O&SCM运营与供应链管理知识库

LATEST RESEARCH FRONTIERS / 最新研究前沿

模糊销售 · 有限柔性 · 库存管理

让顾客选两个颜色,
为何就能节省库存成本?

The Value of Flexibility from Opaque Selling

365 个原生公式 10:52 视频 19:07 音频

CHINESE LECTURE VIDEO / 中文讲解视频

模糊销售:有限柔性如何降低库存成本

解析联合补货、球入箱概率耦合、扩展条件与均衡策略,连接模型、定理和管理启示。

10 分 52 秒 · 768×480
CHINESE AUDIO SUMMARY / 中文音频总结

随机发货为什么能省大钱

从随机颜色发货出发,讨论顾客选择范围、库存风险汇聚和折扣成本之间的关系。

19 分 07 秒 · 单声道 AAC
FULL PAPER SUMMARY / 完整论文总结

模糊销售中柔性的价值:全文总结与模型解析

以下为所附 Word 总结全文,保留全文总结、核心贡献、模型函数、引理定理与算例、管理启示和参考文献。

《The Value of Flexibility from Opaque Selling》
全文总结与深度解析

作者:Adam N. Elmachtoub, David D. Yao, Yeqing Zhou | 发表期刊:Management Science (2026)

文献基本信息(Bibliographic Metadata)

论文题目:The Value of Flexibility from Opaque Selling(模糊销售中柔性的价值)

论文作者:Adam N. Elmachtoub(Columbia University 工业工程与运筹学系及数据科学研究所)、David D. Yao(Columbia University 工业工程与运筹学系)、Yeqing Zhou(通訊作者,Erasmus University 鹿特丹管理学院)

发表期刊:Management Science(运筹学与管理科学国际顶级期刊,UTD-24 / FT-50),2026年第72卷第10期(Vol. 72, No. 10, October 2026),页码:pp. 8683–8703,DOI: https://doi.org/10.1287/mnsc.2019.02983

核心关键词:Flexibility(柔性)、Opaque Products(模糊产品)、Online Retailing(在线零售)、Inventory Management(库存管理)、Balls-into-Bins(球入箱模型)

一、全文总结与核心逻辑梳理

1. 研究背景与商业现象:在现代电子商务平台(如 Amazon)中,零售商经常同时销售多种在核心功能、品质上完全相同,仅在颜色、款式等次要属性(Secondary Attribute)上存在水平差异(Horizontally Differentiated)的常年畅销商品(如文具、婴儿用品、玩具、T恤等)。除了允许顾客按原价指定具体颜色外,零售商越来越普遍地提供一种附带价格折扣、积分或优惠券激励的“模糊产品”(Opaque Product,例如 Amazon 上的“Colors May Vary / 颜色随机由系统为您挑选”选项)。当一位愿意接受颜色不确定性的“模糊消费者”(Opaque Customer)购买模糊产品后,具体发哪一种颜色的商品完全由零售商根据实时库存状态自主决定。如果一个模糊选项包含 kk 种备选颜色(由消费者从全部 nn 种颜色中任选 kk 种作为可接受范围,零售商从中挑选 1 种发货),则称为 k−opaquek - opaque 产品(kk-模糊产品)。当 k=1k\ = \ 1 时退化为传统确定性销售(Traditional Selling);当 k=nk\ = \ n 时即为全集模糊销售(n−opaquen - opaque selling)。

2. 核心矛盾与研究问题:模糊销售的核心优势在于需求侧的风险汇聚(Risk Pooling):模糊消费者在实质上汇总了不同颜色子集上的随机需求,帮零售商平抑了单品需求波动(方差),进而降低联合补货的订货成本(Ordering Cost)与库存持有成本(Holding Cost)。然而,零售商面临着严峻的管理权衡:如果要求消费者接受全部 nn 种颜色的完全随机分配(k=nk\ = \ n),虽然给零售商带来了最大的库存调配自由度,但消费者面临极大的偏好损失,零售商必须支付高昂的折扣成本才能吸引足够比例的顾客;反之,如果只提供小范围模糊选项(如只让顾客挑选自己最喜欢的 k=2k\ = \ 2 种颜色),所需折扣极小、顾客更容易接受,但这种有限柔性(Limited Flexibility)在削减库存成本上究竟能达到全集模糊销售的多少效果?本文围绕“模糊产品集合设计 ℱ\mathcal{F}”与“模糊消费者转化比例 q(t)q^{(t)}”如何共同决定库存成本节约展开了严密的理论与数值研究。

3. 全文研究脉络与核心结论:本文建立了具有联合补货成本的多产品连续盘点 (0,S)(0,\ S) 库存模型,并聚焦于直观易行的“均衡分配策略”(Balancing Policy ℳ\mathcal{M},即每当有模糊订单到达时,始终分配当前在库库存最高的产品)。通过将该库存系统巧妙地与概率论中的“球入箱问题”(Balls-into-Bins Model)进行随机耦合,作者严格证明了全文最核心的管理学洞见——“温和的模糊销售策略足以斩获绝大部分柔性价值”:即便模糊产品仅包含极小的产品子集(如 k=2k\ = \ 2 的二元模糊产品),且仅有极小比例的顾客选择模糊产品,其实现的相对库存成本节约在渐近数量级上(至少为 lognS\sqrt{\frac{\log\ n}{S}} 阶)与 100% 顾客都购买全集 nn-模糊产品的“完全柔性”基准完全处于同一数量级!此外,作者证明了当 n≥3n\ \geq \ 3 时,均衡策略虽然在某些极端失衡状态下不再严格最优,但具有渐近最优性(误差不超过 Θ(1S)\Theta\left( \frac{1}{S} \right))。最后,结合消费者离散选择模型(Uniform、Normal、MNL)与复杂库存环境(非零提前期、缺货补交、缺货损失、非对称需求)的仿真实验证实,二元模糊销售(Two-Opaque Selling)在净利润提升上全面超越全集模糊销售,且引入模糊销售后几乎不需要重新调整原有的 (s,S)(s,\ S) 补货策略参数。

二、文章的核心贡献(Core Contributions)

本文在在线零售运营管理、需求侧柔性理论以及多产品库存控制领域做出了五个维度的突出贡献:

第一,开辟了“从库存成本节约量化需求侧消费者柔性”的新视角,精确刻画了品种规模与补货批量对柔性价值的作用规律。传统关于模糊销售的文献(如 Gallego and Phillips 2004, Fay and Xie 2008, Jerath et al. 2010)主要针对航空、酒店等固定容量且边际成本可视作沉没成本(Sunk Costs)的行业,聚焦于利用模糊产品进行价格歧视或市场细分;而在线零售商常年销售实体商品,利润率极薄,降低补货与持有成本才是利润增长的关键。同时,既有运营管理文献(如 Jordan and Graves 1995 的长链设计)主要研究供给侧的“流程柔性”(Process Flexibility),而本文聚焦于需求侧的“消费者柔性”(Consumer Flexibility)。本文首次针对 n≥3n\ \geq \ 3 种产品的联合补货系统,证明了仅需吸引比例不低于 lognO(S1−δ)\frac{\sqrt{\log\ n}}{O\left( \sqrt{S^{1 - \delta}} \right)} 的模糊消费者,即可获得至少 lognS\sqrt{\frac{\log\ n}{S}} 阶的相对库存成本节约(Theorem 1)。这一闭式量级清晰揭示了:产品种类 nn 越多,风险汇聚带来的范围经济(Economy of Scope)越强;单次补货量 SS 越大,系统原本的规模经济(Economy of Scale)越强,相对节约比例虽随 SS 平缓下降,但所需模糊消费者的最低门槛比例也以相同速率同步下降。

第二,提出了一般模糊销售网络的“ϵ\epsilon-扩展条件”(ϵ\epsilon-Expanding Condition),在理论上严格确立了需求侧“一点点柔性就能发挥巨大作用”(A little flexibility goes a long way)。作者将模糊配置从全集 nn-模糊推广到任意子集族 ℱ\mathcal{F}(如二元模糊销售、邻近环形模糊、重叠分类模糊),并定义了衡量模糊网络连通与引流能力的 ϵ\epsilon-扩展条件(Definition 1)。定理 2(Theorem 2)证明了只要满足该条件,哪怕只提供 k=2k\ = \ 2 的二元模糊产品且仅有极小比例的顾客购买,其实现的相对成本节约在数量级上与“100% 顾客购买 nn-模糊产品”的完全柔性方案完全相同;推论 1(Corollary 1)进一步指出,订货成本与持有成本的相对节约同阶,不受固定订货费 KK 与单位持有成本 hh 具体数值的影响。此外,该结论允许消费者选择概率 q(t)q^{(t)} 随时间 tt 非平稳波动。

