基于神經網絡模型的醫療器械庫存管理優化

摘 要：隨著醫療器械行業的發展，供應鏈庫存管理日益成為企業關注的焦點。對庫存進行有效管理可以降低庫存成本、提高供應鏈效率，從而提高企業競爭力。然而，醫療器械供應鏈具有復雜性、不確定性和動態性等特點，給庫存管理帶來較大挑戰。為了解決該問題，本文提出了一種基于ARIMA-BP神經網絡組合預測模型的醫療器械供應鏈庫存管理優化方法。首先，利用ARIMA模型對醫療器械供應鏈庫存數據進行時間序列分析，提取數據特征，其次，采用BP神經網絡對提取的特征進行學習和預測，建立庫存預測模型，最后，結合實際案例，驗證了所提出方法的有效性和可行性。試驗結果表明，該方法能夠較好地預測醫療器械供應鏈庫存變化趨勢，為企業制定合理的庫存管理策略提供有力支持，有助于提高醫療器械供應鏈的整體運營效率。

關鍵詞：SARIMA模型；BP神經網絡；供應鏈庫存管理

中圖分類號：F 25" " " " " " " " " 文獻標志碼：A

隨著鼓勵醫療創新的政策陸續出臺，對醫療器械產品的需求也在不斷增加。由于醫療器械的特殊性，庫存管理面臨許多挑戰。因此，優化醫療器械供應鏈庫存管理具有重要的實際意義。

解琨等[1]通過聯合庫存管理來應對供應鏈中隨時出現的多變化需求，以獲得更準確的預測率。戚曉曜[2]探討了及時生產制（JIT）的應用，并通過看板管理等手段實現該目標。王槐林等[3]通過分析VMI和RMI在概念原理上的差異，總結了VMI在實踐中給供應商、零售商以及供應鏈整體帶來的收益和競爭優勢。朱敏捷等[4]通過量化分析得到了供應鏈成本最低的庫存管理模型。

本研究旨在通過優化企業的庫存管理，提高庫存管理的效率和準確性，為企業發展和行業進步做出積極貢獻。

1 模型建立

1.1 建立模型的需求

在供應鏈中對醫療器械的存儲、調配、監控和控制等活動進行有效集成，基于生產需求，在管理的過程中對采購進行預測具有不確定性，因此本文建立了基于SARIMA-BP神經網路的組合預測醫療器械供應鏈庫存管理優化模型。在結合時間序列和BP神經網絡的前提下，形成組合模型，再利用組合模型進行預測。

1.2 需求預測

醫療器械供應鏈庫存管理的時間序列具有明顯的季節性趨勢，并且隨著長期趨勢、波動性趨勢以及不規則變動，判斷產品銷售數據具有線性與非線性雙重特征，因此本文分別從線性與非線性2個方面考慮，并構建模型。關于線性模型選擇，由于醫療器械產品銷售數據具備較強的季節性趨勢，因此，選擇時就不能單純考慮線性趨勢，須通過對比，選擇SARIMA模型并搭建模型。與ARIMA模型相比，SARIMA模型除了擁有更好的線性關系捕捉能力外，還考慮了數據的季節性趨勢，因此更適合預測A產品的銷售數據。但SARIMA模型也有缺點，其無法提取時間序列中的非線性關系，需要引進非線性模型，提高預測的準確度。而本文所預測的A產品銷售數據，正是具有線性與非線性雙重特征，因此在模型搭建中，需要選擇非線性模型與線性模型—SARIMA一起搭建。本文選擇BP神經網絡作為非線性預測模型，BP神經網絡作為現在非常流行的一種模型，廣泛用于眾多領域。其具有不須提供輸出集與輸入集間的映射關系即可運行的特點，且可以通過不斷使用數據來訓練與學習，使誤差反向傳播，以此不斷修整，來提高預測精度的能力。因此，對線性模型SARIMA無法擬合的非線性關系，使用BP神經網絡可達到對其進行捕捉和預測的目的。銷售數據預測模型建模思路如圖1所示。

1.3 模型建立

在銷售數據的研究中，組合模型優于單一模型已經成為越來越多學者的共識。銷售數據受到多因素影響，不僅有季節性因素、長期性因素，還受到很多復雜因素的影響。SARMIA模型可以很好地擬合季節性因素與長期性因素的影響，而對不規則序列來說，BP神經網絡具有強大的擬合能力。因此在處理復雜的銷售數據中，將兩種模型組合起來的能力優于單一模型預測，可以極大程度地擬合線性與非線性關系。組合過程如圖2所示，分別使用線性模型與非線性模型進行建模和預測，并對2種預測模型進行權重分配，按照權重對預測結果求和。目前主要的權重分配方式分為最優組合預測方法和非最優組合預測方法。

最優組合預測方法的基本思想就是根據某種準則構造目標函數，在一定的約束條件下求得目標函數的最大值或最小值，從而計算組合預測方法加權系數。最優組合預測方法通常可以表示為數學規劃問題，如公式（1）所示。

