优化竞争零售商的需求准确度

《European Journal of Operational Research》：Refining demand accuracy for competing retailers

　　

• 提高需求准确性并不总能带来竞争优势。
• 准确性的提高可能会加剧竞争并侵蚀企业盈利能力。
• 准确性的提高可能在竞争中导致双输局面。
• 在内生准确性选择下，完美的预测并不总是最优的。
• 预测的价值取决于竞争机制。

**引言**

在快速发展的零售格局中，管理需求不确定性是零售商旨在最大化盈利能力时面临的关键挑战。行业实践和学术研究都提出了几种缓解此类不确定性的方法：通过预售和忠诚度计划等营销工具影响需求（例如，Gu 等人，2022；Wu 等人，2019），利用快速响应和库存共享等供应链管理实践调整供应（例如，Güllü 和 Erkip，2024；Qiu 等人，2023；Xue 等人，2022），通过物联网和 ERP 系统等技术增强信息处理能力（例如，Avinadav 和 Shamir，2025；Cui 等人，2024；Gaur 和 Gaiha，2020；Guo 等人，2026），以及采用高级预测技术（例如，Goodwin 等人，2019；Serrano 等人，2024；van der Haar 等人，2024；Wang 等人，2024）。其中，提高需求预测长期以来被认为是一种特别有吸引力的方法，因为它直接支持更好的订货决策。

最近的技术进步——特别是在人工智能 (AI)、机器学习 (ML) 和大数据分析方面——显著提高了预测精度。这些方法可以处理大量的历史数据，并识别涉及季节性、促销活动、市场活动以及消费者行为细微变化的模式，而这些模式通常很难辨别。麦肯锡最近的一份报告 1 表明，AI 驱动的预测可以将预测误差减少多达 50%，并将销售损失降低多达 65%。由于这些优势，Gartner 最近的一项研究表明，45% 的公司已经将 ML 和 AI 整合到其运营中，预计这一趋势将进一步上升。2

虽然在垄断环境中，提高需求准确性的运营益处已得到充分理解，但其在竞争环境中的影响尚不清楚。在许多市场中，零售商争夺同一池不确定的需求，且库存决策同时决定了库存错配和竞争结果。因此，提高需求准确性不仅可能影响供需匹配，还可能影响竞争零售商之间的战略互动。因此，理解预测准确性如何影响竞争环境中的均衡和盈利能力，对于运营管理和战略决策都是一个重要问题。

大量文献使用经典报童模型的扩展来研究竞争零售商（例如，Bai 等人，2021；He 等人，2022；Koren 等人，2024；Li，2023；Wu 等人，2018）。一种突出的建模方法通过需求重新分配来捕捉竞争（例如，Lippman & McCardle，1997），消费者最初选择首选零售商，并且仅在缺货时才会转向竞争对手。因此，每家零售商主要服务于自己的需求，竞争通过缺货时的替代产生，即未满足的需求溢出并重新分配给竞争零售商。在这一框架内，最近的研究考察了需求信息在竞争环境中的作用。例如，Li (2023) 表明，降低需求不确定性有利于提高预测准确性的零售商，而对其竞争对手不利。然而，这一结果依赖于 Lippman 和 McCardle (1997) 的结构，该结构将竞争限制在缺货引发的替代上，忽略了总需求的直接竞争。

虽然需求替代竞争涵盖了许多传统零售环境，但它并未完全反映许多现代零售系统中竞争的结构。电子商务平台和其他基于平台的服务系统的快速增长，从根本上改变了消费者与卖家的互动方式。在如京东和阿里巴巴等大型在线市场，消费者经常观察到多个卖家提供相同或高度可替代的产品，并且通常会从任何能够满足其需求的零售商处购买。因此，卖家实际上是通过产品可用性而不是缺货后的替代来竞争市场份额。在许多其他基于平台的市场中也出现了类似的竞争动态，供应商主要通过产能或可用性进行竞争。例子包括共享自行车平台如滴滴、美团和哈罗单车，共享滑板车提供商如 Bird 和 Lime，食品配送平台如中国的美团和饿了么以及美国的 Uber Eats 和 DoorDash，甚至包括 COVID-19 大流行期间的疫苗供应商如辉瑞和莫德纳。

