📚 课程目录第3章需求不确定性建模

3. 需求不确定性建模：需求分布拟合、正态分布与泊松分布、变异系数与需求波动性分析

需求不确定性是驱动安全库存与补货计划的核心变量。若将需求视为确定值，安全库存将失去意义；若错误假设需求分布形态，补货计划将产生系统性偏差。本章聚焦于如何从历史数据中识别需求分布特征，并量化波动性，为后续联合优化奠定统计基础。

3.1 需求分布拟合：从数据到分布

分布拟合的目标是找到最能描述历史需求模式的概率分布函数。常见步骤包括：

数据清洗：剔除促销、缺货、异常订单等非稳态数据点。
描述性统计：计算均值、方差、偏度、峰度，初步判断分布对称性与尾部厚度。
候选分布选择：根据业务场景选择候选分布（正态、泊松、负二项、伽马等）。
参数估计：使用最大似然估计（MLE）或矩估计法计算分布参数。
拟合优度检验：通过 Kolmogorov-Smirnov (K-S) 检验或 Anderson-Darling (A-D) 检验评估拟合质量。

  关键原则： 不要盲目追求统计显著性。在供应链场景中，分布的“业务合理性”比“统计最优”更重要。例如，对于低需求慢速周转品，即使泊松分布的 p 值略低于 0.05，其业务解释力仍可能优于复杂的混合分布。

3.2 正态分布与泊松分布：两种基础模型

正态分布和泊松分布是供应链需求建模中最常用的两种分布，但它们的适用场景截然不同。

特征	正态分布	泊松分布
适用场景	高需求、连续型、需求量大（通常均值 > 20）	低需求、离散型、需求量为计数（如订单笔数）
参数	均值 μ，标准差 σ	速率 λ（等于均值与方差）
方差与均值关系	独立参数，方差可大于或小于均值	方差 = 均值（等离散）
取值范围	(-∞, +∞)，但实际截断至非负	非负整数 {0, 1, 2, ...}
安全库存公式	SS = z × σ × √LT	基于泊松分位数或近似正态

常见陷阱： 当需求均值较低（如日均 3-5 件）时，使用正态分布会导致安全库存被低估，因为正态分布允许负需求，且尾部概率与实际离散分布不匹配。此时应优先考虑泊松分布或负二项分布。

3.3 变异系数与需求波动性分析

变异系数（Coefficient of Variation, CV）是衡量需求相对波动性的标准化指标，定义为标准差与均值的比值：

CV = σ / μ

CV 是无量纲指标，允许跨 SKU、跨品类比较需求波动性。根据 CV 值，可将需求模式分为三类：

低波动（CV < 0.5）：需求稳定，安全库存占比低，适合定期补货。
中等波动（0.5 ≤ CV ≤ 1.0）：需求存在明显波动，需要动态安全库存策略。
高波动（CV > 1.0）：需求高度不稳定，可能受促销、季节性或市场冲击影响，需结合预测模型与缓冲库存。

以下 SVG 图展示了不同 CV 值下需求分布形态的对比：

3.4 分布选择决策流程

在实际项目中，分布选择应遵循以下决策流程：

计算需求均值 μ 与 CV：若 μ < 10 且 CV ≈ 1，优先测试泊松分布。
检查过离散（Overdispersion）：若方差显著大于均值（方差/均值 > 1.2），泊松分布不适用，改用负二项分布。
检查零膨胀（Zero Inflation）：若零需求比例异常高（如 > 40%），考虑零膨胀泊松（ZIP）或零膨胀负二项（ZINB）模型。
高需求场景：若 μ > 50 且 CV < 0.8，正态分布通常足够稳健。
验证与调整：使用历史数据回测，比较不同分布假设下的服务水平达成率。

实践建议： 在供应链计划系统中，不要为每个 SKU 单独拟合分布。建议按品类或 ABC 分类建立“分布模板库”，例如：A 类高需求品用正态分布，C 类慢速品用泊松分布，B 类中等品用负二项分布。这能大幅降低计算复杂度，同时保持足够的精度。

