《Waste Management Bulletin》：Demand forecasting for recycled plastics from waste in multi-stage supply chain: A comparative study
编辑推荐：
编者推荐
本文针对多级回收塑料供应链中因废物可用性波动、回收率不确定性及下游需求放大（牛鞭效应）导致的运作成本高、生产不稳定等挑战，提出一个结合ARIMAX与神经网络的数据驱动预测框架。该研究通过整合外部因果因子、宏观经济指标与时间序列模式，显著提升了回收物料流的预测精度。相比传统方法，基于机器学习的方法可降低需求扭曲，提升供应链协调性，预测准确率高达94%，从而优化库存、降低波动，增强了循环经济下回收塑料供应链的稳定与韧性。本项研究成果发表于《Waste Management Bulletin》。
想象一个从废弃塑料瓶到崭新产品的循环之旅。在这个被称为循环经济的闭环中，废弃塑料被收集、分类、清洗、再加工，最终成为新产品的一部分，重新进入市场。然而，这条看似理想的绿色供应链，却常常被一种名为“牛鞭效应”（Bullwhip Effect）的现象所困扰。在供应链上游的回收处理商眼中，下游市场的需求信号仿佛经过了哈哈镜的扭曲，微小的波动在传递过程中被层层放大，导致生产计划混乱、库存积压或短缺、运营成本飙升。对于源自废物流的回收塑料而言，这种不确定性尤为严峻，因为其原料供应本身——废弃物的产生量、回收率和质量——就充满变数。传统的需求预测方法，多基于历史数据的线性外推，在应对这种高度非线性、多因素影响的复杂系统时，往往力不从心，限制了回收塑料市场的效率和整个循环经济系统的韧性。
为了破解这一难题，来自孟加拉国拉杰沙希工程技术大学工业与生产工程系的Md.Limonur Rahman Lingkon和Md.Hasin Arman在《Waste Management Bulletin》上发表了一项研究。他们致力于回答几个核心问题：在回收塑料材料的供应链中，基于机器学习的预测模型相比传统方法表现如何？外部因素如何影响预测准确性？在波动剧烈的回收环境中，利用实时数据和构建自适应模型能否改善预测？为此，研究者们开发了一个数据驱动的预测框架，将机器学习模型与统计时间序列模型相结合，旨在更精准地预测回收塑料产品的需求，从而抑制“牛鞭效应”，优化多级供应链的协调与库存控制。
研究者们采用了严谨的比较研究方法框架。首先，他们获取了孟加拉国一家塑料制造企业2018年至2022年共五年的月度销售数据，涵盖了四个产品细分市场。在数据处理阶段，进行了缺失值、异常值和平稳性检验，并计算了需求变异系数和平均绝对百分比误差作为基线。研究的关键技术方法包括：1) 应用了多种预测模型进行对比，包括传统的Holt-Winters指数平滑法、阻尼趋势法，以及更复杂的统计模型如ARIMAX（带外生变量的自回归综合移动平均模型）和SARIMA（季节性ARIMA）；2) 引入了机器学习模型，包括前馈神经网络、长短期记忆网络、梯度提升决策树、随机森林和线性回归；3) 在建模中整合了14个宏观经济指标作为外生变量，如工业生产指数、汇率、消费者信心指数、GDP、原油价格、环境法规等，以探究外部因素对需求的影响；4) 使用网格搜索和贝叶斯优化对模型超参数进行调优，并采用了时间序列交叉验证和早期停止等策略来防止过拟合，确保模型稳健性；5) 通过假设检验和多元方差分析，从统计学上验证了机器学习方法在提升供应链绩效指标（如现金转换周期、库存周转率和预测准确率）方面的显著优势。
研究结果
1. 需求波动性与传统方法表现
分析显示，企业四个产品部门的需求波动性差异显著，变异系数在24.83%到53.75%之间。采用公司原有的Holt-Winters和阻尼趋势法进行月度预测，其预测能力比率分别为2.6和2.8，表明存在通过更复杂模型提升预测精度的空间。这为后续引入高级模型提供了必要性依据。
