2024年第四季度，我陪一个做跨境家居的团队做年度复盘。会议室里摆着两份报表：一份显示全年销售额同比增长了63%，另一份显示年末库存账面价值比去年多了210万元人民币，其中超过90天没动销的SKU占了库存金额的38%。老板拍着桌子问了一句话：“我们到底是卖得太好还是卖得太差？”这个问题本身就暴露了问题的核心，绝大多数跨境电商团队并不是不会算补货量，而是没有一份能回答“钱到底卡在哪个环节”的问题清单。
库存计划真正的进阶点，不是把预测模型从移动平均换成机器学习，而是围绕库存把问题拆解到可执行、可归因、可追责的颗粒度上。
我先给结论，再逐层展开。跨境电商运营做到一定阶段，库存计划会从“拍脑袋下采购单”变成“一套需要持续维护的决策系统”。这套系统的成败，往往不取决于你用多先进的预测算法，而取决于你把问题问得有多准、多细、多可执行。
我服务过和深度陪跑过的跨境团队，从年GMV几十万美金的小团队到多平台多仓的中型卖家，加起来超过四十家。这些团队里有九成以上都能写出补货公式，甚至能用Excel把安全库存、再订货点、经济订货批量算得明明白白。真正卡住他们的是公式的输入项：日均销量用的是哪个口径？在途库存算不算？退货在途算不算？多平台共享的同一个SKU，销量是合并计算还是分平台计算？这些口径问题不解决，公式算得再漂亮，输出的采购建议也是错的。
库存计划的第一性问题不是“备多少货”，而是“哪些环节会让我的输入数据变脏”。把这个问题问清楚，补货准确率能立刻上一个台阶，根本不需要换算法。
我总结出来的框架是四层结构。数据层解决“数从哪来、口径统一不统一”；规则层解决“什么条件下触发什么样的补货或清货动作”；执行层解决“谁在什么时间响应什么异常”；复盘层解决“偏差出在哪、下次怎么改”。
这四层缺一层，库存计划就会退化。只有数据层和规则层，就是一堆看板没人看；只有执行层没有复盘层，同样的错误会一年犯三次；只有复盘层没有数据层，复盘就变成甩锅大会。
我在数十个团队里反复验证过，一份合格的库存计划问题清单至少覆盖以下七个模块：销量口径、在途与在制、安全库存参数、补货触发规则、异常预警机制、呆滞与清货策略、复盘归因维度。任何一个模块空着，库存问题早晚会从这个缺口漏出来。
很多团队一谈到库存计划就想上系统，但工具本身不会告诉你要问什么问题。工具的作用是把已经想清楚的问题清单固化下来，变成每天自动刷新、异常自动推送、责任自动落到人头的流程。想不清楚清单，买了工具也只是把混乱搬到了另一个界面里。
这是我最想纠正的一个认知。断货率不是越低越好，呆滞率也不是越低越好，两者是一组需要动态平衡的指标。库存计划的真正目标，是在给定资金约束下，让销售机会的损失和资金占用的成本之和最小。想清楚这一点，你在做取舍时就不会反复摇摆。
要理解为什么“问题清单”这件事在今天变得关键，得先看清楚跨境电商的运营环境在过去三年发生了什么变化。库存计划的复杂度不是线性增长的，它是随着渠道数量、履约节点、资金杠杆同步放大的。
三年前很多卖家的主战场就是亚马逊北美站加一个独立站。现在一个中等规模的团队，手上通常有亚马逊多个站点、TikTok Shop、Temu、SHEIN、速卖通、Lazada、Shopee，再加上自己的Shopify独立站。同一个物理SKU可能同时在四个以上渠道销售，共享同一批库存或者在多个海外仓分仓存放。
这时候“日均销量”这个看起来最基础的指标就崩了。是取所有渠道合并销量，还是分渠道看？亚马逊的销量是下单口径还是妥投口径？TikTok Shop的订单取消率高达两位数，要不要扣减？这些问题不统一，后面的补货全是空中楼阁。
以前库存就是“FBA在库+在途+工厂在制”三段。现在多了一层海外仓和第三方仓的库存，还有一部分在平台上但属于别的店铺的调拨库存。在途的定义也变复杂了：头程海运在途、空运在途、清关中的货、海外仓之间的调拨在途。
