EOQ公式怎么得来的？EOQ公式为何得出？——解密经济订货批量模型的底层逻辑

EOQ（Economic Order Quantity），即经济订货批量，是供应链管理中最基础却最常被误读的模型之一。它并非冷冰冰的数学公式，而是一套关于“确定性与不确定性博弈”的决策框架——在库存、订货、持有成本之间寻找那个微妙的平衡点。

为什么EOQ能穿越90年仍被广泛使用？

自1915年Ford Whitman Harris首次提出以来，EOQ模型在制造业、零售业、电商、医疗物流等领域持续焕发价值。原因在于它将复杂的供应链决策抽象为三个可量化变量：

• 固定订货成本（S）：每次下单的行政、沟通、运输等固定支出，与数量无关；
• 单位持有成本（H）：每单位库存单位时间（通常为年）的仓储、保险、资金占用、折旧等成本；
• 年需求量（D）：稳定可预测的总需求，是模型成立的前提假设。

这三者构成一个“U型成本曲线”——当订货量过小，订货次数激增，固定成本推高；当订货量过大，库存积压，持有成本飙升。而EOQ公式正是这个U型曲线的最低点。

其中：
Q：经济订货批量（最优解）
D：年需求总量（单位：件/年）
S：每次订货成本（单位：元/次）
H：单位产品年持有成本（单位：元/件·年）

这个简洁公式背后，是Ford Whitman Harris在通用汽车担任工程师时，为解决“如何安排机器换模时间与批量生产”的现实问题而推导出的最优解。它标志着管理科学从经验直觉迈向量化决策的里程碑。

构建总成本函数

EOQ模型假设：
• 需求率恒定（d单位/时间）
• 补货提前期为0（即时到货）
• 无缺货、无折扣、无损耗
• 库存水平呈锯齿状周期性下降

基于此，总成本TC（Total Cost）由三部分构成：

• 订货成本（OC） = (D / Q) × S
  年订货次数 × 每次成本
• 持有成本（HC） = (Q / 2) × H
  平均库存水平 × 单位持有成本
• 采购成本（PC） = D × C
  （注：本模型中C为常数，不影响最优Q，故通常忽略）

因此，年总成本函数为：

求导找极小值点

对TC(Q)关于Q求导，并令导数为0：

移项得：

整理后得到：

最终解出EOQ公式：

验证极小值

阶导数为 d²TC/dQ² = (2DS)/Q³ > 0（当Q>0），说明该点为极小值点，即全局最小成本点。

关键推论：最优订货周期

若年工作日为250天，则最优订货周期T为：

这为企业安排采购计划、生产排程提供了量化依据。

EOQ模型的威力取决于参数输入的准确性。现实中，许多企业直接套用公式却效果不佳，根源在于参数失真。以下为各参数的深度解析：

单位持有成本 H：远不止“仓储费”

H通常以“年持有成本率”表示，即库存单位价值的百分比。其真实构成包括：

每次订货成本 S：隐藏的“隐形成本”

S常被误认为仅是运费，实则包含：

• 采购部门的人工成本（询价、下单、跟单、验货）
• 信息系统使用费（ERP下单操作时间折算）
• 运输管理费（调度、装车、单据处理）
• 质量检验成本（抽样、测试、报告）
• 供应商管理成本（会议、合同谈判、履约评估）

实操建议：可采用“作业成本法（ABC）”归集采购部门全年费用，除以全年订单数，得出更准确的S值。

年需求量 D：稳定是前提，波动是常态

EOQ要求D为常数，但现实中需求常受季节、促销、竞品影响。应对策略：

参数校准实操案例

场景：某食品连锁企业销售A产品，年销量D=12,000箱
• 采购单价C=20元/箱
• 年利率5%，仓库租金12元/㎡/月，A产品每箱占0.02㎡
• 每次订货人工成本80元，运输费300元/车（每车装100箱）
• 历史损耗率2%

计算：
• 单位年持有成本H = (20×5%) + (12×0.02×12) + (20×2%) = 1 + 2.88 + 0.4 = 4.28元/箱·年
• 每次订货成本S = 80 + 300/100 = 83元/次
• EOQ = √(2×12000×83 / 4.28) ≈ 722箱
• 年订货次数 = 12000 / 722 ≈ 16.6次 → 17次
• 订货周期 ≈ 250 / 17 ≈ 14.7天

