容量受限冷链仓储供应链中面向定价决策的分层预测方法

《Supply Chain Analytics》：A hierarchical forecasting approach for pricing decisions in capacity-constrained cold storage supply chains

　　

准确的预测在供应链管理（SCM）中起着关键作用，尤其在容量受限的冷链仓储系统中，定价、采购、生产与分销决策高度相互依赖。此类情境下，仓库占用率既影响上游补给与生产计划等流程，也受下游订单履行与分销流动的作用。研究人员开发了一种融合行为时间序列画像、基于画像的模型比较、预测协调（forecast reconciliation）与决策导向评估的分层预测框架，并将其应用于覆盖9个运营族系70种产品、时长6年的周度库存数据。候选模型通过滚动原点样本外验证评估，族系级预测与总仓库占用率借助多种分层方法协调。结果显示预测表现随行为画像而异，MinT对角法在聚合误差度量上最低，但自助区间表明不同协调方法表现重叠；统计排序亦未完全与基于费率与情景的经济结果一致。这表明占用率预测应联合准确性、分层一致性、不确定性与运营后果进行评估。通过整合行为细分、分层预测与决策导向评估，该研究论证了依据预测对互联供应链决策的影响而非仅依预测准确性来评估预测系统的重要性，为容量受限冷链仓储供应链的管理提供了方法论贡献与管理洞见。

研究背景方面，现代供应链中仓库不仅是被动存储节点，更是衔接上游采购生产、下游分销履约的协调枢纽。冷链仓储因货品易腐、能耗高、容量刚性而放大了占用率管理的战略意义；占用率由多族系入库出库交互生成，兼具季节性、波动性与结构突变，单一模型难以适配。更关键的是，案例企业依预测占用率设50%与90%两道阈值触发降价、标准价、提价三类资费（tariff）建议，使预测误差在阈值附近可能引发错误决策。现有文献虽在分层预测、MinT协调、决策导向评估各自有进展，但将三者嵌入容量受限冷链资费决策的研究尚缺。研究人员据此在《Supply Chain Analytics》提出一套决策导向的分层预测框架，填补统计精度与运营价值脱节的缺口。

关键技术方法上，研究人员使用某固定容量C=10062 m³冷链仓2020至2025年70产品9族系312周平衡面板；先以变异系数（CV）、STL季节强度、趋势斜率、ACF₁与ACF₅₂构特征向量，经标准化K-means（K=3）聚为季节性、突变驱动、高波动伴突变三类行为画像；各画像配候选模型集（季节性用SARIMA/Prophet/STL-ARIMA，突变用Prophet/滚动ETS/状态空间，高波动用XGBoost/Prophet/滚动SARIMA），在260周训练、52周持有、H=4周滚动原点样本外选优；族系与总体占用率经自底向上、自顶向下及MinT（含对角MinT）协调；最后以MAE、RMSE、WAPE加资费区制一致率作决策导向评估。

研究结果部分，引言指出仓库占用率预测区别于需求预测，直接链动阈值资费，故需分层一致与决策价值并重。文献综述确认冷链容量管理、供应链预测、分层协调、决策导向评估四块基础与缺口。数据与行为分段小节给出9族系异质性描述，用式(1)定占用率O_t=ΣStock_f,t/C，式(2)(3)(4)(5)算CV、线性趋势、STL分解Y_t=T_t+S_t+R_t及SeasonalStrength，式(6)z_f特征向量，K-means得三画像（季节性CV=0.45 Seas=0.82 WAPE 8.25%；突变型CV=0.72 Seas=0.55 WAPE 12.40%；高波动伴突变CV=1.25 Seas=0.30 WAPE 18.90%），并式(8)(9)给τ₁=0.50、τ₂=0.90双阈值资费规则R(?_t)。预测框架小节形式化多层堆叠y_t=Sb_t与协调子空间约束，滚动原点设计防前视偏误。结论显示：行为画像内模型优劣分明，季节性族系统计模型占优，高波动族系机器学习不稳健；MinT对角在总占用率WAPE最低，但自助区间示协调法间差异不显著；统计最优模型在50%/90%阈值附近切换资费区的次数并非最少，决策导向排名与MAE/RMSE排名不完全重合，证明精度不等于决策价值。

讨论与结论翻译总结：研究人员强调占用率预测须同时审准确性、分层一致性、不确定性区间与阈值决策后果；行为细分降模型搜索空间，MinT类协调保加总一致，决策导向评估桥接预测与资费行动。框架的方法论贡献在于把时间序列行为画像、分层预测协调、运营阈值评估三联嵌入统一管道；管理意义为冷链仓可依占用率预测而非单点需求做预约分配、劳力与资费决策，且在接近50%与90%临界时须借概率区间而非点预测避险。未来可扩至跨时序-跨截面分层与概率协调。全文论证了在容量受限冷链场景，预测系统的价值由其驱动的互联决策质量界定，而非数值误差最小。