 引言

經濟快速發展和人口迅猛增長加劇了環境污染和資源短缺,許多制造企業開始將閉環供應鏈納入自己的發展體系。在閉環供應鏈中存在許多干擾因素,例如企業競爭、政府等第三方不定期發布的政策、市場需求不確定等,企業決策者必須面對這些因素帶來的影響并及時決策,處理不當可能會影響企業聲譽,良好的聲譽在一定程度上能為企業帶來更多的消費者,增加市場需求和企業利潤。當今正處于信息時代,擁有有價值的信息利于企業決策和規劃。因此,大數據服務商應運而生。

大數據服務商類型多樣,有提供技術型服務的大數據服務商,例如神策、網易數帆等,通過先進的大數據技術全方位采集企業信息并進行深度分析,為企業經營提供解決方案。也有提供數據資源為主的大數據服務商,例如亞馬遜、京東等。大數據服務商能夠通過自身的數據體系和先進的大數據技術從海量數據中獲取有價值的信息,挖掘潛在的商業行為并協助企業運營。大數據服務已被廣泛應用,企業可根據自身需求選擇大數據服務類型,如產品推薦、協助營銷和協助回收等。當閉環供應鏈面對多種因素干擾和大數據服務商參與時,供應鏈成員策略成為了關鍵,大數據服務商參與對企業影響值得進一步研究。

1 文獻綜述

企業受益于閉環供應鏈的同時也面臨著許多難題。例如廢舊產品的回收率和市場需求會受到競爭、時間和消費者偏好等因素的影響。企業在面對不確定因素干擾時,合理決策成為了關鍵。ASIM等將產品的供需關系視為不確定變量,通過模糊目標規劃法求解了供應鏈成員的決策[1]。WU等考慮了需求和回收品數量的不確定,運用模糊優化得到了最優決策方案[2]。FALLAH等研究了不確定環境下兩個閉環供應鏈的競爭,分析了競爭對需求和成員利潤的影響[3]。廢舊產品回收存在的質量隨機性不僅會影響再制造,還會影響定價和回收渠道[4]。一定程度的政府規制能有效提高回收產品質量,保障市場交易的有效性[5]。在同等力度的制造商利他行為和政府補貼下,政府補貼更能促進廢舊產品的回收利用[6]。當面對不確定因素干擾時,契約能減輕干擾和消極影響。在政府規制下,收益費用共享契約能夠有效提高再制品的競爭優勢,平衡不確定的市場需求[7]。政府獎勵能夠促進契約協調機制的達成[8]。回收數量折扣契約和能力約束線性定價契約同樣能夠減輕需求擾動帶來的消極影響,提升閉環供應鏈利潤[9]。針對生產規模不經濟和需求擾動的閉環供應鏈,收益費用共享契約能夠對供應鏈進行協調[10]。

企業良好的聲譽在一定程度上能夠增加企業的市場需求和利潤,能夠幫助企業取得更多競爭優勢[11],還影響著企業的質量決策[12]。有學者將企業聲譽引入了閉環供應鏈并且考慮了影響聲譽的多種因素[13]。何喜軍等考慮了受回收量影響的企業聲譽,通過微分博弈得到了供應鏈成員的最優決策,所設計的獎懲契約能夠提升廢舊產品的回收量和企業利潤[14]。聲譽激勵機制能夠實現閉環供應鏈的帕累托改進[15]。汪明月等將時間因素引入了基于聲譽的閉環供應鏈模型,研究了不同環境規制下契約的決策和利潤變化情況[16]。還有不少學者將企業聲譽延伸至綠色食品供應鏈和碳排放領域,以研究企業聲譽對于環境保護和資源節約的影響[17,18]。