第三,发现了从两产品(n=2n\ = \ 2)到多产品(n≥3n\ \geq \ 3)库存系统的本质结构跃迁,证明了均衡分配策略的渐近最优性。此前 Elmachtoub et al. (2015) 仅研究了 n=2n\ = \ 2 的特例,此时利用生灭马氏链跟踪两产品库存差即可证明均衡策略在任意状态下严格最优。然而,当 n≥3n\ \geq \ 3 时,状态空间维数激增且传统马氏链方法失效。本文在定理 3(Theorem 3)中揭示了一个令人惊讶的反直觉性质:当 n≥3n\ \geq \ 3 时,均衡策略不再是全局严格最优策略!具体而言,当总库存低于初始库存一半(∑i=1nxi≤⌊nS2⌋\sum_{i = 1}^{n}x_{i}\ \leq \ \left\lfloor \frac{nS}{2} \right\rfloor)时,均衡动作严格最优;但当某款产品仅剩 1 件而其余产品库存极高(如状态 (1,S,…,S)(1,\ S,\ \ldots,\ S) 且订货费 KK 较小时),最优动作反而是故意把这最后 1 件库存发给模糊顾客以立即触发补货重置周期。尽管如此,定理 4(Theorem 4)严格证明了均衡策略的成本与理论最优策略成本的相对误差至多为 Θ(1S)\Theta\left( \frac{1}{S} \right),在渐近意义下接近完全最优。

第四,方法论创新:构建了多产品联合补货库存模型与经典“球入箱问题”(Balls-into-Bins)之间的概率耦合桥梁。在多产品库存系统中,补货发生时的单品最大消耗量固定为 SS,而总服务顾客数 Rℳ(q,ℱ)R^{\mathcal{M}}(q,\ \mathcal{F}) 是随机变量;而在球入箱问题中,投球总数 mm 固定,最大箱负载 M(m)M(m) 是随机变量。作者通过引理 2(Lemma 2)建立等价对偶关系 ℙ[Rℳ(q,ℱ)≤m]=ℙ[M(m)≥S]{\mathbb{P}}\left\lbrack R^{\mathcal{M}}(q,\ \mathcal{F})\ \leq \ m \right\rbrack\ = \ {\mathbb{P}}\left\lbrack M(m)\ \geq \ S \right\rbrack,并引入双曲余弦势函数(Potential Function)与 (1+β)(1\ + \ \beta)-随机选择过程,成功导出了补货周期末期望剩余库存的与 SS 无关的常数上界。

第五,通过融合消费者选择模型与复杂库存特征的数值实验,确立了二元模糊销售(Two-Opaque Selling)在真实商业环境中的全面优势。在综合考虑价格折扣成本与总利润的实验中(Section 6.1),由于风险中性的消费者对“最喜欢的 2 种颜色均值”的估值远高于对“全部 nn 种颜色均值”的估值,零售商仅需提供极小的价格折扣(如 1.06%~2.42%)就能吸引高达 25%~45% 的顾客选择二元模糊产品,其净利润增幅显著高于全集模糊销售。此外,在包含正提前期、缺货补交、缺货损失及非对称需求的扩展场景中(Section 6.2–6.3),作者提出了针对非对称需求的“修正均衡策略”(Modified Balancing Policy),并证实了原有库存策略无需重新优化即可获得几乎全部成本节约。

三、模型参数体系与核心函数深度解释

为了清晰理解文章的数学模型,本节まず梳理基础参数与决策变量,随后对模型中的每一个核心数学函数进行逐项拆解与物理、经济含义解释。

3.1 基础集合、参数与随机变量定义

符号(原生公式) 名称 模型定义与商业/物理含义
[n]≔{1,…,n}\lbrack n\rbrack\ ≔ \ \left\{ 1,\ \ldots,\ n \right\} 产品集合 在线零售商销售的 n 种水平差异化产品(功能质量相同,仅颜色或款式不同)。
λ\lambda 顾客到达率 购买顾客按独立同分布(i.i.d.)的更新过程到达系统,到达时间间隔的均值为 1/λ(单位时间平均到达 λ 位顾客)。
ℱ\mathcal{F} 模糊产品配置集 零售商提供的所有模糊选项的集合。对于任意模糊选项 F ∈ ℱ,满足 n ≥ |F| ≥ 2。当只提供全集模糊产品时,ℱ = {[n]}。
qi,F(t)q_{i,F}^{(t)} 模糊转化概率 在时刻 t,原本在传统销售模式下偏好购买产品 i 的顾客,转而购买模糊选项 F ∈ ℱ 的条件概率。所有概率构成的向量记为 q(t)(简记为 q)。当 q = 0 时退化为传统销售。
qminq_{\min} 最小模糊转化率 在 n-模糊销售中,所有产品和所有时刻下模糊转化概率的下确界:q_min ≔ inf_t {min_{i=1,…,n} q_i^(t)} ≥ 0,代表最不愿意接受模糊选项的那类顾客的柔性下限。
(0,S)(0,\ S) 联合补货策略 连续盘点策略:初始时每种产品库存均为 S,记状态向量 S ≔ (S, …, S)。每当任意一种产品的库存降至 0 时,立即触发联合补货,将所有 n 种产品的库存同时补满至 S。
K,hK,\ h 订货与持有成本 K 为每次触发联合补货时支付的固定联合订货成本(Joint Ordering Cost);h 为每单位产品在库持有每单位时间的持有成本(Holding Cost)。
π\pi 模糊分配策略 可行分配策略 π 将当前库存状态 x = (x_1, …, x_n) 与顾客购买的模糊选项 F ∈ ℱ 映射为具体发出的单品 i ∈ F。最优分配策略记为 π*,均衡策略记为 ℳ。
Rπ(q,ℱ)R^{\pi}(q,\ \mathcal{F}) 补货周期销量函数 核心随机变量:从满库存状态 S = (S, …, S) 出发,直到某一种产品库存首次降至 0 触发补货为止,系统在一个补货周期内累计服务的顾客总数(即消耗的产品总件数)。其取值范围为整数区间 [S, n(S-1)+1]。
M(m)M(m) 最大箱负载函数 在耦合的“球入箱”(Balls-into-Bins)过程中,顺序投入 m 个球后,所有 n 个箱子中装球数量最多的那个箱子的负载量。

3.2 模型核心函数的数学表达式与深度解析

(1)单位售出商品的长期平均订货成本函数 𝒦π(q,ℱ)\mathcal{K}^{\pi}(q,\ \mathcal{F})

𝒦π(q,ℱ)≔KE[Rπ(q,ℱ)](1)\mathcal{K}^{\pi}(q,\ \mathcal{F})\ ≔ \ \frac{K}{E\left\lbrack R^{\pi}(q,\ \mathcal{F}) \right\rbrack}\ \ \ \ (1)

函数解释与经济含义:根据更新报酬定理(Renewal Reward Theorem),每次补货周期结束触发补货时,零售商固定支付一笔联合订货成本 KK,而在该补货周期内系统平均售出的商品总件数为 E[Rπ(q,ℱ)]E\left\lbrack R^{\pi}(q,\ \mathcal{F}) \right\rbrack。因此,分摊到每一件售出商品上的长期平均订货成本就是单次订货费 KK 除以周期期望销量 E[Rπ(q,ℱ)]E\left\lbrack R^{\pi}(q,\ \mathcal{F}) \right\rbrack。该式直观表明:模糊销售策略越灵活、分配策略 π\pi 越能推迟单品断货,周期内服务的期望顾客数 E[Rπ(q,ℱ)]E\left\lbrack R^{\pi}(q,\ \mathcal{F}) \right\rbrack 就越大(越接近满负荷上限 nS−n+1nS\ - \ n\ + \ 1),补货频率就越低,从而单位订货成本 𝒦π(q,ℱ)\mathcal{K}^{\pi}(q,\ \mathcal{F}) 就越低。

