O&SCM运营与供应链管理知识库

LATEST RESEARCH FRONTIERS / 最新研究前沿

多级库存 · 加急配送 · 供应中断

中央库存的价值,
在加急与中断之间。

常态与中断模式下具有加急配送机制的多级库存网络管理

库存配置 / Inventory Allocation贪婪履约下的库存分配 ↗
风险汇聚 / Risk Pooling模糊销售中的柔性价值 ↗
库存控制 / Inventory Control多产品库存系统的在线学习 ↗
动态规划 / Dynamic Programming多模性保持及其应用 ↗

373 个原生公式 · 10 张表

FULL PAPER SUMMARY / 完整论文总结

常态与中断模式下具有加急配送机制的多级库存网络管理

《Managing Multitier Inventory Networks with Expediting Under Normal and Disrupted Modes》论文全文深度总结

常态与中断模式下具有加急配送机制的多级库存网络管理:随机规划下界、基准库存设计与实证研究

一、文献基本信息与研究背景概述

项目类别 详细文献元数据信息
论文题目 Managing Multitier Inventory Networks with Expediting Under Normal and Disrupted Modes(常态与中断模式下具有加急配送机制的多级库存网络管理)
作者姓名(不翻译) Yanyang Zhao (Booth School of Business, University of Chicago)
John R. Birge (Booth School of Business, University of Chicago)
Levi DeValve (Booth School of Business, University of Chicago,通讯作者)
Robert R. Inman (Sales, Service and Customer Intelligence, General Motors Company)
发表期刊 Manufacturing & Service Operations Management (MSOM,INFORMS 旗舰运营管理顶刊)
出版卷期与页码 2026 年,第 28 卷第 6 期(Vol. 28, No. 6, November–December 2026),pp. 1804–1822
DOI 与版权信息 https://doi.org/10.1287/msom.2023.0249 (Received: April 30, 2023; Accepted: January 22, 2026)
核心关键词 Inventory theory and control(库存理论与控制);Math programming(数学规划);Simulation(仿真);Supply chain management(供应链管理)

1.1 实践问题起源与经典理论的局限

在现代供应链管理中,企业普遍采用“多级(Multitier / Multiechelon)+ 多地点(Multilocation)”的分销网络架构(Distribution System):一方面利用上层中央仓库(Central Warehouse)汇集大批量订单以发挥规模与运营效率优势,另一方面依托分散在各地的下层零售商或区域配送中心(Retailers / Regional Distribution Centers, RDCs)贴近终端客户以实现快速响应。例如,Seven-Eleven Japan 通过中央配送中心支撑高密度门店集群(Chopra 2017),京东(JD.com)依托大型区域配送中心(RDC)支援前端配送站(DeValve et al. 2023)。

本文由芝加哥大学布斯商学院学者(Yanyang Zhao, John R. Birge, Levi DeValve)与美国大型汽车制造商通用汽车公司(General Motors Company)专家(Robert R. Inman)合作完成。在通用汽车全美售后服务配件(Repair / Service Parts)供应链中,网络同时面临两大关键挑战:(1)加急配送机制(Expediting):中央仓库除了向区域配送中心进行常规周期补货外,还可以绕过常规在途周期,直接动用中央库存以高昂成本(如航空件或专车)即时清偿下游缺货积压(Backlogs);(2)上游供应中断风险(Supply Disruptions):受自然灾害、劳工罢工、疫情冲击等因素影响,外部供应商会不定期进入“中断模式(Disrupted Mode)”,在此期间无法接收任何新订单,仅能继续交付中断前已在途的订单。

在传统分销系统文献(如 Federgruen and Zipkin 1984c, Zipkin 2000, Gallego et al. 2007)中,当中央仓库与下游零售商的单位持有成本相同时(即 h𝑖=h0\mathit{h}_{\mathit{i}}\text{=}\mathit{h}_{\text{0}}),经典启发式策略(FZ 策略)会推导出“中央仓库不保留任何库存、将全部库存推向下游零售商”的结论。然而,作者通过文章开篇的精巧算例(Figure 1)揭示了忽略加急配送与供应中断所导致的严重失效:考虑 1 个中央仓库和 2 个零售商,各零售商每期需求独立服从均值为 1 的泊松分布,单位持有成本均为 $1/期,零售商单位缺货成本为 $10/期,仓库直接加急履约成本为 $15/件,外部供应商补货提前期 𝐿=4\mathit{L}\text{=}\text{4} 期,仓库到零售商常规调拨提前期 𝑙=2\mathit{l}\text{=}\text{2} 期;正常期进入中断的概率为 1%,中断持续时间服从均值为 15 的泊松分布。若直接套用经典 FZ 策略(设系统总基准库存为 17 件且全部下推至零售商),日均总成本高达 $27.15,其中每家零售商日均缺货积压达 0.65 件(占总成本的 48%),日均加急 0.19 件。相反,若采用本文提出的随机规划基准库存策略,在中央仓库保留 4 件集中库存、每家零售商设 10 件本地库存,则日均缺货骤降至 0.32 件,加急量降至 0.10 件,日均总成本降至 $25.08(成本下降 7.6%,缺货与加急量双双减半)。这一对比鲜明地证明:在具备加急能力和面临中断风险的分销网络中,中央仓库集中库存兼具“即时加急消峰”和“抵御未来断供”的双重战略对冲价值。

二、文章的核心贡献(Core Contributions)

本文首次将多级分销网络(Distribution Systems)、中央仓库加急配送(Expediting)与马尔可夫供应中断(Markovian Supply Disruptions)三大运营特征置于统一的随机动态优化框架中进行理论建模、算法设计与工业级实证检验,核心贡献体现在以下四个层面:

  • 贡献一:构建多级分销系统下含加急与供应中断的随机规划成本下界(Stochastic Program Lower Bound)。即使不含加急和中断,经典分销系统的最优动态规划也因状态空间维度灾难而无法精确求解。本文克服了“加急配送导致的跨时间尺度履约”与“供应中断引发的随机无补货窗口”两大技术壁垒,提出了一个全新的三阶段随机规划模型(Theorem 1)。作者创新性地将第二、三阶段的联合时间跨度从传统的 𝐿+𝑙\mathit{L}\text{+}\mathit{l} 缩减至 𝐿\mathit{L}(引入提前期微调参数 0≤𝑙̂≤𝑙\text{0}\text{≤}\widehat{\mathit{l}}\text{≤}\mathit{l}),彻底消除了模型中不切实际的“第二阶段中途二次向供应商订货并在第三阶段加急”的松弛漏洞;同时扩展了 Song and Zipkin (1996) 的单节点成本聚合思想,建立了覆盖中断期 𝜏+1\mathit{\tau}\text{+}\text{1} 的多级动态成本核算机制(含缺货膨胀系数 𝜏+12\frac{\mathit{\tau}\text{+}\text{1}}{\text{2}}),给出了文献中首个针对该复杂系统的理论最优成本下界。

  • 贡献二:设计兼具理论严谨性与高扩展性的基准库存启发式策略(Base-Stock Policy Design)。基于三阶段随机规划的最优解,作者直接提炼出系统级基准库存水平 𝑆0\mathit{S}_{\text{0}} 与各零售商本地基准库存水平 𝑆𝑖\mathit{S}_{\mathit{i}},构建了随机规划基准库存策略族(SP𝐿\text{SP}^{\mathit{L}}、SP𝐿+𝑙\text{SP}^{\mathit{L}\text{+}\mathit{l}} 及均值策略 SPavg\text{SP}^{\text{avg}}),并同步拓展了基于递归报童计算的启发式策略(NV 策略)。该策略体系不仅保留了企业现行易于执行的基准库存控制架构,而且明确定量化了中央仓库应当预留多少集中缓冲库存,证明了即便在 h𝑖=h0\mathit{h}_{\mathit{i}}\text{=}\mathit{h}_{\text{0}} 的等持有成本环境中,保留适量中央仓库库存也能平均降低 4.1% 的系统总成本。

  • 贡献三:揭示供应中断期“集中控制(Centralization)”与“分散持有(Decentralization)”的切换边界(Disrupted-Mode Policies)。在工业实践中,汽车制造商常在供应中断发生时采取“指定干预(Designate for Intervention, DFI)”策略——将所有新到货库存全部截留在中央仓库,统一通过高成本加急方式按客户等待优先级直接发货。作者从理论上剖析了“集中控制减少局部库存错配与缺货积压”与“分散持有节省高昂加急运费”之间的核心权衡,证明了一个关于独立同分布泊松随机变量之和尾概率的全新集中不等式(Lemma 1,涉及不完全伽马函数的精细分析),并据此推导出简洁闭式的成本占优判据(Theorem 2)及其修正干预策略(MDFI,式10)。研究发现:当加急成本较高、中断时间较短,或者当系统需求量 𝜆\mathit{\lambda} 或可用库存 𝑎\mathit{a} 较大时,保持库存分散在零售商处反而优于完全集中控制。

  • 贡献四:基于通用汽车全美售后配件网络的大规模数据驱动仿真验证(Validation via Data-Driven Simulation)。作者将基础理论模型扩展至包含“中央仓库—15个区域配送中心(RDC)—4,400余家独立汽车经销商”的三级分销网络,纳入非平稳随机需求、常规补货单与紧急客户单双需求流、随机顺序提前期(Stochastic Sequential Lead Times)、伙伴 RDC 横向转运(Lateral Transshipment)以及越库作业(Crossdocking)与入库存储的人工触点成本差异。基于 23 种代表性汽车维修配件、138 个中断仿真场景的实证测试表明:本文提出的随机规划策略(SP-N)和报童策略(NV-N)相比企业现行基准策略(I-DFI)分别实现了 4.2% 和 2.4% 的统计显著成本节约,且 SP-N 在高变异系数、低日均需求的长尾维修配件上优势尤为突出。

三、多级分销网络模型构建与数学函数详解

本节系统梳理全文的基础数学模型(Section 2)、三阶段随机规划下界模型(Section 3.1)、基准库存与近视分配优化模型(Section 3.2)以及中断期干预模型(Section 4),对模型中的每一个状态变量、决策变量、约束条件和目标函数进行详尽解释。

3.1 网络结构、随机需求与马尔可夫供应中断演化函数

系统由两级网络构成:上层为 1 个中央仓库(Central Warehouse),向外部供应商采购补货;下层为 𝑛\mathit{n} 个零售商(Retailers,索引为 𝑖\mathit{i}),接收来自中央仓库的货物并直接满足各自区域的终端客户需求(基础模型中零售商之间不允许横向转运)。时间离散化为周期 𝑡\mathit{t}。零售商 𝑖\mathit{i} 在周期 𝑡\mathit{t} 的随机需求记为 𝐷𝑖,𝑡\mathit{D}_{\mathit{i}\text{,}\mathit{t}},全网需求向量记为 𝐃𝑡\mathbf{D}_{\mathit{t}}。假设 𝐷𝑖,𝑡\mathit{D}_{\mathit{i}\text{,}\mathit{t}} 跨周期 𝑡\mathit{t} 独立同分布(i.i.d.),但在不同零售商 𝑖\mathit{i} 之间允许既不独立也不同分布;未满足的需求在各零售商处形成缺货积压(Backlog)。

在周期 𝑡\mathit{t},企业向外部供应商下达的补货订货量记为 𝑥𝑡\mathit{x}_{\mathit{t}},经过确定性提前期 𝐿\mathit{L} 个周期后到达中央仓库。上游供应商的运行状态由外生马尔可夫状态变量 𝑟𝑡\mathit{r}_{\mathit{t}} 刻画:当 𝑟𝑡=0\mathit{r}_{\mathit{t}}\text{=}\text{0} 时,供应商处于正常模式(Normal Mode),企业可自由订货;当 𝑟𝑡>0\mathit{r}_{\mathit{t}}\text{>}\text{0} 时,供应商处于中断模式(Disrupted Mode),无法接收新订单(即必须满足 𝑥𝑡=0\mathit{x}_{\mathit{t}}\text{=}\text{0}),但中断发生前已在途的订单仍按原定提前期 𝐿\mathit{L} 正常到货,且中央仓库向零售商的常规调拨和加急发货不受上游中断影响。

中断状态 𝑟𝑡\mathit{r}_{\mathit{t}} 的马尔可夫转移机制由非负整数随机变量 𝜏\mathit{\tau} 驱动:若当前周期处于正常状态(𝑟𝑡=0\mathit{r}_{\mathit{t}}\text{=}\text{0}),则下一周期状态转移为独立同分布抽样 𝑟𝑡+1=𝜏𝑡+1\mathit{r}_{\mathit{t}\text{+}\text{1}}\text{=}\mathit{\tau}_{\mathit{t}\text{+}\text{1}},即以概率 𝛼=ℙ(𝜏>0)\mathit{\alpha}\text{=}\text{ℙ}\left( \mathit{\tau}\text{>}\text{0} \right) 爆发持续总时长为 𝜏\mathit{\tau} 期的供应中断(中断一旦开始,企业即可观测到本次中断的预计持续总期数 𝜏\mathit{\tau}),以概率 1−𝛼=ℙ(𝜏=0)\text{1}\text{−}\mathit{\alpha}\text{=}\text{ℙ}\left( \mathit{\tau}\text{=}\text{0} \right) 维持正常状态;若当前处于中断状态(𝑟𝑡>0\mathit{r}_{\mathit{t}}\text{>}\text{0}),则下一周期剩余中断期数以概率 1 确定性递减 1 期,即 𝑟𝑡+1=𝑟𝑡−1\mathit{r}_{\mathit{t}\text{+}\text{1}}\text{=}\mathit{r}_{\mathit{t}}\text{−}\text{1}。该不可约正常返马尔可夫链的平稳分布函数(Stationary Distribution Function,式1)为:

