基于VMI的汽车零部件库存管理优化研究

图SEQ图\*ARABIC1.1文章框架体系图(三)研究现状1.国外研究现状在国外对库存的研究比较早，所以也形成了一些比较成熟的库存控制方法和理论。Clark和Scarf在1960年对多阶段的库存管理进行了研究，从而揭开了国外学者研究多阶段库存研究的序幕[18]。而在2010年，由LinKuo-Ping,ChangPing-Teng等研究了一个新的供应链上基于模糊数学的VMI模式模拟方法[2]，让我们熟知VMI模式的含义和应用模式，并且更加让我们了解应用了VMI模式的企业和没有应用的企业之间的区别。2.国内研究现状国内学者刘果在《供应链环境下的VMI协调管理研究》上，对VMI模式的原理和在库存方面的应用进行剖析。并通过对比VMI模式和传统库存模式两种库存方法，来证明VMI模式无论在减少物流成本还是在提升工作效率方面都比传统库存模式更加的好。此外，国内学者周阳也利用VMI模式来对库存和运输集成化进行一个深度的研究。本文在这些作者的文章基础上，通过自己对于VMI模式的理解，以佛山市光法雷奥照明系统有限公司为案例，抽取公司内一部分的零配件的销售量利用时间序列分析法来进行需求预测，再根据得出的预测结果来制定减少物流成本、提高效率的解决方案，解决掉公司库存优化管理这方面的问题。(四)相关概念界定1.VMI模式VMI是由供应商来为客户管理库存、为它们制定库存策略和补货计划，根据客户的销售信息和库存水平为客户进行补货的一种库存管理策略和管理模式[7]。本文中，结合VMI模式对汽车零部件进行需求预测分析。它要求在整车供应链上的上游企业到终端客户上，建立一个信息共享管理平台，客户在该平台上需要将自身的汽车零配件库存量等资料上传到平台上，让处于上游的供应商能实时抓捕到客户的库存情况，从而根据客户给到的数据对出货计划进行调动，以此来控制好库存的数量。2.牛鞭效应牛鞭效应描述的是供应链中供应商所接受的订单比终端顾客的需求具有更大的方差的现象即需求扭曲现象，此外，这种扭曲将以放大的形式向供应链的上游传播[18]。3.需求预测需求预测需要根据有关调查资料对拟建项目的产品未来市场需求变化进行细致的分析研究，掌握需求的内在规律，对其发展趋势作出正确的估计和判断，以确保拟建项目投产后产品对路，品种符合市场需要。在本文中，我们结合时间序列分析法以及佛山市光法雷奥有限公司以往的汽车零部件需求量来预测的其未来的销售量，而时间序列属于动态数列，是由同一现象中不同时间内所观察到的数值组成的序列。而该序列受四大因素的影响分别为趋势性、季节性、周期性和随机性。所以本文在进行需求预测分析时会着重这四点来计算预测结果。(五)研究目标及意义1.研究目标本文综合借鉴参考已有的相关研究成果，以及笔者通过调查佛山市光法雷奥有限责任公司的基本情况和发展现状，对该公司所在的汽车车灯零部件的库存情况进行分析。在建立需求预测模型来推理出汽车零部件未来的需求量的基础上，结合VMI模式的理论及实际操作方法，对汽车零部件的库存数量进行前置或后移的操作及把控，从而来达到减少自身库存的效果。2.研究意义从我国企业现在的状况而言，大多数的企业还沿用着传统的物流库存管理方法。且多数企业都以自身的利益为中心，对于企业自身的销售量、库存信息等重要的信息都不会将之提供给上一级的供应商，这就导致了需求信息的扭曲和断层。所以在供应链上各节点的企业都会受这变大的需求信息来储备库存，因此造成了物流成本增加、效率降低的后果。因此，本文在VMI模式的理论知识和一些应用了VMI模式的企业案例的基础上对佛山市光法雷奥照明系统有限公司的部分车灯产品的需求量和销售量进行分析，结合VMI模式理论模型和时间序列分析法对一部分的车灯产品进行需求预测，从而得到一个降低物流成本、提高物流效率的解决方案。而这个就为该公司在物流这方面节省资金有着重大意义。(六)研究对象及方法1.研究对象本文研究对象为佛山市光法雷奥照明系统有限公司的两个车灯类型(分别为东风日产、一汽大众)。2.研究方法文献综述法通过文献研究，了解近年来汽车行业和汽车零配件的发展现状，通过查阅网上资料理清汽车行业与汽车零配件行业之间的关系，同时去了解汽车零配件的需求现状和学习VMI模式的原理。实地调查法作者自身在佛山市光法雷奥有限公司里进行实习工作。通过在公司内部进行深入的调查和了解，熟悉公司的发展情况、仓储状况、客户的信息等情况，并且从中得到真实的仓储库存数据和需要的客户销售量，结合这些数据通过计算和分析得出相应的预测结果。数据分析法利用从佛山法雷奥得到的库存数据和客户的销售量，在使用excel和SPSS等工具来对数据进行计算与分析得出一个自己推测出来的需求预测。二、VMI模式理论基础(一)VMI模式内容框架表2.SEQ表2.\*ARABIC1VMI模式内容框架制定计划（确认合作关系）需求预测决策补给及管理建立一个信息共享的网络平台客户将产品的库存数据上传到信息平台上进行共享供应商收集客户的产品库存数据创建客户产品的需求预测检查需求预测结果是否存在异常建立订单通过客户上传的产品库存数据得出的需求预测结果来进行原材料的采购制定与顾客需求量相符的生产计划确认订单的产品数量向顾客进行发货对在顾客仓库内的产品进行管控（使产品平衡在最高库存量与最低库存量之间）通常来说VMI模式有4个步骤（如表2.1所示），它们分别是制定合作计划、对产品的需求预测、决策、补给及管理。本文是以佛山市光法雷奥照明系统有限公司的部分车灯产品进行需求预测，通过以往与现今的顾客整车销售量来对我司产品进行一个预测，最终来控制公司内部与储放在客户仓库的产品从而使公司内部库存得到优化。(二)VMI模式的特点1.VMI模的特性VMI模式有四个特性[21、22]：(1)合作性。企业如果要成功的实施VMI模式的库存管理方式，就需要与供应链其他的企业建立起一个密切且信任的合作关系。(2)互利性。VMI模式的初衷是供应链上游与下游企业通过合作，将产品库存信息透明化并且进行共享，从而来提升需求预测的精确度和工作效率，达到降低双方企业的库存成本、缩短库存周转期的效果。(3)协议性。所谓的协议性，其实就需要企业在实施VMI模式之前，明确双方的责任和义务，在观念上需要达成一致的目标，并且在合作当中的具体事项都需要经过框架协议来明确规定，以提高操作的可行性。(4)可持续改进性。要达到降低库存成本、减少成本的开资的效果需要一段时间的沉淀和对管理方式的不断改进才能够实现。所以在实施VMI模式之初，企业之间就需要对人员调动，成立一个负责VMI模式正常运作的工作小组。除此之外，还需要对企业之间来往的业务进行重组与整合。2.VMI模式的优势及劣势(1)优势：①建立库存信息共享平台，加快信息传递效率。供应商在客户需要产品的时候，通过双方建立的信息共享平台，来了解客户库存当前的状况。然后结合自身的库存情况，以满足客户需求为基础来制定该产品的物料计划、生产计划以及出货计划。这样的操作模式不仅可以能及时解决客户的需求问题还能降低库存置存的成本，并且提高了库存的周转效率。②产品库存由供应商来进行管理，减少资源浪费现象。在实施VMI模式时，客户的库存以及产品的销售情况都可以通过信息共享的系统进行实时的更新。而供应商则根据综合的因素将客户需要的货物放置在自身或者顾客的仓库的进行调配，从而在保证客户生产的正常运作的同时，也减少了库存过高而导致资源浪费的现象。③增加产品销售量。因为VMI模式的实施，供应商与客户之间的合作关系会加深，客户只需要提供原材料准确的需求预测和库存情况，供应商就会根据客户提供的数据来制定采购、生产等步骤的计划。最终达到降低产品需求量的不确定性、降低双方的库存成本的效果，从而来扩大产品的销售量。(2)劣势：虽然VMI模式的实施能减少总库存成本费用、提升库存周转率并且促进产品的销售，但是VMI模式也存在着一定的缺陷。