云服務模式下配送需求預測與庫存配置聯合決策模型

姜燕寧，郝書池

（1.廣州大學 地理科學學院，廣州 510006；2.廣州城市職業學院 商貿系，廣州 510405）

0 引言

隨著庫存對訂貨成本、運輸成本、庫存持有成本、缺貨成本及客戶滿意度的影響越來越大，庫存控制越來越被引起重視，出現了（Q，R）等一些適用于獨立庫存點的庫存控制方法；后來有學者研究發現可以通過集中存儲或橫向轉運等方式調配同級多個庫存點間的庫存，相比各庫存點獨立存儲庫存，更有助于降低系統整體庫存。而多級配送網絡的出現，供應商、配送中心和零售商之間的庫存決策相互影響，多級配送網絡的庫存控制被納入研究范疇，基于供應鏈管理的思想出現了供應商管理庫存、聯合庫存管理和協同式庫存管理等中心化庫存控制策略。但是，傳統多級配送網絡庫存系統中，各個庫存點都是在從自身的角度出發或者僅考慮配送網絡的局部利益制定庫存管理決策，無法實現全局性的資源配置和成本降低；隨著云服務思想的出現，有學者將其引入到多級配送網絡的庫存控制決策過程中，開始探討云服務模式下的多級配送網絡庫存控制策略，以實現庫存信息的多方向聚集和庫存資源的網絡化控制。此外，配送需求預測與庫存配置決策相互影響，傳統的決策思路是首先基于預測偏差最小得到配送需求預測結果，然后根據預測值制訂庫存決策，其決策效果受預測方法的影響較大，無法實現總成本最小和預測誤差最小的共同目標。因此，亟待探討云服務模式下配送需求預測與庫存配置聯合決策模型。

1 傳統多級庫存控制策略回顧

庫存控制是一個系統問題，供應商、生產商、零售商在制定庫存策略時，不僅僅考慮內部因素和自身利益，還需保證信息共享、真實、透明和及時的前提下，兼顧供應鏈各主體利益，從供應鏈整體優化的角度出發尋求庫存控制方法，這就是多級庫存控制問題。秦緒偉，范玉順，尹朝萬[1]假設分銷點和分撥中心分別采用（R，s，Q）、（s，S）庫存控制策略，構建包括庫存成本、運輸成本和設施成本的選址——庫存模型。呂飛，李延暉[2]假設生產基地、備選配送中心和零售點的位置已經確定，零售點采用單周期隨機存儲策略，以庫存費用、選址費用、運輸費用之和最小為目標建立庫存和選址聯合優化模型。Oded Berman[3]分別構建相同庫存檢查周期和不同庫存檢查周期情況下的選址——庫存聯合決策模型。馬宇紅，張浩慶，姚婷婷[4]假設分銷中心和分銷點均采用（Q，R）庫存控制策略，備選分銷中心地址和庫存能力已知，以服務水平和庫存容量為約束條件，以設施成本、運輸成本、庫存成本之和最小為目標，構建隨機需求分銷網絡的選址庫存聯合優化模型。多級庫存系統主要包括中心化和非中心化兩種模式：

1）非中心化管理系統與模型

圖1 非中心化多級庫存管理模式[5]

非中心化庫存控制策略下，各庫存主體基于本位主義思想制定庫存策略，有利于發揮各個庫存點的自主性和靈活性。但是，由于各主體信息共享程度低，造成各級需求逐漸的變異放大，產生“牛鞭”效應，并不能帶來供應鏈整體庫存優化。

2）中心化庫存管理系統與模型

（1）供應商管理庫存模式（VMI）

圖2 VMI庫存控制模式[6]

（2）聯合庫存管理模式（JMI）

圖3 聯合庫存控制模式[7]

圖4 CPRF庫存管理[7]

（4）集中存儲和橫向轉運相結合的庫存管理模式[8]

圖5 存在集中存儲與橫向轉運的配送網絡

中心化庫存控制策略下，各庫存主體信息完全共享，庫存控制策略是基于供應鏈整體庫存優化的前提由供應鏈各方主體共同協商制定。但是，中心化庫存控制策略需要兼顧各方利益，管理協調工作難度大，特別是系統層次比較多時更難；另外，誰是供應鏈的核心，由誰來主導協調也是關鍵問題。

2 云服務模式下的多級庫存控制策略探討

在傳統的物流配送網絡中，各個庫存點都在依靠自己的資源來提供能夠提供的服務，資源和服務之間的關系是強耦合性。另外，受傳統管理模式的影響，各個庫存點都是在從自己角度出發制定庫存管理決策，無法達到全局性的資源配置和成本降低。云服務模式就是要打破實體企業的邊界，讓能力和資源進行虛擬空間的整合，形成虛擬資源平臺；供應鏈成員共同享用這些資源，并在供應鏈成員之間合理配置，實現資源的一體化集成和調度，如圖6[9]所示。

圖6 云庫存控制模式

云服務模式下的庫存控制就是要通過庫存信息的多方向聚集和庫存資源的網絡化控制，實現供應鏈多級、多庫存點的庫存優化，各種庫存控制策略的區別如表1所示。

表1 五種庫存策略比較[8]