ℙ(𝑟𝑡=𝑘)=ℙ(𝜏≥𝑘)1+𝔼[𝜏], ∀𝑘∈ℤ+. (1)\text{ℙ}\left( \mathit{r}_{\mathit{t}}\text{=}\mathit{k} \right)\text{=}\frac{\text{ℙ}\left( \mathit{\tau}\text{≥}\mathit{k} \right)}{\text{1}\text{+}\text{𝔼}\left\lbrack \mathit{\tau} \right\rbrack}\text{,}\text{ ∀}\mathit{k}\text{∈}\text{ℤ}_{\text{+}}\text{.}\text{ (1)}

函数解释(式1):式(1)刻画了系统在长程运行中任意周期处于“剩余中断期数为 𝑘\mathit{k} 期”的稳态概率。分母 1+𝔼[𝜏]\text{1}\text{+}\text{𝔼}\left\lbrack \mathit{\tau} \right\rbrack 代表一个完整的“正常步 + 潜在中断周期”更新循环的期望长度(每经过 1 个正常期,平均伴随 𝔼[𝜏]\text{𝔼}\left\lbrack \mathit{\tau} \right\rbrack 个中断期);分子 ℙ(𝜏≥𝑘)\text{ℙ}\left( \mathit{\tau}\text{≥}\mathit{k} \right) 表示单次抽样的中断总时长至少为 𝑘\mathit{k} 期的尾概率(因为只有当初始中断时长 𝜏≥𝑘\mathit{\tau}\text{≥}\mathit{k} 时,倒计时过程才会经过状态 𝑘\mathit{k} 恰好一次)。特别地,当 𝑘=0\mathit{k}\text{=}\text{0} 时,ℙ(𝜏≥0)=1\text{ℙ}\left( \mathit{\tau}\text{≥}\text{0} \right)\text{=}\text{1},故系统处于正常供货模式的稳态概率为 ℙ(𝑟𝑡=0)=11+𝔼[𝜏]\text{ℙ}\left( \mathit{r}_{\mathit{t}}\text{=}\text{0} \right)\text{=}\frac{\text{1}}{\text{1}\text{+}\text{𝔼}\left\lbrack \mathit{\tau} \right\rbrack}。

3.2 周期事件序列、状态演化方程与长程平均成本目标函数

为精确核算期末持有成本与缺货成本,模型规定每个周期 𝑡\mathit{t} 内部严格按以下 8 个步骤的先后顺序演进:(1)观测当前供应状态 𝑟𝑡\mathit{r}_{\mathit{t}};(2)中央仓库接收 𝐿\mathit{L} 期前向供应商发出的到货订单 𝑥𝑡−𝐿\mathit{x}_{\mathit{t}\text{−}\mathit{L}};(3)各零售商 𝑖\mathit{i} 接收 𝑙\mathit{l} 期前(𝑙≤𝐿\mathit{l}\text{≤}\mathit{L})由中央仓库发出的常规补货到货 𝑧𝑖,𝑡−𝑙\mathit{z}_{\mathit{i}\text{,}\mathit{t}\text{−}\mathit{l}};(4)各零售商实现当期客户需求 𝐷𝑖,𝑡\mathit{D}_{\mathit{i}\text{,}\mathit{t}};(5)各零售商动用本地库存履行需求 𝑤𝑖,𝑡\mathit{w}_{\mathit{i}\text{,}\mathit{t}}(零提前期);(6)中央仓库向零售商发送加急配送量 𝑦𝑖,𝑡\mathit{y}_{\mathit{i}\text{,}\mathit{t}},当期即时送达并直接清除需求或历史积压;(7)中央仓库向各零售商发出常规补货调拨量 𝑧𝑖,𝑡\mathit{z}_{\mathit{i}\text{,}\mathit{t}}(需经历 𝑙\mathit{l} 期在途时间);(8)若 𝑟𝑡=0\mathit{r}_{\mathit{t}}\text{=}\text{0},中央仓库向外部供应商下达新采购订单 𝑥𝑡\mathit{x}_{\mathit{t}}。

记周期 𝑡\mathit{t} 结束时中央仓库的期末在库库存为 𝐼𝑡\mathit{I}_{\mathit{t}},零售商 𝑖\mathit{i} 的期末在库库存为 𝑋𝑖,𝑡\mathit{X}_{\mathit{i}\text{,}\mathit{t}},零售商 𝑖\mathit{i} 的期末未满足缺货积压量为 𝐵𝑖,𝑡\mathit{B}_{\mathit{i}\text{,}\mathit{t}}(初始时刻系统为空)。三类核心状态变量的动态演化方程(Evolution Equations,式2–3)以及在途库存函数(In-Transit Inventory)表示如下:

𝐼𝑡=𝐼𝑡−1+𝑥𝑡−𝐿−∑𝑖(𝑦𝑖,𝑡+𝑧𝑖,𝑡), (2a)\mathit{I}_{\mathit{t}}\text{=}\mathit{I}_{\mathit{t}\text{−}\text{1}}\text{+}\mathit{x}_{\mathit{t}\text{−}\mathit{L}}\text{−}\sum_{\mathit{i}}^{}\left( \mathit{y}_{\mathit{i}\text{,}\mathit{t}}\text{+}\mathit{z}_{\mathit{i}\text{,}\mathit{t}} \right)\text{,}\text{ (2a)}

𝑋𝑖,𝑡=𝑋𝑖,𝑡−1+𝑧𝑖,𝑡−𝑙−𝑤𝑖,𝑡, ∀𝑖, (2b)\mathit{X}_{\mathit{i}\text{,}\mathit{t}}\text{=}\mathit{X}_{\mathit{i}\text{,}\mathit{t}\text{−}\text{1}}\text{+}\mathit{z}_{\mathit{i}\text{,}\mathit{t}\text{−}\mathit{l}}\text{−}\mathit{w}_{\mathit{i}\text{,}\mathit{t}}\text{, ∀}\mathit{i}\text{,}\text{ (2b)}

𝐵𝑖,𝑡=𝐵𝑖,𝑡−1+𝐷𝑖,𝑡−𝑤𝑖,𝑡−𝑦𝑖,𝑡, ∀𝑖. (3)\mathit{B}_{\mathit{i}\text{,}\mathit{t}}\text{=}\mathit{B}_{\mathit{i}\text{,}\mathit{t}\text{−}\text{1}}\text{+}\mathit{D}_{\mathit{i}\text{,}\mathit{t}}\text{−}\mathit{w}_{\mathit{i}\text{,}\mathit{t}}\text{−}\mathit{y}_{\mathit{i}\text{,}\mathit{t}}\text{, ∀}\mathit{i}\text{.}\text{ (3)}

𝐼𝑇𝑡=∑𝑠=𝑡−𝑙+1𝑡∑𝑖𝑧𝑖,𝑠.{\mathit{I}\mathit{T}}_{\mathit{t}}\text{=}\sum_{\mathit{s}\text{=}\mathit{t}\text{−}\mathit{l}\text{+}\text{1}}^{\mathit{t}}{\sum_{\mathit{i}}^{}\mathit{z}_{\mathit{i}\text{,}\mathit{s}}}\text{.}

演化方程解释(式2–3):式(2a)表示中央仓库期末库存 𝐼𝑡\mathit{I}_{\mathit{t}} 等于上期末库存 𝐼𝑡−1\mathit{I}_{\mathit{t}\text{−}\text{1}} 加上当期到货的供应商订单 𝑥𝑡−𝐿\mathit{x}_{\mathit{t}\text{−}\mathit{L}},再减去当期向所有零售商发出的加急总量与常规补货总量之和;式(2b)表示零售商 𝑖\mathit{i} 的期末库存 𝑋𝑖,𝑡\mathit{X}_{\mathit{i}\text{,}\mathit{t}} 等于上期末库存加上 𝑙\mathit{l} 期前发出、本期到货的常规补货 𝑧𝑖,𝑡−𝑙\mathit{z}_{\mathit{i}\text{,}\mathit{t}\text{−}\mathit{l}},再减去本期本地直接履约量 𝑤𝑖,𝑡\mathit{w}_{\mathit{i}\text{,}\mathit{t}};式(3)表示零售商期末缺货积压 𝐵𝑖,𝑡\mathit{B}_{\mathit{i}\text{,}\mathit{t}} 等于上期积压加上本期新增需求 𝐷𝑖,𝑡\mathit{D}_{\mathit{i}\text{,}\mathit{t}},再同时扣减本地履约量 𝑤𝑖,𝑡\mathit{w}_{\mathit{i}\text{,}\mathit{t}} 与中央仓库即时加急履约量 𝑦𝑖,𝑡\mathit{y}_{\mathit{i}\text{,}\mathit{t}}。所有状态与决策变量均须满足非负约束,且在途库存 𝐼𝑇𝑡{\mathit{I}\mathit{T}}_{\mathit{t}} 汇总了过去 𝑙\mathit{l} 期已从仓库发出但尚未抵达零售商的全部常规调拨量。

在成本结构上,中央仓库单位期末持有成本(含在途库存 𝐼𝑇𝑡{\mathit{I}\mathit{T}}_{\mathit{t}})为 h0\mathit{h}_{\text{0}},零售商 𝑖\mathit{i} 单位期末持有成本为 h𝑖\mathit{h}_{\mathit{i}},单位期末缺货积压成本为 𝑏𝑖\mathit{b}_{\mathit{i}};常规调拨与本地履约的单位成本归一化为 0,而中央仓库向零售商 𝑖\mathit{i} 加急发货的单位成本为 𝑓𝑖\mathit{f}_{\mathit{i}}(假设 𝑓𝑖≥h0\mathit{f}_{\mathit{i}}\text{≥}\mathit{h}_{\text{0}})。企业的优化目标是最小化无限期长程平均期望总成本函数(Objective Function,式4):

lim sup𝑇→∞1𝑇∑𝑡=1𝑇𝔼[h0(𝐼𝑡+𝐼𝑇𝑡)+∑𝑖(h𝑖𝑋𝑖,𝑡+𝑏𝑖𝐵𝑖,𝑡+𝑓𝑖𝑦𝑖,𝑡)] (4)\text{lim sup}_{\mathit{T}\text{→}\text{∞}}\frac{\text{1}}{\mathit{T}}\sum_{\mathit{t}\text{=}\text{1}}^{\mathit{T}}{\text{𝔼}\left\lbrack \mathit{h}_{\text{0}}\left( \mathit{I}_{\mathit{t}}\text{+}{\mathit{I}\mathit{T}}_{\mathit{t}} \right)\text{+}\sum_{\mathit{i}}^{}\left( \mathit{h}_{\mathit{i}}\mathit{X}_{\mathit{i}\text{,}\mathit{t}}\text{+}\mathit{b}_{\mathit{i}}\mathit{B}_{\mathit{i}\text{,}\mathit{t}}\text{+}\mathit{f}_{\mathit{i}}\mathit{y}_{\mathit{i}\text{,}\mathit{t}} \right) \right\rbrack}\text{ (4)}

目标函数解释(式4):式(4)对每期发生的四项成本——中央仓库在库与在途持有成本 h0(𝐼𝑡+𝐼𝑇𝑡)\mathit{h}_{\text{0}}\left( \mathit{I}_{\mathit{t}}\text{+}{\mathit{I}\mathit{T}}_{\mathit{t}} \right)、各零售商本地库存持有成本 h𝑖𝑋𝑖,𝑡\mathit{h}_{\mathit{i}}\mathit{X}_{\mathit{i}\text{,}\mathit{t}}、各零售商期末缺货惩罚成本 𝑏𝑖𝐵𝑖,𝑡\mathit{b}_{\mathit{i}}\mathit{B}_{\mathit{i}\text{,}\mathit{t}} 以及当期加急配送成本 𝑓𝑖𝑦𝑖,𝑡\mathit{f}_{\mathit{i}}\mathit{y}_{\mathit{i}\text{,}\mathit{t}}——取期望并在时间趋于无穷时求长程每期均值上确界。约束条件包括演化方程(2)–(3)、所有状态与决策变量非负,以及中断期禁订约束(当 𝑟𝑡>0\mathit{r}_{\mathit{t}}\text{>}\text{0} 时 𝑥𝑡=0\mathit{x}_{\mathit{t}}\text{=}\text{0})。