VMI模式的实施原理其实是以寄售的方式将产品库存进行前置或后移的操作及把控，从而来达到减少自身库存、降低总库存成本费用的效果。而在产品还未被客户进行使用之前，对于产品运输费用、库存费用、意外的损失费用[18]等物流费用都由供应商全部承担。而这就使得供应商的物流成本增加，利润减少，并且也加大了供应商的风险。3.VMI模式的应用情况在20世纪80年代，许多国外的知名企业就开始探索VMI模式的库存管理方式。经过这些企业初步的试验与对VMI模式内容框架的不断完善，取得了供应商能够按时发货，加快库存流动速度的初步效果。所以在20世纪90年代，就有不少名企也参与其中，例如强生、宝洁、沃尔玛和凯玛特等企业。它们也开始计划并且在自己的管理区域内实施VMI模式的库存管理，结果也取得不错的成效。下表2.2就根据美国1998年的一次调查研究，总结出实施VMI的效果[9]。]表2.SEQ表2.\*ARABIC2实施VMI库存管理的效果[9调查项目实施VMI模式的效果提货期减少67%销售额增加21%库存周转率提高23%需求预测误差减少39%库存水平降低20%服务水平提高4%而在国内也有不少企业在面临着诸如信息传递的不及时、传递数据有误差、库存周转期太长等物流问题。但在2000年起就有不少的企业也开始计划实施VMI库存管理方案。例如，联想在过去原材料的采购及国外的订单都是由香港分公司来完成。但因为国内运用的生产管理系统与香港分公司的国际采购的仓储系统没有进行连接，所以在信息传递上耗时相对较长并且信息可能也存在着误差，导致了工厂只能够被动生产，无法做到拉动式的精益生产[7]。但在联想实施了VMI模式的库存管理方案之后，国内的仓储系统直接与供应商的生产管理系统连接。供应商能够随时清楚联想在哪个时间上缺少哪种原材料，并且及时进行补货。这样就使得联想能够根据市场上的需求来制定生产计划从而来加快库存的流动速度、增加电脑的销售量，而并不是一味的进行浪费资源的被动生产。除了联想之外，美的、宝洁中国等企业也在实施VMI库存管理取得了不错的成效三、汽车零部件的库存现状及影响因素(一)汽车产业的发展现状汽车零部件是汽车产业的重要部分，也是汽车产业发展的重要基础之一。而反之，也正因为汽车产业受到汽车零部件的影响，汽车零部件也会受到汽车产业的产量和销售量的影响，这两者是互相影响的。因此我们也需要对汽车工业的发展状况进行一定的了解。自2009年我国汽车销量超过美国以来，已经连续9年新车销量位居全球第一，2018年新车销量是美国新车销量的1.6倍，欧盟的1.7倍，日本5.5倍。但是在2018年下半年，我国的新车销量增速就开始持续下滑，2018年我国汽车销量为2808万辆，同比下滑2.8%，这是我国自1990年以来销量首次呈现负增长情况。下表为2010年到2019年的我国汽车销售量表3.SEQ表3.\*ARABIC12010年-2019年11月的汽车总销量时间（年）汽车总销售量（万量）增长速度（同比上年）20101806-201118512.5%201219314.3%2013219813.9%201423495.9%201524604.7%2016280313.7%201728883.0%20182808-2.8%2019（截止到11月）2311-17.8%资料来源：公开资料整理从上表我们也可以看出在2018年汽车的总销量已经是比上一年的汽车总销量减少了80万辆，而来到了2019年的11月份的汽车销售总累积量已经下降到了2311万辆，增长速率下降到了-17.8%。这个现象的出现也表明了现在汽车行业的发展状况并不乐观。而汽车销量的减少，也导致了汽车零部件的需求量会在一定程度的减少，也因此会影响到汽车零部件的发展状况。图3.SEQ图3.\*ARABIC12010-2019.11全国汽车销量图资料来源：公开资料整理(二)汽车零部件持有的影响因素从宏观角度来看，影响汽车零部件的因素主要是运输、采购、生产、仓储以及销售（需求）。而本文主要是基于汽车零部件的需求量的预测来对产品进行库存优化，也就是通过了解汽车零部件的销售（需求）情况从而来对其仓储情况制定一个解决方案。而影响汽车零部件销售量的影响因素一般分为内部因素和外部因素。内部因素即为企业自身的因素，而外部因素即为外界一些客观因素。这两方面的因素都会对汽车零部件的销售量造成影响，也使得在我们对车灯产品进行需求预测的时候我们需要将其纳入计算范畴，让我们获得一个更加精确的预测结果。内部因素（企业因素）一般有：产品及企业形象、产品质量、宣传程度外部因素（客观因素）一般有：趋势性、季节性、循环性、随机性；汽车商购买意向；汽车市场的产量及销售数量变动：需求预测结果的准确性；生产或者运输途中造成的货损货差将两个因素归结起来就如图3.2图表所示：内部因素内部因素外部因素汽车零部件销售量的影响因素M产品及企业形象、产品质量、宣传程度趋势性、季节性、循环性、随机性；汽车商购买意向；汽车市场的产量及销售数量变动：需求预测结果的准确性；生产或者运输途中造成的货损货差图3.SEQ图3.\*ARABIC2汽车零部件的销售量影响因素而本文主要是在外部因素中的趋势性、季节性、循环性、随机性这四个方面的基础上，结合VMI模式来对佛山市光法雷奥照明系统有限公司的部分车灯进行需求预测，所以在预测前需要对这四方面进行了解和分析。(三)汽车零配件的库存管理状况现阶段汽车零配件行业随着汽车制造业的高速发展也在不停的发展。但是在我国，汽车零配件行业以中小企业居多。而这些企业都以企业自身的销售量为主要目标，却缺乏对于产品进行库存管理这方面的意识。而这也导致了总库存成本占企业的总销售额1/4以上。除此之外，许多汽车零配件制造企业在原材料的进库、调配和对于成品的进出入库这方面，多数都是让仓库的工作人员以登记在纸质表格的方式来记录货物的进出库。而对于货物的重要程度没有进行有效分选好就随意的将货物摆放在仓库内，使得仓库一直都处于一个杂乱并且易满仓的状态。而这些现象也证明了我国汽车零配件制造业的库存管理存在许多问题。1.缺乏库存管理的理念和意识。国内许多汽车零配件企业都以增加销售额为目标，而完全忽略了物流这一环节，导致了物流总成本一直都居高不下。而其中库存总成本就占物流总成本大约60%。造成这个结果的原因就在于企业没有库存管理的意识，对于库存管理相关的理念和知识没有很好的贯彻和深入的研究。并且对于货物进出库和放置等问题都没有过多的重视，通常就让仓库内的工作人员将货物在纸上记录就安排进出库，使得仓库内长期都处于一个比较乱的状态。2.企业的库存自动化设备落后。现今国内许多企业对于库存的管理方式还停留在传统库存管理这一阶段。因此汽车零配件企业内部多数都没有对它们的产品进行规范的分类，也没有使用托盘或者货架等工具放置产品。除此之外，产品的进出库还多数以用手推车、手拉叉车这些简单的搬运工具来进行搬运。而因为这些的现象使企业在物流这方面耗时比其他方面耗时更长，降低了企业物流的工作效率并增加了物流成本。3.企业信息流通不流畅[23]。在信息传递这方面，国内的企业都没有过多的重视，使得供应商与客户上的信息交流上存在偏差，而这也是企业的库存成本费用长期占据销售份额较大的原因之一。就比如，在客户在将需求信息传递上来时总是会比实际的需求量多出一部分来保证自身的生产不会受到影响。而供应商在接收到客户的需求信息之后，为了保证客户的服务满意度，会在客户的需求信息基础上在增加一定的生产量，这就使得货物都堆积在仓库内。而这也导致了企业一直处在一个高库存的状态下，并且增加了库存成本费用。为了解决供应商与客户之间信息流通不流畅的问题，就需要企业之间建立一个库存信息共享平台，加大库存情况的透明度，减少在需求信息上的偏差。这样才能使一直居高不下的库存成本降低，库存情况往好的方面进行变化。四、案例分析(一)佛山市光法雷奥照明系统有限公司的发展现状1.