计算机制造中的模糊需求驱动多目标采购规划
《INTERNATIONAL JOURNAL OF PRODUCTION ECONOMICS》:Fuzzy Demand-Driven Multi-Objective Procurement Planning in Computer Manufacturing
【字体:
大
中
小
】
时间:2026年09月20日
来源:INTERNATIONAL JOURNAL OF PRODUCTION ECONOMICS 10.6
编辑推荐:
摘要
本研究开发了一个数据驱动的两阶段框架,将模糊需求预测与多目标供应商选择和采购计划(SSPP)相结合,应用于计算机制造。在第一阶段,使用中心移动平均季节指数调整历史季度需求数据,并应用模糊回归生成以最低值、中心值和最高值表示的三角形模糊需求预测。扩展区间根据历史覆盖率进行
摘要
本研究开发了一个数据驱动的两阶段框架,将模糊需求预测与多目标供应商选择和采购计划(SSPP)相结合,应用于计算机制造。在第一阶段,使用中心移动平均季节指数调整历史季度需求数据,并应用模糊回归生成以最低值、中心值和最高值表示的三角形模糊需求预测。扩展区间根据历史覆盖率进行校准,以便表征组件特定的需求不确定性。在第二阶段,将模糊需求信息纳入考虑五个目标的多期SSPP模型:采购成本、交付延迟率、缺陷率、可持续绩效和中断风险。该模型使用增强型最大-最小模糊多目标线性规划方法求解,以获得单一可实施的折中方案。本文以一家跨国计算机组装公司的真实案例进行了分析,涉及两个核心组件和四个候选供应商。结果表明,预测阶段能够捕捉季节性变化和长期增长,同时生成组件特定的不确定性区间。进一步分析,包括模糊回归区间校准、滚动窗口验证、预测准确性和基准比较以及方法比较,进一步支持了所提出框架的适用性。采购结果表明,所提方法可以生成均衡的季度采购计划并帮助决策者协调多个目标。本研究贡献了一个从预测到采购的整合框架,将需求不确定性转化为可操作的供应商选择和采购决策。
引言
供应链管理在管理决策中发挥着核心作用,因为它直接影响盈利能力、生产效率、客户满意度和长期竞争力(Bai et al., 2022)。随着全球市场变得越来越波动,可持续性期望也日益严格,企业越来越需要在需求不确定性和供应商相关风险下协调采购、生产和采购决策(Jia et al., 2020)。在此背景下,供应商相关决策不仅要与成本效益目标对齐,还要与交付可靠性、质量保证、可持续性要求和韧性考量保持一致(Tirkolaee et al., 2020)。
对于制造企业而言,供应商选择与采购计划(SSPP)不应被视为独立的问题。如果没有下游采购数量决策的供应商评估可能会无法利用供应商异质性,而缺乏对供应商能力、交付绩效、可持续性和风险敞面的综合评估的采购计划可能会降低运营效率并增加结构性脆弱性(Khalili Nasr et al., 2021; Lo et al., 2026)。
计算机组装企业通常在季度规划范围内采购多个核心组件,其组件需求受产品发布、季节性销售模式、技术转型和客户订单修订的影响显著(Wang and Yun, 2020)。如果未来需求被低估,组件短缺可能导致生产中斷、加急成本和服務水平下降。相反,如果需求被高估,过多的组件库存可能会产生持有成本和过时风险,因为计算机组件通常对产品代际变化很敏感。最近的研究也强调,将需求预测与下游库存和采购决策联系起来的重要性,而不仅仅是通过统计准确性来评估预测(Theodorou et al., 2025; van der Haar et al., 2024)。
在大型计算机制造企业中,采购和采购决策嵌入在复杂的组织和治理结构中。主要计算机制造商发布供应商原则或供应商行为准则,要求在采购决策中实现负责任采购、供应商合规和可持续性相关要求。这些做法表明,供应商选择和采购计划不能仅被视为价格驱动的买卖,而必须反映与道德采购、ESG表现、运营可靠性和风险控制相关的更广泛需求。在实践中,采购活动(如供应商评估、资格认证和可持续性评估)和采购活动(如订单下达、数量分配和合同执行)可能被分配给不同部门,以增强专业性并减少采购中的道德风险。所提出的框架并不取代这种组织分工。相反,它提供了一种跨职能决策支持机制,使需求计划、采购评估、生产计划和采购数量决策能够通过共同的分析结构进行协调(Fang et al., 2024; Gabellini et al., 2025; Lo et al., 2026)。
