王婧，葉勇，羅紅恩

（1.安徽農(nóng)業(yè)大學，合肥230036；2.農(nóng)業(yè)農(nóng)村部農(nóng)產(chǎn)品電子商務重點實驗室）

近年來，生鮮農(nóng)產(chǎn)品電子商務發(fā)展迅速。采購決策是電商企業(yè)獲得經(jīng)濟效益和競爭優(yōu)勢的關鍵。生鮮農(nóng)產(chǎn)品是指農(nóng)業(yè)生產(chǎn)部門未經(jīng)加工或者很少加工而生產(chǎn)的初級農(nóng)產(chǎn)品。它們在室溫下容易變質，影響產(chǎn)品質量、價格和顧客滿意度。生鮮農(nóng)產(chǎn)品電商賣家首先需要選擇合適的供應商，然后確定合適的采購品種和數(shù)量。

在供應商選擇方面，一般分為單供應商決策和多供應商決策。單個供應商往往管理良好，可以建立長期穩(wěn)定的合作關系，但如果出現(xiàn)供應失敗，則會導致整個供應鏈的失敗。多個供應商可以更好的規(guī)避風險，這有利于供應鏈的穩(wěn)定，但往往管理變得更加困難。生鮮農(nóng)產(chǎn)品電子商務供應鏈的產(chǎn)品范圍普遍較廣，單一的供應商很難提供全部產(chǎn)品，通常需要多個供應商來提供產(chǎn)品。主要討論了電子商務賣家如何從候選供應商中選擇多個供應商來滿足多種生鮮農(nóng)產(chǎn)品的銷售需求。

近年來，供應鏈風險顯著增加，供應商中斷被認為是供應鏈風險的主要表現(xiàn)之一。在Deloitte進行的一項調查中，71%的受訪者認為供應鏈風險是公司戰(zhàn)略決策的關鍵因素。供應商中斷導致增加采購和物流成本，賣方往往被迫尋求并選擇新的供應商迅速從其他地方采購，并加快運輸，以保持服務水平。關注在供應中斷風險和貨物損失條件下，農(nóng)產(chǎn)品電子商務賣家的采購決策。

1 文獻綜述

1.1 供應商選擇

農(nóng)產(chǎn)品電商賣家組織銷售運營，首先需要選擇恰當數(shù)量的供應商。與少量的甚至單一的供應商建立長期的、穩(wěn)定的合作關系，能夠使企業(yè)獲得質量和成本的保證。另一方面，供應商數(shù)量的縮減尤其是減為單一供應商，將會增加供應鏈對抗風險的脆弱性[1]。多供應商選擇問題已有大量的研究成果。牟能冶、常建鵬和陳振頌[2]從社會績效、環(huán)境績效與經(jīng)濟績效三方面構建了可持續(xù)供應商評估指標體系。陳可嘉等[3]研究了供應鏈中斷風險下最優(yōu)供應商數(shù)量決策模型，模型以采購總成本最小為目標。周清華等[4]利用直覺模糊集理論和TOPSIS決策方法研究了綠色供應商選擇問題。方健等[5]研究了隨機需求下考慮碳排放的供應商選擇問題。以上文獻考慮了不同的因素環(huán)境下的供應商選擇問題，但是研究中都沒有聯(lián)合考慮需求分配的問題。

1.2 供應商選擇與訂單分配聯(lián)合決策

現(xiàn)有供應商選擇和訂單分配的研究已經(jīng)取得了重要成果和進展。根據(jù)是否考慮供應中斷風險，可以把這些文獻分為兩類。第一類是沒有考慮中斷風險的供應商選擇和訂單分配研究。第二類是考慮了供應中斷風險的供應商選擇和訂單分配文獻。

第一類沒有考慮中斷風險。蔣琦瑋、秦進等[6]研究了需求數(shù)量和需求時機不確定環(huán)境下的供應商選擇和訂貨量分配優(yōu)化模型，該模型考慮采購成本、運輸成本、退貨成本以及交付晚點率、并以廢品率最小和供應商柔性最大為優(yōu)化目標。并基于模擬退火算法設計了啟發(fā)式求解方法。王林等[7]研究了隨機需求環(huán)境下的供應商優(yōu)選和訂貨量分配問題。以質量、成本和交貨期為目標，借助加權法和罰函數(shù)法將多目標轉化為單目標。這些文獻多考慮問題的隨機不確定性，但沒有考慮中斷風險。

