Inventory management of perishables under Zero-Inflated Poisson demand
Notice bibliographique
Résumé
Blood supply chains involve challenges of perishability, variability in demand, and costs of wastage and shortage, making the management of perishable inventory in blood supply chains particularly complex. Zero-inflation and highly variable demand patterns further complicate inventory management; however, the Zero-Inflated Poisson (ZIP) model provides a suitable framework for capturing these characteristics effectively. In this paper, we investigate how demand characteristics impact inventory performance and suggest strategies to maximize cost efficiency. This research evaluates the classical reorder-point/order-up-to-level (s,S) inventory policy under ZIP demand for a specialized product called Low-Titer O group Whole Blood (LTOWB). A ZIP model is fit to Canadian demand data and embedded in a GPU-accelerated stochastic dynamic program that yields the minimum expected total cost across a 14-day shelf-life. Discrete-event simulation benchmarks the best (s,S) rule against this optimum. Results show a distinct operating threshold: When expected daily demand exceeds one unit per day, the (s,S) policy costs significantly lower, with the small residual driven by shortage and wastage penalties. The identified threshold supplies a practical screening rule: pool demand or redirect elective usage to increase expected demand past one unit and safely employ a (s,S) policy, while advanced optimization tools must remain reserved for facilities with persistently sparse demand.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».