3.3 四阶段需求拆分函数与三阶段随机规划下界模型

为了构造式(4)的可计算成本下界,作者允许零售商之间进行无成本库存重分配松弛(类似于 Clark and Scarf 1960 与 Federgruen and Zipkin 1984c),并将决策过程转化为三阶段随机规划。这里有两个关键创新设计:(1)时间尺度压缩:若第二、三阶段分别跨越 𝐿\mathit{L} 期和 𝑙\mathit{l} 期,则第二阶段中间可以再次向供应商下达新订单并在第三阶段期末前到货用于加急,这会导致下界极其松弛(偏低一个数量级)。因此,作者引入提前期调整参数 0≤𝑙̂≤𝑙\text{0}\text{≤}\widehat{\mathit{l}}\text{≤}\mathit{l},将第二阶段正常需求期设为 𝐿+𝑙̂−𝑙\mathit{L}\text{+}\widehat{\mathit{l}}\text{−}\mathit{l} 期,第三阶段设为 𝑙\mathit{l} 期,总正常需求跨度控制在 𝐿+𝑙̂\mathit{L}\text{+}\widehat{\mathit{l}} 期(当 𝑙̂=0\widehat{\mathit{l}}\text{=}\text{0} 时总跨度恰好为 𝐿\mathit{L} 期,完全杜绝二次订货到货的可能);(2)中断期动态成本聚合:一旦发生时长为 𝜏\mathit{\tau} 的供应中断,在接下来 𝜏\mathit{\tau} 期内无法下单,因此必须将该订单所覆盖的最后 𝜏+1\mathit{\tau}\text{+}\text{1} 期的持有与缺货成本合并核算。

记 𝐃(𝑗)\mathbf{D}\left( \mathit{j} \right) 为与单期需求向量 𝐃𝑡\mathbf{D}_{\mathit{t}} 独立同分布的随机需求序列,作者定义了覆盖 𝐿+𝑙̂+𝜏\mathit{L}\text{+}\widehat{\mathit{l}}\text{+}\mathit{\tau} 个周期的四个相连阶段随机需求向量函数 𝐃𝑙̂1\mathbf{D}_{\widehat{\mathit{l}}}^{\text{1}}、𝐃𝑙̂2\mathbf{D}_{\widehat{\mathit{l}}}^{\text{2}}、𝐃𝑙̂3\mathbf{D}_{\widehat{\mathit{l}}}^{\text{3}}、𝐃𝑙̂4\mathbf{D}_{\widehat{\mathit{l}}}^{\text{4}}:

𝐃𝑙̂1=∑𝑗=1𝐿+𝑙̂−(𝑙−𝜏)+𝐃(𝑗), 𝐃𝑙̂2=∑𝑗=𝐿+𝑙̂−(𝑙−𝜏)++1𝐿+𝑙̂−𝑙+𝜏𝐃(𝑗)\mathbf{D}_{\widehat{\mathit{l}}}^{\text{1}}\text{=}\sum_{\mathit{j}\text{=}\text{1}}^{\mathit{L}\text{+}\widehat{\mathit{l}}\text{−}\left( \mathit{l}\text{−}\mathit{\tau} \right)^{\text{+}}}{\mathbf{D}\left( \mathit{j} \right)}\text{, }\mathbf{D}_{\widehat{\mathit{l}}}^{\text{2}}\text{=}\sum_{\mathit{j}\text{=}\mathit{L}\text{+}\widehat{\mathit{l}}\text{−}\left( \mathit{l}\text{−}\mathit{\tau} \right)^{\text{+}}\text{+}\text{1}}^{\mathit{L}\text{+}\widehat{\mathit{l}}\text{−}\mathit{l}\text{+}\mathit{\tau}}{\mathbf{D}\left( \mathit{j} \right)}

𝐃𝑙̂3=∑𝑗=𝐿+𝑙̂−𝑙+𝜏+1𝐿+𝑙̂+(𝜏−𝑙)+𝐃(𝑗), 𝐃𝑙̂4=∑𝑗=𝐿+𝑙̂+(𝜏−𝑙)++1𝐿+𝑙̂+𝜏𝐃(𝑗).\mathbf{D}_{\widehat{\mathit{l}}}^{\text{3}}\text{=}\sum_{\mathit{j}\text{=}\mathit{L}\text{+}\widehat{\mathit{l}}\text{−}\mathit{l}\text{+}\mathit{\tau}\text{+}\text{1}}^{\mathit{L}\text{+}\widehat{\mathit{l}}\text{+}\left( \mathit{\tau}\text{−}\mathit{l} \right)^{\text{+}}}{\mathbf{D}\left( \mathit{j} \right)}\text{, }\mathbf{D}_{\widehat{\mathit{l}}}^{\text{4}}\text{=}\sum_{\mathit{j}\text{=}\mathit{L}\text{+}\widehat{\mathit{l}}\text{+}\left( \mathit{\tau}\text{−}\mathit{l} \right)^{\text{+}}\text{+}\text{1}}^{\mathit{L}\text{+}\widehat{\mathit{l}}\text{+}\mathit{\tau}}{\mathbf{D}\left( \mathit{j} \right)}\text{.}

需求向量组合逻辑解释:这四个向量的精妙之处在于通过不同两两组合服务于“决策阶段划分”和“中断成本核算”两个维度:(a)按决策阶段看,第一与第二向量之和 𝐃𝑙̂1\mathbf{D}_{\widehat{\mathit{l}}}^{\text{1}} + 𝐃𝑙̂2\mathbf{D}_{\widehat{\mathit{l}}}^{\text{2}} 构成了前 𝐿+𝑙̂−𝑙+𝜏\mathit{L}\text{+}\widehat{\mathit{l}}\text{−}\mathit{l}\text{+}\mathit{\tau} 期的第二阶段总需求(记为 𝒟𝑙̂2\mathit{\mathcal{D}}_{\widehat{\mathit{l}}}^{\text{2}}),第三与第四向量之和 𝐃𝑙̂3\mathbf{D}_{\widehat{\mathit{l}}}^{\text{3}} + 𝐃𝑙̂4\mathbf{D}_{\widehat{\mathit{l}}}^{\text{4}} 构成了最后 𝑙\mathit{l} 期的第三阶段总需求(记为 𝒟𝑙̂3\mathit{\mathcal{D}}_{\widehat{\mathit{l}}}^{\text{3}},对应常规分配到货期);(b)按正常期与中断期成本核算看,第一与第三向量之和 𝐃𝑙̂1\mathbf{D}_{\widehat{\mathit{l}}}^{\text{1}} + 𝐃𝑙̂3\mathbf{D}_{\widehat{\mathit{l}}}^{\text{3}} 恰好对应前 𝐿+𝑙̂\mathit{L}\text{+}\widehat{\mathit{l}} 期的正常基准期总需求,而第二与第四向量之和 𝐃𝑙̂2\mathbf{D}_{\widehat{\mathit{l}}}^{\text{2}} + 𝐃𝑙̂4\mathbf{D}_{\widehat{\mathit{l}}}^{\text{4}} 恰好对应最后 𝜏\mathit{\tau} 期的中断期新增总需求。基于此,三阶段随机规划模型(Stochastic Program,式5)定义如下:

𝐶_𝑙̂=min𝐼,𝐗,𝐁≥0𝔼𝜏,𝒟𝑙̂2[𝑔1(𝐼,𝐗,𝐁,𝜏,𝒟𝑙̂2)], (5a){\underline{\mathit{C}}}_{\widehat{\mathit{l}}}\text{=}\text{min}_{\mathit{I}\text{,}\mathbf{X}\text{,}\mathbf{B}\text{≥}\text{0}}\text{𝔼}_{\mathit{\tau}\text{,}\mathit{\mathcal{D}}_{\widehat{\mathit{l}}}^{\text{2}}}\left\lbrack \mathit{g}_{\text{1}}\left( \mathit{I}\text{,}\mathbf{X}\text{,}\mathbf{B}\text{,}\mathit{\tau}\text{,}\mathit{\mathcal{D}}_{\widehat{\mathit{l}}}^{\text{2}} \right) \right\rbrack\text{,}\text{ (5a)}

𝑔1(𝐼,𝐗,𝐁,𝜏,𝒟𝑙̂2)=min𝐳,𝐲2≥0𝔼𝒟𝑙̂3[𝑔2(𝐼,𝐗,𝐁,𝐳,𝐲2,𝜏,𝒟𝑙̂2,𝒟𝑙̂3)] s.t. ∑𝑖(𝑧𝑖+𝑦𝑖2)≤𝐼, 𝑦𝑖2≤𝐵𝑖+𝐷𝑖,𝑙̂1+𝐷𝑖,𝑙̂2, ∀𝑖, (5b)\mathit{g}_{\text{1}}\left( \mathit{I}\text{,}\mathbf{X}\text{,}\mathbf{B}\text{,}\mathit{\tau}\text{,}\mathit{\mathcal{D}}_{\widehat{\mathit{l}}}^{\text{2}} \right)\text{=}\text{min}_{\mathbf{z}\text{,}\mathbf{y}^{\text{2}}\text{≥}\text{0}}\text{𝔼}_{\mathit{\mathcal{D}}_{\widehat{\mathit{l}}}^{\text{3}}}\left\lbrack \mathit{g}_{\text{2}}\left( \mathit{I}\text{,}\mathbf{X}\text{,}\mathbf{B}\text{,}\mathbf{z}\text{,}\mathbf{y}^{\text{2}}\text{,}\mathit{\tau}\text{,}\mathit{\mathcal{D}}_{\widehat{\mathit{l}}}^{\text{2}}\text{,}\mathit{\mathcal{D}}_{\widehat{\mathit{l}}}^{\text{3}} \right) \right\rbrack\text{ s.t. }\sum_{\mathit{i}}^{}\left( \mathit{z}_{\mathit{i}}\text{+}\mathit{y}_{\mathit{i}}^{\text{2}} \right)\text{≤}\mathit{I}\text{, }\mathit{y}_{\mathit{i}}^{\text{2}}\text{≤}\mathit{B}_{\mathit{i}}\text{+}\mathit{D}_{\mathit{i}\text{,}\widehat{\mathit{l}}}^{\text{1}}\text{+}\mathit{D}_{\mathit{i}\text{,}\widehat{\mathit{l}}}^{\text{2}}\text{, ∀}\mathit{i}\text{,}\text{ (5b)}

𝑔2(𝐼,𝐗,𝐁,𝐳,𝐲2,𝜏,𝒟𝑙̂2,𝒟𝑙̂3)=min𝐰,𝐲3≥0𝑔3(𝐼,𝐗,𝐁,𝐰,𝐲2,𝐲3,𝐳,𝜏,𝒟𝑙̂2,𝒟𝑙̂3) (5c)\mathit{g}_{\text{2}}\left( \mathit{I}\text{,}\mathbf{X}\text{,}\mathbf{B}\text{,}\mathbf{z}\text{,}\mathbf{y}^{\text{2}}\text{,}\mathit{\tau}\text{,}\mathit{\mathcal{D}}_{\widehat{\mathit{l}}}^{\text{2}}\text{,}\mathit{\mathcal{D}}_{\widehat{\mathit{l}}}^{\text{3}} \right)\text{=}\text{min}_{\mathbf{w}\text{,}\mathbf{y}^{\text{3}}\text{≥}\text{0}}\mathit{g}_{\text{3}}\left( \mathit{I}\text{,}\mathbf{X}\text{,}\mathbf{B}\text{,}\mathbf{w}\text{,}\mathbf{y}^{\text{2}}\text{,}\mathbf{y}^{\text{3}}\text{,}\mathbf{z}\text{,}\mathit{\tau}\text{,}\mathit{\mathcal{D}}_{\widehat{\mathit{l}}}^{\text{2}}\text{,}\mathit{\mathcal{D}}_{\widehat{\mathit{l}}}^{\text{3}} \right)\text{ (5c)}

s.t. ∑𝑖(𝑧𝑖+𝑦𝑖2+𝑦𝑖3)≤𝐼, 𝑤𝑖≤𝑋𝑖+𝑧𝑖, 𝑤𝑖+𝑦𝑖2+𝑦𝑖3≤𝐵𝑖+𝐷𝑖,𝑙̂1+𝐷𝑖,𝑙̂2+𝐷𝑖,𝑙̂3+𝐷𝑖,𝑙̂4, ∀𝑖,\text{s.t. }\sum_{\mathit{i}}^{}\left( \mathit{z}_{\mathit{i}}\text{+}\mathit{y}_{\mathit{i}}^{\text{2}}\text{+}\mathit{y}_{\mathit{i}}^{\text{3}} \right)\text{≤}\mathit{I}\text{, }\mathit{w}_{\mathit{i}}\text{≤}\mathit{X}_{\mathit{i}}\text{+}\mathit{z}_{\mathit{i}}\text{, }\mathit{w}_{\mathit{i}}\text{+}\mathit{y}_{\mathit{i}}^{\text{2}}\text{+}\mathit{y}_{\mathit{i}}^{\text{3}}\text{≤}\mathit{B}_{\mathit{i}}\text{+}\mathit{D}_{\mathit{i}\text{,}\widehat{\mathit{l}}}^{\text{1}}\text{+}\mathit{D}_{\mathit{i}\text{,}\widehat{\mathit{l}}}^{\text{2}}\text{+}\mathit{D}_{\mathit{i}\text{,}\widehat{\mathit{l}}}^{\text{3}}\text{+}\mathit{D}_{\mathit{i}\text{,}\widehat{\mathit{l}}}^{\text{4}}\text{, ∀}\mathit{i}\text{,}