(2)单位售出商品的长期平均持有成本函数 ℋπ(q,ℱ)\mathcal{H}^{\pi}(q,\ \mathcal{F}) 及其上界函数

ℋπ(q,ℱ)≔(2nS+1)E[Rπ(q,ℱ)]−E[Rπ(q,ℱ)2]2λE[Rπ(q,ℱ)]h(2)\mathcal{H}^{\pi}(q,\ \mathcal{F})\ ≔ \ \frac{(2nS\ + \ 1)E\left\lbrack R^{\pi}(q,\ \mathcal{F}) \right\rbrack\ - \ E\left\lbrack {R^{\pi}(q,\ \mathcal{F})}^{2} \right\rbrack}{2\lambda E\left\lbrack R^{\pi}(q,\ \mathcal{F}) \right\rbrack}h\ \ \ \ (2)

ℋπ(q,ℱ)≤2nS+1−E[Rπ(q,ℱ)]2λh(3)\mathcal{H}^{\pi}(q,\ \mathcal{F})\ \leq \ \frac{2nS\ + \ 1\ - \ E\left\lbrack R^{\pi}(q,\ \mathcal{F}) \right\rbrack}{2\lambda}h\ \ \ \ (3)

函数解释与经济含义:在一个补货周期内,初始总库存为 nSnS。第 1 位顾客到达前系统持有 nSnS 件商品,第 1 位与第 2 位顾客之间持有 nS−1nS\ - \ 1 件,依此类推,直到第 Rπ(q,ℱ)R^{\pi}(q,\ \mathcal{F}) 位顾客买走某款产品的最后 1 件库存触发瞬间补货。由于顾客到达间隔独立同分布且均值为 1λ\frac{1}{\lambda},利用算术级数求和公式,周期内累计库存持有时间与库存件数的乘积(即总持有量-时间)为 1λ∑k=0Rπ−1(nS−k)=(2nS+1)Rπ(q,ℱ)−Rπ(q,ℱ)22λ\frac{1}{\lambda}\sum_{k = 0}^{R^{\pi} - 1}(nS\ - \ k)\ = \ \frac{(2nS\ + \ 1)R^{\pi}(q,\ \mathcal{F})\ - \ {R^{\pi}(q,\ \mathcal{F})}^{2}}{2\lambda}。将其求期望并除以周期期望销量 E[Rπ(q,ℱ)]E\left\lbrack R^{\pi}(q,\ \mathcal{F}) \right\rbrack 再乘以单位持有成本 hh,即得到式 (2) 的精确闭式解。接着,由琴生不等式(Jensen's Inequality)E[Rπ(q,ℱ)2]≥E[Rπ(q,ℱ)]2E\left\lbrack {R^{\pi}(q,\ \mathcal{F})}^{2} \right\rbrack\ \geq \ {E\left\lbrack R^{\pi}(q,\ \mathcal{F}) \right\rbrack}^{2},立刻推导出式 (3) 的简洁线性上界。式 (3) 揭示了一个极其深刻的物理直觉:当 E[Rπ(q,ℱ)]E\left\lbrack R^{\pi}(q,\ \mathcal{F}) \right\rbrack 增大时,不仅订货频率下降,而且每次补货前滞留在仓库里的“死库存/未售出余量”(Leftover Inventory,即 nS−E[Rπ(q,ℱ)]nS\ - \ E\left\lbrack R^{\pi}(q,\ \mathcal{F}) \right\rbrack)减少,库存周转加快,因此平均持有成本也随之显著下降!

(3)相对库存成本节约率函数(Relative Cost Savings)

RelativeCostSavings≔𝒦(0)+ℋ(0)−𝒦ℳ(q,ℱ)−ℋℳ(q,ℱ)𝒦(0)+ℋ(0)(4)Relative\ Cost\ Savings\ ≔ \ \frac{\mathcal{K}(0)\ + \ \mathcal{H}(0)\ - \ \mathcal{K}^{\mathcal{M}}(q,\ \mathcal{F})\ - \ \mathcal{H}^{\mathcal{M}}(q,\ \mathcal{F})}{\mathcal{K}(0)\ + \ \mathcal{H}(0)}\ \ \ \ (4)

函数解释与经济含义:其中 𝒦(0)≔𝒦π(0,ℱ)\mathcal{K}(0)\ ≔ \ \mathcal{K}^{\pi}(0,\ \mathcal{F}) 与 ℋ(0)≔ℋπ(0,ℱ)\mathcal{H}(0)\ ≔ \ \mathcal{H}^{\pi}(0,\ \mathcal{F}) 分别表示无模糊销售(q=0q\ = \ 0,即传统销售模式)下的长期单位订货成本与单位持有成本。该函数衡量了在保持总需求率 λ\lambda 和补货上限 SS 不变的前提下,引入模糊产品配置 ℱ\mathcal{F} 与顾客模糊选择概率 qq 并采用均衡策略 ℳ\mathcal{M} 后,总库存成本(订货+持有)相对于传统销售基准下降的百分比。这是全文衡量“消费者柔性价值”的核心标尺。

(4)ϵ\epsilon-扩展条件概率约束函数(ϵ\epsilon-Expanding Condition Functions)

∑i∈A1−∑F∈ℱqi,F(t)n+∑F∈ℱ:F⊆A∑i=1nqi,F(t)n≤(1−ϵ)|A|n(5)\sum_{i \in A}^{}\frac{1\ - \ \sum_{F \in \mathcal{F}}^{}q_{i,F}^{(t)}}{n}\ + \ \sum_{F \in \mathcal{F}\ :\ F \subseteq A}^{}\frac{\sum_{i = 1}^{n}q_{i,F}^{(t)}}{n}\ \leq \ (1\ - \ \epsilon)\frac{|A|}{n}\ \ \ \ (5)

∑i∈A1−∑F∈ℱqi,F(t)n+∑F∈ℱ:F∩A≠⌀∑i=1nqi,F(t)n≥(1+ϵ)|A|n(6)\sum_{i \in A}^{}\frac{1\ - \ \sum_{F \in \mathcal{F}}^{}q_{i,F}^{(t)}}{n}\ + \ \sum_{F \in \mathcal{F}\ :\ F \cap A \neq \varnothing}^{}\frac{\sum_{i = 1}^{n}q_{i,F}^{(t)}}{n}\ \geq \ (1\ + \ \epsilon)\frac{|A|}{n}\ \ \ \ (6)

函数解释与经济含义:对于任意产品子集 A⊂{1,2,…,n}A\ \subset \ \left\{ 1,\ 2,\ \ldots,\ n \right\} 且规模不超过一半(|A|≤n/2|A|\ \leq \ n/2):
① 式 (5) 左侧函数表示零售商“被迫必须从子集 AA 中发货”的总概率,它由两部分组成:第一项是顾客直接指定购买 AA 中某款常规单品的概率;第二项是顾客购买了某个完全包含于 AA 内部的模糊选项(F⊆AF\ \subseteq \ A),导致零售商无论怎么选都只能消耗 AA 中库存的概率。假定 AA 是当前库存告急(低库存)的产品集合,式 (5) 要求“被迫消耗低库存集合 AA”的概率严格低于均匀随机概率 |A|n\frac{|A|}{n} 的 (1−ϵ)(1\ - \ \epsilon) 倍。
② 式 (6) 左侧函数表示零售商“有机会从子集 AA 中发货”的最大可能概率,包含顾客直接点名买 AA 中单品的概率,加上顾客购买的模糊选项与 AA 有交集(F∩A≠⌀F\ \cap \ A\ \neq \ \varnothing,从而零售商可以把订单引导至 AA)的概率。假定 AA 是当前库存充裕(高库存)的产品集合,式 (6) 保证了零售商向高库存集合 AA 倾销去库存的概率至少比均匀随机高出 (1+ϵ)(1\ + \ \epsilon) 倍。

(5)非对称需求下的修正均衡分配比率函数(Modified Balancing Policy Ratio)

i*=argmaxi∈FInvipi+∑F′∈ℱ:i∈F′pF′(7)i^{*}\ = \ {arg\ max}_{i \in F}\frac{{Inv}_{i}}{p_{i}\ + \ \sum_{F\prime \in \mathcal{F}\ :\ i \in F\prime}^{}p_{F\prime}}\ \ \ \ (7)

