1、1高科技产品逆向物流零部件库存预测方法比较摘要：循环经济的发展，要求疏通逆向物流的流通渠道，通过闭环供应链建立经济的可持续发展模式。本文的研究对象锁定在逆向物流中的特殊一类高科技产品的逆向物流和闭环供应链库存的预测需求。本文重点分析了 BP 神经网络在库存需求中的预测方法，并将传统统计方法与BP 神经网络进行对比分析。 关键词：逆向物流 闭环供应链 BP 神经网络 高科技产品 按照唐纳德?F?布隆伯格（2009）的观点，逆向物流可以具体分为五大类。本文的研究对象锁定在第一类：工业、科技和商业产品，并具体聚焦在高科技工业产品的狭义逆向物流退货和（或）返修过程。更具体的讲是高科技工业产品退货和（或
2、）返修的物流过程（以下简称高科技产品逆向物流） 。 1 高科技产品逆向物流库存预测的特点 1.1 客户的主观性 退货的原因很多，完全由供应链终端的使用者和客户决定，主观性极强。尤其对于承诺“三包服务”的企业只有对特定用户深入分析才能准确掌握客户群的真正想法。 1.2 时间的不确定性 由于产品的销售、服务的过程是顺向供应链的过程，即正向供应链流程，所以在运输、配送等环节可以准确预知数量和发货时间，由于销2售终端客户的分散和顾客最终消费时间的不确定，以及造成顾客不满意而产生退货时间的不确定，使得对逆向物流的控制和再制造库存管理增加了难度。 1.3 管理的柔性 逆向物流相关流程要求在物流设施、运输和
3、其他相关服务方面具备足够的柔性，以确保需求不稳定的逆向物流能够实现预期的目标。而由于时间的不确定和客户因不满意而退、换货的不确定与退货品返厂的运输满载率之间存在博弈关系，因此加大了管理协调的难度。 1.4 多元合作性 逆向物流在实施过程中会涉及到多个主体，如终端客户、销售企业、批发企业、维修服务企业和生产企业等，体现出主体多元性的特点，因此，要建立一个便于相互交流的平台以能够确保各个主体之间有效、迅速和实时的交流，以避免延迟和低效。 1.5 不确定性一定程度可控 通常而言，产品及其零部件都是从制造商流向终端用户。包括对于产品而言，进行售后服务和支持组织，是属于制造商、终端用户或独立的服务组织所
4、有，通常是到现场对产品进行安装和修理活动。从本质上讲，在这一领域，如何有效地进行管理及控制服务实施，在很大程度上依赖于极高的零部件满足率。从售后服务工程师零部件可得性水平的角度来说，即是降低零部件或组件的短缺可能性，从而使终止或被迫放弃的服务需求数量最小化。在逆向物流中，售后服务领域客观存在的其他物流功能可以使存货投资和物流运营的成本最小化。在这种情况下，售3后服务工程师零部件满足率的目标是达到最优库存投资及最低的物流服务成本，因此，必须对高科技产品库存进行需求预测管理。 2 高科技产品库存预测的方法 在售后服务领域，对零部件需求预测的问题主要集中于以下六种分析预测工具： 2.1 简单平均法
5、这种方法是非专业物流管理者通常使用的方法。通过计算历史需求数据的简单平均值对未来需求进行预测。 2.2 移动平均法 该法是从前几期的数据中选取部分时间段数据。从某种程度上看，这种方法对近期变化和趋势的反映更加精确。 2.3 加权移动平均法 该法是根据前期数据不同的时间段和重要性赋予不同的权重。大体上说，这种方法是对简单移动平均法或基本平均法的改进，但是这种方法必须引入权重判断机制。 2.4 指数平滑法 该法是对加权移动平均法的一种改进方法。它通过指数加权曲线对各种因素赋予不同权重，并采用系统的加权方法消除了人为判断的加权机制的影响。 2.5 霍尔特法 该法是比指数平滑法更加成熟的预测方法。它考
