机器学习驱动的出口跨境电商供应链网络优化

尹雪明，王长军

(东华大学 旭日工商管理学院, 上海 200051)

随着贸易的数字化和全球化,跨境电商(cross-border E-commerce, CBEC)成为了重要贸易形式。特别是新冠疫情的持续扩散,进一步促进了全球线上消费。由此,CBEC成为我国企业出口新模式,带动了传统产业转型升级[1]。海关统计数据显示,2021年我国CBEC进出口总额达1.98万亿元,同比增长15%[2]。在此背景下,我国中小型企业参与CBEC的积极性不断增强。

CBEC离不开物流供应链网络的支持[3]。然而,由于中间环节多、物流过程长等特征,CBEC供应链运营面临着独特的复杂性,特别是跨境交易、支付过程中存在显著的不确定性。具体而言,在跨境交易过程中,面临着各国需求的高度不确定,当供需不匹配时,缺货会招致电商平台的处罚,而紧急补货则成本巨大;反之,滞销商品回程或转运成本更高,并面临着二次关税的可能[4]。这些都是与一般贸易的不同之处。此外,在支付方面,汇率的不确定性会显著影响企业收益。因此,如何在CBEC供应链网络优化设计中减少这些不确定性因素的影响,成为了企业面临的难题之一。

在既往研究中,全球供应链网络优化深受学者广泛关注,其中,相当多研究注意到了诸如需求等的不确定性[5-8]。例如,Zhou等[8]针对煤炭供应链,采用样本平均近似(sample average approximation, SAA)方法构建随机场景,继而利用随机规划实现供应链网络优化设计。除此之外,也有就汇率波动对全球供应链的影响展开研究。如Gunay等[9]考虑汇率不确定性的影响,提出了两阶段随机优化模型对部件供应商进行选择。

随着CBEC的快速发展,部分文献对其相关问题如订单履行模式[10-11]、物流方式选择[12]、拣选策略[13]等展开了研究。仅较少研究考虑了CBEC供应链网络优化,例如:胡玉真等[14]研究了CBEC中的海外仓选址优化,但没有考虑需求、汇率等不确定性因素;燕晨屹等[15]基于最小最大后悔模型,研究了海外仓选址问题。现有CBEC供应链网络优化研究仅考虑了海外仓一种模式,没有关注如何充分利用丰富的电商数据。

为构建稳健的CBEC供应链网络,如何描述不确定贸易场景是关键。相比于一般贸易形式,电商交易数字化使得企业沉淀大量的历史数据,通过对其合理利用,企业有可能对未来的贸易场景做出判断。而近年来,机器学习(machine learning, ML)相关方法在大量商业领域获得了广泛应用[16-17]。其中,部分文献将ML方法应用于CBEC研究,如Shi等[18]利用ML对海外仓库存商品按获利高低进行分类,进而避免将无利可图的物品运送到海外仓。为将ML与随机优化决策相结合,Bertsimas等[19]通过ML对历史数据学习获得随机场景,并将其应用于优化决策,从而实现了从“预测”到“决策”的研究。近年来,学者已将利用ML方法获得随机场景的做法应用于不同领域,包括医疗物资库存[20]、运输线路优化[21]等。由此,本文也将探索ML方法在CBEC供应链网络的随机优化中的应用。

此外,CBEC还深受贸易格局变化的影响。2022年年初,东盟、中日韩澳新等共建的《区域全面经济伙伴关系 (regional comprehensive economic partnership, RCEP)协定》落地实施,意味着占全球约三分之一经济体量的一体化市场的形成[22]。数据显示,RCEP实施首月,我国出口企业按RCEP协定申报货值达92.5亿元,表明RCEP显著的拉动作用[23]。RCEP协定生效将推动我国的优势产业如纺织服装、轻工、农产品等劳动密集型行业发展,尤其是纺织服装行业,RCEP成员国是我国纺织服装企业重要的出口市场[24],因此本文将以服装出口为例展开说明RCEP带来的影响。现有RCEP的研究多是定性的[25-26],而RCEP协定实施会如何影响CEBC企业的供应链布局,尚缺乏相关研究,而这也是本文所关注的问题。

