汽車售后配件庫存需求模型分析及應用

曾 榮 Zeng Rong

汽車售后配件庫存需求模型分析及應用

曾 榮
Zeng Rong

（江漢大學 機電與建筑學院，湖北 武漢 430056）

為了提高汽車售后服務水平，實現配件庫存需求的準確預測，采用灰色預測方法，首先對原始數據進行處理，其次通過灰色預測建立模型，最后對模型進行求解并檢驗，結果表明，原始數據處理后的預測結果更優。

配件庫存；需求預測；灰色預測

0 引 言

庫存管理是采購、生產與銷售中的重要環節，是物流管理的核心，直接影響顧客滿意度、存貨積壓風險等一系列問題。汽車售后配件庫存管理是汽車物流管理中關鍵的一環，也是汽車制造、銷售、保養和維修等環節的重要組成部分?？茖W合理的庫存和保養汽車售后配件，能保持配件的使用價值，否則會使汽車配件質量下降，出現生銹、腐蝕等問題，使零件失去部分或者全部使用價值，帶來巨大虧損；因此提高汽車配件需求量的預測精準度，有利于合理安排汽車配件庫存[1]。

需求預測的方法主要分為2種，定性預測法和定量預測法[2]。定量預測法包括時間序列法和因果關系法，以及2種方法的組合[3]。時間序列法包括指數平滑法、移動平均法等。因果分析預測法包括回歸分析法、灰色預測等方法，其中灰色預測方法的優點是不需要大量的樣本，且樣本不需要規律分布，計算工作量較小，可用于短期和中長期預測，其預測結果的準確度比較高。

1 預測模型選擇

汽車售后配件的需求受眾多因素的影響，如經濟環境、技術水平、價格因素、配件歷史維修情況等[4]?？紤]到汽車售后配件需求的特點，選擇灰色預測模型進行需求預測。

建立GM（1，1）（Grey Model，灰色模型）的具體步驟如下。

1.1 生成累加序列

1.2 建立微分方程

對上述累加序列建立單變量微分方程

式（1）為式（2）的白化方程。

1.3 估計方程參數

式中：=[(0)(2) ，(0)(3)，...，(0)()]T；

（4）

1.4 求解模型擬合值

為了檢驗模型的擬合度，需要進行誤差檢驗，判斷灰色預測模型是否適合用于實際問題的預測。

1.5 檢驗模型精度

采用構造方差比和計算小誤差概率的方法來檢驗灰色預測模型的準確性。計算方法為

（1）計算殘差值；

（2）計算式（6）序列的方差1；

（3）計算原始序列（0）的方差2；

（4）計算方差比；

=1/2（7）

（5）計算平均相對誤差；

（6）計算小誤差概率。

（1-avg）í100% （9）

指標和是后驗差的兩個重要指標。指標越小越好，當1越小、2越大時，越小。2值越大，表示原始數據序列方差大，原始數據離散程度大；1值越小，表明殘差方差小，殘差離散程度小。值小表明盡管原始數據很離散，但由模型所得的計算值與實際值之差并不過于離散。指標越大越好，表明預測值與原始值越接近，由兩個指標可綜合評定預測模型的精度。

參照表1可以對GM（1，1）模型精度進行具體評估，精度等級分為4級，1級精度最高，4級精度不被接受，見表1。

表1 精度等級

2 實例分析

汽車配件的銷售情況直接影響庫存，根據某汽車企業配件的銷售數據預測其庫存需求量。2008—2017年配件的實際銷售數據見表2。

表2 2008—2017年配件銷售數據

通過分析選取訓練數據為2008—2014年數據，驗證數據為2015—2017年數據，在MATLAB中運用最小二乘法擬合得到訓練組的發展系數=1.154，灰色作用量=18 331.785，方差比=3.589 2、=0.091 2。對照表1可知該模型精度等級為4級，模型不可接受。

將原始數據進行取對數處理后，再次通過MATLAB計算，得到發展系數=0.063 402，灰色作用量=7.366 1，并得到方差比=0.196 5，小誤差概率=0.960 1，對照表1可知該模型精度等級為1級，模型有效。采用此模型進行原始數據擬合，擬合度較好，并對后續年份的銷量值進行預測，如圖1所示。

圖1 取對數后的模型擬合度及預測結果

由圖1可以看出，進行取對數處理后，數據的擬合度較好，預測精度提高。根據銷售預測結果可初步預測出配件的庫存需求量。

3 結 論

運用灰色預測法，通過分析原始數據，對原始數據處理后進行預測，實驗結果比采用未經處理的原始數據預測結果更有效。由于汽車售后配件的需求受諸多因素的影響，如何更準確地預測其需求量將是下一階段的研究方向。

[1]金淳，曹迪，王聰. 汽車零部件第三方物流倉儲需求量集成預測模型[J]. 系統管理學報，2016，27（6）：152-160.

[2]楊靜雅，孫林夫. 基于QPSO-SVR的售后配件庫存需求預測[J]. 計算機工程與設計，2015，36（9）：2539-2543.

[3]閆娟. 灰色神經網絡模型在物流需求預測中的研究[J]. 計算機仿真，2011，28（7）：200-203.

[4]施衛海. 汽車零部件企業需求預測模型應用研究[D]. 上海：上海交通大學，2014.

2020-07-20

F253.4：U472

A

10.14175/j.issn.1002-4581.2020.05.013

1002-4581（2020）05-0052-03