基于预测、库存、运输的智慧供应链研究

杨鹏飞++彭安++沈凌云++林劲

摘 要：供应链整体效率的高低不仅基于基础设施的完善水平，还与整个供应链上下游的衔接水平以及供应链各环节的信息化、智能化、协同化密不可分。文章旨在通过对上海迈创智慧供应链股份有限公司（Maitrox）实际业务中大量数据的整理和分析工作，深入挖掘供应链中各环节的数据关联，通过实现数据同步，联动管理，利用预测、仓储预警、运输等模型提高实际业务的运营效率，以提高供应链的信息化和智能化水平，并最终提高日常业务管理的效率和便捷化程度。

关键词：智慧供应链；预测；仓储；运输

中图分类号：F273.7 文献标识码：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

在如今互联网高度发达、大数据日益膨胀的年代，随着供应链管理内涵的拓展、过程的延伸、覆盖面的扩大以及管理的日益专业化和标准化，对实现数据的高效管理和有效挖掘已经成为供应链智能化管理的重要研究课题[1]。

根据Younjung Kim等关于供应链管理（SCM）的调查，未来的供应链研究方向集中在由传统的经验主义向依托数据挖掘的智能化方向发展，通过仓储、运输等优化，实现供应链智慧管理的目标[2]。在库存环节，刘学恒等研究和探讨了不同库存策略的优化问题，并以两层级供应点的仓储系统作为研究对象，应用粒子群算法，建立和优化相应的库存模型，解决就近供应点选取和转运等库存策略方面的问题[3]。在运输环节，李正艳基于传统数据仓库的概念和结构设计，应用于运输数据挖掘上，探討了物流配送路径优化问题的遗传算法和动态规划法在物流运输系统中的应用，对运输路径和多式联运等做了近一步的优化[4]。

本文针对上海迈创智慧供应链股份有限公司（Maitrox）供应链运营中物流、仓储等数据库管理、流程规划、仓储预警管理和运输管理等方面的业务需求，对供应链进行全局规划和关键环节技术上的支持和创新研究。并探索性地在预测层面，使用贝叶斯预测模型在一定可信度下对配件损耗量进行预测，并产生订货提前期这一参数，通过引入仓储预警和运输系统来进一步优化传统的S-t库存管理策略和运输网络有向图最短路算法。

1 商业背景

本文以上海迈创智慧供应链股份有限公司的供应链为背景，提出一整套构建智慧供应链的想法，并在供应链整体考虑的基础上研究细节问题具体的实现策略。

上海迈创智慧供应链股份有限公司从2004年开始，从事供应链管理相关体系的业务。已经构建成一个完整的、链接上下游供应商客户的涵盖计划咨询、备件采购、备件垫资、物流、仓储、本地配送、大数据系统、高端维修、逆向物流全环节的供应链管理服务全球生态体系。上海迈创智慧供应链股份有限公司在供应链上下游的功能定位，对于国际业务而言，负责从香港等发货点往东南亚、欧美等一些国家配送手机配件，工作流程如图1所示：

采购的零部件从国内内地市场供应商运至发货点仓库，然后发货点再转运往国外服务商，并配送至各国家具体的维修点（简称正向运输）。

本文在上海迈创智慧供应链股份有限公司实际供应链业务的基础之上，通过分析业务需求，设计了配件损耗率预测、仓储预警、运输优化、物流信息系统构建等几大系统对供应链进行全局优化。各系统在供应链不同环节进行优化服务，又密切协作，服务于供应链整体。

根据迈创实际业务，运用运筹学内相应的仓储策略模型和运输优化模型，对整体供应链的关键环节加以优化，旨在构建一套根据现有数据的供应链优化系统，并最终通过地图和业务流程等可视化技术加以呈现，为管理人员提供库存预警、管理信息，以及运输优化方案的决策支持服务。

