SCM计划咨询报告上篇

《SCM计划咨询报告上篇》由会员分享，可在线阅读，更多相关《SCM计划咨询报告上篇（35页珍藏版）》请在装配图网上搜索。

1、仅限内部交流 禁止对外公开TCL集团股份有限公司空调事业部SCM咨询项目报告(上)理论篇二OO四年八月版权所有 翻印必究项目组成员名单项目负责人：马士华项目组成员姓名 单位 职务(职称)马士华 华中科技大学管理学院副院长 物流与供应链管理研究所所长 博士 教授 博士生导师李延晖 华中科技大学管理学院物流与供应链管理研究所 博士陈建华 华中科技大学管理学院物流与供应链管理研究所 博士研究生文 坚 华中科技大学管理学院物流与供应链管理研究所 硕士研究生谭 炜 华中科技大学管理学院物流与供应链管理研究所 硕士研究生董凤娜 华中科技大学管理学院物流与供应链管理研究所 硕士研究生目 录1 项目概述11.

2、1 项目名称11.2 背景与目的11.3 研究的内容11.3.1销售预测建模与优化11.3.2 库存计划优化方法与技术21.3.3 长线材料采购策略优化21.4 文本说明21.4.1 受文对象21.4.2 报告内容32 销售预测的方法与技术52.1 概述52.2 模型与方法62.2.1 简单回归分析62.2.2 多重回归分析102.2.3 经典的时间序列分解法122.2.4 多项式回归分析142.2.5 主观判断法152.2.6 综合预测152.3 数据与流程162.3.1 简单回归分析172.3.2 多重回归分析182.3.3 时间序列分解192.3.4 多项式回归分析202.3.5 综合预

3、测213 库存管理的方法与技术223.1 概述223.2 方法描述233.2.1 计算公式233.2.2 计算表格253.3 数据与流程274 长线物料采购策略优化的方法与技术284.1 概述284.2 模型与方法284.3 数据与流程29附录A 马尔可夫(MARKOV)模型30A.1 概述30A.2基本原理与预测模型30A.3 数据与流程311 项目概述1.1 项目名称TCL空调器（中山）有限公司SCM计划咨询1.2 背景与目的供应链是一个跨企业、跨部门的多组织网络，一个有效的供应链企业计划系统在保证企业能够快速响应市场需求的前提下，系统地集成企业所有的计划和决策业务，包括需求预测、库存控制

4、、资源配置、设备管理、物料需求与采购计划等。同时，现代信息技术的发展为实现业务集成奠定了坚实的基础。一代又一代管理软件的更新，从MRP到MRPII再到ERP，都无一例外地强调了“计划”的重要性并越来越体现了“系统集成”的思想和“供应链管理”的理念。TCL空调器（中山）有限公司作为行业中异军突起的后起之秀，十分善于利用自身的“后动优势”，非常注重企业的信息化建设，并在较短的时间里，在该领域的研发与应用方面取得了一系列里程碑级的成功。目前，该企业正致力于设计、开发本企业的供应链管理(Supply Chain Management, SCM)系统软件。这一软件系统将基于企业已有的信息系统平台，有机地

5、集成CRM、ERP等系统的相关模块，站在供应链管理的战略高度来提升企业的运作绩效。本咨询项目正是在这样的应用背景下产生的。本项目研究的目的在于：为SCM系统软件的设计开发在需求预测、库存控制和采购计划方面提供模型和算法，通过协助SCM软件开发人员完成计划模块的设计与开发，提高模型与算法的正确性、实用性和系统开发的工作效率。1.3 研究的内容1.3.1销售预测建模与优化基于历史数据和现实环境对未来的销售状态进行推断，本研究将在大量收集TCL公司空调事业部(以下简称事业部)的历史数据的基础上，兼顾考虑其它影响产品销售的主要因素，建立产品销售的数学模型，并提出相应的求解算法。应用所提出的模型和算法，

6、工作人员应可以在合理的计算努力下，得到较好的预测结果。数值结果应具有较高的准确性，对于比较复杂的情况，预测结果也应给出具有指导意义的趋势分析。建模与优化的内容主要包括： 事业部整体销售总量预测站在事业部的角度，预测年度及月度销售总量。预测的范围包括国内销售量和海外销售量。为事业部以及相关部门制定年度工作计划提供有利的依据。 产品维度销售量预测依据空调机的功率，将所有机型分为1匹、1.25匹、1.5匹等规格，从产品规格的角度对销售量进行年度和月度预测。为生产和采购部门制定生产和采购计划提供依据。 部门维度销售量预测根据销售部门的不同，预测各部门年度及月度销售量，为部门以及人员的绩效考核提供依据。

