基于CPFR的需求预测新方法_分位数回归预测法

Vol1 23, No1 2 管 理 工 程 学 报 Journal of Industrial EngineeringPEngineering Management 2009 年 第 2 期 研究简报 基于 CPFR的需求预测新方法 ) ) ) 分位数回归预测法 戢守峰, 艾 焱, 周海洋, 李 壮 (东北大学工商管理学院, 辽宁 沈阳 110004) 摘要: 本文引入计量经济学前沿预测研究方法-指数加权分位数回归预测, 并建立需求预测模型。该模型通过 直接预测销售序列的分位数, 避免既存研究中基于假设的预测失误, 使预测结果更加贴近需求模式的真实值。在 此基础上建立基于 CPFR的供应链系统成本模型, 对比 分析 定性数据统计分析pdf销售业绩分析模板建筑结构震害分析销售进度分析表京东商城竞争战略分析 表 关于同志近三年现实表现材料材料类招标技术评分表图表与交易pdf视力表打印pdf用图表说话 pdf 明指数加权分位数回归方法的预测精度较高。 关键词: 协同 计划 项目进度计划表范例计划下载计划下载计划下载课程教学计划下载 ; 预测和补货; 分位数回归; 需求预测; 信息熵 中图分类号: C931 文献标识码: A 文章编号: 1004-6062( 2009) 02-0137-03 收稿日期: 2007-01-21 修回日期: 2008-12-15 基金项目: 国家自然科学基金资助项目( 70872019) ;辽宁省社会科学规划基金重点资助项目(L07AJY005) 作者简介: 戢守峰( 1958) ) ,男(汉族) ,辽宁沈阳人。东北大学工尚管理学院教授,研究方向:物流系统优化与分析、物流与供应链管理。 0 引言 本文考虑某些商品需求序列的多变性, 基于预测方法高 精确度的要求, 引入计量经济学前沿预测研究方法-指数加 权分位数回归预测,并将此方法引入基于 CPFR 的供应链协 同研究领域, 以期为需求预测提供新的视角。Koenker 和 Bassett最早提出线性分位数回归理论, 并论述了使用分位数 回归进行预测的理论研究成果[1] ; Gorr和 Hsu 也应用分位数 回归理论针对非财务数据进行了分析研究, 其研究方法等同 于经典分位数回归理论,所不同的是 Gorr 和Hsu 的研究方法 通过指数平滑法弱化了指示函数对预测结果的影响[2] ; Engle 和Manganelli的条件自回归 VaR 方法也被视为分位数回归研 究方法之一,通过指示函数来调整使预测结果逐渐逼近真实 值[3] ; James Taylor提出指数加权分位数回归预测方法, 并将 其应用到供应链需求预测领域,为供应链协同理论研究提供 了新的研究方法[4]。 1 模型假设和符号说明 本文考虑由一个大型连锁零售商和 m 个制造商组成的 多产品供应链系统。零售商根据商品的特性建立不同类别 的供应模式。本文选取具有高易变性需求模式的饮料商品 作为研究对象。假设零售商和制造商都采用周期检查的库 存控制策略;零售商的订货补给周期长度均为 N 天, 且各连 锁分店同时订货;制造商的补给周期也为 N 天; 零售商一旦 缺货,即发生缺货成本, 采取紧急补货策略以高价从制造商 处购买。本文采用单周期提前预测策略, 即当获得新一组观 测到的销售数据时, 应用分位数预测方法预测销售序列, 预 测最新的销售分位数值,并根据最新销售分位数值进行点预 测,得到下一周期的需求预测值。 主要术语和符号如下: ) ) ) 第 i 个制造商 j ) ) ) 零售商采购的第 j 种商品 t ) ) ) 时间序列中第 t 期 H) ) ) H分位数 S) ) ) 事件数据 Sc ) ) ) 例外事件数据 E t ) ) ) 直供系统信息熵 P ijt ) ) ) 制造商 i 在第 t 期生产产品j 发生例外事件数据 Sc的概率 2 基于 CPFR的供应链系统成本模型的建立 在基于 CPFR的供应链系统中, 处于核心企业位置的零 售商实时汇总 POS 数据,并基于 POS 数据, 使用指数加权分 位数回归方法得到由制造商 i 供应的产品j 在第 t 期的初级 需求预测值 y^ ij tc。然后结合供应链系统其他节点企业, 基于 CPFR的协同计划和例外准则输入特例数据,如促销活动、降 价策略等, 对初级需求预测进行调整, 即: y^ij t = y^ ijtc+ Uijt ( S) 其中, Uijt ( S)为事件数据函数。经过调整后得到单一需求预 测值 y^ ijt。然后, 通过 CPFR 的协同计划、例外准则和价值评 估, 利用单一需求预测、供应链系统现有库存及分布信息、库 存策略、产品周转率等数据, 形成单一的订单预测。最后, 零 售商向制造商下达订单,制造商生产产品供应零售商。 211 零售商的成本模型 本文主要考虑零售商的库存持有成本、缺货成本和订货 成本。 