函数解释与经济含义:在 Section 6.3 的非对称需求扩展中,不同产品在传统销售下的基础受欢迎程度 pi0p_{i}^{0} 不同,因此单品直接购买概率 pi≔(1−∑F∈ℱqi,F)pi0p_{i}\ ≔ \ \left( 1\ - \ \sum_{F \in \mathcal{F}}^{}q_{i,F} \right)p_{i}^{0} 以及模糊选项被选中的概率 pF≔∑i=1nqi,Fpi0p_{F}\ ≔ \ \sum_{i = 1}^{n}{q_{i,F}p_{i}^{0}} 也各不相同。此时不能简单看绝对在库量 Invi{Inv}_{i},而应计算“当前在库量 Invi{Inv}_{i}”与“产品 ii 可能被消耗的总潜在概率(直接购买概率 + 包含 ii 的所有模糊选项概率之和)”的比值。该比值衡量了产品 ii 的“相对过剩库存天数/缓冲深度”,将模糊订单分配给该比率最高的产品,即可在非对称需求下精准实现库存消耗速度的同步化(当需求完全对称时,分母相同,该策略完全等价于标准均衡策略 ℳ\mathcal{M})。

四、全文引理、命题、定理与推论详解(附具体算例说明)

本节对论文中出现的全部 6 个引理(Lemmas 1–6)、1 个核心定义(Definition 1)、1 个命题(Proposition 1)、4 个核心定理(Theorems 1–4)及 1 个推论(Corollary 1)进行逐一解读。按照要求,省略繁琐的数学证明推导过程,重点通过通俗易懂的具体数值算例与商业场景来阐明每一条结论的内在含义与运作机制。

4.1 基础模型与“球入箱”耦合性质(Lemma 1 – Lemma 3)

(1)引理 1(Lemma 1:完全柔性基准下的周期销量)

【原文结论表述】在完全柔性(Full Flexibility,即 q=1q\ = \ 1 且 ℱ={[n]}\mathcal{F}\ = \ \left\{ \lbrack n\rbrack \right\},所有顾客均购买 nn-模糊产品)下,均衡策略 ℳ\mathcal{M} 在一个补货周期内服务的顾客数以概率 1 恒等于确定性上限:

Rℳ(1,{[n]})=nS−n+1(withprobability1)R^{\mathcal{M}}\left( 1,\ \left\{ \lbrack n\rbrack \right\} \right)\ = \ nS\ - \ n\ + \ 1\ \ \ (with\ probability\ 1)

💡 算例解析:为什么完全柔性下周期销量固定为 nS - n + 1?

场景设定:假设一家网店销售 n=3n\ = \ 3 种颜色的保温杯(红、蓝、绿),每种颜色的初始满库存均为 S=10S\ = \ 10 个,初始库存状态为 (10,10,10)(10,\ 10,\ 10),总库存 30 个。假设 100% 的顾客都选择了“颜色随机(3-opaque)”选项。

分配过程:均衡策略 ℳ\mathcal{M} 采取轮询(Round-Robin)方式发货:第 1~3 位顾客分别发红、蓝、绿,库存变为 (9,9,9)(9,\ 9,\ 9);以此类推,当服务完第 27 位顾客后,三种颜色的库存被极其均匀地消耗到 (1,1,1)(1,\ 1,\ 1)(每种颜色恰好各剩 1 个,没有触发补货)。此时第 28 位顾客下单,零售商将其中任意一种颜色(比如红色)发出,库存变为 (0,1,1)(0,\ 1,\ 1),红色库存归零,立即触发联合补货!

结论印证:整个补货周期内服务顾客数确定性地等于 nS−n+1=3×10−3+1=28nS\ - \ n\ + \ 1\ = \ 3\ \times \ 10\ - \ 3\ + \ 1\ = \ 28 人,补货前仓库里仅剩 n−1=2n\ - \ 1\ = \ 2 件未售出商品。这是任何分配策略在理论上能达到的最大销量极限与最低库存成本下界。

(2)引理 2(Lemma 2:库存补货周期销量与球入箱最大负载的分布对偶)

【原文结论表述】假设一个“球入箱”过程 M(m)M(m) 与模糊销售模型中均衡策略 ℳ\mathcal{M} 的产品分配选择相耦合(Coupled),则对于任意正整数 mm,有:

ℙ[Rℳ(q,ℱ)≤m]=ℙ[M(m)≥S]{\mathbb{P}}\left\lbrack R^{\mathcal{M}}(q,\ \mathcal{F})\ \leq \ m \right\rbrack\ = \ {\mathbb{P}}\left\lbrack M(m)\ \geq \ S \right\rbrack

💡 算例解析:如何把“卖货减库存”变成“往箱子里扔球”?

场景设定:仍考虑 n=3n\ = \ 3 种颜色的 T 恤,每种初始库存 S=5S\ = \ 5 件。我们在旁边放 3 个空箱子(1号、2号、3号箱)。每当一位顾客最终拿走一件 ii 号颜色的 T 恤(库存减 1),我们就往 ii 号箱子里扔 1 个球(箱内球数加 1)。因此,“把库存多的 T 恤分给模糊顾客”就完全等价于“把球扔进当前球最少的箱子里”。

事件等价性举例:我们想问:“周期服务顾客数 Rℳ(q,ℱ)≤11R^{\mathcal{M}}(q,\ \mathcal{F})\ \leq \ 11(即在前 11 位顾客以内就已经触发了断货补货)”的概率是多少?
• 如果到第 m=11m\ = \ 11 位顾客时已经触发了补货(Rℳ(q,ℱ)≤11R^{\mathcal{M}}(q,\ \mathcal{F})\ \leq \ 11),说明至少有一种颜色的 5 件 T 恤已经被卖光了,对应在扔完 11 个球后,球最多的那个箱子里至少装了 S=5S\ = \ 5 个球(例如三个箱子球数为 (5,3,3)(5,\ 3,\ 3),最大负载 M(11)=5≥5M(11)\ = \ 5\ \geq \ 5)。
• 反之,如果扔完 11 个球后最大箱负载 M(11)=4<5M(11)\ = \ 4\ < \ 5(例如 (4,4,3)(4,\ 4,\ 3)),说明没有任何一种颜色卖满 5 件,补货尚未发生(Rℳ(q,ℱ)>11R^{\mathcal{M}}(q,\ \mathcal{F})\ > \ 11)。

结论印证:随机事件 {Rℳ(q,ℱ)≤11}\left\{ R^{\mathcal{M}}(q,\ \mathcal{F})\ \leq \ 11 \right\} 与 {M(11)≥5}\left\{ M(11)\ \geq \ 5 \right\} 一一对应、概率完全相等。这一精妙对偶使作者能够直接调用概率论中球入箱最大负载的尾概率界来计算期望销量 E[Rℳ(q,ℱ)]E\left\lbrack R^{\mathcal{M}}(q,\ \mathcal{F}) \right\rbrack。

(3)引理 3(Lemma 3:传统无模糊销售下的期望销量与剩余库存阶数)

【原文结论表述】在传统销售模式(q=0q\ = \ 0)下,一个补货周期内的期望服务顾客数为 E[R(0)]=nS−θSE\left\lbrack R(0) \right\rbrack\ = \ nS\ - \ \theta_{S},其中补货时刻的期望剩余总库存 θS\theta_{S} 满足:

θS=nlogn⋅Ω(S)\theta_{S}\ = \ n\sqrt{\log\ n}\ \cdot \ \Omega\left( \sqrt{S} \right)

💡 算例解析:传统销售下为什么总有大量滞销库存积压在仓库里?

场景设定:假设零售商销售 n=4n\ = \ 4 种颜色的手机壳,全部顾客都是非模糊顾客(各自以 14\frac{1}{4} 的相等概率随机挑选颜色)。每种颜色的补货上限设为 S=100S\ = \ 100 个,总初始库存 nS=400nS\ = \ 400 个。

随机波动痛点:由于每位顾客完全独立随机选择,4 种颜色的销量必然存在标准差为 O(S)=O(10)O\left( \sqrt{S} \right)\ = \ O(10) 的随机涨落。当最畅销的那款颜色恰好卖完第 100 个触发联合补货时,另外 3 种颜色往往只卖了 85 个、88 个和 91 个,仓库里还剩下 15+12+9=3615\ + \ 12\ + \ 9\ = \ 36 个手机壳没卖出去(即 θS≈36\theta_{S}\ \approx \ 36,与 S=10\sqrt{S}\ = \ 10 成正比)。如果把 SS 扩大 4 倍到 S=400S\ = \ 400,补货时积压的未售出库存 θS\theta_{S} 也会随之膨胀约 4=2\sqrt{4}\ = \ 2 倍(达到约 72 个)!