先進的大數據技術能從海量數據中提取有價值的信息,幫助企業和政府制定更好的決策和政策[19],能為企業帶來競爭優勢,利于商業戰略的實現[20]。例如通過大數據技術預測線上銷售的需求[21],針對不同客戶實施精準營銷[22]。XIANG等研究了互聯網服務平臺的大數據營銷對閉環供應鏈的影響,建立了基于微分博弈的商譽動態模型,發現利用大數據營銷不僅能夠有效提升企業商譽和利潤,還能提高廢舊產品的回收率[23]。互聯網服務平臺所提供的大數據服務對企業持續盈利能力有重要的影響[24]。LIU研究了大數據商參與的供應鏈定價策略,制造商可通過大數據商獲得內外部大數據信息,并提出在大數據時代,大數據商應納入供應鏈[25]。吳成霞等對大數據服務商參與的三級供應鏈合作策略進行了研究,建立了零售商支付契約、聯合支付契約和合作契約,通過算例驗證了模型的有效性[26]。

上述文獻對受多種因素擾動和大數據服務商參與的供應鏈進行了深入研究。但少有學者在大數據商參與的背景下,考慮多種大數據服務以及受聲譽、時間等多因素影響的動態閉環供應鏈。本文考慮了大數據服務商參與下受多種因素影響并且隨時間動態變化的閉環供應鏈,研究了無大數據服務商參與、大數據服務商協助回收和營銷三種情形下供應鏈成員的均衡策略,通過比較分析探究大數據服務商的參與對閉環供應鏈的影響。

2 模型建立與求解

2.1 問題描述和模型建立

本文研究制造商、零售商和大數據服務商組成的閉環供應鏈,制造商生產新品且進行廢舊產品回收和再制造。再造品與新產品不差別定價。制造商將產品批發給零售商,由零售商進行銷售。大數據服務商根據制造商的需求提供大數據服務。由文獻26可知,制造商和零售商共同承擔大數據服務費用優于一方支付,因此,本文的大數據服務費由制造商和零售商共擔。制造商與零售商之間進行Stackelberg主從博弈,制造商為領導者,零售商為追隨者,均為風險中性理性決策者。符號說明如表1所示。

表1 參數符號及含義

在經典文獻中回收率可通過回收努力刻畫,由此構造回收成本函數。本文細化了對回收率的描述,回收率除了受自身回收努力水平影響,還受到了政府等外部機構和不可控因素的影響。受多種因素影響的回收率存在不確定性和不穩定性,通過伊藤過程能很好地刻畫,回收率描述如下:

dθ(t)=(αφm(t)+(η-b)θ(t))dt+σθ(t)dz(t)

(1)

制造商的聲譽可以描述為:

G(t)=uθ(t)-ε

(2)

產品的市場需求可以表示為:

Q(t)=m-μp+v(uθ(t)-ε)

(3)

2.2 無大數據服務商參與情形(D)

閉環供應鏈中無大數據服務商參與時,制造商和零售商目標泛函如下:

(4)

(6)

(7)

命題1無大數據商參與時制造商最優回收努力水平、最優零售價格為:

命題2無大數據服務商參與下回收率的期望為:

2.3 大數據服務商協助回收情形(C)

大數據商協助制造商進行回收,制造商與零售商共擔大數據服務費用。制造商先決定回收努力水平,零售商再進行產品定價,大數據商最后決定服務水平。回收率可描述為:

dθ(t)=(αφm(t)+βφb(t)+(η-b)θ(t))dt+σθ(t)dz(t)

(12)

制造商、零售商和大數據服務商的目標泛函如下:

(13)

(1-λ)nφb)dθ(t))

(14)

制造商、零售商和大數據商決策階段滿足式(16)～(18)HJB方程:

(16)

(17)

命題3當大數據服務商協助回收時,制造商的最優回收努力水平、零售商的最優零售價格和大數據服務商的最優服務水平分別為:

命題4大數據服務商協助回收時的回收率期望為:

2.4 大數據服務商協助營銷情形(B)

