許舒婷，繆朝煒，檀 哲，蔡能照，上官莉莉

基于組合算法的電子產品回收預測系統研究

許舒婷，繆朝煒，檀 哲*，蔡能照，上官莉莉

（廈門大學管理學院，福建 廈門 361005）

對第三方逆向物流服務商而言，電子產品回收數量具有少樣本、不確定性及模糊性的特點，電子產品回收量預測的精度直接影響到企業(yè)的運營成本以及服務水平。在單個預測模型中，GM(1,1)模型具有適應少樣本預測的特點，對近期數據具有較好的逼近效果，但是對序列的趨勢性比較敏感；FTS模型能夠處理不確定性數據中因模糊性而產生的噪聲，但是對序列趨勢的把握具有滯后性。本文設計了GM(1,1)模型與FTS模型相結合的組合預測模型（FTS_GM(1,1)模型），通過利用兩個模型的優(yōu)勢以提高電子產品回收預測的準確性和可靠性。本文根據企業(yè)的真實回收數據進行預測，實驗結果表明組合預測法比單個預測法具有更好的預測效果。在此基礎上，本文提出了以FTS_GM(1,1)組合模型為主，其他預測模型為輔的回收預測系統原型，為企業(yè)在實踐中選取合適的預測模型提供建議。

電子產品；回收預測；組合算法；系統原型

0 引言

隨著信息社會的高速發(fā)展，電子產品的供應和需求也在不斷增加，巨大的電子產品市場需求背后，是同樣巨大的售后服務（如退貨、維修等）帶來的壓力。逆向物流具有分散性、混雜性、不可控性以及高成本性等特點[1]，企業(yè)為了能將主要精力專注于自己的核心業(yè)務，通常將此類逆向物流服務業(yè)務外包給第三方逆向物流服務提供商[2][3]。由于電子產品具有種類繁多、產品生命周期短、產品銷售隨機性、消費者使用環(huán)境和使用習慣不確定、返回地點不確定等特點，逆向物流回收階段常常出現回收種類、回收數量、回收時間以及回收質量的不確定[4][5]，使得第三方逆向物流服務提供商對產品回收的預測非常困難，嚴重影響了此類企業(yè)的效益，因此提升回收產品的預測精度顯得尤為重要。

目前對于逆向物流系統的研究，其主要還是集中在網絡設計、路徑優(yōu)化、庫存管理的研究[6]，而對于其需求的預測研究相對較少，大多沿用了正向物流的一些方法。預測理論從技術上可以分為定性預測法和定量預測法[7]。在逆向物流回收的預測中，單純的使用定性方法的研究并不多見，更多的是采用定量的方法或者定性與定量相結合的方法進行研究。定量預測法又包含基于模型驅動的預測方法和基于數據驅動的預測方法?；谀Ｐ万寗拥念A測法是根據統計學、數學的基本原理構造預測對象的精確數學模型，通過估計模型的參數，然后用得到的模型進行預測。其主要特點是需要事先知道預測對象的假設條件，因果關系，分布情況以及機理特征等。最常見的基于模型驅動的預測方法是回歸分析法，包括一元線性回歸，多元線性回歸以及非線性回歸。由于逆向物流的隨機性特點，所以很多的學者在研究逆向物流回收預測中采用了基于模型驅動的預測方法。其中，Tokay等在假定產品回收服從二項式概率分布的前提下，分析了產品需求和產品回收的關系，采用貝葉斯推斷求解了產品回收的總概率[8]；Yang和Williams分析了美國未來廢舊計算機產生量的趨勢，在合理的計算機壽命周期分布假設下，通過歷史的銷售數據，建立了Logistic模型展開預測[9]；Bayindir和Nesim假設了產品的需求和返回服從獨立的泊松分布或者正態(tài)分布，建立了一個逆向物流需求模型[10]。雖然各個學者研究的角度各不相同，但其模型的基本假設大多都是產品的需求和返回需要服從泊松過程或者正態(tài)過程。而Brito和Dekker在對物流的需求過程和逆向物流返品過程的假設進行了檢驗，結果發(fā)現新產品需求量和舊產品回收量之間的獨立性假設在回收率小于1時是不成立的[11]。呂軍和謝家平從空間結構的角度提出基于克里金方法的WEEE逆向物流回收網點回收量的空間數學模型，預測逆向物流WEEE的回收量[12]。而在基于數據驅動的預測研究方面，其核心是對可利用的事物發(fā)展歷史數據進行特征提取，通過各種數據處理與分析就去挖掘數據中隱含的信息。數據驅動預測方法以時間序列預測方法為主，強調對原始數據序列的利用，包括ARIMA[13]，ANN[14][15]，GM(1,1)[16]等。