如图2该智慧供应链服务的主要目的是减少人工干预，在节省人力成本的基础之上，提高管理的规范化水平，提升供应链的运作效率，通过提供便捷化的供应管理和可视化的运输策略，为决策提供参考支持。参照现代化供应链主要组成部分的功能和上海迈创供应链现阶段主要的功能瓶颈将制定三个系统：预测系统，库存系统，运输系统，分别对应于预测模型，库存模型，运输模型。

2 解决方案

首先对于供应链中的组成部分，即预测系统、库存系统、运输系统的功能进行简单介绍，接着详述如何把三者有机融合，以充分体现智慧供应链的在提升供应链效率中的作用。

预测系统将历史数据作为训练集，建立预测系统，输入某一类手机配件和时间参数，系统给出该手机配件在某一时间段的需求量，并将预测结果传递给库存系统。

库存系统根据物流以及库存信息建立一套库存模型。手机配件缺货有单位损失费，每次进货会有固定费用，但一次进货太多则造成货物积压，又会导致存储费上升。采用不同的存储策略构建不同的存储模型都会对进货策略造成影响。库存系统接收预测系统传递的预测结果，判断某一种手机配件在未来一段时间内是否缺货，缺货量为多少，并发出预警信息，并将预警信息传递给运输系统。预警信息包括在未来某段时间t和预计的缺货量d。

运输系统收集物流信息、配件成本费、关税等，并根据时间约束（预警信息中包含的时间段t）计算最优路径或者最优的配送方案（快递公司的选择）。运输系统将计算的结果进行整理展示，为决策者提供参考。

由图3可以看出，模式的发起点在于预测。预测的有效性与准确性直接影响智慧供应链的功能。预测之所以如此重要的原因在于：（1）缺货时不能保证某个仓库一定有缺少的手机配件。一种保证不缺货的方案是，尽可能多的储备货物。但这会造成仓储费激增，资金积压。因此，预测某段时间某种手机配件会缺货，仓库提前备货。（2）订货提前期。并不是有了需求预测后，缺货的情况就不会发生，因为货物从采集市场运往仓库还需要时间。例如，预测系统告知仓库，5天后电池可能会缺货，这时，采购人员去采购时却发现电池最快只能在7天后送达。订货提前期的存在要求在做预测时必须将订货准备时间和运输时间添加到预测时间段内。

接下来分别介绍这三个子系统的具体细节和实现方案。

2.1 预测系统

通过研究手机配件故障率预测系统，目的在于预测原有机型未来可能发生的故障数和在保修期间每个月可能需要更换的配件以及配件数量，并且可以根据相似类型配件预测新配件的损耗率，从而可以提前做好供货准备，提高企业的售后服务质量。

基于实际运营数据，本文建立了预测模型，使用训练数据训练模型，并用测试数据计算错误率。基于错误率，就可以在一定可靠性要求下，对现实的情况进行预测了。图4展示了本文建立预测模型的过程。该过程也是数据挖掘、机器学习的一般化步骤。

常见的预测模型有贝叶斯预测模型、平均值模型、回归模型、时间序列法、灰色预测模型等。具体到实际的手机配件运输项目上，选用了贝叶斯预测模型和时间序列法，给定时间参数和配件参数就能得到预测的需求。

要将贝叶斯网络有效应用于配件失效率预测，首先需要细致分析影响配件失效的因素并理清各因素与事件之间的关系，然后通过计算得出的事件发生概率信息为预测提供依据。将训练数据输入预测模型，并通过后续的模型验证和修正等工作得到了具有实际预测功能的模型。

基于贝叶斯的网络模型，选取实际中部分配件数据进一步分析，验证基于历史数据计算出的手机配件的平均故障率和出现故障率的最大概率值作为模型参数使用是可行的。通过多种配件类型的计算分析，本文选取较大数据量的手机机型“A60

+_ID_BLACK”，在印度尼西亚于2012-09-06上市的主板为例。

通過分析计算得出，手机机型是“A60+_ID_BLACK”，在印度尼西亚于2012-09-06上市的主板，损耗率随上市时间走势预测值和真实值对比如图5所示。

从图5可以看出，手机配件实际损耗率的走势和基于历史数据算出的故障率的平均值以及基于历史数据的故障率的最大概率值相同。但是实际值在开始几个月和最大概率值接近，之后却更加接近故障率的平均值。

