多层次 CPFR 的协同预测模型的构建与研究

《多层次 CPFR 的协同预测模型的构建与研究》由会员分享，可在线阅读，更多相关《多层次 CPFR 的协同预测模型的构建与研究（11页珍藏版）》请在装配图网上搜索。

1、精品论文多层次 CPFR 的协同预测模型的构建与研究王文正 1，唐金环 21. 东南大学经济管理学院，南京(211189)2. 东北大学工商管理学院，沈阳(110004）E-mail: wangwzh , tangjinhuan-hot摘要：CPFR 能帮助合作伙伴建立比较准确的预测和高效的补给计划，在高水平服务的前提下扩大销售并降低库存。通过一系列业务流程的实施，制订共同的销售和运作计划，并通 过电子化的交流与沟通合作修改销售计划和补给计划，从而提高计划的准确性，有效地降低 成本，改善合作伙伴关系和顾客满意度。本文介绍了最新的库存控制策略：合作计划、预测 与补给（CPFR），重点研究了基于组

2、合预测模型的联合预测流程。第四节通过对实例的分析， 提出了联合预测流程中组合预测模型建立和选择的一般过程，并证明了组合预测模型的有效 性，实现了较高精度和稳定性的预测目的。关键词：CPFR，供应链管理，组合预测模型1研究背景和内容1.1 研究背景CPFR 自实施以来在国外得到迅速的推广，许多项目取得了巨大的收益,它包括：对消 费者需求的快速反应、增加预测精度、持续改善合作关系、增加销售收入、减少库存、提高 促销效率、改善订单周期的可预测性、提高周转频率、增加信息的精度、减少缺货、提高交 货的可靠性、实时的信息共享。Surgency 咨询公司的供应链主管，前沃尔玛执行官 Ron Ireland

3、帮助沃尔玛在其与 Warner-Lambert CPFR 项目的实施阶段将防腐剂的供货水平从 87%提高到98%，提前订货期由 21 天缩短为 11 天，库存天数减少两周，从而使订单更为稳定，产品周 期更为平滑，以致该产品的销售收入增加$8,500,000,000,商品和促销计划的联合通信得以加 强。CPFR 的实施提升了合作伙伴持续改善的合作关系，持续改善的合作关系增加了合作成 功的可能性，扩大信息共享的范围，将 CPFR 的合作层次逐步推向战略合作的阶段，为供应链的进一步整合奠定了坚实的基础。在由美国百货制造商委托进行调查报告显示位列 CPFR项目收益的第一位是伙伴间合作关系的改善。一些成

4、功实施 CPFR 的外国企业已经有许多进 入了中国市场，直接与中国同类厂商展开竞争，因此中国的厂商非常有必要提高其供应链和 协作水平，了解、掌握并逐步实施 CPFR1。1.2 总体思路和框架本文主要研究内容为 CPFR 相对于其他供应链管理技术的共同点和区别。并着重研究CPFR 的预测流程以及预测模型，相应的提出实施多层次 CPFR 预测的信息系统研究。 本文分五节，第一节绪论，简单介绍 CPFR 当前国内外的应用研究现状；第二节 CPFR理论，分析得出 CPFR 是实施高效供应链管理的行之有效的技术；第三节供应链下需求预测 的相关理论，将组合预测的概念引入多层次 CPFR 预测机制中来；第四

5、节提出多层次 CPFR 预测模型的构建，并构建基于组合预测和误差校正的组合预测模型，通过对实例来分析多层 次 CPFR 的流程。第五节总结与展望，提出进一步的研究建议- 11 -2CPFR 的相关理论2.1 CPFR 的概念本文对 CPFR 的定义描述为：CPFR 既是一种理念，又是一系列活动和过程，它帮助合 作伙伴建立准确预测和高效的补给计划，使得在高水平的服务上扩大销售并降低库存。CPFR 通过一系列合作伙伴认同的业务流程，制订共同的销售和运作计划，并通过电子化的交流与 沟通合作修改销售计划，从而提高计划的前瞻性和准确性，有效地减少事后性带来的高成本。 其 3 条指导性的原则为：合作伙伴框