佛山市光法雷奥照明系统有限公司的基本情况佛山市光法雷奥汽车照明系统有限公司是一家日法合资企业,创立于2005年9月,注册资本为2200万美元，工厂位于佛山国家高新技术产业开发区城西园华宝南路,专门从事汽车照明产品的生产和销售。公司内部一共有13个部门，大约2000名员工，拥有先进的设备设施进行产品的生产。公司主要的客户有丰田、本田、日产、比亚迪、雪铁龙、沃尔沃、大众等汽车厂商，除此之外也与法雷奥其他地区的分公司也有合作。佛山市光法雷奥汽车照明有限公司，为适应中国日益扩大的汽车市场，坚持为客户提供低价格、高品质的产品的目标，并争取与地方企业共同发展。企业理念：1.提供客户喜爱的产品和技术服服务2.作为全球化的企业,为地区经济、中国经济的发展作贡献3.以相互信任为本，重视构建和谐关系4.以创造性、独立性、公正性及合理性为本，作为全球化企业，锐意发展5.面向未来的企业发展，团结一致，努力奋斗。2.佛山市光法雷奥汽车零部件的销售现状由于数据庞大和公司内部资料要保密的限制，本文只采用了佛山市光法雷奥照明系统有限公司的部分车灯产品的销售数据来进行需求分析。而被采用的车灯销售数据分别为东风日产和一汽大众两个客户。公司正式投入生产和销售在2010年，表4.1中罗列出2018年到2019年东风日产和一汽大众两个客户各一种类型的车灯产品，在本文当中为了更好的标识出产品名字我将分别取代号为A、B。如表4.1所示：表4.SEQ表4.\*ARABIC1公司部分车灯2018-2019销售数量序号时间（年）月份AB1201812928022162003360600444260055276006619680771452108881284900999241793101024004338111125563312121225921836132019163241872142162010441533336264616452924239175337243741864284329719750178682083288279221942125657221040084594231127963764241223882971资料来源：公司内部数据3.佛山市光法雷奥照明系统有限公司的库存管理现状佛山市光法雷奥照明系统有限公司在产品的库存方面有着严格的把控，将原材料、半成品和成品分到原料仓、质检仓以及成品仓。而在与客户签订了销售合同之后，技术部门会将产品物料清单发送给物流部，再由物流部建立采购的BOM清单。如果有些原材料需要紧急采购的，则会另外建立一份采购清单传递到采购部。而这样的补货方式虽然能够减少需求的不确定性，但是却加大了物资供应的难度[24]。所以当接到客户的订单时，采购部以这种方式去对原材料进行采购就会影响产品生产速度并且降低了物料的利用效率。除此之外，为了维持高水平的服务质量，公司只针对客户的订单单方面的需求而使得公司成品仓内的产品一直都处于高库存的状态下，造成了资源浪费、库存成本居高不下的现象。这些现象也影响了公司对于库存管理这方面的优化进度。目前公司面临的库存问题主要是库存呆滞物料较多、补货速度慢、库存周转速度慢、产品退换率高等问题。五、基于佛山市光法雷奥有限责任公司汽车零部件的需求量的需求预测(一)需求数据的分析及整合由图5.1所示，根据图中2018年至2019年间两个产品的需求数据，我们可以看出A产品在2018年期间的需求量下半年是逐步下降的。在2019年期间虽然A产品的需求数量有一些波动，但是从整一年来看的话，数据的波动并不太明显。但在19年的下半年我们还是看到A产品的需求数量还是有着缓慢下跌的趋势；而从B产品的需求量走势图中，我们可以看出B产品是在2018年下半年才开始进行销售的，所以从图中我们也能看到在2018年下半年需求数量在逐渐上升。而在2019年中B产品的需求数量有着明显的波动起伏。在2019年初，B产品的需求数量是在快速增长的。而到了5月-7月期间，需求量就开始逐月下降并且下降速度非常迅速，而在7月-10月，客户的需求数量又开始迅速提升，在10月之后，B产品的需求数量又开始迅速下降，呈一个下跌的趋势。图5.SEQ图5.\*ARABIC12018-2019A、B产品的销售量走势图(二)需求预测方法及计算确认需求预测模型在提及到需求预测的影响因素的时候，本文也有将其内外的影响因素以图表的方式展示出来。而在本文当中，我认为影响汽车零部件需求预测的主要因素是由多种成分（趋势性、季节性、周期性和随机性）结合得出的结果。因此本文在进行汽车零部件需求预测的计算方面采用了时间序列分析法的复合时间序列分析法来对车灯产品的未来需求进行预测。并且确认车灯产品的需求量已有时间序列的变化模式，并假定这种模式会延续到未来[19]。采用复合时间序列分析法进行预测计算确定并分离季节成分①计算移动平均值奇数期n=2k+1的中心化移动平均：CMAt(2k+1)=(xt-k+xt-k+1+…+xt+…+xt+k-1+xt+k)偶数期n=2k的中心化移动平均：CMAt2k=(xt-k+2xt-k+1+…+2xt+…+2xt+k-1+xt+k)本文将从2018年1月到2019年12月这2年内的月份进行时间代码编号，编号为1-24（如图4.1所示）。因在这次计算过程当中以半年为一个时间的区间，每个月份作为一个小区间，所以本文将采用6项移动平均算法。然后将结果进行“中心化”处理，就是在移动平均的结果上进行一次2项的移动平均，最后得出的就是“中心化移动平均值”（CMA）[19]。本文以n=12作为一个时间区间，将2018年1月到12月的中间项计算得出为6.5：同理，将2018年2月到2019月1月的中间项计算得出为7.5。将两个中间项结合就得出=7。因此，我们要从2018年7月份开始计算中心化移动平均值。以A产品为例：计算出A产品7月份的中心化移动平均值。因为我们设定为n=6，所以套用偶数期的中心化移动平均计算公式，并且提取出2018年1月至6月的销售总量和2018年2月至7月的销售总量，结合两个区间之和除去总共的周期数得出结果。计算过程如下：而A产品的5月份的中心化移动平均值大致的计算过程也是提取2018年2月至2018年7月的销售总量和2018年3月至8月的销售总量，结合两个区间的和除以12得出CMA数值为2992，后面的月份计算过程以此类推得出每个月份的CMA值。B产品的整体中心化平均值如下表所示：序列年月份A的销售量B的销售量A的中心化移动平均值B的中心化移动平均值120181292802216200336060044426003143.009.0055276002992.0093.0066196802536.00317.427714521081953.00828.338812849001781.001465.839992417931816.001894.831010240043382274.002194.831111255633122708.002353.831212259218362937.002436.921320191632418723379.002499.75142162010443688.002580.00153333626463897.002790.25164529242393929.082828.33175337243743959.172890.33186428432974171.173286.9219750178684137.173567.42208328827923982.173546.17219421256573776.173468.17221040084594231127963764241223882971表5.1SEQ表5.1\*ARABIC1A、B产品的中心化移动平均值列表计算移动平均比值（季节比率）将车灯产品每个月份的销售量除以对应的中心化移动平均值，得出季节比率（Y/CMA）。