大數據服務商通過廣告差異化投放等方式精準營銷從而提高產品的市場需求。大數據服務費用由制造商和零售商共擔。需求量可表示為:

Q(t)=m-μp+v(uθ(t)-ε)+δφb

(24)

制造商、零售商和大數據服務商的目標泛函如下:

θ(w-cr))(m-μp-vG+δφb)-

(25)

(1-λ)nφb)dθ(t))

(26)

(27)

制造商、零售商和大數據商決策階段滿足式(28)～(30)HJB方程:

(28)

(29)

命題5當大數據服務商協助產品的營銷時,制造商的最優回收努力水平、零售商的最優零售價格和大數據服務商的最優服務水平分別為:

命題6大數據服務商協助產品營銷時的回收率期望為:

3 比較分析

通過對無大數據服務商參與、大數據服務商協助回收和協助營銷三種情形下回收率和閉環供應鏈成員的最優決策進行比較分析,得到如下推論。

推論1回收率比較如下:(1)θC>θD;(2)θB>θD;(3)當δ<2βkm時,θC>θB。

由推論1可知,大數據服務商能夠通過不同的協助方式提高廢舊產品的回收率。當大數據服務商的服務努力水平對市場需求的影響系數滿足一定條件時,大數據服務商協助營銷對回收率的提升優于協助回收。

推論2說明了無論大數據服務商提供營銷服務還是協助回收,其服務努力水平相同,都受到了其服務努力水平系數和制造商支付水平的影響,與大數據服務商的服務類型無關。

推論3表明了外部環境對廢舊產品回收約束較小時,協助回收時制造商最優回收努力水平小于協助營銷情形,因為大數據服務商幫制造商分擔回收工作,減少了制造商的回收投入。

推論4最優零售價格比較如下:

由推論4可知,當大數據商協助下制造商最優回收努力水平較高且外部環境對回收有較強激勵時,零售價格高于無大數據商參與情形。因為零售商為制造商分擔了大數據服務費,為平衡支出,零售商會提高零售價格。雖然提高零售價格會降低市場需求,但總體能保證零售商利潤。

4 算例分析

本節通過算例對三種情形下制造商的回收率以及閉環供應鏈成員的最優策略和利潤進行了比較,分析了不同參數對閉環供應鏈的影響。假設參數初始值如下:cn=10,cr=7,w=19,m=10,μ=0.48,v=0.14,u=0.9,ε=3,km=3,kb=5,α=1.2,β=1.5,η=0.2,b=1.4,σ=3,n=0.5,θ0=0,δ=0.57,λ=0.7,r=0.12,t=5。

4.1 三種情形比較

三種情形下制造商回收率隨時間演化過程如圖1所示,回收率隨時間的推移逐漸趨于穩定。受隨機因素干擾,回收率在期望值附近呈動態波動。

圖1 三種情形下回收率演化過程

由圖2可知大數據服務商的參與能在一定程度上激勵回收。當外部環境對廢舊產品的回收約束較小且大數據服務商的服務水平相同時,協助營銷更能提升回收努力水平和回收積極性。大數據商協助回收減輕了制造商的回收負擔,因此,制造商的回收努力水平低于大數據商協助營銷情形。

圖2 制造商回收努力水平演化過程

圖3說明大數據商的參與會提高零售價格,主因零售商分擔了大數據服務費用。由于大數據商協助營銷時制造商的回收努力水平高于協助回收,大數據服務成本更高,所以零售價格更高。相較于回收努力水平,零售商的決策變量零售價格波動的幅度較小,受隨機因素擾動的影響更小。

圖3 零售價格的演化過程

通過圖4可知大數據服務商的參與能夠提高制造商利潤。當外部環境對回收約束大于對激勵時,相同大數據服務水平下,協助營銷對制造商利潤提升更大。在閉環供應鏈中當有大數據服務商參與時,應考慮當下整體環境,尤其是外部環境,從而選擇大數據服務商參與形式,提高企業利潤。

