機器學習驅動的出口跨境電商供應鏈網絡優化

尹雪明，王長軍

(東華大學 旭日工商管理學院, 上海 200051)

隨著貿易的數字化和全球化,跨境電商(cross-border E-commerce, CBEC)成為了重要貿易形式。特別是新冠疫情的持續擴散,進一步促進了全球線上消費。由此,CBEC成為我國企業出口新模式,帶動了傳統產業轉型升級[1]。海關統計數據顯示,2021年我國CBEC進出口總額達1.98萬億元,同比增長15%[2]。在此背景下,我國中小型企業參與CBEC的積極性不斷增強。

CBEC離不開物流供應鏈網絡的支持[3]。然而,由于中間環節多、物流過程長等特征,CBEC供應鏈運營面臨著獨特的復雜性,特別是跨境交易、支付過程中存在顯著的不確定性。具體而言,在跨境交易過程中,面臨著各國需求的高度不確定,當供需不匹配時,缺貨會招致電商平臺的處罰,而緊急補貨則成本巨大;反之,滯銷商品回程或轉運成本更高,并面臨著二次關稅的可能[4]。這些都是與一般貿易的不同之處。此外,在支付方面,匯率的不確定性會顯著影響企業收益。因此,如何在CBEC供應鏈網絡優化設計中減少這些不確定性因素的影響,成為了企業面臨的難題之一。

在既往研究中,全球供應鏈網絡優化深受學者廣泛關注,其中,相當多研究注意到了諸如需求等的不確定性[5-8]。例如,Zhou等[8]針對煤炭供應鏈,采用樣本平均近似(sample average approximation, SAA)方法構建隨機場景,繼而利用隨機規劃實現供應鏈網絡優化設計。除此之外,也有就匯率波動對全球供應鏈的影響展開研究。如Gunay等[9]考慮匯率不確定性的影響,提出了兩階段隨機優化模型對部件供應商進行選擇。

隨著CBEC的快速發展,部分文獻對其相關問題如訂單履行模式[10-11]、物流方式選擇[12]、揀選策略[13]等展開了研究。僅較少研究考慮了CBEC供應鏈網絡優化,例如:胡玉真等[14]研究了CBEC中的海外倉選址優化,但沒有考慮需求、匯率等不確定性因素;燕晨屹等[15]基于最小最大后悔模型,研究了海外倉選址問題?，F有CBEC供應鏈網絡優化研究僅考慮了海外倉一種模式,沒有關注如何充分利用豐富的電商數據。

為構建穩健的CBEC供應鏈網絡,如何描述不確定貿易場景是關鍵。相比于一般貿易形式,電商交易數字化使得企業沉淀大量的歷史數據,通過對其合理利用,企業有可能對未來的貿易場景做出判斷。而近年來,機器學習(machine learning, ML)相關方法在大量商業領域獲得了廣泛應用[16-17]。其中,部分文獻將ML方法應用于CBEC研究,如Shi等[18]利用ML對海外倉庫存商品按獲利高低進行分類,進而避免將無利可圖的物品運送到海外倉。為將ML與隨機優化決策相結合,Bertsimas等[19]通過ML對歷史數據學習獲得隨機場景,并將其應用于優化決策,從而實現了從“預測”到“決策”的研究。近年來,學者已將利用ML方法獲得隨機場景的做法應用于不同領域,包括醫療物資庫存[20]、運輸線路優化[21]等。由此,本文也將探索ML方法在CBEC供應鏈網絡的隨機優化中的應用。

此外,CBEC還深受貿易格局變化的影響。2022年年初,東盟、中日韓澳新等共建的《區域全面經濟伙伴關系 (regional comprehensive economic partnership, RCEP)協定》落地實施,意味著占全球約三分之一經濟體量的一體化市場的形成[22]。數據顯示,RCEP實施首月,我國出口企業按RCEP協定申報貨值達92.5億元,表明RCEP顯著的拉動作用[23]。RCEP協定生效將推動我國的優勢產業如紡織服裝、輕工、農產品等勞動密集型行業發展,尤其是紡織服裝行業,RCEP成員國是我國紡織服裝企業重要的出口市場[24],因此本文將以服裝出口為例展開說明RCEP帶來的影響?，F有RCEP的研究多是定性的[25-26],而RCEP協定實施會如何影響CEBC企業的供應鏈布局,尚缺乏相關研究,而這也是本文所關注的問題。