本文將針對一家在第三方電子產品逆向物流服務領域具有典型代表性的企業(yè)所面臨的回收預測問題展開研究，所有數據均來源于該公司回收業(yè)務實際發(fā)生的數據。本文通過實際數據觀測發(fā)現電子產品回收數量基本是以月份為單位進行統計，并且因為生命周期短，有些電子產品的回收數據時間僅持續(xù)不到12個月，企業(yè)需要根據少量的歷史接收數據來預測回收產品的數量以制定產能計劃和備料計劃。所以，基于電子產品回收數量不確定性及少樣本的特點，相對于其他預測模型需要大樣本而言，GM(1,1)模型是合適的選擇，其具有適用于少樣本的獨特優(yōu)勢。但是，考慮到逆向電子產品回收不確定性中的模糊性特點，本文將模糊理論中的FTS方法也引入到逆向電子產品回收的預測中，結合GM(1,1)模型與FTS模型各自的優(yōu)勢，構建兩階段組合預測算法，以求達到更好的預測效果。

1 基本預測算法

1.1 GM(1,1)模型

灰色系統理論主要研究對象是具有“小樣本”、“貧信息”特點的不確定性系統，灰色系統理論通過生成和開發(fā)有限的已知信息，實現對有價值信息的提取，進而描述系統的運行行為和演化規(guī)律，并進行科學的分析、預測、決策、控制的一種理論。

作為灰色系統預測理論核心基礎的GM(1,1)模型，就是通過對灰色序列生成，再處理，以解決不確定性的預測問題，GM(1,1)模型的計算過程包括以下六個步驟[17]。

第一步，對原始序列進行一次累加，得一次累加生成序列：

第二步，求

第三步，求

第五步，建立

1.2 GM(1,1)滾動模型

1.3 FTS模型

基于模糊集理論的FTS模型在1993年首次提出之后，在FTS的運算各個環(huán)節(jié)展開了大量研究，包括論域的確定、模糊區(qū)間的劃分、關系矩陣和預測規(guī)則、模型的階數、時變以及非時變等方面展開研究，FTS的預測過程已經越來越成熟，其主要計算過程包括以下六個步驟[19]。

第二步，在論域的基礎上定義模糊集和模糊隸屬度函數。對每個子區(qū)間的模糊概念定義相應的模糊隸屬度函數。在FTS中，常用如下的三角函數來定義模糊集：

第三步，根據原始序列數據的先后觀測值建立模糊關系集合。

第五步，對隸屬度向量進行標準化，作為預測的權重。

為了避免通過最大隸屬度規(guī)則取值所造成的信息缺失，更大限度的利用原始序列樣本包含的初始信息，保證模型的預測精度，采用將隸屬度函數進行歸一化處理后作為最后預測規(guī)則取值的權重。

第六步，建立預測模型。

2 組合預測算法設計

由于逆向物流具有高度的不確定性，目前對于處理逆向物流不確定性預測上，常見的方法有人工神經元網絡預測、馬爾可夫預測、回歸分析、GM(1,1)預測以及組合預測等方法。這些方法中，大多數方法都是基于大樣本的假設下進行建模的。所以，對于電子產品回收而言，在少樣本條件的限制下，較多使用的是GM(1,1)預測法。GM(1,1)預測法具有適用于少樣本的獨特優(yōu)勢，只要收集的數據量大于等于4個，就可以用GM(1,1)模型進行建模[14]。而在一般情況下，為了保證數據提供的信息是最新的，在短期預測中，經常取最近的6-8個數據作為擬合。同時，在逆向物流的不確定性分析中，除了對隨機性的討論，也有文獻對于逆向物流不確定性中的模糊性進行了探討，但是，這些研究都主要集中在逆向物流的網絡設計中，在逆向物流回收預測中，考慮到模糊性特點的文獻卻不多見。如何通過對序列模糊性的處理，來挖掘原始序列更多的信息，提高GM(1,1)模型的預測效果，是重要關注點之一。因此，在組合算法中選取模糊預測研究中的FTS模型，該預測方法除了能夠很好的處理不確定性數據中因模糊性而產生的噪聲[21]，另一個優(yōu)勢就是不需要大樣本假設[22]。

