陳雪松 許長(zhǎng)旺

摘? 要：決定庫(kù)存高低的首要因素是預(yù)測(cè)準(zhǔn)確度，只有在合適時(shí)間生產(chǎn)存放適量的貨物才能使得倉(cāng)庫(kù)不儲(chǔ)存額外的貨物，也不會(huì)因預(yù)測(cè)失誤而備有錯(cuò)誤的貨物，無(wú)法滿足客戶訂單。因此，提高預(yù)測(cè)精度可以削弱了牛鞭效應(yīng)對(duì)供應(yīng)鏈需求扭曲的影響，保持合理的庫(kù)存水平，降低企業(yè)經(jīng)營(yíng)風(fēng)險(xiǎn)。該文針對(duì)潤(rùn)滑油產(chǎn)品短期銷售預(yù)測(cè)精度不高的情況，通過(guò)采用季節(jié)因子分析法對(duì)某產(chǎn)品進(jìn)行預(yù)測(cè)推導(dǎo)，結(jié)合銷售預(yù)測(cè)，優(yōu)化短期預(yù)測(cè)計(jì)劃的一致性，為其他具有類似特點(diǎn)的產(chǎn)品短期銷量預(yù)測(cè)提供參考。

關(guān)鍵詞：庫(kù)存? 短期? 預(yù)測(cè)? 季節(jié)因子

中圖分類號(hào)：TE626 ? ? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1672-3791（2020）09（a）-0204-04

Abstract： The primary factor in determining the level of inventory is the accuracy of forecasting. Only by producing and storing the right amount of goods at the right time can the warehouse not store additional goods， nor will it have wrong goods due to forecast errors， and cannot meet customer orders. Therefore，Improving the prediction accuracy can weaken the bullwhip effect's influence on supply chain demand distortion， maintain a reasonable inventory level， and reduce the business risks. Aiming at the low precision of short-term sales forecast of lubricating oil products， this paper uses seasonal factor analysis to predict and deduce a certain product， combines with sales forecast， optimizes the consistency of short-term forecast plan， and provides reference for short-term sales forecast of other products with similar characteristics.

Key Words：? Inventory; Short term; Forecast; Seasonal factor

庫(kù)存可以預(yù)防需求與供應(yīng)的波動(dòng)。如果銷售需求增大而又不能及時(shí)增加生產(chǎn)量適應(yīng)這個(gè)變化時(shí)，庫(kù)存可以提高用戶服務(wù)水平即持有一定量的庫(kù)存有利于調(diào)節(jié)供需之間的不平衡，保證企業(yè)按時(shí)交貨和快速交貨，能夠避免或減少由于庫(kù)存缺貨延遲帶來(lái)的損失，這些對(duì)于企業(yè)改善客戶服務(wù)質(zhì)量都具有重要作用。而決定庫(kù)存高低的首要因素是預(yù)測(cè)準(zhǔn)確度，只有在合適的時(shí)間生產(chǎn)并存放適量的貨物才能使倉(cāng)庫(kù)不儲(chǔ)存額外的貨物，也不會(huì)因預(yù)測(cè)失誤而備有錯(cuò)誤的貨物，無(wú)法滿足客戶訂單。企業(yè)的需求預(yù)測(cè)按照覆蓋時(shí)間的長(zhǎng)短可以分為長(zhǎng)期預(yù)測(cè)和短期預(yù)測(cè)。長(zhǎng)期預(yù)測(cè)一般為年度總計(jì)劃，涵蓋了產(chǎn)品的大類和大區(qū);短期預(yù)測(cè)為較為精確的近期計(jì)劃，專注于3個(gè)月內(nèi)的需求情況，一般精確到月，某些產(chǎn)品還會(huì)精確到周。長(zhǎng)期預(yù)測(cè)的優(yōu)化只能解決年度總需求量的問(wèn)題，中短期的預(yù)測(cè)精確度才是決定企業(yè)庫(kù)存高低的直接因素。該文主要討論短期預(yù)測(cè)計(jì)劃的一致性優(yōu)化。