本文以出口企業的CEBC供應鏈網絡優化為研究對象,構建考慮需求、匯率等不確定性的選址-庫存-分配聯合優化的隨機模型,所得模型為混合整數規劃,該類問題常用求解器ILDG CPLEX展開仿真求解[27-28]。與以往研究不同,本文利用豐富的電商數據,將ML方法應用于隨機規劃模型的場景構建,實現從“預測”到“決策”的研究;另外,以出口東南亞的某CBEC服裝企業的實際數據為基礎,展開應用研究,驗證方法有效性,并分析RCEP實施對企業供應鏈布局的影響,提煉相關管理建議。

1 問題概述與模型構建

考慮某出口企業面臨的三級CBEC供應鏈,包含工廠、若干海外倉和邊境倉,以及境外需求點。為支持產品在電商平臺上某個時點的銷售,企業分兩階段制定如下決策:第一階段,在訂單到達之前,選擇鋪貨的倉庫,包括海外倉和邊境倉,以及備貨量;第二階段,在需求信息明確后,企業需確定各個倉庫的出貨量,以及當倉庫缺貨時直接從工廠發貨的補貨量。其中,在進行第一階段決策時,面臨的需求信息和相應的貿易場景是變化的。

為解決如上問題,參照現有研究,采用兩階段隨機規劃的方式構建優化模型:第一階段決策是在隨機貿易場景發生前就要做出的決策,也稱為here-and-now決策;而第二階段決策則是在隨機貿易場景發生后,視場景而制定的決策,即wait-and-see決策。由此,決策者考慮第一階段選址、鋪貨的運輸和倉儲成本,以及第二階段的運輸、缺貨和滯銷成本。目標函數就是最優化第一階段成本和第二階段期望成本之和。

1.1 符號說明及參數

本文建模所需的變量說明如表1～3所示。

表1 集合與索引Table 1 Sets and indexes

表2 兩階段參數Table 2 Two-stage parameters

表3 兩階段決策變量Table 3 Two-stage decision variables

1.2 兩階段隨機規劃模型

首先給出模型的目標函數。其中,第一階段成本包括選址成本,即邊境倉和海外倉的租賃費用、庫存成本以及鋪貨的物流成本分別如式(1)、(2)、(3)所示。其中,關稅采用從價關稅征收方法,而匯率信息已知,故不考慮匯率變動。

(1)

(2)

(3)

第二階段費用為各部分費用的期望值,包括出庫成本、補貨成本、缺貨成本、滯銷成本以及企業的銷售收入,如式(4)～(8)所示。

(4)

(5)

(6)

(7)

(8)

由此,得到兩階段隨機規劃模型的目標如下:

(9)

模型服從如下約束:

(10)

(11)

(12)

(13)

(14)

(15)

(16)

(17)

(18)

(19)

(20)

(21)

(22)

(23)

(24)

(25)

(26)

(27)

(28)

(29)

其中:式(10)～(11)表示備貨量不超過倉儲容量;式(12)表示倉庫租賃數量約束;式(13)表示每個客戶點只分配給一個邊境倉或海外倉;式(14)～(15)確保被選中的倉庫點才會分配給客戶點;式(16)～(17)只有分配給客戶點的倉庫才有相應的貨物流量;式(18)～(19)表示倉庫至客戶點的流出量不超過其流入量;式(20)～(21)表示倉庫點的流量平衡約束;式(22)為客戶點的流量平衡約束;式(23)～(29)為各種決策變量的定義域。

RCEP旨在對90%以上貨物逐步實現零關稅,上述模型可通過關稅的調整考慮這一協定,故假定RCEP不改變模型結構。

2 基于機器學習的隨機貿易場景建模

2.1 基于SAA的隨機場景建模

傳統上,隨機規劃采用SAA生成模型所需場景。顧名思義,即采用歷史樣本表示決策所面臨的隨機場景,由此,可用樣本均值估計目標函數值的總體期望。

(30)

式中:x為決策變量的向量。

然而,電商銷售產品的價格會頻繁變動,而變動的價格是由決策者決定的,并非外生隨機參數,且會對需求產生顯著影響。此外,外生的匯率雖然會頻繁變動,但其下一時刻的匯率變化與上一時刻的已知匯率存在著聯系。而SAA方法無法挖掘這些關系,存在一定的局限性。

