考虑大数据服务商参与的闭环供应链决策研究

王道平, 梁思涵, 周 玉

(1.北京科技大学 经济管理学院,北京 100083; 2.黄河水利委员会 黄河水利科学研究院,河南 郑州 450003)

0 引言

经济快速发展和人口迅猛增长加剧了环境污染和资源短缺,许多制造企业开始将闭环供应链纳入自己的发展体系。在闭环供应链中存在许多干扰因素,例如企业竞争、政府等第三方不定期发布的政策、市场需求不确定等,企业决策者必须面对这些因素带来的影响并及时决策,处理不当可能会影响企业声誉,良好的声誉在一定程度上能为企业带来更多的消费者,增加市场需求和企业利润。当今正处于信息时代,拥有有价值的信息利于企业决策和规划。因此,大数据服务商应运而生。

大数据服务商类型多样,有提供技术型服务的大数据服务商,例如神策、网易数帆等,通过先进的大数据技术全方位采集企业信息并进行深度分析,为企业经营提供解决方案。也有提供数据资源为主的大数据服务商,例如亚马逊、京东等。大数据服务商能够通过自身的数据体系和先进的大数据技术从海量数据中获取有价值的信息,挖掘潜在的商业行为并协助企业运营。大数据服务已被广泛应用,企业可根据自身需求选择大数据服务类型,如产品推荐、协助营销和协助回收等。当闭环供应链面对多种因素干扰和大数据服务商参与时,供应链成员策略成为了关键,大数据服务商参与对企业影响值得进一步研究。

1 文献综述

企业受益于闭环供应链的同时也面临着许多难题。例如废旧产品的回收率和市场需求会受到竞争、时间和消费者偏好等因素的影响。企业在面对不确定因素干扰时,合理决策成为了关键。ASIM等将产品的供需关系视为不确定变量,通过模糊目标规划法求解了供应链成员的决策[1]。WU等考虑了需求和回收品数量的不确定,运用模糊优化得到了最优决策方案[2]。FALLAH等研究了不确定环境下两个闭环供应链的竞争,分析了竞争对需求和成员利润的影响[3]。废旧产品回收存在的质量随机性不仅会影响再制造,还会影响定价和回收渠道[4]。一定程度的政府规制能有效提高回收产品质量,保障市场交易的有效性[5]。在同等力度的制造商利他行为和政府补贴下,政府补贴更能促进废旧产品的回收利用[6]。当面对不确定因素干扰时,契约能减轻干扰和消极影响。在政府规制下,收益费用共享契约能够有效提高再制品的竞争优势,平衡不确定的市场需求[7]。政府奖励能够促进契约协调机制的达成[8]。回收数量折扣契约和能力约束线性定价契约同样能够减轻需求扰动带来的消极影响,提升闭环供应链利润[9]。针对生产规模不经济和需求扰动的闭环供应链,收益费用共享契约能够对供应链进行协调[10]。

企业良好的声誉在一定程度上能够增加企业的市场需求和利润,能够帮助企业取得更多竞争优势[11],还影响着企业的质量决策[12]。有学者将企业声誉引入了闭环供应链并且考虑了影响声誉的多种因素[13]。何喜军等考虑了受回收量影响的企业声誉,通过微分博弈得到了供应链成员的最优决策,所设计的奖惩契约能够提升废旧产品的回收量和企业利润[14]。声誉激励机制能够实现闭环供应链的帕累托改进[15]。汪明月等将时间因素引入了基于声誉的闭环供应链模型,研究了不同环境规制下契约的决策和利润变化情况[16]。还有不少学者将企业声誉延伸至绿色食品供应链和碳排放领域,以研究企业声誉对于环境保护和资源节约的影响[17,18]。

先进的大数据技术能从海量数据中提取有价值的信息,帮助企业和政府制定更好的决策和政策[19],能为企业带来竞争优势,利于商业战略的实现[20]。例如通过大数据技术预测线上销售的需求[21],针对不同客户实施精准营销[22]。XIANG等研究了互联网服务平台的大数据营销对闭环供应链的影响,建立了基于微分博弈的商誉动态模型,发现利用大数据营销不仅能够有效提升企业商誉和利润,还能提高废旧产品的回收率[23]。互联网服务平台所提供的大数据服务对企业持续盈利能力有重要的影响[24]。LIU研究了大数据商参与的供应链定价策略,制造商可通过大数据商获得内外部大数据信息,并提出在大数据时代,大数据商应纳入供应链[25]。吴成霞等对大数据服务商参与的三级供应链合作策略进行了研究,建立了零售商支付契约、联合支付契约和合作契约,通过算例验证了模型的有效性[26]。

