综述：统计方法和人工智能在制造业库存管理中的作用：一项系统性的文献综述

《Frontiers in Big Data》：The role of statistical methods and artificial intelligence in inventory management for manufacturing industries: a systematic literature review

　　摘要
库存管理是影响制造公司运营效率和竞争力的关键业务流程。不准确的库存决策可能导致公司遭受重大财务损失。需求的不确定性给确定库存水平带来了挑战，需要更复杂、更灵活的预测方法。本研究旨在探讨统计方法和人工智能（AI）在制造业库存决策中的作用，分析每种方法适用的条件，并评估结合统计方法和AI的混合方法的潜力。本研究采用系统文献回顾方法，并遵循PRISMA 2020框架，以确保研究的透明度和准确性。研究从Scopus索引的权威数据库中筛选文章。研究结果表明，库存管理领域的研究发生了显著变化：在过去十年中，AI技术占据了62.5%的文献份额，统计方法占25%，而混合方法仅占12.5%。根据对选定论文的回顾，统计方法在数据稳定和需求模式明确的情况下仍被证明是有效的；而在数据量大、模式复杂的动态运营环境中，AI技术更为优越。研究还发现，混合方法在平衡准确性、可解释性和决策支持方面具有巨大潜力，尽管相关文献仍较为有限。然而，技术在制造业中的应用面临诸多障碍，包括数据质量有限、技术技能缺口以及复杂AI的“黑箱”特性。本综述系统地总结了统计方法、AI和混合方法在制造业库存管理中的应用模式和操作适应性。未来研究应重点开发可解释的AI、模块化混合框架，并利用真实行业数据，以确保学术创新能够应用于制造业。

1. 引言
库存管理是供应链管理中的关键过程，直接影响运营效率、成本和客户满意度（Aburto和Weber，2007；Ahmed等人，2024；Albayrak ünal等人，2023；Jauhar等人，2024；Tang等人，2023）。在全球化时代，预测需求和优化库存水平已成为企业竞争力和可持续性的关键因素（Ahakonye等人，2024；Danach和Dirani，2024）。企业必须能够识别并利用每一个机会（Jauhar等人，2024）。关于购买原材料或成品的种类、数量和时间的决策高度依赖于库存预测的准确性（Aburto和Weber，2007）。库存管理不善可能导致生产和需求之间的不匹配（Ahakonye等人，2024；Ahmed等人，2024）。库存积压会导致存储和维护成本浪费，以及库存损坏的风险（Affonso等人，2024；Ahakonye等人，2024；Van Steenbergen和Mes，2020；Walter等人，2025）。此外，缺货还会增加交货延迟和订单履行失败的风险（Ben-Daya和Hassini，2019）。因此，改进库存预测应成为企业的优先事项（Ben-Daya和Hassini，2019；Danach和Dirani，2024）。长期以来，ARIMA模型、指数平滑法和基于正态分布的方法被用作库存预测的基础，因为它们相对简单、透明且易于在库存政策制定中实施（Aburto和Weber，2007；Kourentzes和Trapero，2020；Spiliotis等人，2022）。然而，多项研究表明，纯统计方法对需求模式的快速变化适应性不足，常常导致库存估计偏差（Affonso等人，2024；Kourentzes和Trapero，2020；Tang等人，2023）。在库存预测过程中，企业面临各种挑战，如历史数据有限、价格和消费者行为驱动的需求波动以及竞争对手策略的变化（Aburto和Weber，2007；Van Steenbergen和Mes，2020；Walter等人，2025）。此外，零售层面的微小需求变化可能在批发、分销和制造层面引发大幅波动，这种现象称为“牛鞭效应”（Aburto和Weber，2007），这使得高效的库存管理更加困难（Aburto和Weber，2007）。因此，开发更先进和适应性更强的预测方法对于应对高需求不确定性至关重要。大数据时代的到来大幅增加了个人产生的数据量，推动了人工智能（尤其是机器学习、深度学习和强化学习）的发展（Liu等人，2025）。人工智能（AI）是一种旨在理解和模仿人类行为和智能的计算机系统（Salani和Tapfuma，2025），为提高工业领域需求预测的准确性和可靠性创造了新机会（Jauhar等人，2024；Walter等人，2025）。AI技术可以改变工业流程，特别是在库存管理方面，从计划和调度到优化（Ahakonye等人，2024）。早期，AI主要补充统计方法，尤其是利用神经网络技术捕捉ARIMA或指数平滑法无法建模的非线性模式（Aburto和Weber，2007）。然而，AI的作用日益复杂，基于AI的方法（如随机森林和分位数回归森林）可以提供点估计，并通过区间估计量化需求不确定性（Van Steenbergen和Mes，2020）。然而，AI在库存管理中的应用也存在局限性和挑战，企业可能面临内部技术专长不足和重视成本削减而非快速创新的传统商业文化（Wu等人，2025）。此外，实施AI需要高质量、干净且相关的数据（Gutierrez等人，2025）。模型解释和决策信心也是需要解决的问题，因为许多AI算法是“黑箱”，难以向运营管理者解释（Goltsos等人，2022；Walter等人，2025）。另一方面，高度复杂的AI模型在处理波动和不稳定的需求数据时也存在过拟合风险（Spiliotis等人，2022；Tang等人，2023）。因此，近期文献越来越多地强调结合统计方法和AI适应能力的混合模型的应用（Aburto和Weber，2007；Affonso等人，2024）。通过混合方法，企业可以在保持统计方法透明度和实施便利性的同时，利用AI捕捉非线性模式和处理高不确定性的能力（Affonso等人，2024；Tang等人，2023）。因此，库存预测方法的发展不仅应关注提高预测准确性，还应关注提高模型的适用性和可解释性，以支持管理决策（Goltsos等人，2022；Walter等人，2025）。虽然已有许多关于人工智能在供应链管理中应用的综述，但很少专门针对库存预测（Toorajipour等人，2021）。先前的研究表明，AI模型（如深度学习和机器学习）可以提高需求预测的准确性（Albayrak ünal等人，2023；Walter等人，2025）。这些综述表明，AI研究主要集中在预测方面，而较少关注利用这些预测来设定安全库存、再订购点、服务水平或解决牛鞭效应（Albayrak ünal等人，2023；Walter等人，2025）。本文的主要研究空白是缺乏全面整合传统统计方法和AI技术以支持库存管理决策的研究（Albayrak ünal等人，2023）。以往的研究倾向于关注AI提高准确性的能力，但很少综合分析统计方法和AI方法的预测结果如何影响库存积压和缺货的风险（Toorajipour等人，2021；Walter等人，2025）。此外，需求不确定性、各方法的局限性以及它们在支持库存决策方面的优势之间尚未在综合综述中进行系统探讨。这一空白为研究统计和AI在制造业库存管理决策中的作用提供了机会。基于这一研究空白，本研究旨在评估统计方法和AI方法在支持制造业库存决策中的作用，并确定AI方法优于传统统计方法或反之的情况。此外，本研究还将讨论结合统计方法和AI方法的混合策略。此外，本研究还将探讨未来研究应解决的在库存决策中实施统计方法和AI方法的主要障碍。本综述不仅总结了趋势，还系统地总结了方法论模式、操作适应性和文献中的未解决空白。