计算季节指数以及调整季节指数求出在步骤（2）中得出每个月份的季节比率总和的平均值，即为季节指数。而又因每个月份的季节指数的总平均值为1，若在上一步得出的季节指数的总平均值不为1的话，就需要把每个季节比率总和的平均值除以之前得出的季节指数总平均值，从而更新每个月份的季节指数。如表5.1.2A、B产品的季节指数列表所示：月份2018年2019年合计平均值季节指数11.87161.87161.87161.911120.43930.43930.43930.448530.85600.85600.85600.874141.35541.34692.70231.35111.379750.92250.85171.77420.88710.905860.77601.02701.80310.90150.920670.74351.21271.95610.97810.998780.72090.82571.54660.77330.789690.50881.11541.62420.81210.8293101.05541.05541.05541.0777110.94390.94390.94390.9638120.88250.88250.88250.9012总平均值0.9793新平均值1A产品的季节指数列表月份2018年2019年合计平均值季节指数10.74890.74890.74890.723020.40470.40470.40470.390630.94830.94830.94830.9155401.49881.49881.49881.4469501.51331.51331.51331.4610601.00311.00311.00310.968470.13040.24330.37370.18680.180480.61400.78731.40130.70070.676490.94631.63112.57741.28871.2441101.97651.97651.97651.9081111.40711.40711.40711.3584120.75340.75340.75340.7273总平均值1.0358新平均值1B产品的季节指数列表表5.1SEQ表5.1\*ARABIC2A、B产品的季节指数列表分离季节因素分离季节因素需要将各个月份的实际销售量除以各月的季节指数S，从而把季节因素从时间序列当中排除掉。它反映了没有季节因素影响的情况下时间序列的变化形态[19]。建立预测模型计算线性趋势方程根据步骤（4）列出的分离季节因素序列，使用SPSS对A、B产品确定线性趋势方程。以A产品为例，如图5.2所示：图5.SEQ图5.\*ARABIC2A产品的需求量的曲线拟合图对A、B产品的需求量曲线拟合中R2进行观察，以A产品为例，图5.5列出上图5.4中所含趋势方程的R2。若R2越接近于1，就证明该方程拟合程度越好。表5.2SEQ表5.2\*ARABIC1A产品需求量的拟合曲线的R2值模型汇总RR方调整R方估计值的标准误.282.079.0381308.447自变量为时间序号。线性模型汇总RR方调整R方估计值的标准误.209.044.0001333.665自变量为时间序号。对数模型汇总RR方调整R方估计值的标准误.307.094.0081328.465自变量为时间序号。二次模型汇总RR方调整R方估计值的标准误.559.313.2101185.617自变量为时间序号。三次模型汇总RR方调整R方估计值的标准误.315自变量为时间序号。复合模型汇总RR方调整R方估计值的标准误.315自变量为时间序号。指数从上表我们可以看出三次线性回归方程的拟合曲线的R2为0.313更接近于1，所以A产品需求量的回归方程原式为Y=At3+Bt2+Ct+β（β为常数项）。而B产品在使用SPSS进行曲线估计建立模型之后得出三次线性回归方程的拟合曲线的R2为0.886更接近于1，所以B产品需求量的回归方程原式为Y=At3+Bt2+Ct+α（α为常数项）。根据由SPSS对分离季节因素进行的曲线拟合分析所得的系数列表，从而来确定A、B产品需求量的线性趋势方程。如图5.2.2所示：表5.2SEQ表5.2\*ARABIC2A、B产品的线性趋势方程系数A产品的线性趋势方程系数未标准化系数标准化系数tSig.B标准误Beta时间序号-945.042387.367-5.010-2.440.024时间序号**292.43235.61912.6202.595.017时间序号**3-2.366.938-7.556-2.523.020（常数）5096.4331141.4474.465.000B产品的线性趋势方程系数未标准化系数标准化系数tSig.B标准误Beta时间序号-46.861185.328-.212-.253.803时间序号**234.15217.0413.9722.004.059时间序号**3-1.094.449-2.977-2.439.024（常数）-165.600546.103-.303.765由上图所示得出A、B产品的线性趋势方程：A产品：Y=-2.366t3+92.432t2-945.042t+5096.433B产品：Y=-1.094t3+34.152t2-46.861t-165.6根据计算得出的A、B产品的线性趋势方程，对每个月进行需求预测并计算其预测值（如表5.2.3所示）。因其计算得出预测值是分离了季节因素的，所以要将由步骤4得出的预测值与每个月相对应的季节指数相乘得出最终的预测值（如表5.2.3所示）。6）计算绝对预测误差和平均绝对误差①绝对预测误差=|实际月销售量-最终预测值|②平均绝对误差(MAD)=所有绝对预测误差之和/观测时间总长(24个月)总计算过程如表5.7所示：表5.2SEQ表5.2\*ARABIC3A、B产品的需求预测值计算过程A产品的预测值计算过程序列年月A的销售量A的中心化移动平均值A的季节比率季节指数S分离季节因素(Y/S)线性回归预测值最终预测值预测误差绝对预测误差12018129281.91111532.134241.468105.71-5177.715177.712216200.44853611.763557.151595.5124.4924.493360600.87416932.743029.312647.963412.043412.044442603143.001.35541.37973087.722643.753647.48612.52612.525527602992.000.92250.90583047.022386.272161.49598.51598.516619682536.000.77600.92062137.812242.682064.54-96.5496.547714521953.000.74350.99871453.872198.772195.94-743.94743.948812841781.000.72090.78961626.072240.351769.06-485.06485.06999241816.000.50880.82931114.252353.231951.43-1027.431027.43101024002274.001.05541.07772226.992523.212719.24-319.24319.24111125562708.000.94390.96382652.022736.102637.04-81.0481.04121225922937.000.88250.90122876.282977.692683.38-91.3891.38132019163243379.001.87161.91113309.153233.796180.00144.00144.0014216203688.