基于机器学习的供应链管理与金融供应链协同优化研究：从经济视角
机器学习
2025-09-05 v1 机器学习
摘要
基于经济理论并结合机器学习技术，本研究探索了解决效率损失、融资约束和风险传播等问题的合作供应链管理与金融供应链管理（SCM - FSCM）模型。我们结合交易成本和信息不对称理论，使用随机森林等算法处理多维数据，构建数据驱动的三维（成本-效率-风险）分析框架。随后，我们应用一种FSCM模型，即“核心企业信用赋能加上动态抵押融资”。我们使用长短期记忆网络（LSTM）进行需求预测，并使用聚类/回归算法进行收益分配。该研究还结合博弈论和强化学习来优化库存-采购机制，并使用极端梯度提升（XGBoost）进行信用评估，以实现快速库存货币化。通过对20家核心企业和100家配套企业的验证，结果显示库存周转率增加30%，中小企业融资成本降低18%-22%，订单履行率稳定在95%以上，模型性能优异（需求预测误差≤8%，信用评估准确率≥90%）。该SCM-FSCM模型有效减少了运营成本，缓解了融资约束，支持了供应链的高质量发展。
引用
@article{arxiv.2509.03672,
title = {SharedRep-RLHF: A Shared Representation Approach to RLHF with Diverse Preferences},
author = {Arpan Mukherjee and Marcello Bullo and Deniz Gündüz},
journal= {arXiv preprint arXiv:2509.03672},
year = {2025}
}