3 云服務模式下配送需求預測與庫存配置聯合決策模型構建

在獨立決策思路下，首先基于需求預測誤差最小得到需求預測結果，然后根據預測值作庫存決策，此時無法判定T期總成本是否最小?？紤]到傳統決策方法的不足，提出以T期總成本最小和預測偏差最小為決策目標，構建需求預測和庫存配置聯合決策模型。

3.1 問題假設

1）考慮多配送中心、多零售商的配送網絡，配送中心備選點和零售商位置已知；

2）每個零售商的需求可以由多個配送中心協同完成，且零售商的需求要求全部得到滿足；

3）配送中心有容量約束。

3.2 參數定義

I：備選配送中心集合，某一個配送中心用i表示

J：零售商集合，某一個零售商為j

T：計劃周期t的集合

z：一定服務水平下的安全系數

Dt,j：第t期零售商j需求實際值（噸）

(Dt,j：第t期零售商j需求預測值（噸）

ut,j：需求點j第t期需求均值（噸），ut,j=(Dt,j

σut,j：需求點j 第t 期需求標準差（噸），σut,j=1.25MADt,j（其中MADt,j=αMAD（t-1）,j+（1-α）(t-1)j-D(t-1)j|；

α為平滑系數，一般取值0.1到0.2之間）Cq：單位缺貨成本，取15元/噸

Ch：單位庫存持有成本，取12元/天·噸

dij：配送中心i到零售商j距離（Km）

Ct,i：第t期配送中心i最大容量，取值1000噸

Cyij：從配送中心i到零售商j的單位運輸成本（元/噸·Km），取值0.3元

Xt,ij：第t期配送中心i對零售商j的覆蓋比例，且0≤Xt,ij≤1。

3.3 模型構建

云服務模式下的配送需求預測與庫存配置聯合決策模型：

式(5)表示總成本最低，式(6)表示需求預測誤差最小，式(7)表示配送中心和零售商的協同服務關系，式(8)表示零售商j的所有需求要被滿足，式(9)表示第t期配送中心i的最大容量限制。

4 算例實驗

4.1 算例參數

現有1個供應商、5個備選配送中心（i=1，2，3，4，5）、20個零售商（j=1，2…20）構成的配送網絡，配送中心的坐標為（99，79）、（6，48）、（10，28）、（46，15）、（15，83）。其他數據如下：

4.2 模型求解

利用前3期配送需求數據，采用文獻[10]中基于遺傳算法改進的灰色Elman神經網絡預測方法得到零售商j的第4、5期需求預測值如表4所示。此外，在MATLAB中調用GAOT遺傳算法工具箱來對模型進行求解，軟色體編碼及初始種群的生成方法如下：

表2 零售商j的坐標值

表3 零售商j的需求實際值（單位：噸）

表4 零售商j的第4～5期需求預測值（單位：噸）

（續表4）

設I個配送中心，J個零售商，分T期

1）隨機變量設為TJ個，取值范圍為1～（2T-1）。

2）再增加隨機變量TJI個，取值范圍為0～1，組成T*J覆蓋比例矩陣，即每個配送中心與每個零售商都有一個隨機覆蓋比例，與狀態矩陣對應。

3）對1）中的隨機變量取整后轉換為二進制數，使一個零售商可以與多個配送中心進行對應，最少一個、最多I個。

4）對T期中的配送中心與零售商的配送關系賦值，形成狀態矩陣。

5）狀態矩陣與覆蓋比例矩陣進行點乘，從而獲得與狀態矩陣所對應的覆蓋比例原始矩陣。即配送中心與零售商有對應關系才取值，否則覆蓋比例為0。

6）對覆蓋比例原始矩陣進行歸一化計算，即確保一個零售商的所有覆蓋比例和為1，從而獲得歸一化后的覆蓋比例矩陣。

第5期配送需求服務分配方案如表5所示。

表5 第5期覆蓋比例Xt,j矩陣

4.3 模型的穩定性分析

取三組不同規模的隨機算例分別運算云服務模式獨立決策（模型中去掉目標函數和云服務模式聯合決策模型，不同問題規模、不同模型的計算結果如表6所示，由結果可知云服務模式聯合決策模型在不同問題規模下的穩定性較好，且依然保持著成本優勢。

表6 兩種模型總成本對比（元）

5 結語

VMI、JMI和CPFR等庫存控制策略僅能實現多級配送網絡的局部庫存資源優化配置；集中存儲和橫向轉運等庫存控制策略也僅僅考慮到多級配送網絡中同級庫存點間的庫存資源共享，而沒有解決縱向各節點間的庫存資源優化配置問題。云服務模式借助云的思想構建云庫存資源池，注重分散資源集中管理、集中資源分散服務，能實現多級配送網絡的全局優化。在聯合決策模型中，可以避免因預測方法不當而造成的庫存成本上升，有助于實現總成本最小和預測誤差最小的雙重目標。