在这样的环境中，竞争通过库存可用性持续发生。保持较高库存水平的零售商更有可能吸引更大的市场份额。这种市场份额竞争通常由比例分配规则捕捉，根据该规则，每家零售商获得按其库存水平比例分配的已实现需求份额 (Cachon, 2003)。比例分配没有对缺货后的替代进行建模，而是对基于库存的持续竞争提供了一种简化形式的表示，其中零售商通过订货量竞争需求份额。

尽管此类环境的相关性日益增强，但关于提高需求准确性如何影响市场份额竞争下的均衡结果知之甚少。当零售商通过库存决策竞争需求份额时，提高预测准确性不仅可能影响供需匹配，还可能影响竞争强度。这提出了一个重要问题：拥有更优预测准确性的零售商是否会持续保持竞争优势？回答这个问题可以加深我们对提高需求准确性如何在平台市场中塑造竞争结果的理解，并为在人工智能时代有效选择先进需求预测技术提供见解。

为此，我们将需求准确性改进整合到 Cachon (2003) 经典的零售商双寡头模型——比例需求分配博弈中，在该模型中，总需求按供应比例分配给竞争零售商。我们考察准确性改进如何影响这种竞争中的均衡订货量和预期利润，并将这些结果与垄断环境和其他竞争场景中观察到的结果进行比较。我们的结果表明，在垄断和竞争下，提高需求准确性具有明显不同的含义。在垄断环境下，更高的准确性使订货量更接近真实需求，因此改善供需匹配和盈利能力。相反，在竞争下，效应可能会逆转。当总订单量处于中间范围时——通常与中高利润率产品相关——更高的准确性会导致均衡订单进一步偏离真实需求，从而恶化供需匹配。就预期利润而言，虽然改进的预测允许公司更精确地调整订单，但加剧的竞争可能会降低市场份额，并最终降低改进预测准确性的零售商的利润。

此外，当需求准确性是内生选择时，我们的结果揭示了两个关键发现：(1) 可实现均衡准确性改进仅在中等利润率下出现，且 (2) 完美的预测准确性并不一定是最优的。这强化了我们更广泛的结论，即持续提高需求准确性并不总是有益的。与 Li (2023) 的发现相反，Li 的研究表明降低需求不确定性通过使更准确的零售商受益而持续提供竞争优势，我们的结果揭示了一种相反的动力：当竞争对手采用准确性较低甚至完全没有预测的实践时，零售商的利润可能会受损。这突显了一个反直觉的见解：细化需求准确性可能会导致双输局面，这表明有意保持较低的预测精度，即放弃先进技术，可能会悖论性地产生竞争优势。

我们的论文与两个主要研究流派密切相关：竞争性报童问题和需求不确定性减少。竞争性报童问题在过去几十年中被广泛研究。Cachon (2003)、Lippman 和 McCardle (1997) 以及 Parlar (1988) 的早期作品分析了竞争零售商的订货决策如何在不同的需求分配机制（包括替代和比例分配）下相互作用。随后的研究将该框架扩展到集中与分散决策结构（例如，Lei 等人，2022；Netessine 和 Rudi，2003）、价格竞争（例如，Wu 等人，2014；Zhao 和 Atkins，2008）以及行为方面，如风险厌恶、参考依赖和过度自信（例如，Bai 等人，2021；Li，2019；Liu 等人，2013；Wang 和 Webster，2009）。这些文献一致发现，竞争倾向于导致过量订货和利润侵蚀，从而促使人们关注可以缓解这些低效的机制。

关于需求不确定性减少的研究通常发现，降低不确定性可以增强协调和盈利能力（例如，Corbett 和 Rajaram，2006；Dong 和 Rudi，2004；Granot 和 Yin，2008；Lau 和 Lau，2002）。一些研究区分了互惠互利和单方面效应（例如，Lau 和 Lau，2002；Shi 等人，2013）。当由更好的预测驱动时，Miyaoka 和 Hausman (2008) 表明，改进的需求信息有利于集中系统但不利于分散系统，而 Taylor 和 Xiao (2010) 证明了制造商利润与零售商预测准确性之间存在凸性关系。然而，大多数研究考虑的是垄断或垂直整合环境；Li (2023) 是少数分析竞争的研究之一，发现改进的准确性有利于采用该准确性的零售商，但对其竞争对手不利。