案例1：连锁便利店——“小批量高频次”的EOQ悖论

某品牌便利店（全国2000家店）原采购策略：每次订货100箱饮料，每周订2次。导致：
• 订货成本高：年订货次数 = 2×52 = 104次
• 仓储空间紧张：每店需设临时堆放区
• 人工成本上升：店员频繁卸货、整理

EOQ优化：
• D = 2000店 × 2箱/天 × 365天 = 146万箱/年
• S = 120元/次（含调度、单据、质检）
• H = 8元/箱·年（含资金、仓储、损耗）
• Q = √(2×1460000×120 / 8) ≈ 1873箱
• 新策略：每店每月订货2次，每次1873箱（按门店销量比例分配）
• 效果：
  ✓ 年订货次数降至1332次（减少87%）
  ✓ 仓储空间释放40%
  ✓ 单店月均人力成本下降1800元
  ✓ 总成本下降12.6%

案例2：电子制造——“长提前期”下的EOQ修正

某芯片厂采购IC物料，提前期L=45天，需求波动大。原策略：按月预测采购，常出现断料。

优化方案：
1. 计算基础EOQ = 5000件
2. 安全库存SS = 1.65 × √(45×σ_d² + d²×σ_L²)
（σ_d=200件/天，σ_L=3天）
→ SS ≈ 1.65 × √(45×40000 + 10000×9) ≈ 2300件
3. 订货点ROP = d×L + SS = 1000×45 + 2300 = 47,300件
4. 实施VMI（供应商管理库存），将H降低22%
5. 最终年缺货次数从28次降至0次，库存周转提升35%

案例3：生鲜电商——“短保期”下的动态EOQ

某草莓电商，单箱保质期仅3天，损耗率高达15%。传统EOQ完全失效。

创新方案：
• 引入 perishable EOQ模型：
Q = √[ 2DS / (H + P×π) ]
其中P为单位采购价，π为损耗率
• 实际H = 资金成本 + 仓储 + 损耗 = 3 + 0.5 + (15×10%) = 5元
• EOQ = √(2×1000×60 / 5) ≈ 155箱
• 同步实施“预售+次日达”模式，将实际保质期延长至4天
• 损耗率降至9%，库存周转从2次/周提升至3次/周

误区1：“EOQ算出来就是最优解，必须执行”

真相：EOQ是理论最优，但现实中存在执行约束：
• 包装单位限制（如整箱起订）
• 最小起订量（MOQ）
• 运输车辆容量（整车/零担）
• 供应商排产周期

纠偏策略：
• 计算Q后，向上取整至包装单位（如155箱→160箱）
• 比较Q与MOQ，若MOQ < Q，接受MOQ；若MOQ > Q，评估增加库存的边际成本
• 使用“批量折让分析”：若批量折扣节省 > 增持成本，则接受大批量

误区2：“所有物料都适用EOQ”

EOQ适用条件：
• 需求稳定（CV < 0.3）
• 提前期短且稳定
• 无批量折扣
• 无缺货惩罚成本

不适用场景：
• 周期性波动大的商品（如节日礼品）→ 改用Lot-Sizing（如Wagner-Whitin）
• 高价值、低周转物料（如备件）→ 改用（s,S）策略
• 需求高度不确定（如新品）→ 改用安全库存主导策略

误区3：“H固定不变”

实际中H常随库存水平变化：
• 仓储费：超量部分阶梯计价
• 资本成本：贷款额度影响利率
• 损耗率：库存越高，损耗越快（非线性）

解决方案：
• 分段计算：Q < 1000时H=4元，Q≥1000时H=4.5元
• 用非线性规划求解：
min TC(Q) = DS/Q + H(Q)×Q/2
• 采用“数量折扣EOQ”模型（见下表）

误区4：“忽略供应链协同成本”

单点EOQ最优 ≠ 全链路最优。例如：
• 零售商EOQ=500箱，但制造商最小生产批量=1000箱
• 导致零售商被迫接受1000箱，持有成本上升

协同EOQ（Joint EOQ）：
• 将上下游视为整体，优化联合订货策略
• 公式：Q = √[ 2D(S_R+S_M) / (H_R+H_M) ]
• 效果：某家电企业通过协同EOQ，年总成本下降9.3%

延伸学习路径

• 入门：《生产与运作管理》（陈荣秋）第7章
• 进阶：《Inventory Management and Production Planning》（Silver）
• 实践：用Excel搭建动态EOQ模型（提供参数敏感性分析）
• 工具：Python的scipy.optimize求解非线性库存模型