𝑔3=h0(𝜏+1)(𝐼−∑𝑖(𝑧𝑖+𝑦𝑖2+𝑦𝑖3))++∑𝑖h𝑖(𝑋𝑖+𝑧𝑖−𝑤𝑖)++∑𝑖𝑓𝑖𝑙𝑦𝑖3 (5d)\mathit{g}_{\text{3}}\text{=}\mathit{h}_{\text{0}}\left( \mathit{\tau}\text{+}\text{1} \right)\left( \mathit{I}\text{−}\sum_{\mathit{i}}^{}\left( \mathit{z}_{\mathit{i}}\text{+}\mathit{y}_{\mathit{i}}^{\text{2}}\text{+}\mathit{y}_{\mathit{i}}^{\text{3}} \right) \right)^{\text{+}}\text{+}\sum_{\mathit{i}}^{}{\mathit{h}_{\mathit{i}}\left( \mathit{X}_{\mathit{i}}\text{+}\mathit{z}_{\mathit{i}}\text{−}\mathit{w}_{\mathit{i}} \right)^{\text{+}}}\text{+}\sum_{\mathit{i}}^{}{\frac{\mathit{f}_{\mathit{i}}}{\mathit{l}}\mathit{y}_{\mathit{i}}^{\text{3}}}\text{ (5d)}

+∑𝑖𝑏𝑖[(𝐵𝑖+𝐷𝑖,𝑙̂1+𝐷𝑖,𝑙̂3−𝑤𝑖−𝑦𝑖2−𝑦𝑖3)++(𝜏+12(𝐷𝑖,𝑙̂2+𝐷𝑖,𝑙̂4)+𝜏(𝐵𝑖+𝐷𝑖,𝑙̂1+𝐷𝑖,𝑙̂3−𝑤𝑖−𝑦𝑖2−𝑦𝑖3))+].\text{+}\sum_{\mathit{i}}^{}{\mathit{b}_{\mathit{i}}\left\lbrack \left( \mathit{B}_{\mathit{i}}\text{+}\mathit{D}_{\mathit{i}\text{,}\widehat{\mathit{l}}}^{\text{1}}\text{+}\mathit{D}_{\mathit{i}\text{,}\widehat{\mathit{l}}}^{\text{3}}\text{−}\mathit{w}_{\mathit{i}}\text{−}\mathit{y}_{\mathit{i}}^{\text{2}}\text{−}\mathit{y}_{\mathit{i}}^{\text{3}} \right)^{\text{+}}\text{+}\left( \frac{\mathit{\tau}\text{+}\text{1}}{\text{2}}\left( \mathit{D}_{\mathit{i}\text{,}\widehat{\mathit{l}}}^{\text{2}}\text{+}\mathit{D}_{\mathit{i}\text{,}\widehat{\mathit{l}}}^{\text{4}} \right)\text{+}\mathit{\tau}\left( \mathit{B}_{\mathit{i}}\text{+}\mathit{D}_{\mathit{i}\text{,}\widehat{\mathit{l}}}^{\text{1}}\text{+}\mathit{D}_{\mathit{i}\text{,}\widehat{\mathit{l}}}^{\text{3}}\text{−}\mathit{w}_{\mathit{i}}\text{−}\mathit{y}_{\mathit{i}}^{\text{2}}\text{−}\mathit{y}_{\mathit{i}}^{\text{3}} \right) \right)^{\text{+}} \right\rbrack}\text{.}

阶段与函数符号 决策变量 / 输入状态 数学含义与经济学机制解释
第一阶段总目标
𝐶_𝑙̂{\underline{\mathit{C}}}_{\widehat{\mathit{l}}}(式5a)
初始仓库库存位置 𝐼\mathit{I}、零售商初始库存位置 𝑋𝑖\mathit{X}_{\mathit{i}}、初始积压 𝐵𝑖\mathit{B}_{\mathit{i}} 在观测到中断时长 𝜏\mathit{\tau} 和第二阶段需求 𝒟𝑙̂2\mathit{\mathcal{D}}_{\widehat{\mathit{l}}}^{\text{2}} 之前,优化系统各节点的期初稳态库存位置与初始缺货基准,最小化跨越 𝜏+1\mathit{\tau}\text{+}\text{1} 期的期望总成本。
第二阶段值函数
𝑔1\mathit{g}_{\text{1}}(式5b)
常规分配量 𝑧𝑖\mathit{z}_{\mathit{i}}、第二阶段加急量 𝑦𝑖2\mathit{y}_{\mathit{i}}^{\text{2}} 在实现中断时长 𝜏\mathit{\tau} 及前 𝐿+𝑙̂−𝑙+𝜏\mathit{L}\text{+}\widehat{\mathit{l}}\text{−}\mathit{l}\text{+}\mathit{\tau} 期需求 𝒟𝑙̂2\mathit{\mathcal{D}}_{\widehat{\mathit{l}}}^{\text{2}} 后,决定从中央仓库拨往各零售商的常规补货 𝑧𝑖\mathit{z}_{\mathit{i}} 及即时加急 𝑦𝑖2\mathit{y}_{\mathit{i}}^{\text{2}}。约束要求总发出量不超过仓库库存 𝐼\mathit{I},且加急量不超过当前已发生的净需求。
第三阶段值函数
𝑔2\mathit{g}_{\text{2}}(式5c)
本地库存履约量 𝑤𝑖\mathit{w}_{\mathit{i}}、第三阶段加急量 𝑦𝑖3\mathit{y}_{\mathit{i}}^{\text{3}} 在实现最后 𝑙\mathit{l} 期需求 𝒟𝑙̂3\mathit{\mathcal{D}}_{\widehat{\mathit{l}}}^{\text{3}} 后,决定各零售商在整个周期内的本地履约总量 𝑤𝑖\mathit{w}_{\mathit{i}}(受限于本地可用总量 𝑋𝑖+𝑧𝑖\mathit{X}_{\mathit{i}}\text{+}\mathit{z}_{\mathit{i}})及最后 𝑙\mathit{l} 期加急量 𝑦𝑖3\mathit{y}_{\mathit{i}}^{\text{3}}(受限于仓库剩余库存与总需求上限)。
终端成本核算函数
𝑔3\mathit{g}_{\text{3}}(式5d)
涵盖仓库持有、零售商持有、加急分摊与中断期动态缺货成本 由四部分构成:① 仓库剩余库存持有 𝜏+1\mathit{\tau}\text{+}\text{1} 期的成本;② 零售商期末剩余库存持有成本;③ 最后 𝑙\mathit{l} 期加急成本按 𝑓𝑖𝑙𝑦𝑖3\frac{\mathit{f}_{\mathit{i}}}{\mathit{l}}\mathit{y}_{\mathit{i}}^{\text{3}} 计入下界;④ 缺货成本项:包含正常期末净积压,以及中断 𝜏\mathit{\tau} 期内旧积压持续 𝜏\mathit{\tau} 期的惩罚与新增需求 𝐃𝑙̂2\mathbf{D}_{\widehat{\mathit{l}}}^{\text{2}}+𝐃𝑙̂4\mathbf{D}_{\widehat{\mathit{l}}}^{\text{4}} 按三角均匀累积折算的 𝜏+12\frac{\mathit{\tau}\text{+}\text{1}}{\text{2}} 倍缺货惩罚。

3.4 基准库存设定函数、订货规则与近视分配优化函数

求解三阶段随机规划 𝒮𝒫(𝒟02,𝒟03)\mathit{\mathcal{S}\mathcal{P}}\left( \mathit{\mathcal{D}}_{\text{0}}^{\text{2}}\text{,}\mathit{\mathcal{D}}_{\text{0}}^{\text{3}} \right)(或 𝒮𝒫(𝒟𝑙2,𝒟𝑙3)\mathit{\mathcal{S}\mathcal{P}}\left( \mathit{\mathcal{D}}_{\mathit{l}}^{\text{2}}\text{,}\mathit{\mathcal{D}}_{\mathit{l}}^{\text{3}} \right))得到最优解 𝐼∗\mathit{I}^{\text{∗}}、𝑋𝑖∗\mathit{X}_{\mathit{i}}^{\text{∗}}、𝐵𝑖∗\mathit{B}_{\mathit{i}}^{\text{∗}} 和随机分配决策 𝑧𝑖∗\mathit{z}_{\mathit{i}}^{\text{∗}} 后,作者将其转化为实践中最易执行的梯级基准库存策略(Echelon Base-Stock Policy)。其中,全系统梯级基准库存水平 𝑆0\mathit{S}_{\text{0}}(式6)与零售商 𝑖\mathit{i} 本地基准库存水平 𝑆𝑖\mathit{S}_{\mathit{i}}(式7)定义为:

𝑆0=𝐼∗+∑𝑖(𝑋𝑖∗−𝐵𝑖∗)+, (6)\mathit{S}_{\text{0}}\text{=}\mathit{I}^{\text{∗}}\text{+}\sum_{\mathit{i}}^{}\left( \mathit{X}_{\mathit{i}}^{\text{∗}}\text{−}\mathit{B}_{\mathit{i}}^{\text{∗}} \right)^{\text{+}}\text{,}\text{ (6)}

𝑆𝑖=(𝑋𝑖∗−𝐵𝑖∗)++𝔼[𝑧𝑖∗], ∀𝑖. (7)\mathit{S}_{\mathit{i}}\text{=}\left( \mathit{X}_{\mathit{i}}^{\text{∗}}\text{−}\mathit{B}_{\mathit{i}}^{\text{∗}} \right)^{\text{+}}\text{+}\text{𝔼}\left\lbrack \mathit{z}_{\mathit{i}}^{\text{∗}} \right\rbrack\text{, ∀}\mathit{i}\text{.}\text{ (7)}

在实际各周期运行中:(1)外部供应商订货函数(式8):每当供应商处于正常状态(𝑟𝑡=0\mathit{r}_{\mathit{t}}\text{=}\text{0}),中央仓库向供应商下达补货订单 𝑥𝑡\mathit{x}_{\mathit{t}},将全系统库存位置(仓库在库 + 仓库至零售商在途 + 供应商至仓库在途 + 所有零售商净库存)拉升至 𝑆0\mathit{S}_{\text{0}};(2)履约与加急规则:各零售商优先用本地库存最大限度满足需求(取当前总欠货与本地库存的较小值),若仍有剩余缺货积压,则中央仓库按缺货成本 𝑏𝑖\mathit{b}_{\mathit{i}} 从高到低排序,采用近视(Myopic)原则动用仓库现货加急清偿积压;(3)常规库存分配函数(式9):加急结束后,若仓库剩余现货足以将所有零售商的库存位置补足至各自的基准水平 𝑆𝑖\mathit{S}_{\mathit{i}},则直接按差额发货;若仓库现货不足,则求解如下带有基准库存上限约束 𝑆𝑖\mathit{S}_{\mathit{i}} 的近视分配凸优化问题(Myopic Allocation Program,式9):

𝑥𝑡=𝑆0−(𝐼𝑡+𝐼𝑇𝑡+∑𝑠=𝑡−𝐿+1𝑡−1𝑥𝑠+∑𝑖(𝑋𝑖,𝑡−𝐵𝑖,𝑡)). (8)\mathit{x}_{\mathit{t}}\text{=}\mathit{S}_{\text{0}}\text{−}\left( \mathit{I}_{\mathit{t}}\text{+}{\mathit{I}\mathit{T}}_{\mathit{t}}\text{+}\sum_{\mathit{s}\text{=}\mathit{t}\text{−}\mathit{L}\text{+}\text{1}}^{\mathit{t}\text{−}\text{1}}\mathit{x}_{\mathit{s}}\text{+}\sum_{\mathit{i}}^{}\left( \mathit{X}_{\mathit{i}\text{,}\mathit{t}}\text{−}\mathit{B}_{\mathit{i}\text{,}\mathit{t}} \right) \right)\text{.}\text{ (8)}

min𝐳𝑡≥0𝔼[∑𝑖(h𝑖−h0)(𝑋𝑖,𝑡+𝐼𝑇𝑖,𝑡−+𝑧𝑖,𝑡−𝐵𝑖,𝑡−𝐷𝑖𝑙)++𝑏𝑖(𝐷𝑖𝑙−𝑋𝑖,𝑡−𝐼𝑇𝑖,𝑡−−𝑧𝑖,𝑡+𝐵𝑖,𝑡)+] (9a)\text{min}_{\mathbf{z}_{\mathit{t}}\text{≥}\text{0}}\text{𝔼}\left\lbrack \sum_{\mathit{i}}^{}{\left( \mathit{h}_{\mathit{i}}\text{−}\mathit{h}_{\text{0}} \right)\left( \mathit{X}_{\mathit{i}\text{,}\mathit{t}}\text{+}{\mathit{I}\mathit{T}}_{\mathit{i}\text{,}\mathit{t}}^{\text{−}}\text{+}\mathit{z}_{\mathit{i}\text{,}\mathit{t}}\text{−}\mathit{B}_{\mathit{i}\text{,}\mathit{t}}\text{−}\mathit{D}_{\mathit{i}}^{\mathit{l}} \right)^{\text{+}}\text{+}\mathit{b}_{\mathit{i}}\left( \mathit{D}_{\mathit{i}}^{\mathit{l}}\text{−}\mathit{X}_{\mathit{i}\text{,}\mathit{t}}\text{−}{\mathit{I}\mathit{T}}_{\mathit{i}\text{,}\mathit{t}}^{\text{−}}\text{−}\mathit{z}_{\mathit{i}\text{,}\mathit{t}}\text{+}\mathit{B}_{\mathit{i}\text{,}\mathit{t}} \right)^{\text{+}}} \right\rbrack\text{ (9a)}

s.t. ∑𝑖𝑧𝑖,𝑡≤𝐼𝑡−1+𝑥𝑡−𝐿−∑𝑖𝑦𝑖,𝑡, 𝑋𝑖,𝑡+𝐼𝑇𝑖,𝑡−+𝑧𝑖,𝑡≤𝑆𝑖, ∀𝑖. (9b)\text{s.t. }\sum_{\mathit{i}}^{}\mathit{z}_{\mathit{i}\text{,}\mathit{t}}\text{≤}\mathit{I}_{\mathit{t}\text{−}\text{1}}\text{+}\mathit{x}_{\mathit{t}\text{−}\mathit{L}}\text{−}\sum_{\mathit{i}}^{}\mathit{y}_{\mathit{i}\text{,}\mathit{t}}\text{, }\mathit{X}_{\mathit{i}\text{,}\mathit{t}}\text{+}{\mathit{I}\mathit{T}}_{\mathit{i}\text{,}\mathit{t}}^{\text{−}}\text{+}\mathit{z}_{\mathit{i}\text{,}\mathit{t}}\text{≤}\mathit{S}_{\mathit{i}}\text{, ∀}\mathit{i}\text{.}\text{ (9b)}