000.43930.44853611.763490.211565.4854.5254.5215333363897.000.85600.87413816.443732.753262.8573.1573.1516452923929.081.34691.37973835.733947.225445.81-153.81153.8117533723959.170.85170.90583722.674119.413731.37-359.37359.3718642844171.171.02700.92064653.654235.133898.73385.27385.2719750174137.171.21270.99875023.464280.194274.69742.31742.3120832883982.170.82570.78964163.944240.393348.37-60.3760.3721942123776.171.11540.82935079.254101.543401.23810.77810.77221040081.07773719.073849.434148.48-140.48140.48231127960.96382901.033469.873344.25-548.25548.25241223880.90122649.912948.672657.24-269.24269.24绝对预测误差之和16411.44平均绝对误差683.8100907B产品的预测值计算过程序列年月B的销售量B的中心化移动平均值B的季节比率季节指数S分离季节因素（Y/S）线性回归预测值最终预测值预测误差绝对预测误差12018100.72300-179.402-129.70129.7007739129.702200.39060-131.464-51.3651.3562914251.363300.91550-28.35-25.9525.9540899825.954409.0001.44690123.376178.51-178.5130795178.5155093.0001.46100317.15463.34-463.3424422463.34660317.4200.96840546.408529.12-529.1184216529.1277108828.330.13040.1804598.73804.586145.13-37.1332242737830.61400.67641330.551085.12733.99166.0110247166.019917931894.830.94631.24411441.211381.4461718.6574.3471695874.35101043382194.831.97651.90812273.5016873218.921119.0831211119.08111133122353.831.40711.35842438.201995.2182710.26601.7359268601.74121218362436.920.75340.72732524.272299.5361672.54163.4556706163.46132019118722499.750.74890.72302589.352593.391874.92-2.9216279862.9214210442580.000.40470.39062672.482870.2161121.25-77.247256577.2515326462790.250.94830.91552890.263123.452859.48-213.481564213.4816442392828.331.49881.44692929.713346.5284842.10-603.1007226603.1017543742890.331.51331.46102993.933532.8865161.39-787.3937481787.3918632973286.921.00310.96843404.733675.963559.64-262.6443558262.641978683567.420.24330.18044812.003769.186679.90188.1048526188.1020827923546.170.78730.67644127.6638062574.43217.5731715217.5721956573468.171.63111.24414547.073779.8384702.49954.5148669954.51221045941.90812407.673684.1367029.60-2435.5954682435.60231137641.35842770.953512.334771.08-1007.0785551007.08241229710.72734084.753257.8562369.57601.4312788601.43绝对预测误差之和10890.84平均绝对误差453.78从表5.2.3中得出A、B产品的平均绝对误差分别为683.81、453.78，总体来看观测值与预测值的误差相对于观测值占比不大，且根据证明预测精度较高。(三)检验需求预测结果（1）将实际销售量与最终预测值进行对比，如图5.3所示：A的销售值与最终预测值对比图B的销售值与最终预测值对比图图5.SEQ图5.\*ARABIC3A、B销售值与最终预测值对比图从上图我们可以看出，A、B产品的销售量与最终预测值在其中几段区间内都高度的重合。为了验证需求模型在未来是否仍然有效，我们还需要对该模型进行检验。验证A、B产品需求模型绩效要验证A、B产品的需求模型，可以使用应用跟踪信号(TS)来对其进行预测。而应用跟踪信号即为预测误差滚动与平均绝对偏差的比值，公式为：一般计算得出TS越接近于0就证明该模型就越稳定，而TS的范围界限一般是在-4到4之间，超过这个范围区间则为出界。现在我们以2019年例来对需求模型进行检验分析。如下表5.3.1所示；表5.3SEQ表5.3\*ARABIC1A、B产品的TS计算过程A产品的TS计算过程月份t实际值At最终预测值FtAt-FT|At-FT|TS163246180.001441441441441441.0216201565.4854.52198.5254.52198.5299.262.0333363262.8573.15271.6773.15271.6790.556666673.0452925445.81-153.81117.86153.81425.48106.371.1533723731.37-359.37-241.51359.37784.85156.97-1.5642843898.73385.27143.76385.271170.12195.020.7750174274.69742.31886.07742.311912.43273.20428573.2832883348.37-60.37825.760.371972.8246.63.3942123401.23810.771636.47810.772783.57309.28555565.31040084148.48-140.481495.99140.482924.05292.4055.11127963344.25-548.25947.74548.253472.3315.66363643.01223882657.24-269.24678.5269.243741.54311.7952.2B产品的TS计算过程月份t实际值At最终预测值FtAt-FT|At-FT|TS118721874.92-2.92-2.922.922.922.92-1.0210441121.25-77.25-80.1777.2580.1740.085-2.0