摘 要：“十四五”时期是我国制造业实现高质量发展的战略机遇期，我国制造业供应链普遍存在运作效率低、物流成本高等问题，数智化转型升级迫在眉睫。随着近年来国内外市场不确定性增强和供应链管理中决策优化任务的日趋复杂，决策智能正成为推动制造业供应链数智化转型的新动能。本文首先分析了我国制造业供应链智能决策的发展现状及痛点，然后结合大数据、人工智能和运筹优化技术，提出包括优化求解器、智能决策技术中台和智能决策优化系统的供应链智能决策整体解决方案，最后给出了供应链智能决策的未来发展方向，以期为我国制造业供应链的数智化转型提供有益参考。

      关键词：制造业、供应链、数智化、决策智能

一、制造业供应链数智化发展现状

       我国“十四五”规划中提出：“增强制造业竞争优势，提升产业链供应链现代化水平；促进数字技术与实体经济深度融合，赋能传统产业转型升级。”目前，我国已建成了门类齐全的工业体系，拥有完整的产业链，在全球供应链中的地位不断提升，但制造业供应链仍存在一些不足，如：供应链整体运作效率低，物流成本偏高；供应链数字化基础设施薄弱，上下游信息割裂，缺乏联动；供应链决策智能化水平低，敏捷性和柔性有待加强，难以应对突发风险。

       制造业供应链数智化是在企业数字化基础上，借助数字技术和智能技术实现供应链的智能决策和高效管理。为了使我国制造业在激烈的全球竞争中取得优势，推动制造业供应链数智化升级正成为大势所趋。

       制造业供应链的数智化过程可分为数据标准化、流程信息化和决策智能化三个阶段。第一阶段是数据标准化阶段，企业运用传感器、PLC、RFID、数据库技术等，实现企业内部及其上下游数据的快速传递、存储和处理，为流程信息化提供基石。第二阶段是流程信息化阶段，企业通过CRM、ERP、APS、MES、WMS、TMS等信息系统来管理供应链的日常运作，实现端到端的数据连接。在流程信息化的基础上，最后进入决策智能化阶段，企业运用大数据、人工智能和运筹优化算法，借助决策优化系统实现供应链管理的决策智能化。全球最具权威的IT咨询公司Gartner将“智能决策”列为2022年重要战略技术之一，并预测到2023年超过三分之一的大型企业将实现决策智能化。由“数据驱动”到“决策导向”，正成为众多企业数智化升级的共识。

       目前我国制造业供应链数智化水平较低，多数制造企业处于流程信息化阶段，少部分企业甚至还处于凭借人工经验进行生产管理的初级阶段。在外部市场不确定性显著增强、竞争日益激烈的背景下，我国制造企业面临着更为复杂的供应链决策问题，普遍缺乏智能决策的能力，亟须完成从流程信息化向决策智能化的升级，升级过程中主要面临以下问题：

       第一，国内决策智能化相关的人才、公司、平台较为匮乏。首先，智能决策和运筹优化近年来没有受到高校和企业的足够重视，人才储备明显不足；其次，市场上提供决策优化算法及服务的公司相对较少，水平参差不齐，华为、京东等行业头部企业长期致力于内部运营管理的敏捷化、智能化，但通常不对外提供智能决策服务；最后，市场上始终缺乏高效的决策智能化服务供需匹配平台，难以有效连接有痛点的企业客户和有创造力的外部开发者。

       第二，国外商业决策软件性价比低。CPLEX、GUROBI等国外优化求解器及决策优化产品占据了我国商业决策智能化的部分市场份额，但该类产品费用昂贵，中小型企业的资本能力难以支撑其长期使用。此外，这类软件还需根据企业的实际运营情况进行定制，存在开发部署周期长、落地难等缺陷。

       第三，决策智能化服务的定制化与标准化之间存在矛盾。当前，国内的决策智能化服务提供者通常采用项目制的方式，为客户提供决策智能化服务与解决方案。这些服务与解决方案采用高度定制化的方式，难以形成标准化的产品快速推广至其他客户。目前市场上仍然缺少能够实现快速定制化的标准化智能决策服务与产品。