黃輝等[8]研究了多產(chǎn)品、多價格折扣、供應商產(chǎn)能約束和需求量為模糊值等約束條件下的多供應商聯(lián)合供貨時的訂單分配問題。Pankaj Gupta等[9]針對多目標多物資供應商選擇和訂單分配價格折扣問題，建立了模糊多目標整數(shù)線性規(guī)劃與層次分析法相結合的優(yōu)化模型，并提出了一種加權概率規(guī)劃方法求解優(yōu)化模。Kannan等[10-11]重點研究造紙行業(yè)中最佳綠色供應商的選擇和潛在供應商的訂單分配。該模型包含兩階段混合方法。第一階段通過考慮經(jīng)濟因素（成本）、運營因素（質量和交付）、環(huán)境標準（回收能力和溫室氣體排放控制），采用模糊排序技術，對潛在供應商進行評級和選擇。第二階段采用多目標線性規(guī)劃方法進行訂單分配，使生產(chǎn)過程中的成本、物料報廢、延遲交貨、廢物回收和二氧化碳排放最小化。這些文獻多考慮了問題的模糊不確定性，但都沒有考慮供應中斷風險和貨損。

第二類考慮了中斷風險。李占丞、劉曉冰等[13]研究了多個供應商和單個制造商組成的二級供應鏈背景下，面向生產(chǎn)過程的供應商選擇與訂貨量分配模型。模型考慮了允許供應商延期交貨且脫期時間依賴供應商可靠度的情形?？偝杀究紤]了脫期懲罰成本。李占丞、劉曉冰等[12]研究雙源采購環(huán)境下，供應商交貨數(shù)量不確定情況下，裝配型制造企業(yè)將訂貨量分配和訂單排產(chǎn)進行聯(lián)合決策的問題。與上面兩篇文章不同的是，研究的電商賣家的供應商選擇和訂貨量分配分配問題，不涉及生產(chǎn)過程。潘偉[13]將隨機需求、供應中斷風險及價格折扣等聯(lián)合起來研究訂單分配問題，構建了模糊多目標模型。但其只研究單一物資品種的情況。盧志剛等[14]考慮了供應量可靠性，研究了多產(chǎn)品的供應商訂貨量分配問題，利用罰函數(shù)法將多約束優(yōu)化轉化為無約束，設計了蛙跳粒子群算法進行求解。

Purushottam Lal Meena等[15]考慮了供應商的中斷概率、容量限制和基于數(shù)量的價格折扣，構建了供應商選擇和需求分配模型，并提出了新的求解算法。F.Vahidi等[16]研究了運作和中斷風險下可持續(xù)供應商選擇和訂貨分配問題，構建了一個雙目標兩階段混合隨機規(guī)劃模型。目標是選擇一個彈性可持續(xù)的供應基地?？紤]了備份供應商的契約，以及供應節(jié)點的過剩產(chǎn)能。F.Hamdi等[17]研究了訂貨性生產(chǎn)環(huán)境，存在中斷風險供應商時的供應商選擇和訂貨分配問題。分別從風險中性和風險厭惡型決策者角度構建了兩個混合整數(shù)規(guī)劃模型。Elham Esmaeili-Najafabadi等[18]提出了考慮中斷風險的集中式供應鏈供應商選擇和訂單分配的混合整數(shù)非線性規(guī)劃模型。使用了被選擇供應商的保護政策和被保護供應商的緊急庫存分配政策。中斷概率的高低一定程度上影響了供應鏈的決策。S.A.Torabi等[19]提出了一種雙目標混合概率、兩階段隨機規(guī)劃模型，以解決供應商選擇和訂單分配的問題，建立運行和中斷風險下的彈性供應基礎。模型采用了供應商的業(yè)務連續(xù)性計劃、加強供應商和與備用供應商簽訂合同等前瞻性策略，以提高選定供應基地的彈性水平。以上文獻從一定角度考慮了供應中斷風險，都沒有考慮農(nóng)產(chǎn)品供應過程中貨物的損耗。