圖4 制造商利潤的演化過程

由圖5可知大數據服務商參與能提升零售商利潤。當外部環境不利于企業回收時,協助營銷能幫助零售商獲得更高的利潤。零售商利潤受隨機因素擾動的影響更小。雖然協助營銷會提高零售價格,降低消費者的購買行為,從而減少市場需求,但從利潤角度來看。有利于零售商利潤的提升。

圖5 零售商利潤的演化過程

4.2 靈敏度分析

三種情形下制造商對大數據服務費用的分擔系數和回收率對企業聲譽的敏感系數對制造商和零售商利潤的影響如圖6～圖9所示。

圖6 參數λ對制造商利潤的影響

圖7 參數λ對零售商利潤的影響

圖8 參數u對制造商利潤的影響

圖9 參數u對零售商利潤的影響

圖6說明制造商承擔大數據服務費用比例越大,制造商的利潤越少,但利潤減少幅度不大。此算例中由于回收受外部環境限制大于激勵,所以協助營銷時制造商利潤高于協助回收情形。無大數據商參與情形下制造商的利潤不受大數據服務費分擔系數的影響,制造商的期望利潤無變化。

由圖7可知當大數據商協助回收時,零售商承擔大數據服務費的比例較大會使零售商利潤低于無大數據商參與情形。隨著零售商分擔大數據費比例減小,零售商利潤呈增加趨勢。

通過圖8可知當回收率受聲譽影響較小時,協助營銷時制造商的利潤最高。當回收率受企業聲譽的影響逐漸增大時,協助回收時制造商利潤逐漸高于協助營銷情形。大數據商參與下制造商的利潤總高于不參與情形。

圖9說明了回收率受聲譽影響較小時,大數據商協助回收不利于零售商利潤提升。但隨聲譽對回收率影響增大,協助回收時零售商利潤逐漸增大,在一定條件下高于協助營銷情形。

5 結論

本文在閉環供應鏈中考慮了大數據服務商參與和受多因素影響的動態回收率,研究了無大數據商參與、大數據商協助回收和協助營銷下制造商和零售商的最優決策和利潤。通過伊藤過程刻畫了動態變化的回收率,分析了大數據服務費分擔比例和回收率對企業聲譽的敏感參數對制造商和零售商利潤影響。結論如下:(1)回收率、回收努力水平、零售價格和利潤能夠在較短時間內達到期望值,決策變量和利潤受隨機因素干擾在期望值附近波動;(2)零售商決策變量和利潤達到期望值的時間短于制造商,感知市場變化和自身決策對企業影響速度更快;(3)大數據服務商參與能夠提高回收率、回收努力水平和閉環供應鏈成員利潤。相同的大數據服務水平下,當外部環境對回收的約束大于激勵時,協助營銷對回收努力水平和利潤的提升更有利。

啟示如下:(1)供應鏈成員的決策變量和利潤雖在較短時間達到預期值,但受隨機因素干擾處于波動狀態。互聯網時代信息傳播速度快,加劇了隨機因素干擾的波動性,企業應多關注外部環境的變動,及時調整企業的策略;(2)零售商對市場感知和反饋更快速,制造商應與零售商保持良好的合作關系,共享經營信息,共議大數據服務費用分擔比例,增強定價、回收努力水平和利潤穩定性;(3)在大數據時代,企業應具備從海量數據中挖掘有價值信息的能力,企業可考慮是否需要大數據商的協助,在選擇大數據服務類型時,應考慮整體環境,包括外部環境如政府等第三方機構的政策、行業環境以及經濟形勢和內部環境例如企業戰略和自身已具備的能力等,利于企業及環境的可持續發展。

本文考慮的產品為線下銷售,許多企業已開啟線上線下雙渠道銷售。在閉環供應鏈中考慮雙渠道銷售和大數據服務商參與將是未來研究重點。