A multi-period multi-product stochastic inventory problem with order-based loan

Technische Zusammenfassung: Ein mehrperiodiges, mehrproduktbezogenes stochastisches Inventarproblem mit auftragsbasierter Kreditaufnahme

Problemdefinition
Diese Arbeit befasst sich mit der operativen Entscheidungsfindung eines durch Cashflow-Engpässe eingeschränkten Online-Einzelhändlers, der mehrere Produkte über einen endlichen Planungszeitraum verkauft. Der Einzelhändler agiert auf chinesischen E-Commerce-Plattformen (z. B. Tmall, JD.com), auf denen eine spezifische Transaktionsreibung besteht: Kundenzahlungen werden von der Plattform einbehalten und dem Einzelhändler erst nach einer Verzögerung beim Erhalt (typischerweise mindestens zwei Wochen) überwiesen. Diese Verzögerung erzeugt eine Cashflow-Lücke, die die Fähigkeit des Einzelhändlers zur Wiederbeschaffung von Lagerbeständen einschränkt, insbesondere für kleine und mittlere Unternehmen (KMU) mit begrenztem Anfangskapital.

Um dies zu mildern, untersucht die Studie die Nutzung von „auftragsbasierten Krediten“ (order-based loans), einem Finanzierungsdienst, der von diesen Plattformen angeboten wird. Unter diesem Schema stellt die Plattform die Zahlung unmittelbar nach der Lieferung der Bestellung dem Einzelhändler vorzeitig zur Verfügung, sodass der Einzelhändler diese Mittel für die sofortige Wiederbeschaffung nutzen kann. Der Einzelhändler muss den Kapitalbetrag zuzüglich Zinsen nach einem vereinbarten Zeitraum zurückzahlen. Die Kernaufgabe besteht darin, die optimalen Bestellmengen ($Q_{n,t}$) und das Ausmaß der Kreditnutzung ($g_{n,t}$) für $N$ Produkte über $T$ Perioden zu bestimmen, um den erwarteten Endkapitalwert unter Berücksichtigung von Cash-Beschränkungen, Inventardynamik und Nachfrageunsicherheit zu maximieren.

Methodik
Die Autoren entwickeln einen mathematischen Rahmen, der von deterministischen zu stochastischen Formulierungen fortschreitet:

1. Deterministische Modelle: Zwei Baseline-Modelle werden unter der Annahme konstruiert, dass die Nachfrage bekannt ist (repräsentiert durch Mittelwerte):

   • SO-D (Self-Owned Cash): Der Einzelhändler operiert ausschließlich mit Eigenkapital und Umsatzerlösen.
   • OL-D (Order-Based Loan): Der Einzelhändler nutzt die auftragsbasierte Kreditfazilität bis zu einem Kreditlimit ($BU$).
     Beide Modelle enthalten lineare Nebenbedingungen für den Warenfluss, den Cashflow und die spezifische Logik der Umsatzrealisierung unter Berückssetzung der Verzögerungsdauer beim Erhalt ($L$) sowie der Kreditrückzahlungsbedingungen.

2. Stochastische Programmierungsmodelle: In Anerkennung der Tatsache, dass die Kundennachfrage unsicher ist, formulieren die Autoren stochastische Gegenstücke (SO-S und OL-S).

   • Szenenrepräsentation: Die Nachfrageunsicherheit wird mittels Szenarienbäumen modelliert, wobei jeder Knoten eine diskrete Nachfagerrealisierung mit einer zugehörigen Wahrscheinlichkeit darstellt.
   • Nicht-Antizipativität: Es werden Nebenbedingungen eingeführt, um sicherzustellen, dass die zu einem Zeitpunkt $t$ getroffenen Entscheidungen nur von den bis zu diesem Zeitpunkt verfügbaren Informationen (gemeinsame Historie) abhängen und nicht von zukünftigen Szenarienrealisierungen.
   • Szenariengenerierung: Die Studie verwendet die Moment Matching Methode (Høyland und Wallace, 2001), um eine begrenzte Anzahl von Szenarien zu generieren, die bestimmte statistische Eigenschaften (Mittelwert, Varianz, Schiefe) der zugrunde liegenden Log-Normal-Nachfrageverteilungen erfüllen.
   • Szenarienreduktion: Um die rechnerische Unhandlichkeit bei großen Bäumen zu bewältigen, wird der Fast Forward Selection (FFS) Algorithmus (Heitsch und Römisch, 2003) eingesetzt, um die Anzahl der Szenarien zu reduzieren und dabei die statistische Struktur zu bewahren.