關于易腐品供應鏈的采購供應，相關的文獻很有限。張莉、胡小建、盧朝東等[20]研究外部需求為三角模糊數(shù)的情況下，易腐品供應鏈中零售商的訂貨量決策問題。但該文獻只考慮單一供應商情況下的采購決策，且未考慮供應商供貨中斷風險。研究的是多供應商的優(yōu)選決策。V.R.Ghezavati1等[21]以西紅柿為例，從經(jīng)銷商的角度研究了生鮮農(nóng)產(chǎn)品收割后供應的周期決策模型，以經(jīng)銷商收益最大化為目標。每個顧客收到的產(chǎn)品質量有差異，因此需要根據(jù)顧客滿意度水平合理定價。模型對農(nóng)產(chǎn)品的等級考慮新鮮度和成熟度。農(nóng)產(chǎn)品收割后的成熟度被量化，同時設計了品質損失函數(shù)。

綜上所述，在考慮供應中斷和產(chǎn)品損耗情況下供應商選擇和訂單分配問題仍有研究空間。主要從生鮮農(nóng)產(chǎn)品電商賣家的視角，研究在考慮供應商中斷風險和采購過程中貨物損失風險下，采購生鮮農(nóng)產(chǎn)品時供應商選擇和訂貨量分配的決策問題。模型研究的是多產(chǎn)品的決策問題，以供應成本最小化為目標，考慮采購中貨物損失對采購量的影響，以及供應量可靠性的要求。

2 問題描述與模型構建

電商企業(yè)通過某種定性遴選機制已經(jīng)確定了N個備選供應商。N個備選供應商能夠提供同質化的M種生鮮農(nóng)產(chǎn)品。備選供應商到電商企業(yè)物流中心的運輸時間、運輸距離和運輸成本不同，同時每個備選供應商的中斷概率不同。生鮮農(nóng)產(chǎn)品電商企業(yè)采購的農(nóng)產(chǎn)品在其物流中心進行存儲、加工和處理。電商企業(yè)需求預測已知的前提下，從N個備選供應商中選擇合適的供應商供貨，形成穩(wěn)定可靠的供應網(wǎng)絡是研究的主要問題。生鮮農(nóng)產(chǎn)品電商企業(yè)供應網(wǎng)絡示意圖如圖1所示。

2.1 模型假設

（1）所有備選供應商的可供應量之和能夠滿足電商企業(yè)的銷售需求；

（2）所有備選供應商的單位采購成本、單位運輸成本和固定成本已知；

（3）所有采購的物資在電商企業(yè)的物流中心進行匯集，存儲加工和處理；

（4）電商企業(yè)在物流中心的單位物資儲存成本和單位物資加工處理成本已知；

（5）備選供應商到電商企業(yè)的物流中心的單位物資運輸成本，與兩地之間的運輸時間存在某種線性關系。

2.2 符號含義

i：表示備選供應商索引。i=1，2，…n。

k：表示采購的產(chǎn)品項。k=1，2，…m。

φik：表示從供應商i運輸生鮮農(nóng)產(chǎn)品k到電商物流中心過程中的損耗比例系數(shù)，該系數(shù)與供應商i到電商企業(yè)物流中心運輸時間。