2. 材料与方法
本研究采用结构化方法，使用特定方法和材料来识别和分类相关文献。综述主要遵循PRISMA（系统综述和荟萃分析的优先报告项目）2020框架（Page等人，2021）。PRISMA方法被广泛认为是报告系统综述和荟萃分析的全球标准，为提高系统综述的透明度和准确性提供了最新指南（Efendi和Shao，2025）。PRISMA旨在确保文献的识别、筛选、评估和纳入过程系统化且记录清晰，有助于减少综述研究中的选择偏差（Abyaneh等人，2025；Baryannis等人，2019）。PRISMA方法分为四个阶段（Efendi和Shao，2025）：（1）确定研究问题（RQ），（2）确定论文来源，（3）搜索符合RQ的论文，（4）分析搜索结果。选择PRISMA方法而非其他方法（如叙述性综述），是因为它被公认为系统综述研究的国际标准（Page等人，2021）。该方法具有系统框架，研究阶段透明度高，论文筛选明确，适用于不同类型的研究，兼容现代数据库，有助于审稿人验证系统综述的有效性，并强调纳入论文的质量（Page等人，2021）。

2.1 确定研究问题（RQ）
本系统综述提出了关键问题，以探讨统计方法和AI在库存管理中的作用。这些问题主要集中在：
RQ1：过去十年中，统计方法和AI方法在制造业库存决策中是如何应用的？
RQ2：在哪些运营条件下，AI方法优于传统统计方法，反之亦然？
RQ3：现有文献在多大程度上探讨了结合统计方法和AI的混合方法？这些方法的优势是什么，它们面临哪些挑战？
RQ4：未来研究中优化统计方法和AI在库存决策中整合的技术挑战、局限性和建议是什么？

2.2 根据研究问题收集和选择相关文章
关于统计方法和AI在供应链管理中应用的研究已经非常丰富，但专门针对制造业库存管理的研究仍然有限。本研究的主要目标是分析Scopus索引的研究期刊。数据库搜索于2026年1月进行，涵盖2015年至2025年的出版物。所有文章必须可全文获取且为英文撰写。为确保全面识别相关文献，通过出版商网站进行搜索，未补充手动查阅参考文献列表或更广泛的学术数据库（如ScienceDirect和Google Scholar），并使用一致的关键词组合。从ScienceDirect和Google Scholar获得的结果与通过出版商网站收集的结果有很大重叠。符合所有搜索渠道纳入标准的文章显示出一致性，从而确认最终选择是稳健的，不受搜索界面选择的影响。鉴于这种重叠，重点关注Scopus索引的期刊体现了以质量为导向的纳入标准，确保所有审查的文章都经过了严格的同行评审。符合这些标准的文章通过纳入和排除方法被选中。最终数据集包含所有符合纳入标准的出版物。符合这些关键词的文章将进一步进行审查。此外，表1中显示的选择标准明确了这些文章的纳入和排除参数。关键词集如下：表1

纳入标准：
- 发表在2015-2025年之间的论文
- 不是2015-2025年期间发表的论文
- 全文论文
- 未包含全文的论文
- 用英语撰写的论文
- 用非英语语言撰写的论文
- 发表在Scopus索引期刊上的论文
- 未发表在Scopus索引期刊上的论文

排除标准：
- 研究论文
- 书籍、评论、短文、杂志文章、会议论文
- 未涉及使用统计方法、人工智能（AI）或两者结合的制造业库存管理的论文

纳入和排除标准：
TITLE-ABS-KEY (“库存管理”) AND (“需求预测” OR “库存优化”) AND (“人工智能” OR “机器学习” OR “深度学习” OR “强化学习” OR “ARIMA” OR “移动平均” OR “统计方法”) AND (“制造业”)

研究选择过程分为几个阶段进行，以减少选择偏差并提高透明度。首先，根据发表年份、语言、文档类型和数据库范围筛选检索到的记录。其次，删除重复记录。第三，审查标题和摘要，以确定其与使用统计方法、AI或混合方法进行制造业库存管理的相关性。如果文章关注的是更广泛的供应链主题而没有明确的库存管理内容，或者讨论的预测技术没有与库存相关决策联系起来，则将其排除。第四，通过全文审查确认剩余文章是否符合预定义的纳入标准。当出现不确定性时，作者之间会讨论资格决定，最终通过共识确定是否纳入。

研究人员通过使用特定类别和关键词搜索，在Scopus索引的期刊中找到了210篇论文。然后，他们仅选择了2015至2025年期间发表的英文论文，共173篇。经过筛选后，研究人员发现了15篇重复论文并予以删除，剩下158篇。在排除了几篇非期刊文章和会议论文后，剩下118篇论文用于进一步分析。接着，通过评估每篇论文的相关性并审查其摘要以确定其是否适合库存管理，最终确定了62篇相关论文。在此筛选之后，研究人员对行业范围进行了详细审查。研究重点关注制造业。经过全面评估，选择了32篇论文进行进一步分析。图1展示了文章的纳入和排除过程，图2说明了使用PRISMA方法进行的研究过程。此外，表2提供了这些论文的详细概述，包括参考文献、出版商、出版日期、方法和引用次数，全面展示了所审查的文献。

图1 文章选择流程图
图2 使用PRISMA方法的系统文献回顾研究过程
表2 这些论文的详细信息，包括参考文献、出版商、出版日期、方法和引用次数

参考文献和出版日期：
出版商 Scopus索引 引用次数
1. Fattah等人 (2018) Sage Q2 286
2. Jaipuria和Mahapatra (2019) Emerald Q2 113
3. Hajek和Abedin (2020) IEEE Q1 89
4. Kourentzes和Trapero (2020) Elsevier Q1 171
5. Salinas等人 (2020) Elsevier Q1 915
6. Tliche和Taghipour (2020) Elsevier Q1 136
7. Gammelli等人 (2022) Elsevier Q1 139
8. Kim等人 (2022) MDPI Q2 169
9. Preil和Krapp (2022) Springer Q1 167
10. Spiliotis等人 (2022) Springer Q2 92
11. Li等人 (2023) Taylor & Francis Q1 113
12. Wahedi等人 (2023) MDPI Q2 13
13. Affonso等人 (2024) Elsevier Q1 19
14. Ahakonye等人 (2024) Elsevier Q1 11
15. Bo和Xu (2024) IEEE Q1 11
16. Danach和Dirani (2024) IEEE Q1 13
17. Jackson和Jesus Saenz (2024) Taylor & Francis Q1 18
18. Jauhar等人 (2024) Taylor & Francis Q1 16
19. Kumar等人 (2024) Elsevier Q2 15
20. Pasupuleti等人 (2024) MDPI Q2 11
21. Sagaert和Kourentzes (2024) Elsevier Q1 11
22. Singh和Mishra (2024a) Springer Q1 11
23. Singh和Mishra (2024b) Taylor & Francis Q1 11
24. Sukolkit等人 (2024) Elsevier Q1 15
25. Aiello等人 (2025) Elsevier Q1 11
26. Arvind等人 (2025) IEEE Q1 10
27. Karpagavigneswari和Kamali (2025) Springer Q2 28
28. Kumar和Khedlekar (2026) Springer Q2 29
29. Liu等人 (2025) Sage Q1 13
30. Raouf等人 (2025) Elsevier Q1 10

2.3 质量评估
我们根据定义的质量标准评估选定的研究，以提高结果的可靠性。我们使用Kitchenham等人（2015）提出的指南对选定的论文进行严格的质量评估。质量标准检查表包含以下问题：
- 是否有明确陈述定义研究的目标和目的？
- 是否有充分的描述来证明研究领域的选择是合理的？
- 研究方法是否适合实现研究目的？
- 该方法实现结果的可行性如何？
- 结果的报告是否清晰且连贯？
- 该研究对研究和实践是否有价值？

如果描述不清楚，论文得分为0 = 否；如果有部分描述，得分为0.5 = 部分；否则，得分为1 = 是。我们在第3.1节中讨论了每项研究的得分。质量评估由两位独立评审员进行。