结论印证:在没有需求侧柔性的传统销售中,补货周期末未售出的剩余库存 θS\theta_{S} 随着补货批量 SS 的增大以 S\sqrt{S} 的阶数无限增长,造成严重的持有成本浪费和过早补货。

4.2 全集模糊销售(n−OpaqueSellingn - Opaque\ Selling)的核心性质(Lemma 4 & Theorem 1)

(4)引理 4(Lemma 4:nn-模糊销售下周期销量的常数级损耗上界)

【原文结论表述】对于任意满足 qmin=inft{mini=1,…,nqi(t)}>0q_{\min}\ = \ \inf_{t}\left\{ \min_{i = 1,\ldots,n}q_{i}^{(t)} \right\}\ > \ 0 的 nn-模糊销售策略,均衡策略下的周期期望销量满足 E[Rℳ(q(t),[n])]=nS−θqminE\left\lbrack R^{\mathcal{M}}\left( q^{(t)},\ \lbrack n\rbrack \right) \right\rbrack\ = \ nS\ - \ \theta_{q_{\min}},其中期望剩余未售出库存 θqmin\theta_{q_{\min}} 是一个与 SS 完全无关的常数:

θqmin≤4nqmin(log2nqmin+1)\theta_{q_{\min}}\ \leq \ \frac{4n}{q_{\min}}\left( \log\ \frac{2n}{q_{\min}}\ + \ 1 \right)

💡 算例解析:从 O(√S) 到“与 S 无关的常数”意味着什么?

场景设定:对比引理 3 的手机壳例子(n=4n\ = \ 4 种颜色)。现在假设哪怕只有 qmin=20%=0.2q_{\min}\ = \ 20\%\ = \ 0.2 的顾客愿意选择“颜色随机”。

动态纠偏机制:每当某款颜色因为随机波动卖得稍快一点(库存变少),接下来到达的那 20% 的模糊顾客就会被均衡策略自动分配去消耗库存最多的颜色,时刻把 4 种颜色的库存水位“拉平”。因此,无论单次进货量 SS 是 100 件、1,000 件还是 10,000 件,当某款颜色耗尽触发补货时,其余颜色剩下的未售出件数 θqmin\theta_{q_{\min}} 被死死锁定在一个固定的常数范围内,绝不会随 SS 的增大而膨胀!

还要注意 q_min 的“木桶短板效应”(原文 Table 1 算例):为什么公式依赖最小概率 qminq_{\min} 而不是平均概率?原文第 8690 页 Table 1 给出了 n=3,S=50n\ = \ 3,\ S\ = \ 50、总模糊顾客占比同样为 20% 的三个场景对比:
• 场景 1(对称柔性):(q_1,q_2,q_3)=(0.2,0.2,0.2)(q\_ 1,\ q\_ 2,\ q\_ 3)\ = \ (0.2,\ 0.2,\ 0.2),此时 qmin=0.2q_{\min}\ = \ 0.2,三款产品的专属确定性需求都是 0.83\frac{0.8}{3},20% 的模糊需求全部用来平抑随机波动,相对成本节约高达 6.83%;
• 场景 3(极端非对称柔性):(q_1,q_2,q_3)=(0.6,0,0)(q\_ 1,\ q\_ 2,\ q\_ 3)\ = \ (0.6,\ 0,\ 0),即只有偏好产品 1 的顾客愿意买模糊产品(转化率 60%),而偏好产品 2 和 3 的顾客绝不妥协(qmin=0q_{\min}\ = \ 0)。结果产品 1 的直接购买率骤降,库存大量积压,高达 82.17% 的模糊订单被迫用来把积压的产品 1 发出去以填补需求结构失衡,真正能用来平衡随机波动的柔性所剩无几,成本节约暴跌至仅 0.86%!这生动说明了各产品柔性均衡(提高短板 qminq_{\min})的重要性。

(5)定理 1(Theorem 1:nn-模糊销售下消费者柔性的价值保证)

【原文结论表述】在均衡策略 ℳ\mathcal{M} 下,对于任意满足 qmin∈[lognO(S1−δ),1]q_{\min}\ \in \ \left\lbrack \frac{\sqrt{\log\ n}}{O\left( \sqrt{S^{1 - \delta}} \right)},\ 1 \right\rbrack(其中 δ>0\delta\ > \ 0)的选择概率向量 q(t)q^{(t)},nn-模糊销售带来的相对库存成本节约率至少为:

RelativeCostSavings=lognO(S)Relative\ Cost\ Savings\ = \ \frac{\sqrt{\log\ n}}{O\left( \sqrt{S} \right)}

💡 算例解析:品种越多(n 越大)、批量适中时,为什么少量模糊顾客就能省下大笔成本?

场景设定:比较两家服装网店:甲店卖 n=2n\ = \ 2 种颜色的衬衫,乙店卖 n=16n\ = \ 16 种颜色的衬衫,每款补货上限均为 S=100S\ = \ 100 件。

数值对比:在传统销售下,每次补货时的平均总库存约为 Θ(nS)\Theta(nS),而通过引入模糊销售消除的期末积压库存从 nSlognn\sqrt{S\ log\ n} 降至常数级。因此相对节约率正比于 nSlognnS=lognS\frac{n\sqrt{S\ log\ n}}{nS}\ = \ \sqrt{\frac{\log\ n}{S}}。
• 对于乙店(n=16n\ = \ 16),由于款式繁多,传统销售下极易出现“某一个冷门或热门颜色率先断货,拖累其余 15 个颜色提前补货”的现象,此时引入模糊销售带来的范围经济效应(log16\sqrt{\log\ 16})显著高于甲店(log2\sqrt{\log\ 2})。
• 同时,当 SS 从 100 增加到 400 时,虽然相对节约率基准 1S\frac{1}{\sqrt{S}} 从 10% 缓步降至 5%,但零售商为了达成这一节约所需吸引的模糊顾客最低比例门槛 qminq_{\min} 也从约 10% 同步降低到了 5% 左右,极易在实践中达成。

4.3 一般模糊销售策略与有限柔性的等价性(Definition 1, Lemma 5, Theorem 2, Corollary 1, Proposition 1)

(6)定义 1 与 命题 1(Definition 1 & Proposition 1:ϵ\epsilon-扩展条件及四类典型策略的 ϵ\epsilon 值)

【原文结论表述】假设模糊产品的需求是对称且平稳的,顾客选择任意模糊选项的总概率为 qq(直接选择某特定单品的概率均为 1−qn\frac{1\ - \ q}{n})。命题 1(Proposition 1)证明了以下四类典型模糊销售策略均满足定义 1 的 ϵ\epsilon-扩展条件(式 (5) 与式 (6)),且对应的扩展参数 ϵ\epsilon 分别为:
• a. 全集 nn-模糊销售策略(n−opaquen - opaque):ϵ=q\epsilon\ = \ q;
• b. 二元模糊销售策略(Two-opaque selling,提供全部 (n2)\binom{n}{2} 种两两组合):ϵ=q2\epsilon\ = \ \frac{q}{2};
• c. 环形模糊销售策略(Circle model,仅提供相邻编号对 {{1,2},{2,3},…,{1,n}}\left\{ \left\{ 1,2 \right\},\ \left\{ 2,3 \right\},\ \ldots,\ \left\{ 1,n \right\} \right\}):ϵ=2qn\epsilon\ = \ \frac{2q}{n};
• d. 分类模糊销售策略(Categorical opaque,分为两个等大小类别,重叠产品占比为 ww):ϵ=min{1,w1−w}q\epsilon\ = \ \min\left\{ 1,\ \frac{w}{1\ - \ w} \right\} q。

💡 算例解析:四类模糊策略是如何在局部子集上实现全局库存平衡的?