326462859.48-213.48-293.65213.48293.6597.88333333-3.0442394842.10-603.1-896.75603.1896.75224.1875-4.0543745161.39-787.39-1684.14787.391684.14336.828-5.0632973559.64-262.64-1946.78262.641946.78324.4633333-6.07868679.90188.1-1758.68188.12134.88304.9828571-5.8827922574.43217.57-1541.11217.572352.45294.05625-5.2956574702.49954.51-586.6954.513306.96367.44-1.61045947029.60-2435.6-3022.22435.65742.56574.256-5.31137644771.08-1007.08-4029.281007.086749.64613.6036364-6.61229712369.57601.43-3427.85601.437351.07612.5891667-5.6用上图的得出的TS结果作图5.4得出界出界A的TS结果走势图出界出界B的TS结果走势图图5.SEQ图5.\*ARABIC4A、B的TS结果走势图从图5.4中我们可以看出A的TS值在10、11月份是超出4的范围，说明在10月份之后A产品的需求预测结果就开始与实际值有偏差，在未来可能会对需求预测造成一定的影响。而B的TS值在5-8月、10-12月都是超出-4的范围，也说明了预测值可能与实际值之间有很大的偏差。当然，如果从未来长远的来说，运用时间序列来对产品进行需求预测分析也能够对客户的需求量预测提供一定的帮助，使得公司自身能够减少库存积压的同时也能够增加库存的周转速度，最终达到减少库存成本的效果。六、基于VMI模式的库存优化(一)汽车零部件进出库方式企业在车灯产品的进出库方面根据VMI模式的实施也要做出相应的改变。下面就提出四点改进的措施：对于完成生产的成品进行型号上的分类，并且将分类好的成品摆放到塑胶箱里并且贴好标识和条形码。安排仓库的工作人员使用条形码扫描枪对每一箱的成品进行扫描，通过该操作从而将成品的详细数据上传到EDI系统上。再由EDI后台的工作人员将数据上传至与客户、供应商共享的库存信息平台上。在产品出库方面，企业也要安排工作人员对打包好的产品进行扫描使得上传的数据作为一个出库记录，这样就可以在产品出库的时候客户就能够在信息平台上清楚了解到公司这边的出货数量、时间等详细信息。对于客户的紧急订单，公司可以根据客户当前的需求和自身的产量来判断是否可以满足客户需求。若可以满足需求，对于紧急订单的产品在经过检验过程后可以不进入仓库直接发货到客户的配送中心。在到达配送中心之后，再由我司的驻厂对产品的盘点等操作然后才安排这批产品运输进客户的仓库当中。(二)汽车零部件库存管理策略1.基于VMI模式的ABC分类法对于进入仓库的产品我们将采取ABC分类法将产品进行更加有效的库存管理。ABC分类法的核心思想是根据库存物料数量占总量的比例和库存的金额占总库存成本的比例来将库存进行归类管理[25]，其中分为最为重要的A类、一般重要的B类、不重要的C类。而具体的分类方法就如下表6.1.1所示：表6.1SEQ表6.1\*ARABIC1ABC分类法详细过程库存分类项目数量比价值比A类5%-15%60%-80%B类15%-25%15%-25%C类60%-80%5%-15%因法雷奥佛山分公司仓库内的库存产品种类数目繁多，且本文只采用了A、B两种产品进行需求预测，所以我们只针对这两种产品和一类半成品来进行ABC分类法。下面我们将以2019年A、B产品的库存数量和年销售总金额为例，如表6.1.2为对A、B产品的ABC分类过程：表6.1SEQ表6.1\*ARABIC2A、B产品及半成品的ABC分类过程产品型号数量数量比单价总价值价值比分类A4542024.72%15006813000029.23%BB3829720.84%300011489100049.30%A半成品100000（大概数量）54.43%5005000000021.46%C从上表我们可以看出A产品无论是在数量占比和价值占比上都停留在中段阶层，所以我们将其就归为B类产品；而B产品虽然在数量占比和价值占比上不在A类的范围区间内，但是由于我们只采用了三种产品来进行分类，且从上表中三个产品当中只有B产品是最接近A类的范围区间的。因此我们将B产品列为A类产品；而半成品数量太多，且价值不大，所以我们就将其归为C类。将A、B和半成品分类好之后，我们将对其进行库存管理方面的改进。下面间叙述对于者三种产品的库存控制方式。对于B产品的库存管控。我们将设立安全库存线。一但存放在客户的B产品低于安全库存量或者企业仓库内的B产品不能够达到由需求预测得出的预测数量，企业就需要及时的进行生产。不单如此，企业也可以将已经生产好的成品先运输到客户的配送中心，这样就可以减少企业库存压力的同时还能够保证客户的产线不会因此而受到影响。除此之外，企业对于B产品的库存数量要进行严格的管控，每一次的生产都需要根据需求预测的预测数量来进行生产，尽量减少产品库存的积压，达到提高库存周转速率、避免库存资金积压的目的。对于A产品的库存管控。我们也是需要设立安全库存线，而对于A产品的库存管控方式强度不需要与B产品的相同。同样的企业也是需要根据对A产品的需求预测数量来进行生产。在达到了客户的需求条件后，企业可以减少A产品的生产次数和产量，从而来减少库存成本。企业也可以结合自身库存的情况，如若仓库整体库存量相对较高时，可以与客户协商将成品提前运送至客户的仓库，这样也可以减轻企业自身的库存压力同时在客户需要A产品来进行生产的时候也能够及时从自己的仓库提取出来立马投入到生产当中。对于半成品的库存管控。因为半成品属于C类，所以企业也不需要对其进行太过严格的管控。且半成品多数都是公司用来加工成成品的原型和法雷奥各个公司之间流通的货物，所以这些半成品的库存消耗和流动都会比起A、B产品都快。因此在对半成品时，企业只需了解到半成品的库存数量即可。若在有订单或者生产需要的时候，在短时间内补充到仓库就可以了。2.建立企业与客户之间的库存信息平台由于供应链的复杂性，供需之间所传达的需求信息的准确性和及时性就变得由为重要[21]。而且因为供应链的多层次性[21]可能会使得需求信息扭曲，接而影响了需求信息的准确性，最终就会因储备库存过多或生产能力闲置导致客户服务满意度下降。而企业为了更加了解客户的需求情况、提升客户的满意度，就需要使用信息传递更快更准确的信息网络平台取缔用人工记录或者一般信息系统操作的方式。所以，在客户和企业之间就需要搭建一个能够了解采购、生产、库存等信息的信息共享平台。这样企业就能够从平台上精确的了解到客户每天整车的生产量和企业产品的消耗量及库存量，再根据这些得到的数据去制定相对应采购原材料、生产、库存等计划。而这样的举措不仅能够减少企业资金浪费的现象，还能够更快的对客户的需求情况做出反应使得客户满意度提升，实现了双方双赢的局面。3.基于VMI模式的需求预测协调在传统物流模式中，大多数的企业都是根据客户给出订单的需求来进行生产，一般情况下为了防止满足不了客户的需求这种情况的出现，企业还会在客户的订单要求的数量基础上再多生产一点产品出来。而随着时间的拉长，剩余多出来的产品就会积压在仓库内，使得企业的库存成本增加，不仅如此还会使得企业无法很好的管理和协调其他产品的库存情况。因此，在佛山市光法雷奥公司内，我们也采用了基于VMI模式的需求预测来从客户的订单到我司产品发货这里面每个细节都提供一个参考和协调。