面向库存规划的数据驱动决策支持：精益、敏捷、韧性及绿色（LARG）视角

《COMPUTERS IN INDUSTRY》：Data-driven decision support for inventory planning: A Lean, Agile, Resilient, and Green (LARG) perspective

　　

该研究提出一种面向维护、维修与运营（Maintenance, Repair, and Operation, MRO）库存规划的、基于精益（Lean）、敏捷（Agile）、韧性（Resilient）和绿色（Green）（LARG）视角的数据驱动决策支持框架。框架第一阶段为需求预测，采用结合遗传算法（Genetic Algorithm, GA）与人工神经网络（Artificial Neural Network, ANN）的模型，初始聚焦铁路轨道维护中两类最关键物料，并引入与LARG直接相关的输入指标。为增强可复制性，框架第二阶段以k-means与时间动态规整（Dynamic Time-Warping, DTW）度量进行时间序列聚类，重启第一阶段并在同簇物料上复现模型。最后，框架基于前两阶段与LARG概念的关联，给出各范式下的实践启示。研究以某铁路物流运营商真实数据开展案例验证，结果显示所提框架需求预测表现优于企业现行实践，是为LARG范式下提升MRO库存规划的关键数据驱动决策支持框架。

研究背景方面，运营与供应链管理等（Operations and Supply Chain Management, OSCM）领域正面临同时集成精益、敏捷、韧性、绿色（LARG）四大范式所带来的权衡难题，而工业4.0（Industry 4.0, I4.0）赋能的人工智能（Artificial Intelligence, AI）为协同落地提供可能。维护、维修与运营（MRO）库存因需求不规则、间断波动且提前期不稳定，传统预测方法难以胜任，且既有文献多孤立探讨单一LARG范式或两两组合，缺乏将数据驱动模型与四范式联合嵌入MRO库存规划决策的实证框架。研究人员以铁路物流为例，该行业轨道维护成本占全行业支出约40%，其中钢轨与轨枕占轨道维护成本一半以上，资产退化受交通密度、轴重、极端气温与降雨等外生变量驱动，亟需融合外生变量与聚类扩展的预测型决策支持。

作者为开展研究用到几个主要关键技术方法：基于焦点小组与项目目标一致性（Item-Objective Congruence, IOC）法联合Fleiss' Kappa统计，由9位铁路维护与LARG顾问专家界定再制造率、运营货运量、气候因子、巡检安全与历史消耗五类输入及其与LARG映射；采用遗传算法优化人工神经网络（GA-ANN）超参数（隐含层数、节点数、激活函数Tanh/Sigmoid/ReLU、优化器ADAM/SGD），以（MAE+RMSE）/2为适应度与损失函数，10种子重复评估选鲁棒配置；以k-means配合动态时间规整（DTW）距离对25个SKU历史消耗归一化后聚为7簇，由肘部法、轮廓系数、Dunn指数与Davies–Bouldin指数（DBI）共定簇数；案例数据来自某年运量约2亿吨货运铁路2015年1月至2022年12月12仓库16000余SKU记录及巴西国家气象局（INMET）数据，训练验证窗2015年4月–2020年12月，严格时序外推测试窗2021年1月–2022年12月，以Wilcoxon符号秩检验在5%水平验证GA-ANN优于随机搜索ANN（ANN-RS）与企业年度技术评估法。

研究结果部分，3.1需求预测表明，钢轨与轨枕GA-ANN最优结构均为3隐藏层、Tanh激活，轨枕用ADAM、钢轨用SGD；测试集轨枕MAE 2472±373单位（较企业降27.7%）、RMSE 3674±466，钢轨MAE 253±13吨（较企业降46.8%）、RMSE 330±9，Wilcoxon p<0.05确认显著优于ANN-RS。3.2时间序列聚类显示25个SKU聚为7簇，钢轨入簇3、轨枕入簇0，同簇含垫圈、螺旋道钉、轨底板及焊接耗材，证实维护协同性。3.3实践启示指出预测误差下降经σ=1.253×MAE关系传导至安全库存（Safety Stock, SS）与持有成本（Holding Cost, HC），轨枕钢轨年度持有成本节省敏感区间约118万–420万雷亚尔（BRL），并降低内部转运与盗窃损耗。4.2–4.4案例复现同簇6个SKU，SKU16/17/4/5/7的GA-ANN较ANN-RS与企业法MAE/RMSE显著更优（p<0.05），仅SKU15无统计差异。4.5从LARG四方展开：精益（Lean）以降低SS与HC为核心；敏捷（Agile）缩短维护需求响应时间与重计划频率；韧性（Resilient）借气候与巡检输入稳住扰动期循环服务水准（Cycle Service Level, CSL）；绿色（Green）通过再制造率输入压降新品消耗与报废风险，并附7项KPI映射表文字化结论。

讨论部分总结，该研究补正了Vidal等（2022）仅用历史消耗、缺外生变量与聚类的缺口，回应Jamshidi等（2018）对环境因素的呼吁及Xie等（2020）对无监督趋势的判断，并将Azevedo等（2016）与Anvari（2021）概念性LARG推至I4.0实证层，填补Amjad等（2021）所述LARG×I4.0协同实证空白。结论部分翻译如下：本研究提出并应用了面向铁路物流运营商MRO库存规划的LARG视角数据驱动决策支持框架；第一阶段以GA-ANN预测钢轨与轨枕需求，第二阶段以DTW-kmeans将25 SKU聚为7簇并把同簇物料回灌首阶段复现模型，终阶段给出LARG实践启示；框架预测精度超越ANN-RS与企业现行法，且可推广同簇物料，潜在仅钢轨轨枕两项年持有成本节降可达约420万BRL，同时经由再制造输入强化绿色声誉；研究在理论层面首倡四范式同嵌I4.0数据驱动MRO框架，方法上以聚类复现缓解GA-ANN计算负担，实践上为资产密集型行业提供可复制决策工具；局限含未扩至全簇、未比深学习与DBSCAN、计算成本仍存、LARG-KPI实证面窄及单企业泛化待验，未来可接入数字孪生（Digital Twin）生态。