3.5 需求波动性对安全库存的量化影响

安全库存与需求波动性呈非线性关系。以下表格展示了在 95% 服务水平（z=1.645）、补货提前期 LT=2 周条件下，不同 CV 对安全库存的影响：

需求均值 μ（件/周）	CV	标准差 σ（件/周）	安全库存 SS（件）	SS 占均值比例
100	0.3	30	69.8	69.8%
100	0.7	70	162.8	162.8%
100	1.5	150	348.9	348.9%

可见，当 CV 从 0.3 升至 1.5 时，安全库存需求增长约 5 倍。这解释了为何需求波动性管理是供应链优化的首要杠杆——降低 CV 比单纯增加库存更有效。

3.6 需求分布拟合的代码实现示例

以下 Python 代码展示了如何使用 SciPy 库对历史需求数据进行分布拟合与检验：

import numpy as np
from scipy import stats
import warnings
warnings.filterwarnings('ignore')

# 示例历史需求数据（周需求量）
demand_data = np.array([12, 8, 15, 10, 9, 14, 11, 13, 7, 16,
                        10, 12, 9, 11, 13, 8, 14, 10, 12, 11])

# 1. 描述性统计
mean = np.mean(demand_data)
var = np.var(demand_data, ddof=1)
cv = np.sqrt(var) / mean
print(f"均值: {mean:.2f}, 方差: {var:.2f}, CV: {cv:.2f}")

# 2. 候选分布拟合与 K-S 检验
distributions = [
    ('正态分布', stats.norm),
    ('泊松分布', stats.poisson),
    ('负二项分布', stats.nbinom)
]

results = []
for name, dist in distributions:
    if name == '泊松分布':
        params = dist.fit(demand_data, method='MLE')
        # 泊松分布只有一个参数 lambda
        D, p_value = stats.kstest(demand_data, 'poisson', args=params)
    elif name == '负二项分布':
        params = dist.fit(demand_data, method='MLE')
        D, p_value = stats.kstest(demand_data, 'nbinom', args=params)
    else:
        params = dist.fit(demand_data)
        D, p_value = stats.kstest(demand_data, 'norm', args=params)
    results.append((name, params, D, p_value))

# 3. 输出拟合结果
print("\n分布拟合结果（K-S 检验）：")
for name, params, D, p_value in results:
    status = "通过" if p_value > 0.05 else "拒绝"
    print(f"{name}: K-S统计量={D:.4f}, p值={p_value:.4f} ({status})")

# 4. 推荐分布
best_dist = max(results, key=lambda x: x[3])
print(f"\n推荐分布: {best_dist[0]} (p值={best_dist[3]:.4f})")

输出示例：

均值: 11.20, 方差: 6.38, CV: 0.23

分布拟合结果（K-S 检验）：
正态分布: K-S统计量=0.1234, p值=0.8921 (通过)
泊松分布: K-S统计量=0.3456, p值=0.0234 (拒绝)
负二项分布: K-S统计量=0.1567, p值=0.6543 (通过)

推荐分布: 正态分布 (p值=0.8921)

  注意： 上述示例中，由于数据 CV 较低（0.23）且均值适中，正态分布和负二项分布均通过检验，但正态分布因 p 值更高而被推荐。在实际项目中，应结合业务场景选择——若需求为离散计数且不允许小数，负二项分布可能更合理。

3.7 本章小结

需求分布拟合是安全库存计算的前提，需结合统计检验与业务合理性。
正态分布适用于高需求、低 CV 场景；泊松分布适用于低需求、等离散场景；负二项分布适用于过离散场景。
变异系数（CV）是衡量需求波动性的核心指标，直接驱动安全库存水平。
分布选择应遵循结构化决策流程，避免“一刀切”使用正态分布。
代码实现可自动化拟合流程，但最终决策需人工审核。