场景设定:假设零售商销售 n=5n\ = \ 5 种颜色的婴儿连体衣:1号深红、2号浅红、3号纯白、4号浅蓝、5号深蓝。总共有 q=20%=0.2q\ = \ 20\%\ = \ 0.2 的顾客愿意买模糊选项。我们考察一个低库存子集 A={1,2}A\ = \ \left\{ 1,\ 2 \right\}(即两款红色库存告急,|A|n=0.4\frac{|A|}{n}\ = \ 0.4):

1. 全集 5-模糊(ϵ=q=0.2\epsilon\ = \ q\ = \ 0.2):所有 20% 的模糊顾客都可以被直接分流去买充足的 3、4、5 号色,被迫消耗 AA 的概率仅为 0.4×(1−0.2)=0.320.4\ \times \ (1\ - \ 0.2)\ = \ 0.32。

2. 二元模糊(ϵ=q/2=0.1\epsilon\ = \ q/2\ = \ 0.1):顾客从 (52)=10\binom{5}{2}\ = \ 10 种双色组合中等概率挑选。只有当顾客恰好选了 {1,2}\left\{ 1,\ 2 \right\} 这一组(占 1/10)时,零售商才被迫从 AA 发货;而只要顾客选的是 {1,3}\left\{ 1,\ 3 \right\}、{2,4}\left\{ 2,\ 4 \right\} 等跨界组合(共 6 组),零售商就能把订单分给 3、4、5 号色!其有效扩展度达到 q/2=0.1q/2\ = \ 0.1,仅比全集模糊小一半。

3. 环形模糊(ϵ=2q/n=0.08\epsilon\ = \ 2q/n\ = \ 0.08):只提供颜色相近的 5 个相邻对 {1,2}\left\{ 1,2 \right\}, {2,3}\left\{ 2,3 \right\}, {3,4}\left\{ 3,4 \right\}, {4,5}\left\{ 4,5 \right\}, {5,1}\left\{ 5,1 \right\}。虽然每次只能把需求往隔壁颜色挪一步,但通过 {2,3}\left\{ 2,3 \right\} 和 {5,1}\left\{ 5,1 \right\} 两个边界桥梁,依然能把集合 AA 的需求压力传导出去,获得 ϵ=0.08\epsilon\ = \ 0.08 的全局平衡能力。

4. 分类模糊(ϵ=min{1,w1−w}q\epsilon\ = \ \min\left\{ 1,\ \frac{w}{1\ - \ w} \right\} q):设计“暖色系福袋” {1,2,3}\left\{ 1,\ 2,\ 3 \right\} 和“冷色系福袋” {3,4,5}\left\{ 3,\ 4,\ 5 \right\},其中 3号纯白是两类共有的重叠产品(重叠率 w=1/5=0.2w\ = \ 1/5\ = \ 0.2),此时 ϵ=0.20.8×0.2=0.05>0\epsilon\ = \ \frac{0.2}{0.8}\ \times \ 0.2\ = \ 0.05\ > \ 0。关键启示:如果去掉中间的白色,把产品分成互不相交的两类 {1,2}\left\{ 1,\ 2 \right\} 和 {4,5}\left\{ 4,\ 5 \right\}(即重叠率 w=0w\ = \ 0),则 ϵ=0\epsilon\ = \ 0!此时暖色系和冷色系之间完全断联,一旦暖色系整体热销,冷色系哪怕库存堆满仓库也无法跨品类支援。因此,在分类模糊设计中设置跨界重叠产品(如百搭纯白色)是打通全局风险池的命脉!

(7)引理 5、定理 2 与 推论 1(Lemma 5, Theorem 2 & Corollary 1:有限柔性等价于完全柔性,且双成本同阶下降)

【原文结论表述】• 引理 5(Lemma 5):若模糊策略 ℱ\mathcal{F} 与选择概率 q(t)q^{(t)} 满足 ϵ\epsilon-扩展条件,则周期期望销量满足 E[Rℳ(q(t),ℱ)]=nS−θϵE\left\lbrack R^{\mathcal{M}}\left( q^{(t)},\ \mathcal{F} \right) \right\rbrack\ = \ nS\ - \ \theta_{\epsilon},其中常数余量 θϵ≤C⋅nϵlognϵ\theta_{\epsilon}\ \leq \ C\ \cdot \ \frac{n}{\epsilon}\ log\ \frac{n}{\epsilon}(CC 为正常数,与 SS 无关)。
• 定理 2(Theorem 2):只要 ϵ=lognO(S1−δ)\epsilon\ = \ \frac{\sqrt{\log\ n}}{O\left( \sqrt{S^{1 - \delta}} \right)}(δ>0\delta\ > \ 0),任何满足 ϵ\epsilon-扩展条件的有限柔性模糊销售策略在均衡策略 ℳ\mathcal{M} 下的相对总成本节约率,与 100% 顾客购买 nn-模糊产品的完全柔性方案处于同一数量级(均为 1nΘ(θSS)=Ω(lognS)\frac{1}{n}\Theta\left( \frac{\theta_{S}}{S} \right)\ = \ \Omega\left( \sqrt{\frac{\log\ n}{S}} \right))。
• 推论 1(Corollary 1):在上述条件下,长期平均订货成本(Ordering Cost)与长期平均持有成本(Holding Cost)各自的相对节约率也处于完全相同的数量级。

💡 算例解析:为什么“二选一(k=2)”就能媲美“全随机(k=n)”,且不用改补货批量 S?

1. 有限柔性的威力(原文 Figure 4 算例):在 n=7,S=100,K=1,000,h=1,λ=1n\ = \ 7,\ S\ = \ 100,\ K\ = \ 1,000,\ h\ = \ 1,\ \lambda\ = \ 1 的仿真实验中,如果 100% 顾客都接受 7 种颜色全随机(完全柔性),最大相对成本节约约为 10.5%。然而,如果仅让 q=20%q\ = \ 20\% 的顾客参与模糊购买,且只采用最受限的环形模糊或二元模糊(k=2k\ = \ 2),成本节约就已经迅速达到了 6.5% ~ 7.5%(斩获了完全柔性近 70% 的收益)!在固定 qq 下,把模糊子集大小从 k=1k\ = \ 1(无柔性)提升到 k=2k\ = \ 2(二选一)带来了巨大的阶跃式成本下降,而从 k=2k\ = \ 2 继续扩大到 k=3,4,…,7k\ = \ 3,\ 4,\ \ldots,\ 7 曲线几乎完全平坦。

2. 推论 1 的管理奇迹(为什么不需要重新优化 S?):假设某零售商原本根据经典经济订货批量(EOQ)思想设定了最优补货上限 Ŝ*=100S\hat{}*\ = \ 100,使得传统销售下的单位订货成本 𝒦(0)=$5.00\mathcal{K}(0)\ = \ \$ 5.00 与单位持有成本 ℋ(0)=$5.00\mathcal{H}(0)\ = \ \$ 5.00 恰好相等(总成本 $10.00)。现在引入二元模糊销售,根据推论 1,订货成本与持有成本按几乎相同的比例(如各降 8%)同步缩减为 𝒦ℳ(q,ℱ)≈$4.60\mathcal{K}^{\mathcal{M}}(q,\ \mathcal{F})\ \approx \ \$ 4.60 和 ℋℳ(q,ℱ)≈$4.60\mathcal{H}^{\mathcal{M}}(q,\ \mathcal{F})\ \approx \ \$ 4.60!因为两项成本依然保持平衡,原来的 Ŝ*=100S\hat{}*\ = \ 100 在新系统下依然近似是最优补货量!这意味着企业的采购部门无需修改与供应商签好的固定补货合同批量,仅靠前端网页增加一个“双色随机”按钮即可白拿全部成本红利。

4.4 均衡分配策略的最优性结构与渐近最优界(Lemma 6, Theorem 3 & Theorem 4)

(8)引理 6(Lemma 6:最优长期平均总成本 γ*\gamma^{*} 的上下界)

【原文结论表述】在对称需求的 nn-模糊销售下,理论最优分配策略 π*\pi^{*} 的长期平均单位总成本 γ*\gamma^{*} 满足如下夹逼界(因而 γ*=Θ(S)\gamma^{*}\ = \ \Theta(S)):

h2λ(nS+n)+KnS≤γ*≤h2λ(nS+4nqmin(log2nqmin+1)+1)+KnS−4nqmin(log2nqmin+1)\frac{h}{2\lambda}(nS\ + \ n)\ + \ \frac{K}{nS}\ \leq \ \gamma^{*}\ \leq \ \frac{h}{2\lambda}\left( nS\ + \ \frac{4n}{q_{\min}}\left( \log\ \frac{2n}{q_{\min}}\ + \ 1 \right)\ + \ 1 \right)\ + \ \frac{K}{nS\ - \ \frac{4n}{q_{\min}}\left( \log\ \frac{2n}{q_{\min}}\ + \ 1 \right)}

💡 算例解析:最优成本 γ* 的三明治夹逼界说明了什么?

