前言：想要寫出一篇引人入勝的文章？我們特意為您整理了汽車售后配件需求預測及庫存控制研究范文，希望能給你帶來靈感和參考，敬請閱讀。

摘要:汽車售后配件需求影響著配件的庫存和銷售,對需求預測及庫存控制的研究現狀進行分析,根據其整體研究框架,進一步對目前的汽車售后配件需求和庫存等相關研究進行全面地分析,并指出未來值得關注的研究范圍和方向。

關鍵詞:汽車售后配件;需求預測;庫存控制

引言

汽車售后配件庫存量不僅直接關系到客戶的滿意度,而且關系到售后企業的成本控制和銷售量。汽車售后配件庫存需求量的預測是確定合理配件庫存的前提,而影響汽車售后配件需求的因素眾多,使其需求預測較復雜。為了解決汽車售后配件庫存合理控制的問題,減少庫存成本,提高汽車售后服務的滿意度,以汽車售后配件為研究對象,在售后服務供應鏈環境下,分析目前汽車售后配件需求預測及庫存控制的研究現狀十分有必要。

1研究現狀

汽車售后配件不同于在制品和最終產品。與終端產品不同,當汽車發生故障或被預防性更換時,需要配件。因此,配件的消耗與售后維修密切相關,汽車售后配件庫存的目的是保證汽車售后服務企業正常運行。而需求預測對庫存至關重要,研究汽車需求影響因素后對其需求進行科學預測,為庫存控制提供依據是十分必要的。下面從需求的影響因素、需求預測的方法、基于需求預測的庫存控制3個方面分析國內外研究現狀。

1.1需求的影響因素

單獨研究汽車售后配件需求影響因素的文獻較少,大多數文獻主要集中研究需求預測的方法,在這些文獻中分析了汽車售后配件的影響因素。EHRENTHA等[1]考慮了需求預測受季節變動的影響,在需求預測時考慮了季節因素,降低了庫存成本。MA等[2]通過調查類別內和類別間SKU級別的促銷信息在提高預測準確性中的價值,認為促銷影響著產品的需求量。ABOLGHASEMI等[3]同樣認為促銷導致整個需求波動,將需求分解為基線和促銷需求,提出了一種混合模型進行預測需求。多數備件需求預測研究重點主要基于歷史需求數據的技術,很少考慮其他信息來源。HU等[4]考慮了時間序列數據以外的因素,研究基于可靠性的預測時,考慮到了部件的故障率、操作環境對可靠性特性的影響以及不同維護策略的影響,但他們沒有明確考慮客戶群演變和狀態的影響。SARAH等[5]等綜述了關于將此類已安裝基礎信息用于備件需求預測的文獻,評估了哪些類型的安裝基礎信息可能有用,如何使用這些信息來得出預測,使用已安裝的基礎信息改進預測的價值,以及現有方法的限制。國內作者金淳等人[6]在總結前人研究的基礎上,提出了汽車零部件需求具有一定季節性,且受到供貨提前期、缺貨量、物流需求量等內部因素影響,同時受到距離、政治經濟、行業等外部因素影響;楊靜雅和孫林夫[7]也分析了汽車配件需求的影響因素,除了上述影響因素外,他們還認為汽車配件需求量受到車輛銷售數量影響,與片區配件歷史維修數據及配件投入使用的時間等因素有關。魏曦初等[8]認為備件需求具有間斷性,預測值與真實值往往具有很大偏差,指出了歷史數據混淆和需求產生原因不明確是造成偏差的兩項根本原因。提出了基于影響因素分析和數據重構的備件需求預測方法。在影響因素識別方面,結合實踐調研,從備件自身、設備使用、操作人員及突發事故4個方面提出備件需求的7個影響因素。由以上研究可以發現,無論是配件需求影響因素還是汽車配件需求影響因素的研究基本包含在需求預測研究中,單獨研究需求影響因素的較少,但是分析出汽車配件需求的影響因素關系到需求預測的精確度,故研究汽車配件需求預測方法前應分析汽車配件不同于其他配件的特征,以及哪些是影響汽車配件需求量的因素,為后期研究做準備。