质量评估不仅是为了记录选定研究的方法学适当性，也是为了支持综合分析的解释。从Kitchenham等人（2015）改编的检查表被认为适合本次评估，因为所包含的研究在分析设计、建模方法和实际应用方面存在差异，因此灵活且广泛适用的检查工具比特定设计的工具更为合适。这六个标准用于评估每项研究是否明确陈述了其目标，证明了研究背景的合理性，应用了适当且可行的方法，清晰连贯地报告了结果，并为研究或实践提供了价值。评估结果并非用于排除研究，而是用于评估证据基础的总体稳健性，并解释从综合分析中得出的结论的强度和局限性。

3 分析与综合
3.1 质量评估结果
使用第2.3节中定义的六个标准（QC1–QC6）对32篇选定研究的质量进行了评估。每个标准的得分分别为1（是）、0.5（部分）或0（否），每项研究的最高总分为6分。表3的结果表明，大多数选定研究获得了较高的质量分数。三十项研究明确界定了其研究目标（QC1），为所选研究领域提供了充分的理由（QC2），采用了适当的研究方法（QC3），应用了可行的方法来获得结果（QC4），清晰连贯地报告了结果（QC5），并展示了对研究和实践的价值（QC6）。四项研究因两个标准的部分满足而得分较低，六项研究得分为5.5分（满分6分）。

表3
参考文献 QC1 QC2 QC3 QC4 QC5 QC6 得分
1. Fattah等人 (2018) 10.5 1 1 10.5
2. Jaipuria和Mahapatra (2019) 1 1 1 11
3. Hajek和Abedin (2020) 1 1 1 11
4. Kourentzes和Trapero (2020) 1 1 1 11
5. Salinas等人 (2020) 1 1 1 11
6. Tliche和Taghipour (2020) 1 1 1 11
7. Gammelli等人 (2022) 1 1 1 11
8. Kim等人 (2022) 1 1 1 11
9. Preil和Krapp (2022) 1 1 1 11
10. Spiliotis等人 (2022) 1 1 1 11
11. Li等人 (2023) 1 1 1 11
12. Wahedi等人 (2023) 1 1 1 11
13. Affonso等人 (2024) 1 1 1 11
14. Ahakonye等人 (2024) 1 1 1 10.5
15. Bo和Xu (2024) 1 1 1 10.5
16. Danach和Dirani (2024) 1 1 1 10.5
17. Jackson和Jesus Saenz (2024) 1 1 1 11
18. Jauhar等人 (2024) 1 1 1 11
19. Kumar等人 (2024) 1 1 1 11
20. Pasupuleti等人 (2024) 1 1 1 10.5
21. Sagaert和Kourentzes (2024) 1 1 1 11
22. Singh和Mishra (2024a) 1 1 1 11
23. Singh和Mishra (2024b) 1 1 1 11
24. Sukolkit等人 (2024) 1 1 1 11
25. Aiello等人 (2025) 1 1 1 11
26. Arvind等人 (2025) 1 1 1 10.5
27. Karpagavigneswari和Kamali (2025) 1 1 1 10.5
28. Kumar和Khedlekar (2026) 1 1 1 11
29. Liu等人 (2025) 1 1 1 11
30. Raouf等人 (2025) 1 1 1 11

总体而言，质量评估表明选定的研究质量从满意到高质量不等，平均得分约为5.8分（满分6分）。没有一项研究的得分低于5分，这突显了本次系统回顾所选文献的可靠性和严谨性。质量评估的结果对综合分析也有重要意义。鉴于没有研究的得分低于5分，平均得分约为5.8分，整个证据基础在方法学上足以进行趋势、方法学角色和实施挑战的叙述性综合。然而，这些得分不应被解释为所有发现都具有相同的强度。由于一些研究在研究背景的合理性、可行性讨论的局限性或实际价值的阐述较弱，因此关于从统计方法向AI转变的结论在样本中得到了相对较好的支持，而关于特定混合配置的优越性或实际效果的结论则因此类研究数量有限以及报告深度不均而较为谨慎。

3.2 综合
从32篇选定文章中提取数据，并使用Gephi生成关键词网络，以揭示所选文章之间的联系。这种可视化分析突出了当前的研究趋势，并指出了未来研究的潜在空白。图3展示了使用Gephi从32篇选定文章生成的关键词共现网络。节点代表从选定文章中提取的关键词，边表示同一研究内关键词之间的共现关系。网络通过颜色编码区分两种主导的方法学流派：橙色节点表示与统计方法相关的关键词，蓝色节点表示与基于AI的方法相关的关键词。橙色和蓝色集群之间的相对稀疏连接从视觉上证实了本回顾中识别出的研究空白，即系统结合统计和AI方法的综合框架在文献中仍不发达。蓝色集群的扩展比橙色集群更密集，进一步反映了出版趋势分析中观察到的定量变化（图4），其中基于AI的研究现在占审查文献的62.5%。

图3 从系统过程中得出的关键词映射
图4 基于（a）出版年份和（b）方法的文献集合的描述性统计分析

在收集了各种相关文章后，下一步是分析和综合数据。这旨在描述整体关系和联系，并识别不同研究之间的关系（Toorajipour等人，2021）。收集的文章发表于2015至2025年之间。然而，由于2015年、2016年、2017年和2021年发表的文章均不符合所有纳入标准，因此选定的文章是2018年至2025年间发表的，排除了2021年的文章。图5显示，所有选定的文章都来自声誉良好的期刊，其中22篇来自Scopus Q1索引期刊，其余10篇来自Q2期刊。

图5 按季度划分的文章

关于在制造业中应用统计和AI的出版物持续增加。按年份划分的出版物详情如下：2018年（3.1%）、2019年（3.1%）、2020年（12.5%）、2022年（12.5%）、2023年（6.3%）、2024年（37.5%）和2025年（25%）。此外，本文根据用于库存管理的方法对文章进行了分类，即以AI应用为主的文章（62.5%），其次是统计方法（25%）和混合方法（12.5%）。混合方法是在单一框架内结合统计和AI技术的策略。因此，仅讨论统计和AI进行比较的文章不被视为混合方法。图4显示了按出版年份和方法分类的文章结果。图4a显示了按出版年份选择的文章百分比。同时，图4b显示了按库存管理方法分类的文章分布。

基于对选定文章的综合分析，图6显示了过去8年中库存管理研究方法的变化。早期研究主要集中在强调需求时间序列建模和预测准确性评估的经典统计方法上。随着2019年的开始，关于库存管理中AI的文献开始出现，但仍然有限。随后，随着数据可用性的增加、计算能力的提升以及行业对更适应性库存系统的需求增加，AI的应用激增，直到2025年。讨论AI的文章在2024年出现得最为频繁。单独应用统计和AI存在局限性。统计和人工智能（AI）可以结合使用以弥补各自的弱点。因此，使用统计方法和AI进行库存管理的研究始于2022年，但仍然有限。最新的文献以基于AI的方法为主，而混合方法是对单一技术方法局限性的回应。

图7 显示了符合纳入标准的所有文章中，34.38%由Elsevier发表，21.88%由Springer发表。接下来，Taylor & Francis和IEEE各占12.5%。其余文章来自MDPI、Sage和Emerald出版社，分别占9.37%、6.25%和3.12%。仔细观察数据，文章来自27种不同的期刊，其中大部分来自IEEE Access（4篇）、Taylor & Francis International Journal of Production Research（3篇）、Springer Annals of Operations Research（2篇）、MDPI Applied Sciences（2篇），其余23种期刊各贡献了1篇。