3. Numerische Analyse: Die Modelle werden unter Verwendung von Real-World-Daten gelöst, die von einem Online-Shop für Computerperipheriegeräte gecrawlt wurden. Der Planungszeitraum ist auf 6 Perioden (jeweils zwei Wochen) festgelegt und deckt sowohl normale als auch boomende Nachfragephasen (z. B. Singles' Day) ab. Stabilitätstests werden durchgeführt, um die Techniken der Szenariengenerierung und -reduktion zu validieren.

Wesentliche Beiträge
Die Arbeit beansprucht drei primäre Beiträge zur Literatur:

1. Neuartiger Finanzierungsmechanismus: Sie gehört zu den ersten Arbeiten, die „auftragsbasierte Kredite“ – ein spezifisches Finanzierungsinstrument, das auf chinesischen E-Commerce-Plattformen verbreitet, aber in der akademischen Inventar-Literatur unterforscht ist – in ein mehrperiodisches stochastisches Inventarmodell integrieren.
2. Stochastischer Modellierungsrahmen: Sie konstruiert ein umfassendes stochastisches Mehrprodukt-Inventarmodell, das Cash-Beschränkungen, Verzögerungen beim Erhalt und die Mechanik auftragsbasierter Kredite explizit berücksichtigt und dabei Szenarienbäume sowie Reduktionstechniken zur Lösung des Problems nutzt.
3. Empirische Erkenntnisse: Durch die numerische Analyse basierend auf realen Transaktionsdaten identifiziert die Studie spezifische operative Bedingungen, unter denen auftragsbasierte Kredite vorteilhaft sind, und geht damit über theoretische Annahmen hinaus zu datengestützten Management-Erkenntnissen.

Ergebnisse
Numerische Experimente liefern folgende Ergebnisse:

• Stochastisch vs. Deterministisch: Das stochastische Modell schneidet hinsichtlich des erwarteten Endkapitals konsistent besser ab als das deterministische Modell. Der Wert der stochastischen Lösung (VSS) ist besonders signifikant, wenn der Einzelhändler weniger durch Cash beschränkt ist (d. h. über höheres Anfangskapital oder geringere Gemeinkosten verfügt).
• Trigger für die Kreditaufnahme: Der Einzelhändler profitiert eher von der Nutzung auftragsbasierter Kredite, wenn:
  • Das Anfangskapital niedrig ist: Ein geringes Anfangskapital ($C_0$) macht die durch den Kredit bereitgestellte Liquidität kritisch.
  • Die Verzögerung beim Erhalt lang ist: Längere Verzögerungen ($L$) verschärfen die Cashflow-Lücken und erhöhen den Wert einer sofortigen Finanzierung.
  • Die Gemeinkosten moderat sind: Hohe Gemeinkosten erhöhen den Bedarf an Liquidität, obwohl die Rentabilität bei zu hohen Kosten unabhängig von der Finanzierung verloren geht.
  • Die Nachfrage hoch ist: In Phasen mit boomender Nachfrage führt die Fähigkeit, mittels Krediten schnell wieder aufzustocken, zu höheren Gewinnen.
• Stabilität: Die Methoden der Szenariengenerierung und -reduktion zeigten Stabilität, wobei die Zielfunktionswerte über verschiedene Szenarienbäume hinweg um weniger als 5 % variierten, was die Robustheit des Lösungsansatzes validiert.

Bedeutung
Die Arbeit legt dar, dass während die Lieferkettenfinanzierung ein wachsender Markt ist, der spezifische Mechanismus der auftragsbasierten Kredite in der Inventaroptimierungsliteratur übersehen wurde. Durch die Modellierung dieses Mechanismus bietet die Studie eine quantitative Basis für Einzelhändler, um zu entscheiden, wann sie Plattformfinanzierungen nutzen sollten. Die Ergebnisse legen nahe, dass auftragsbasierte Kredite keine universelle Lösung sind, sondern ein strategisches Werkzeug, das vor allem für Einzelhändler effektiv ist, die aufgrund von geringem Anfangskapital oder langen Zahlungszyklen mit Liquiditätsengpässen konfrontiert sind. Die Studie validiert, dass die Einbeziehung der Nachfrageunsicherheit durch stochastische Programmierung einen deutlichen Vorteil gegenüber der deterministischen Planung bietet, insbesondere im Kontext cash-beschränkter Operationen. Zukünftige Forschungsrichtungen, die von den Autoren vorgeschlagen werden, umfassen die Modellierung von Nachfrage-Substitution und die Untersuchung anderer Supply-Chain-Finanzierungsverhalten innerhalb ähnlicher stochastischer Rahmenbedingungen.