在全渠道零售迅猛发展的当下，消费者对购物便捷性与配送时效性的要求愈发严苛。“线上下单、店内取货”（BOPIS）和“线上下单、门店发货”（BODFS）等服务，已然成为零售行业的标配。然而，传统实体店在履行在线订单时，面临着拣货成本高、库存可视性差以及空间利用效率低等诸多难题。为应对这些挑战，众多零售商开始在店内设立微履行中心（ISMFC），期望借助其小型化、自动化且贴近顾客的特性，提升订单处理速度并降低成本。但ISMFC存储空间有限，如何在众多商品中动态且科学地选择存放品类与数量，同时应对不确定的在线需求，成为库存管理领域亟待解决的关键问题。
针对这一复杂且实际的问题，一支跨校研究团队展开了深入探究。团队成员包括香港中文大学（深圳）经管学院的姜正瑞教授、天津大学管理与经济学部的Qian Jia，以及德克萨斯大学达拉斯分校纳文·金达尔管理学院的Syam Menon。他们聚焦于ISMFC的库存决策优化，将该问题建模为受容量约束的马尔可夫决策过程（MDP）。不过，直接求解此模型会遭遇“维数灾难”的困境。为此，研究团队创新性地提出一种基于多期边际利润 - 体积比（MMPVR）的阈值策略（TP）。该策略通过计算各商品的边际利润与单位体积之比，并设定动态阈值，以此决定哪些商品应放入ISMFC以及具体的存放数量。
为验证这一策略的有效性，研究团队开展了两组实验。首组实验采用三产品模拟数据，将TP策略与最优策略以及其他基准策略进行对比。第二组实验则基于包含3,498种商品的实际零售数据，评估TP策略在规模化场景中的性能表现。实验结果显示，在小规模实验中，TP策略在多数情景下都能接近最优解，平均利润差距仅为0.60%，并且其计算速度远远快于拉格朗日指数策略（LIP）等复杂方法。在基于真实数据的大规模实验中，相较于贪婪策略、动态指数策略等基准方法，TP策略的利润提升超过9%，而且每期求解仅需约46秒，充分展现出良好的可扩展性与计算效率。研究团队还将模型扩展至易腐商品情景，发现TP策略同样在保持高效率的同时实现了较高的利润水平。
该研究在理论层面具有开创性意义，这是首次针对ISMFC库存决策问题构建约束MDP模型并提出阈值策略的研究，为弱耦合动态规划与资源受限库存优化提供了全新的方法思路。在实践层面，这一策略能够助力零售商在有限空间内科学地选品与定量，有效提升拣货效率、降低运营成本，增强对需求波动的适应能力，进而在全渠道竞争中提升订单履行速度与服务品质，实现运营效益的显著提升。
姜正瑞教授的研究领域涵盖商业智能和分析、不确定条件下的优化与决策、技术创新与扩散以及信息技术经济学。此次他与Qian Jia、Syam Menon合作完成的论文“Enabling Ultra-Fast Online Order Fulfillment: Efficient Inventory Management for In-Store Micro-Fulfillment Centers”，发表于运筹学与管理科学领域顶级期刊《INFORMS Journal on Computing》，为零售行业的库存管理难题提供了切实可行的解决方案。