2.2 基于ML方法的隨機場景建模

具體而言,在制定下一周期供應鏈網絡計劃時,假設市場部門已經制定了銷售價格,即T+1周期的價格和折扣力度是已知的。顯然,上一周期即T周期的匯率也是已知的。在學習時將這些特征量輸入模型,預測出所需要的目標值。以下給出幾種ML方法的主要思想和具體實施步驟。

2.2.1 基于KNN回歸的隨機場景構建

KNN(Knearest neighbor)的思想是尋找距離最近的K個鄰居,賦予相應權重,將其作為隨機規劃模型的場景。

(31)

(32)

2.2.2 基于CART回歸的隨機場景構建

Breiman等[29]在1984年提出了CART(classification and regression tree)算法,其適用于多特征變量的復雜數據建模,可以用于分類或回歸。其中,用于回歸時,使用樣本的最小方差作為分裂節點的依據生成CART樹。CART樹的回歸過程如圖1所示。

圖1 CART樹回歸過程Fig.1 Regression process of CART tree

在構建好CART樹之后,尋找與輸入樣本處于同一分支的樣本,其對應目標值即為可能發生的場景,場景概率可以用式(33)表示[19]。

(33)

(34)

2.2.3 基于隨機森林的隨機場景構建

隨機森林(random forest, RF)采用重抽樣方法對因變量觀測值進行抽取,進而從與之相關的自變量中隨機抽取變量值確定分類樹節點,生成多棵決策樹,通過求每棵決策樹的葉節點值作為RF回歸模型的預測場景。RF回歸過程如圖2所示。

圖2 隨機森林回歸過程Fig.2 Regression process of random forest

與CART不同的是,RF的場景發生概率與樹的總量M有關。RF回歸模型的預測場景發生概率可以用式(35)表示[19]。

(35)

(36)

3 實例仿真分析

在處理器為Intel(R) Core(TM) i7-10510U、主頻為1.8 GHz 、內存為16 GB的筆記本電腦上,首先利用Jupyter Notebook 6.4.6進行隨機場景的機器學習,繼而利用ILOG CPLEX 12.6.3軟件對隨機規劃模型進行最優求解。

3.1 問題背景

Z是一家位于浙江杭州的中型服裝外貿企業,近年來其通過Shopee等CBEC平臺向東南亞地區進行海外銷售,客戶主要位于泰國、柬埔寨、越南和緬甸等國?？紤]采用海外倉和邊境倉兩種模式。其中:海外倉離客戶點近,訂單響應速度快,但存在成本高、未銷商品處理難等問題;反之,邊境倉租賃成本低,但存在訂單響應成本高等問題。Z公司同時依托邊境倉和海外倉構建其供應鏈網絡,并通過陸路專線方式運輸。

表4 工廠至邊境倉的相關成本Table 4 Unit costs from the factory to border warehouses 單位:元

表5 工廠至海外倉的相關成本(按當地貨幣計價)

表6 邊境倉至客戶點單位產品運輸費用(按當地貨幣計價)

表7 海外倉至客戶點單位產品運輸費用(按當地貨幣計價)

表8 工廠至各客戶點的單位運輸費用Table 8 Unit transportation costs from the factory to customers

表9 單位缺貨成本(按當地貨幣計價)Table 9 Unit out-of-stock cost (in local currency)

3.2 貿易場景預測效果對比

(37)

(38)

(39)

選取2021年10月31日前的60周樣本數據,包括銷量、價格、折扣力度和匯率,以7∶3的比例劃分訓練集和測試集。其中KNN選取5個距離最近的樣本點,CART和RF中最大樹深設為3,RF共生成16棵樹。將訓練模型用于測試集目標值預測,預測值與真實值代入式(37)～(39)進行檢驗,由此得到預測精度數據。SAA則是將抽樣所得預測值與剩余數據真實值進行精度檢驗,共抽取5組數據進行計算。各模型預測精度如表10所示,結果表明,ML方法均優于傳統SAA,其中RF模型預測的結果誤差最小,其表現最優。因此,本文將依據RF的預測結果設定隨機場景,繼而進行模型求解。

