在供应链系统中,信息流的不确定性(客户需求不确定性、前置时间不确定性、库存数据不确定性)通常是妨碍有效的供应链管理决策,进而阻碍高质量与高效率的物流的主要原因。现代信息技术的长足进步为形成平稳可靠的供应链信息流,进而改善供应链管理决策奠定了坚实的基础,但信息的价值(对不确定性的克服)问题尚未被充分理解。本文将供应链系统看作是一个输入输出为随机过程的动态系统,尝试提出一个基于随机控制理论的架构,以统一的视角考察供应链的各种不确定性,系统地设计不确定性条件下的控制和估计策略,并以解析的形式探讨不确定性对供应链运行的影响以及不确定性的对立面一信息在供应链管理中的价值。全文主要研究内容如下：1)研究客户需求不确定性及其在供应链系统当中的传播问题(牛鞭效应)。其中供应链系统由动态物料平衡方程构成,供应链前置时间为任意固定常数,客户需求采用一般的ARMA时间序列模型进行刻画。我们将供应链看作是一个输入为随机信号的线性时不变动态系统。在此设定下,本文提出了一个基于经典最小方差控制理论的结构化框架用于供应链管理策略的设计和分析：我们根据最小方差准则直接导出了最优预测方法、传统的Order-Up-To订货策略和广义Order-Up-To策略的解析数学表达式；在给定以上策略的基础上,我们采用线性时不变系统理论(时域和频域工具)分析供应链系统的随机特性。通过这个框架,我们从控制理论的角度重新解释了前人研究当中的若干重要结果,并且推导和分析了广义OUT策略的新的特性。进一步,我们构造了一个优化模型用以降低整条供应链运行的可变成本,该成本同供应链管理策略的参数紧密相关。2)研究供应链前置时间不确定性问题。其中的供应链模型继承自研究客户需求不确定性时所采用的基本设置,但供应链前置时间不再设定为固定常数,而是扩展为一个马尔可夫随机过程。由于前置时间特性发生改变,供应链系统的动力学特性也随之变化。我们以固定常数前置时间供应链模型作为起点,对比分析了时变前置时间供应链模型的动力学特性。在此基础上,我们从最小方差控制理论的角度出发,提出了一个供应链管理策略设计和分析的量化框架,将分析客户需求不确定性时所采用的解析方法连贯地拓展到前置时间不确定性的研究领域中。在这个框架中,我们给出了前置时间不确定条件下的Order-Up-To和广义Order-Up-To策略的解析表达式,并且给出了上述策略在不同信息完备程度下的变化形式。在此基础上,我们量化讨论了在这些策略下的库存变量和订单变量的统计特性,分析了前置时间不确定性以及信息的不完备对供应链运行造成的影响。3)考虑供应链库存数据不确定性问题,重点研究如何充分利用信息以改进库存数据的精度。我们首先研究库存数据不确定性对供应链系统运行的影响,以说明改进库存数据精度的必要性。然后,着重探讨流程工业库存数据处理问题,即流程工业数据协调问题。我们提出一个新的框架,用于流程工业广义线性动态系统的数据协调。同经典的动态数据协调方法相比,本文提出的新的框架能够以一个更为简化的形式保持相同的滤波精度。同时,这个框架的统计性质为动态显著误差识别技术的改进提供了新的可能性。在这个框架的基础上,我们重新推导了前人提出的递推滤波公式,并修改了经典的广义极大似然比方法用于广义线性动态系统的显差检测。进一步,我们提出的框架提供了若干新观点以揭示线性稳态数据协调技术,线性动态数据协调技术和卡尔曼滤波器之间的理论联系和区别,以及在提高库存数据精度方面,线性动态数据协调相比于线性稳态数据协调技术的优势所在。4)初步尝试将ARMA客户需求不确定性研究扩展到多变量网状供应链系统(即每个供应链成员可以有多个下游成员和上游成员)中。本文具体探讨在网状供应链条件下,如何采用最小方差控制的思想设计供应链管理策略。在这个过程中,本文应用标准状态方程构造网状供应链系统模型、应用卡尔曼滤波器设计最优客户需求预测器,应用多变量随机控制理论制定最优订货策略。在前人的研究中,基本没有关于网状供应链系统的解析讨论。本文尝试提出这一新的问题,并为复杂结构供应链的不确定性研究提供一些新的初步的想法。