直观含义:式左端的下界对应“完全柔性(100% 模糊顾客)”所能达到的绝对理想极限成本;式右端的上界则是直接采用简单的均衡策略 ℳ\mathcal{M} 所产生的成本上界。对比左右两端可以发现,它们的主导项完全一致,都是 nS2λh+KnS\frac{nS}{2\lambda}h\ + \ \frac{K}{nS},两者的差距仅仅在于那个与 SS 无关的常数项 4nqmin(log2nqmin+1)\frac{4n}{q_{\min}}\left( \log\ \frac{2n}{q_{\min}}\ + \ 1 \right)。这为后续证明均衡策略渐近最优奠定了基础。

(9)定理 3(Theorem 3:最优分配策略的结构性质与均衡策略的局部次优性)

【原文结论表述】假设 nn-模糊销售下的需求是对称的(即 qi=q,∀i∈[n]q_{i}\ = \ q,\ \forall i\ \in \ \lbrack n\rbrack),则有以下三条结构性质:
• a. 最大化周期销量:在所有可行的模糊分配策略 π\pi 中,均衡策略 ℳ\mathcal{M} 严格最大化了补货周期内的期望服务顾客数 E[Rπ(q,{[n]})]E\left\lbrack R^{\pi}\left( q,\ \left\{ \lbrack n\rbrack \right\} \right) \right\rbrack。
• b. 低库存区间的严格最优性:对于任意库存状态 xx,只要当前系统剩余总库存不超过初始总库存的一半,即 ∑i=1nxi≤⌊nS2⌋\sum_{i = 1}^{n}x_{i}\ \leq \ \left\lfloor \frac{nS}{2} \right\rfloor,则均衡动作(分配当前库存最高的产品)严格是最优动作。
• c. 极端失衡高库存区间的反例(均衡策略次优):考虑某个存在一款产品仅剩 1 件在库(如 x1=1x_{1}\ = \ 1)的状态 xx。如果当前系统剩余总库存满足:

∑i=1nxi≥nS+4nq(log2nq+1)2+1+λK/hnS−4nq(log2nq+1)+2n2−(1−q)n2(1−q)2\sum_{i = 1}^{n}x_{i}\ \geq \ \frac{nS\ + \ \frac{4n}{q}\left( \log\ \frac{2n}{q}\ + \ 1 \right)}{2}\ + \ 1\ + \ \frac{\lambda K/h}{nS\ - \ \frac{4n}{q}\left( \log\ \frac{2n}{q}\ + \ 1 \right)}\ + \ \frac{2n^{2}\ - \ (1\ - \ q)n}{2(1\ - \ q)^{2}}

那么此时最优分配动作不是均衡动作(即不应分配高库存产品,反而应当分配仅剩 1 件的那款产品以立即触发补货)。

💡 算例解析:为什么当 n ≥ 3 时,“挑库存最多的发”偶尔会不是最优解?

反直觉场景设定:假设网店卖 n=3n\ = \ 3 种颜色的雨伞,每款补货上限 S=100S\ = \ 100 把(满库存为 (100,100,100)(100,\ 100,\ 100),总库存 300 把)。假设固定订货费 KK 非常便宜(比如 K=$10K\ = \ \$ 10),而仓库租金持有成本 hh 很贵。由于某种极其罕见的随机巧合,前 99 位顾客全都是非模糊顾客且全都点名买走了 1 号伞,导致当前库存状态变成了极端失衡的 x=(1,100,100)x\ = \ (1,\ 100,\ 100)(1号伞仅剩 1 把,2号和 3号伞各有 100 把,总库存 201>150201\ > \ 150)。此时恰好第 100 位顾客是一位购买“颜色随机”的模糊顾客!

两种决策的正面交锋:
• 如果执行均衡策略 ℳ(发 2号或 3号伞):状态变为 (1,99,100)(1,\ 99,\ 100),1号伞的最后 1 把被保住了,系统继续留在这个周期里。但是请注意!因为 1号伞只剩 1 把,哪怕接下来只要有 1 位点名买 1号伞的普通顾客到达,系统就会立刻断货补货。而在等待这位普通顾客到来的这段时间里,仓库里正背负着 2号和 3号伞接近 200 把的巨额库存持有成本(高于长期正常平均成本 γ*\gamma^{*})!
• 如果执行反向动作(故意把仅剩 1 把的 1号伞发给这位模糊顾客):1号伞库存瞬间变成 0,当场触发联合补货,系统支付微不足道的订货费 K=$10K\ = \ \$ 10 后,直接重置回健康均衡的满库存状态 (100,100,100)(100,\ 100,\ 100),从而立刻摆脱了那个病态失衡周期的高昂持有成本!

为什么 n = 2 时绝对不会出现这种情况?当 n=2n\ = \ 2 时,如果 1号产品只剩 1 件,那么哪怕 2号产品是满库存 SS,当前总库存最多也只有 1+S1\ + \ S(约等于初始总库存 2S2S 的一半),永远无法满足定理 3(c) 中“总库存显著超过一半”的条件!这完美解释了为什么 n=2n\ = \ 2 时均衡策略全局最优,而 n≥3n\ \geq \ 3 时会出现局部反例。

(10)定理 4(Theorem 4:均衡策略的渐近最优性保证)

【原文结论表述】考虑任意满足 ϵ\epsilon-扩展条件的模糊销售策略 ℱ\mathcal{F} 与概率向量 qq。简单直观的均衡分配策略 ℳ\mathcal{M} 的长期平均总成本相对于理论最优分配策略 π*\pi^{*} 的成本比值至多为:

𝒦ℳ(q,ℱ)+ℋℳ(q,ℱ)γ*≤1+θϵnS−θϵ=1+Θ(1S)\frac{\mathcal{K}^{\mathcal{M}}(q,\ \mathcal{F})\ + \ \mathcal{H}^{\mathcal{M}}(q,\ \mathcal{F})}{\gamma^{*}}\ \leq \ 1\ + \ \frac{\theta_{\epsilon}}{nS\ - \ \theta_{\epsilon}}\ = \ 1\ + \ \Theta\left( \frac{1}{S} \right)

💡 算例解析:为什么实践中完全不需要去求解复杂的动态规划最优策略 π*?

数值与阶数对比:定理 3(c) 所描述的极端失衡状态(如 (1,100,100)(1,\ 100,\ 100))在真实运行中发生的概率微乎其微。定理 4 证明了:均衡策略 ℳ\mathcal{M} 与理论最优策略 π*\pi^{*} 的相对误差是 Θ(1S)\Theta\left( \frac{1}{S} \right) 阶,而模糊销售本身带来的成本节约是 Ω(1S)\Omega\left( \frac{1}{\sqrt{S}} \right) 阶。例如当 S=100S\ = \ 100 时,模糊销售能省下约 1100=10%\frac{1}{\sqrt{100}}\ = \ 10\% 的总成本,而把均衡策略换成极其复杂的动态规划最优策略,顶多只能再多省 1100\frac{1}{100} 量级甚至更小的零头!原文第 8696 页随机生成的 300 组仿真实验表明,在 127 组中均衡策略在每个状态下都 100% 最优,而在其余 173 组中,均衡策略与最优策略的最大相对成本差异仅为 0.005%(十万分之五)!因此在工业界实践中,直接采用零计算成本的均衡策略 ℳ\mathcal{M} 即可。

五、全文结论的经济与管理启示总结(Economic & Managerial Implications)

本文不仅在随机库存理论上取得了突破,更为电子商务平台、零售品牌商以及供应链管理者提供了极具实操价值的五大经济与管理启示:

1. “少即是多”的产品设计法则:用“二选一(Two-Opaque)”替代“全盲盒(n-Opaque)”以实现净利润最大化。在经济学与市场营销视角下,消费者对不确定性的厌恶是非线性的:让消费者在全部 nn 种颜色中盲抽(n−opaquen - opaque),消费者担心抽中自己最讨厌的颜色,其期望效用等于所有颜色估值的均值,零售商不得不给出高达 5.45%~7.62% 的大幅价格折扣才能吸引 7.5%~18.8% 的顾客;相反,如果推出“双色任选其二(Two-Opaque)”选项(由顾客自己勾选最心仪的 2 种颜色,零售商从中任发 1 种),消费者的期望效用是其最偏爱的两种颜色的均值,心理抗拒极小。原文 Table 2 实验证实,在 Uniform、Normal 和 Logistic (MNL) 三种选择模型下,零售商仅需提供 1.06%~2.42% 的极小折扣(甚至仅靠少量会员积分或免邮券),就能吸引高达 25.5%~45.8% 的顾客转化为模糊消费者,最终实现的净利润增幅(最高达 +10.91%)全面碾压全集模糊销售!这启示电商平台应当在前端将“全随机盲盒”升级为“勾选 2 个备选色享微折”的交互设计。