表10 各模型預測精度Table 10 Prediction accuracy of the models

3.3 仿真結果

不限制選址數量,對基于RF模型產生的隨機場景展開隨機規劃模型的最優計算,可得RCEP實施前后的決策和各項成本如表11所示,其中,實施RCEP后的關稅為0。由仿真結果可知,在RCEP實施之后,模型選址結果由云南昆明、柬埔寨金邊變為泰國曼谷和柬埔寨金邊,且兩倉的備貨量均有所增加。此外,RCEP的實施會帶來總收益的大幅度提升和總成本的下降。究其原因,主要是出庫成本有了顯著改善,導致其他成本的占比有所上升。此外,RCEP實施前、后運輸成本占總成本比重分別為79.47%和55.28%。這是因為曼谷海外倉替換了昆明邊境倉,雖然增加了入庫運費,但關稅減免帶來的出入庫成本改善更為顯著。由此可知,RCEP協定能夠促進企業布局海外倉。

表11 RCEP實施前后供應鏈網絡決策及成本Table 11 Comparisons of decisions and costs before and after RCEP

3.4 靈敏度分析

RCEP的零關稅不是一步到位,因此,有必要對關稅稅率的靈敏度進行分析。以RCEP協定實施前關稅稅率為基礎進行縮放,即關稅稅率為基礎關稅稅率與關稅縮放倍數之積,關稅縮放倍數以0.2的幅度從0增至1.8,共得到10組結果,對選址決策及備貨量的影響如表12和圖3所示。

圖3 倉庫備貨量隨關稅縮放倍數的變動趨勢Fig.3 Trends of pre-positioning stock with tariff scaling factor

表12 關稅變化對決策的影響Table 12 The impacts of tariff changes on decisions

由表12和圖3可知,當關稅從0逐漸增加時,由于二次關稅的存在,放置在海外倉的貨物量逐漸減少。當關稅縮小倍數從0.2至0.4時,企業會放棄曼谷海外倉,并開始在昆明邊境倉備貨。而隨著關稅的持續增加,邊境倉和海外倉的備貨量均逐漸減少,尤其是海外倉;而當關稅放大倍數升至1.8倍時,只進行邊境倉的布局。

各項成本和利潤隨關稅縮放倍數的變化趨勢如圖4和5所示。

圖4 各項成本隨關稅縮放倍數的變動趨勢Fig.4 Trends of costs by item with tariff scaling factor

圖5 總成本和利潤隨關稅縮放倍數的變動趨勢Fig.5 Trends of total costs and profits with tariff scaling factor

由圖4和5可知:當關稅縮小倍數從0.2增至0.4時,由于倉庫決策發生變動,入庫成本有所下降,出庫成本大幅度增加,此時總成本也有所增加;當關稅放大倍數從1.4增至1.6時,入庫成本、出庫成本和總成本反而大幅度降低,這是由于不惜缺貨而減少供應量所帶來的變化。伴隨這一結果的是,缺貨成本大幅攀升且總利潤快速下降。尤其是當關稅放大倍數升高至目前的1.8時,倉庫僅選擇云南昆明的邊境倉,此時公司不再布局海外倉,經營處于萎縮狀態。以上分析可知,貿易關稅對于服裝企業CBEC供應鏈布局和經營有著顯著影響,由此,也正說明類似RCEP的貿易協定給企業發展帶來的契機。

4 結 論

本文針對CBEC企業面臨的諸多不確定性,利用電商沉淀數據豐富的特點,研究了ML驅動的供應鏈網絡優化設計問題。為此,在考慮匯率、需求等不確定性的基礎上,構建了兩階段隨機規劃模型,實現CBEC的倉儲布局和庫存管理優化決策;并利用ML方法構建了優化模型中的隨機場景,實現了從“預測”到“決策”的研究。最后,將模型應用于某服裝企業面向東南亞的CBEC貿易,展開實例研究,分別計算了RCEP協定實施前后的決策結果,并就關稅展開了靈敏度分析。結果表明RF在該實例中的預測效果更優,基于其預測結果進行兩階段隨機規劃模型的仿真,仿真結果表明,RCEP協定及相應的關稅優惠有利于海外倉的發展,且能大幅降低企業運營費用,對于相關CBEC企業供應鏈網絡布局和經營有著重要影響。

未來的研究可從如下幾個方面拓展:1)本文以成本優化為目標,未來可考慮CBEC的時效要求,展開雙目標優化;2)由于價格也會顯著影響需求,可將供應鏈網絡設計與定價相結合,展開聯合決策研究;3)本文利用ML方法實現隨機規劃模型中的場景學習,適用于數據豐富的場景,但當企業面臨數據稀缺的問題時,如新產品投放或新市場開發并不適用,因此有必要探索新的方法。