函数解释(式6–9):式(6)和式(7)的核心洞察在于:由于 𝔼[∑𝑖𝑧𝑖∗]≤𝐼∗\text{𝔼}\left\lbrack \sum_{\mathit{i}}^{}\mathit{z}_{\mathit{i}}^{\text{∗}} \right\rbrack\text{≤}\mathit{I}^{\text{∗}},系统总基准库存 𝑆0\mathit{S}_{\text{0}} 严格大于或等于所有零售商本地基准库存之和 ∑𝑖𝑆𝑖\sum_{\mathit{i}}^{}\mathit{S}_{\mathit{i}},两者的差额 𝑆0−∑𝑖𝑆𝑖=𝐼∗−∑𝑖𝔼[𝑧𝑖∗]≥0\mathit{S}_{\text{0}}\text{−}\sum_{\mathit{i}}^{}\mathit{S}_{\mathit{i}}\text{=}\mathit{I}^{\text{∗}}\text{−}\sum_{\mathit{i}}^{}{\text{𝔼}\left\lbrack \mathit{z}_{\mathit{i}}^{\text{∗}} \right\rbrack}\text{≥}\text{0} 恰恰代表专门预留在中央仓库的集中缓冲库存!在式(9)的近视分配目标函数中,由于附加了第二条硬约束 𝑋𝑖,𝑡+𝐼𝑇𝑖,𝑡−+𝑧𝑖,𝑡≤𝑆𝑖\mathit{X}_{\mathit{i}\text{,}\mathit{t}}\text{+}{\mathit{I}\mathit{T}}_{\mathit{i}\text{,}\mathit{t}}^{\text{−}}\text{+}\mathit{z}_{\mathit{i}\text{,}\mathit{t}}\text{≤}\mathit{S}_{\mathit{i}},即使在 h𝑖=h0\mathit{h}_{\mathit{i}}\text{=}\mathit{h}_{\text{0}}(第一项持有成本差为 0)的工业场景下,中央仓库也不会像传统 FZ 策略那样把所有库存强行推光给零售商,而是把超出 ∑𝑖𝑆𝑖\sum_{\mathit{i}}^{}\mathit{S}_{\mathit{i}} 的部分留在中央仓库,留作未来应对需求激增或供应中断时的机动加急储备。

3.5 中断模式下的集中与分散对比模型及修正干预判据函数

在论文第 4 节中,为回答“供应中断发生时是否应当把所有在途到货库存全部截留在中央仓库进行集中加急控制”,作者构建了一个聚焦中断期窗口 𝜏\mathit{\tau} 的解析对比模型:假设系统包含 𝑛\mathit{n}(𝑛≥2\mathit{n}\text{≥}\text{2})个对称零售商,单位缺货成本同为 𝑏\mathit{b},单位加急成本同为 𝑓\mathit{f},持有成本相同可忽略;在长度为 𝜏\mathit{\tau} 的中断期内,每个零售商的需求过程近似为强度为 𝜆𝜏\frac{\mathit{\lambda}}{\mathit{\tau}} 的连续时间泊松过程,从而整个中断期内单店累计需求 𝐷𝑖\mathit{D}_{\mathit{i}} 服从均值为 𝜆\mathit{\lambda} 的泊松分布,全系统总需求为 𝐷𝑛=∑𝑖=1𝑛𝐷𝑖\mathit{D}^{\mathit{n}}\text{=}\sum_{\mathit{i}\text{=}\text{1}}^{\mathit{n}}\mathit{D}_{\mathit{i}}(服从均值为 𝑛𝜆\mathit{n}\mathit{\lambda} 的泊松分布)。中断开始时,平均每个零售商对应的管道可用库存为 𝑎\mathit{a} 件(整数 𝑎≥1\mathit{a}\text{≥}\text{1},全系统共 𝑛𝑎\mathit{n}\mathit{a} 件,且关注供不应求情形 𝜆≥𝑎\mathit{\lambda}\text{≥}\mathit{a})。

作者对比了两种极端策略:(1)完全集中控制(Centralization / DFI):将全部 𝑛𝑎\mathit{n}\mathit{a} 件库存留在中央仓库,任何零售商产生需求时均由仓库以单位成本 𝑓\mathit{f} 加急直发,直到 𝑛𝑎\mathit{n}\mathit{a} 件耗尽后才开始产生全网缺货积压;(2)完全分散持有(Decentralization / N):将库存平均分配给各零售商(每店 𝑎\mathit{a} 件),各店用本地库存免费履约(无需加急费 𝑓\mathit{f}),但某家店可能提前断货产生积压,而另一家店仍有剩余库存。将理论推导出的分散占优条件(Theorem 2)映射回异质性工业网络,令 𝑓̃\widetilde{\mathit{f}} 为全网平均单位加急成本、𝑏̃\widetilde{\mathit{b}} 为全网平均单位缺货成本、𝜆̃𝑡{\widetilde{\mathit{\lambda}}}_{\mathit{t}} 为中断 𝜏\mathit{\tau} 期内平均每家零售商的累计期望需求、𝑎̃𝑡{\widetilde{\mathit{a}}}_{\mathit{t}} 为中断开始时刻平均每家零售商对应的系统净库存位置,得到修正中断干预策略(MDFI)的切换判据函数(式10):

𝑓̃≥𝑏̃𝜏(0.621𝜆̃𝑡+0.150𝑎̃𝑡). (10)\widetilde{\mathit{f}}\text{≥}\widetilde{\mathit{b}}\mathit{\tau}\left( \frac{\text{0.621}}{{\widetilde{\mathit{\lambda}}}_{\mathit{t}}}\text{+}\frac{\text{0.150}}{{\widetilde{\mathit{a}}}_{\mathit{t}}} \right)\text{.}\text{ (10)}

函数解释(式10):当式(10)成立时,加急配送的边际成本超过了集中库存带来的防缺货收益,系统在中断期间应保持原有的零售商基准库存不变(即保持库存分散);反之,当面对极长中断期 𝜏\mathit{\tau} 或极度紧缺的初始库存 𝑎̃𝑡{\widetilde{\mathit{a}}}_{\mathit{t}} 导致式(10)不成立时,系统自动触发 DFI 集中干预,将零售商基准库存临时归零,把所有新到货集中在中央仓库按优先级加急发货。

四、核心定理、引理与推论的通俗举例详解(不含证明)

根据要求,本节对论文中的全部核心理论命题(包括马尔可夫稳态分布性质、Theorem 1、基准库存上下界推论、Lemma 1、Theorem 2 及异质网络推广推论 MDFI)逐一陈述其核心结论,并通过具体的数值算例和商业场景深入浅出地解释其经济学与运营管理含义,不展示繁琐的数学证明过程。

4.1 性质一(式1):马尔可夫供应中断过程的稳态分布性质

【稳态分布性质(Equation 1)】

在两模式马尔可夫供应中断模型中,若正常期后进入中断并持续 𝜏\mathit{\tau} 期的概率分布已知且期望 𝔼[𝜏]\text{𝔼}\left\lbrack \mathit{\tau} \right\rbrack 有限,则系统在长程稳态下处于剩余中断期数为 𝑘\mathit{k}(𝑘∈ℤ+\mathit{k}\text{∈}\text{ℤ}_{\text{+}})的概率满足式(1)。特别地,系统处于正常模式(𝑘=0\mathit{k}\text{=}\text{0})的稳态时间占比为 ℙ(𝑟𝑡=0)=11+𝔼[𝜏]\text{ℙ}\left( \mathit{r}_{\mathit{t}}\text{=}\text{0} \right)\text{=}\frac{\text{1}}{\text{1}\text{+}\text{𝔼}\left\lbrack \mathit{\tau} \right\rbrack},处于中断模式(𝑟𝑡>0\mathit{r}_{\mathit{t}}\text{>}\text{0})的稳态时间占比为 ℙ(𝑟𝑡>0)=𝔼[𝜏]1+𝔼[𝜏]\text{ℙ}\left( \mathit{r}_{\mathit{t}}\text{>}\text{0} \right)\text{=}\frac{\text{𝔼}\left\lbrack \mathit{\tau} \right\rbrack}{\text{1}\text{+}\text{𝔼}\left\lbrack \mathit{\tau} \right\rbrack}。

【通俗举例解释】:假设某汽车芯片供应商在每个正常日结束后,有 𝛼=1%\mathit{\alpha}\text{=}\text{1\%} 的概率发生工厂停工中断;一旦发生中断,停工持续时长固定为 15 天(此时无条件期望中断时长为 𝔼[𝜏]=0.01×15+0.99×0=0.15\text{𝔼}\left\lbrack \mathit{\tau} \right\rbrack\text{=}\text{0.01}\text{×}\text{15}\text{+}\text{0.99}\text{×}\text{0}\text{=}\text{0.15} 天)。

  • 直观账本计算:想象我们观察该供应商 100 个正常工作日。在这 100 个正常日里,平均会触发 1 次大停工(100 乘以 1%),这次停工会连续占用接下来的 15 天(依次经历剩余 15 天、14 天、……、1 天)。因此,每 100 个正常日就会伴随 15 个中断日,构成一个总长为 115 天的完整统计周期。

  • 套用公式验证:按式(1)计算,系统处于正常状态(𝑟𝑡=0\mathit{r}_{\mathit{t}}\text{=}\text{0})的概率为 11+0.15=100115≈86.96%\frac{\text{1}}{\text{1}\text{+}\text{0.15}}\text{=}\frac{\text{100}}{\text{115}}\text{≈}\text{86.96\%};处于中断状态(𝑟𝑡≥1\mathit{r}_{\mathit{t}}\text{≥}\text{1})的总概率为 0.151.15=15115≈13.04%\frac{\text{0.15}}{\text{1.15}}\text{=}\frac{\text{15}}{\text{115}}\text{≈}\text{13.04\%};而恰好处于“还剩 𝑘=5\mathit{k}\text{=}\text{5} 天恢复供货”的概率为 ℙ(𝜏≥5)1.15=0.011.15=1115≈0.87%\frac{\text{ℙ}\left( \mathit{\tau}\text{≥}\text{5} \right)}{\text{1.15}}\text{=}\frac{\text{0.01}}{\text{1.15}}\text{=}\frac{\text{1}}{\text{115}}\text{≈}\text{0.87\%}。这个性质告诉管理者:哪怕单次进入中断的概率只有不起眼的 1%,只要一旦中断持续时间较长(如 15 天),系统在全年尺度下竟有超过 13% 的时间处于断供状态! 这正是为什么传统忽略中断的库存模型会在实践中造成灾难性缺货的根本原因。

4.2 定理一(Theorem 1):多级分销网络的随机规划最优成本下界定理

【Theorem 1(随机规划成本下界定理)】

对于包含加急配送与马尔可夫供应中断的两级分销网络模型,当提前期调整参数取 𝑙̂=0\widehat{\mathit{l}}\text{=}\text{0} 时,任何可行库存控制策略在式(4)下的长程平均期望成本均严格大于或等于 𝐶_01+𝔼[𝜏]\frac{{\underline{\mathit{C}}}_{\text{0}}}{\text{1}\text{+}\text{𝔼}\left\lbrack \mathit{\tau} \right\rbrack}(其中 𝐶_0{\underline{\mathit{C}}}_{\text{0}} 为三阶段随机规划 𝒮𝒫(𝒟02,𝒟03)\mathit{\mathcal{S}\mathcal{P}}\left( \mathit{\mathcal{D}}_{\text{0}}^{\text{2}}\text{,}\mathit{\mathcal{D}}_{\text{0}}^{\text{3}} \right) 的最优目标函数值)。因此,𝐶_01+𝔼[𝜏]\frac{{\underline{\mathit{C}}}_{\text{0}}}{\text{1}\text{+}\text{𝔼}\left\lbrack \mathit{\tau} \right\rbrack} 构成了系统全局最优策略长程平均成本的理论下界。