7、1.3.2 库存计划优化方法与技术 根据目前计划部门对库存管理存在的困难或矛盾，提出相应的解决对策。所给出的库存计划优化方法与技术应具有较强的实用性和可操作性，要便于实际工作人员理解与应用。1.3.3 长线材料采购策略优化长线材料主要是指压缩机、铜管、铝箔。根据事业部的年度规划、市场销售的实际情况和采购使用情况的预测数据，给出压缩机采购和库存控制策略；给出铜管、铝箔的采购优化策略。1.4 文本说明1.4.1 受文对象本报告仅限内部交流，不对外公开，读者为：(1) TCL空调器(中山)有限公司：公司高层领导，信息管理部负责人及相关项目人员，计划部负责人及相关业务人员，采购部负责人及相关业务人员，

8、海外销售部负责人及相关业务人员； (2) 项目评审委员会：评审专家和领导；(3) SCM系统软件开发方：负责人及软件开发人员；(4) 报告编写者：华中科技大学管理学院物流与供应链管理研究所TCL-SCM计划咨询项目组成员；(5) 其他人员：由TCL空调器(中山)有限公司授权。1.4.2 报告内容本文在供应链管理、物流管理、统计预测、库存理论、计算机程序设计等理论与方法的指导下，对TCL空调器(中山)有限公司SCM计划系统涉及的若干问题从应用的角度进行了深入的研究。全文分为上、下两篇，共十一章，其中上篇理论篇为第15章；下篇实践与算例篇为第611章。主要内容如下：第1章，对项目和报告的基本情况进

9、行概述。介绍了项目的背景和目的，明确了项目研究的主要内容，界定了报告的读者范围，给出了报告的整体结构。第2章，介绍了本项目所使用的销售预测的方法与技术。包括经典的时间序列分解法，简单回归分析法，多重回归分析法，主观预测法和综合预测法。在介绍了各种方法基本原理和计算公式的基础上，还给出了除主观预测法以外的其他方法的算法流程图。第3章，介绍了推动式库存管理的基本原理和方法。在简要介绍了库存管理的基础知识后，给出了多个存储点之间的库存分配计算方法和公式，并给出了基于表格的计算方法和算法流程图。第4章，说明了本项目所采用的采购策略优化的方法和技术。在阐述了常见的经济订货批量(EOQ)模型的限制之后，介

10、绍了一种替代的采购策略优化模型，给出了该模型的应用前提、计算公式和算法流程图。第5章，以TCL空调事业部内销总量为算例，对内销总量进行了销售预测。通过该算例，详细说明了经典时间序列分解法、简单回归分析法、多重回归分析法、主观预测法和综合预测这几种方法的应用过程，并在本章的最后给出了适用于该算例的算法流程图。第6章，给出了分部门销量预测的算例。以杭州销售部为例，对分部门销量预测的过程进行演算，并在本章的最后给出了适用于该算例的算法流程图。第7章，以冷暖1P挂机为例，给出了分规格销量预测的算例，并在本章的最后给出了适用于该算例的算法流程图。第8章，给出了海外销售总量预测的算例。在详细说明了基于行业

11、销量的比率预测法和多项式回归分析法的基础上，给出了考虑主观预测法在内的综合预测体系，并在本章的最后给出了适用于该算例的算法流程图。第9章，以14个主要销售部为例，给出了库存分配方法的实际应用。结合TCL库存结构的特点，引入“虚拟库存”的概念，巧妙地处理了多级多点库存分配的问题，将公司总库存较为合理的分配到各主要中转仓和基地仓。第10章，以铜管、铝箔为例，给出了长线材料采购策略优化的方法。根据TCL采购业务的特点，运用第4章所介绍的知识，对铜管、铝箔两类材料的采购策略进行定量优化，并比较了优化前后平均库存量。第11章，在对整个项目研究和报告进行总结的基础上，对未来进一步的研究与合作进行了展望。最

12、后向相关人员表示诚挚的谢意。报告还包括两个附录：附录A和附录B。其中附录A介绍了马尔可夫(Markov)模型的原理和方法，附录B是相应的算例。该部分内容适用于海外销售的客户关系管理。2 销售预测的方法与技术2.1 概述规划、控制供应链运作需要准确地估计供应链所处理的产品和服务的数量，这些估计主要采取预测和推算的方式获得。同时，由于预测的需求是所有部门进行规划和控制的基础，因此，需求预测水平对企业而言至关重要！任何预测对象的实际观察值都可以由某种模型加某种随机影响确定，即：观察值模型随机项事实上，任何社会经济现象始终存在着不确定性，故随机性总是存在。无论预测方法的使用如何得当，预测模型对历史数据