最近的研究表明,将供应商选择与采购计划整合可以降低采购成本,同时提高可持续性和韧性(Cui et al., 2023)。因此,数据驱动的决策框架变得越来越重要,因为它们将分散的运营信息(包括采购成本、交付延迟、产品质量、可持续绩效和中断风险)转化为管理决策的可量化输入(Seitz et al., 2020)。与基于经验或静态权重的方法相比,数据驱动方法能更好地捕捉时间变化的供应商表现和不断演变的风险敞面,并将这些因素纳入采购决策(Lo et al., 2026)。在此类框架中,客户需求预测是关键的上游输入。需求水平、变异性、季节性和增长趋势直接影响采购量、合同选择、产能预留和与库存相关的决策(Abbasimehr et al., 2020)。在快速变化的市场条件下,具有不确定性感知能力的需求预测可以帮助企业降低短缺风险并减少过度库存风险,从而提高采购响应能力和运营表现(Kück and Freitag, 2021; Seyedan and Mafakheri, 2020; Wang and Yun, 2020)。
尽管存在这种实际上的相互依赖性,客户需求预测和采购优化仍然常常作为独立的研究领域发展(Gardner, 1990; Tiacci and Saetta, 2009)。Tiacci and Saetta(2009)研究了需求预测方法如何与库存控制策略相互作用,并证明预测绩效应当相对于下游库存结果进行评估。他们的工作为联系预测与运营决策提供了重要基础。然而,他们的重点在于预测与库存控制绩效之间的相互作用,而不是在可持续性、质量、交付、风险和数量折扣考量下进行多目标供应商选择和采购计划。同样,Lo et al.(2026)开发了一个数据驱动的两阶段模型,用于供应商选择和基于谈判的采购计划,强调了实际供应商绩效数据在采购决策中的价值。然而,他们的重点主要是供应商评估、谈判和采购计划,而不是生成具有不确定性感知能力的客户需求预测并将这些预测作为多期采购决策的直接驱动因素嵌入。因此,在计算机制造背景下将模糊客户需求预测与多目标SSPP联系起来仍存在重要差距。
可以从现有文献中识别出几个研究空白。首先,在采购模型中,需求通常被视为确定性值、假设分布或预定义情景,而不是通过显式的不确定性感知预测程序生成。这限制了采购计划的决策相关性,特别是当季度组件需求表现出季节性且不断增长时(Jeunet, 2006; Tiacci and Saetta, 2009)。其次,预测研究通常优先考虑准确性指标,而采购决策需要在产能、提前期、价格水平和风险约束下同时对多个相互冲突的目标进行权衡(Duan and Ventura, 2019; Theodorou et al., 2025)。第三,许多现有采购模型侧重于单一产品、短期规划范围或简化的定价假设,导致多组件、多期以及数量折扣政策的采购计划复杂性未得到充分探索(Duan and Ventura, 2019; Liao and Rittscher, 2007)。第四,仍缺乏可实施且可解释的框架,将客户端预测不确定性转化为计算机制造领域可操作的SSPP决策(van der Haar et al., 2024)。
为了弥补这些空白,本研究为计算机制造开发了一个数据驱动的两阶段决策框架,将客户需求预测与SSPP整合。本研究的创新性在于整合的研究视角和问题公式化。本研究并非将模糊需求预测与多目标供应商选择和采购计划视为两个独立的决策问题,而是在统一的从预测到采购的框架内考虑它们。该框架遵循需求驱动逻辑,首先预测带有不确定性边界的季度客户需求,然后将其转化为供应商选择和采购数量决策。
在第一阶段,本研究开发了一个具有显式不确定性表示的客户需求预测程序。分析历史需求数据以识别季节性波动和长期增长趋势。使用中心移动平均(CMA)程序估计季节指数,并从原始序列中去除季节性,以便更有效地建模潜在趋势。然后使用去除季节性的序列构建模糊回归模型。为了反映残余需求不确定性,迭代扩展和重新估计最低和最高需求序列,直到所得的模糊回归区间完全包含历史观察值。然后恢复季节指数以生成季度模糊需求预测。因此,预测阶段产生最低、中心和最高需求值,而不是单一的点估计。
在第二阶段,本研究构建了一个由第一阶段获得的季度模糊需求预测驱动的多期SSPP模型。该模型同时考虑五个目标:采购成本、交付延迟率、产品缺陷率、供应商可持续绩效和供应中断风险。这些目标代表了采购决策的经济学、交付、质量、可持续性和韧性维度。该模型还纳入关键运营约束,包括供应商产能限制、交付时间要求、数量折扣政策、价格水平选择和可接受的中断风险阈值。通过将预测输出嵌入采购模型,所提出的框架使得预测的需求信息及其不确定性边界能够指导采购决策,而不是将需求视为纯粹的外部确定性假设。
