流动备件库存管理研究论文
1引言
备件是指在设备维修管理工作中提前采购并储备好的各种零件，用于替换设备中的故障件或劣化件，以便快速恢复设备原有的性能，有效缩短设备维修停歇时间以及减少停机损失。备件的库存管理一直是国内外学者研究的热点，备件是企业设备管理和维修中的重要组成部分[1]，备件库存管理方案的优劣一定程度上决定了企业的兴衰。在众多备件中有一类更为特殊的备件，称为慢速流动备件，它的特点是重要性高、通用性低、需求量少、价格高、寿命长、采购周期长。慢速流动备件在企业中大量存在[2]，为了确保生产的持续进行，必须储备一定数量慢速流动备件。但是由于需求量和采购时间的不确定性，导致慢速流动备件的库存管理变成了一个非常棘手的问题。建立一个适合企业的有效的备件库存模型已经成为当今各企业提高综合竞争力的有效方法，它直接关系到企业能否提高服务水平和降低库存费用。
2备件库存管理概述
2.1备件库存管理
备件库存管理研究的目的是研究如何在保证一定服务水平（一定的预期缺货水平）或总成本最低情况下确定库存水平。有效的备件库存管理，既可保证设备维护活动的及时进行，又可以减少库存资金占用，提高企业经济效益。国内外关于备件库存管理的研究有很多，最早的备件库存管理模式是采用备件单级库存管理模式，如Mann[3]的订货点法给出了单级库存结构情况下计算维修库存最优订货点和订货数量的方法。之后相关学者逐渐认识到备件多级库存管理模式的优势，如Sherbrooke[4]在从理论上研究了多级库存系统备件需求规律及系统目标函数等问题的基础上，针对多级备件库存供应实际问题，提出了METRIC（Multi—EchelonTechniqueforRecover—ableItemControl）模型，后来该模型被广泛应用到军事领域。Muckstadt[5]和Graves[6]分别从两个角度对METRIC模型做了进一步的扩展，提出了多备件、多订单情况下的MOD—METRIC系统模型和具有两级备件库存系统、仓库执行修理功能的VARI—METRIC模型。
后来Sleptchenko[7]又提出了考虑修理优先权的VARI—METRIC模型的扩展模型。但多级备件库存会造成供应链结构复杂性递增，更加导致了需求的不确定性，从而一定程度上增加了库存，降低了服务水平。Matteo[8]等对由于供应链结构的复杂而引起需求不确定性的情况进行研究，主要研究了没有供应链各节点的信息，而且供应链各节点的库存为分散控制的情况。基于备件的分散控制和联合控制策略，杨华、郭伟等人[9]建立了一个由大型设备制造企业下属的各个区域备件代理商构成的多仓库联合库存优化模型，在该模型中他们以库存持有成本、缺货成本和横向转借成本之和作为目标函数，经算例仿真表明，需求率低、成本高的备件适合用联合库存策略，而需求率高的备件则更加适合分散式库存控制策略。在这里已经有很多学者将备件分为了两部分来进行研究，即需求率低且成本高的备件和需求率高、成本较低的备件，分别来研究他们的库存策略。于是，备件的分类研究成为研究备件库存的必然。
2.2备件的分类
从杨华、郭伟的仿真结果中，可以看出不同特点的备件适用不同的库存策略。研究慢速流动备件的库存管理，首先需要对慢速流动备件的界定有所研究。慢速流动备件是指为了缩短修理停歇时间而事先准备的重要性高、通用性低、需求量少、价格高、寿命长、采购周期长的各种修理零部件。在对慢速流动备件界定的研究中，赵振峰[1]认为慢速流动备件和快速流动备件这两个定义应从年需求率和消耗的不确定性两个方面加以区别，即年需求率低于1且需求不确定的备件为慢速流动备件，年需求率大于1的需求确定的备件为快速流动备件。丁留明[10]首先分析了传统ABC分类法控制慢速流动备件的缺点，以设备关键性为出发点，采用了两阶段法，使用AHP和蒙特卡洛法对设备中关键的设备进行判定，然后对关键性设备和一般设备中的备件分别进行了ABC分类，此模型的可操作性比较强，可以比较合理的界定慢速流动设备和快速流动备件。陈涛[11]从备件的四个参数：单价、订货的成本、年需求量和订货提前期出发，设计了一个神经网络，在综合考虑了多因素的情况下对备件按照其重要性划分为高、中、低三类。他提出的神经网络模型对备件分类的准确率一般在80％以上，可以作为备件分类的有力工具。杨超[12]研究了基于模糊综合判定的慢速流动备件的判定，既考虑了慢速流动备件概念的模糊性，也解决了影响因素的权重问题，使备件的分类更加准确、有效。
3国内外研究现状
3.1慢速流动备件的需求预测
国内外学者关于慢速流动备件的研究主要集中在需求预测的方法和库存模型上，Croston[13]是最早研究慢速流动备件的需求预测方法的学者，1972年他提出了Croston方法，实践证明该方法对间歇需求和不确定需求有较好的适应性。此后一些学者对Croston法进行了改进，Syntetos[14]认为Croston法存在有偏估计，他进一步推导出了近似无偏估计的Croston法。Segerstedt[15]在Croston法基础上，根据需求间隔长短调整平滑指数。另外也有学者指出，由于慢速流动备件需求的不确定性，在其需求序列中含有大量的0值，应用Croston法进行预测的精度不高[16]。
针对慢速流动备件需求序列中含有的大量0值，有学者将需求序列分为几小块来研究，将针对小样本预测的方法引入到了慢速流动备件的需求预测中，如支持向量回归（SVR）方法[17]，在以后的文章中他又结合了模糊理论和专家系统，进一步提高了预测准确度。但是这种方法仍然不能完全解决需求序列中含有大量0值的情况，只是比Croston法有所改进。张瑞[18]充分分析了支持向量机（SVM）回归预测方法后，引入了经验模态分解方法，将需求序列分解为多个相对稳定的序列来进行预测，构建了EEMD—SVM预测模型，并通过实验进行了验证，结果表明其预测精确度相对于支持向量机回归预测方法有了明显提高。冯杨等[19]用一次指数平滑法（SES）建立了舰艇间断性需求备件的预测模型，并用仿真验证了该方法的可行性，但是SES作为一种连续性需求预测方法，当需求中含有大量0值时，这种方法还是无法给出合理的预测值。Bootstrap法是预测间断需求使用较多的方法，也有学者把这个方法引入到了慢速流动备件的需求预测中，Willemain等[16]将Bootstrap法与Markov过程结合进行需求的预测，取得了较好的效果。但是由于Bootstrap法本身的局限性，它假定需求序列存在自相关性，这在实际应用中很难保证。