組合預測是通過對兩種或兩種以上的預測方法通過某種方式組合成一種新的預測方法，其目的是為了提高預測效果的準確性和可靠性[23]。對于組合預測的研究，主要是集中在組合權重的確定上，包括非變權組合預測[24][25]和變權組合預測[26][27][28]。而不論是不變權重組合模型構建，還是變權重組合模型構建，其主要思想大多都是基于對歷史數據的擬合來確定權重。這種方法在研究中可以得到很好的擬合效果，但是其在真正預測中，由于不同的預測方法本身的特點不同，某種預測方法可能對于原始數據的擬合能力很強，但是在預測時卻效果一般；也有的方法可能起初預測效果一般，但是隨著時間的推移，該方法卻會越來越表現的較其他單項預測方法優(yōu)越，從而也會導致預測權系數的變化[29]。而現有的組合預測研究在模型構建、組合權重系數的確定和模型預測效果的比較方面也主要側重于在樣本期預測的效果，對于外推預測效果的考察還比較少見[30]?；诖?，在構建FTS_GM(1,1)組合預測模型的時候著重考察模型的外推預測能力，同時對于組合預測模型權重的確定，除了考慮模型對歷史數據的擬合效果，還考慮了模型本身的特點。

圖1 FTS_GM(1,1)模型運算過程

Figure 1 The working process of FTS_GM(1,1) model

FTS_GM(1,1)模型是一個兩階段的預測模型。在第一個階段，基于GM(1,1)對于最近期具有非常好的逼近效果，并且其在逆向物流中預測的良好效果也得到了很多研究的證明，所以，對于第一期的預測，直接采用GM(1,1)模型的預測值。第二階段，從第二期以后的預測，由于開始遠離實際序列，GM(1,1)的誤差會隨著灰區(qū)間的指數增長而大大增加，其預測效果越來越難以滿足決策者的要求，所以開始引入FTS模型進行組合預測。在對于GM(1,1)模型賦予一個隨時間遞減的函數后，考慮到FTS模型本身的特點，即對歷史數據訓練好模糊關系矩陣后，FTS模型對于下一期的預測值是基于當前期的值，通過對當前期值的模糊處理，再用模糊關系矩陣進行預測。由于組合預測有著比單個預測方法更加可靠的結果，所以實際操作中將前一期的組合預測值添加到原序列，構成新序列，用組合預測值作為FTS預測的當前值，進行下一期的預測。具體運算過程如圖1所示。

（1）初始權重反應了兩個基本模型對于近幾期數據的擬合情況，對于具有較好擬合的模型賦予了較高的權重。

組合模型的具體算法如下：

第一階段：

步驟2：對取得的數據進行光滑性檢驗，檢驗通過，則進入下一步，否則，對原始數列進行平滑處理，然后對平滑后的數列再進行光滑檢驗。

步驟3：對通過光滑檢驗的數列進行GM(1,1)建模預測。

第二階段：

3 數值算例

3.1 數據來源

C公司是在廈門市的一家以電子產品維修為主要業(yè)務的第三方逆向物流服務公司，主要開展對戴爾、富士康、索尼、三星、英特爾等品牌電子產品的壞件維修測試、技術支持、倉儲物流、備件運營等一體化服務。數據全部來自于C公司內部的數據庫系統中的C回收業(yè)務實際數據，本文提取C公司目前回收的57種顯示器業(yè)務的相關數據。本文先以該業(yè)務中E190Sf型號的回收量為例，介紹模型的計算過程，具體數據見表1。按照C公司目前的維修用原材料采購周期，有提前一至三期不等，所以最多需要預測未來三期的回收，因此將最后三期值作為預測，剩下的樣本數據作為擬合，實現上文提到的算法，并對預測的效果進行比較分析。