（1）

式中：Q（w1，w2，w3，...，wm）為目標函數；w1，w2，w3，...，wm為各單項預測方法加權系數。選擇最小RMSE為目標，設置模型組合權重，計算過程如公式（2）所示。

min RMSE=，i=1，2，3，…，9

ci=w1ai+w2bi，i=1，2，3，…，9

w1+w2=1 " " （2）

式中：ci為組合模型的預測結果；ai為SARIMA模型的預測結果；bi為BP神經網絡預測模型的預測結果；w1為SARIMA模型的權重百分比；w2為BP神經網絡預測模型的權重百分比。

2 試驗案例

2.1 數據采集

公司發展歷程及現狀是研究中的重要環節，以某醫療器械公司為例，對其發展歷程及現狀進行分析，可以更全面地了解該公司在醫療器械供應鏈庫存管理方面的情況，對其庫存管理問題進行深入分析，提出相應的優化方案，以期提高庫存管理的效率和準確性。

某醫療器械公司是一家專業從事醫療器械研發、生產和銷售的企業。經過多年發展，公司不斷壯大，并在行業中樹立了良好的口碑。目前，公司已經形成了一套完整的供應鏈體系，包括供應商、生產部門、倉儲物流和分銷渠道等。本文選取了某醫療器械公司在2021年4月—2023年9月的NO治療儀系列的銷售數據，分別計算各產品訂單量及金額分別占總訂單量及總金額的比例，按照50%的權重統計綜合占比，以及統計期間內的銷售額月份，選取5種產品占比排序，見表1。

由于A產品的訂單量及總金額占比均高于其他產品，以及存在銷售的月份較多，因此本文對A產品的銷售數據進行建模預測。

2.2 模型預測

如圖3所示，對2021年4月—2023年9月A產品銷售數據進行一元線性回歸擬合，可以看出絕大多數的數據落到直線兩邊，一元線性擬合只能擬合數據的長期性趨勢，難以體現時間序列中的季節性趨勢和波動性，可以判斷A產品銷售數據具有線性與非線性雙重特征，選擇單個模型對其擬合具有較大局限性。本文研究A產品銷售數據短期預測，對模型預測精度提出較高要求，因此，本文選擇非同源模型組合預測，分別從線性與非線性兩個角度對A產品進行建模。建立預測模型前，需要對數據進行處理，根據收集的數據，將訓練數據與測試數據比例7∶3作為劃分比例，將2021年4月—2022年12月的數據劃為訓練集，將2023年1月—2023年9月的數據劃為測試集。基于測試集，對其進行組合預測和對比。

2.3 模型求解

2.3.1 SARIMA模型預測結果

文中搭建的線性模型SARMIA（1，2，0）（0，1，0，3），圖4為2023年1月—2023年9月的預測值和實際值的擬合效果。這9個月的預測誤差平均為5%，總體預測效果較好，但隨著時間的增加，模型的預測效果在逐漸降低，預測誤差越來越大，因此還需要進一步改進。

2.3.2 BP神經網絡模型預測結果

圖5為BP神經網絡預測模型測試集擬合效果，可以看出，神經網絡在測試集中的擬合效果較差，需要在組合模型過程中進一步優化。雖然基本滿足預測需求，但是有多組數據預測誤差過大，因此需要借助組合模型進一步提高模型精度。

2.3.3 組合預測模型預測結果

兩個模型均取得了較為良好的預測效果，組合模型將結合兩者優點，提高模型擬合度的同時可以更準確地反映數據的波動性。圖6是組合模型測試集9個月的預測結果和實際值組成的折線圖。可以看出，組合模型很好地擬合了數據的波動性，并且將誤差控制得非常好，在實際應用中可以很好地提高預測的穩定性，組合預測模型的實用性優于單個模型。

2.3.4 模型對比

通過表2可以看出，對SARIMA模型與BP神經網絡進行加權組合處理后，各評價指標均向好的方向前進，模型整體擬合度提高，達到了更好的預測效果。

3 結論

本文研究了醫療器械供應鏈庫存管理的優化方法，以某企業為例，提出一種基于SARIMA-BP神經網絡的組合預測模型，并根據3種模型對比分析結果發現了基于SARIMA-BP神經網絡的組合預測模型的預測穩定性良好，提高了醫療器械供應鏈庫存管理的整體水平。后續可進一步對不確定性因素進行研究，不斷優化模型的完整性，建立操作容易、原理簡單的模型，更好地提高供應鏈管理優化能力。

參考文獻

[1]解琨，劉凱.戰略聯盟：降低牛鞭效應的最佳策略[J].物流技術，2002（12）：37-38.

[2]戚曉曜.及時生產制（JIT）應用的探討[J].工業工程，2004（1）：47-51.

[3]王槐林，楊敏才，張曉鳳，等.供應鏈管理中VMI系統的研究[J].工業工程，2005（1）：12-15.

[4]朱敏捷，包勝華，張力為.基于VMI和JMI的供應鏈庫存管理模型的研究[J].物流技術，2008（2）： 96-98，121.

通信作者：姜雪松（1979-），男，工學博士，副教授，主要研究方向為工業工程與管理、智能制造工藝與裝備、數字化車間和智能工廠。

電子郵箱：xuesongjiang@nefu.edu.cn。