【通俗举例解释】:假设通用汽车管理某种发动机传感器配件,向供应商采购提前期 𝐿=10\mathit{L}\text{=}\text{10} 天,从中央仓库发往各区域中心(RDC)的卡车运输提前期 𝑙=2\mathit{l}\text{=}\text{2} 天,无条件期望中断时长 𝔼[𝜏]=0.15\text{𝔼}\left\lbrack \mathit{\tau} \right\rbrack\text{=}\text{0.15} 天。由于全网有十几个 RDC、每天既能常规调拨又能空运加急,想要直接算出“理论上最完美的动态策略每天最少花多少钱”在数学上是不可能的(状态维度高达数十维)。

  • Theorem 1 是如何给出“成本底线”的? 作者设计了一个理想化的“松弛世界”(即随机规划 𝒮𝒫(𝒟02,𝒟03)\mathit{\mathcal{S}\mathcal{P}}\left( \mathit{\mathcal{D}}_{\text{0}}^{\text{2}}\text{,}\mathit{\mathcal{D}}_{\text{0}}^{\text{3}} \right)):在这个理想世界里,给予决策者两项现实中没有的“特权”——第一,允许在各 RDC 之间免费瞬间调配期初库存;第二,把原本每天都要做的琐碎决策,简化为在 10 天(𝐿=10\mathit{L}\text{=}\text{10})窗口内只做三次集中决策(期初定总盘子、第 8+𝜏\text{8}\text{+}\mathit{\tau} 天定常规分配与前段加急、第 10+𝜏\text{10}\text{+}\mathit{\tau} 天定本地履约与末段加急),且把最后 𝜏+1\mathit{\tau}\text{+}\text{1} 天的成本打包算总账。

  • 数值对标意义:假设通过计算机求解该三阶段随机规划得到 𝐶_0=$28.75{\underline{\mathit{C}}}_{\text{0}}\text{=}\text{\$28.75},除以周期膨胀因子 1+𝔼[𝜏]=1.15\text{1}\text{+}\text{𝔼}\left\lbrack \mathit{\tau} \right\rbrack\text{=}\text{1.15},得到下界值 𝐶_01+𝔼[𝜏]=28.751.15=$25.00\frac{{\underline{\mathit{C}}}_{\text{0}}}{\text{1}\text{+}\text{𝔼}\left\lbrack \mathit{\tau} \right\rbrack}\text{=}\frac{\text{28.75}}{\text{1.15}}\text{=}\text{\$25.00}/天。Theorem 1 保证:世上任何最优策略,平均每天的成本都绝不可能低于 $25.00! 此时,如果我们用此随机规划衍生出的启发式策略在实际仿真中跑出了 $25.08/天 的成绩,管理层立刻就能确信:我们的策略距离理论极限最多只差 25.08−25.0025.00=0.32%\frac{\text{25.08}\text{−}\text{25.00}}{\text{25.00}}\text{=}\text{0.32\%},无需再耗费巨资去寻找更复杂的算法。

4.3 推论性质一(Section 3.2.2 & 5.1):时间跨度选取对基准库存的高低估夹逼性质

【基准库存设定的时间跨度推论(Section 3.2.2)】

在利用随机规划解设定基准库存(式6–7)时:(1)采用 𝑙̂=0\widehat{\mathit{l}}\text{=}\text{0} 的模型 𝒮𝒫(𝒟02,𝒟03)\mathit{\mathcal{S}\mathcal{P}}\left( \mathit{\mathcal{D}}_{\text{0}}^{\text{2}}\text{,}\mathit{\mathcal{D}}_{\text{0}}^{\text{3}} \right)(对应策略 SP𝐿\text{SP}^{\mathit{L}})仅覆盖了 𝐿+𝜏\mathit{L}\text{+}\mathit{\tau} 期的不确定需求,忽略了常规调拨在途的 𝑙\mathit{l} 期需求风险,往往会低估(Underestimate)最优基准库存水平;(2)采用 𝑙̂=𝑙\widehat{\mathit{l}}\text{=}\mathit{l} 的模型 𝒮𝒫(𝒟𝑙2,𝒟𝑙3)\mathit{\mathcal{S}\mathcal{P}}\left( \mathit{\mathcal{D}}_{\mathit{l}}^{\text{2}}\text{,}\mathit{\mathcal{D}}_{\mathit{l}}^{\text{3}} \right)(对应策略 SP𝐿+𝑙\text{SP}^{\mathit{L}\text{+}\mathit{l}})覆盖了完整的 𝐿+𝑙+𝜏\mathit{L}\text{+}\mathit{l}\text{+}\mathit{\tau} 期总风险暴露窗口,但在该窗口内禁止了正常的二次采购订货机会,往往会高估(Overestimate)最优基准库存水平;(3)最优基准库存水平位于两者之间,可通过两者均值策略 SPavg\text{SP}^{\text{avg}} 或 SP𝐿+𝑙\text{SP}^{\mathit{L}\text{+}\mathit{l}} 进行有效逼近。

【通俗举例解释】:仍以供应商提前期 𝐿=10\mathit{L}\text{=}\text{10} 天、仓库到门店提前期 𝑙=2\mathit{l}\text{=}\text{2} 天、无中断(𝜏=0\mathit{\tau}\text{=}\text{0})为例,假设全网每天平均需求为 100 件。

  • 为什么 SP𝐿\text{SP}^{\mathit{L}}(看 10 天)会偏少? 当今天向供应商下一笔订单时,这批货要等 10 天才到中央仓库,然后再花 2 天才能运到门店货架上,前后总共要替系统遮风挡雨 12 天(10 加 2)。如果只按 10 天需求去算库存(SP𝐿\text{SP}^{\mathit{L}}),就漏掉了最后 2 天运输途中的需求波动,算出来的总库存比如只有 938 件(见论文 Table 2 中 SPavg\text{SP}^{\text{avg}} 包含了 SP𝐿\text{SP}^{\mathit{L}} 的拉低效应),在低中断风险时容易出现常规缺货。

  • 为什么 SP𝐿+𝑙\text{SP}^{\mathit{L}\text{+}\mathit{l}}(看 12 天)会略偏多? 反过来,如果我们在模型里强行要求“只靠期初这一笔订单死扛到底满 12 天”(SP𝐿+𝑙\text{SP}^{\mathit{L}\text{+}\mathit{l}}),却忽视了现实中第 2 天下达的新订单在第 12 天其实已经到达中央仓库并能用来空运加急救急,模型就会觉得风险比实际更大,从而多备一点库存(例如算出来 1,029 件)。于是,“保守派” SP𝐿+𝑙\text{SP}^{\mathit{L}\text{+}\mathit{l}}(1,029 件)与“折中派” SPavg\text{SP}^{\text{avg}}(取 SP𝐿\text{SP}^{\mathit{L}} 与 SP𝐿+𝑙\text{SP}^{\mathit{L}\text{+}\mathit{l}} 的平均值,如 938 件至 1,325 件)正好构成了一对互补组合:在中断风险高、宁可多备货的环境下,两者显著击败传统报童模型。

4.4 引理一(Lemma 1):独立同分布泊松求和的尾概率集中引理

【Lemma 1(泊松和尾概率集中不等式)】

设 𝐷𝑖\mathit{D}_{\mathit{i}}(1≤𝑖≤𝑛\text{1}\text{≤}\mathit{i}\text{≤}\mathit{n})为 𝑛\mathit{n} 个独立同分布的泊松随机变量,其均值(速率)满足 𝜆≥𝑎+1\mathit{\lambda}\text{≥}\mathit{a}\text{+}\text{1}(其中 𝑎∈ℤ+\mathit{a}\text{∈}\text{ℤ}_{\text{+}} 为正整数),记其总和为 𝐷𝑛=∑𝑖=1𝑛𝐷𝑖\mathit{D}^{\mathit{n}}\text{=}\sum_{\mathit{i}\text{=}\text{1}}^{\mathit{n}}\mathit{D}_{\mathit{i}},则必有如下尾概率不等式成立:

ℙ(𝐷𝑛≥𝑛𝑎)≥ℙ(𝐷𝑖≥𝑎), ∀𝜆≥𝑎+1, 𝑎∈ℤ+.\text{ℙ}\left( \mathit{D}^{\mathit{n}}\text{≥}\mathit{n}\mathit{a} \right)\text{≥}\text{ℙ}\left( \mathit{D}_{\mathit{i}}\text{≥}\mathit{a} \right)\text{, ∀}\mathit{\lambda}\text{≥}\mathit{a}\text{+}\text{1}\text{, }\mathit{a}\text{∈}\text{ℤ}_{\text{+}}\text{.}

【通俗举例解释】:这个引理从概率论上严格刻画了供应链中著名的“风险汇聚效应(Risk Pooling / 大数定律集中效应)”。假设进入一次供应中断后,每家汽车维修店手头只有 𝑎=2\mathit{a}\text{=}\text{2} 个变速箱配件,而中断期间每家店的平均客户需求高达 𝜆=4\mathit{\lambda}\text{=}\text{4} 个(满足 𝜆=4≥𝑎+1=3\mathit{\lambda}\text{=}\text{4}\text{≥}\mathit{a}\text{+}\text{1}\text{=}\text{3},即处于普遍供不应求的短缺状态)。

  • 单打独斗(右边 ℙ(𝐷𝑖≥𝑎)\text{ℙ}\left( \mathit{D}_{\mathit{i}}\text{≥}\mathit{a} \right)):如果考察单独一家门店 𝑖\mathit{i},虽然平均需求是 4 个,但因为单店随机波动很大(变异系数 𝐶𝑉=44=0.5\mathit{C}\mathit{V}\text{=}\frac{\sqrt{\text{4}}}{\text{4}}\text{=}\text{0.5}),有可能这家店运气特别好、中断期间只来了 0 个或 1 个客户(概率为 ℙ(𝐷𝑖≤1)=𝑒−4(1+4)≈9.16%\text{ℙ}\left( \mathit{D}_{\mathit{i}}\text{≤}\text{1} \right)\text{=}\mathit{e}^{\text{−}\text{4}}\left( \text{1}\text{+}\text{4} \right)\text{≈}\text{9.16\%}),因此单店把 2 个配件全部用完的概率是 ℙ(𝐷𝑖≥2)=1−9.16%=90.84%\text{ℙ}\left( \mathit{D}_{\mathit{i}}\text{≥}\text{2} \right)\text{=}\text{1}\text{−}\text{9.16\%}\text{=}\text{90.84\%}。换言之,单店有约 9.16% 的概率把珍贵的配件剩在仓库里吃灰!

  • 十店汇总(左边 ℙ(𝐷𝑛≥𝑛𝑎)\text{ℙ}\left( \mathit{D}^{\mathit{n}}\text{≥}\mathit{n}\mathit{a} \right)):现在把 10 家门店的需求汇总起来看,总可用库存是 𝑛𝑎=20\mathit{n}\mathit{a}\text{=}\text{20} 个,总期望需求是 𝑛𝜆=40\mathit{n}\mathit{\lambda}\text{=}\text{40} 个(变异系数降至 𝐶𝑉=4040≈0.158\mathit{C}\mathit{V}\text{=}\frac{\sqrt{\text{40}}}{\text{40}}\text{≈}\text{0.158})。10 家店的总需求不足 20 个的概率微乎其微(仅约 0.03%),因此全网总需求达到或超过 20 个的概率高达 99.97%,严格大于单店的 90.84%(即 ℙ(𝐷10≥20)≈99.97%≥ℙ(𝐷𝑖≥2)=90.84%\text{ℙ}\left( \mathit{D}^{\text{10}}\text{≥}\text{20} \right)\text{≈}\text{99.97\%}\text{≥}\text{ℙ}\left( \mathit{D}_{\mathit{i}}\text{≥}\text{2} \right)\text{=}\text{90.84\%})。

  • 核心直觉:当平均需求 𝜆\mathit{\lambda} 显著大于可用库存 𝑎\mathit{a} 时,汇总后的总需求分布更加紧密地集中在均值 𝑛𝜆\mathit{n}\mathit{\lambda} 附近,左尾掉到 𝑛𝑎\mathit{n}\mathit{a} 以下的概率变得极小。这一引理为计算集中控制与分散持有的期望缺货差额提供了关键的数学桥梁。

4.5 定理二(Theorem 2):中断模式下分散持有优于集中控制的成本判据定理

【Theorem 2(中断模式下分散化占优判据)】

在具有 𝑛≥2\mathit{n}\text{≥}\text{2} 个对称零售商的中断期模型中,设每家零售商拥有 𝑎≥1\mathit{a}\text{≥}\text{1} 单位可用库存,中断持续期为 𝜏\mathit{\tau},期间每家零售商累计需求服从均值 𝜆≥𝑎\mathit{\lambda}\text{≥}\mathit{a} 的泊松分布,单位期末缺货成本为 𝑏\mathit{b},单位加急配送成本为 𝑓\mathit{f}。若满足以下不等式条件,则在中断期间保持库存分散在零售商处(Decentralization)的总期望成本严格低于将库存集中在中央仓库(Centralization):

𝑓≥𝑏𝜏(0.621𝜆+0.150𝑎).\mathit{f}\text{≥}\mathit{b}\mathit{\tau}\left( \frac{\text{0.621}}{\mathit{\lambda}}\text{+}\frac{\text{0.150}}{\mathit{a}} \right)\text{.}