6、架结构和运作过程以消费者为中心；合作伙伴共同开发 单一、共享的消费者需求预测系统；合作伙伴均承诺共享预测信息并共担风险。从功能角度讲，CPFR 分为三部分，即：联合计划、联合预测和联合补货。联合计划是 CPFR 的战略阶段，这期间有两个任务：一是设定合作的商业目标和合作范 围，指定各方在合作中的角色和责任义务；二是异常机制的确定。联合预测是 CPFR 的核心，预测的精确程度是 CPFR 能否实施成功的关键。预测结果偏 低会导致促销期间客户的需求不能满足从而带来销售量的损失，而预测结果过高会产生不必 要的库存，增加成本。因此，准确的需求预测是有效补货，有效生产安排的基础，也是降低 生产、物流运输

7、成本，增加销售额的前提。联合补货通过使用实际的销售数据来进行预测消除了 CPFR 合作方数据的不一致性，同 时选取经过实践的有效的模型进行预测，并且在联合计划确定的合作框架和异常处理机制 下，对出现异常的预测结果通过协商，来达成一致的预测结果，以此作为生成订单和制定生 产计划的决策依据。联合预测中的预测结果是由合作方进行协商后达成的一个折中的预测结 果。2.2 CPFR 的流程按照 VICS 颁布的 CPFR 的指导模型，CPFR 的流程2如下图 1：图 1 CPFR 流程图(1)达成一个通用业务协议：CPFR 各方共同建立合作关系的指导方针和合作规则；(2)发展联合业务计划：各方在考虑他们各

8、自的组织战略，规定各方在合作中的作用、目标 和战术的基础上发展一个业务计划；(3)进行销售预测：合作的一方利用零售商 POS 数据、因果关系信息和已计划事件信息，创 建一个初始的销售预测，这个预测也是其他各方进行预测的基线； (4)识别销售预测的例外情况；识别步骤（1）中协议约定的销售预测约束之外的项目； (5)例外项目的解决/合作：各方协商调整销售预测；(6)进行订单预测：利用 POS 数据、因果关系信息和库存策略，生成一个支持共享销售预测 和共同业务计划的订单预测； (7)识别订单的例外情况：识别分布在订单预测约束之外的项目； (8)订单的例外情况的解决/合作：如果必要，各方通过协商调整订

9、单预测； (9)生成订单：合作的一方将预测的订单转变为一个严格的订单；2.3 CPFR 与其他 ECR 技术的比较寻求供应链整体库存成本最低是库存模式发生演变的推动力,根据供应链中各节点企业 的合作程度的高低，可以得出结论：供应链库存管理模式的演进，经历从单纯的交易处理到 企业的协同计划决策的过程，从而逐渐地转移到整体的供应链库存管理上来。整个供应链的 库存不再隶属于供应链中的某一企业核心企业，其管理控制权由供应链整体协同计划决 定。这种控制权的转移表明供应链中库存所有权与控制权的分离，从而保证供应链中各库存 主体从系统协作的思想出发，进而保证整体库存的成本削减、风险的降低和供应链的稳定性。

10、进一步对供应链库存管理模式的比较分析将会更清楚地发掘供应链整体库存的管理内涵以及更优的管理模式。下表 1 简单归纳了 CPFR 与其它 ECR 技术的比较。起源时 间表 1 CPFR 与其他 ECR 技术的比较主导方补货原则预测方法优点存在问题VMI20C80零售商基于库存水 平的方差零售商预 测基于 POS降低采购成本 和零售商仓库 库存先于 VMI 使用单向、不透明，未 实现整个供应链 优化 单向、不透明，未CR20C90供应商连续补货的算法实行POS 数据实现整个供应链优化JMI20C90CPFR1995零售商 和供应 商合作 零售商 和供应 商合作基于 POS 数 据和历史数 据基于

11、POS 数 据和历史数 据联合预测 联合预测克服 VMI 的单 向以及不透明加强企业整 合，异常管理不支持内部决策 支持系统和自动 异常管理 信息共享的难度 大，预测精度难以 保证3. 多层次 CPFR 预测模型的构建3.1 CPFR 的预测流程CPFR 的联合预测强调的是对 CPFR 合作项目中产品的未来销售量产生一个经过协商的 统一的预测结果3并以此供应商制定生产计划，零售商进行订单预测。联合预测的关键是预 测结果异常的识别和异常的解决。其流程如图 2 所示。在 CPFR 中，预测异常定义为各方预测结果的差异，其识别是通过在联合计划阶段，根 据共同确立的商业目标制定联合预测异常的标准，这主

