3. 备件需求特性分析

备件需求与整机产品的需求有一个根本差异：备件消耗往往不是连续发生的，而是由故障、计划性维修、批量更换等离散事件触发。因此，在给备件做预测、定安全库存或算订货点时，第一步不是急着套模型，而是先判断这段历史需求到底属于哪种形态。形态判断错了，后面所有参数都会偏。本节围绕三类典型需求形态——间歇性需求、块状需求、平稳需求——讲清识别方法，再讲需求分布拟合与统计检验的基本做法。

三类需求形态的本质区别

判断需求形态，核心看两个维度：需求是否频繁发生（发生间隔的规律性），以及单次需求量是否稳定（需求大小的波动性）。把这两个维度组合起来，就得到三类典型形态。

• 平稳需求：每个统计周期几乎都有消耗，单次消耗量围绕一个均值小幅波动。常见于高频易损件、通用标准件，如某型号密封圈每月都有出库，数量在 8～12 之间。
• 间歇性需求：需求发生不连续，很多周期消耗为零，但一旦发生，单次需求量相对稳定、通常为 1 或很小的整数。常见于低故障率的关键电子模块、专用传感器。
• 块状需求：需求同样不连续，但一旦发生，单次需求量波动很大，偶尔出现远超常规的大额消耗。常见于计划性大修、批量换件、多台设备同时到寿的场景。

需要强调：间歇性与块状的分界不在“是否为零”，而在“非零需求本身的离散程度”。一个需求序列可能既有大量零值，又有剧烈波动的非零值，那就应按块状处理。

识别方法：从统计量到判定规则

实际识别时，建议按下面的顺序计算，而不是凭肉眼扫一眼出库记录就下结论。

第一步，整理成等间隔需求序列。选定统计周期（日、周、月均可，但要与补货周期匹配），把历史出库量按周期汇总，得到序列 x₁, x₂, …, xₙ。例如某备件 24 个月的月度消耗为：0,0,2,0,0,1,0,0,3,0,0,1,0,0,2,0,0,1,0,0,2,0,0,1。这里 n=24。

第二步，计算三个关键统计量。

• 需求发生频率：非零周期数 ÷ 总周期数。上例非零周期为 8 个，频率 = 8/24 ≈ 0.33。
• 非零需求均值：所有非零值之和 ÷ 非零周期数。上例非零值为 2,1,3,1,2,1,2,1，均值 = 13/8 ≈ 1.63。
• 非零需求变异系数 CV：非零需求标准差 ÷ 非零需求均值。上例非零值标准差约为 0.70，CV ≈ 0.43。

第三步，套用判定规则。可参考如下经验阈值（属于工程经验值，需结合行业调整）：

上例频率 0.33、CV 0.43，应判定为间歇性需求。若把其中某几个月改成 0,0,2,0,0,1,0,0,25,0,0,1……则 CV 会显著抬升，形态转为块状。

需求分布拟合

形态确定后，下一步是给需求找一个可用的概率分布，用于后续算安全库存和订货点。三类形态对应的常用分布不同。

• 平稳需求：常用正态分布 N(μ, σ²)，μ 取历史均值，σ 取历史标准差。若需求量恒为正且波动偏大，也可考虑对数正态分布。
• 间歇性需求：采用“发生过程 + 需求量”两段建模。发生间隔常用泊松过程描述，需求量常用泊松分布或负二项分布。工程上更常用 Croston 方法：分别对需求间隔和需求大小做指数平滑，再合成预测值。
• 块状需求：需求量波动大，常用负二项分布或复合泊松分布；若大额消耗来自可识别的计划性事件，应先把事件剥离，再对常规部分拟合。

以间歇性需求为例，用 Croston 方法的计算过程是：设平滑系数 α=0.2，需求间隔平滑值 Z、需求大小平滑值 Y。每遇到一个非零需求就更新一次：Yₜ = α·xₜ + (1−α)·Yₜ₋₁，Zₜ = α·qₜ + (1−α)·Zₜ₋₁，其中 qₜ 是本次与上次非零需求之间的间隔周期数。预测值 = Yₜ / Zₜ。以上例数据，若初始 Y=1.63、Z=3，经过若干次更新后预测值会逐步收敛到约 0.54 件/月，这个值才是补货计算应采用的月均需求，而不是简单用总量除以总周期数。

统计检验：拟合得好不好

拟合完分布不能直接采信，要做检验。常用两类方法。

卡方拟合优度检验：把需求值分箱，计算每箱的观测频数与理论频数，构造统计量 χ² = Σ(Oᵢ−Eᵢ)²/Eᵢ，与自由度 k−1−m（m 为估计参数个数）对应的临界值比较。例如检验某平稳需求是否服从正态分布，分 6 箱，估计了均值和标准差两个参数，自由度 = 6−1−2 = 3，取显著性水平 0.05，临界值约 7.815。若算得 χ² = 4.2，则不能拒绝正态假设。

Kolmogorov-Smirnov 检验：适合小样本，直接比较经验分布函数与理论分布函数的最大偏差 D。D 越小越吻合，再查临界值表判断。备件数据往往样本量不大，KS 检验比卡方更稳妥。

识别与拟合的完整流程

把上述步骤串起来，就形成一条从原始出库记录到可用需求参数的链路。下图展示了这一流程中的关键判断节点与分支：先由频率和 CV 判定形态，再走对应的分布拟合路径，最后经统计检验决定是否采纳。

图中最值得注意的是“先剥离计划性事件”这一分支。很多被误判为块状的序列，其实只是把年度大修、批量换件混进了常规消耗。把这类事件单独标记后，剩余序列往往回归间歇性或平稳形态，预测精度会明显改善。识别、拟合、检验三步做完，得到的 μ、σ 或 Croston 预测值，才是后续安全库存与订货点计算的可靠输入。