13、的拟合程度怎样高，观察值于预测值之间仍然会存在偏差。记预测对象的第i个实际观察值为Yi，由预测模型得到的相应的估计值为，则预测的误差为。实际设计预测方案的一项重要任务就是，尽量使误差减少到最低限度，也即尽可能提高预测精度。预测精度的高低，通常采用一些指标评定。若有n个样本数据，则建立预测模型后，就会有n误差。标准统计度量有以下几种形式：(1) 平均误差(Mean Error) (2.1)(2) 平均绝对误差(Mean Absolute Error) (2.2)(3) 误差平方和(Sum of Squared Error) (2.3)(4) 均方误差(Mean Squared Error) (2

14、.4)(5) 误差的标准差(Standard Deviation of Error) (2.5)研究和实践表明，上述各种统计度量指标都有一定的局限性，对于预测模型预测精度的测定，变更的办法是采用相对度量。常用的相对度量指标有以下三种：(1) 百分误差(Percentage Error) (2.6)(2) 平均百分误差(Mean Percentage Error) (2.7)(3) 平均绝对百分误差(Mean Absolute Percentage Error) (2.8)由于在求和过程中，百分误差的正负值会出现相互抵消的现象，采用平均百分误差(MPE)来测定模型精度通常会缩小实际误差水平。因此

15、，在评价模型的预测精度时，常使用的是平均绝对百分误差(MAPE)。2.2 模型与方法2.2.1 简单回归分析客观事物之间常存在着某种因果关系，如工业产品成本的降低常导致利润的上升；某种消费品价格的提高往往造成销售量的下降等。这种因果关系往往无法用精确的数学表达式描述，只有通过对大量观察数据的统计处理，才能找到它们之间的关系和规律。回归分析就是通过对观察数据的统计分析和处理，研究与确定事物间相关关系和联系形式的方法。运用回归分析法寻找预测对象与影响因素之间的因果关系，建立回归模型进行预测的方法，称为因果回归分析法。其特点是，将影响预测对象的因素分解，在考察各因素的变动中，估计预测对象未来的数量状

16、况。按方程中影响预测对象因素的多少，回归分析可以分为简单回归分析法和多重回归分析法。回归分析法在预测中主要用以解决如下问题：(1) 分析所获得的统计数据，确定几个特定变量之间的数学关系形式，即建立回归模型；(2) 对回归模型的参数进行估计和统计检验，分析影响因素对预测对象的影响程度，确定预测模型；(3) 利用确定的回归模型和自变量的未来可能值，估计预测对象的未来可能值，并分析研究预测结果的误差范围及精度。本节将对简单回归分析法做比较详细的说明。如果影响预测对象的主要因素只有一个，并且它们之间呈线性关系，那么可以采用简单回归分析法预测。由于这种方法只涉及一个自变量，也称为一元线性回归分析法。将预

17、测对象作为因变量Y，主要影响因素为自变量X，它们之间的线性关系，从理论上说，能够表述为下述形式： (2.9)式中：和是固定的但是未知的参数，它们反映了变量X与Y之间应该有的一种线性关系；是常数项；是理论回归系数；是那些除X以外，被忽略和(或)无法考虑的因素，被称为随机项。实际上，要得到式(2.9)中参数和的精确值几乎是不可能的，因为通常只有有限的样本数据和情报。利用有限的资料，只能得到参数和的估计值a和b。这样，因变量Y和自变量X之间的简单线性关系就表述为： (2.10)这里，a和b不是象和那样固定的数值，而是能够取多个数值的统计估计值；e是残差项目，也被成为回归余项，它是由于用a+bX估计因

18、变量Y的数值所造成的，是估计值与实际值之间的离差。实际预测时，残差项e是无法预测的，我们的目的是借助a+bX得到预测对象Y的估计值，所以预测模型为： (2.11)式中：a为回归常数，是回归直线的截距。其实际的含义是，若在某一时刻不考虑自变量时，因变量所能达到的数值。b为回归系数，是回归直线的斜率。其实际的含义为，当自变量X每变动一个单位时，因变量Y的平均变动量。对式(2.9)中和进行估计，依照不同的准则，采用不同的统计方法，可以得到不同的数值，因而式(2.10)中的a和b不是唯一确定的。预测中，通常采用最小平方法(Least Squres)，也称为最小二乘法。其准则是，选择的参数a和b要使因变