12、要根据两方面的因素进行综合衡量：第一，所预测需求量的规模，如果 CPFR 中合作项目为高产量或高收益的项目，那么应该经 常地对预测结果加以监控，相应的制定较为严格的异常标准；第二，CPFR 联合预测的资源约束，资源包括预测的人员数量、可供支配的信息支持系统等你们。联合预测异常的分析从两个方面进行：一方面，CPFR 各方检查各自预测流程是否出现 问题，同时确定预测数据的完整性和及时性，通过各自检查的结果，进行修改再次进行预测； 另一方面，在协商会议上，对 CPFR 各方使用的预测模型进行分析，如果预测结果的差异是 由于模型的不同而产生的，那么其预测的结果需要通过协商来达到预测结果的统一，并且该

13、结果应该是一个双方皆可以接受的预测结果。本文侧重讨论的就是这个预测结果协商统一的 过程及决策依据。3.2 组合预测图 2 CPFR 预测流程CPFR 预测要保证供应链各方预测结果的一致性和精确性，故考虑到以下方面原因：(1)由于供应链各自的利益的影响，其对预测结果的偏好是有差异的，因此不可能简单的接受某 一方的预测结果；(2)供应链成员对需求预测的知识和经验的不同使得其预测模型的构建以 及利用的信息也不尽相同，因此通过组合预测可以充分利用现有的信息，达到对需求更精确 的预测4；(3)功能产品的需求可以假设为平稳或者是一阶平稳，因对于功能性产品的需求比 较稳定，通过数据的整理，其同季节的变化趋势

14、也满足一定的趋势。本文使用如图 3 的 CPFR 的联合预测流程，这样在保持 CPFR 联合预测的优良合作机制 的同时，加入了组合预测的思想，这样对预测结果的分析不仅仅是当产生异常地时候才进行，而是承认各方预测的预测结果和预测知识的基础上，通过组合预测模型的运用来保证预测精度。图 3 基于组合预测的 CPFR 联合预测流程图3.2.1 组合预测模型组合预测从 20 世纪 80 年代以来，在不同的预测实践中得到广泛的研究。以下为集中具 体的组合方式5，回归组合模型：f ct(5)n= wi f it(3-1)i =1因为该模型假设各单项预测方法 fit 为无偏估计，考虑只有当 w0 = 0 为

15、f ct 才是无偏估计量，同时该模型还假设单项预测方法不存在自相关性，即已经包含了 yt 1 的信息。对式中权重估价有最小方差和估计（OLS）似线性回归最小方差和估计（RLS）。(1)最小方差权重估计（OLS）对W = 1k 的估计量为：LW = S 1 X y其中， S = X X ，残差为 e=y-XW(3-2)(2)似线性回归最小方差和估计（RSL）权重估计量6如式，3-3，3-4 所示： 似线性回归模型为：Y = XW + eRW = 1权重估计量为：(3-3)12w = A11X Y + A(3-4)其中，A12 = S1 R (RS1 R ) 1，A11 = S S 11R (RS

16、1 R ) 1 RS 1，其中，S = X X 。3.2.2 组合预测误差的校正模型回归组合预测模型的误差校正考虑从对预测对象和因变量的观测值进行中心化和标准 化的处理。采用从对单项预测方法的位置偏置和尺度偏置的角度对组合预测进行校正。对位置偏置的误差校正，对预测对象观测值和单项预测值中心化，变量数据作平移或尺度变换不影响其相关性，对式(3-2)进行中心化处理得:Y y = 1 ( f1t f1t ) + L + k ( f kt f kt ) + 式中 权重通过 OLS，RLS 或者斯坦规则进行估计。式（3-5）整理：Y = y (1 x1 + L + x ) + 1 X 1 + L + X

17、 + = 0 + 1 X 1 + L + X + (3-5)(3-6)3.3 CPFR 预测模型的构建根据预测对象的特点，CPFR 的方法预测分为两种：单向预测与组合预测方法。单项预 测方法有三条原则:第一，尽量利用 CPFR 中成员现有的预测方法；第二，增加基于不同信 息来源的单项预测;第三，根据预测对象的统计特征和预测周期选择系统性能良好的方法。 单向预测方法选择的一般步骤为：检验预测对象的平稳性，对变量进行单位根的检验。平稳 性检验的方法为：考察数据图形，如果图形呈现无规则变动并反复这种状况，说明数据主要 由随机趋势支配，检验不带有趋势项只带有常数项的形式；如果数据呈现随时间快速增（减）