【通俗举例解释】:这一定理颠覆了工业界“只要发生供应中断,就应该立刻把所有库存收回中央仓库统一调配”的惯性思维,给出了一个极其简单实用的“一键算账公式”。不等式左边 𝑓\mathit{f} 是集中控制的代价(因为货全留在中央仓库,每卖出一件都要掏一笔高昂的空运加急费 𝑓\mathit{f});不等式右边 𝑏𝜏(0.621𝜆+0.150𝑎)\mathit{b}\mathit{\tau}\left( \frac{\text{0.621}}{\mathit{\lambda}}\text{+}\frac{\text{0.150}}{\mathit{a}} \right) 是分散持有的最大潜在风险成本上界(即因为把货分到了各家门店,万一甲店卖断货欠了客户,而乙店货架上还剩着货没卖完,这种“局部库存错配/孤岛效应”所多出来的缺货积压成本)。我们看两个鲜明的对比场景(设单位缺货成本 𝑏\mathit{b} 为 $10/天,单位加急费 𝑓\mathit{f} 为 $15/件,中断时长 𝜏=10\mathit{\tau}\text{=}\text{10} 天):

  • 场景 A(大流量/高库存充足场景 → 应该保持分散):假设中断期内每家店平均需求 𝜆=20\mathit{\lambda}\text{=}\text{20} 件,每家店分到可用库存 𝑎=10\mathit{a}\text{=}\text{10} 件。代入 Theorem 2 右边计算临界值:10×10×(0.62120+0.15010)=$4.61\text{10}\text{×}\text{10}\text{×}\left( \frac{\text{0.621}}{\text{20}}\text{+}\frac{\text{0.150}}{\text{10}} \right)\text{=}\text{\$4.61}。因为实际加急费 𝑓=$15≥$4.61\mathit{f}\text{=}\text{\$15}\text{≥}\text{\$4.61},不等式显著成立!为什么?因为当每家店需求高达 20 件而库存只有 10 件时,几乎每一家门店都会毫无悬念地把自己那 10 件库存全部卖光,根本不会发生“某家店货卖不掉被困住”的情况!既然放在门店也能 100% 卖掉抵消缺货,为什么还要收归中央仓库、白白每件多花 $15 的空运加急费呢?此时分散持有完胜。

  • 场景 B(长中断/极低需求慢速件场景 → 应该集中控制):假设某种冷门配件在 𝜏=20\mathit{\tau}\text{=}\text{20} 天长中断期内每家店平均需求只有 𝜆=1\mathit{\lambda}\text{=}\text{1} 件,每家店平均只有 𝑎=1\mathit{a}\text{=}\text{1} 件库存。代入右边计算:10×20×(0.6211+0.1501)=$154.20\text{10}\text{×}\text{20}\text{×}\left( \frac{\text{0.621}}{\text{1}}\text{+}\frac{\text{0.150}}{\text{1}} \right)\text{=}\text{\$154.20}。此时 𝑓=$15<$154.20\mathit{f}\text{=}\text{\$15}\text{<}\text{\$154.20},条件不成立!因为平均每店才需要 1 件,如果分给各店,必然有些店来了 2–3 个急客却没货(每天罚 $10 缺货费长达 20 天),而另一些店 1 个客人都没来、配件躺在货架上闲置。这时把所有配件集中在中央仓库,谁家来客就花 $15 空运给谁,能省下上百美元的缺货罚金,此时集中干预(DFI)占优。

4.6 推论二(Equation 10):异质多级网络下的修正中断干预策略(MDFI)判据

【修正中断干预推论(MDFI Rule, Equation 10)】

在各零售商需求率、库存量与成本参数异质的实际分销网络中,当周期 𝑡\mathit{t} 爆发预期时长为 𝜏\mathit{\tau} 的供应中断时,定义全网均值参数:平均加急成本 𝑓̃=1𝑛∑𝑖𝑓𝑖\widetilde{\mathit{f}}\text{=}\frac{\text{1}}{\mathit{n}}\sum_{\mathit{i}}^{}\mathit{f}_{\mathit{i}}、平均缺货成本 𝑏̃=1𝑛∑𝑖𝑏𝑖\widetilde{\mathit{b}}\text{=}\frac{\text{1}}{\mathit{n}}\sum_{\mathit{i}}^{}\mathit{b}_{\mathit{i}}、中断期内单店平均累计需求 𝜆̃𝑡=1𝑛∑𝑖∑𝑠=𝑡+1𝑡+𝜏𝜆𝑖,𝑠{\widetilde{\mathit{\lambda}}}_{\mathit{t}}\text{=}\frac{\text{1}}{\mathit{n}}\sum_{\mathit{i}}^{}{\sum_{\mathit{s}\text{=}\mathit{t}\text{+}\text{1}}^{\mathit{t}\text{+}\mathit{\tau}}\mathit{\lambda}_{\mathit{i}\text{,}\mathit{s}}} 以及当前全网单店平均净库存位置 𝑎̃𝑡=1𝑛(𝐼𝑡+𝐼𝑇𝑡+∑𝑠=𝑡−𝐿+1𝑡−1𝑥𝑠+∑𝑖(𝑋𝑖,𝑡−𝐵𝑖,𝑡)){\widetilde{\mathit{a}}}_{\mathit{t}}\text{=}\frac{\text{1}}{\mathit{n}}\left( \mathit{I}_{\mathit{t}}\text{+}{\mathit{I}\mathit{T}}_{\mathit{t}}\text{+}\sum_{\mathit{s}\text{=}\mathit{t}\text{−}\mathit{L}\text{+}\text{1}}^{\mathit{t}\text{−}\text{1}}\mathit{x}_{\mathit{s}}\text{+}\sum_{\mathit{i}}^{}\left( \mathit{X}_{\mathit{i}\text{,}\mathit{t}}\text{−}\mathit{B}_{\mathit{i}\text{,}\mathit{t}} \right) \right)。若满足式(10),则维持现有零售商基准库存不变(不干预);否则启动集中干预(DFI),将所有零售商基准库存临时设为 0,把新到货全部截留于中央仓库。

【通俗举例解释】:通用汽车原本的做法是“一刀切(DFI)”——只要某个零件供应商通知停工,不管停工几天、不管仓库里还有多少在途货,系统一律把所有 RDC 的补货掐断,全部留在中央仓库靠空运发件。结果在仿真中发现(见论文 Table 6),这种“一刀切 DFI”会让日常总成本暴涨近一倍(成本比从 1.042 飙升至 2.096)!而采用推论式(10)的 MDFI 过滤器后,每当供应商报警中断,系统先花 0.01 秒算一下式(10):对于绝大多数常规中断(例如仓库与在途库存 𝑎̃𝑡{\widetilde{\mathit{a}}}_{\mathit{t}} 充足,或中断期 𝜏\mathit{\tau} 只有一两周),式(10)立刻判定“无需恐慌干预”,省下了巨额空运成本;只有当真正遇到“库存见底 + 超长停工”的极端危机(式10 不成立)时,才精准拉响警报启动中央集中管控。这样既保留了应对极端风险的兜底能力,又将总体平均成本拉回到了接近最优不干预策略的水平(1.045 vs 1.042)。

五、数值仿真实验与通用汽车(General Motors)实证分析

论文通过两部分大规模仿真实验验证了理论模型与启发式策略的有效性:第一部分(Section 5)为基于 54 个典型参数实例的合成数据基准测试(Synthetic Simulations);第二部分(Section 6)为基于通用汽车全美售后维修配件网络的 23 种真实零件、138 个场景的工业级数据驱动仿真。

5.1 合成数据仿真(54个实验算例)的核心发现

在合成数据实验中,作者设置了零售商数量 𝑛∈{4,8,16}\mathit{n}\text{∈}\left\{ \text{4}\text{,}\text{8}\text{,}\text{16} \right\}、提前期组合 (𝐿,𝑙)∈{(10,2),(20,5)}\left( \mathit{L}\text{,}\mathit{l} \right)\text{∈}\left\{ \left( \text{10}\text{,}\text{2} \right)\text{,}\left( \text{20}\text{,}\text{5} \right) \right\}、三种需求率结构(全低需求率 1、全高需求率 10、高低混合)以及三种中断发生概率 𝛼∈{0.005,0.01,0.02}\mathit{\alpha}\text{∈}\left\{ \text{0.005}\text{,}\text{0.01}\text{,}\text{0.02} \right\}(一旦中断,持续期服从均值为 15 的平移泊松分布 𝜏̂∼Pois(14)+1\widehat{\mathit{\tau}}\text{∼}\text{Pois}\left( \text{14} \right)\text{+}\text{1}),成本参数设为 h0=h𝑖=1, 𝑏𝑖=10, 𝑓𝑖=15\mathit{h}_{\text{0}}\text{=}\mathit{h}_{\mathit{i}}\text{=}\text{1}\text{, }\mathit{b}_{\mathit{i}}\text{=}\text{10}\text{, }\mathit{f}_{\mathit{i}}\text{=}\text{15}。核心对比结果汇总如下表:

中断概率 α SP(L+l)-N 成本比 SP(avg)-N 成本比 FZ-N 成本比 NV-N 成本比 SP(L+l) 总库存 (零售占比) FZ-N 总库存 (零售占比)
0.005 (低风险) 1.013** 1.098 1.005*** 1.037* 1,029 (98.6%) 1,008 (100.0%)
0.010 (中风险) 1.078 1.021* 1.030* 1.009*** 1,322 (89.8%) 1,008 (100.0%)
0.020 (高风险) 1.033** 1.006*** 1.205 1.113* 1,415 (88.4%) 1,008 (100.0%)
Overall (总体) 1.041*** 1.042** 1.080 1.053* 1,255 (92.3%) 1,008 (100.0%)
  • 为什么随机规划策略(SP)在高中断风险下远超报童策略(FZ / NV)? 作者深入剖析了两大机理:(1)复合需求分布的高方差尾部盲区(Demand Variance):以 𝑛=4, 𝜆=1, (𝐿,𝑙)=(10,2)\mathit{n}\text{=}\text{4}\text{, }\mathit{\lambda}\text{=}\text{1}\text{, }\left( \mathit{L}\text{,}\mathit{l} \right)\text{=}\left( \text{10}\text{,}\text{2} \right) 为例,正常 12 天的总需求均值和方差均为 48;但一旦叠加小概率(0.5%、1%、2%)、大均值(60 件)的中断期需求,总需求的方差会剧增至 67、86 和 123。然而,报童类策略(FZ 和 NV)依赖临界分位数 𝑏𝑏+h=1011≈91%\frac{\mathit{b}}{\mathit{b}\text{+}\mathit{h}}\text{=}\frac{\text{10}}{\text{11}}\text{≈}\text{91\%} 来定库存,而由于中断发生的概率只有 0.5%–2%(位于 98%–99.5% 的极右尾),91% 分位数根本捕捉不到 98% 分位以外的断供黑天鹅事件(三种中断概率下的 91% 经验分位数完全相同,均为 58)!因此 Table 2 中 FZ-N 和 NV-N 的总库存几乎纹丝不动(停留在 1,008 和 1,051–1,061);(2)随机规划的动态成本核算机制(Cost Accounting):本文的随机规划终端成本函数 𝑔3\mathit{g}_{\text{3}} 通过系数 𝜏+12\frac{\mathit{\tau}\text{+}\text{1}}{\text{2}} 准确放大了整个中断期 𝜏\mathit{\tau} 内的累计缺货成本,迫使模型在 𝛼\mathit{\alpha} 升高时主动大幅提高全网总库存(从 1,029 增至 1,415),并将高达 10.2%–11.6% 的库存集中保留在中央仓库(零售端占比从 98.6% 降至 88.4%)。

  • 集中库存的独立净价值(Table 4):为单独剥离“中央仓库留存库存”的贡献,作者将 SP𝐿+𝑙\text{SP}^{\mathit{L}\text{+}\mathit{l}} 与强制要求中央仓库基准库存为 0 的变体 SPnc𝐿+𝑙\text{SP}_{\text{nc}}^{\mathit{L}\text{+}\mathit{l}} 进行对比。结果显示:允许中央仓库保留约 8.7% 的集中库存,不仅使全网平均总成本降低了 4.1%(比值 0.959),而且所需的系统总基准库存反而更少(1,255 件 vs 1,288 件),实现了“用更少的总库存办更好的事”。

5.2 通用汽车(General Motors)全美售后配件网络实证结果

在第 6 节中,作者将模型应用于通用汽车真实的售后维修配件三级网络:1 个中央仓库 + 15 个区域配送中心(RDC)+ 4,400 余家独立汽车经销商(Dealers)。实证环境包含以下复杂现实特征:(1)双需求流:经销商持有自身库存,向 RDC 发出“常规补货单(Normal Orders)”和缺货时的“紧急客户单(Customer Orders)”;RDC 优先满足紧急客户单;(2)伙伴 RDC 横向转运:若某 RDC 无法满足紧急客户单,由邻近指定的“伙伴 RDC(Partner RDC)”支援履约(提前期 2 天),若仍不足则升级至中央仓库通过次日达加急(提前期 1 天)发货;(3)随机提前期与人工触点成本:供应商至仓库、仓库至 RDC 的提前期均为正态取整随机变量;现行策略将中央仓库作为纯越库通道(Crossdocking,仅需 1 次人工触点成本),而存储库存的策略需承担入库与出库 2 次人工触点成本及卡车干线运费。