2. ARIMAX模型结果
研究者构建了ARIMAX(1,2,1)和ARIMAX(3,0,1)两个模型。结果显示，加入外生宏观经济变量后，模型能够捕捉需求动态。例如，ARIMAX(3,0,1)模型中的滞后变量系数显示出“牛鞭效应”和“反牛鞭效应”的混合迹象，说明需求信息在供应链中存在复杂传播。ARIMAX(1,2,1)模型在预测2022年数据时达到了88.9%的准确率。
3. 机器学习模型性能比较
- •
神经网络与前馈模型：构建的神经网络模型在不同年份的预测准确率在74.8%到87.6%之间，展示了处理非线性关系的能力。
- •
SARIMA与神经网络对比：针对数据中潜在的季节性，SARIMA模型也表现出色。在最后12个月的预测中，SARIMA的平均绝对百分比误差为9.83%，略优于神经网络的10.45%，表明季节性模型在特定情境下的有效性。
- •
LSTM与梯度提升：长短期记忆网络因其能记忆长期依赖关系的特性，在预测中表现出上升趋势，而梯度提升决策树的预测曲线相对平稳。综合图表和参数判断，LSTM在此数据集上展现了更好的预测能力。
- •
决策树、随机森林与线性回归：这三种模型也被用于预测。结果显示，基于树的方法能够捕捉数据中的复杂模式。线性回归的R2值为0.82，表明自变量对销售变异的解释力较强。
- •
模型综合评估：通过比较不同模型的AIC和BIC值，研究者从模型复杂度和拟合优度平衡的角度进行了评估，为模型选择提供了依据。
4. 假设检验与供应链绩效提升验证
为验证“机器学习预测方法能显著提高供应链绩效”的假设，研究者建立了三个回归模型，分别以现金转换周期、库存周转率和预测准确率为因变量。结果表明，代表预测方法的虚拟变量系数在三个模型中均统计显著。具体而言，采用机器学习方法显著降低了现金转换周期，提升了库存周转率和预测准确率。随后的多元方差分析进一步证实，两种预测方法在组合绩效指标上存在显著差异，强力支持了研究假设，即机器学习方法在提升回收塑料供应链运作效率方面优于传统时间序列方法。
结论与讨论
本研究通过系统的比较分析，得出了明确且富有意义的结论。在回收塑料多级供应链的复杂环境中，传统的统计时间序列预测方法虽有一定基础，但其线性假设难以充分捕捉由废物供应波动、回收率变化、政策干预及宏观经济冲击共同导致的非线性、高不确定性需求模式。相比之下，以神经网络、LSTM为代表的机器学习模型，以及结合了外部宏观经济变量的ARIMAX等高级模型，展现出了显著的优越性。这些数据驱动的方法能够更有效地整合多源信息，建模复杂关系，从而将预测准确率提升至94%的高水平。
研究的重要意义在于其深刻的现实与理论内涵。首先，它直接将预测精度的提升与供应链核心绩效指标（如库存优化、资金效率）的改善联系起来，为企业投资于先进预测技术提供了量化依据。其次，研究揭示了循环经济系统特有的不确定性（如废物流的随机性）会放大传统模型与机器学习模型之间的性能差异，这为在循环经济背景下进行模型选择提供了关键的理论洞见。再者，尽管实证分析基于孟加拉国的案例，但研究所提出的方法论框架——包括模型比较、外生变量整合、稳健性验证流程——被设计为可适用于全球范围内面临类似不确定性的多级回收供应链。这使其超越了单一国别研究的局限，具备了更广泛的普适参考价值。最后，该研究将“牛鞭效应”作为一种重要的概念动机，强调了在回收供应链关键节点提高需求信号质量的重要性，为解决这一长期困扰供应链管理的经典问题，在循环经济新语境下提供了新的思路和技术路径。
总之，这项研究不仅证明了先进数据驱动预测在稳定和优化回收塑料供应链方面的巨大潜力，也为推动更高效、更具韧性的循环经济系统提供了有力的方法论支持和决策参考。随着全球对可持续发展和资源循环利用的日益重视，此类研究对于连接技术创新与环境、经济目标的实现，具有不可或缺的价值。