1) 零售商库存持有成本 预期零售商在第 t 期末所存储的由制造商 i所供应的商 品 j 的库存水平为: I^ ij t = Iij ( t- 1) + Qij ( t- 1) - y^ ijt ( 2) )137) 上式表示库存水平与前期期末库存水平、前期订货量和 当期预期需求量有关。则零售商在第 t 期的库存平均水平 为: €I ijt = 12 ( I ijt + Qij ( t- 1) - y ijt + Iij ( t- 1) + Qij ( t- 2) - y^ ij ( t- 1) ) ( 3) 则零售商 n 期内总库存持有成本为: CHij = hij @ E n t= 1 €I ij t ( 4) 2) 零售商缺货成本 可计算出零售商在第 t期末对制造商 i订购商品 j 的订 货量为: Q^ ijt = y^ij ( t+ 1) - I^ ij t ( 5) 因订购发生在实际情况之前,所以订购时不允许缺货发 生,不考虑出现缺货情况。而当实际销售中出现缺货现象 时,即: Qij ( t- 1) + Iij ( t- 1) < yij t ,零售商采用紧急补货策略 ,以高 价向相应制造商订购相应商品。设缺货采购单价为 Qijt , 则 缺货成本为: CEij t = Qij t @ QEij t = Qij t @ [ yij t - ( Qij ( t- 1) + I ij ( t- 1) ) ] ( 6) 3) 零售商订货成本 零售商每期订货通过 CPFR 业务系统进行, 所以认为订 货成本为一个定值 Oij。 综上所述,零售商的总成本模型为: TC r = E m i= 1 E k j= 1 E n t= 1 ( CEij t + CHij t + Qij ) ( 7) i = 1, 2 , ,m j = 1, 2, , k t = 1, 2 , ,n 212 制造商的成本模型 制造商与零售商基于 CPFR 模式, 共享单一销售预测与 单一订单预测,因此, 制造商根据零售商下达的订单组织生 产。零售商下达的订单为 Qijt。 1) 制造商生产成本 引入信息熵( Entropy)的概念对基于 CPFR的供应链系统 的预测能力进行稳健性分析。 假设 P ij t为制造商 i在第 t 期生产产品j 发生例外事件数 据 Sc的概率, PR t为核心企业零售商在第 t期发生例外事件数 据 Sc的概率, 则根据信息熵理论, 得到直供系统在第 t 期的 信息熵E ijt I [ 0, 1]为: E ijt = P ij t lnP ij t + PRt lnPRt ( 8) 预测越准确, E ij t的值越接近于, 则制造商 i 越依据订单 生产。而 E ij t值由 CPFR业务系统计算出,并随着业务发展过 程动态更新。 设制造商 i 生产单位产品 j 的成本单价为 Cij ,则制造商 i 供应产品j 的供应成本为: CMijt = Cij @ Qijt ( 1+ Eij t ) ( 9) 2) 制造商库存持有成本 制造商 i在第 t 期末的库存水平为上一期期末库存水平 加上当期生产水平,减去当期零售商订货量, 如果缺货发生, 应予以考虑。得到制造商 i 的库存持有水平为: I Sijt = ISij ( t- 1) + Qij t ( 1+ E ijt ) - Qij t - QEijt L ( Qij ( t- 1) + I ij ( t- 1) < yij t ) = ISij ( t- 1) + Qij t @ E ij t - QEij tL ( Qij ( t- 1) + I ij ( t- 1) < yij t ) ( 10) 其中, L ( ù )为指示函数, 当括号内值为真时函数值取, 否则取。当 t 期零售商发生缺货时, 零售商向相应制造商紧 急订货,则制造商的库存水平会下降。 设制造商 i 在第 t 期的库存平均水平为第 t 期期初库存 与第 t期期末库存的平均值€I ij t , 则制造商 i 在n 期内的库存 持有成本为: CSij = hSij @ E n t= 1 €I ij t ( 11) 3) 制造商订货成本和运输成本 以零售商为核心的 CPFR供应链系统中, 设运输由制造 商负责,运输成本单价为 Lij , 则运输成本为: CTij t = Lij @ Qij t ; 订货成本产生于 CPFR 业务服务器处置订单, 归入零售商成 本模型,在此不再重复计算。 则制造商 i 的总成本模型为: TCSi = E k j= 1 E n t= 1 CMijt + CTij t + CSij ( 12) i = 1, 2 , ,m j = 1, 2, , k t = 1, 2 , ,n 213 CPFR供应链系统总成本模型 综上得到 CPFR供应链系统总成本模型为: TC = E m i= 1 TCSi + TCR ( 13) i = 1, 2 , ,m j = 1, 2, , k t = 1, 2 , ,n 3 两种预测法的供应链系统成本分析 表1 为基于 CPFR的供应链系统的成本模型计算所需参 数。应用指数加权分位数回归预测法和简单指数平滑预测法 进行需求预测所得到的 CPFR供应链系统的成本分析见表2。 