βik：表示從供應商i運輸生鮮農(nóng)產(chǎn)品k到電商物流中心后該生鮮農(nóng)產(chǎn)品有效比例因子。

Dk：表示電商企業(yè)預測的生鮮農(nóng)產(chǎn)品k的市場總需求量。

Sik：表示供應商i穩(wěn)定供應生鮮農(nóng)產(chǎn)品k的概率。

rik：表示供應商i供應生鮮農(nóng)產(chǎn)品k過程中，發(fā)生供貨中斷的概率。

mik：表示供應商i要求銷售生鮮農(nóng)產(chǎn)品k的最小批量。

cvik：表示從供應商i運輸生鮮農(nóng)產(chǎn)品k到電商企業(yè)物流中心的單位運輸成本。

cpik：表示電商企業(yè)向供應商i采購生鮮農(nóng)產(chǎn)品k的單位采購成本。

fi：表示電商企業(yè)向供應商i購貨的固定成本。

csk：表示物流中心對采購來的生鮮農(nóng)產(chǎn)品k加工處理的單位處理成本。

Hk：表示物流中心對生鮮農(nóng)產(chǎn)品k的單位庫存成本。

Lik：表示供應商i對生鮮農(nóng)產(chǎn)品k的最大可供貨量。

r*k：表示電商企業(yè)對生鮮農(nóng)產(chǎn)品k的期望容忍可靠性。

xik：表示電商企業(yè)向供應商i采購生鮮農(nóng)產(chǎn)品k的訂貨量。

yi：表示供應商i是否被選擇成為供貨商。當供應商i被選擇供貨時，其值為1；否則，其值為0。

Zik：表示供應商i是否被選擇供應產(chǎn)品k。當供應商i被選擇供應產(chǎn)品k時，其值為1；否則，其值為0。

2.3 模型構建

在研究中，考慮了采購成本運輸成本、供應商訂貨固定成本、以及配送中心的庫存和加工成本。在滿足供應鏈可靠性前提下，考慮供應點的不同貨損，選取總成本最優(yōu)的多物資采購方案。構建的規(guī)劃模型如下：

公式（1）是目標函數(shù)，包括三個部分，第一部分表示采購和運輸成本，第二部分表示供應商訂貨固定成本，第三部分是配送中心的庫存和加工成本。目標是三部分之和最小。公式（2）表示考慮了有效比例因子的總訂貨量應能滿足總需求。公式（3）表示生鮮農(nóng)產(chǎn)品有效比例因子與損耗比例系數(shù)和為1。公式（4）表示向供應商i的訂貨量不能超過其最大可供貨量。公式（5）表示向供應商i的訂貨量應滿足其最小訂貨量的要求。公式（6）表示供應商中斷概率和可靠性概率之和為1。公式（7）表示供應系統(tǒng)可靠性應大于等于期望容忍可靠性。公式（8）表示供應商的供應量為正整數(shù)。公式（9）表示供應商是否被選供貨，如果被選上，yi值為1，否則值為0。公式（10）表示供應商i是否被選擇供應產(chǎn)品k，如果被選上，zik值為1，否則值為0。公式（11）表示如果供應商i被選擇供應至少一種產(chǎn)品，那么yi值為1，如果供應商i沒有被選擇供應任何產(chǎn)品，那么yi值為0。

3 基于改進差分算法的求解策略

模型是帶約束的非線性整數(shù)規(guī)劃，約束（2）（7）和（11）的處理成為求解的關鍵。yi是中間變量，只要zik確定，根據(jù)公式（11）自然可以確定，所以，關鍵決策變量是xik和zik。關鍵約束是（2）和（7）。在差分算法的基礎上，利用枚舉法和類似冒泡排序，以及邊界修復策略實現(xiàn)求解近似最優(yōu)解。算法的基本流程如圖2所示。算法的主要技術步驟如下所述。

圖2 基于冒泡排序的差分算法流程圖Fig.2 Flow chart of improved difference algorithm based on bubble sorting

3.1 編碼方案

采用整數(shù)和自然數(shù)結合的兩段編碼方法，對xik采用整數(shù)編碼，對zik采用自然數(shù)編碼，yi是中間變量，進行隱性01編碼。xik的取值范圍在zik確定的前提下，根據(jù)公式（4）和（5）很容易確定。zik的確定是關鍵。通過枚舉法可給出滿足約束條件（7）的所有方案集合。這些方案集合的索引號即為zik的自然數(shù)編碼值。

第一段是對xik采用整數(shù)編碼，前面n位分別代表第n個供應商對第1種物資的供應方案，后面依次是n個供應商對第k種物資的供應方案，直到最后一種物資即第m種物資供應方案確定而結束，如圖3所示。

圖3 對xik的編碼示例Fig.3 An example of encoding for xik

第二段是對zik進行自然數(shù)編碼，第1個位置代表對第1種物資各供應商是否供貨的索引，它是一個自然數(shù)。第k個位置代表對第k種物資各供應商是否供貨的索引，它也是一個自然數(shù)。有m種物資，所以這部分總共有m個編碼位。在此過程中，需要先判斷各供應商構成的供應鏈，是否滿足可靠性要求，即滿足約束條件（7）；然后，把所有可行的供貨商組合放到一個動態(tài)集合中，那么zik就在這些組合中選擇，選中的一種組合，即表示對該物資供貨的供應商選擇方案，對應的索引號即為本編碼位的值。如圖4所示。

