趙泉午，趙軍平，林 婭

(1.重慶大學(xué)經(jīng)濟與工商管理學(xué)院，重慶 400030;2.重慶大學(xué)現(xiàn)代物流重慶市重點實驗室，重慶 400030)

基于O2O的大型零售企業(yè)城市配送網(wǎng)絡(luò)優(yōu)化研究

趙泉午1,2，趙軍平1,2，林 婭2

(1.重慶大學(xué)經(jīng)濟與工商管理學(xué)院，重慶 400030;2.重慶大學(xué)現(xiàn)代物流重慶市重點實驗室，重慶 400030)

本文研究了O2O轉(zhuǎn)型背景下大型零售企業(yè)城市配送網(wǎng)絡(luò)優(yōu)化面臨的中轉(zhuǎn)中心選址及末端需求點分配問題，構(gòu)建了考慮配送中心到末端需求點近似配送距離的中轉(zhuǎn)中心選址及末端需求點分配聯(lián)合優(yōu)化模型，設(shè)計了集成遺傳算法和禁忌搜索算法的混合算法求解模型，通過混合算法與CPLEX的對比證明了本文算法的有效性。以蘇寧重慶主城核心區(qū)域的城市配送網(wǎng)絡(luò)優(yōu)化為實例進行測算，給出了蘇寧重慶主城核心區(qū)域中轉(zhuǎn)中心的選址及需求點分配的聯(lián)合優(yōu)化方案。聯(lián)合優(yōu)化方案表明城市物流“最后一公里”末端配送成本占城市物流總成本的比例超過60%；車型是影響城市物流總成本的關(guān)鍵因素，選擇與中轉(zhuǎn)中心容量接近的車型能夠顯著降低城市物流總成本，減少運輸距離；合理的中轉(zhuǎn)中心選擇能提高短距離配送比例和減少配送總距離。

O2O轉(zhuǎn)型；選址-分配；“最后一公里”；遺傳算法；禁忌搜索算法

1 引言

布局O2O模式是國內(nèi)大型零售企業(yè)應(yīng)對電商對沖擊的重要途徑。2014年國內(nèi)連鎖百強有75家開展網(wǎng)絡(luò)零售，其中23%的門店提供自提服務(wù)。門店是實施O2O的關(guān)鍵環(huán)節(jié)，目前國內(nèi)大型零售企業(yè)的O2O轉(zhuǎn)型模式分為三種。第一種是門店僅提供商品展示及消費體驗服務(wù)，不涉及任何線上訂單的物流功能。第二種是門店提供線上訂單的物流中轉(zhuǎn)服務(wù)，以少數(shù)門店作為中轉(zhuǎn)中心，為周邊末端需求點提供配送服務(wù)。第三種是門店在前兩種模式的基礎(chǔ)上，提供客戶自提、商品包裝等服務(wù)，實現(xiàn)了線上線下庫存及服務(wù)的共享融合。目前國內(nèi)大型零售企業(yè)(蘇寧、國美等)O2O布局以前兩種模式為主。城市內(nèi)部核心區(qū)域需求密度大，需求量集中，中轉(zhuǎn)中心選址關(guān)系到城市物流系統(tǒng)運作效率和成本，各企業(yè)紛紛優(yōu)化布局城市核心區(qū)域的中轉(zhuǎn)中心，完善“最后一公里”配送。