我见过一个团队，因为把“海外仓调拨在途”漏算了，导致一款主力产品在旺季前重复下单，多压了将近40万元人民币的库存，直到次年Q2才清完。库存计划里的每一个“漏算”，最终都会变成账面上真实的现金沉淀。
亚马逊的月度仓储费和长期仓储费过去几年持续调整，一些旺季附加费和超龄库存附加费让呆滞库存的真实持有成本被大幅放大。以前呆滞只是“占用资金”，现在是“占用资金+每月持续扣费+可能被强制移除”。这让库存计划从“运营效率问题”升级成了“现金流安全问题”。
跨境电商旺季备货通常需要提前三到四个月下单，资金一次性投入巨大。我接触过的团队里，旺季备货资金占全年现金流峰值的比例普遍在50%以上。这意味着一次备货决策失误，可能直接影响后续半年甚至一年的运营节奏。越是资金杠杆高的团队，越需要一份能提前暴露风险的库存问题清单。
我陪跑过一个做户外品类的团队，2022年时只有一个亚马逊美国站，库存计划靠Excel一张表，管得挺好。2023年开始拓展TikTok Shop和独立站，2024年又加了欧洲站和加拿大站。到2024年Q3，老板发现两个矛盾现象同时出现：主力产品在北美多次断货，而欧洲仓和加拿大仓有一批货压了五个月。
我们花了三周做问题清单梳理，最后定位到三个具体问题：第一，欧洲站和北美站共用SKU编码，但库存独立，Excel里没有分仓字段；第二，TikTok Shop的销量没有单独剔除促销期异常峰值，导致安全库存被拉高；第三，海外仓的动销数据靠人工每周更新一次，实际滞后了7到10天。这三个问题都不复杂，但因为没有一份系统的问题清单，它们同时存在了将近一年。
我在复盘中发现，问题清单失效大多不是因为没人做，而是因为做的方式本身有问题。下面这六个误区是出现频率最高的，几乎每个团队都会踩中其中两到三个。
不少团队一上来就追求预测准确率，花大量精力调模型、换算法。但跨境电商的销量受促销、竞品、平台算法、季节、汇率、物流时效共同影响，短期预测准确率的天花板本身就不高。把预测准确率当核心KPI，会导致团队不断优化一个边际收益很低的环节。
更有效的KPI是“预测偏差对库存结果的影响程度”，也就是当预测偏离10%时，你的补货策略能不能自动吸收这个偏差，而不是直接导致断货或多压货。
我见过太多团队给所有SKU设同一个安全库存天数，比如“统一30天”。这是最省事但代价最大的做法。A类主推款的断货损失可能是B类长尾款的几十倍，C类慢动销款的呆滞风险又远高于A类。用同一个数字覆盖所有SKU，等于主动放弃了对风险的差异化处理。
这是最隐蔽的误区。跨境电商退货率普遍高于国内，服装类目退货率两位数很常见。如果补货时用“销量”，而库存可用量用“在库+在途”，退货回仓的货就等于凭空消失了，既没算进可用库存，又没算进销量扣减，最终导致重复补货。
Excel不是不能用，但纯Excel做多平台多仓库存管理，通常只能做到月度维度、SKU汇总维度。库存问题往往发生在周维度甚至日维度：某个SKU突然在某个平台动销加速，某个海外仓的货因为物流延误到不了位。颗粒度太粗，问题清单就只能事后总结，无法事前拦截。
断货率是显性损失，能马上感知；呆滞率是隐性损失，会计入库存但不会立刻带来现金流压力。于是团队自然把注意力放在断货上，疯狂加安全库存，结果呆滞率悄悄爬升。我见过的团队里，呆滞库存占用的资金往往是断货损失的3到5倍，但因为不会立即暴露，长期被忽视。
一旦出现断货或呆滞，很多团队的默认动作是找采购“为什么没补”“为什么补多了”。但库存问题的根因通常在运营、选品、定价、营销节奏层面。采购只是执行端，前端的需求信号错了，采购再努力也只是把错误放大。
接下来是我认为这篇文章最有价值的部分，具体怎么建这份清单。我不讲空泛的方法论，而是按“数据，规则，执行，复盘”四层，把每一层必须问的问题列出来。
数据层要回答的问题是：我的销量、库存、在途、退货，各自用什么口径，能不能对得上。我建议在数据层固定问以下几个问题。
这五个问题看起来基础，但我在实际陪跑中，能让团队一次全部答清楚的不到三成。数据层没理清就往下做规则，等于在流沙上盖楼。