图7 按出版商类型划分的出版物数量

选定文章具有显著的影响，这从引用次数可以看出。最具影响力的文章是Salinas等人（2020年）发表在《国际预测杂志》上的文章，被引用了1,915次。接下来是Fattah等人（2018年）的文章，被引用了286次，以及Pasupuleti等人（2024年）的文章，被引用了112次。这表明所选文章来自可靠的来源，并经过了严格的同行评审。

4 结果与讨论
RQ1：在过去十年中，统计方法和人工智能方法在制造业的库存管理决策中是如何应用的？
表4-6中的研究分类遵循了作者根据研究问题制定的结构化编码方案。决策支持复杂性指的是研究中提出的方法仅支持预测任务（低复杂性），还是扩展到规定性决策，如再订购点、安全库存或库存优化（高复杂性）。报告的有效性是根据每项研究中作者自己的评估进行编码的。方法类型（统计、AI、混合）是根据之前的研究，即Sarker（2021年）和Seyedan与Mafakheri（2020年）的研究来划分的。

表4
参考文献
来源出版商
来源期刊
引用次数
1. Salinas等人（2020年）
Elsevier
《国际预测杂志》
1,915
2. Fattah等人（2018年）
Sage
《国际工程商业管理杂志》
286
3. Pasupuleti等人（2024年）
MDP Logistics
112
4. Spiliotis等人（2022年）
Springer
《运筹学研究》
92
5. Hajek和Abedin（2020年）
IEEE
IEEE Access
89
6. Jackson和Jesus Saenz（2024年）
Taylor & Francis
《国际生产研究杂志》
81
7. Kourentzes和Trapero（2020年）
Elsevier
《国际生产经济学杂志》
71
8. Jauhar等人（2024年）
Taylor & Francis
《国际生产研究杂志》
68
9. Preil和Krapp（2022年）
Springer
《运筹学年鉴》
67
10. Gammelli等人（2022年）
Elsevier
《运输研究C部分：新兴技术》
39
11. Danach和Dirani（2024年）
IEEE
IEEE Access
38
12. Tliche和Taghipour（2020年）
Elsevier
《欧洲运筹学杂志》
36

引用次数最多的文章。

表5
参考文献
方法
类型
任务
局限性
Affonso等人（2024年）
启发式方法
Bootstrap WSS, B2-OPT, BSWAP
使用历史数据进行预测并找到相当好的解决方案
无法处理高度复杂的数据
(Aiello等人，2025年)
优化方法
闭环新闻供应商模型（CLSC）
在闭环供应链中管理库存
不适用于保质期不固定的新鲜产品
(Fattah等人，2018年)
时间序列分析
ARIMA
基于历史数据建模和预测未来需求
预测准确性有限
(Karpagavigneswari和Kamali，2025年)
优化方法
Red Panda Optimizer与Logistic Mapping（RPO-LM）
优化库存决策
假设产品品质无限且完美
(Kourentzes和Trapero，2020年)
时间序列分析
水平指数平滑
生成预期需求估计
仅关注预测准确性
(Kumar等人，2024年)
时间序列分析
简单指数平滑（SES）
利用历史数据进行预测
无法捕捉复杂的市场动态
(Li等人，2023年)
时间序列分析
朴素方法
Naive, SES, MA, ARIMA, ETS, CRO, optCro, SBA, TSB, ADIDA, IMAPA, SA, Median, FFORMA, FIDE, DIVIDE
预测需求模式
缺乏自动特征选择程序
(Tliche和Taghipour，2020年)
时间序列分析
WMA和Newton
WMA用于预测，Newton用于最小化误差
最优权重信息有限

表6
参考文献
方法
算法
任务
局限性
(Ahakonye等人，2024年)
DLLightGBM
估计原材料库存可用性
(Arvind等人，2025年)
SLX
gboost, 随机森林（RF）分类器
用于需求预测和预测分析
需要与先进技术集成
Bo和Xu（2024年）
粒子群优化（PSO）
优化库存参数
无法有效适应日益增长的复杂性
(Danach和Dirani，2024年)
SL
决策树，RF，梯度提升
用于预测结果和优化流程
需要与先进技术集成
(Hajek和Abedin，2020年)
SL
RF，多层神经网络（NN），决策树，k-最近邻，支持向量机（SVM）
进行分类和预测
假设库存政策和客户需求是静态的
(Jackson和Jesus Saenz，2024年)
NLPGPT 3 - Codex
使用Python进行模拟
研究有限
(Jaipuria和Mahapatra，2019年)
GPDWT-MGGP
通过DWT过滤数据并用MGGP处理
仅限于一种牛鞭效应行为
(Jauhar等人，2024年)
H
无代码人工智能（NCAI）
无需编程技能即可进行预测
仅关注预测过程
(Liu等人，2025年)
RL
HAPPO
优化库存政策并降低成本
信息共享有限
(Pasupuleti等人，2024年)
SL
长短期记忆（LSTM），CNNs
用于预测时间序列数据
无法快速响应意外的市场变化
(Preil和Krapp，2022年)
RL
蒙特卡洛树搜索（MCTS）
用于多种需求场景的预测
在数据有限的情况下无法实施
(Raouf等人，2025年)
SL
基于AI的优化框架
将库存转化为可用库存
缺乏外部因素整合
(Singh和Mishra，2024a)
SL
决策树分类器
通过创建一系列决策规则对数据进行分类
与先进预测方法的探索有限
(Singh和Mishra，2024b)
SL
决策树分类器
预测季节性需求
未结合机器学习处理不完美产品
(Salinas等人，2020年)
DL
RNN
用于预测序列数据
无法联合预测多个时间序列
(Sandra等人，2025年)
SL
模糊多标准
需要专家判断
(Shahin等人，2025年)
SL
极端学习机（ELM），分类和回归树（CART），高斯过程（GPR），KNN，多层感知器（MLP），支持向量回归（SVR），XGB，LSTM
提高预测准确性
存在使用n滞后的局限性
DL
贝叶斯神经网络（BNN），全卷积网络（FCNs），广义回归神经网络（GRNN）
提高预测准确性
数据要求
(Spiliotis等人，2022年)
DL
多层感知器（MLP），BNN
学习数据关系并进行预测
不清楚为什么某些ML模型比其他ML模型表现更好
SL
RF，GBT（梯度提升树），K-最近邻，SVR（支持向量回归），GP（高斯过程）
预测每日库存单位（SKU）
需要大量样本才能产生有效预测
(Sukolkit等人，2024年)
SL
LSTM（CNN，RNN，GRU）
用于预测噪声或变化数据
在单变量时间序列数据上有限
(Wahedi等人，2023年)
DL
人工神经网络（ANN）
用于预测特定数据
缺乏监控整体预测准确性的通用方法

在选定的论文中，制造业的库存管理中使用了各种统计和AI方法。我们发现，在应用统计方法的文章中，最常用的统计方法是时间序列分析，占62.5%。时间序列分析是最广泛使用的方法，因为它实现简单，大多数管理者已经了解其工作原理，并且可以应用于季节性和非平稳数据（Kumar和Khedlekar，2026；Li等人，2023）。Kourentzes和Trapero（2020）强调，这种时间序列分析方法以低成本产生较小的均方误差（MSE）。Aburto和Weber（2007）的研究也支持这一点，他们指出时间序列方法更具可解释性和易懂性，因为这种方法可以理解数据中的因果关系，模型是透明的。尽管时间序列具有多种优势，但不可否认这种方法也有局限性，如表5中的发现所示。这种方法通常提供的预测准确性有限，因为它无法捕捉市场的复杂性和动态（Kumar等人，2024），并且缺乏自动选择最佳特征或模型参数的程序（Li等人，2023）。这与Lv（2024）的研究一致，研究人员将时间序列和机器学习方法结合起来用于供应链优化。时间序列以其简单性和对稳定及季节性数据趋势的有效预测能力而闻名，而机器学习方法则用于需要高效计算性能的大型数据集。除了时间序列方法外，还有优化和启发式方法。时间序列使用过去的数据来预测现在，而启发式方法生成的解决方案足够好，但不保证最优性（Affonso等人，2024）。同时，优化方法通过最大化或最小化特定目标函数来找到最优解（Aiello等人，2025；Karpagavigneswari和Kamali，2025）。