圖4 對zik的編碼示例Fig.4 An example of encoding for zik

3.2 約束處理

約束（7）的處理是采用枚舉法。通過枚舉法給定所有滿足供應鏈可靠性要求的方案集合，即確定了滿足約束（7）的所有的zik能組合。

約束（2）的處理是借鑒Thomas P.Runarsson和Xin Yao在文獻[22]中提出的類似冒泡排序的隨機排序策略。它非常好的解決了罰函數(shù)法的懲罰系數(shù)難確定的問題。大量研究已經(jīng)表明了其優(yōu)越性。目標函數(shù)可縮寫為（fx）。約束（2）經(jīng)過變形可表示為函數(shù)為g（x），見公式（12）。

3.3 修復策略

對于帶約束條件的非線性規(guī)劃，如何使種群個體在可行域內是求解有效性的關鍵。研究設計了一個邊界條件修復策略和約束條件修復策略。

（1）邊界條件修復策略

邊界條件修復策略是使生成的種群xik始終滿足公式（4）和（5）給定的邊界約束，如果不在這個邊界范圍，就在邊界范圍內隨機生成一個新個體。

（2）約束條件修復策略

約束條件修復策略是針對約束條件（2）設計的修復策略。如果個體不滿足約束條件（2），對該個體進行修復，形成可行解。通過修復策略很好的將種群個體限定在可行域范圍內。

定義約束條件（2）變型的函數(shù)h（x）見公式（13），它是判斷個體是否超出約束的依據(jù)。

遍歷種群中每個個體xik，對應的h（x）的值有三種可能的情況。

（1）h（x）＞0時，找到個體xik的最大值的基因位，讓該基因位的數(shù)據(jù)等于當前值減去h（x）/βik，并進行四舍五入。

（2）h（x）＜0時，找到個體xik非零最小值的位置；個體非零最小值處的數(shù)據(jù)等于當前值減去h（x）/βik，并進行四舍五入。

（3）h（x）=0時，個體xik本身是可行解，直接進入下一個循環(huán)。

4 數(shù)值實驗

4.1 實驗數(shù)據(jù)

部分實驗數(shù)據(jù)來源于盧志剛和戚慶禹[14]的文獻。某家電子商務企業(yè)從5個供應商中進行選擇供貨3種生鮮農(nóng)產(chǎn)品。物流中心對采購來的生鮮農(nóng)產(chǎn)品加工處理的單位處理成本分別為6，5，5.5。物流中心的單位庫存成本分別3，2，2。供應系統(tǒng)期望容忍可靠性為0.9。向各供應商采購的固定成本一次是1 000、800、900、1 000、800。其他參數(shù)值見表1所示。

表1 各類農(nóng)產(chǎn)品向各供應商采購時的相關實驗數(shù)據(jù)表Table 1 Experiment data on the three kinds of agricultural products purchased from five suppliers.

4.2 改進的差分算法實驗過程及結果

在matlab2016環(huán)境下，應用改進的差分算法進行編程求解，設置交叉概率位0.1和變異概率為0.4，最大迭代代數(shù)為200，結果如下圖5所示。從圖5可以看出，大約在50代左右算法開始收斂于最優(yōu)解。

圖5 改進的差分算法求解結果圖Fig.5 Results of the improved differential evolution algorithm

對交叉概率和變異概率進行參數(shù)尋優(yōu)實驗。將最大的迭代代數(shù)設置為200，使交叉概率和變異概率分別在0.1到1之間，以0.1步長增加變化。這樣，有100種配對組合。在每種配對下，程序運行30次。求解的最優(yōu)目標函數(shù)的平均值和最小值分別見表2和表3。從表2和表3結果可以看出，當交叉概率為0.1，變異概率的初始值是0.3和0.4，模型的目標函數(shù)值的平均值是28 068，而目標函數(shù)的全局最小值也是28 068，算法性能最好。同時，在許多概率組合中，改進的差分進化算法也得到了相同的目標函數(shù)最小值，即28 068。相應的最優(yōu)物資供應方案如表4所示。

表2 交叉概率和變異概率組合變化結果下的目標函數(shù)值平均值Table 2 The average value of the objective function under the combination of crossover probability and mutation probability

表3 交叉概率和變異概率組合變化結果下的目標函數(shù)值最小值Table 3 The minimum value of the objective function under the combination of crossover probability and mutation probability