2. 运营与采购解耦:引入前端模糊销售无需重构后端的供应链补货契约。在大型零售企业中,调整基础库存补货策略 (s,S)(s,\ S) 往往面临巨大的组织阻力(如受限于与供应商签订的固定批量采购合同、整箱/整托盘物流装载限制或仓库库位物理上限)。本文推论 1(Corollary 1)与 Section 6.2 的扩展实验(涵盖正提前期 LL、缺货补交成本 bb 与缺货损失惩罚 ll,见原文 Table 3)给出了定心丸:由于模糊销售以相同的数量级同步削减订货成本与持有成本,原有的最优 (s,S)(s,\ S) 参数在引入模糊销售后几乎保持不变;即便强行重新寻优 (s,S)(s,\ S),带来的额外成本节约也微不足道(通常低于 0.2%)。这意味着企业可以将前端营销创新(上线模糊选项)与后端采购补货完全解耦,实现“零供应链改造风险”的降本增效。

3. 品类模糊设计中的“跨界重叠(Overlap)”原则:用百搭款打通不同细分品类的库存孤岛。当零售商按风格或色系打包模糊产品时(如推出“浅色系随机”与“深色系随机”两个分类模糊选项),命题 1(d) 揭示了一个极其关键的设计准则:两个模糊类别之间必须包含一定比例的重叠单品(w>0w\ > \ 0,例如将纯白色、灰色等中性百搭色同时纳入浅色系与深色系包中)。如果两个分类完全互斥(w=0w\ = \ 0),库存平衡只能在各自类别内部进行,无法平抑类别之间的宏观需求失衡;而一旦放入 1~2 款跨界重叠单品,就能瞬间将孤立的子集连接成满足 ϵ\epsilon-扩展条件的连通网络,实现跨品类的全局风险汇聚。

4. 精准调控非对称需求下的促销导向:避免模糊需求沦为“结构性失衡的救火队”。在真实零售中,不同颜色的受欢迎程度往往不对称(存在爆款色与冷门色),且不同顾客群体的转化率也不同。本文 Section 3(Table 1)与 Section 6.3(Table 4 & Table 5)的研究表明:
① 如果爆款产品的顾客大量转向模糊选项(原文 Scenario 2),会导致爆款产品的直接购买率远低于其高配额的初始库存,结果大部分模糊订单被迫用来消化爆款库存,削弱了对随机波动的对冲能力;
② 相反,如果通过定向推送优惠券,引导偏好“冷门/低库存产品”的顾客转向模糊选项(原文 Scenario 3),或者保持各产品顾客等比例转化(Scenario 1),则能有效防止低库存单品过早断货。而且,基础需求越不对称,传统库存管理的期末积压越严重,引入模糊销售并配合本文提出的“修正均衡策略”(式 (7))所能创造的相对成本节约反而越高!

5. 极简实时履行算法的工业落地价值:贪心均衡策略足以胜任复杂动态环境。面对多达 nn 种产品、非平稳变化的消费者转化率 q(t)q^{(t)} 以及高维状态空间,求解精确的马尔可夫决策过程(MDP)最优策略面临严重的“维数灾难”(Curse of Dimensionality),且依赖于难以精准预测的消费者行为参数。本文证明了无需任何需求预测参数的“贪心均衡策略”(在对称需求下直接发在库量最高者,在非对称需求下发库存与消耗概率比值最高者)即可获得渐近最优表现。这为电商订单履行系统(Order Fulfillment System)提供了零算力负担、高鲁棒性的实时分单准则。

六、参考文献(References)

以下完整列出本文原文信息及文中所引用的全部 26 篇参考文献(作者名与期刊名保持原文英文格式):

[0] Elmachtoub AN, Yao DD, Zhou Y (2026) The Value of Flexibility from Opaque Selling. Management Science 72(10):8683–8703. https://doi.org/10.1287/mnsc.2019.02983

[1] Asadpour A, Wang X, Zhang J (2020) Online resource allocation with limited flexibility. Management Sci. 66(2):642–666.

[2] Atkins DR, Iyogun PO (1988) Periodic versus “can-order” policies for coordinated multi-item inventory systems. Management Sci. 34(6):791–796.

[3] Balintfy JL (1964) On a basic class of multi-item inventory problems. Management Sci. 10(2):287–297.

[4] Désir A, Goyal V, Wei Y, Zhang J (2016) Sparse process flexibility designs: Is the long chain really optimal? Oper. Res. 64(2):416–431.

[5] Elmachtoub AN, Wei Y, Zhou Y (2015) Retailing with opaque products. Preprint, submitted September 11, http://dx.doi.org/10.2139/ssrn.2659211.

[6] Elmachtoub AN, Hamilton ML (2021) The power of opaque products in pricing. Management Sci. 67(8):4686–4702.

[7] Fay S, Xie J (2008) Probabilistic goods: A creative way of selling products and services. Marketing Sci. 27(4):674–690.

[8] Freund D, Hssaine C, et al. (2023) End-of-horizon load balancing problems: Algorithms and insights. Preprint, submitted June 3, https://arxiv.org/abs/2306.01968.

[9] Gallego G, Phillips R (2004) Revenue management of flexible products. Manufacturing Service Oper. Management 6(4):321–337.

[10] Golrezaei N, Yao E (2021) Upfront commitment in online resource allocation with patient customers. Preprint, submitted August 7, https://arxiv.org/abs/2108.03517.

[11] Ignall E (1969) Optimal continuous review policies for two product inventory systems with joint setup costs. Management Sci. 15(5):278–283.

[12] Jerath K, Netessine S, Veeraraghavan S (2010) Revenue management with strategic customers: Last-minute selling and opaque selling. Management Sci. 56(3):430–448.

[13] Jiang Y (2007) Price discrimination with opaque products. J. Revenue Pricing Management 6(2):118–134.

[14] Jordan WC, Graves SC (1995) Principles on the benefits of manufacturing process flexibility. Management Sci. 41(4):577–594.

[15] Melchiors P (2002) Calculating can-order policies for the joint replenishment problem by the compensation approach. Eur. J. Oper. Res. 141(3):587–595.

[16] Peres Y, Kunal T, Udi W (2015) Graphical balanced allocations and the (1+β)-choice process. Random Structures Algorithms 47(4):760–775.

[17] Raab M, Steger A (1998) “Balls into Bins”—A Simple and Tight Analysis (Springer, Berlin).

[18] Richa AW, Mitzenmacher M, Sitaraman R (2001) The power of two random choices: A survey of techniques and results. Handbook of Randomized Computing, vol. 1 (Kluwer Academic, New York), 255–312.

[19] Shi C, Wei Y, Zhong Y (2019) Process flexibility for multiperiod production systems. Oper. Res. 67(5):1300–1320.

[20] Silver EA (1965) Letter to the editor—Some characteristics of a special joint-order inventory model. Oper. Res. 13(2):319–322.

[21] Silver EA (1974) A control system for coordinated inventory replenishment. Internat. J. Production Res. 12(6):647–671.

[22] Simchi-Levi D, Wei Y (2012) Understanding the performance of the long chain and sparse designs in process flexibility. Oper. Res. 60(5):1125–1141.

[23] Ströhle P, Flath CM, Gärttner J (2018) Leveraging customer flexibility for car-sharing fleet optimization. Transportation Sci. 53(1):42–61.

[24] Tsitsiklis JN, Xu K (2012) On the power of (even a little) resource pooling. Stochastic Systems 2(1):1–66.

[25] Tsitsiklis JN, Xu K (2017) Flexible queueing architectures. Oper. Res. 65(5):1398–1413.

[26] Vera A, Banerjee S (2021) The Bayesian prophet: A low-regret framework for online decision making. Management Sci. 67(3):1368–1391.

[27] Wang X, Zhang J (2015) Process flexibility: A distribution-free bound on the performance of k-chain. Oper. Res. 63(3):555–571.

[28] Wang S, Wang X, Zhang J (2019) A review of flexible processes and operations. Production Oper. Management 30(6):1804–1824.

[29] Xiao Y, Chen J (2014) Evaluating the potential effects from probabilistic selling of similar products. Naval Res. Logist. 61(8):604–620.

[30] Xu Z, Zhang H, Zhang J, Zhang RQ (2020) Online demand fulfillment under limited flexibility. Management Sci. 66(10):4667–4685.