上述文献对受多种因素扰动和大数据服务商参与的供应链进行了深入研究。但少有学者在大数据商参与的背景下,考虑多种大数据服务以及受声誉、时间等多因素影响的动态闭环供应链。本文考虑了大数据服务商参与下受多种因素影响并且随时间动态变化的闭环供应链,研究了无大数据服务商参与、大数据服务商协助回收和营销三种情形下供应链成员的均衡策略,通过比较分析探究大数据服务商的参与对闭环供应链的影响。

2 模型建立与求解

2.1 问题描述和模型建立

本文研究制造商、零售商和大数据服务商组成的闭环供应链,制造商生产新品且进行废旧产品回收和再制造。再造品与新产品不差别定价。制造商将产品批发给零售商,由零售商进行销售。大数据服务商根据制造商的需求提供大数据服务。由文献26可知,制造商和零售商共同承担大数据服务费用优于一方支付,因此,本文的大数据服务费由制造商和零售商共担。制造商与零售商之间进行Stackelberg主从博弈,制造商为领导者,零售商为追随者,均为风险中性理性决策者。符号说明如表1所示。

表1 参数符号及含义

在经典文献中回收率可通过回收努力刻画,由此构造回收成本函数。本文细化了对回收率的描述,回收率除了受自身回收努力水平影响,还受到了政府等外部机构和不可控因素的影响。受多种因素影响的回收率存在不确定性和不稳定性,通过伊藤过程能很好地刻画,回收率描述如下:

dθ(t)=(αφm(t)+(η-b)θ(t))dt+σθ(t)dz(t)

(1)

制造商的声誉可以描述为:

G(t)=uθ(t)-ε

(2)

产品的市场需求可以表示为:

Q(t)=m-μp+v(uθ(t)-ε)

(3)

2.2 无大数据服务商参与情形(D)

闭环供应链中无大数据服务商参与时,制造商和零售商目标泛函如下:

(4)

(6)

(7)

命题1无大数据商参与时制造商最优回收努力水平、最优零售价格为:

命题2无大数据服务商参与下回收率的期望为:

2.3 大数据服务商协助回收情形(C)

大数据商协助制造商进行回收,制造商与零售商共担大数据服务费用。制造商先决定回收努力水平,零售商再进行产品定价,大数据商最后决定服务水平。回收率可描述为:

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

(12)

制造商、零售商和大数据服务商的目标泛函如下:

(13)

(1-λ)nφb)dθ(t))

(14)

制造商、零售商和大数据商决策阶段满足式(16)～(18)HJB方程:

(16)

(17)

命题3当大数据服务商协助回收时,制造商的最优回收努力水平、零售商的最优零售价格和大数据服务商的最优服务水平分别为:

命题4大数据服务商协助回收时的回收率期望为:

2.4 大数据服务商协助营销情形(B)

大数据服务商通过广告差异化投放等方式精准营销从而提高产品的市场需求。大数据服务费用由制造商和零售商共担。需求量可表示为:

Q(t)=m-μp+v(uθ(t)-ε)+δφb

(24)

制造商、零售商和大数据服务商的目标泛函如下:

θ(w-cr))(m-μp-vG+δφb)-

(25)

(1-λ)nφb)dθ(t))

(26)

(27)

制造商、零售商和大数据商决策阶段满足式(28)～(30)HJB方程:

(28)

(29)

命题5当大数据服务商协助产品的营销时,制造商的最优回收努力水平、零售商的最优零售价格和大数据服务商的最优服务水平分别为:

命题6大数据服务商协助产品营销时的回收率期望为:

3 比较分析

通过对无大数据服务商参与、大数据服务商协助回收和协助营销三种情形下回收率和闭环供应链成员的最优决策进行比较分析,得到如下推论。

推论1回收率比较如下:(1)θC>θD;(2)θB>θD;(3)当δ<2βkm时,θC>θB。

由推论1可知,大数据服务商能够通过不同的协助方式提高废旧产品的回收率。当大数据服务商的服务努力水平对市场需求的影响系数满足一定条件时,大数据服务商协助营销对回收率的提升优于协助回收。

推论2说明了无论大数据服务商提供营销服务还是协助回收,其服务努力水平相同,都受到了其服务努力水平系数和制造商支付水平的影响,与大数据服务商的服务类型无关。

推论3表明了外部环境对废旧产品回收约束较小时,协助回收时制造商最优回收努力水平小于协助营销情形,因为大数据服务商帮制造商分担回收工作,减少了制造商的回收投入。

推论4最优零售价格比较如下:

由推论4可知,当大数据商协助下制造商最优回收努力水平较高且外部环境对回收有较强激励时,零售价格高于无大数据商参与情形。因为零售商为制造商分担了大数据服务费,为平衡支出,零售商会提高零售价格。虽然提高零售价格会降低市场需求,但总体能保证零售商利润。

4 算例分析

本节通过算例对三种情形下制造商的回收率以及闭环供应链成员的最优策略和利润进行了比较,分析了不同参数对闭环供应链的影响。假设参数初始值如下: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 三种情形比较