所以以基于历史数据计算出的手机配件平均故障率和出现故障率的最大概率值，作为参考是可行的，虽然有误差。在实际应用中将会考虑到这些误差。

而根据公式算出的损耗率（后验概率）与故障数和实际值（先验概率）对比，手机机型为A60+_ID_BLACK主板在印尼地区2013年9月的损耗率，如图6所示。

分析图6，选取的数据为随机选取。使用预测模型的误差在可接受的范围内，但是仍然需要在计算公式的过程中进行优化，或者对在保量分类的过程中进一步优化，使误差更小。然而，使用贝叶斯网络预测模型来预测手机配件损耗率是可行的。

2.2 库存系统

库存系统的核心是库存模型。为了使库存系统新增预警功能，必须设定货物的存储策略。不同的存储策略适用于不同的配件类型。因此，首先应该对于配件进行分类。

2.2.1 配件分类。分类的主要目的是通过对品种、规格极为繁多的库存物资进行分类，使得企业管理人员把主要注意力集中在金额较大，最需要加以重视的产品上，达到节约资金的目的。

传统的分类或者称之为管理方法有ABC库存分类法，如下所示：A类物资——占总品种的10%以下，年金额占全部库存物资年金额的60%到70%。特点是品种数量不多，但价格高，需求不稳定。B类物资——占全部库存物资总品种的20%到30%，年金额占全部库存物资年金额的20%左右，需求量一般。C类物资——占全部库存物资总品种的60%到70%，年金额占全部库存物资年金额的10%到20%。特点是品种数量多、单价低、需求量大、稳定。

除传统的ABC库存分类法，也可以使用数据挖掘中的k均值（k-Means）算法对货物进行聚类，进而分出类别。K均值聚类用于n维连续空间中的对象。为了简便，假设对货物分类时只考虑两个属性：货物的种类和单价。基于这两个数据，对配件的模拟分类结果如图7所示：

如图7所展示的，红色点分布趋向于种类少而单价贵，因此为A类，绿色点分布趋向于种类偏多而单价偏贵，符合B类，蓝色点分布趋向于种类多而单价低，符合C类。

2.2.2 存储策略。分类后，对不同类型的手机配件应用不同的存储策略。通常存储策略分为以下三类（如图8所示）。

t循环策略：每隔时间t补充存储量Q。适用于需求稳定的C类货物。

S，s策略：当前库存量q>s时不补充，q≤s时，立刻补充存货。补货量Q=S-q。适用于需求随机、不稳定的系统。

S，s，t策略：每隔时间t检查一次，当存量q>s时不补充，当存量q≤s时，补充量Q=S-q。适合需求随机的系统。

三种存储策略各有优劣，根据各策略特征，采取如下处理方案：C类货物采取t循环策略，B类货物采取S，s，t策略，A类货物采取S，s策略。

实际中考虑到系统资源的开销和效率，假设业务人员每天在固定的时刻统一对所有缺少的货物进行配送。在该时刻过后新产生的缺货预警则留到第二天处理。库存系统每天只需要定时对所有货物进行检查一次。如图9所示。

考虑到公司的业务和实际应用情形，建议采取S，s，t策略来管理预警货物。因为该库存策略最能适应公司纷繁复杂的业务需求。

同理对于存储策略，也不仅仅局限于以上三种，需要明确的是建立存储策略的根本目的是建立预警机制。

2.2.3 預警机制。按照前文介绍，并不是任何时候都可以进货，货物的配送需要时间（订货提前期），需要提醒计划人员何时进货以及进货量。预警的真正目的是：在合适的时间将预测需求反馈给计划人员。

计算合适的预警的时间，需要订货提前期t。此时需要预测系统的协助。将订货提前期t输入预测系统，系统会计算未来t天的需求量Q ，若当前库存Q-Q ≤s，那么根据预测，会得出结论：t天后，库存将降低至安全库存s以下。只需要根据当前库存量来判断是否进货：当前库存Q≤s+Q 时进货，否则不进货（如图10所示）。