19、量Y的观察值Yi与估计值之间的离差平方和最小，即：采用最小二乘法，a和b的计算公式为： (2.12)式中：xi为自变量X的第i各观察值；yi为因变量Y的第i各观察值；n为观察值的个数也即样本数据个数；为n个自变量观察值的平均数；为n个因变量观察值的平均数。式(2.12)还可以写成： (2.13)对于预测模型，变量X、Y之间的线性假设是否合理，可以通过回归系数的显著性检验得到判别。回归系数的显著性检验由于要使用参数的t值，因而也称为参数的t检验。参数b的t值计算公式： (2.14)式中：Sb是参数b的标准差：；Sy为回归标准差：；n为样本数量，2是参数数量。服从t分布，即，因此，可以通过t分布表

20、查得显著性水平为(通常为0.05)、自由度为n2的数值。将与比较，若，表明回归系数显著不为0，参数的t检验通过。回归系数显著，说明变量X与Y之间的线性假设合理，这意味着，所选择的自变量能够比较有效的解释预测对象的变化。若，则表明回归系数为0的可能性比较大，参数的t检验未通过。回归系数不显著，说明对于变量X与Y之间的线性假设不合理，意味着模型中的自变量无法较好的解释预测对象的变化，应重新考虑。参数的t检验，考察的是自变量X与因变量Y之间的线性假设的合理性。但预测模型作为一个整体，在一定程度上也反映了变量X与Y之间的统计线性关系，其是否适用于预测，仍然需要检验。回归方程的显著性检验，是利用方差分析

21、所提供的F统计量，检验预测模型的总体线性关系的显著性，也被称为方程的F检验。回归方程F值的计算公式： (2.15)统计量F服从F分布，即。在F分布表中，查找显著性水平为(通常为0.05)、自由度为n1=1, n2=n-2的F值。将F与比较，若，则回归方程较好地反映了变量X与Y之间的线性关系，回归效果显著，方程的F检验通过。这意味着预测模型从整体上适用；若，则回归方程不能很好地反映变量X与Y之间的线性关系，回归效果不显著，方程的F检验未通过。这意味着预测模型不能采用。由于回归平方和在总平方和中的比重能够反映回归模型对样本数据的拟合程度，因此，拟合优度检验就是通过计算拟合优度R2(也称为判定系数)

22、来判定回归模型对样本数据的拟合程度，从而评价预测模型的优劣。R2的计算公式为： (2.16)显然，。R21，表明回归模型对所有的样本数据点完全拟合，即所有样本数据点均落在回归曲线上。R20，表明回归模型无法解释因变量Y的离差，预测模型没有意义。一般情况下，R2越接近于1，表明回归平方和占总平方和的比重越大，回归模型对样本数据拟合程度越高，模型对预测越有意义。通常，R2在0.8以上，可以认为拟合优度较高。2.2.2 多重回归分析现实的社会经济现象，往往不能只由一个影响因素加以解释。根据现象之间的相关关系，建立多个做奴隶的回归模型，当变量间的结构关系在未来无大的变化时，以自变量的预测值(或控制值)

23、求得预测对象的未来值，称为多重回归分析法。由于涉及多个自变量，因此也称为多元线性回归分析法。其原理与简单回归分析法基本相同，只是由于因素的增多，加大了计算工作量，且当各因素之间的关系复杂时，自变量的选择十分困难。多重回归分析法因自变量个数的多少，可分为二重(元)、三重(元)或更多重(元)，在以下的阐述中，以k表示自变量的数量。预测对象作为因变量Y，诸影响因素为自变量Xj(j = 1,2,k)，Y与各个X之间春在的线性关系，理论上可表述为： (2.17)式中：是回归常数；(j = 1,2,k)虽未知但均为某一固定数值，称为回归系数；是除Xj(j = 1,2,k)外的，可以忽略的随机因素，称为随机

24、干扰项。同一元线性回归模型一样，我们是无法得到,(j = 1,2,k)的精确值的，唯一可行的办法是，通过对Y及诸X的大量实际观察值的统计处理，得到其估计值，从而Y与诸X之间的线性关系可以表述为： (2.18)式中：是实际回归常数；(j = 1,2,k)是实际回归系数；e是回归余项，也称为残差项。同样的，回归余项e的变化往往无法预测，因此，实际的预测模型为： (2.19)仍然采用最小二乘法对模型中的参数进行估计，目的是选择参数，使因变量Y的实际观察值与由模型(2.19)所得到的回归估计值之间的离差平方和最小，即使得达到最小。而基本的求解思路是，对上式求偏导，并令其为0，然后求解含有k+1个未知参

