仓储管理-库存预测解析.doc

4S店特殊零部件的需求预测 （赵博帅） （北京交通大学 北京） 摘 要：在汽车4S店的日常经营管理活动中，零部件库存一直是管理的重点和难点。汽车零部件的需求预测对制定高效合理的零部件库存计划和降低经营成本有着关键性作用。文章通过预测零部件的需求来进行汽车零部件管理，需求预测的方法涉及多元和一元回归分析法，为制定更科学合理特殊零部件的销售量预测方式提供了一定的科学依据。 关键词：零部件管理；浴盆曲线；回归分析法 1 引言 在4S店的运营过程中，零部件在汽车售后方面起到了重要作用。零部件能否及时供应直接关系着企业的服务质量、顾客的满意度、以及4S店的服务能力。然而汽车维修、保养所需零部件和易消耗性材料种类繁多，需求量又带有不确定性，这给零部件管理带来了一定的难度。 其中，一些特殊零部件适用车的型有限，而且价格较高。一般4S店会通过向银行贷款来购买这些零部件。当特殊零部件正常销售时，4S店的资金周转率较高，利息成本相对较低；当特殊零部件销量不畅时，4S店的库存水平增加，资金成本增加，零部件本身也会随着时间贬值。较低的库存水平可以降低库存成本，但也会导致缺货，影响服务。因此，为了降低相应成本，急需寻求一种合适的预测方法，判断未来零部件的需求量，使4S店利用有限的资金发挥出大的效益，达成最高的备件满足率，提高服务质量。 本文根据实际参观与调研，了解其备件管理现状，针对特殊汽车零部件库存过高的问题，运用理论模型进行再优化设计。在研究过程中，一方面会对相关的汽车企业进行研究，另一方面会从相关的其他行业进行对比（例如航空配件的补给问题）。根据已有的几年销售数据，运用相关理论建立切合该4S店的汽车零部件需求预测模型。 2 文献综述 在汽车售后市场中，汽车零部件产业的作用举足轻重，为了汽车零部件行业的健康发展，有必要运用科学的预测方法对汽车零部件行业的需求进行合理预测。 目前，已有学者对汽车零部件需求预测进行了研究。俞立等（2010）基于神经网络对汽车零部件进行了需求预测；陈云、黄海量等（2010）年基于时间序列分解方法提出了零部件需求预测模型（CSDFSD）；陈云、刘平等（2010）针对汽车售后市场需求预测提出了Regression-Bayesian- BPNN 模型。这些研究主要从企业的角度提供了汽车零部件预测的方法，以帮助企业合理制定采购计划、减少库存、降低缺货率。此外，现有的研究还存在一些其他的预测方法，包括时间序列方法，人工神经网络，灰色系统预测方法等，但这些预测方法本身存在一定的局限性。 3 相关需求预测的理论介绍 3.1 浴盆曲线 浴盆曲线是指产品从投入到报废为止的整个寿命周期内，其可靠性的变化呈现一定的规律。如果取产品的失效率作为产品的可靠性特征值，它是以使用时间为横坐标，以失效率为纵坐标的一条曲线。因该曲线两头高，中间低，有些像浴盆，所以称为“浴盆曲线”。 实践证明，可维修设备的故障率随时间的推移呈图示曲线形状，这就是著名的“浴盆曲线”。设备维修期内的设备故障状态分三个时期： 初始故障期：故障率由高而低。材料缺陷、设计制造质量差、装配失误、操作不熟练等原因造成。 偶发故障期：故障率低且稳定，由于维护不好或操作失误造成。最佳工作期。 耗损故障期：故障率急剧升高，磨损严重，有效寿命结束。 图1 浴盆曲线图形 很多复杂机电产品的失效率具有浴盆形状曲线。浴盆曲线将产品在整个时间历程上的失效率变化趋势与失效机理及对应的使用时期联系起来，有助于人们对产品失效加以预测和控制。因此，运用浴盆曲线对汽车零部件的损坏进行预测，从而预测汽车零部件的销售量是具有实际意义的。 本文中主要研究的是汽车处于早期故障器和偶然故障期的零部件预测，其中早期故障期主要考虑季节，使用时间对故障率的影响，偶然故障期主要考虑季节因素，假设汽车出行故障则在4S店进行维修更换零部件，因此，用故障数表达汽车零部件的需求量。 3.2 回归分析法 回归分析预测法基于各种现象的因果关系出发，通过对于与预测对象有联系的经济现象的变动趋势的分析，依据回归分析理论和方法，找出因变量与自变量之间依存的关系，建立回归方程，以推算未来的状态。该方法是利用过去的历史资料,从中分析找出事物发展的内在联系,确定事物的自变量和应变量,以及它们之间的相关关系,形成一个数学方程式,一般称其为回归方程。 回归分析法可靠性高,适用范围广。回归分析法在分析多因素模型时，更加简单和方便；回归分析可以准确地计量各个因素之间的相关程度与回归拟合程度的高低，提高预测方程式的效果。但在预测中，选择何种变量因子，及因子采用何种表达方式，及某些因子的不可测性使得回归分析在一些情况下受到限制。且此方法需要有大量数据，数据少则难以找出统计规