报童问题 (The Newsvendor Problem)

引言

本文介绍了一个经典的商品采购模型(报童问题)及其解法. 该模型通过考虑需求的不确定性来最大化销售利润. 注: 本文的主要内容参考Gallego^[1].

1. 报童问题

这是一个关于卖报商人采购报纸的问题. 每天早上, 卖报商以批发价0.3元(每份)向报社采购当天的报纸, 然后以零售价1元(每份)进行售卖. 如果报纸在当天没有卖完, 他会把报纸以0.05元(每份)的价格卖给废品回收站. 那么卖报商应该如何确定报纸的采购数量?

我们先简单分析一下这个问题的特点:

采购一个商品.
在一个采购周期内仅采购一次.
采购之时不知道准确的需求.
商品会过期.

2. 数学模型

下面我们用数学语言把这个问题再描述一下.

参数

单位采购成本(cost per unit): $c$
零售价(sale price): $p$
残值(salvage value), 即商品过期之后的售价: $s$
需求(demand): 随机变量 $D$ 服从分布 $F$ , 均值和标准差分别记为 $\mu, \sigma$

决策变量

采购量: $x$

目标

最大化期望收益 $\pi(x) := p \cdot \mathbb{E}[\min(x, D)] + s\cdot \mathbb{E}[\max(x-D, 0)] - cx$

不失一般性, 我们假设 $p>c>s$ , 否则问题的最优解是显而易见的.

3. 求解

记 $x^+ := \max(x, 0), x^-:=\min(x, 0)$ . 因此 $x=x^+ + x^-$ , $x^- = -(-x)^+$ . 利用 $\min(x, D) = D - (D-x)^+$ , 我们可以把 $\pi(x)$ 表示成如下形式:

$\pi(x) = (p-c)\mu - \alpha(x),$

其中

$\alpha(x) = (c-s)\mathbb{E}[(x-D)^+] + (p-c)\mathbb{E}[(D-x)^+].$

因此 $\max \pi(x) \Leftrightarrow \min \alpha(x)$ . 记 $h = c-s$ , $b=p-c$ . 则 $h, b$ 分别代表采购过量(overage)和少量(underage)的单位成本.

令 $f(z) = hz^+ - bz^-$ . $\alpha(x)$ 可以被写成

$\alpha(x)=\mathbb{E}[f(x-D)].$

由于 $f(z)$ 是凸函数, 它的线性变换 $\alpha(x)$ 也是凸函数, 当 $F$ 是连续分布时, 最优解的一阶导数为0. 我们可以通过交换积分号导, 即

$\alpha'(x) = h\cdot \mathbb{E}[\delta(x-D)] - b\cdot \mathbb{E}[\delta(D-x)]$

其中 $\delta(z)=1$ 如果 $z>0$ , 否则 $\delta(z)$ 为0.

注意到 $\mathbb{E}[\delta(x-D)] = Pr(x-D>0)$ 且 $\mathbb{E}[\delta(D-x)] = Pr(D-x>0)$ . 我们有

$\alpha'(x)= h \cdot Pr(D < x) - b \cdot Pr(D>x).$

令 $\alpha'(x)=0$ , 我们得到

$F(x) := Pr(D\leq x) = \frac{b}{b+h}.$

临界分位数(Critical Fractile)
$\gamma = \frac{b}{b+h}.$

由于 $F$ 是随机变量 $D$ 的cdf(cumulative distribution function) (单调非递减), 因而存在逆函数. 设最优解为 $x^*$ , 因此
$x^* = F^{-1}(\gamma).$

4. 例子

本节考虑两个具体的例子. 一个是 $D$ 服从正态分布(连续分布), 可以按照前文的公式计算最优解; 另一个例子是 $D$ 服从Poisson分布, 我们介绍如何把计算方法适配到离散分布的情形.

4.1 正态分布

$D\sim N(\mu,\sigma^2)$ . 令 $Z\sim N(0, 1)$ , $\Phi(z) = Pr(Z\leq z)$ 且 $z_{\gamma} = \Phi^{-1}(\gamma)$ .
由于
$Pr\left(\frac{D-\mu}{\sigma}\leq z_{\gamma}\right) = \Phi(z_{\gamma}) = \gamma.$
因此
$x^* = \mu + z_{\gamma}\sigma.$

例 $D$ 服从正态分布, $\mu=100$ , $\sigma=20$ . 设 $c=5$ , $h=1$ , $b=3$ . 我们的计算步骤如下:

$\gamma = \frac{b}{h+b} = 0.75$

z_{\gamma} = \Phi^{-1}(0.75) = 0.6745

# python
>>> from scipy.stats import norm
>>> norm.ppf(0.75)
0.6744897501960817

$x^*=\mu + z_{\gamma} \cdot \sigma = 100 + 0.6745 * 20 = 113.49$

4.2 Poisson分布

Poisson分布的pmf (probability mass function)为

$Pr(D=k) = e^{-\lambda}\frac{\lambda^k}{k!}.$

由于Possion分布是离散分布(对任意的 $\gamma$ , $F^{-1}(\gamma)$ 不一定可计算), 我们令
$x^* = \arg\min_x \{x\in \mathbb{N}\mid Pr(D\leq x) \geq \gamma\}.$

例 $D$ 服从Poisson分布, $\lambda=25$ . 设 $c=5$ , $h=1$ , $b=3$ . 我们的计算步骤如下:

$\gamma = \frac{b}{h+b} = 0.75$

利用二分法找到最小的整数

x^*

使得

F(x^*)\geq 0.75

(其中

F

是随机变量

D

的cdf).