在应用AI方法的20篇文章中，47.62%的文章使用了监督学习方法。监督学习是机器学习中的基本方法，涉及使用标记数据集训练算法（Zafar等人，2024）。大多数文章使用了不同的算法，如随机森林分类器、LSTM、决策树分类器、贝叶斯神经网络（BNN）、支持向量回归（SVR）等。LSTM可以提高规划准确性（Wang等人，2025）。随机森林分类器、SVR和决策树分类器广泛用于表格数据，因为它们能够处理非线性关系和复杂的预处理，并且更容易向制造业的从业者解释（Arvind等人，2025；Danach和Dirani，2024；Hajek和Abedin，2020；Spiliotis等人，2022）。监督学习最广泛使用，因为它比深度学习更容易实现，并且更适合制造业中的结构化数据，如交易数据、库存、价格和其他运营参数（Arvind等人，2025；Danach和Dirani，2024；Raouf等人，2025）。这与Xu和Bo（2025）的研究结果一致，他们发现监督学习是预测需求和识别供应链中断问题的智能工具。Tatarczak（2024）的研究发现，供应链管理中的AI技术提供了宝贵的见解。然而，这种模型通常高度依赖于高质量、实时的历史数据的可用性（Xu和Bo，2025）。除了监督学习之外，20篇文章中有23.81%使用了深度学习方法。这种模型不仅可以捕捉结构化数据，还可以捕捉非结构化数据，如图像（Ahakonye等人，2024；Salinas等人，2020；Wahedi等人，2023）。此外，这种模型在处理大量数据方面非常可靠，并能够识别人类或简单模型可能看不到的模式（Shahin等人，2025）。然而，实施这种方法更具挑战性，因为它不仅需要先进的技术来开发程序，还需要进行操作。因此，许多公司无法使用这种方法（Ferreira等人，2025）。此外，复杂的、不透明的决策过程在这种模型中通常被视为一个黑箱（Shahin等人，2025）。

RQ2：在哪些运营条件下，AI方法被证明优于传统统计方法，反之亦然？
从28篇应用统计和AI方法的文章中，我们对这些方法在决策支持复杂性中的作用进行了分类。决策支持指的是所提出的方法仅限于生成预测输出供管理者做出决策，还是还可以产生运营库存决策，如订购数量、订购时间等。从表7可以看出，50%的文章使用了决策支持复杂性较高的方法来辅助制造业的库存管理。表7中列出了各种方法及其在库存管理中的应用效果。

- **Algoritm**：决策支持复杂性；**准确性（%）；**报告的有效性**
- Affonso等人（2024）：启发式方法；Bootstrap WSS、B2-OPT、BSWAP；高；89%；适用于需求方差较大的情况
- Aiello等人（2025）：优化方法；CLSC；非常高；未提及；适用于分析不同配置
- Fattah等人（2018）：时间序列分析；ARIMA；中等；基于AIC/SBCL；需要大量且一致的历史数据
- Karpagavigneswari和Kamali（2025）：优化方法；Red Panda Optimizer与逻辑映射；高；94%；适用于动态和波动性环境
- Kourentzes和Trapero（2020）：时间序列分析；水平指数平滑；高；减少偏差62.4%；有助于将估计值转化为复杂决策
- Kumar等人（2024）：时间序列分析；SES；非常高；87%；适用于易腐产品的库存管理
- Li等人（2023）：时间序列分析；FIDE、DIVIDE；中等；79%；适用于间歇性需求
- Tliche和Taghipour（2020）：时间序列分析；WMA和Newton；高；减少误差19.6%；适用于领先时间较长的情况
- Ahakonye等人（2024）：人工智能；深度学习；LightGBM；高；50.99%；适用于大型数据集
- Arvind等人（2025）：监督学习；XGboost、RF分类器；非常高；XGBoost：95%，RF：89%；适用于动态和快节奏环境
- Bo和Xu（2024）：优化算法；PSO；高；85%；能够处理大量数据并快速适应变化
- Danach和Dirani（2024）：监督学习；决策树、RF、梯度提升；高；DT：82%，RF：88%，GB：90%；适用于多变量预测
- Hajek和Abedin（2020）：监督学习；RF、k-最近邻、决策树、SVM和NN；非常高；91.57%；适用于不平衡的大数据
- Jackson和Jesus Saenz（2024）：自然语言处理；GPT 3 - Codex；非常高；未提及；使用文字描述生成模拟
- Jaipuria和Mahapatra（2019）：遗传编程；DWT-MGGP；高；97.67%；适用于非线性和非平稳需求
- Liu等人（2025）：启发式方法；NCAI；中等；81.43%；适用于处理不完整数据
- Pasupuleti等人（2024）：强化学习；HAPPO；非常高；未提及；适用于信息有限且复杂的情况
- Preil和Krapp（2022）：监督学习；LSTM、CNNs；高；95%；适用于大型数据集
- Raouf等人（2025）：强化学习；蒙特卡洛树搜索（MCTS）；非常高；能够处理复杂和不确定的大规模数据
- Salinas等人（2020）：基于AI的优化框架；高；84.31%；适用于JIT系统下的公司
- Sandra等人（2025）：深度学习；RNN；中等；减少误差42%；适用于数百万数据点
- Shahin等人（2025）：模糊多标准；非常高；适用于动态和不确定的数据
- Sukolkit等人（2024）：监督学习；CART、ELM、GPR、KNN、MLP、SVR、XGB、LSTM；低；CART：90.91%；ELM：96.29%；GPR：99.47%；KNN：87.22%；MLP：98.32%；SVR：95.24%；XGB：90.3%；FBP：97.16%；LSTM：98.67%；适用于具有复杂和非线性模式的数据、多特征的大型数据集以及变化趋势和季节性
- Singh和Mishra（2024a）：监督学习；决策树分类器；高；未提及；适用于产品需求季节性变化的情况
- Singh和Mishra（2024b）：监督学习；决策树分类器；高；适用于具有季节性需求的产品
- Spiliotis等人（2022）：深度学习；MLP、BNN；低；MLP：91.3%；BNN：89.1%；适用于日常需求
- Sukolkit等人（2024）：监督学习；RF、GBT、K-最近邻、SVR、GP；低；RF：96.8%；GBT：97.5%；KNNR：96.5%；SVR：96.5%；GP：93.2%；适用于稀疏和噪声数据
- Wahedi等人（2023）：监督学习；LSTM（CNN、RNN、GRU）；高；98.35%；擅长捕捉趋势、季节性模式、缺失数据和节假日效应
- Sandra等人（2025）：深度学习；ANN；中等；65.42%；适用于需求变化的情况