1? 某企業(yè)產(chǎn)品需求預(yù)測(cè)現(xiàn)狀分析

潤(rùn)滑油產(chǎn)品短期需求預(yù)測(cè)準(zhǔn)確度不高是導(dǎo)致庫(kù)存居高不下原因之一，以某潤(rùn)滑油企業(yè)為例，生產(chǎn)的產(chǎn)品規(guī)格多，促銷政策不確定且較多，市場(chǎng)需求波動(dòng)劇烈，預(yù)測(cè)方法與實(shí)際情況不夠完善，銷售計(jì)劃準(zhǔn)確率比較低（見(jiàn)表1）。表1是選取連續(xù)3個(gè)月的銷售預(yù)測(cè)和實(shí)際銷售情況進(jìn)行分析，其中|w|為計(jì)劃準(zhǔn)確率誤差絕對(duì)值。從表1中可知，2018年1月|w|≤20%的產(chǎn)品品種占比12.01%，產(chǎn)品噸數(shù)占比14.30%;2018年2月|w|≤20%的產(chǎn)品品種占比11.26%，產(chǎn)品噸數(shù)占比29.58%;，2018年3月|w|≤20%的產(chǎn)品品種占比7.57%，產(chǎn)品噸數(shù)占比11.64%。綜上分析，產(chǎn)品品種數(shù)量和產(chǎn)品銷售噸數(shù)計(jì)劃準(zhǔn)確率都比較低，需要進(jìn)一步地提升預(yù)測(cè)準(zhǔn)確率。產(chǎn)品的品種數(shù)量和產(chǎn)品的銷售噸數(shù)計(jì)劃準(zhǔn)確率都比較低，需要進(jìn)一步提升預(yù)測(cè)準(zhǔn)確率。

2? 潤(rùn)滑油產(chǎn)品ABC分類

ABC庫(kù)存管理法是按照帕累托理論中主次因素的劃分原理，將存貨按價(jià)值的大小進(jìn)行分類的結(jié)果，對(duì)不同類別的存貨釆用不同的管理策略，通過(guò)分類管理，達(dá)到主次管理有序，相關(guān)管理成本降低的目的。主要的劃分思路是：A 類存貨的數(shù)量占存貨總數(shù)量的 5-15%，但價(jià)值卻占到庫(kù)存總價(jià)值的70-80%;B 類存貨的數(shù)量占倉(cāng)存貨總數(shù)量的15-25%，但價(jià)值占存貨總價(jià)值的15-25%;C類貨物的數(shù)量占存貨總數(shù)量的60-80%，但價(jià)值只占到庫(kù)存總價(jià)值的5-10%。參照ABC分類方法，對(duì)企業(yè)產(chǎn)品銷量進(jìn)行ABC分類。如表2所示，某企業(yè)產(chǎn)品符合ABC分類原則，其中A類產(chǎn)品需求量相對(duì)穩(wěn)定，是主打產(chǎn)品，在進(jìn)行預(yù)測(cè)的時(shí)候不需要過(guò)多關(guān)心報(bào)廢，這也造成了它的短期預(yù)測(cè)由于直接使用銷售預(yù)測(cè)而受到牛鞭效應(yīng)的影響最嚴(yán)重。因此探索使用科學(xué)理論和公式化方法對(duì)短期預(yù)測(cè)進(jìn)行推導(dǎo)，推導(dǎo)而來(lái)的結(jié)果與提供的銷售預(yù)測(cè)進(jìn)行比對(duì)，如果有較大偏差，相關(guān)單位溝通協(xié)商，調(diào)整需求預(yù)測(cè)量，從源頭上減低需求預(yù)測(cè)對(duì)庫(kù)存的影響。為了方便研究，筆者從中選取了季節(jié)性特點(diǎn)的Z產(chǎn)品為代表，采取季節(jié)因子分析方法進(jìn)行預(yù)測(cè)推導(dǎo)，力圖得到穩(wěn)定的需求模型，以消減牛鞭效應(yīng)的影響，并推而廣之，為其他A類具有一定季節(jié)性產(chǎn)品提供借鑒。

3? Z產(chǎn)品短期需求預(yù)測(cè)優(yōu)化

已知Z產(chǎn)品2016年和2017年每月的產(chǎn)品銷售數(shù)據(jù)，利用季節(jié)因子和線性回歸分析方法，推導(dǎo)2018年月需求預(yù)測(cè)量，并與實(shí)際產(chǎn)品月銷售量進(jìn)行對(duì)比，驗(yàn)證預(yù)測(cè)方法準(zhǔn)確性。

首先，計(jì)算月平均值。將2016年和2017年進(jìn)行同期平均得到月平均銷量，將全部24個(gè)月銷量進(jìn)行平均得到歷史平均值187.5，用月平均處以歷史平均得到季節(jié)因子，如表3所示。

其次，將2016年和2017年歷史數(shù)據(jù)去季節(jié)化。用月銷量分別處以當(dāng)月季節(jié)因子，得出24個(gè)月的去季節(jié)化結(jié)果，具體見(jiàn)表4。

用結(jié)果進(jìn)行線性排列，使用excel的線性圖表得到函數(shù)公式（見(jiàn)圖1），Y=-2.91x+223.90，其中Y是月銷量，x是從數(shù)據(jù)開(kāi)始日期起的月數(shù)，如2016年1月期數(shù)是 1，2017年12月期數(shù)為24。

