4. 阈值调优的数学基础：正态分布、标准差、服务水平与安全系数 Z 值

在供应商交付流程中，缺料预警阈值的设定并非凭经验拍脑袋，而是建立在成熟的统计学与运筹学基础之上。本章将系统梳理支撑阈值调优的四大数学支柱：正态分布（描述需求波动形态）、标准差（量化波动幅度）、服务水平（定义风险容忍度）以及安全系数 Z 值（连接概率与库存决策的桥梁）。

4.1 正态分布：需求波动的概率模型

在供应链场景中，物料的历史需求量、供应商交付提前期等关键变量，在排除趋势与季节性后，其随机波动部分通常近似服从正态分布。正态分布的概率密度函数由均值 μ 和标准差 σ 唯一确定，其曲线呈对称钟形，68.27% 的数据落在 μ ± σ 区间内，95.45% 落在 μ ± 2σ 区间内，99.73% 落在 μ ± 3σ 区间内。

4.2 标准差：量化波动幅度的核心指标

标准差 σ 衡量数据围绕均值的离散程度。在缺料预警场景中，我们主要关注两个维度的标准差：

当需求与提前期相互独立时，综合标准差的计算公式为：

σ_total = √(LT_avg × σ_D² + D_avg² × σ_LT²)

其中 LT_avg 为平均提前期，D_avg 为平均单位时间需求量。该公式是安全库存计算的核心合成公式。

4.3 服务水平：风险容忍度的量化表达

服务水平（Service Level, SL）是指在补货周期内不发生缺货的概率。常见的服务水平定义有两种：

• 周期服务水平（CSL）： 单个补货周期内不缺货的概率。
• 订单满足率（Fill Rate）： 从库存中直接满足的需求比例。

在阈值调优场景中，我们主要使用周期服务水平，因为它直接对应安全系数 Z 值的查表逻辑。以下是常见服务水平与对应 Z 值的对照表：

4.4 安全系数 Z 值：从概率到库存的桥梁

安全系数 Z 值是标准正态分布的分位数，它将服务水平（概率）转换为安全库存的倍数。安全库存的基本计算公式为：

SS = Z × σ_total

其中 SS 为安全库存量，Z 为安全系数，σ_total 为综合标准差。缺料预警阈值（Reorder Point, ROP）则为：

ROP = D_avg × LT_avg + SS = D_avg × LT_avg + Z × σ_total

4.5 Python 实战：计算 Z 值与安全库存

在 Python 中，我们可以使用 scipy.stats.norm 模块的 ppf 方法（Percent Point Function）将服务水平转换为 Z 值，并计算安全库存与预警阈值。

import numpy as np
from scipy import stats

# 输入参数
service_level = 0.95          # 95% 服务水平
D_avg = 100                   # 日均需求
sigma_D = 20                  # 需求标准差
LT_avg = 7                    # 平均提前期（天）
sigma_LT = 1.5                # 提前期标准差（天）

# 计算 Z 值
Z = stats.norm.ppf(service_level)
print(f"安全系数 Z 值: {Z:.4f}")          # 输出: 1.6449

# 计算综合标准差
sigma_total = np.sqrt(LT_avg * sigma_D**2 + D_avg**2 * sigma_LT**2)
print(f"综合标准差: {sigma_total:.2f}")   # 输出: 158.11

# 计算安全库存
SS = Z * sigma_total
print(f"安全库存: {SS:.0f} 件")           # 输出: 260 件

# 计算预警阈值（再订货点）
ROP = D_avg * LT_avg + SS
print(f"预警阈值 (ROP): {ROP:.0f} 件")    # 输出: 960 件

4.6 阈值调优的数学决策框架

综合以上概念，阈值调优的数学决策可归纳为以下步骤：

1. 数据清洗与正态性检验： 对历史需求与提前期数据进行 Shapiro-Wilk 或 KS 检验，确认是否近似正态分布。
2. 参数估计： 计算 D_avg、σ_D、LT_avg、σ_LT。
3. 服务水平决策： 根据物料分类（ABC-XYZ 矩阵）确定目标 CSL。
4. Z 值查表/计算： 使用 stats.norm.ppf(CSL) 获取 Z 值。
5. 综合标准差合成： 代入公式计算 σ_total。
6. 安全库存与阈值计算： 输出 SS 与 ROP。
7. 仿真验证： 使用历史数据回测缺货率，若偏差超过 1%，调整 Z 值或改用非参数方法。

本章的数学基础为后续的阈值动态调优算法提供了坚实的理论支撑。在下一实战章节中，我们将基于这些公式，构建一个完整的缺料预警阈值计算引擎，并处理多物料、多供应商的复杂场景。