作者选取了代表全谱系特征的 23 种真实售后配件,在 𝛼∈{0.005,0.01,0.02}\mathit{\alpha}\text{∈}\left\{ \text{0.005}\text{,}\text{0.01}\text{,}\text{0.02} \right\} 与平均中断周数 𝛽+1∈{2,4}\mathit{\beta}\text{+}\text{1}\text{∈}\left\{ \text{2}\text{,}\text{4} \right\} 周(即 𝜏=7𝜃𝜏̂\mathit{\tau}\text{=}\text{7}\mathit{\theta}\widehat{\mathit{\tau}} 天)组成的 138 个仿真场景下,对比了通用汽车现行策略 I-DFI(独立按 80%–99.5% 目标服务水平设定 RDC 库存 + 中断期 DFI 集中干预)、修正干预策略 I-MDFI、随机规划策略 SP-N 与报童策略 NV-N(每周使用 8,000 个样本通过 Gurobi 10.0 求解 SAA):

评估维度 / 参数分组 I-MDFI / I-DFI SP-N / I-DFI NV-N / I-DFI 实证结论与业务解读
中断概率 𝛼\mathit{\alpha} = 0.005 0.999 0.959*** 0.980** 低中断概率下 SP-N 节约 4.1% 成本,显著优于全部基准。
中断概率 𝛼\mathit{\alpha} = 0.010 0.998 0.957*** 0.977** 中中断概率下 SP-N 节约 4.3% 成本,NV-N 节约 2.3%。
中断概率 𝛼\mathit{\alpha} = 0.020 0.996 0.957** 0.970** 高中断概率下 SP-N 与 NV-N 优势进一步扩大。
平均中断时长 2 周 0.998 0.954*** 0.977** 短中断下 SP-N 节约高达 4.6% 的总成本。
平均中断时长 4 周 0.997 0.961** 0.974** 长中断下 SP-N 节约 3.9% 的总成本。
全部 138 个场景总体 0.998 0.958*** 0.976** SP-N 平均降低 4.2% 总成本,NV-N 平均降低 2.4% 总成本。
低需求配件 (日均 0–4 件, 7种) — SP-N / NV-N = 0.977* 基准 (1.000) 低需求配件相对方差最大,SP-N 较 NV-N 额外显著降低 2.3% 成本。

此外,在计算效率方面,单零件单日求解基准库存的平均运行时间:NV-N 仅需 3.3 秒,SP-N 需 32 秒(在每周订货一次的工业节奏下完全可并行承受)。通用汽车管理层高度认可这一实证结果,特别是发现在扣除中央仓库从“纯越库(1次触点)”改为“入库存储(2次触点)”所增加的仓储人工费后,保留适量中央仓库集中库存依然能带来超过 4.2% 的净成本节约。

六、全文结论的经济与管理学启示总结

本文的研究不仅在多级库存理论上取得了突破,更为汽车制造、航空航天、电子零售、医药器械、国防后勤及公用事业等广泛存在“多级分销 + 紧急加急 + 供应链中断风险”的行业提供了深刻的管理学与经济学启示:

6.1 打破“等持有成本下中央仓库零库存”的经典运营教条

在传统多级库存管理教科书与企业 ERP 系统中,如果中央总仓与区域分仓的单位资金占用和仓储持有成本相同(h𝑖=h0\mathit{h}_{\mathit{i}}\text{=}\mathit{h}_{\text{0}}),标准理论建议将中央仓库仅作为“越库中转站(Pass-through / Crossdocking)”,把所有库存 100% 下推至贴近客户的区域分仓。本文证明,这一经典结论在存在加急配送通道和上游断供风险时不再成立。中央仓库留存的少量集中库存(通常占全网总库存的 8%–12%)具有极高的实物期权价值(Real Option Value):它既能在平时充当全网共享的“快速反应特种部队”,通过加急配送精准扑灭个别分仓的突发缺货;又能在上游供应商突然停工断供时,作为跨区域的风险缓冲池。即便企业为此需要额外支付中央仓库的入库与分拣人工费,集中库存带来的缺货缩减与总库存节约依然能实现超过 4% 的净经济收益。

6.2 克服报童分位数思维盲区:用“全周期缺货成本核算”应对黑天鹅风险

许多制造与零售企业习惯于使用基于目标服务水平(如 90% 或 95% 满足率,即报童分位数 𝑏𝑏+h\frac{\mathit{b}}{\mathit{b}\text{+}\mathit{h}})的公式来设定安全库存。本文揭示了一个重要的经济学管理陷阱:基于分位数的报童规则对“低频高损”的供应链中断几乎是失明的。因为供应中断发生的概率往往只有 0.5%–2%(位于概率分布的 98% 分位以外),即便中断一旦发生会造成长达数周的巨额缺货损失,90% 或 95% 的分位数指标也完全不会随之调高安全库存。管理者必须从“服务水平分位数思维”转向本文随机规划所体现的“全中断周期期望缺货成本核算思维(Cost Accounting over Disruption Horizons)”,将中断持续期内的累计缺货惩罚(以 𝜏+12\frac{\mathit{\tau}\text{+}\text{1}}{\text{2}} 阶数增长)显式纳入库存决策模型,才能真正为供应链建立起匹配风险强度的安全垫。

6.3 供应中断期的应急响应:摒弃“一刀切集中管控”,实施精准条件切换

当上游供应商发生危机时,企业高管往往出于“保证公平、优先救急”的直觉,下令启动全局应急干预(DFI)——冻结对下属分仓的常规补货,将所有在途物资扣留在总部统一靠高价空运直发。本文的 Theorem 2 和实证仿真给出了清醒的经济学警示:盲目集中管控会导致加急物流费用成倍暴增,在绝大多数中短期的常规中断中得不偿失。当配件本身需求流量较大或系统在途缓冲库存较充裕时,分散在各区域分仓的库存自然会被本地需求消化,极少发生“甲地积压浪费、乙地断货等待”的错配现象。企业应当将该决策制度化为本文式(10)的 MDFI 简易判据公式:在中断发生瞬间,对比单位加急费 𝑓̃\widetilde{\mathit{f}} 与 𝑏̃𝜏(0.621𝜆̃𝑡+0.150𝑎̃𝑡)\widetilde{\mathit{b}}\mathit{\tau}\left( \frac{\text{0.621}}{{\widetilde{\mathit{\lambda}}}_{\mathit{t}}}\text{+}\frac{\text{0.150}}{{\widetilde{\mathit{a}}}_{\mathit{t}}} \right) 的大小,仅在真正面临“长周期停工 + 极低库存 + 慢速周转件”的极端情境下才启动中央接管,从而在保障客户服务的同时消除不必要的应急物流开支。

6.4 差异化算法落地策略:针对长尾慢速件与不同提前期结构的精准赋能

在拥有数万个 SKU 的大型工业备件网络中,企业无需对所有零件采取同一复杂度的算法。本文的结果为算法分层部署提供了清晰指南:(1)对于提前期较长、需求量大且稳定、中断时长相对提前期较短的常规大宗配件,改进后的递归报童启发式策略(NV-N)运算极快(单件仅需 3.3 秒)且已能捕获绝大部分集中库存收益(节约逾 2% 成本);(2)对于日均需求量小(如日均 0–4 件)、相对需求方差大(高变异系数)的长尾关键维修备件,以及提前期较短、对上游中断高度敏感的配件,随机规划策略(SP-N)凭借对高方差分布尾部的精确刻画,能够比报童策略额外再多降低 2.3% 的成本。这对于以慢速周转备件为主的汽车售后、飞机维修及大型工业设备维保行业具有极高的直接落地价值。

七、参考文献(References)

以下完整列出论文正文引用的全部 33 篇参考文献(严格保持英文原名与原刊格式):

[1] Arreola-Risa A, DeCroix GA (1998) Inventory management under random supply disruptions and partial backorders. Naval Res. Logist. 45(7):687–703.

[2] Avci MG (2019) Lateral transshipment and expedited shipping in disruption recovery: A mean-CVaR approach. Comput. Indust. Engrg. 130(1):35–49.

[3] Axsäter S (2003) Supply chain operations: Serial and distribution inventory systems. Graves SC, de Kok AG, eds. Handbooks in Operations Research and Management Science, vol. 11 (Elsevier, Amsterdam), 525–559.

[4] Chopra S (2017) Seven-Eleven Japan Co. Kellogg School Management Cases 1(1):1–14.

[5] Clark AJ, Scarf H (1960) Optimal policies for a multi-echelon inventory problem. Management Sci. 6(4):475–490.

[6] DeValve L, Myles J (2025) Approximation algorithms for dynamic inventory management on networks. Management Sci. 71(7):5893–5909.

[7] DeValve L, Pekeč S, Wei Y (2020) A primal-dual approach to analyzing ATO systems. Management Sci. 66(11):5389–5407.

[8] DeValve L, Wei Y, Wu D, Yuan R (2023) Understanding the value of fulfillment flexibility in an online retailing environment. Manufacturing Service Oper. Management 25(2):391–408.

[9] Doğru MK, Reiman MI, Wang Q (2010) A stochastic programming based inventory policy for assemble-to-order systems with application to the W model. Oper. Res. 58(4 Part 1):849–864.

[10] Drent M, Arts J (2021) Expediting in two-echelon spare parts inventory systems. Manufacturing Service Oper. Management 23(6):1431–1448.

[11] Eppen G, Schrage L (1981) Centralized ordering policies in a multi-warehouse system with lead times and random demand. Schwarz LB, ed. TIMS Studies in the Management Sciences, Vol. 16: Multi-Level Production/Inventory Control Systems: Theory and Practice (North-Holland, Amsterdam), 51–67.

[12] Federgruen A, Zipkin P (1984a) Allocation policies and cost approximations for multilocation inventory systems. Naval Res. Logist. Quart. 31(1):97–129.

[13] Federgruen A, Zipkin P (1984b) Approximations of dynamic, multilocation production and inventory problems. Management Sci. 30(1):69–84.

[14] Federgruen A, Zipkin P (1984c) Computational issues in an infinite-horizon, multiechelon inventory model. Oper. Res. 32(4):818–836.

[15] Federgruen A, Guetta CD, Iyengar G (2018) Two-echelon distribution systems with random demands and storage constraints. Naval Res. Logist. 65(8):594–618.

[16] Gallego G, Özer Ö, Zipkin P (2007) Bounds, heuristics, and approximations for distribution systems. Oper. Res. 55(3):503–517.

[17] Huggins EL, Olsen TL (2010) Inventory control with generalized expediting. Oper. Res. 58(5):1414–1426.

[18] Kunnumkal S, Topaloglu H (2008) A duality-based relaxation and decomposition approach for inventory distribution systems. Naval Res. Logist. 55(7):612–631.

[19] Kunnumkal S, Topaloglu H (2011) Linear programming based decomposition methods for inventory distribution systems. Eur. J. Oper. Res. 211(2):282–297.

[20] Lawson DG, Porteus EL (2000) Multistage inventory management with expediting. Oper. Res. 48(6):878–893.

[21] Moinzadeh K, Aggarwal PK (1997) An information based multiechelon inventory system with emergency orders. Oper. Res. 45(5):694–701.

[22] Muharremoglu A, Tsitsiklis JN (2008) A single-unit decomposition approach to multiechelon inventory systems. Oper. Res. 56(5):1089–1103.

[23] Reiman MI, Wang Q (2015) Asymptotically optimal inventory control for assemble-to-order systems with identical lead times. Oper. Res. 63(3):716–732.

[24] Rong Y, Atan Z, Snyder LV (2017) Heuristics for base-stock levels in multi-echelon distribution networks. Production Oper. Management 26(9):1760–1777.

[25] Schmitt AJ, Snyder LV, Shen Z-JM (2010) Inventory systems with stochastic demand and supply: Properties and approximations. Eur. J. Oper. Res. 206(2):313–328.

[26] Schmitt TG, Kumar S, Stecke KE, Glover FW, Ehlen MA (2017) Mitigating disruptions in a multi-echelon supply chain using adaptive ordering. Omega 68(1):185–198.

[27] Shen X, Yu Y, Song J-S (2022) Optimal policies for a multi-echelon inventory problem with service time target and expediting. Manufacturing Service Oper. Management 24(4):2310–2327.

[28] Snyder LV, Atan Z, Peng P, Rong Y, Schmitt AJ, Sinsoysal B (2016) OR/MS models for supply chain disruptions: A review. IIE Trans. 48(2):89–109.

[29] Song J-S, Zipkin PH (1996) Inventory control with information about supply conditions. Management Sci. 42(10):1409–1419.

[30] Tomlin B (2006) On the value of mitigation and contingency strategies for managing supply chain disruption risks. Management Sci. 52(5):639–657.

[31] van Jaarsveld W, Scheller-Wolf A (2015) Optimization of industrial-scale assemble-to-order systems. INFORMS J. Comput. 27(3):544–560.

[32] Zipkin P (1984) On the imbalance of inventories in multi-echelon systems. Math. Oper. Res. 9(3):402–423.

[33] Zipkin PH (2000) Foundations of Inventory Management (McGraw-Hill, Columbus, OH).