表1 E190Sf型號產品回收量

3.2 預測結果分析

3.2.1 對E190Sf型號產品的預測

對于E190Sf型號產品的回收量，先采用GM(1,1)模型、RGM(1,1)模型以及FTS模型進行預測，結果匯總如表2所示。

從單個模型擬合和預測的效果對比來看，GM(1,1)模型的擬合效果遠遠好于其對近三期的預測效果，說明GM(1,1)模型存在著過度擬合的情況，而FTS模型的擬合效果和其近三期的預測效果比較接近。從預測三期的效果指標上對這兩個模型的對比顯示，在該產品的預測中，FTS模型的整體預測效果會比GM(1,1)模型優(yōu)。

表2 E190Sf單個模型預測效果匯總

圖2 E190Sf產品回收量預測比較

Figure 2 Comparison of the prediction of E190Sf recovery amount

從圖2可以看出，GM(1,1)模型最新的7個樣本進行擬合，且通過數據生成弱化了隨機的影響，很好的把握短期趨勢，得到了較好的短期逼近效果，但是其對序列的趨勢性比較敏感，并且一旦序列出現波動，則會很大程度影響效果，很難將預測結果持續(xù)到較遠的將來。而FTS模型則是盡量采取更多的樣本進行訓練，吸取了原始序列更多的信息，通過模糊化分散了具體數據擾動影響，對于波動的序列具有較好的適應能力，但是其對序列的趨勢把握具有一定的滯后性，短期的逼近效果也沒有GM(1,1)那么明顯?；诖?，構建了一個兩階段的逆向物流電子產品回收預測模型，充分吸取這兩個模型的優(yōu)勢，以求達到較好的效果，預測的對比結果匯總如表3所示。

表3 E190Sf預測結果匯總

注：**表示最優(yōu)效果，*表示次優(yōu)效果。

從表3可以發(fā)現，RGM(1,1)模型預測的效果稍微優(yōu)于GM(1,1)模型，但是其對GM(1,1)模型的改善效果仍然甚微，所以只通過對GM(1,1)預測方式的改變來提高模型的中長期預測能力并不能達到很理想的效果。此外，FTS模型則通過模糊化序列的具體數值，使得模型對于數列細微的擾動反應并不是那么敏感，所以在具有擾動的序列預測當中可以得到相對穩(wěn)定的結果，在對E190Sf的預測中其效果僅次于兩階段組合模型。而組合模型考慮了GM(1,1)模型的短期優(yōu)勢，又考慮FTS模型的特點，采取了對GM(1,1)模型取下降權重的方式進行組合，充分利用兩個模型各自的優(yōu)勢，從而得到相對單個模型更好的結果。

3.2.2 對所有產品的預測

對C公司顯示器回收維修業(yè)務的57個產品進行了預測，以便驗證該方法的適用性。將移動平均法（企業(yè)方法）、GM(1,1)、RGM(1,1)、FTS以及組合方法進行了比較，探討組合方法對于單個模型的預測效果改善情況。通過對五個方法的預測效果進行橫向比較，分別統計各個方法預測達到最好效果的產品比例，最終比較結果如圖3所示。

通過比較可以看出，在五種方法中，不管是以MAD，還是以MSE和MAPE指標判斷，文中提出的兩階段組合預測方法都較其他四個方法效果更優(yōu)，說明其對逆向物流的不確定性有更好的適用性。由于企業(yè)管理決策水平的限制，企業(yè)目前采用相對比較簡單的移動平均方法的效果是不理想的，具有很大的改進空間。此外，從比較結果也不難發(fā)現，并沒有哪一種方法能夠在所有類型的產品回收預測效果上始終表現最佳。這也說明，真實的狀況是復雜多變的，在一個不確定的系統里，回收序列的變化也是多種多樣，而每種預測模型都有它的使用局限性，沒有任何一種預測方法能夠適用于所有產品的預測。