本文以出口企业的CEBC供应链网络优化为研究对象,构建考虑需求、汇率等不确定性的选址-库存-分配联合优化的随机模型,所得模型为混合整数规划,该类问题常用求解器ILDG CPLEX展开仿真求解[27-28]。与以往研究不同,本文利用丰富的电商数据,将ML方法应用于随机规划模型的场景构建,实现从“预测”到“决策”的研究;另外,以出口东南亚的某CBEC服装企业的实际数据为基础,展开应用研究,验证方法有效性,并分析RCEP实施对企业供应链布局的影响,提炼相关管理建议。

1 问题概述与模型构建

考虑某出口企业面临的三级CBEC供应链,包含工厂、若干海外仓和边境仓,以及境外需求点。为支持产品在电商平台上某个时点的销售,企业分两阶段制定如下决策:第一阶段,在订单到达之前,选择铺货的仓库,包括海外仓和边境仓,以及备货量;第二阶段,在需求信息明确后,企业需确定各个仓库的出货量,以及当仓库缺货时直接从工厂发货的补货量。其中,在进行第一阶段决策时,面临的需求信息和相应的贸易场景是变化的。

为解决如上问题,参照现有研究,采用两阶段随机规划的方式构建优化模型:第一阶段决策是在随机贸易场景发生前就要做出的决策,也称为here-and-now决策;而第二阶段决策则是在随机贸易场景发生后,视场景而制定的决策,即wait-and-see决策。由此,决策者考虑第一阶段选址、铺货的运输和仓储成本,以及第二阶段的运输、缺货和滞销成本。目标函数就是最优化第一阶段成本和第二阶段期望成本之和。

1.1 符号说明及参数

本文建模所需的变量说明如表1～3所示。

表1 集合与索引Table 1 Sets and indexes

表2 两阶段参数Table 2 Two-stage parameters

表3 两阶段决策变量Table 3 Two-stage decision variables

1.2 两阶段随机规划模型

首先给出模型的目标函数。其中,第一阶段成本包括选址成本,即边境仓和海外仓的租赁费用、库存成本以及铺货的物流成本分别如式(1)、(2)、(3)所示。其中,关税采用从价关税征收方法,而汇率信息已知,故不考虑汇率变动。

(1)

(2)

(3)

第二阶段费用为各部分费用的期望值,包括出库成本、补货成本、缺货成本、滞销成本以及企业的销售收入,如式(4)～(8)所示。

(4)

(5)

(6)

(7)

(8)

由此,得到两阶段随机规划模型的目标如下:

(9)

模型服从如下约束:

(10)

(11)

(12)

(13)

(14)

(15)

(16)

(17)

(18)

(19)

(20)

(21)

(22)

(23)

(24)

(25)

(26)

(27)

(28)

(29)

其中:式(10)～(11)表示备货量不超过仓储容量;式(12)表示仓库租赁数量约束;式(13)表示每个客户点只分配给一个边境仓或海外仓;式(14)～(15)确保被选中的仓库点才会分配给客户点;式(16)～(17)只有分配给客户点的仓库才有相应的货物流量;式(18)～(19)表示仓库至客户点的流出量不超过其流入量;式(20)～(21)表示仓库点的流量平衡约束;式(22)为客户点的流量平衡约束;式(23)～(29)为各种决策变量的定义域。

RCEP旨在对90%以上货物逐步实现零关税,上述模型可通过关税的调整考虑这一协定,故假定RCEP不改变模型结构。

2 基于机器学习的随机贸易场景建模

2.1 基于SAA的随机场景建模

传统上,随机规划采用SAA生成模型所需场景。顾名思义,即采用历史样本表示决策所面临的随机场景,由此,可用样本均值估计目标函数值的总体期望。

(30)

式中:x为决策变量的向量。

然而,电商销售产品的价格会频繁变动,而变动的价格是由决策者决定的,并非外生随机参数,且会对需求产生显著影响。此外,外生的汇率虽然会频繁变动,但其下一时刻的汇率变化与上一时刻的已知汇率存在着联系。而SAA方法无法挖掘这些关系,存在一定的局限性。