25、数的线性方程组，可以得到所需的参数估计值。多重线性回归模型参数估计的计算过程比一元线性回归模型要复杂得多。多元线性回归模型的参数估计可以用矩阵形式表达。式(2.19)写成矩阵形式： (2.20)其中： 式中：b是特定参数向量；e是残差向量，遵从正态分布，即；X是已知的常数矩阵，由自变量的各个观察值构成；Y是已知的常数矩阵，由因变量的各个观察值构成。利用最小二乘法得到参数向量b的估计值为： (2.21)式中：X是矩阵X的转置矩阵，(XX)-1是矩阵(XX)的逆矩阵。多元线性回归模型的回归系数(j = 1,2,k)通过求偏导，得到它们的最小二乘估计值，它们的实际含义为，当其他自变量保持不变，第j个

26、自变量每变动一个单位，引起的因变量的平均变动量。在多元线性回归分析中，对回归系数的显著性检验，也是通过计算各回归系数的t值进行的。回归系数bj的t值计算公式： (j = 1,2,k) (2.22)式中：；根据给定的显著性水平(通常为0.05)，查t分布表中自由度为n-k-1的的临界值tc。将计算的与查得的tc比较，若，则回归系数bj显著地不为0，参数的t检验通过。否则，t检验未通过。同一元线性回归模型一样，多元线性回归模型需要进行F检验，以说明回归方程的回归效果是否显著。回归模型的F统计量计算公式为： (2.23)查F分布表，显著性水平为(通常为0.05)，自由度n1=k, n2=n-k-1，

27、得。将计算的与表中的进行比较。若，则回归方程的线性回归效果显著，模型的F检验通过；否则，F检验未通过，模型没有什么实际意义，不能用于预测。在多元线性回归中，拟合优度R2的计算仍然由式(2.16)确定。2.2.3 经典的时间序列分解法时间序列分解法包括谱分析、经典时间序列分析和傅立叶级数分析等。这里主要采用的是经典时间序列分解法，因为它在数学上比较简单，而且更加复杂的方法也不一定会增加精度。经典时间序列分解法的指导思想是，历史上的销量模式可以分解为四组成分：趋势、季节性波动、周期性变化和随机波动。经典的时间序列分析综合了以下销售变化中的每一种F = TSCR其中：F销量预测 T趋势水平 S季节指

28、数 C周期指数 R残差指数实践中，这个模型常常简化为仅包括趋势和季节性因素。这么做的原因是，好的模型的残差指数等于1.0，因此并不影响预测，而且在很多情况下很难将周期性变化从随机波动中分离出来。令周期指数等1.0并不像想象中那么严重，因为随着新数据的增加，模型常常要更新，而在更新过程中预测者将考虑周期性变化趋势的影响。因此，实际的预测模型通常为： (2.24)式中，是时间序列线性趋势变动部分；是时间序列各月(或季)的季节性指数；t为时间序列编号；T为每个周期所包含的计算期数。建立上述模型，首先要分离出数据的趋势变动部分，即建立线性趋势模型，然后再求出季节性指数。在建立线性趋势模型时，其参数通常

29、采用最小二乘法，运用式(2.12)或式(2.13)可以求出。季节性指数用下式计算： (2.25)式中：Yt为第t期实际观察值；Ft为第t期趋势估计值，由线性趋势模型计算得到。时间序列分解的很多其他方法，都是在上述方法的基础上发展变化而来：有的对线性趋势部分设法进行改进；而有的则侧重于对季节性指数进行改善。例如，对季节性指数进行移动平均，可以得到修正的季节性指数： (2.26)式中：m为样本数据季节周期的个数。但是，总的来说，那些改进的方法，除了对某些特定类型的情况比较具有优势外，一般情况下，其预测精度并不比上述经典的时间序列分解法高很多，而所付出的计算量代价却是巨大的。因此，通常采用上述方法就

30、已经足以代表此类方法的预测精度了。2.2.4 多项式回归分析多项式回归分析是非线性回归分析方法中的一种，主要描述和预测因变量与自变量之间的非线性关系。这里我们主要只介绍一元多项式回归模型。模型的理论形式为：同一元线性回归模型一样，我们是无法得到,(j = 1,2,k)的精确值的，只能得到其估计值，从而Y与诸X之间的非线性关系可以表述为： (2.27)式中：是实际回归常数；(j = 1,2,k)是实际回归系数；e是回归余项，也称为残差项。同样的，回归余项e的变化往往无法预测，因此，实际的预测模型为： (2.28)仍然采用最小二乘法对模型中的参数进行估计，目的是选择参数，使因变量Y的实际观察值与由