1.2需求預測方法

需求預測的方法研究目前有很多,主要有傳統的統計學預測方法、基于機器的預測方法以及近些年比較多的組合預測方法。CROSTON[9]開創性的論文引入了分離需求大小和時間間隔的想法,以獲得比傳統SES–簡單指數平滑更好地預測。他不是專注于每個期間的平均需求,而是將需求分為兩個獨立的組成部分:需求規模和需求發生。然后,他分別進行了兩項估計值:需求間隔和需求大小。PENNINGS等[10]對克羅斯頓的方法(CR)進行了調整和修訂,BABAI等[11]認為CROSTON和SBA僅在需求為正的時期更新需求大小和需求間隔,因此在零需求預測期間,在庫存過時的情況下不會向下調整,故提出了Teunter-Syntetos-Babai(TSB)方法,通過更新需求概率而不是需求間隔來解決這個問題,并在每個期間都這樣做,該方法為線性和突發過時項目提供了良好的理論性能。除了CROSTON之后的研究流之外,EFRON開發了引導技術。在此類應用上的一個里程碑是WILLEMAIN等[12]的論文,該論文從經驗上與SES和CROSTON模型相比,顯示了其引導預測的出色表現。除了判斷性預測之外,上述方法都只考慮歷史需求,只對過去發生的事情做出反應,故只是以被動的方式預測。但是,需求可能取決于許多其他因素,僅僅依靠過去的消費可能不準確[13-14]。描述產生需求的因素,可以更主動地預測[15],因為這將預測未來的需求。近年來,越來越多的作者考慮到汽車售后配件影響因素的復雜,采用了組合的預測方法提高預測的精度。如國內作者金淳,提出了一種將定量預測與定性預測相結合的集成預測模型,彌補了單個預測方法的不足,解決了單個使用的神經網絡和ARIMA等方法的問題。這些需求預測的方法在不停地改進,但是一些作者也提出了理論方法與實際的差別問題,如BACCHETTI等[16]調查了備件管理研究與實踐之間的差距,為了彌補這一差距,提出了4個主要研究方向,即:制定備件管理的綜合辦法;明確應急管理準則,有利于企業知識積累過程,對具有實際相關性的理論模型進行補充。綜上所述,需求預測方法在不停地完善,既要結合歷史數據對需求進行分析,又不能被動預測,需要考慮需求的影響因素,更好地預測未來的需求量;其次,需求預測要能夠與實際相結合,能夠應用到實際當中,而不是停留在理論上的研究,要能為企業庫存決策提供可靠的依據。

1.3基于需求預測的庫存控制

既要保證正常的售后服務,又要減少庫存,提高客戶滿意度,是庫存控制的關鍵。目前學者在基于需求預測的基礎上進行了大量庫存管理的研究。SNYDERABA等[17]使用美國汽車制造商提供的1046個汽車零部件的月度需求數據對3種車型進行了比較,開發了不是只關注預測,而是與整個預測分布相關的績效度量,結果比傳統泊森方案更靈活的分布。REGO等[18]對備件需求預測和庫存控制進行了大規模的仿真研究,以在每個庫存類別中選擇最佳策略,研究包括記錄需求數據的3種替代方法(單個訂單數據、每周和每月時間段)、3種需求預測模型(SMA-簡單移動平均、SBA-Syntetos-Boylan近似和自舉)和6種提前期需求分布模型(正態、伽馬、NBD負二項分布,復合PoissonNor-mal,復合PoissonGamma和Bootstrapping)產生17個“組合”策略,其實證結果表明,高需求會導致高庫存水平(銷售效應),而高庫存水平在動態和不確定的環境中刺激銷售需求(需求刺激效應),且庫存不能無限刺激需求。CHUANG等[19]也同樣用實證方法驗證了所提模型的有效性。SARAH等[5]通過將備件與服務維護策略聯系起來,預測備件的需求。通過跟蹤活動客戶群并估計零件故障行為,預測了未來提前期備件需求的分配情況,并且該方法用于基本庫存策略管理庫存。MEHDIZADEH[20]結合ABC分析和粗糙集理論來控制汽車零部件供應鏈中的分銷商庫存,在汽車零部件供應鏈中,由于數據的模糊性和不確定性,影響了需求預測和訂貨決策的質量,故其研究時考慮了銷售的汽車數量和他們的英里數作為備件需求的因素,最后驗證表現在管理措施方面的顯著改進,如服務水平的提高、平均評估和平均風險的降低。

2結束語

綜上所述,汽車售后配件需求預測和庫存控制研究中存在一些問題。首先,關于專門研究需求預測的影響因素的文獻并不多,部分文獻提到了需求的影響因素,但是并不是十分全面;其次,汽車需求預測的方法較多也比較成熟,但是適合汽車售后配件的需求預測方法還需進一步研究和討論;再次,庫存控制研究也比較多,但是基于需求預測的庫存控制可以進一步深入探討;最后,能夠結合需求預測的影響因素及較精確的預測方法去解決其售后配件的庫存問題的研究不多,而前兩個要點對庫存控制十分關鍵,故后期研究可以從以上4個方面進行考慮。

作者：曾榮 單位：江漢大學智能制造學院