三种情形下制造商回收率随时间演化过程如图1所示,回收率随时间的推移逐渐趋于稳定。受随机因素干扰,回收率在期望值附近呈动态波动。

图1 三种情形下回收率演化过程

由图2可知大数据服务商的参与能在一定程度上激励回收。当外部环境对废旧产品的回收约束较小且大数据服务商的服务水平相同时,协助营销更能提升回收努力水平和回收积极性。大数据商协助回收减轻了制造商的回收负担,因此,制造商的回收努力水平低于大数据商协助营销情形。

图2 制造商回收努力水平演化过程

图3说明大数据商的参与会提高零售价格,主因零售商分担了大数据服务费用。由于大数据商协助营销时制造商的回收努力水平高于协助回收,大数据服务成本更高,所以零售价格更高。相较于回收努力水平,零售商的决策变量零售价格波动的幅度较小,受随机因素扰动的影响更小。

图3 零售价格的演化过程

通过图4可知大数据服务商的参与能够提高制造商利润。当外部环境对回收约束大于对激励时,相同大数据服务水平下,协助营销对制造商利润提升更大。在闭环供应链中当有大数据服务商参与时,应考虑当下整体环境,尤其是外部环境,从而选择大数据服务商参与形式,提高企业利润。

图4 制造商利润的演化过程

由图5可知大数据服务商参与能提升零售商利润。当外部环境不利于企业回收时,协助营销能帮助零售商获得更高的利润。零售商利润受随机因素扰动的影响更小。虽然协助营销会提高零售价格,降低消费者的购买行为,从而减少市场需求,但从利润角度来看。有利于零售商利润的提升。

图5 零售商利润的演化过程

4.2 灵敏度分析

三种情形下制造商对大数据服务费用的分担系数和回收率对企业声誉的敏感系数对制造商和零售商利润的影响如图6～图9所示。

图6 参数λ对制造商利润的影响

图7 参数λ对零售商利润的影响

图8 参数u对制造商利润的影响

图9 参数u对零售商利润的影响

图6说明制造商承担大数据服务费用比例越大,制造商的利润越少,但利润减少幅度不大。此算例中由于回收受外部环境限制大于激励,所以协助营销时制造商利润高于协助回收情形。无大数据商参与情形下制造商的利润不受大数据服务费分担系数的影响,制造商的期望利润无变化。

由图7可知当大数据商协助回收时,零售商承担大数据服务费的比例较大会使零售商利润低于无大数据商参与情形。随着零售商分担大数据费比例减小,零售商利润呈增加趋势。

通过图8可知当回收率受声誉影响较小时,协助营销时制造商的利润最高。当回收率受企业声誉的影响逐渐增大时,协助回收时制造商利润逐渐高于协助营销情形。大数据商参与下制造商的利润总高于不参与情形。

图9说明了回收率受声誉影响较小时,大数据商协助回收不利于零售商利润提升。但随声誉对回收率影响增大,协助回收时零售商利润逐渐增大,在一定条件下高于协助营销情形。

5 结论

本文在闭环供应链中考虑了大数据服务商参与和受多因素影响的动态回收率,研究了无大数据商参与、大数据商协助回收和协助营销下制造商和零售商的最优决策和利润。通过伊藤过程刻画了动态变化的回收率,分析了大数据服务费分担比例和回收率对企业声誉的敏感参数对制造商和零售商利润影响。结论如下:(1)回收率、回收努力水平、零售价格和利润能够在较短时间内达到期望值,决策变量和利润受随机因素干扰在期望值附近波动;(2)零售商决策变量和利润达到期望值的时间短于制造商,感知市场变化和自身决策对企业影响速度更快;(3)大数据服务商参与能够提高回收率、回收努力水平和闭环供应链成员利润。相同的大数据服务水平下,当外部环境对回收的约束大于激励时,协助营销对回收努力水平和利润的提升更有利。

启示如下:(1)供应链成员的决策变量和利润虽在较短时间达到预期值,但受随机因素干扰处于波动状态。互联网时代信息传播速度快,加剧了随机因素干扰的波动性,企业应多关注外部环境的变动,及时调整企业的策略;(2)零售商对市场感知和反馈更快速,制造商应与零售商保持良好的合作关系,共享经营信息,共议大数据服务费用分担比例,增强定价、回收努力水平和利润稳定性;(3)在大数据时代,企业应具备从海量数据中挖掘有价值信息的能力,企业可考虑是否需要大数据商的协助,在选择大数据服务类型时,应考虑整体环境,包括外部环境如政府等第三方机构的政策、行业环境以及经济形势和内部环境例如企业战略和自身已具备的能力等,利于企业及环境的可持续发展。

本文考虑的产品为线下销售,许多企业已开启线上线下双渠道销售。在闭环供应链中考虑双渠道销售和大数据服务商参与将是未来研究重点。