2.2 基于ML方法的随机场景建模

具体而言,在制定下一周期供应链网络计划时,假设市场部门已经制定了销售价格,即T+1周期的价格和折扣力度是已知的。显然,上一周期即T周期的汇率也是已知的。在学习时将这些特征量输入模型,预测出所需要的目标值。以下给出几种ML方法的主要思想和具体实施步骤。

2.2.1 基于KNN回归的随机场景构建

KNN(Knearest neighbor)的思想是寻找距离最近的K个邻居,赋予相应权重,将其作为随机规划模型的场景。

(31)

(32)

2.2.2 基于CART回归的随机场景构建

Breiman等[29]在1984年提出了CART(classification and regression tree)算法,其适用于多特征变量的复杂数据建模,可以用于分类或回归。其中,用于回归时,使用样本的最小方差作为分裂节点的依据生成CART树。CART树的回归过程如图1所示。

图1 CART树回归过程Fig.1 Regression process of CART tree

在构建好CART树之后,寻找与输入样本处于同一分支的样本,其对应目标值即为可能发生的场景,场景概率可以用式(33)表示[19]。

(33)

(34)

2.2.3 基于随机森林的随机场景构建

随机森林(random forest, RF)采用重抽样方法对因变量观测值进行抽取,进而从与之相关的自变量中随机抽取变量值确定分类树节点,生成多棵决策树,通过求每棵决策树的叶节点值作为RF回归模型的预测场景。RF回归过程如图2所示。

图2 随机森林回归过程Fig.2 Regression process of random forest

与CART不同的是,RF的场景发生概率与树的总量M有关。RF回归模型的预测场景发生概率可以用式(35)表示[19]。

(35)

(36)

3 实例仿真分析

在处理器为Intel(R) Core(TM) i7-10510U、主频为1.8 GHz 、内存为16 GB的笔记本电脑上,首先利用Jupyter Notebook 6.4.6进行随机场景的机器学习,继而利用ILOG CPLEX 12.6.3软件对随机规划模型进行最优求解。

3.1 问题背景

Z是一家位于浙江杭州的中型服装外贸企业,近年来其通过Shopee等CBEC平台向东南亚地区进行海外销售,客户主要位于泰国、柬埔寨、越南和缅甸等国。考虑采用海外仓和边境仓两种模式。其中:海外仓离客户点近,订单响应速度快,但存在成本高、未销商品处理难等问题;反之,边境仓租赁成本低,但存在订单响应成本高等问题。Z公司同时依托边境仓和海外仓构建其供应链网络,并通过陆路专线方式运输。

表4 工厂至边境仓的相关成本Table 4 Unit costs from the factory to border warehouses 单位:元

表5 工厂至海外仓的相关成本(按当地货币计价)

表6 边境仓至客户点单位产品运输费用(按当地货币计价)

表7 海外仓至客户点单位产品运输费用(按当地货币计价)

表8 工厂至各客户点的单位运输费用Table 8 Unit transportation costs from the factory to customers

表9 单位缺货成本(按当地货币计价)Table 9 Unit out-of-stock cost (in local currency)

3.2 贸易场景预测效果对比

(37)

(38)

(39)

选取2021年10月31日前的60周样本数据,包括销量、价格、折扣力度和汇率,以7∶3的比例划分训练集和测试集。其中KNN选取5个距离最近的样本点,CART和RF中最大树深设为3,RF共生成16棵树。将训练模型用于测试集目标值预测,预测值与真实值代入式(37)～(39)进行检验,由此得到预测精度数据。SAA则是将抽样所得预测值与剩余数据真实值进行精度检验,共抽取5组数据进行计算。各模型预测精度如表10所示,结果表明,ML方法均优于传统SAA,其中RF模型预测的结果误差最小,其表现最优。因此,本文将依据RF的预测结果设定随机场景,继而进行模型求解。