而需求预测的原理和操作就如第五章所示，通过参考公司产品的销售量来预测客户未来一到三个月的需求量，再根据得出的需求预测值制定未来三个月以内的生产计划。而法雷奥佛山分公司在需求预测这方面除了依据以往的产品的销售数据外，还可以结合客户与公司之间建立的库存信息共享平台里客户上传到平台上的真实库存数据来进一步了解客户的需求数量。除此之外，为了减少产品和原材料库存的积压，企业可以制定客户每周的需求预测计划，并且在每天都根据库存信息平台上更新的数据提前对明天的产品的生产数量进行一定的调整，从而来减少产品库存的积压达到库存成本减少的效果。4.建立基于VMI模式的评估和反馈体系为了更好的让VMI模式能够更加长久的在企业内部运行下去，就需要企业建立一套基于VMI模式的评估和反馈体系。因为每一天客户的需求量都会受到许多因素的影响而导致了与企业进行需求预测的预测结果可能会有所误差。因此企业内部为了调整实际出货量与预测结果的误差，就需要建立一个VMI模式的持续改善小组。一但有这种情况的出现的时候，企业就能够通过小组去制定相关的补救措施从而来调整当日一系列的生产计划和出货计划，以避免库存积压，库存周转速度减慢的情况。5.在第三方物流帮助下实施VMI模式[9]该方法的运行模式是企业选择一家第三方物流公司，让其在整车厂附近或者在整车厂与供应商运输的中间节点上建立一个汽车零部件的中转库对企业运输进来的零部件进行管控和转运等操作。而具体的方案是为结合当天客户发出的需求订单和企业从库存信息共享平台上收到客户这几天企业存放在客户仓库的产品库存来制定生产计划，在生产完毕后，对第三方物流企业发布接收指令，将包装好的产品统一发放到中转库内，并且由第三方物流企业对这些汽车零部件的存放和发放进行统一管控。而法雷奥佛山分公司只需要在客户需要原材料的时候，通知管控中转库的第三方物流公司发放客户所需要的零部件到整车厂的生产车间上，除此之外，企业还能实时的了解到中转库的产品库存情况，这样就能够及时的了解到中转库库存不够的情况而向库内进行补货的操作，避免了由于中转库库存不足供应不上客户生产而导致了客户停产这种情况的出现。这种运行模式不仅可以快速响应客户的需求，同时还能减少供应商自身产品库存堆积的压力。而从整个供应链的角度来看，其实就是在采购、运输、生产、库存等方面减少不必要的支出，真正从源头上减少了供应商的物流成本。七、汽车零部件库存优化的建议与对策（1）企业成本共担实现资源共享避免资源浪费[2]。首先，把供应链各个节点上的企业资源进行整合统一，对于供应链上的企业的采购、生产、运输等过程也都进行统一管理。除此之外，记录各个企业闲置的资源，当其中一家企业对这些资源紧缺的时候可以以转借的形式迅速的发配到该企业手上，这样就能够避免了资源浪费的情况同时也提高了整个供应链的运作效率。再者就是对人力资源的应用，为了避免人力资源的闲置和浪费，供应链上的企业与企业之间可以互相调配相关的技术人员到所对应的场地和项目进行管理。资源共享，成本共担，才是整个供应链的最终目标[2]。（2）应用先进的信息管理系统。在如今，以人手记录或者落后的信息系统已经无法满足一个企业日常的正常运作。因此，企业就需要引入一个先进的信息管理系统这样就能够保证生产、库存等信息的实时性和准确性。而企业也能够根据最新更新的数据进行库存的盘点和整理，从而达到库存管理优化的效果。（3）关注客户满意度，设置一个标准水平[2]。在供应链节点上的每个企业都想做到利润最大化，但是每个企业若都以利润为前提而不顾企业相互间的合作和规则，这样的企业只能够在短时间内得到可观的利润，却永远的失去了与其他企业一起长久共存的机会。所以上游企业对下游企业的服务态度尤为重要，即上游企业一切都要以客户的满意度为前提，这事关下游企业还会与上游这家企业是否继续合作。而企业为了能够实时了解客户的满意度，就需要设置一个根据自身企业的实力和能力的标准水平。通过综合评价法、问卷调查法等[2]调研方法向客户定期的进行服务满意程度的调研，从而在每一段时期观察数据是否都在标准水平上，同时也在每一期的问卷调查当中找出企业自身服务的不足从而来促进企业之间的合作密度。（4）对员工要进行定期或不定期的培训。为了更好的进行库存管理方面的优化，在企业内部开展定期或者不定期的培训会议，使得企业内部的员工能够提升自身之余还能够掌握最新的库存管理方式，最终达到企业的库存管理体系不断完善的目的。八、结论(一)对汽车零部件行业未来的展望随着我国经济高速发展，各行各业都因得到国家政策的扶持而也处于一个高速发展的状态。而这对于汽车零部件制造商来说，在这个竞争激烈的市场上是危机也是机遇。危机就是对于现在国内大部分的汽车零配件中小企业来说，因为整个市场都处于一个变幻莫测的状态，企业不清楚该如何去改变自身的管理策略才能适应这个市场；而机遇也同样是面向这些中小型企业，在这些企业当中因为及时的抓住了汽车供应商的需求，能够顺应着市场上的变化，从而摇升成为一家新的大型企业。虽然市场的生存法则是残酷的，但是这样却能给整个汽车零部件行业摒弃糟粕，注入新的血液，让国内的汽车零部件行业往一个好的方向发展下去。(二)文章研究局限1.文章内容研究的局限本文的论点是基于VMI模式下的库存管理优化，对于论文的内容只是根据佛山市光法雷奥照明系统有限公司的出货计划和库存记录来进行需求预测，再根据预测结果来对该公司进行库存管理的优化。而得出的研究方案并没有考虑到采购、生产、运输等其他方面，使得文章内容在这方面有所欠缺。2.文章数据采集的局限本文只采用了佛山市光法雷奥照明系统有限公司的两种产品和一种半成品的销售数据和库存数据。而现实当中该公司管理的产品及原材料有上千甚至上万种类，数目也是非常的庞大，并且在本文中所采用的数据是为2018年-2019年的历史数据，对于公司整体的库存管理存在一定局限性。3.文章定量模型的局限本文只应用了时间序列分析法这一定量模型，而在现今已经有不少的定量模型来进行证明，且因为本文只应用了这一种模型并没有用其他定量模型与其进行对比，所以也无法证明该定量模型最适用于本文的研究，使得对于读者的说服力减少，存在一定的局限性。参考文献[1]SungChulKim,KwangSupShin.NegotiationModelforOptimalReplenishmentPlanningConsideringDefectsundertheVMIandJITEnvironment[J].TheAsianJournalofShippingandLogistics,2019,35(3).[2]杜应凤.基于供应链的汽车企业零部件库存优化问题研究[D].长春工业大学,2016.[3]郑捷扬.汽车制造业供应链多级库存优化研究[J].中国市场,2014(02):105-106+114.[4]刘丽文,袁佳瑞.VMI环境下的库存与发货模型研究[J].中国管理科学,2003(05):32-37.[5]高燕,乐美龙.层次分析法在VMI供应商选择中的应用[J].物流技术,2004(12):26-30.[6]戢守峰.多层次CPFR库存控制与优化研究课题及方法论[J].物流技术,2005(10):270-272.[7]李建军.供应商管理库存(VMI)的实施研究[J].商业研究,2007(03):56-58.[8]史晓东,关志民.供应商管理库存新模式(VMI)及其在我国的应用[J].冶金经济与管理,2004(05):34-35+38.[9]李琳琳.基于VMI的汽车物流管理研究[D].东北大学,2008.[10]张楠.基于系统动力学的供应链VMI库存仿真研究[D].北京邮电大学,2012.[11]邱志鹏.汽车零配件企业VMI模式的问题与优化研究[J].价值工程,2019,38(25):114-116.[12]郑捷扬.汽车制造业供应链多级库存优化研究[J].中国市场,2014(02):105-106+114.