31、模型(2.28)所得到的回归估计值之间的离差平方和最小，即使得达到最小。而基本的求解思路是，采用直接变幻法，对k个自变量设以新的的变量，均令其与因变量Y呈线性关系，然后，再采用多重线性回归的参数估计方法确定参数。具体而言，对于模型(2.28)，令：, (2.29)则式(2.28)改写为： (2.30) 式(2.29)与式(2.19)相同，可以按照多重线性回归的方法继续求解。而且，对模型的检验也与多重线性回归相同。2.2.5 主观判断法主观判别法通常也称为厂长(经理)评判意见法，就是由企业的负责人把与市场有关或熟悉市场情况的各部门负责人员(包括主管供销、生产、财务、产品开发与研究等领导人员)和中

32、层管理部门的负责人(包括计划科、销售科、财务科、采购供应科等部门的管理决策人员)召集起来，让他们对未来的市场发展形势或某一重大市场问题发表意见，作出判断。然后，将各种意见汇总起来，进行分析研究和综合处理，最后得出市场预测结果。这种预测方法的主要优点是：(1)迅速、及时和经济，不需要经过复杂的计算，也不需要多少预测费用，就可以及时得到预测结果；(2)由于这种方法集中了各个方面熟悉市场情况的有经验的高中级经营管理人员的意见，因此，可以发挥集体的智慧，使预测结果比较准确可靠；(3)使用这种方法不需要有大量的统计资料，更适合于对那些不可控制因素较多的产品进行销售预测；(4)如果市场情况发生了变化，可以

33、立即进行修正。正因为有如上些优点，所以，这种预测方法得到了广泛的应用。据美国协商委员会对16l家公司使用预测方法进行调查的结果，采用这种方法进行预测的公司占54。在我国，此种方法也得到厂一定程度的应用。这种预测方法的主要缺点是；(1)预测结果容易受主观因素的影响。(2)对市场变化、顾客的愿望等问题了解不深入，预测结果比较一般化。使用这种方法的一个重要前提是：厂长(经理)及参与预测的有关领导人员有较高的知识、较丰富的经验和对市场的洞察能力和分析能力。如果不具备这样的条件，就不能作出正确的预测。厂长(经理)评判意见法的适用性很强，可以在各种场合应用。2.2.6 综合预测虽然前面我们给出了几种可行的

34、预测方法，但是，实际上，没有哪个预测模型在所有的时间都是最好的，相反，综合几个模型的结果可能会使预测值更稳定、更准确。对各种预测模型的信息加以合并的方法之一就是，以各模型的平均历史误差对预测结果进行加权。采用这种方法，没有哪个模型会被彻底的排除在外，也不会完全依赖某个在以前的使用中恰好效果最好的模型。综合预测的数学表述形式为： (2.31)式中：F为综合预测结果；wj为第j种预测方法的权重；Fj为第j种预测方法得到的预测结果；m为预测方法的数量。对于每一组预测数据，上式可写为： (2.32)式中：为第i组综合预测结果；为第j种预测方法中的第i组预测结果。进行综合预测时，最主要解决的问题就是各种

35、预测方法之间的权重分配问题。在给出权重分配的计算方法之前，先对计算过程中使用的各符号进行定义：第j种方法的第i期的误差；第j种方法的平均误差；各方法的总平均误差；第j种方法占总平均误差的倒数。则，第j种方法在综合预测中的权重为： (2.33)式中：；。2.3 数据与流程为便于后面的阅读，先对流程图中使用的图形符号进行约定：数据输入 ：判断过程：处理过程 ：结果输出图中将使用“L.”表示流程模块，其中，“L”表示模块；“”表示流程图编号；“.”表示模块编号。例如在简单回归分析流程图中，“L1.2参数估计”表示简单回归分析的第2个模块为参数估计，依此类推。2.3.1 简单回归分析图2.1 简单回归

36、分析的算法流程图2.3.2 多重回归分析图2.2 多重回归分析的算法流程图2.3.3 时间序列分解图2.3 时间序列分解法的算法流程图2.3.4 多项式回归分析图2.4 多项式回归分析的算法流程图2.3.5 综合预测图2.5 综合预测的算法流程图3 库存管理的方法与技术3.1 概述传统意义下的库存是指存放在仓库中的物品，是指像蓄水池中的水一样的暂时派不上用场的备用品。管理者们一般认为，库存的存在有利有弊。一方面，它占用了大量的资金(物品本金及利息、场地费用、管理费用等各种库存维持费用)，减少了企业利润，甚至导致企业亏损；另一方面，它能够有效地缓解供需之间的矛盾，使生产尽可能均匀，有时甚至还有“