规则层要回答的是：什么条件下该补货、补多少、什么条件下该清货。这里我建议用参数化方式管理，而不是每次重新判断。一个可落地的补货规则应该包含以下要素。
下面是一段我常用的安全库存计算逻辑示例，用伪代码表达，方便团队理解和落地。
# 安全库存计算逻辑示例
安全库存 = Z * sqrt( 提前期 * 销量标准差^2 + 平均销量^2 * 提前期标准差^2 )
Z: 服务水平系数（95%服务水平取1.65，99%取2.33）
提前期: 从下单到可售的平均天数（含头程、清关、上架）
销量标准差: 按最近8-12周周销量计算
提前期标准差: 按最近10批实际到货天数计算
再订货点 = 平均日销量 * 平均提前期 + 安全库存
建议补货量 = 再订货点 + 目标覆盖天数 * 平均日销量 – 可用库存
最后按 MOQ 和货柜整除向上取整
这段逻辑本身不难，难的是每个输入项的口径统一。我强烈建议团队把这套逻辑固化到工具里，而不是每次在Excel里手工算，否则口径会随着操作人变化而变化。
执行层要回答的是：发现问题之后，谁在多久内处理，处理结果如何记录。我在实践中总结出的做法是给库存异常分三级。
| 异常级别 | 触发条件 | 响应时限 | 责任人 |
|---|---|---|---|
| 红色（紧急） | 主力SKU可用库存覆盖天数低于安全线，或预计7天内断货 | 4小时内响应 | 运营负责人+供应链 |
| 黄色（关注） | 次级SKU覆盖天数低于警戒线，或在途到货延迟超过5天 | 1个工作日内响应 | 对应运营 |
| 绿色（观察） | 动销趋势异常波动，或库存周转偏离目标区间10%以上 | 3个工作日内响应 | 数据分析岗 |
有了分级，团队就不会被大量低优先级问题淹没，也不会因为没人负责而让红色异常被忽略。
复盘层要回答的是：这次偏差出在数据、规则、执行还是外部环境。我建议用下面这种归因框架，每次库存异常都强制落到某一类。
归因框架的价值在于，它让复盘从“谁的责任”变成“哪一类的责任”，大幅降低团队内耗，也让改进动作更聚焦。如果一个季度内数据类偏差占比超过40%，说明该优先修数据管道；如果执行类偏差占比高，说明流程和责任分配有问题。
讲到这里，很多人会问：清单建好了，怎么落地？纯靠Excel和人工盯，最多撑到中型规模，再往上就必须靠工具承接。下面我用数跨境（官网：https://shukuajing.jiushuyun.com/?utm_source=seo&utm_plan=est&utm_unit=gys）举例说明，一家多平台卖家是怎么把前面这套问题清单变成日常运营动作的。
这家团队主营户外装备，年GMV在800万美金左右，渠道包括亚马逊美国站和欧洲站、TikTok Shop美国站、一个Shopify独立站，仓储节点包括FBA美国仓、FBA欧洲仓、一个美国海外仓、一个自建中转仓。他们面临的问题非常典型：
我们先用两周时间做问题清单梳理，把上线前的真实状态记录下来作为基线。数据如下（来自该团队2024年Q2-Q3运营数据）：
| 指标 | 上线前状态 | 问题归类 |
|---|---|---|
| 库存周转率 | 3.1次/年 | 规则层：补货批量过大 |
| 主力SKU断货次数（半年） | 11次 | 执行层：预警滞后 |
| 呆滞库存占库存金额比例 | 31% | 数据层：无统一动销视图 |
| 库存数据更新频率 | 人工每周1次 | 数据层：同步频率过低 |
| 补货决策平均耗时 | 每SKU约25分钟 | 执行层：纯人工计算 |
我们在数跨境里做的第一件事，是把四个平台、四个仓的数据接入，统一SKU主数据和销量口径。这家团队最头疼的就是“同一个产品在四个地方的数据对不上”，数跨境的接入能力把亚马逊、TikTok Shop、独立站的数据汇总到一起之后，我们终于有了一个可信的基础层。