[13]潘武隆,冯淑霞,张亚姣.制造商实施VMI模式的制约因素及对策[J].经济师,2019(09):48-49.[14]吴心怡,于渝飞.基于VMI的长江汇库存管理优化研究[J].现代商贸工业,2019,40(21):55-56.[15]赵岩.海纳川李尔公司汽车零部件的VMI应用研究[D].北京交通大学,2019.[16]赵静.浅析我国汽车零配件行业的现状[J].科技创业家,2012(17):228.[17]供应链金融：第1章新经济环境下的供应链金融及其特征[18]刘果.供应链环境下的VMI协调管理研究[D].西安电子科技大学,2011.[19]原小琴.复合型时间序列的预测分析——汽车销售量的回归分析[J].山西师大学报(社会科学版),2012,39(S1):35-36.[20]周阳.VMI模式下库存与运输集成化模型及算法研究[D].中南大学,2012.[21]李琳琳.基于VMI的汽车物流管理研究[D].东北大学,2008.[22]刘元元.基于VMI模式的产成品库存管理研究[D].华东理工大学,2014.[23]孙建中.汽车零部件制造企业库存管理系统数据存储模型的思考[J].科技与创新,2017(18):80+83.[24]同龙.G公司库存管理优化[D].内蒙古大学,2019.[25]胡从旭.ABC分类法在库存管理中的实施及改进[J].物流工程与管理,2010,32(09):62-64.[26]韩文平.供应链环境下的汽车零部件库存管理研究[J].现代经济信息,2012(10):254.谢辞时光飞逝，转眼间大学四年生活也快到了终点了。从刚开始对大学生活充满憧憬的我到现今即将要毕业踏入社会的我，在这所大学里度过了充实且愉快的时光。在这四年里，我不单学习到专业的知识，还能交到一群能够交心的朋友知己和三个仗义的舍友。感谢学校让我们能够在这里相遇相知。除此之外，我想感谢负责我的论文指导的唐茜老师。本论文的完成除了自己的资料收集和专业知识之外，还得益于唐茜老师的悉心指导。从选题的确定、论文框架的确定、开题报告准备及论文初稿与定稿中对字句的斟酌倾注的大量心血，在此再次对唐茜老师表示感谢。其次，我还要感谢大学四年学习期间给我传授诸多专业知识的老师，感谢李立周老师、钟扬老师、许力老师、姜美莲老师以及钟义贵老师，你们给予我的指导和教诲我将铭记于心。最后，再次让我在这里向各位曾认真负责教导过我的老师表达谢意；感谢我的舍友、挚友，一直支持我、关心着我；感谢父母在我上大学期间都承担着高昂的学费和回家之后无微不至的关心，并对在百忙之中抽出时间对这篇论文进行指导的各位老师表示由衷地感谢！谢谢你们！杨浩林2020年5月16日图目录TOC\h\c"图"22947图1.1文章框架体系图 3TOC\h\c"图3."4298图3.12010-2019.11全国汽车销量图 119288图3.2汽车零部件的销售量影响因素 12TOC\h\c"图5."18711图5.12018-2019A、B产品的销售量走势图 1623513图5.2A产品的需求量的曲线拟合图 2028569图5.3A、B销售值与最终预测值对比图 251543图5.4A、B的TS结果走势图 27表目录TOC\h\c"表2."20358表2.1VMI模式内容框架 71378表2.2实施VMI库存管理的效果[9 9TOC\h\c"表3."10509表3.12010年-2019年11月的汽车总销量 10TOC\h\c"表4."20569表4.1公司部分车灯2018-2019销售数量 14TOC\h\c"表5.1"19825表5.1.1A、B产品的中心化移动平均值列表 1830515表5.1.2A、B产品的季节指数列表 19TOC\h\c"表5.2"11077表5.2.1A产品需求量的拟合曲线的R2值 203998表5.2.2A、B产品的线性趋势方程系数 2212401表5.2.3A、B产品的需求预测值计算过程 23TOC\h\c"表5.3"3669表5.3.1A、B产品的TS计算过程 26TOC\h\c"表6.1"18605表6.1.1ABC分类法详细过程 2821737表6.1.2A、B产品及半成品的ABC分类过程 29

电脑不启动故障诊治了解电脑启动的过程在诸多电脑故障中，无法正常启动是最令用户头痛的事了。笔者长期从事维护电脑的工作，在这个方面积累了一些经验，现在就将这些经验整理归纳出来与朋友们分享。本文将以家用电脑和windows98操作系统为基础，介绍电脑无法正常启动故障的诊治。要想准确地诊断电脑不启动故障，首先要了解的起动过程，当我们按下电源开关时，电源就开始向主板和其它设备供电，此时电压还没有完全稳定，主板控制芯片组会根据CMOS中的CPU主频设置向CPU发出一个Reset(重置)信号，让CPU初始化，电压完全稳定后，芯片组会撤去Reset信号，CPU马上从地址FFFF0H处执行一条跳转指令，跳到系统BIOS中真正的启动代码处。系统BIOS首先要做的事情就是进行POST(PowerOnSelfTest，加电自检)。POST的主要任务是检测系统中的一些关键设备(电源、CPU芯片、BIOS芯片、定时器芯片、数据收发逻辑电路、DMA控制器、中断控制器以及基本的64K内存和内存刷新电路等)是否存在和能否正常工作，如内存和显卡等。自检通过后，系统BIOS将查找显示卡的BIOS，由显卡BIOS来完成显示卡的初始化，显示器开始有显示，自此，系统就具备了最基本的运行条件，可以对主板上的其它部分进行诊断和测试，再发现故障时，屏幕上会有提示，但一般不死机，接着系统BIOS将检测CPU的类型和工作频率，然后开始测试主机所有的内存容量，内存测试通过之后，系统BIOS将开始检测系统中安装的一些标准硬件设备，这些设备包括：硬盘、CD－ROM、软驱、串行接口和并行接口等连接的设备，大多数新版本的系统BIOS在这一过程中还要自动检测和设置内存的相关参数、硬盘参数和访问模式等。标准设备检测完毕后，系统BIOS内部的支持即插即用的代码将开始检测和配置系统中已安装的即插即用设备。每找到一个设备之后，系统BIOS都会在屏幕上显示出设备的名称和型号等信息，同时为该设备分配中断、DMA通道和I/O端口等资源。最后系统BIOS将更新ESCD(ExtendedSystemConfigurationData，扩展系统配置数据)。ESCD数据更新完毕后，系统BIOS的启动代码将进行它的最后一项工作，即根据用户指定的启动顺序从软盘、硬盘或光驱启动。以从C盘启动为例，系统BIOS将读取并执行硬盘上的主引导记录，主引导记录接着从分区表中找到第一个活动分区，然后读取并执行这个活动分区的分区引导记录，而分区引导记录将负责读取并执行IO.SYS，这是Windows最基本的系统文件。IO.SYS首先要初始化一些重要的系统数据，然后就显示出我们熟悉的蓝天白云，在这幅画面之下，Windows将继续进行DOS部分和GUI(图形用户界面)部分的引导和初始化工作，一切顺利结束，电脑正常启动。根据故障现象诊治了解电脑启动的过程，故障就好判断了，下面我们就根据故障现象开始诊治了：现象一：系统完全不能启动，见不到电源指示灯亮，也听不到冷却风扇的声音。这时，基本可以认定是电源部分故障，检查：电源线和插座是否有电、主板电源插头是否连好，UPS是否正常供电，再确认电源是否有故障，最简单的就是替换法，但一般用户家中不可能备有电源等备件，这时可以尝试使用下面的方法（注意：要慎重）：先把硬盘，CPU风扇，或者CDROM连好，然后把ATX主板电源插头用一根导线连接两个插脚（把插头的一侧突起对着自己，上层插脚从左数第4个和下层插脚从右数第3个，方向一定要正确），然后把ATX电源的开关打开，如果电源风扇转动，说明电源正常，否则电源损坏。如果电源没问题直接短接主板上电源开关的跳线，如果正常，