圖3 不同方法的比較結果

Figure 3 Comparison of different methods

4 回收預測系統

預測的目的是為了幫助企業(yè)決策，通過預測結果來確定企業(yè)的物料需求和采購策略，從而提升企業(yè)經營績效。為了更好的提升逆向物流服務企業(yè)的回收預測能力，文中提出了以FTS_GM(1,1)組合模型為主，其他預測模型為輔的回收預測系統原型。在實際預測過程中通過對所選擇模型的不斷檢驗反饋，匹配較優(yōu)的預測模型，以提高對每個產品回收的預測效果，具體的系統原型如圖4所示。

圖4 回收預測系統原型

Figure 4 Prototype of recovery prediction system

在系統應用過程中，對于模型的選擇，可以通過前期的分析試驗，根據業(yè)務的特點進行選取。由于C公司的業(yè)務是電子產品的回收與維修，具有高度不確定性、數據量少的特點，根據研究結論，由于沒有哪一種方法能夠在所有類型的產品回收預測效果上始終表現最佳，因此移動平均法、GM(1,1)、RGM(1,1)、FTS和FTS_GM(1,1)等方法都可以作為備選方法。對于數據庫中已經存在的產品，在進行預測時，可以根據不同方法的歷史預測表現，由知識庫推薦預測效果最好的方法。比如對于某已有型號的產品，在最近三次的預測中，都是FTS模型預測效果最好，則系統就會判斷為FTS最能符合該產品目前的回收趨勢，在下一次的預測時就會優(yōu)先推薦FTS的結果。如果每個方法的效果差異不大，則從降低風險的角度考慮，優(yōu)先推薦FTS_GM(1,1)模型的預測結果。對于新進入的產品，由于沒有之前的預測情況可供參考，而通過數值試驗表明FTS_GM(1,1)模型總體表現上具有最好的效果，可以優(yōu)先推薦該模型的結果作為決策依據。

5 結論

由于電子產品回收數量具有隨機性和模糊性的特點，本研究對于提高第三方維修服務企業(yè)科學決策以及運營管理等方面具有重要的意義。文中研究結果表明，GM(1,1)模型對于短期趨勢的把握具有很好的效果，尤其是對于最近一兩期的預測，而相對遠期的預測則效果則不夠理想。FTS模型能夠較好的處理逆向物流回收序列的模糊性特點，在中短期預測中具有比較好的效果。而設計的組合預測模型由于能夠利用GM(1,1)模型和FTS模型的各自優(yōu)勢，所以在預測中能夠取得較之單個預測模型更好的效果，同時也降低單個預測方法帶來的決策風險。更重要的現實意義在于對逆向物流服務企業(yè)而言，可以根據實際情況通過應用基于不同預測模型的回收預測系統提升預測能力，從而減小維修備件過量采購或者采購不足的風險，同時可以有效的降低備件庫存以及提高顧客的響應速度，從而提高公司的整體運營效率和服務質量。

[1] Rogers D S, Melamed B, Lembke RS. Modeling and Analysis of Reverse Logistics[J]. Journal of Business Logistics, 2012, 33(2):107- 117.

[2] Kannan G. Fuzzy approach for the selection of third party reverse logistics provider[J]. Asia Pacific Journal of Marketing and Logistics, 2009, 21(3):397-416.

[3] Meade L, Sarkis J. A conceptual model for selecting and evaluating third‐party reverse logistics providers[J]. Supply Chain Management, 2002, 7(5):283-295.

[4] Pochampally K K, Gupta S M. A multi-phase mathematical programming approach to strategic planning of an efficient reverse supply chain network [C],2003-06-15,S.l.:s.n., 2003:72-78.

[5] 易俊,王蘇生.基于成本-收益分析的逆向供應鏈網絡演化機制分析[J].管理工程學報,2013, 27(2):123-128.

Yi J, Wang S S. Network Evolutionary Mechanism of Reverse Supply Chain Based on Cost-benefit Analysis[J].Journal of Industrial Engineering and Engineering Management,2013, 27(2):123-128.