# python
>>> from scipy.stats import poisson
>>> poisson(25).cdf(27)
0.7001861449652768
>>> poisson(25).cdf(28)
0.763400741866402

$x^*=28$

5. 总结

报童问题是商品采购问题的一个例子. 对该问题的研究和求解可以指导我们在实际中优化采购计划, 从而提高商品的销售利润.
但在实际中制定商品的采购计划时, 我们的目标与约束一般会比报童问题复杂(例如考虑库存成本), 因此需要根据实际问题进行建模和求解, 不能盲目照搬已有的模型.
制定采购计划之前可以采用需求预测(销量预测), 但同时也要考虑销量的随机性(详情见《如何在商品采购中考虑销量的随机性?》).

参考文献

Guillermo Gallego. "IEOR 4000 Production Management Lecture 7". Columbia University, 2005. ↩

最后编辑于：2020.09.14 15:45:05

人面猴
序言：七十年代末，一起剥皮案震惊了整个滨河市，随后出现的几起案子，更是在滨河造成了极大的恐慌，老刑警刘岩，带你破解...
沈念sama阅读 162,547评论 4赞 374
死咒
序言：滨河连续发生了三起死亡事件，死亡现场离奇诡异，居然都是意外死亡，警方通过查阅死者的电脑和手机，发现死者居然都...
沈念sama阅读 68,787评论 2赞 308
救了他两次的神仙让他今天三更去死
文/潘晓璐我一进店门，熙熙楼的掌柜王于贵愁眉苦脸地迎上来，“玉大人，你说我怎么就摊上这事。” “怎么了？”我有些...
开封第一讲书人阅读 112,175评论 0赞 254
道士缉凶录：失踪的卖姜人
文/不坏的土叔我叫张陵，是天一观的道长。经常有香客问我，道长，这世上最难降的妖魔是什么？我笑而不...
开封第一讲书人阅读 44,752评论 0赞 223
港岛之恋（遗憾婚礼）
正文为了忘掉前任，我火速办了婚礼，结果婚礼上，老公的妹妹穿的比我还像新娘。我一直安慰自己，他们只是感情好，可当我...
茶点故事阅读 53,169评论 3赞 297
恶毒庶女顶嫁案：这布局不是一般人想出来的
文/花漫我一把揭开白布。她就那样静静地躺着，像睡着了一般。火红的嫁衣衬着肌肤如雪。梳的纹丝不乱的头发上，一...
开封第一讲书人阅读 41,056评论 1赞 226
城市分裂传说
那天，我揣着相机与录音，去河边找鬼。笑死，一个胖子当着我的面吹牛，可吹牛的内容都是我干的。我是一名探鬼主播，决...
沈念sama阅读 32,195评论 2赞 321
双鸳鸯连环套：你想象不到人心有多黑
文/苍兰香墨我猛地睁开眼，长吁一口气：“原来是场噩梦啊……” “哼！你这毒妇竟也来了？” 一声冷哼从身侧响起，我...
开封第一讲书人阅读 30,980评论 0赞 214
万荣杀人案实录
序言：老挝万荣一对情侣失踪，失踪者是张志新（化名）和其女友刘颖，没想到半个月后，有当地人在树林里发现了一具尸体，经...
沈念sama阅读 34,724评论 1赞 250
护林员之死
正文独居荒郊野岭守林人离奇死亡，尸身上长有42处带血的脓包…… 初始之章·张勋以下内容为张勋视角年9月15日...
茶点故事阅读 30,872评论 2赞 254
白月光启示录
正文我和宋清朗相恋三年，在试婚纱的时候发现自己被绿了。大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
茶点故事阅读 32,344评论 1赞 265
活死人
序言：一个原本活蹦乱跳的男人离奇死亡，死状恐怖，灵堂内的尸体忽然破棺而出，到底是诈尸还是另有隐情，我是刑警宁泽，带...
沈念sama阅读 28,667评论 3赞 264
日本核电站爆炸内幕
正文年R本政府宣布，位于F岛的核电站，受9级特大地震影响，放射性物质发生泄漏。R本人自食恶果不足惜，却给世界环境...
茶点故事阅读 33,379评论 3赞 245
男人毒药：我在死后第九天来索命
文/蒙蒙一、第九天我趴在偏房一处隐蔽的房顶上张望。院中可真热闹，春花似锦、人声如沸。这庄子的主人今日做“春日...
开封第一讲书人阅读 26,202评论 0赞 9
一桩弑父案，背后竟有这般阴谋
文/苍兰香墨我抬头看了看天上的太阳。三九已至，却和暖如春，着一层夹袄步出监牢的瞬间，已是汗流浃背。一阵脚步声响...
开封第一讲书人阅读 26,992评论 0赞 201
情欲美人皮
我被黑心中介骗来泰国打工，没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留，地道东北人。一个月前我还...
沈念sama阅读 36,189评论 2赞 286
代替公主和亲
正文我出身青楼，却偏偏与公主长得像，于是被迫代替她去往敌国和亲。传闻我的和亲对象是个残疾皇子，可洞房花烛夜当晚...
茶点故事阅读 35,987评论 2赞 279