预警系统的建立将改善系统的合理决策，因为企业不必每次等到库存降至0时才去进货。且不用面临缺货损失费。

比如，假设单位缺货损失费为2，单位库存为1，每天的需求为10，运输时间为10。那么当库存为100时，就发出进货预警并即刻进货。10天后，货物送达，库存刚好降至为0。

在此期间，总的损失费为：库存量×单位库存费×存储时间=1×100÷2×10=500。

但若当库存降至0时才开始进货，则不仅存在库存费，还将面临缺货损失费：库存费+缺货损失费=500+10×10×2=700。当然损失的不仅仅是费用，还有客户的信赖和期望。

2.3 运输系统

运输系统的核心是运输模型。串联库存模型和运输模型的是订货提前期。对于运输系统来说，得到的订货提前期就是时间限制，即运输系统计算出的最优路径（可能不止一条）其运输时间必须小于等于订货提前期，否则仓库会面临缺货的风险。因此，运输系统的任务就是计算出一条运输时间小于等于订货提前期且运输费用最少的线路，称之为最优路线。

2.3.1 最优订购时间。优先考虑仓库费用，可以采取迭代的思想。库存系统首先假设订货提前期为t，此时通过运输模型计算出在满足运输时间小于等于订货提前期t的所有线路中，运输费用最小的运输线路所需的运输时间是否等于t。若是，则发出预警。否则不发出预警，因为有理由认为，当前并不是订货的最佳时机，而应该经过一段时间再选用该最优的运输线路。

然而，采取以上策略面临该最优线路可能不存在的风险。如图11所示：

库存模型预计，t 时刻经过订货提前期t后（到达t 时刻）库存将刚好降低至安全库存线下。因此将需求信息发送给运输系统。运输系统计算的最优路径其运输时间小于t，为t ，如图11，易得，t =t +t-t 。因此，采取在t 时刻发货，经过时间t 后货物刚好在t 时送达。但问题是，无法保证在t 时刻原来的最优线路还存在，因为原来的最优线路是在t 时刻计算出来的，比如该路径的发货点在今天被调出了一批货物而存储不足，则该最优路线改变。具体应用中，不必具体到每分每秒，库存系统每天检查一次仓库，基于此，设定运输系统每天也只检查一次，查看最优路径是否发生变化，算法流程图如图12所示：

其中，订货提前期的计算是为了和库存系统形成对接，上文的讨论无形中对运输系统的功能提出了要求——根据时间约束计算出最优路径。

2.3.2 模型构建。首先明确运输系统的作用——根据时间约束计算最优路径。在所要求解的运输问题中， 除了要考虑费用因素外，还需要考虑运输风险、机会成本、人工成本等。实际中，最直接的优劣判断就是运输带来的费用，这可能包括：运输费、海关费、装卸费等。这些费用都是由于运输产生的，可以将其合并为运输费。

除了费用，还需要考虑运输时间，即整条线路上的运输时间和必须小于时间约束。因此，线路规划的目标就是：找出满足时间约束条件的费用最小的线路。基于此建立起的运输网络的模型为一个有向图，每条边上有两个权值。

因此，运输系统的任务就简化成从多个已知（哪些仓库存储该种配件显然已知）起点中计算出到终点的最优线路。不失一般性，只需要遍历计算从特定起点到指定终点（缺货仓库）的最优路径，再比较这些最优路径，从中选择一条最优路径即可。

因此，运输系统的任务可以简化为：求解带时间约束的最短路径问题。

图13中，运输系统首先生成左图的运输网络图，并指定起终点。运输网络图中包含运输线路的时间和费用。时间和费用分别是该路段的运输时间和运输费用。右图是运输模型计算得出的最优的运输线路及其运输方式（蓝色线条表示）。

对于带时间约束的最短路径问题，有许多不同的解法，最简单的蛮力法首先计算两点间的所有路径，这可以通过深度优先遍历来实现，然后计算每条路径的总时间和总费用并比较得出最优路径。该算法的时间复杂度是On ，算法优化可以考虑动态规划、剪枝等策略。本文将运输模型中的核心算法做成一个模块，以便随时切换算法，使用不同的算法来比较运算时间。

