汽车售后配件需求预测及库存控制的研究现状

曾荣

(江汉大学智能制造学院，湖北武汉 430056)

0 引言

汽车售后配件库存量不仅直接关系到客户的满意度，而且关系到售后企业的成本控制和销售量。汽车售后配件库存需求量的预测是确定合理配件库存的前提，而影响汽车售后配件需求的因素众多，使其需求预测较复杂。

为了解决汽车售后配件库存合理控制的问题，减少库存成本，提高汽车售后服务的满意度，以汽车售后配件为研究对象，在售后服务供应链环境下，分析目前汽车售后配件需求预测及库存控制的研究现状十分有必要。

1 研究现状

汽车售后配件不同于在制品和最终产品。与终端产品不同，当汽车发生故障或被预防性更换时，需要配件。因此，配件的消耗与售后维修密切相关，汽车售后配件库存的目的是保证汽车售后服务企业正常运行。而需求预测对库存至关重要，研究汽车需求影响因素后对其需求进行科学预测，为库存控制提供依据是十分必要的。下面从需求的影响因素、需求预测的方法、基于需求预测的库存控制3个方面分析国内外研究现状。

1.1 需求的影响因素

单独研究汽车售后配件需求影响因素的文献较少，大多数文献主要集中研究需求预测的方法，在这些文献中分析了汽车售后配件的影响因素。EHRENTHA等[1]考虑了需求预测受季节变动的影响，在需求预测时考虑了季节因素，降低了库存成本。MA等[2]通过调查类别内和类别间 SKU 级别的促销信息在提高预测准确性中的价值，认为促销影响着产品的需求量。ABOLGHASEMI等[3]同样认为促销导致整个需求波动，将需求分解为基线和促销需求，提出了一种混合模型进行预测需求。

多数备件需求预测研究重点主要基于历史需求数据的技术，很少考虑其他信息来源。HU等[4]考虑了时间序列数据以外的因素，研究基于可靠性的预测时，考虑到了部件的故障率、操作环境对可靠性特性的影响以及不同维护策略的影响，但他们没有明确考虑客户群演变和状态的影响。SARAH等[5]等综述了关于将此类已安装基础信息用于备件需求预测的文献，评估了哪些类型的安装基础信息可能有用，如何使用这些信息来得出预测，使用已安装的基础信息改进预测的价值，以及现有方法的限制。

国内作者金淳等人[6]在总结前人研究的基础上，提出了汽车零部件需求具有一定季节性，且受到供货提前期、缺货量、物流需求量等内部因素影响，同时受到距离、政治经济、行业等外部因素影响；杨静雅和孙林夫[7]也分析了汽车配件需求的影响因素，除了上述影响因素外，他们还认为汽车配件需求量受到车辆销售数量影响，与片区配件历史维修数据及配件投入使用的时间等因素有关。魏曦初等[8]认为备件需求具有间断性，预测值与真实值往往具有很大偏差，指出了历史数据混淆和需求产生原因不明确是造成偏差的两项根本原因。提出了基于影响因素分析和数据重构的备件需求预测方法。在影响因素识别方面，结合实践调研，从备件自身、设备使用、操作人员及突发事故4个方面提出备件需求的7个影响因素。

由以上研究可以发现，无论是配件需求影响因素还是汽车配件需求影响因素的研究基本包含在需求预测研究中，单独研究需求影响因素的较少，但是分析出汽车配件需求的影响因素关系到需求预测的精确度，故研究汽车配件需求预测方法前应分析汽车配件不同于其他配件的特征，以及哪些是影响汽车配件需求量的因素，为后期研究做准备。

1.2 需求预测方法

需求预测的方法研究目前有很多，主要有传统的统计学预测方法、基于机器的预测方法以及近些年比较多的组合预测方法。

CROSTON[9]开创性的论文引入了分离需求大小和时间间隔的想法，以获得比传统 SES-简单指数平滑更好地预测。他不是专注于每个期间的平均需求，而是将需求分为两个独立的组成部分：需求规模和需求发生。然后，他分别进行了两项估计值：需求间隔和需求大小。PENNINGS等[10]对克罗斯顿的方法(CR)进行了调整和修订，BABAI等[11]认为CROSTON和SBA仅在需求为正的时期更新需求大小和需求间隔，因此在零需求预测期间，在库存过时的情况下不会向下调整，故提出了Teunter-Syntetos-Babai(TSB)方法，通过更新需求概率而不是需求间隔来解决这个问题，并在每个期间都这样做，该方法为线性和突发过时项目提供了良好的理论性能。