18、 的趋势时，说明时间趋势占绝对支配的地位，检验由趋势项和常数项两部分组成7然后进一 步检验趋势项或常数项的显著性，以确定最后的检验形式。检验结果表明所有变量是单整序数（见表 2）。表 2 销售量单位根检验结果变量(C,t,q)(ADF 统计量)（C，t,q）（PP 统计量）Demand（C，0，0）-2.966902*（C，0，0）0.242444DemandDemand Demand（C，0，1）（C，1，1）（C，0，1）-1.872174-5.066347*-6.512871*（0，0，1）-6.187079注：C,t,q 分别为常数项、趋势项、滞后阶数;*,*分别表示在 10%、5%、

19、1%的显著水平下是显著的对预测产品的历史销售数据进行 ADF,检验是否平稳，进行如下回归：kYt= 0 + 1t + 2Yt 1 + 3i Yt i + ii =1(3-7)并作检验假设： H 0 : 2 = 0 ； H1 : 2 n20） 的销售量的预测是基于对 1（n-1）周的历史数据的拟合。表 5 单项预测绝对平均差汇总时间MAFIT自相关_1自相关_10420 拟合段2632572092092125 预测2332182832442630 预测240224415295注：MA移动平均；FIT趋势性平滑；自相关_11 步外推预测；自相关_1010 步外推预测4.2 简单组合模型分析我们将实

20、例的简单组合模型的拟合和预测阶段的平均绝对误差计算汇总，如下表 6 所示。我们加入一阶滞后的预测效果分别对简单平均和考虑预测的相对性能的两种组合方式 而言，其预测效果相差不大，这是因为单项方法已经考虑到了销售量自相关的因素，故加入 部分信息并不能明显改善预测效果。表 6 简单组合预测绝对平均差汇总简单组合预测avrgavrg_ymvarvar_y420 预测2362452302362130 预测2352452372422630 预测241236260254注：avrg简单组合；avrg_y加入一阶滞后；mvar仅考虑单项预测相对性能的最小方差组合预测模型；mvar_y包含滞后量的方差倒数组合预

21、测模型。上表进一步证明拟合效果可能带来过于乐观的估计预测效果。由于 mvar（单项预测相 对性能的最小方差组合预测模型）组合考虑的单项预测方法拟合误差平方和的倒数为其组合权重，因此随着时间的变化，预测的偏差大于简单平均组合。4.3 回归组合模型分析在本例中我们可以发现回归组合模型有着良好的稳定性，并且预测精度相对很高。表 7明了的展现了这些优点。表 7 回归组合预测绝对平均差汇总回归组合预测OLSOLS_YRLSRLS_YSTNSTN_Y420 预测1871891861842242382130 预测1861741541382442392630 预测729735396391236244注：OLS

22、、RLS、STN 对应的是不带滞后项的最小方差和、似线性回归、斯坦估计规则；OLS_Y、RLS_Y、STN_Y 为包含滞后量的回归组合模型的最小方差和、似线性回归、斯坦估计规则估计。其中，斯坦估计的 非样本信息取简单平均模型的权重。本文概括回归预测的几个特点如下：(1)组合预测的精度超过单项预测和简单组合模型。在 2125 预测评价区间，通过组合 预测模型，只有 STN_Y(加入滞后的斯坦估计)预测精度（平均绝对误差 238）接近简单平均（平均绝对误差 235），其他 OLS、RLS、STN 估计均取得超出简单平均的预测精度，其中 最好的预测模型 RLS_Y 相对于最好的简单加权平均模型，平均

23、绝对误差减少 41%,预测精度达到 94.5%（2125 周，预测观测期的销售量平均为 2420，1 238 2420 = 94.5 ）(2)通过权重的归一化处理，达到对多重共线性的良好处理，无论是在五步外推的 2125 周还是十步外推的 2630 周，RLS 估计的预测误差均小于 OLS 估计。尤其是 2630 周， OLS，OLS_Y 估计的误差分别达到了 31.9%，为 32.2%（2630 预测观测期的销售量平均 为 2280）(3)斯坦估计的稳定性得到充分的显示，在十步外推的预测观测区间，不带滞后的斯坦 估计预测误差只有 OLS、RLS 的 33%和 66%，带滞后的估计分别为 32

24、.5%、61%。但是在2125 周，其预测精度稍劣于 OLS、RLS 估计。(4)滞后量的引入对组合预测性改善并不明显。4.4 考虑单项预测偏差的组合模型组合模型考虑通过单项预测方法的位置和尺度偏置，采用误差校正模型进行位置和尺 度校正，表 8 为误差校正后的预测结果。表 8 误差校正模型预测结果汇总回归组合预测OLS_1OLS_2RLS_1RLS_2LS_STN1LS_STN2420 拟合段1932331882382062332125 预测4362381712361741922630 预测716282673277421284注：OLS_1，RLS_1，LS_STN1只处理位置偏置，分别采用