[6] Pokharel S, Mutha A. Perspectives in reverse logistics: A review[J]. Resources Conservation & Recycling, 2009, 53(4):175-182.

[7] Chen C I, Chen H L, Chen S P. Forecasting of foreign exchange rates of Taiwan’s major trading partners by novel nonlinear Grey Bernoulli model NGBM(1,1)[J]. Communications in Nonlinear Science & Numerical Simulation, 2008, 13(6):1194-1204.

[8] Toktay L B, Wein L M, Zenios S A. Inventory Management of Remanufacturable Products[J]. Management Science, 2000, 46(11): 1412-1426.

[9] Yang Y, Williams E. Logistic model-based forecast of sales and generation of obsolete computers in the U.S[J]. Technological Forecasting & Social Change, 2009, 76(8):1105-1114.

[10] Bay?nd?r Z P, Erkip N, Güllü R. A model to evaluate inventory costs in a remanufacturing environment[J]. International Journal of Production Economics, 2003, s 81–82(1):597-607.

[11] Brito MPD, Dekker R. Modelling product returns in inventory control-exploring the validity of general assumptions[J]. International Journal of Production Economics, 2003, 81-82(1):225- 241.

[12] 呂君,謝家平.基于空間相關性的WEEE逆向物流回收預測研究[J].管理工程學報[J],2015,29(4):152-161.

Lv J, Xie J P.The Prediction of Returns in WEEE Reverse Logistics Based on the Spatial Correlation[J]. Journal of Industrial Engineering and Engineering Management,2015,29(4):152-161.

[13] Wu C L, Chau K W. Data-driven models for monthly streamflow time series prediction[J]. Engineering Applications of Artificial Intelligence, 2010, 23(8):1350-1367.

[14] Kusiak A, Li M, Zhang Z. A data-driven approach for steam load prediction in buildings[J]. Applied Energy, 2010, 87(3):925-933.

[15] Londhe S, Charhate S. Comparison of data-driven modelling techniques for river flow forecasting.[J]. Hydrological Sciences Journal, 2010, 55(7):1163-1174.

[16] Wang J, Ma X, Wu J, et al. Optimization models based on GM (1,1) and seasonal fluctuation for electricity demand forecasting[J]. International Journal of Electrical Power & Energy Systems, 2012, 43(1):109-117.

[17] Yin M S, Tang HWV. On the fit and forecasting performance of grey prediction models for China’s labor formation[J]. Mathematical & Computer Modelling, 2013, 57(3-4):357-365.

[18] Kung L M, Yu S W. Prediction of index futures returns and the analysis of financial spillovers—A comparison between GARCH and the grey theorem[J]. European Journal of Operational Research, 2008, 186(3): 1184-1200.

[19] Qiu W, Liu X, Li H. A generalized method for forecasting based on fuzzy time series[J]. Expert Systems with Applications, 2011, 38(8): 10446-10453.

[20] Tsaur R C, Yang JCO, Wang H F. Fuzzy relation analysis in fuzzy time series model [J]. Computers & Mathematics with Applications, 2005, 49(4):539-548.

[21] Cai Q S, Zhang D, Wu B, et al. A Novel Stock Forecasting Model based on Fuzzy Time Series and Genetic Algorithm[J]. Procedia Computer Science, 2013, (18):1155-1162.

[22] Uslu V R, Bas E, Yolcu U, et al. A fuzzy time series approach based on weights determined by the number of recurrences of fuzzy relations[J]. Swarm & Evolutionary Computation, 2014, 15:19-26.

[23] He C, Xu X. Combination of forecasts using self-organizing algorithms[J]. Journal of Forecasting, 2005, 24(4):269-278.

[24] Wong KKF, Song HY, Witt SF, et al. Tourism forecasting: to combine or not to combine?[J]. Tourism Management, 2007, 28(4):1068-1078.

[25] Andrawis R R, Atiya A F, El-Shishiny H. Combination of long term and short term forecasts, with application to tourism demand forecasting[J]. International Journal of Forecasting, 2011, 27(3):870- 886.

[26] 楊松華,張新育.非負變權組合預測的貝葉斯極大似然估計[J].預測,1999(4):58-59.