2.3.3 实例计算。为了能更深刻地说明问题，举一个实际计算实例来展示运输系统的作用。

如图13所示，图中每个圆表示货运点，圆之间的连线表示路径，路径上标有运输方式（sea，海运；air，航空；highway，公路；train，铁路）。每种运输方式后面带有两个数字表示该边上该运输方式的权值、时间和费用；需求的目标是：将货物从HK（Hong Kong）运到UK（United Kingdom），使得总运输费用最少。

在传统的供应链中，一般是到了库存降低到一定程度（这个一定程度是通过经验判断的）后才进货的，比如目前只剩100件，预估3天后消耗完。则必须在3天内将货物送到，最优方案：第一种方案（时间：2<3，费用：6）。

如图14，在智慧供应链中，进货时间会由预警系统告知，假设预测模型和预警模型得出最低库存是300件，且在6天内消耗完，则可选的运输方式组合会有很多，这时满足时间限制（Timelimit）为6的最少运输费用为方案四（总时间为5<6，费用为4）。

企业实际进货通常为定期检测不同配件的库存量，并根据该配件的历史需求量按经验进行進货，因此进货日期和进货量会出现一定偏差，为了保证服务质量往往采取提前采购、多进货的方案，但是这却增加了库存和运输成本。

通过运输模型的计算结果和目前企业的进货方案相比，本文所提出的供应链解决方案在实际应用中有巨大潜力。正如上文所说，预测起到了关键性的作用，预测最根本的改善在于知道库存降到多少时最适合进货（比如提前到6天），此时可选的路径运输方案很多，包括海运和铁路，因此费用较低。

如果没有相应的辅助决策，只能凭经验判断进货时机，而一般情况是到了库存见底后，才开始进货，而这时的进货时间（3天）更短，可选线路不多，基本都是空运，因此运输费用也更高。

3 总 结

本文主要目的是参考实际的手机配件配送商业案例，构建具有实际可操作性的供应链系统，并针对供应链的低效环节加以优化以提高整个供应链的效率。对此，我们构建了三个子系统——预测系统、库存系统、运输系统。三个子系统具有高内聚低耦合的特性，内部通过预测需求和订货提前期串接起来。

预测作为库存方案和运输选择的依据，它的存在为合理有效地管理配件提供了基础。运输系统和库存系统相互交换数据、相互支持，致力于达到运输和库存的平衡高效。通过预测、库存、运输系统的协作，以及正向物流和逆向物流的结合，可以实现一种动态平衡的智能化的供应链运行模式。

三个系统的实现细节不一定与本文相同，但都需要用到统计学、数据挖掘、线路优化等相关知识，对此本文也做出了相应的讨论。本文所描述的方案距离全面高效运行的供应链系统实现还有一段路要走，但对于供应链研究和其实际应用而言，本文研究具有较好的应用价值和现实意义。

参考文献：

[1] 佚名. 2015年中国物流现状调研及发展趋势走势分析报告[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] 刘学恒，汪传旭，许长延. 带有时限的多点应急系统库存策略优化研究[J]. 计算机工程与应用，2012（7）：212-216，230.

[4] 李正艳. 基于数据挖掘的物流运输系统研究[D]. 重庆：重庆大学（硕士学位论文），2010.

[5] 傅家良. 运筹学方法与模型[M]. 上海：复旦大学出版社，2005.

[6] 何荣宣. 传统物流向现代供应链管理转变的策略[J]. 企业经济，2011（9）：41-43.

[7] 朱清华. 基于供应链的管理信息系统构建[D]. 重庆：西南大学（硕士学位论文），2007.

[8] 许会元. 企业物流的数据挖掘与智能管控[D]. 杭州：浙江理工大学（硕士学位论文），2015.

[9] Pang-Ning T， Michael S， Vipin K. Introduction to Data Mining[M]. 北京：人民邮电出版社，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.