第二步是搭建库存计划看板，按前面讲的四层结构来组织。数据层展示各平台销量口径、库存分布、在途明细；规则层展示每个SKU的安全库存参数和补货触发状态；执行层用异常清单推送红色和黄色预警；复盘层用归因标签统计偏差结构。
让我印象最深的是他们上线第三周发现的一个问题：一款露营灯在独立站的退货率突然从6%爬到了17%。如果用月度Excel复盘，这个问题要到月底才会被发现，但看板上退货率是每日刷新的，我们当天就触发排查，最后定位到是某一批货的包装在运输中容易破损。库存问题的价值不在于知道结果，而在于比别人早两周知道结果。
这家团队上线数跨境并配套问题清单运行了大约五个月，主要指标变化如下（数据来自其内部运营月报，经脱敏处理）：
| 指标 | 上线前 | 上线后（5个月） | 变化 |
|---|---|---|---|
| 库存周转率 | 3.1次/年 | 5.4次/年 | +74% |
| 主力SKU断货次数（月均） | 1.8次 | 0.4次 | -78% |
| 呆滞库存占库存金额比例 | 31% | 14% | -17个百分点 |
| 库存数据更新频率 | 每周1次 | 每日自动刷新 | 时效提升约7倍 |
| 单SKU补货决策耗时 | 约25分钟 | 约4分钟 | -84% |
| 库存异常平均发现延迟 | 约21天 | 约2天 | -90% |
这里我要特别说明：这些改善不是工具单方面带来的，而是问题清单+工具承接共同作用的结果。如果只是把Excel搬到看板上，但问题清单还是原来那套粗口径，指标不会有这么大变化。
讲完效果，必须讲坑。否则这篇内容就变成工具宣传了，而我更想让你知道真实落地的难点在哪。
（1）SKU主数据映射没做扎实。上线第一周就发现，同一个产品在亚马逊叫A，在TikTok Shop叫B，在独立站叫C，导致销量合并后对不上。后来我们专门花三天做了主数据映射表，把各平台编码统一到一个内部SKU，这是所有后续工作的地基。
（2）时区和数据刷新周期没对齐。亚马逊欧洲站和美国站的数据时区不同，如果不在看板里统一，同一个日期看到的数据是不一样的。我们在看板上统一按UTC+8展示，并在每个图表里标注原始时区，避免团队误读。
（3）退货和在途一开始没纳入可用库存。这是最典型的坑，上线第二周就因为这个原因重复下单。后来我们把可用库存定义改成“在库可售 + 在途 – 已占用 – 待处理退货”，并且把退货状态细分为可售和不可售两类。
（4）安全库存参数一开始设得太保守。团队出于怕断货的心理，把所有SKU的安全库存都设得偏高，结果呆滞率下降很慢。后来我们按ABC分层重新设参数，并结合近8周销量波动率动态调整，效果才明显改善。安全库存不是越高越安全，而是越匹配波动越安全。
同样的方法论，套在不同规模的团队上，优先级完全不同。我把常见的四类情况分别给出建议，你可以对号入座。
这个阶段先把口径统一和手工清单做扎实，不必急着上工具。建议用一张Excel搞定以下字段：SKU、平台、日均销量、在库、在途、安全库存天数、补货点、建议补货量。每周更新一次，手动计算。
这个阶段最重要的一件事是把补货逻辑写下来，而不是留在脑子里。哪怕只有一页纸，也能让你在扩渠道时知道该改什么。
这个规模通常已经到了人工算不过来的临界点，建议开始引入工具承接。优先接入销量和库存数据，做出统一的库存视图和异常清单。工具选择上优先看数据接入能力（能接多少个平台和仓库）和字段自定义能力，而不是先看报表长得漂不漂亮。
这个规模必须建立完整的四层问题清单，并且要有专人负责库存计划的日常运行。建议把库存计划从“运营兼做”变成明确的岗位职责，同时把补货审批流程、异常响应时限、复盘会议机制都固化成制度。
铺货型卖家SKU数量大、单SKU销量低，重点应放在呆滞识别和清货策略上，安全库存参数要设得更保守；精品型卖家SKU少、单SKU销量大，重点应放在供应稳定性和在途管理上，安全库存可以设得更精细。