表 1 模型参数 参数 IR ( t- 1) hr Qt O C IM( t- 1) hm u 参数值 8 411 10 110 115 10 318 015 表 2 应用两种预测法的供应链系统成本分析 成本类型 零售商 制造商 库存 成本 缺货 成本 订货 成本 制造 成本 库存 成本 运输 成本 系统 总成本 预测 绩效 简单指数平滑 预测法 19970 ) 10 14682 19832 4910 59404 指数加权分位 数回归预测法 19373 ) 10 14432 18782 4815 57412 3135% )138) 戢守峰等: 基于 CPFR的需求预测新方法 ) ) ) 分位数回归预测法 由表 2可知, 使用指数加权分位数回归方法使 CPFR供 应链系统成本节约 3135% , 说明该预测方法更加准确地预测 零售商所面临的需求模式。 4 结束语 本文提出的分位数回归的预测方法通过直接预测销售 序列的分位数,目的是使预测结果更加贴近需求模式真实情 况。在此基础上建立了由零售商的成本模型、制造商的成本 模型和供应链系统总成本模型构成的 CPFR供应链系统成本 模型。应用两种预测法的供应链系统成本分析表明, 指数加 权分位数回归方法更加准确地预测零售商所面临的需求模 式。本文的进一步研究目标是通过实例验证指数加权分位 数回归预测模型的预测精度和有效性。 参 考 文 献 [ 1 ] Koenker RW, Bassett GW. Regression quant iles[ J] . Econometrica, 1978: 33~ 50. [ 2 ] Gorr WL, Hsu C. An adaptive filtering procedure for est imating regression quant iles[ J] . Management Science, 1985: 1019~ 1029. [ 3 ] Engle RF, Manganelli S. CAViaR: Condit ional autoregressive value at risk by regression quantiles [ J] . Journal of Business and Economic Statist ics, 2004: 367~ 381. [ 4 ] James W Taylor. Forecast ing daily supermarket sales using exponent ially weighted quantile regression [ J ] . European Jouranl of Operat ional Research, 2006, 2: 1~ 14. New Forecasting Method Based on CPFR: Exponential Weighted Quantile Regression JI Shou- feng, AI Yan, ZHOU Ha-i yang , LI Zhuang ( Northeastern University, Shenyang 110004, China) Abstract: The article quotes the latest forecasting methods in statistics economics) ) ) exponential weighted quantile regression and is applied to demand forecast model. This model forecasts directly the slewness of the sales series, this can not only avoids the forecast mistakes based on hypothesis of research at present , but also makes the forecast results approach the real results of the demand model . Then, based on demand forecast model, cost models are presented for supply chain system with CPFR. Finally, a contrast amplification is given to illustrate that quantile regression forecast is better than traditional methods in demand forecast. Key words: CPFR; quantile regression; demand forecast; information entropy 责任编辑: 丛衍群 )139) Vol123, No12 管 理 工 程 学 报 2009年 第 2期