37、居奇”的投机功能，为企业盈利。现代的部分观点认为：处于闲置状态的资源就是库存！事实上，从更广泛的意义而言，除了物品，其他各种资源如人力、机器、资金、信息等，都有闲置状态，也就都有库存。不同资源的库存问题研究方式不同，我们这里只讨论传统意义下的库存问题。库存管理主要有两种基本思想：拉动式库存管理法(Pull Inventory Management Philosophy)和推动式库存管理法(Push Inventory Management Philosophy)。拉动式库存管理思想认为每一个存储点都独立于渠道中其他所有的存储点。相应的，在预测需求、决定补货量时都只考虑本地的因素，而不直接考虑各

38、个存储点不同的补货量和补货时间对成本的影响。仔细考查拉动式库存管理法，我们不难发现：如果各地的库存单独进行决策，那么补货批量和补货时间不一定能够与生产批量、经济采购批量等很好的协调起来。虽然如此，该方法却可以对每一个存储点的库存进行精确的控制，因此，该方法仍然具有较广泛的应用。一项研究表明，拉动式库存管理思想在供应渠道的零售环节特别普遍，超过60%的耐用消费品和将近40%的非耐用消费品都采用该方法补货。很多制造企业和原材料供应商则采用推动式库存管理法。这些企业根据每个存储点的预测需求、可用的空间以及其他一些标准来分配补货量。其中，库存水平的设定是根据整个仓库系统的情况统一决定的。一般来说，当采

39、购或生产的规模经济收益超过拉动式管理法实现的最低总库存水平带来的收益时，就可以采用推动式库存管理法。此外，为了更好的进行整体控制，可以集中管理库存，利用生产和采购规模经济来决定库存水平以降低成本，在总体需求的基础上进行预测，然后分摊到每个存储点来提高准确性。推动式库存管理法也非常适用于生产数量超过短期需求量的情况。如果由于缺少仓储空间或其他原因，产品无法储存在生产地点，那么就需要将多余的产品分拨到存储地点，以期获得一定的成本节约。为此，我们需要确定以下问题：在每一个存储点需要保持多少库存？一批生产应分配到各个存储点的库存是多少？超过需求的供给量在各存储点之间怎么分摊？3.2 方法描述3.2.1

40、 计算公式仓库系统中，第j个仓库第t+1期的期初库存(也就是第j个仓库第t期的期末库存)按下式计算： (3.1)式中：为第j个仓库第t+1期的期初库存； 为第j个仓库第t期的期初库存； 为第j个仓库第t期的库存分配量； 为第j个仓库第t期的库存销售量，也即需求量。而库存分配量按下式计算： (3.2)式中：为第j个仓库第t期的净需求； 为系统本期过剩产量分配到第j个仓库的数量；净需求按下式计算： (3.3)式中： 为总需求： (3.4)为预测需求；为安全库存；其中为预测误差的标准差，为本期该仓库在正态分布曲线的z值，表示正态分布曲线从预测均值到曲线下面与库存现货供应水平相对应的点所代表的标准差的

41、倍数。例如：假设库存现货供应水平为90%，则z=1.28，其含义如图3.1。图3.1 预测需求与安全库存的z值过剩产量分配量按下式计算： (3.5)式中：为本期总过剩产量，计算公式如下： (3.6)式中：为本期总产能。综合式(3.1)(3.5)，我们有： (3.7)实际应用时，由于我们在对仓库系统进行库存安排的时候，还无法确切地知道实际需求，因此，通常假设，故实际应用时，式(3.6)变换为： (3.8)3.2.2 计算表格为了更好地理解上节介绍的内容，下面给出基于表格的计算过程。表3.1 库存规划的基础数据存储点j期初库存预测需求需求标准差现货供应水平(例)z值(例)190%1.28295%1

42、.65390%1.28上表仅列出了3个具体的仓库，实际计算的时候，仓库数量可能多于3个，我们在表中用省略号表示。表中第2、3、4列给出的是计算符号和公式，而为了便于读者理解，我们在上表中的最后两列数据给出的是实际的例子，并用(例)加以区别。后面的计算是基于上表中数据、符号和公式的，因此，在下表中的z值将与上表中的仓库一一对应。表3.2 库存分配表存储点j(1)总需求(2)期初库存(3)=(1)-(2)净需求(4)过剩产量分配(5)=(3)+(4)总分配量(6)期末库存123注：；注：该项为验算；注：假设。3.3 数据与流程图3.2 库存分配计算流程图4 长线物料采购策略优化的方法与技术4.1