表10 各模型预测精度Table 10 Prediction accuracy of the models

3.3 仿真结果

不限制选址数量,对基于RF模型产生的随机场景展开随机规划模型的最优计算,可得RCEP实施前后的决策和各项成本如表11所示,其中,实施RCEP后的关税为0。由仿真结果可知,在RCEP实施之后,模型选址结果由云南昆明、柬埔寨金边变为泰国曼谷和柬埔寨金边,且两仓的备货量均有所增加。此外,RCEP的实施会带来总收益的大幅度提升和总成本的下降。究其原因,主要是出库成本有了显著改善,导致其他成本的占比有所上升。此外,RCEP实施前、后运输成本占总成本比重分别为79.47%和55.28%。这是因为曼谷海外仓替换了昆明边境仓,虽然增加了入库运费,但关税减免带来的出入库成本改善更为显著。由此可知,RCEP协定能够促进企业布局海外仓。

表11 RCEP实施前后供应链网络决策及成本Table 11 Comparisons of decisions and costs before and after RCEP

3.4 灵敏度分析

RCEP的零关税不是一步到位,因此,有必要对关税税率的灵敏度进行分析。以RCEP协定实施前关税税率为基础进行缩放,即关税税率为基础关税税率与关税缩放倍数之积,关税缩放倍数以0.2的幅度从0增至1.8,共得到10组结果,对选址决策及备货量的影响如表12和图3所示。

图3 仓库备货量随关税缩放倍数的变动趋势Fig.3 Trends of pre-positioning stock with tariff scaling factor

表12 关税变化对决策的影响Table 12 The impacts of tariff changes on decisions

由表12和图3可知,当关税从0逐渐增加时,由于二次关税的存在,放置在海外仓的货物量逐渐减少。当关税缩小倍数从0.2至0.4时,企业会放弃曼谷海外仓,并开始在昆明边境仓备货。而随着关税的持续增加,边境仓和海外仓的备货量均逐渐减少,尤其是海外仓;而当关税放大倍数升至1.8倍时,只进行边境仓的布局。

各项成本和利润随关税缩放倍数的变化趋势如图4和5所示。

图4 各项成本随关税缩放倍数的变动趋势Fig.4 Trends of costs by item with tariff scaling factor

图5 总成本和利润随关税缩放倍数的变动趋势Fig.5 Trends of total costs and profits with tariff scaling factor

由图4和5可知:当关税缩小倍数从0.2增至0.4时,由于仓库决策发生变动,入库成本有所下降,出库成本大幅度增加,此时总成本也有所增加;当关税放大倍数从1.4增至1.6时,入库成本、出库成本和总成本反而大幅度降低,这是由于不惜缺货而减少供应量所带来的变化。伴随这一结果的是,缺货成本大幅攀升且总利润快速下降。尤其是当关税放大倍数升高至目前的1.8时,仓库仅选择云南昆明的边境仓,此时公司不再布局海外仓,经营处于萎缩状态。以上分析可知,贸易关税对于服装企业CBEC供应链布局和经营有着显著影响,由此,也正说明类似RCEP的贸易协定给企业发展带来的契机。

4 结 论

本文针对CBEC企业面临的诸多不确定性,利用电商沉淀数据丰富的特点,研究了ML驱动的供应链网络优化设计问题。为此,在考虑汇率、需求等不确定性的基础上,构建了两阶段随机规划模型,实现CBEC的仓储布局和库存管理优化决策;并利用ML方法构建了优化模型中的随机场景,实现了从“预测”到“决策”的研究。最后,将模型应用于某服装企业面向东南亚的CBEC贸易,展开实例研究,分别计算了RCEP协定实施前后的决策结果,并就关税展开了灵敏度分析。结果表明RF在该实例中的预测效果更优,基于其预测结果进行两阶段随机规划模型的仿真,仿真结果表明,RCEP协定及相应的关税优惠有利于海外仓的发展,且能大幅降低企业运营费用,对于相关CBEC企业供应链网络布局和经营有着重要影响。

未来的研究可从如下几个方面拓展:1)本文以成本优化为目标,未来可考虑CBEC的时效要求,展开双目标优化;2)由于价格也会显著影响需求,可将供应链网络设计与定价相结合,展开联合决策研究;3)本文利用ML方法实现随机规划模型中的场景学习,适用于数据丰富的场景,但当企业面临数据稀缺的问题时,如新产品投放或新市场开发并不适用,因此有必要探索新的方法。