季节性品类要重点管理备货节奏和旺季后的清货窗口，常青品类则更关注长期的库存周转和参数稳定性。这两类用同一套参数，一定会出问题。
最后这一节可能是最考验判断力的部分。库存计划没有标准答案，只有基于具体情况的取舍。我把最常见的四组取舍列出来，说明我的判断逻辑。
追求高精度的库存预测往往需要更长的数据积累和更复杂的模型，但市场变化速度快，等你算准了，机会窗口可能已经过去了。我的判断是：对于主力SKU，优先保证精度；对于长尾SKU，优先保证速度。主力SKU的决策影响放大，值得多花时间；长尾SKU用简化规则快速处理，反而降低整体管理成本。
自动化能大幅降低人工成本，但完全自动化的补货建议在遇到异常时容易放大错误。我建议在补货审批上保留人工复核环节，但把复核重点放在异常SKU上，正常SKU直接按建议执行。这样既保证效率，又留了人工判断的余地。
这组取舍没有通用最优解，取决于你的资金成本和断货损失。如果毛利率高、断货损失大，可以适度提高安全库存；如果资金紧张、毛利率低，则应控制安全库存，接受一定的断货概率。我建议团队把这两类损失量化后再做决策，而不是凭感觉摇摆。
工具投入是前期成本高、长期边际成本低；人力投入是前期灵活、长期随规模线性增长。我的判断临界点是：当库存相关的人工耗时每月超过40小时，且SKU数量超过300个时，工具投入的回报周期通常在半年以内。低于这个规模，先用规范化的Excel流程更划算。
统一口径是为了可比性，但平台之间的规则差异是客观存在的。我的做法是在数据层统一、在分析层保留差异：底层字段统一，但在做平台对比时保留各平台的原始口径标注，避免误读。
| 取舍维度 | 偏向A（如精度/自动化/低库存） | 偏向B（如速度/人工/高库存） |
|---|---|---|
| 适用场景 | 主力SKU、资金紧张、毛利率低 | 长尾SKU、资金充足、断货损失大 |
| 主要风险 | 断货、机会损失 | 呆滞、资金沉淀 |
| 建议动作 | 加强预警、缩短补货周期 | 强化动销监控、设置清货触发线 |
写到这，我想再强调一次：库存计划没有一劳永逸的方案，它是一份需要持续维护的问题清单。你在不同阶段问不同的问题，清单会越问越细，判断会越来越准。
回到开头那个问题，“我们到底卖得太好还是卖得太差”。真正成熟的库存计划团队不会纠结这个问题，因为他们的问题清单里已经写清楚了：哪些SKU在加速、哪些在减速、哪些库存卡在哪个仓、资金占用在哪个环节超预期。答案是清单跑出来的，不是拍脑袋拍出来的。
我自己的判断是，未来两年跨境电商库存计划的竞争点，会从“谁的预测准”转向“谁的问题清单更细、执行更快、复盘更狠”。预测总会错，但好的问题清单能让错误的代价可控。
如果你现在就想动手，我建议下一步做三件具体的事：
当你能在一个页面上同时看到“卖得好不好”和“钱卡在哪里”这两个答案时，库存计划这件事才真正完成了进阶。
我前两年带跨境团队，第一件事就是拉了一张几十列的库存Excel，字段从采购价到广告花费全塞进去，结果运营不看、采购不用，周会还是靠嘴对。后来我才想明白，问题不在数据不够，而在于问题没有分层，大家不知道哪条该自己管。
建议按四层拆：目标层、参数层、执行层、异常层。目标层只放周转天数（DSI）、断货率、滞销库存占比、库存现金占用这四个结果指标；参数层放补货点、安全库存、MOQ、头程时效这些会失真的假设；执行层写清谁在什么时间做什么动作；异常层放超储、缺货、库龄、退货、在途延误这类需要立刻处理的现象。
每层保留5到8个问题，整张清单控制在25到30条以内。判断依据很直接：清单条目超过30条，周会根本过不完，超过一半的问题会变成「下次再看」；而每条问题如果落不到一个具体负责人和一个截止日期，就应该直接删掉。
我自己是把清单先跑两周，把连续两周没人回复、也没产生任何动作的条目全砍了，剩下的才是真的有用的。