43、概述TCL空调事业部的长线材料一般包括压缩机、铜管、铝箔等，本项目对这些材料均进行了调研。由于压缩机目前主要受供应厂家供应方面的限制，而且，据估计这种供应紧张的局面在未来2年内不会有大的改善。因此，本次项目研究不将该物料作为主要研究对象，而主要研究对象为铜管、铝箔。虽然下面给出的计算方法理论上也适用于压缩机，但是由于上述的原因，本次研究仅给出大致的压缩机采购策略。在压缩机采购方面，我们比较赞同目前采购部采取的做法：在年度规划的基础上，先一次性向压缩机供应商提供一个年度的需求规划，并首先对通用规格的压缩机进行备料，其数量大致为本事业部年度总需求量的10%，在日后的运作过程中，再根据实际供应市场和

44、生产的需要，及时与压缩机供应商进行沟通，随时争取获得所需规格和数量的产品。下面就铜管、铝箔的采购策略优化理论与方法进行必要的介绍。4.2 模型与方法传统的经济订货批量（）模型为： 公式（4-1）其中：计划年度物料的总需求量；每次订货发生的费用；物料单位成本；物料单位储存费用率（单位：元/件年）公式（4-1）包括两个成本因素：订货成本与单位库存成本。但是这些成本的数据通常都是无法准确获得的，所以传统模型存在较大的缺陷。对同一个物料系列，通常假设单位库存成本对所有物料都相同；同时，订货成本对该组物料往往实际上也是相同的。所以，公式（4-1）可写成： 公式（4-2）其中：批量系数，无量纲；年所需物料

45、的总价值或所需物料年使用量金额（）；计划年度物料的总需求量；物料的单价。使用公式（4-2）的方法，两个前期的预处理是：（1） 同类物料可以进行分组处理；（2） 用物料的价值而不是数量来进行优化，这样做的目的在于便于在不同物料之间统一计算单位。另外，由公式（4-2）可以导出关系式： 公式（4-3）其中：一类物料中物料的需求量总价值；一类物料中物料目前年平均订货次数。根据公式（4-2）和（4-3），可以通过计算得到用“价值（使用金额）”形式表示的物料采购批量。此时，再除以相应物料的单价，就可以得到“数量”形式的采购批量。订货次数也可以据此计算得到（年订货次数）。可见，无需知道订货成本与库存持有成本

46、的具体值。4.3 数据与流程暂略附录A 马尔可夫(Markov)模型A.1 概述马尔可夫（Markov）模型预测是利用概率建立一种随机型时序模型进行预测的方法。它将时间序列看作一个随机过程，通过对事物不同状态的初始概率和状态之间转移概率的研究，确定状态变化趋势，以预测事物的未来。TCL外销量的变化，是以月为单位离散化的，各月的外销量是随机的，且实施“四旬滚动计划”，如果某一旬的订单数量已知，则以后各旬的订单量只与该旬的订单状况有关，而与该旬以前的任一旬的订单状况无关。所以，该系统符合Markov链，可以用Markov链模型来进行预测与决策。但是由于数据原因，我们无法按照TCL外销的实际数据进行

47、演算，在此只能简要介绍该方法，提供一种预测的新思路。A.2基本原理与预测模型Markov过程基本原理：按照某系统的发展，时间可以离散化为对每个系统的状态可用随机变量表示，并且对应一定的概率，称为状态概率。当系统由某一阶段状态转移到另一阶段状态时，在这个转移过程中，存在着转移的概率，称为状态转移概率。如果转移概率只与目前相邻两状态的变化有关，即下一阶段的状态只与现在状态有关而与过去无关，那么这种离散状态按照离散时间的随机转移系统过程，成为Markov过程。数学表述如下：设某系统每个阶段含有个可能状态：（1）该系统的初始阶段状态记为向量，系统第阶段的状态向量记为，两相邻系统由现有状态变到的状态转移

48、概率为，由构成的矩阵称为系统状态转移矩阵，记为，即，的第行表示系统现阶段处于状态，下阶段转移到状态的概率，所以，。这里，不同阶段的状态向量分别为：，（2）假设系统发展过程状态向量满足条件：，则系统处于稳定状态。为状态转移矩阵的不变向量，记，且满足条件：有限个Markov过程的整体称为Markov链。Markov链的运动变化分析，主要是分析研究链内有限Markov过程的状态及其相互关系，进而预测链的未来状况。用Markov链进行经济预测，最基本的问题和步骤是：1） 构造状态并确定相应的状态概率；2） 由状态转移写出转移概率矩阵；3） 由转移概率矩阵推导各状态的状态向量；4） 在稳定条件下，进行分析、预测、决策。A.3 数据与流程暂略