表4 最優(yōu)分配方案Table 4 Optimal allocation scheme

4.3 對比實驗

為了驗證算法的有效性，作者隨機生成6組不同規(guī)模的實驗數(shù)據(jù)，包括物資種類數(shù)、供應商數(shù)量、貨損率、供應鏈期望容忍可靠性等。針對實驗數(shù)據(jù)，以LINGO的分支定界法和改進的遺傳算法開展了對比實驗。每種實驗規(guī)模的數(shù)據(jù)，程序運行30次，記錄并計算目標函數(shù)值的平均值、最小值和運行時間。改進的遺傳算法是以標準遺傳算法為基礎，應用前文設計的修復策略和類似冒泡排序策略形成。每種實驗規(guī)模的數(shù)據(jù)，程序運行30次，記錄求解的最優(yōu)目標函數(shù)的平均值、最小值和運行時間。具體實驗結果如表5所示。分析結果發(fā)現(xiàn)：

表5 三種算法的測試結果Table 5 Test results for the three algorithms

（1）在目標函數(shù)值的最小值方面，改進的差分進化算法和改進的遺傳算法的性能明顯優(yōu)于LINGO求解。改進的差分進化算法略優(yōu)于改進的遺傳算法。

（2）在目標函數(shù)值平均值方面，改進的差分進化算法的性能始終優(yōu)于其他兩種算法。

（3）平均運算時間方面，改進的差分進化算法始終優(yōu)于改進的遺傳算法，隨著實驗規(guī)模的增加，改進的差分進化算法優(yōu)于LINGO的表現(xiàn)。

總體而言，改進的差分進化算法的性能隨著數(shù)據(jù)量的增加優(yōu)勢越來越明顯。改進的差分進化算法是有效和可行的。

5 敏感性分析

因為最優(yōu)決策方案可能受到模型參數(shù)取值的影響，所以主要考察了這些參數(shù)對目標函數(shù)值的影響。這些參數(shù)包括Mik、Lik、Hk、fi、rik、CVik、CPik、r*k、csk、βik和Dk。以初始參數(shù)值為基準，在-15%和15%范圍內按5%的比例依次改變各參數(shù)值。當一個參數(shù)的值改變時，其他參數(shù)的參考值保持不變。隨機選取前文第一組試驗數(shù)據(jù)作為基礎數(shù)據(jù)，求解的目標函數(shù)值如表6所示。

表6 參數(shù)的敏感性分析Table 6 Sensitivity analysis of parameters

在表6中，第8列描述了參數(shù)增加和減少15%時目標函數(shù)值變化的絕對值。根據(jù)各參數(shù)對目標函數(shù)值的影響程度，將各參數(shù)分為四個靈敏度等級。一級的參數(shù)包括Dk和βik；即總成本是隨Dk和βik的變化最敏感，總成本跟這兩個參數(shù)值是最強的正相關。因此，在優(yōu)化模型時，應盡可能準確地設置參數(shù)值。二級參數(shù)包括r*k、CVik、CPik、r*k和csk。這五個參數(shù)與總成本有很強的正相關關系，也就是說，模型對它們的變化很敏感。三級的參數(shù)為rik、fi和Hk。這三個參數(shù)與總成本呈弱正相關，也就是說，模型通常對它們的變化敏感性較弱。四級的參數(shù)包括Lik和Mik。這兩個參數(shù)與總成本的正相關關系非常弱，也就是說，模型對其變化不那么敏感。

6 結論

研究供應中斷和存在貨損情況下，生鮮農(nóng)產(chǎn)品電子商務賣家的供應商選擇決策和訂貨批量決策。供應網(wǎng)絡的可靠性受各個供應商的中斷概率影響。供應網(wǎng)絡的可靠性要達到期望容忍可靠性。供應商到物流中心的距離影響供應商的貨損。在訂貨量決策時需要考慮到貨物損失，構建了非線性規(guī)劃模型，考慮了采購成本以及在物流中心的存儲和處理成本。設計了基于類似冒泡排序的改進差分算法。類似冒泡排序策略和修復策略是算法改進的關鍵點。修復策略包括邊界條件修復策略和約束條件修復策略。通過LINGO算法和改進遺傳算法的對比仿真實驗，驗證了算法的可行性和有效性?；诙嘀芷诙嗄繕说纳r農(nóng)產(chǎn)品供應商選擇決策和訂貨分配決策將成為今后的重點研究內容。