在进行分析之前，需要指出所包含的32项研究在方法论上存在差异。这些研究在数据类型、预测范围、评估指标（准确性、RMSE、MAE、MAPE、成本降低等）和实验设计方面各不相同。因此，本节中的比较观察基于每项研究自身实验背景中的方向性趋势，而不是标准化的跨研究基准。读者应将这些比较视为定性模式，而不是等效的数值基准。当我们提到在库存管理中应用统计方法的文章时，报告的最高准确性仅为94%（Karpagavigneswari和Kamali，2025）。同时，准确率超过95%的AI技术达到了近32%（Arvind等人，2025；Jaipuria和Mahapatra，2019；Pasupuleti等人，2024；Shahin等人，2025；Spiliotis等人，2024；Sukolkit等人，2024）。这表明AI方法在准确性方面具有优势。然而，需要注意的是，开发用于库存管理的AI需要大量的初始投资成本。此外，管理者和操作人员必须接受培训才能实施。因此，即使在资源有限的情况下，仍然可以应用基本的统计方法进行库存管理。图8展示了在库存管理中应用统计方法和AI方法的比较条件。

统计方法在操作条件与一致的历史数据（Fattah等人，2018）、相对一致的需求模式（Kumar等人，2024）、高方差且具有可预测模式的需求（Affonso等人，2024），甚至能够预测不定期出现的商品需求（Li等人，2023；Spiliotis等人，2022）时表现出很高的有效性。一些统计方法不仅能够进行预测，还能帮助决策者做出更有效和高效的库存决策。这些方法包括启发式方法（Affonso等人，2024）、CLSC（Aiello等人，2025）、Red Panda Optimizer（Karpagavigneswari和Kamali，2025）、指数平滑（Kourentzes和Trapero，2020；Kumar等人，2024）以及结合牛顿优化的加权移动平均（WMA）（Tliche和Taghipour，2020）。CLSC模型通过评估销售价值和成本以及可重复使用或回收的剩余库存来最大化利润（Aiello等人，2025）。为了生成决策支持，所使用的方法需要与各种方法集成，正如Kumar等人（2024）所展示的那样，将简单指数平滑（SES）直接集成到动态定价和库存控制系统中。Jahin等人（2024）的研究也指出，简单的统计方法对于大型数据集或具有重叠类别的数据集往往无效。然而，统计方法具有透明的过程，能够支持需要合理化的管理决策（Jahin等人，2024）。此外，Oikonomou和Damigos（2025）的研究比较了机器学习方法（特别是LightGBM和ARIMA）在预测基本金属价格方面的应用，结果表明ARIMA在估计锡和铅价格时的RMSE值低于LightGBM。这表明，在特定情况下，传统的统计方法仍然是更优的选择，更复杂的模型并不总是能带来更好的预测结果（Oikonomou和Damigos，2025）。

尽管统计方法在各种条件下被证明是有效的，但AI方法可以实现更高的准确性并减少错误和成本。根据Xu和Bo（2025）的研究，应用AI可以将总供应链成本降低12%，并将资源利用效率提高20%。此外，AI方法在更复杂的条件下显示出显著的优势（Shahin等人，2025）。这可以从使用LightGBM、XGBoost、随机森林和梯度提升等AI模型的情况中看出，这些模型在变量众多且运营环境快速变化时非常有效（Ahakonye等人，2024；Arvind等人，2025；Danach和Dirani，2024）。此外，AI方法在涉及非线性模式、复杂趋势、季节性、大规模数据或不完整数据集的情况下表现出优越性，因为它们能够学习简单统计方法无法捕捉的复杂模式（Jaipuria和Mahapatra，2019；Liu等人，2025；Pasupuleti等人，2024；Preil和Krapp，2022；Sukolkit等人，2024）。这与Kang等人（2025）的研究结果一致，该研究发现当ARIMA统计方法在捕捉波动性商业环境中的需求模式复杂性方面受到限制时，会使用机器学习方法。在高度波动的行业中，需求是不可预测的，因此仅依赖时间自相关模式的ARIMA模型无法捕捉突然的需求高峰。因此，AI方法是处理复杂供应链问题和支持更高效决策和资源分配的有效解决方案（Mao，2025）。

**RQ 3：现有文献在多大程度上探讨了结合统计和AI的混合方法？这些方法的优势是什么，它们遇到了哪些挑战？**根据研究人员的发现，关于将统计和AI方法结合到单一系统中的混合方法的应用文献仍然较为有限，特别是在制造业的库存管理领域。在选定的文章中，只有四篇使用了混合方法进行库存管理（表8）。在这些文章中，统计和AI方法被用于单一的库存管理系统中，但执行不同的互补任务。这四篇文章强调，单独使用AI方法是不够的。回顾的混合研究表明，结合统计和AI组件可能在特定情况下改善库存决策支持，但证据仍然有限，不足以支持广泛的优越性声明。使用最广泛的AI方法是深度学习（37.5%）。该方法与非参数方法和时间序列分析相结合（Gammelli等人，2022；Kim等人，2022；Sagaert和Kourentzes，2024）。鉴于最终样本中只有四项研究满足单一库存决策框架中的混合方法标准，本节中的发现应被视为探索性和说明性的，而不是结论性的。

表8中列出了各种方法及其在库存管理中的应用条件。统计方法在操作条件与一致的历史数据（Fattah等人，2018）、相对一致的需求模式（Kumar等人，2024）、高方差且具有可预测模式的需求（Affonso等人，2024）相符时表现出很高的有效性，甚至能够预测不定期出现的商品需求（Li等人，2023；Spiliotis等人，2022）。一些统计方法不仅能够进行预测，还能帮助决策者做出更有效和高效的库存决策。这些方法包括启发式方法（Affonso等人，2024）、CLSC（Aiello等人，2025）、Red Panda Optimizer（Karpagavigneswari和Kamali，2025）、指数平滑（Kourentzes和Trapero，2020；Kumar等人，2024）以及结合牛顿优化的加权移动平均（WMA）（Tliche和Taghipour，2020）。CLSC模型旨在通过评估销售价值和成本以及可重复使用或回收的剩余库存来最大化利润（Aiello等人，2025）。为了生成决策支持，所使用的方法需要与各种方法集成，正如Kumar等人（2024）所展示的那样，将简单指数平滑（SES）直接集成到动态定价和库存控制系统中。

Jahin等人（2024）的研究还指出，简单的统计方法对于大型数据集或具有重叠类别的数据集往往无效。然而，统计方法具有透明的过程，能够支持需要合理化的管理决策（Jahin等人，2024）。此外，Oikonomou和Damigos（2025）的研究比较了机器学习方法（特别是LightGBM和ARIMA）在预测基础金属价格方面的应用，结果表明ARIMA在估计锡和铅价格时的RMSE值低于LightGBM。这表明，在特定情况下，传统的统计方法仍然是更优的选择，更复杂的模型并不总是能带来更好的预测结果（Oikonomou和Damigos，2025）。尽管统计方法在各种条件下被证明是有效的，但AI方法可以实现更高的准确性并减少错误和成本。根据Xu和Bo（2025）的研究，应用AI可以将总供应链成本降低12%，并将资源利用效率提高20%。此外，AI方法在更复杂的条件下显示出显著的优势（Shahin等人，2025）。这可以从使用LightGBM、XGBoost、随机森林和梯度提升等AI模型的情况中看出，这些模型在变量众多且运营环境快速变化时非常有效（Ahakonye等人，2024；Arvind等人，2025；Danach和Dirani，2024）。此外，AI方法在涉及非线性模式、复杂趋势、季节性、大规模数据或不完整数据集的情况下表现出优越性，因为它们能够学习简单统计方法无法捕捉的复杂模式（Jaipuria和Mahapatra，2019；Liu等人，2025；Pasupuleti等人，2024；Preil和Krapp，2022；Sukolkit等人，2024）。