我们同时做平台店和独立站，采购在国内、仓在海外，我最开始是凭感觉备两个月货，旺季断货、淡季压仓，一年下来光仓储费就吃掉不少利润。后来复盘才发现不是公式不会，而是参数的取数口径全错了。
先给可执行的公式：补货点等于日均销量乘以（采购周期＋头程运输＋清关入库＋上架天数），再加安全库存。安全库存等于Z乘以根号下（交期乘以日销量标准差的平方，加上日均销量平方乘以交期标准差的平方），服务水平95%时Z取1.65，98%取2.05。
口径上有三个坑必须避开：第一，日均销量别用30天简单平均，用最近28天的加权值，近7天权重0.5、第8到28天权重0.5，并剔除大促当天的异常峰值；第二，交期必须用实际签收数据算标准差，合同交期只能做参考，海运旺季的交期标准差经常是平均交期的30%到50%；
第三，头程波动大的品类要把运输段和清关段分开算，合在一起会把波动平滑掉，安全库存会被严重低估。算完之后不要直接上线，先拿过去6个月的订单数据回测一遍，对比断货率、周转天数和滞销占比有没有改善，改善了再切。
清单做出来了，但运营说没时间填，采购说看不到，最后又回到群里口头对，第二天全忘。我特别想知道别人是怎么把它变成固定动作、而不是又一份躺在网盘里的表格。
核心是三件事：定节奏、定载体、定触发。节奏上分三个频率，每天只看异常层（缺货预警、在途延误、负库存），每周看执行层和参数层（补货点是否失真、超储SKU怎么处置），每月看目标层（周转天数、滞销占比、现金占用）。
载体上别用Excel发来发去，用某项目管理工具把每条问题做成可指派、可跟踪的条目，固定几个字段：SKU、仓库、问题类型、影响金额、负责人、截止日期，这样超期会被自动标出来，也不会漏。
触发上设阈值自动生成条目，比如可售天数低于交期乘1.2自动生成缺货预警，库龄超过90天且动销率低于0.3自动生成滞销条目。
判断这套机制有没有跑起来，看一个数就够了：一个月后如果清单里超过30%的条目是重复出现的同类问题，说明团队在记录现象而没解决问题，这时候要把动作往参数层和流程层改，而不是继续加条目。
每年大促前我都很焦虑，备少了断货、备多了压到第二年，滞销那边又舍不得清，仓储费一个月一个月地烧。我特别想要一套可以照着逐条问的问题清单，而不是每次靠拍脑袋。
旺季单独加一组问题：去年同期同SKU的售罄时间和断货天数、今年流量预估（广告预算增幅乘以历史转化率）、海运截单日与预计到仓日、工厂产能上限和排产周期、空运的成本临界点（也就是空运之后毛利仍为正的最低售价或最高可承受运费）、平台仓储容量和入库限制。
判断逻辑是先做分层：把贡献约80%利润的前20%SKU单独拉出来，给它们更高的服务水平（98%）和更长的备货提前期，长尾SKU宁可断货也不压货。滞销侧用三段判断：库龄90天以内且动销率大于0.5的继续观察；库龄90到180天、动销率0.2到0.5的降价促销并停止补货；
库龄超过180天或动销率低于0.2的，把清仓成本（仓储费＋资金占用＋平台长期仓储附加费）和清仓回收额摆在一起算，回收额低于继续持有成本的立刻清。所有清仓决策都要写进清单并标注复盘日期，避免出现「清了但没人算过账」的情况。
读者评论
我们做家居类目，退货率大概8%，最大的坑确实是退货回仓没进可用库存，采购按销量补，结果同款压了两批。但我不太认同先做数据层的顺序，我们十几个人全职做口径统一的成本太高，反而是先把补货触发规则写死、规定谁在什么时间看哪张表，让问题先暴露，再回头修数据，见效更快。
呆滞资金是断货损失的三到五倍，这个倍数我保留意见。我们类目仓储费不算高，断货一次错过新品窗口的损失其实很贵，两个指标不能简单比大小。而且服装和3C差异极大，这种倍数最好说明样本构成，否则容易被当成结论直接套用。
文章说工具不会告诉你要问什么，这点我同意。我们去年上了系统，初期就是把原来的Excel逻辑搬进去，异常推送没人认领。后来先把异常响应的人和时限写进流程，系统才真正起作用。工具本身不难，难的是谁对偏差负责、负责到什么程度。