6、虑了许多额外因素或历史数据的趋势。一般来说，如果需求的变化是渐进的，那么应用霍4尔特法将提高指数平滑法的精确性。 2.6 贝叶斯推断 该法是一种很有效的分析预测方法，它能根据单个 SKU 边际利润的改变，调整相应的预测方法和技术。在典型的电子产品环境下，贝叶斯推断对流转缓慢的零部件需求预测很有效。 2.7 线性神经元网络法 具体步骤如下： 选取研究样本。根据不同的存货控制机制，可以对单一零部件 SKU的管理、对成套产品的管理，以及对二者组合的管理的方法来选择样本，要同时选取华为、苹果等优秀公司的样本，以便对网络进行学习训练。应用 BP 神经网络模型进行预测与统计方法相比，在样本的选取上局限性小
7、于传统的统计方法。因为传统的统计方法要求样本服从某一种特殊的分布，如正态分布等，而 BP 神经网络模型对样本并没有这样的特殊要求。把用来衡量高科技产品企业库存安全水平的建模变量作为神经网络的输入向量，确定输入层的节点个数。 将代表分类结果的量作为神经网络的输出，设定输出层节点个数，而输出层节点个数由输出类别决定，对高科技产品企业的输出至少有两种，即单一产品 SKU 和成套产品 SKU，因此输出层的节点个数一般为 2。 确定隐含层节点个数。隐含层节点个数一般为经验值，与输入层和输出层的节点个数有关，并没有统一的数值要求，一般不宜太少。否则将影响网络的有效性，也不宜过多，否则会增加学习训练的时间。
8、参5照其他研究会根据样本大小和变量个数设定一个节点。 确定学习率和系统误差。学习率一般控制在 0.01-0.9 之间，取值不宜过大或偏小，因为学习率越小，训练次数越多，若学习率过大，每次权值的变动越剧烈，会影响网络结构的稳定性。一般来说，在以往的研究中，学习率选择 0.05，误差 通常需要根据输出要求来确定，为了保证系统的学习精度，在很多的研究中设定系统误差为 0.1%。 在输入各项参数后，就开始用训练样本来训练网络，使训练样本中的样本企业与参照企业的输入向量得出区分两类不同公司的输出向量，一旦学习训练完毕，便可作为被测企业预测的有效工具。 3 BP 神经网络在预测中与传统方法的比较分析 该方
9、法较之传统的统计类分析方法相比，已经越来越多的受到学者的关注。本文通过以下的两张表分析优缺点。具体分析见表 1-1 和表 1-2传统统计方法与 BP 神经网络的比较。 综上，在预测精度、样本选择，以及系统误差方面，BP 神经网络均表现出良好的优点。但是 BP 神经网络也存在一定的缺陷，如下表 1-2 传统统计方法与 BP 神经网络的比较（2） 。 综上，在数学建模、稳定性和参数的严谨性角度，BP 神经网络还有一定的缺陷。 4 结论 循环经济的发展，要求逆向物流为其疏通渠道。闭环供应链的建立可以协调正向和逆向物流在有效的体系中整体趋向最优。高科技产品闭环供应链库存预测的新方法 BP 神经元网络开
10、启了一种崭新的研究领域，6将技术研究和实际应用的结合，为人们解决高科技产品逆向物流中的实际问题构造了一种全新的思路，同时也丰富了统计方法，尽管 BP 神经元网络尚有一定的缺陷，随着研究的深入和理论的发展，其今后必能给我们的研究作出更大的贡献。 注释： （1）工业、科技和商业产品；（2）消费品召回、回收和处理；（3）基于法律规定的绿色产品回收；（4）包装和托盘循环利用；（5）废弃物收集、回收和处理. 参考文献： 1E.Schoeneburg，N.Hansen，A.Gawelczyk.Neuronal Netsw- erke.Germany：Markt&Technik VerlagAG，1990. 2 X.Wang，R.Babinsky and H.Scheich.Synaptic potentiation and depression in slices of mediorostral neostriatum- hyperstriatum complex.USA：Neuroscience，Vol.60，No.3，PP.689-699，1994. 3唐纳德?F?布隆伯格著，刘彦平译.逆向物流与闭环供应链流程管理M.天津：南开大学出版社. 基金项目： 本文系天津市哲学社科规划课题“社会学视角下的转型期中国企业社会责任问题研究” （TJGL12-113）的阶段性研究成果。
