4. 提前期不确定性：供应商延迟、运输波动、提前期标准差估算

在库存补货决策中，提前期（Lead Time, LT）并非固定常数。供应商生产排程变动、海关清关延误、海运/空运班期调整、最后一公里配送异常等，都会使实际到货时间围绕期望值波动。提前期不确定性是导致缺货风险的第二大根源（仅次于需求波动），在补货点公式中直接放大安全库存需求。

4.1 提前期不确定性的三个来源

提前期波动可拆解为三个独立阶段，每个阶段具有不同的统计特征和管理杠杆：

4.2 提前期标准差估算方法

提前期标准差（σ_LT）的估算需要区分两种数据场景：

4.2.1 有历史提前期数据（推荐）

收集最近 N 个订单周期的实际提前期（单位：天），直接计算样本标准差：

import numpy as np

# 示例：过去 30 个订单的实际提前期（天）
lead_times = [12, 14, 11, 18, 13, 15, 16, 12, 20, 14,
              13, 17, 15, 14, 12, 19, 13, 16, 14, 15,
              18, 12, 14, 13, 17, 15, 16, 14, 21, 13]

mu_lt = np.mean(lead_times)          # 平均提前期
sigma_lt = np.std(lead_times, ddof=1) # 样本标准差（无偏估计）

print(f"平均提前期: {mu_lt:.2f} 天")
print(f"提前期标准差: {sigma_lt:.2f} 天")

4.2.2 无历史数据（小样本/新品导入）

当数据不足时，使用"三点估算法"（借鉴项目管理 PERT 技术）：

1. 乐观提前期（a）： 一切顺利时的最短到货天数
2. 最可能提前期（m）： 正常情况下的典型天数
3. 悲观提前期（b）： 考虑已知最差延误的天数

估算公式：

# 三点估算法
a = 10   # 乐观
m = 14   # 最可能
b = 25   # 悲观

mu_lt_est = (a + 4*m + b) / 6
sigma_lt_est = (b - a) / 6

print(f"估算平均提前期: {mu_lt_est:.2f} 天")
print(f"估算提前期标准差: {sigma_lt_est:.2f} 天")

4.3 提前期不确定性与补货点公式

当需求与提前期同时存在不确定性时，补货点公式需要同时纳入两个标准差。假设需求与提前期相互独立，补货点 ROP 为：

ROP = D_avg × LT_avg + Z × √(LT_avg × σ²_D + D_avg² × σ²_LT)

其中：
D_avg = 平均日需求量
LT_avg = 平均提前期（天）
σ_D = 日需求标准差
σ_LT = 提前期标准差
Z = 目标服务水平对应的安全系数（如 95% → Z=1.65）

该公式的物理含义：提前期不确定性通过 D_avg² × σ²_LT 项放大安全库存。即使需求稳定（σ_D 很小），只要 σ_LT 较大，安全库存仍会显著增加。

4.4 提前期标准差估算流程

下图总结了从数据采集到补货点计算的标准作业流程：

4.5 提前期波动的缓解策略

降低 σ_LT 比增加安全库存更具成本效益。以下是按优先级排序的工程化措施：

• 供应商分级管理： 对提前期 CV > 0.5 的供应商实施"日跟单"机制，要求每日更新生产进度和预计发货时间。
• 运输模式冗余： 关键 SKU 同时保留海运（低成本）和空运（高可靠）两种运输方案，当海运延误超过阈值时自动切换。
• 安全提前期（Safety Lead Time）： 在补货点公式中将 LT_avg 替换为 LT_avg + k × σ_LT（k 通常取 0.5~1.0），作为保守估计。
• 动态提前期更新： 使用指数加权移动平均（EWMA）实时更新 LT_avg 和 σ_LT，对近期波动赋予更高权重。

4.6 本章核心公式速查