所提出的框架通过一家跨国计算机组装公司的真实案例分析进行展示。实证设置涉及季度采购决策,从四个候选供应商处采购两个核心组件,并考虑成本、交付、质量、可持续性和风险因素。该案例说明了季度模糊需求预测如何支持早期采购计划、供应商产能预留和均衡的供应商分配决策。尽管该模型是为计算机制造设计的,但其结构可以通过修改季节周期、供应商评估标准、风险指标、价格水平和运营约束来适应其他行业。因此,该框架在参数化方面是行业定制化的,但在决策逻辑上是可推广的。本研究的主要贡献总结如下。
(i)本研究为计算机制造开发了一个整合的从预测到采购的决策框架。该框架在两个阶段的结构中联系客户需求预测与SSPP,从而使季度模糊需求预测成为采购决策的直接输入,而不是外生假设。
(ii)本研究提供了一种将不确定性纳入采购计划的需求驱动机制。第一阶段生成的最低、中心和最高季度需求值使采购模型能够在确定供应商采购数量时反映需求不确定性。
(iii)本研究在一个模型中共同处理多个采购决策问题,包括多组件和多期采购、多个供应商、数量折扣政策、供应商产能限制、交付时间要求以及中断风险阈值。该模型还考虑了五个目标:采购成本、交付延迟率、产品缺陷率、供应商可持续绩效和供应中断风险。
(iv)本研究展示了AMM-FMOLP如何作为决策支持机制获得均衡的折中方案。重点不在于提出新的优化方法,而在于操作化模糊需求驱动的多目标采购计划,并为计算机制造生成可操作的季度供应商采购数量。
章节片段
客户需求预测与模糊回归
客户需求预测是销售、生产、库存和采购计划的基本输入,因为预测质量直接影响资源分配和运营表现(Abbasimehr et al., 2020; Güven and ?im?ir, 2020)。预测误差可能导致库存过剩、短缺、产能利用率低下以及不必要的采购和物流成本(Abolghasemi et al., 2020)。因此,需求预测研究越来越从生成…
所提出的两阶段模型
本节展示了所提出的两阶段混合模型,它在复杂供应链环境的数据驱动决策支持框架中,将客户需求预测与SSPP整合。在第一阶段,使用CMA与模糊回归结合分析实际工业数据,以捕捉季节性需求模式和需求不确定性。在本研究中,术语"模糊需求预测"指的是表示为(L, M, U)的三角形表示,其中L、M和U分别代表最低、…
问题描述和数据概览
本研究通过与一家跨国计算机组装公司进行真实案例分析而开展。数据是从结构化访谈、内部报告和公司采购系统收集的运营和采购相关真实记录。为遵守保密要求,公司名称、供应商身份、确切产品名称和其他商业敏感信息在报告前进行了匿名化或预处理。这些处理是…
模糊回归区间校准
季节性调整后,通过校准模糊回归区间来评估每个核心组件的残余需求变异性。
从初始扩展步长 δ = 0.05 开始,下季节调整需求序列和上季节调整需求序列被逐步迭代扩展,并在每个扩展级别重新估计对应的回归方程。校准过程持续进行,直到所有历史季节调整观测值都被纳入所生成的模糊回归带范围内。图4 理论与管理启示本研究发现为面临需求不确定性和多目标采购决策的电脑制造企业提供若干管理启示。首先,研究结果强调在采购规划中明确考虑季节性和增长趋势的重要性。历史需求数据显示出明显的季度模式,需求在第三季度达到峰值,在第二季度下降,同时年度需求也随时间推移而增长。这表明仅基于年度结论本研究开发了一个数据驱动的两阶段决策框架,将客户需求预测与SSPP整合应用于一家跨国公司组装电脑公司。在阶段1中,使用基于季节指数的模糊预测方法来生成季度模糊需求预测值,包括下限、中心和上限值。在阶段2中,将这些预测值纳入多期SSPP模型,该模型考虑了采购成本、交货延迟率、产品缺陷率、供应商可持续性CRediT作者贡献声明Chun-Jui Pai:写作–审阅与编辑,写作–初稿撰写,监督指导,软件。Ching-Yun Chi:研究方法,调查研究,资金获取,形式分析,数据管理。Yi-Xuan Liu:可视化,验证,项目管理。Huai-Wei Lo:写作–审阅与编辑,写作–初稿撰写,监督指导,软件,概念构思未引用参考文献Lin et al., 2025.披露声明作者未报告任何潜在的利益冲突。数据可用性本研究期间生成或分析的所有数据均已包含在本已发表的文章中。资金支持本研究未获得任何外部资金支持。Huai-Wei Lo|Ching-Yun Chi|Chun-Jui Pai|Yi-Xuan Liu
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号