这与Kang等人（2025）的研究结果一致，该研究发现当ARIMA统计方法在捕捉波动性商业环境中的需求模式复杂性方面受到限制时，会使用机器学习方法。在高度波动的行业中，需求是不可预测的，因此仅依赖时间自相关模式的ARIMA模型无法捕捉突然的需求高峰。因此，AI方法是处理复杂供应链问题和支持更高效决策和资源分配的有效解决方案（Mao，2025）。

**RQ 3：现有文献在多大程度上探讨了结合统计和AI的混合方法？这些方法的优势是什么，它们遇到了哪些挑战？**根据研究人员的发现，关于将统计和AI方法结合到单一系统中的混合方法的应用文献仍然较为有限，特别是在制造业的库存管理领域。在选定的文章中，只有四篇使用了混合方法进行库存管理（表8）。在这些文章中，统计和AI方法被用于单一的库存管理系统中，但执行不同的和互补的任务。这四篇文章强调，单独使用AI方法是不够的。回顾的混合研究表明，结合统计和AI组件可能在特定情况下改善库存决策支持，但证据仍然有限，不足以支持广泛的优越性声明。使用最广泛的AI方法是深度学习（37.5%）。该方法与非参数方法和时间序列分析相结合（Gammelli等人，2022；Kim等人，2022；Sagaert和Kourentzes，2024）。鉴于最终样本中只有四项研究满足单一库存决策框架中的混合方法标准，本节中的发现应被视为探索性和说明性的，而不是结论性的。

表8中列出了各种方法及其在库存管理中的应用条件。统计方法在操作条件与一致的历史数据（Fattah等人，2018）、相对一致的需求模式（Kumar等人，2024）、高方差且具有可预测模式的需求（Affonso等人，2024）相符时表现出很高的有效性，甚至能够预测不定期出现的商品需求（Li等人，2023；Spiliotis等人，2022）。一些统计方法不仅能够进行预测，还能帮助决策者做出更有效和高效的库存决策。这些方法包括启发式方法（Affonso等人，2024）、CLSC（Aiello等人，2025）、Red Panda Optimizer（Karpagavigneswari和Kamali，2025）、指数平滑（Kourentzes和Trapero，2020；Kumar等人，2024）以及结合牛顿优化的加权移动平均（WMA）（Tliche和Taghipour，2020）。CLSC模型旨在通过评估销售价值和成本以及可重复使用或回收的剩余库存来最大化利润（Aiello等人，2025）。为了生成决策支持，所使用的方法需要与各种方法集成，正如Kumar等人（2024）所展示的那样，将简单指数平滑（SES）直接集成到动态定价和库存控制系统中。

Jahin等人（2024）的研究还指出，简单的统计方法对于大型数据集或具有重叠类别的数据集往往无效。然而，统计方法具有透明的过程，能够支持需要合理化的管理决策（Jahin等人，2024）。此外，Oikonomou和Damigos（2025）的研究比较了机器学习方法（特别是LightGBM和ARIMA）在预测基础金属价格方面的应用，结果表明ARIMA在估计锡和铅价格时的RMSE值低于LightGBM。这表明，在特定情况下，传统的统计方法仍然是更优的选择，更复杂的模型并不总是能带来更好的预测结果（Oikonomou和Damigos，2025）。尽管统计方法在各种条件下被证明是有效的，但AI方法可以实现更高的准确性并减少错误和成本。根据Xu和Bo（2025）的研究，应用AI可以将总供应链成本降低12%，并将资源利用效率提高20%。此外，AI方法在更复杂的条件下显示出显著的优势（Shahin等人，2025）。这可以从使用LightGBM、XGBoost、随机森林和梯度提升等AI模型的情况中看出，这些模型在变量众多且运营环境快速变化时非常有效（Ahakonye等人，2024；Arvind等人，2025；Danach和Dirani，2024）。此外，AI方法在涉及非线性模式、复杂趋势、季节性、大规模数据或不完整数据集的情况下表现出优越性，因为它们能够学习简单统计方法无法捕捉的复杂模式（Jaipuria和Mahapatra，2019；Liu等人，2025；Pasupuleti等人，2024；Preil和Krapp，2022；Sukolkit等人，2024）。这与Kang等人（2025）的研究结果一致，该研究发现当ARIMA统计方法在捕捉波动性商业环境中的需求模式复杂性方面受到限制时，会使用机器学习方法。在高度波动的行业中，需求是不可预测的，因此仅依赖时间自相关模式的ARIMA模型无法捕捉突然的需求高峰。因此，AI方法是处理复杂供应链问题和支持更高效决策和资源分配的有效解决方案（Mao，2025）。这一发现对混合模型的评估方式有直接影响，评估不应仅基于预测误差指标（例如RMSE、MAE），还应考虑下游决策性能，如补货率、缺货频率和总持有成本（Gammelli等人，2022年）。Kumar等人（2024年）提出了一个技术上最整合的混合模型，结合了强化学习（RL）和遗传算法（GA）用于自适应定价和多层级补货优化。该方法采用卡尔曼滤波和指数平滑技术进行随机需求预测。在这个框架中，统计层通过贝叶斯机制不断更新需求估计，根据观察到的偏差调整预测，从而提供一个稳定且可解释的基准。AI-RL层则基于这个基准实时动态调整价格和补货数量，同时考虑损耗率、区块链验证的供应商数据以及碳排放限制。模块化设计允许统计预测模块与RL优化模块独立分离和替换。这种架构突显了混合系统在复杂的多目标供应链中的有效性。在所选的四篇文章中，发现AI方法被用于处理复杂和非线性的预测任务，特别是在捕捉时间模式、非线性交互和适应市场动态方面。相反，统计方法在建模不确定性、提高透明度和增强决策的可解释性方面发挥着关键作用（Gammelli等人，2022年；Kim等人，2022年；Kumar等人，2024年；Sagaert和Kourentzes，2024年）。Gon?alves等人（2021年）的研究表明，统计和AI可以同时使用。ARIMAX统计模型更适合产品生命周期的早期阶段，因为此时历史数据有限，而机器学习方法则适用于组件的整个生命周期，随着历史数据的增加其有效性也会提高（Gon?alves等人，2021年）。这与Zietsman和Van Vuuren（2023年）的研究结果一致，他们认为统计方法为预测和异常检测提供了可解释和可靠的基础，而AI方法负责处理数据复杂性和高级模式识别。结合这两种方法将大大支持动态的、多阶段的、以决策支持为导向的库存系统（Zietsman和Van Vuuren，2023年）。尽管混合方法具有显著的技术优势，但也存在局限性和挑战。产生更准确预测的混合方法并不总是能带来更好的库存决策（Gammelli等人，2022年）。此外，模型复杂性的增加将使资源有限的工业环境中的实施变得更加复杂（Kim等人，2022年）。总的来说，这些发现表明，本综述的贡献不仅限于描述出版趋势，还系统地综合了各种方法在制造库存管理中的不同作用、它们最适用的操作条件，以及为什么混合化仍然是一个有前景但尚未充分发展的领域。在这方面，该研究提供了方法适用性的结构化解释，并强调了评估预测技术时不仅要考虑预测准确性，还要考虑其对库存决策的下游影响。