二、制造企业面临的供应链决策难题

      在当前疫情持续扩散的背景下，制造业供应链的不确定性急剧增加，客户需求、业务流程和供应链网络也日益复杂，制造企业在供应链诸多关键环节存在决策难题：

1. 设施选址

     设施选址通常涉及工厂、仓库和配送中心等关键设施的选址，与企业的运营成本、物流成本、税收政策等多个方面密切相关。设施建造需要投入大量资金且建造完成后难以迁移，不科学的选址决策会造成企业运营成本偏高、劳动力不足、销售渠道不畅、物流成本高企等问题。

2. 需求预测

      需求预测是通过对历史数据、市场环境等因素的分析，预测市场未来对产品的需求。需求预测能够为制造企业的采购计划、生产计划等决策提供参考。制造企业往往根据主观经验或简单的数学模型进行预测，使得需求预测不准确，导致库存积压或不足等问题。

3. 生产计划与排产

      生产计划是制造企业进行生产管理的重要依据。我国制造企业大都缺乏有效的计划层扰动预警机制，当遇到订单追加、交期变化时，难以快速更新计划。排产决策则需要确定订单的执行顺序以及产品的加工顺序，容易受加工工艺、物料资源、插单改单等因素的影响。不合理的排产方案容易导致设备忙闲不均、生产效率低下等问题。

4. 库存管理

      库存管理涉及库位优化、上架、拣选、补货等决策，良好的库存管理可以为制造企业节约大量成本。尽管WMS仓储管理系统在制造业中的应用已较为广泛，但其主要实现出入库管理和库存盘点等基本功能，无法为库存决策优化提供支持，容易造成库位规划混乱、仓储空间利用率低、库存周转率低等问题。

5. 装载与运输优化

      装载与运输决策需要提供高装载率的货物装箱方案，同时还需要为运输车辆规划服务顾客的行驶路径，使得运输时间、运输成本尽可能低。制造企业在进行装载与运输决策时，大多依靠人工经验，缺乏科学决策，导致货箱空间利用率低等问题。在面对大规模订单和复杂场景时，难以快速生成合理的装箱和车辆运输方案。

      总的来说，制造业供应链中存在着大量的决策优化问题。这些问题多数属于NP难问题或者NP完全问题，难以在多项式时间内求出最优解；同时它们并非相互独立，而是相互影响，需要进行联合决策优化。我国制造企业在面临供应链决策问题时，多数企业依靠人工经验和惯性思维进行决策，决策方案缺乏科学性。即使部分企业使用了CRM、ERP、APS、WMS、TMS等信息系统，但这些系统通常只具有信息管理的功能，缺乏基于大数据、人工智能、运筹优化的智能决策能力，难以为企业的管理决策赋能。

三、制造业供应链决策智能化解决方案

      根据我国制造企业供应链智能决策的发展现状及痛点，供应链智能决策整体解决方案需要借助大数据、人工智能和运筹优化技术，为客户的供应链管理提供标准化和定制化的决策优化服务。如图1所示，一种可行的整体解决方案主要包括优化求解器、智能决策技术中台和智能决策优化系统三个层次。该方案能够有效解决制造企业所面临的复杂供应链决策问题，全面提升供应链决策智能化水平。 

1. 优化求解器

       制造业供应链决策智能化解决方案的底层是针对不同类型决策问题设计开发的各类优化求解器，如生产计划与排产求解器、车辆路径优化求解器、三维装箱优化求解器等。对于较为复杂的决策问题，也可以针对不同行业单独设计开发行业求解器。求解器需要具有高性能、高扩展性的特点，能够在较短时间内得到高质量的可行解，同时内置丰富的约束条件和目标函数，支持丰富的业务场景，支持多线程并发、二次开发和远程API调用。求解器的设计目标是允许用户像搭积木一样对约束条件和目标函数进行拔插，自定义更为复杂的业务场景和决策问题，通过对标准化算法的简单定制就能满足不同制造企业客户的需求，极大地缩短算法设计、开发和部署的时间。