25、OLS，RLS，斯坦正权重估计；OLS_2，RLS _2，LS_STN2同时处理单项预测方法的位置偏置和尺度偏置。(1)只处理位置偏差的组合校正模型并不能提高模型的稳定性，预测的精度超过单项预测和简单组合模型。预测精度超过单项预测和简单组合模型。而且只有斯坦估计的组合预测模型在 2125 周内预测精度得到提高，因此在本例中不适合采用位置偏置的预测模型。(2)同时考虑位置偏置和尺度偏置的组合模型大大提高了预测的稳定性，预测的精度超 过单项预测和简单组合模型。预测精度达到了简单平均的组合模型的效果。这是由于，通过 标准化处理后，削弱了单项预测之间的共线性，从而提高了多步外推的预测性能。5 结论多层

26、次 CPFR 是解决供应链系统中独立库存模式导致的需求放大现象，大大改善供应链 的供应水平和运作效率，提高供应链同步化程度的一种有效方法。本文着重于研究建立基于 组合预测模型的多层预测流程，确定了预测异常界定的流程和异常处理的组合模型，从而为 CPFR 联合预测流程处理由于预测模型的差异而引起的预测异常提供了科学的决策机制，进 一步提高了联合预测的准确性和稳定性。CPFR 作为最新、目前最有效的供应链整合技术，对于快速发展的中国市场存在着巨大 的价值，但是国际上 CPFR 实施失败的教训也很多，所以怎样实施 CPFR 技术就成为目前研 究的重心，本文的研究主要致力于多层次 CPFR 实施的战略

27、选择以及预测模型的建立，只是 从一个方面透析了 CPFR。虽然目前 CPFR 还处在萌芽阶段，但 CPFR 正在被广大的生产销 售厂商所接受 ，随着物流业的兴起，CPFR 必将为供应链上库存管理带来一次新的革命。参考文献1 Wenjie,Yuan Yufei,Archer N,et al.,Critical Factors for CPFR Success in the Chinese RetailIndustry J Volume: 2005，4 (3):23 一 39 Journal of Internet Commerce.2 WenJie, GuanJian, YuanYuFei Sh

28、anghai Maya,http:/www, pads-net ET al.，CPFR and Its Application in org/m4v 1，htm, 2004-9-11.3 Katz M, Bobbin H D, A closer look at CPFR processes: Working with forecast exceptions J，InternationalJournal of Physical Distribution&Logistics Managementl 2000, 41(10):78 一 824 徐立鸿，施建华，基于对象定量和定性信息的组合预测控制J，

29、自动化学报，1997 23(2): 257-260 5 唐小我，曾勇，组合预测误差校正模型的应用分析L，管理科学学报，2002,5(6):53-646 KazuhiroOhtani An MSE comparison of the restricted Stein-rule and minimum mean squared error estimators Estadistica a Investigacion Operativa Test,in regression J Sociedad de 1998，7(2):359-3747 王少平，宏观计量经济学研究现状与展望J，经济学动态，2003

30、 . (9) 48-528 Chase B,R,Aquilano J,N,Jacobs F,R Operations Management for Competitive Advantage (e9) M，Research and Design on Multi-echelon CPFRs CollabrativeForecasting ModelWang Wenzheng1，Tang Jinhuan21. School of Economics & Management Southeast University, Nanjing (211189)2. Scholl of Business A

31、dministration Northeastern University, Shenyang (1100004)AbstractCPFR can help partners to establish more accurate forecasting and effective replenishment planning. Itcan increase sales and reduce inventory while maintaining high-level service. Based on a series of business processes, the partners s

32、et up the sales and operation plan. The sales plan and replenishment plan are updated by means of electronic communication, which improves the accuracy of planning and effectively reduces the cost, at the same time, it has significant effect on improvement of partnerships and customer satisfaction.

33、The study puts forward the latest strategy of inventory control under ASCM further, the Collaborative Planning, Forecasting and Replenishment (CPFR), focuses on research of practicing combination forecast models analysis and construction for CPFR. Further more, on the fourth chapter, one practical example is presented to illustrate the normal process and prove the efficiency combination forecasting model.Keywords：CPFR, Supply chain management, combination forecast model