RQ4：未来研究中优化统计方法和AI在库存管理决策中整合的技术挑战、局限性和建议是什么？
在制造业中应用统计集成和AI进行库存管理面临几个重要的技术挑战。主要障碍是行业中长期高质量历史数据的有限可用性（Bo和Xu，2024年）。这是因为做出准确的库存决策依赖于实时可用的高质量数据。另一方面，当前的文献综述存在一些局限性，例如34.38%的研究使用模拟数据或合成数据而非来自实际制造环境的实证数据，因此其在实际制造环境中的应用验证受到限制。虽然模拟在受控条件下探索理论模型行为方面具有合法目的，但在应用于现实制造环境时存在根本性局限。模拟数据通常假设数据是干净、完整和稳定的，而实际制造环境的特点是数据受到传感器错误和手动输入错误的影响，由于系统停机或记录故障导致数据缺失，需求因计划外中断（如机器故障或供应商延迟）而变得不规则，以及由于季节性变化、价格变动或市场冲击导致的数据非平稳性。仅在模拟数据上训练和验证的模型可能会表现出人为夸大的性能指标，这些指标无法推广到实际操作条件。这种模拟性能与现实适用性之间的差距是对本文献中报告的发现的外部有效性的一种公认威胁。第二个局限性是缺乏一个易于在不同制造行业中适应的标准化混合框架。最后，评估过于狭隘地关注预测准确性，而没有考虑库存决策的更广泛影响。

基于32篇选定的论文，关于统计和人工智能在库存管理中应用的研究在准确性方面仍然有限。在回顾的研究中，只有少数研究明确将预测结果与后续库存决策（如安全库存水平、再订购点或服务水平目标）联系起来。这表明该领域尚未系统地研究如何将统计和AI驱动的预测方法转化为实际的库存管理策略。这一观察构成了本综述的重要贡献，因为它指出了当前的知识空白，并为未来的研究指明了明确的方向。未来的领域研究应超越仅仅比较预测准确性，更多地关注直接帮助制造环境中库存决策的方法。特别是，应更多研究结合统计模型的可解释性和AI的适应性，因为现有证据表明混合系统很有前景，但在文献中仍不成熟。还应更多地关注可解释的机器学习、概率预测和规范性AI方法，这些方法可以将需求预测转化为操作决策，如安全库存水平、再订购点、补货时间和多层级协调。对于相对稳定且数据有限的场景，未来的研究应继续改进统计优化方法，特别是在需求间歇性和管理可解释性至关重要的情况下。相比之下，在高度动态和数据丰富的环境中，需要更多关于高级监督学习、深度学习和强化学习技术的研究，尤其是在需求模式非线性、快速变化并受多种内部和外部因素影响的情况下。此外，还需要更多使用真实行业数据的实证研究，因为许多当前研究仍然依赖于模拟数据。最有价值的数据集包括历史销售和库存记录，以及交货时间、缺货事件、补货周期、定价、促销、供应商绩效、生产限制和其他影响需求和库存决策的上下文变量。研究人员需要更多SKU级别、仓库级别和多层级的长期数据集，以评估预测准确性、库存成本、服务水平、过度库存、缺货和韧性结果。最后，科学家和行业实践者之间的跨学科合作对于开发可在实际制造行业中有效应用的库存管理方法至关重要。

总体而言，对RQ1–RQ4的回答表明，制造领域库存管理的研究已经从主要依赖统计预测方法转向了包括监督学习、深度学习、强化学习和新兴混合系统在内的更广泛的技术。然而，这种变化不应被简单地解释为从传统方法到先进方法的线性过渡，因为本综述一致指出，方法的适用性仍然取决于需求模式、数据可用性、解释需求以及具体的库存决策。RQ1指出了方法种类的增加，RQ2指出了影响方法性能的上下文因素，RQ3展示了混合方法的潜力但发展仍然有限，RQ4揭示了限制该领域进展的持续技术和实证局限性。

5. 关于库存管理的意义、局限性和未来研究
这项研究对库存管理研究和实践具有学术和实际意义。它为理论做出了贡献，并分析了统计和AI在库存管理决策应用中的最新发展。在这方面，讨论了库存管理研究中最常用的统计技术、AI和混合方法，以提供当前文献的全面概述。最后一个RQ强调了当前涉及统计和AI的库存管理研究的局限性，为该领域的未来研究提供了见解。我们的发现也为管理者和实践者提供了宝贵的见解。统计和AI的整合对于提高制造业库存规划的有效性和效率至关重要。过度库存会增加运营成本，包括更高的仓库费用、因库存购买而减少的公司现金流，以及如果库存无法售出时的库存损坏风险（Jauhar等人，2024年）。相反，库存不足将导致满足需求的延迟。这些不同的统计和AI技术在提高制造业库存管理性能方面发挥着关键作用（Xiao等人，2024年）。这些发现表明，混合方法是提高制造业库存管理的一个有前景的方向。然而，现有的证据基础还不足以断言它们在各种情况下都是最佳解决方案。从实践者的角度来看，这项研究可以作为制造公司逐步实施技术的指南。公司需要考虑其组织成熟度、基础设施限制、历史数据的质量以及组织内的创新文化。最终，通过整合统计和AI，公司可以减少因过度库存或缺货造成的库存成本，更好地应对需求波动，并在全球化时代保持可持续竞争力。

像任何文献综述一样，这项研究也有一定的局限性，同时也为未来的综述研究指明了方向。首先，该综述仅限于制造业的库存管理，这限制了发现对其他具有不同需求结构的领域（如零售、医疗保健、备件和电子商务）的普遍性。其次，尽管该综述考察了各种统计、AI和混合方法，但大多数收集和分析的研究都集中在提高预测准确性上，而对它们对运营库存决策（如安全库存和再订购点）的直接影响评估仍然有限。第三，实际在单一库存决策框架内结合统计和AI的混合方法的研究数量非常有限，因此关于这种混合方法有效性的结论仍然是探索性的，缺乏广泛的实证证据。基于这些局限性，未来的系统综述应跨行业比较证据，以确定统计、AI和混合方法在不同波动性、间歇性、易腐性和产品生命周期不确定性下的相对性能。这种扩展对于理解统计和AI混合方法在零售或电子商务等高波动性行业中的表现至关重要。此外，未来的综述还应扩大出版窗口，包括更多最新的研究，以捕捉基于AI和混合方法的快速发展。此外，未来的综述文章应更明确地探讨混合系统的结构，哪些组件是统计的，哪些是基于AI的，这些组件如何相互作用，以及混合化是否不仅提高了预测性能，还提高了管理的可解释性和实施可行性。

本文的另一个局限性涉及数据库覆盖范围。本研究仅使用了Scopus数据库。虽然Scopus提供了广泛的多学科期刊选择，但结合Web of Science作为额外来源可能有助于避免遗漏潜在的相关研究。因此，未来的研究应考虑包括其他数据库作为文章检索的来源。

6. 结论
本文综述全面探讨了统计方法和AI在制造业管理决策中的作用。本文采用PRISMA方法提供了一个结构良好的框架，用于进行系统综述和元分析，从而全面探索了这一主题。本文表明，制造业中的库存管理研究已经从主要依赖统计方法转向了包括AI和新兴混合系统在内的更广泛的方法论景观。统计方法在需求稳定、历史数据一致且对解释性有较高要求的场景中仍然具有价值，而人工智能方法在需求模式大规模、非线性且不确定的动态环境中往往表现更佳。然而，该研究指出，更先进的方法并不一定能保证更好的实际应用效果，因为方法的适用性取决于数据特征、运营环境以及所支持的特定库存决策。研究结果还表明，混合方法是一种有前景但尚未充分发展的制造库存管理方向。由于现有证据主要来自少数研究，因此对其有效性的结论应持谨慎态度。因此，未来的研究应更加重视真实工业数据、与决策相关的绩效指标、可解释的人工智能技术，以及能够在实际制造环境中有效实施的更结构化的混合框架。