Yang S H, Zhang X Y. Bayesian Maximum Likelihood Estimation for Nonnegative Variable Weight-changing Combination Forecasting[J].Forecasting,1999(4):58-59.

[27] 陳華友.基于預測有效度的非負變權組合預測模型研究[J].運籌與管理,2001, 10(1): 48-52.

Chen H Y.Research on Combination Forecasting Model with Non-negative and Time-variant Weights Based on Effective Measure of Forecasting Methods [J].Operations Research and Management Science, 2001, 10(1): 48-52

[28] 唐小我,王景.一種新的模糊自適應變權重組合預測算法[J].電子科技大學學報,1997, 26(3): 289-292.

Tang X W, Wang J. A New Fuzzy Adaptive Variable Weighting Algorithm for Combination Forecasting [J].Journal of University of Electronic Science and Technology of China,1997, 26(3): 289-292.

[29] Elliott G, Timmermann A. Optimal Forecast Combination Uder Regim Swiching[J]. International Economic Review, 2005, 46(4):1081–1102.

[30] 李美娟,陳國宏,林志炳.基于漂移度的組合預測方法研究[J].中國管理科學,2011, 19(3): 111-117.

Lin M J, Chen G H, Lin Z B. A Combination Forecasting Model based on Drift[J].Chinese Journal of Management Science,2011, 19(3): 111-117.

Electronic products returns forecasting system based on a hybrid algorithm

XU Shuting, MIAO Zhaowei, TAN Zhe*, CAI Nengzhao, SHANGGUAN Lili

(School of Management, Xiamen University, Xiamen 361005, China)

The electronic products have special characteristics such as various categories, short lifecycle, and stochastic sales. It is becoming difficult for the third reverse service provider to forecast the quantity and quality of returns accurately because of the uncertainties of consuming circumstance, using habit and location of recovery, the reverse logistics of electronic products encounter the uncertainties of collecting quantity, collecting time and collecting quality. For the third reverse logistics service provider, improving the accuracy of returns forecasting is crucial to improve its operational efficiency and service quality.

In the numerical experiment, this paper collects the historical data of the quantities of the returns in a reverse logistics firm. At first, four forecasting models(GM(1,1)、RGM(1,1)、FTS、FTS_GM(1,1)) are used to make a forecast for one kind of electronic product in the firm respectively, and the results show that FTS_GM(1,1) performs the best. To examine the applicability of FTS_GM(1,1) for other products, five models (moving average model, GM(1,1), RGM(1,1), FTS, FTS_GM(1,1)) are used to make a forecast for all products in the firm respectively. The results also show that FTS_GM(1,1) performs the best in each indicator (MAD、MSE、MAPE) and there is still a lot of room for the performance improvement of moving average method applied in the firm due to the limitation of its management decision level. Also, it is not difficult to find from the comparison results that no method will always perform the best for all types of returns because the sequence of returns quantity is various in an uncertain system due to the complex and changeable situation in practice. Each forecasting model has its limitation, and a single model cannot be applied to all products.

Finally, this paper proposes the returns forecasting system prototype based on FTS_GM(1,1) supplemented with other forecasting models, which can examine the selected models in practice and match the best forecasting model, to improve forecasting performance for different products.

The reverse logistics service provider can improve forecasting performance by selecting the appropriate model in return forecasting system and reduce the risk of over or insufficient purchase of maintenance spare parts. By this way, the service provider will reduce the spare part inventory and accelerate responding speed to improve its operational efficiency and service quality.

Electronic product; Return forecasting; Hybrid algorithm; System prototype

2018-03-30

2018-10-18

Supported by the National Natural Science Foundation of China (71671151, 71371158, 71711530046)

F272

A

1004-6062(2020)01-0147-007

10.13587/j.cnki.jieem.2020.01.016

2018-03-30

2018-10-18

國家自然科學基金資助項目（71671151、71371158、71711530046）

檀哲（1990—），男，福建永泰縣人；廈門大學管理學院博士生；研究方向：供應鏈管理。

中文編輯：杜 健；英文編輯：Charlie C. Chen