基于这两个流派，我们的研究从三个方面为文献做出了贡献。首先，虽然以往的工作（例如，Li，2023）专注于需求替代竞争，但我们在一个零售商共享整个市场的不同竞争环境中考察准确性改进，即总需求按订货量比例分配 (Cachon, 2003)。这种视角涵盖了更广泛的现代行业（例如，电子商务平台、流媒体服务）。我们表明，竞争结构从根本上改变了提高准确性的后果：准确性细化不仅不能产生互惠或单方面有益的结果，还可能产生双输局面。类似的效应也出现在字典序分配下。虽然优先零售商总是受益，但非优先零售商可能会更糟，这表明准确性改进的 downside 并非特定于比例分配。其次，我们通过明确建模预测向真实需求的校正以及将准确性选择内生来扩展之前的分析。我们的结果表明，完美的准确性并不一定是最优的，预测精度与盈利能力之间的关系是非单调的。这些发现强调，企业可能理性地选择保持中等准确性，而不是追求完美。第三，我们通过确定一个导致竞争低效的新机制来补充竞争性报童文献。虽然之前的研究主要将库存竞争中的利润侵蚀归因于过量订货（例如，Cachon，2003；Lippman 和 McCardle，1997；Wu 等人，2014），但我们表明，细化需求预测——尽管通常被视为运营改进——可能会加剧竞争并进一步侵蚀盈利能力。这突显了先进预测技术的价值关键取决于市场结构和竞争对手的战略行为。

**章节片段**

**模型描述**

我们考虑两家向市场销售产品的竞争零售商。对于每家零售商，每单位的采购或生产成本为 c，零售价格为 r。在销售期结束时，任何剩余库存可以以 s 价格处理 (r>c>s>0)。比值 (r-c)/(r-s)，定义为 κ，捕捉了利润状况。较高的 κ 意味着更大的利润率。总市场需求表示为 DT，其累积分布函数 (CDF) 为 ΦT(?)，概率密度函数为...

**外生需求准确性下的订货与利润**

在本节中，我们考察需求准确性外生改进如何在比例需求分配博弈框架内影响竞争零售商的订货决策和由此产生的利润。通过将需求准确性视为外部确定的参数，我们能够将其对零售商决策和绩效在数量竞争框架中的影响隔离出来。

为了增强清晰度，我们在正文中保留关键分析结果，并将辅助引理和...

**内生需求准确性下的零售商竞争**

在前一节中，我们确立了，一方面，持续投资旨在提高需求预测准确性的先进 AI 技术并不一定构成竞争环境中的战略最优反应。具体而言，虽然此类投资可能减少需求不确定性，但这种减少并不自动赋予持续的竞争优势。另一方面，我们表明，无论需求不确定性程度如何，零售商...

**扩展**

为了捕捉核心机制同时确保分析清晰度，我们的简约模型通过依赖两个基本结构假设排除了某些复杂性。第一个是零售商能够获得足够大的历史需求数据集，使得估计需求分布的均值与真实需求对齐。虽然这有助于分析清晰度，但在如新产品发布或新开业店铺等数据有限的情况下，其适用性可能较低...

**比较讨论：比例分配与**

重分配 基于 2.1 节中引入的机制，我们现在考察需求重分配规则的影响，并将其与先前分析的比例分配框架的影响进行对比。回想一下，在需求重分配下，每个零售商最初获得需求分配 Di，但在发生缺货时，也可能获得其竞争对手未满足需求的一部分，定义如下：Ri=Di+ρi(D3?i?q3?i)+，其中 ρi∈[0,1] 表示来自零售商 3-i 的未满足需求。
结论 鉴于零售商越来越多地使用人工智能等先进技术，了解决策者如何在各种竞争环境中利用这些技术至关重要。此外，关于需求预测和库存控制的研究仍然是零散的。理解它们的相互作用对于改善决策和提高绩效至关重要（Goltsos 等，2022 年）。为了解决这些问题，我们的论文研究了提高需求准确性如何影响两者之间的竞争。
CRediT 作者贡献声明 Tian Bai：写作 – 审查与编辑、验证、软件、方法论、形式分析。Meng Wu：写作 – 审查与编辑、监督、资源、项目管理、经费获取、概念化。Xiaoyin Cao：写作 – 初稿、验证、方法论、调查、形式分析。
利益冲突声明 作者声明，他们没有已知的竞争性经济利益或个人关系，这些利益或关系可能影响本报告中所述工作的完成情况。
Tian Bai|Meng Wu|Xiaoyin Cao