除了CROSTON之后的研究流之外，EFRON开发了引导技术。在此类应用上的一个里程碑是WILLEMAIN等[12]的论文，该论文从经验上与SES和CROSTON模型相比，显示了其引导预测的出色表现。

除了判断性预测之外，上述方法都只考虑历史需求，只对过去发生的事情做出反应，故只是以被动的方式预测。但是，需求可能取决于许多其他因素，仅仅依靠过去的消费可能不准确[13-14]。描述产生需求的因素，可以更主动地预测[15]，因为这将预测未来的需求。

近年来，越来越多的作者考虑到汽车售后配件影响因素的复杂，采用了组合的预测方法提高预测的精度。如国内作者金淳，提出了一种将定量预测与定性预测相结合的集成预测模型，弥补了单个预测方法的不足，解决了单个使用的神经网络和ARIMA等方法的问题。

这些需求预测的方法在不停地改进，但是一些作者也提出了理论方法与实际的差别问题，如BACCHETTI等[16]调查了备件管理研究与实践之间的差距，为了弥补这一差距，提出了4个主要研究方向，即：制定备件管理的综合办法；明确应急管理准则，有利于企业知识积累过程，对具有实际相关性的理论模型进行补充。

综上所述，需求预测方法在不停地完善，既要结合历史数据对需求进行分析，又不能被动预测，需要考虑需求的影响因素，更好地预测未来的需求量；其次，需求预测要能够与实际相结合，能够应用到实际当中，而不是停留在理论上的研究，要能为企业库存决策提供可靠的依据。

1.3 基于需求预测的库存控制

既要保证正常的售后服务，又要减少库存，提高客户满意度，是库存控制的关键。目前学者在基于需求预测的基础上进行了大量库存管理的研究。

SNYDERABA等[17]使用美国汽车制造商提供的1 046个汽车零部件的月度需求数据对3种车型进行了比较，开发了不是只关注预测，而是与整个预测分布相关的绩效度量，结果比传统泊森方案更灵活的分布。REGO等[18]对备件需求预测和库存控制进行了大规模的仿真研究，以在每个库存类别中选择最佳策略，研究包括记录需求数据的3种替代方法(单个订单数据、每周和每月时间段)、3种需求预测模型(SMA-简单移动平均、SBA-Syntetos-Boylan近似和自举)和6种提前期需求分布模型(正态、伽马、NBD负二项分布，复合Poisson Normal，复合Poisson Gamma和Bootstrapping)产生17个“组合”策略，其实证结果表明，高需求会导致高库存水平(销售效应)，而高库存水平在动态和不确定的环境中刺激销售需求(需求刺激效应)，且库存不能无限刺激需求。CHUANG等[19]也同样用实证方法验证了所提模型的有效性。SARAH等[5]通过将备件与服务维护策略联系起来，预测备件的需求。通过跟踪活动客户群并估计零件故障行为，预测了未来提前期备件需求的分配情况，并且该方法用于基本库存策略管理库存。MEHDIZADEH[20]结合ABC分析和粗糙集理论来控制汽车零部件供应链中的分销商库存，在汽车零部件供应链中，由于数据的模糊性和不确定性，影响了需求预测和订货决策的质量，故其研究时考虑了销售的汽车数量和他们的英里数作为备件需求的因素，最后验证表现在管理措施方面的显著改进，如服务水平的提高、平均评估和平均风险的降低。

2 结束语

综上所述，汽车售后配件需求预测和库存控制研究中存在一些问题。首先，关于专门研究需求预测的影响因素的文献并不多，部分文献提到了需求的影响因素，但是并不是十分全面；其次，汽车需求预测的方法较多也比较成熟，但是适合汽车售后配件的需求预测方法还需进一步研究和讨论；再次，库存控制研究也比较多，但是基于需求预测的库存控制可以进一步深入探讨；最后，能够结合需求预测的影响因素及较精确的预测方法去解决其售后配件的库存问题的研究不多，而前两个要点对库存控制十分关键，故后期研究可以从以上4个方面进行考虑。