2. 智能决策技术中台

      智能决策技术中台主要包括模型组件、算法组件和平台工具组件三部分。研发人员可以根据具体的决策问题，在优化求解器的基础上对模型和算法进行进一步的设计，满足企业的定制化需求。模型组件可由运筹优化模型、人工智能模型和数学统计模型构成；算法组件包括运筹优化算法、机器学习算法和大数据算法；平台工具组件主要实现平台的用户权限管理和后台任务管理等常规功能。

      算法作为数字时代制造企业的核心生产力和新动能，也是求解供应链管理中各类决策优化问题的核心技术，主要包括运筹优化算法和机器学习算法。

     （1）运筹优化算法

      运筹优化算法可分为精确算法和近似算法。精确算法以最优解为求解目标，通常用于求解具有相对简单约束的中小规模问题，常见的精确算法主要包括分支定界/切割/定价算法、Benders分解、动态规划等；近似算法依据简单规则或通过模拟某些自然界的现象和过程、生物群体的智能行为来完成随机搜索，可以在较短的时间内得到高质量的满意解，适用于大规模问题的求解，在制造企业的日常运营管理中得到了较为广泛的应用。

     （2）机器学习算法

机器学习算法能够使计算机模拟、实现人类的学习行为，获取并利用新的知识或经验，实现优化求解和智能决策。机器学习作为人工智能的关键技术，根据学习任务的不同主要分为监督学习、无监督学习和强化学习。

       目前智能决策优化领域较为前沿的技术，是将传统的运筹优化算法和机器学习算法相结合，充分利用运筹优化算法的优化能力和机器学习算法的学习能力，在更短的时间内获得更高质量的解。

3. 智能决策优化系统

       在优化求解器和智能决策技术中台的基础上，可以进一步构建面向制造企业供应链管理的智能决策优化系统，用于解决供应链各个关键环节的决策问题。针对典型的决策优化问题，该系统可由设施选址系统、高级计划排产系统、运输专家系统、装箱专家系统、仓储管理系统等多个子系统组成。由于企业客户的日常运营往往涉及供应链管理中的多个关键环节，它们可以结合自身痛点，定制所需的智能决策子系统并进行有效集成，例如将高级计划排产系统与运输专家系统、装箱专家系统进行集成。

四、制造企业供应链决策智能化的发展趋势

1. 供应链决策问题联合优化

      我国制造企业在进行供应链管理时，往往只关注供应链某关键环节的决策问题，很少系统地考虑不同决策问题之间的相互影响，难以实现供应链整体的最优。为了全面提升制造业供应链的运作效率，未来需要关注供应链中不同决策问题的联合决策优化问题。例如，在供应链网络规划时，同时考虑设施选址和车辆路径规划；在制定生产计划与排产方案时，也需要考虑产品装箱以及配送线路规划。

2. 服务标准化与快速定制化

       近年来我国制造企业对供应链决策智能化的需求不断上升，而每家企业的业务场景和痛点也不尽相同。为了使广大制造企业拥有智能决策的能力，推出以优化求解器及决策优化算法为核心的标准化解决方案势在必行；同时，也需要标准化解决方案具有良好的可扩展性，允许企业根据自身需求进行二次自主开发，实现快速定制。

3. 工业互联网时代的SaaS服务模式

       SaaS（Software as a Service）模式采用云计算技术，通过云平台向客户提供软件服务。我国制造企业供应链的智能决策优化算法和系统服务可以通过工业互联网的SaaS模式实现快速部署，无需客户维护，降低客户的资金和人力成本，未来有望在中小型制造企业得到广泛应用。

五、结语

       制造业供应链数智化升级势在必行，而决策智能化又是供应链数智化的关键。制造企业只有具备面向整条供应链的智能决策能力，才能穿越惊涛骇浪，行稳致远。我国制造企业的供应链智能决策解决方案需要高度融合大数据、人工智能和运筹优化等技术，在标准化产品的基础上进行快速定制开发，才能有效提升制造业供应链的决策智能化水平，推进供应链数智化升级，助力中国制造业长远发展。