按照現(xiàn)行函數(shù)公式向后推算未來(lái)12個(gè)月，并還原季節(jié)因子影響。將x從25～36帶入公式得到2018年12個(gè)月的線性滾動(dòng)月度預(yù)測(cè)。將所得結(jié)果分別乘以每月的季節(jié)因子，還原成帶季節(jié)特征的預(yù)測(cè)數(shù)值。使用平均絕對(duì)誤差率檢測(cè)預(yù)測(cè)準(zhǔn)確度，預(yù)測(cè)質(zhì)量精確度來(lái)跟蹤衡量和校正未來(lái)需求預(yù)測(cè)。平均絕對(duì)誤差率等于100%減去預(yù)測(cè)精度。通過(guò)2018年1～12月銷售預(yù)測(cè)量、推導(dǎo)預(yù)測(cè)量、實(shí)際銷售量可以得出銷售預(yù)測(cè)平均絕對(duì)誤差率及推導(dǎo)預(yù)測(cè)平均絕對(duì)誤差率，具體見(jiàn)表5。

經(jīng)過(guò)上述結(jié)果對(duì)比可以看出，2018年產(chǎn)品推導(dǎo)預(yù)測(cè)平均絕對(duì)誤差率比2018年產(chǎn)品銷售預(yù)測(cè)平均絕對(duì)誤差率要小很多，并表明2018年產(chǎn)品推導(dǎo)預(yù)測(cè)準(zhǔn)確率較高。同理可以推測(cè)得到2019—2020年的需求預(yù)測(cè)，需要注意的是由于季節(jié)因子需要用新的數(shù)據(jù)帶入不斷更新，由此產(chǎn)生的需求預(yù)測(cè)如果過(guò)長(zhǎng)，難免會(huì)產(chǎn)生越來(lái)越大的偏差，只能應(yīng)用于近短期預(yù)測(cè)推導(dǎo)，并且需要使用預(yù)測(cè)準(zhǔn)確度跟蹤工具，結(jié)合實(shí)際需求情況，分析校正季節(jié)因子和需求預(yù)測(cè)，進(jìn)一步提高提高短期需求預(yù)測(cè)的準(zhǔn)確性。通過(guò)對(duì)多個(gè)產(chǎn)品的計(jì)算結(jié)果進(jìn)一步證明了此方法的適用性，能夠提高具有季節(jié)性特點(diǎn)的產(chǎn)品需求預(yù)測(cè)準(zhǔn)確度。

4? 結(jié)語(yǔ)

基于對(duì)歷史大數(shù)據(jù)分析，通過(guò)對(duì)A類產(chǎn)品的短期需求預(yù)測(cè)入手，利用A類產(chǎn)品需求穩(wěn)定、數(shù)量大、具有季節(jié)性等特點(diǎn)，分析其線性化關(guān)系，通過(guò)季節(jié)法找到需求趨勢(shì)，再與銷售實(shí)際情況相結(jié)合，能夠做出比較準(zhǔn)確的短期需求預(yù)測(cè)計(jì)劃，有助于減少牛鞭效應(yīng)的影響，優(yōu)化整體庫(kù)存。同時(shí)，結(jié)合企業(yè)庫(kù)存?zhèn)湄浄桨?，能夠?yàn)樵撍驹牧喜少?gòu)、生產(chǎn)排產(chǎn)安排、庫(kù)存?zhèn)湄浀忍峁┛煽康匦枨笮畔?，合理分配企業(yè)資源，進(jìn)一步消除浪費(fèi)，保證產(chǎn)品的及時(shí)交付。

參考文獻(xiàn)

[1] 張佳榕.西北潤(rùn)滑油銷售公司庫(kù)存管理改善策略研究[D].蘭州大學(xué)，2016.

[2] 朱石超.Z集團(tuán)B銷售分公司成品油庫(kù)存控制研巧 [D].北京交通大學(xué)，2016.

[3] 肖良.基于季節(jié)性ARIMA模型的居民消費(fèi)水平預(yù)測(cè)[J].統(tǒng)計(jì)與決策，2016（8）：83-86.

[4] 金淳，曹迪，王聰，等.汽車(chē)零部件第三方物流倉(cāng)儲(chǔ)需求量集成預(yù)測(cè)模型[J].系統(tǒng)管理學(xué)報(bào)，2018，27（6）：1157-1165.

[5] 沈杰，楊忠月，喬吉良.基于季節(jié)性時(shí)間序列模型的林業(yè)產(chǎn)值預(yù)測(cè)分析[J].南京林業(yè)大學(xué)學(xué)報(bào)：自然科學(xué)版，2018，42（5）：185-190.

[6] 趙彥軍，陳玉.時(shí)間序列分析方法在物流需求預(yù)測(cè)中的應(yīng)用[J].物流科技，2017，40（6）：12-14.