中轉(zhuǎn)中心選址問題屬于物流設(shè)施選址問題，大量文獻進行了研究。Aikens等[1]研究了現(xiàn)有多種選址模型，認為模型的選擇應(yīng)根據(jù)問題特征而定。Shen等[2]研究了包含一個供應(yīng)商，多個需求不確定零售商的選址及庫存聯(lián)合優(yōu)化模型，建立非線性規(guī)劃模型進行求解。Tsao等[3]綜合考慮區(qū)域配送中心選址、需求點分配及區(qū)域配送中心庫存策略使物流總成本最小，論文采用非線性規(guī)劃求解。Taniguchi等[4]應(yīng)用雙層規(guī)劃研究了公共物流站點選址問題，采用遺傳算法得出最優(yōu)解。Wang Yong等[5]采用遺傳算法和粒子群混合算法研究了兩層物流網(wǎng)絡(luò)設(shè)施選址及分配問題，并以中國貴陽為例對算法進行檢驗，其設(shè)計的算法適用于優(yōu)化小規(guī)模的雙層物流系統(tǒng)。Diabat等[6]研究了單個產(chǎn)品多層次庫存選址聯(lián)合優(yōu)化問題，并采用拉格朗日松弛多階段算法進行求解。Amir等[7]研究了價格影響需求和庫存容量對物流設(shè)施選址的影響，通過數(shù)據(jù)模擬得出所建模型適用于優(yōu)化價格、選址和庫存聯(lián)合優(yōu)化。Jouzdani等[8]通過構(gòu)建混合整數(shù)規(guī)劃模型研究了交通擁堵及需求不確定下奶制品供應(yīng)鏈規(guī)劃問題。唐金環(huán)[9-12]研究了碳排放對企業(yè)物流設(shè)施選址的影響，企業(yè)可通過設(shè)施選址、車輛選擇、路徑設(shè)計等方式以較小代價降低碳排放。O2O物流設(shè)施選址與B2C物流設(shè)施選址具有相似特征，針對B2C物流設(shè)施選址問題，劉必爭等[13]認為B2C車輛配送業(yè)務(wù)需考慮車輛的回訪特性，并建立帶軟時間窗的選址-路徑集成模型，結(jié)合遺傳算法和退火算法求解。周翔等[14]考慮顧客滿意度最大和運輸成本最低兩個目標，對B2C模式下城市配送物流網(wǎng)絡(luò)中末端節(jié)點數(shù)量、配送中心和末端節(jié)點的選址進行研究，構(gòu)建了兩階段優(yōu)化模型并求解。蔣忠中等[15]建立選址-分配模型，設(shè)計基于嵌入表上作業(yè)法的遺傳算法求解。Xu Bin等[16]立足于提升物流系統(tǒng)效率和降低運輸成本研究了B2C兩級物流分撥體系，采用Lingo軟件求解證明模型的有效性。Torabi等[17]研究了電商物流庫存設(shè)施選址和庫存轉(zhuǎn)運問題，建立了混合整數(shù)規(guī)劃模型，通過數(shù)據(jù)仿真說明了庫存轉(zhuǎn)運對于電商企業(yè)的重要性。Yu等[18]研究了引入第三方物流時考慮車輛不返回的設(shè)施選址及路徑問題，采用模擬退火算法進行求解，通過算例證明算法有效性。文獻[19-22]研究了模糊需求下物流設(shè)施選址問題，集成優(yōu)化設(shè)施選址、分配及路徑規(guī)劃。

現(xiàn)有文獻側(cè)重優(yōu)化算法設(shè)計，以隨機生成中小規(guī)模算例驗證算法有效性，缺乏明確應(yīng)用背景，并且末端需求點規(guī)模設(shè)置鮮有超過300個。本文以蘇寧等國內(nèi)大型零售企業(yè)O2O轉(zhuǎn)型實踐為背景，綜合考慮中轉(zhuǎn)中心運營成本、車輛往返配送成本和車型選擇等因素，構(gòu)建整數(shù)規(guī)劃模型對具有容量限制的城市配送中轉(zhuǎn)中心選址、末端需求點分配和末端配送問題進行研究。本文的創(chuàng)新處體現(xiàn)在如下幾點：一是基于蘇寧等國內(nèi)大型零售企業(yè)O2O轉(zhuǎn)型實踐為背景研究城市配送中轉(zhuǎn)中心選址及末端需求點分配問題。二是針對問題特性及模型特點，論文綜合了遺傳算法和禁忌搜索算法的優(yōu)點，基于啟發(fā)式規(guī)則設(shè)計了集成混合算法，并通過混合算法與CPLEX軟件求解結(jié)果的對比，驗證本文混合算法的有效性。三是采用Daganzo[24]提出的距離估算方法測算中轉(zhuǎn)中心到末端需求點的配送距離，該測算方法使得配送距離更加接近車輛日常配送距離。四是本文以蘇寧重慶主城核心區(qū)域為實例進行測算，給出了不同情景下選址及末端需求點分配的具體方案，所得結(jié)論契合實際，具有較高的決策參考價值。

2 問題及模型

2.1問題描述

本文研究國內(nèi)大型零售企業(yè)實施O2O轉(zhuǎn)型面臨的城市配送網(wǎng)絡(luò)優(yōu)化設(shè)計問題，也就是從城市配送中心到消費者過程中面臨的中轉(zhuǎn)中心選址和末端需求點分配問題，中轉(zhuǎn)中心的備選地址為城市區(qū)域內(nèi)全部零售門店。城市配送中心承擔(dān)庫存、包裝、分揀、運輸甚至流通加工等功能。中轉(zhuǎn)中心承擔(dān)訂單的中轉(zhuǎn)分撥功能。末端需求點包括自提點、公共快遞取送點、自提柜等形態(tài)。城市配送中心到中轉(zhuǎn)中心一般采用輕型卡車運輸，中轉(zhuǎn)中心到末端需求點采用三輪車、摩托車、面包車及電動車等車型進行配送。末端需求點同時回收客戶的退換貨，將退換貨送至中轉(zhuǎn)中心，由中轉(zhuǎn)中心轉(zhuǎn)送至城市配送中心。城市配送物流總成本包括從城市配送中心到中轉(zhuǎn)中心的運輸成本、中轉(zhuǎn)中心運營成本和中轉(zhuǎn)中心到末端需求點的配送成本。

2.2變量及參數(shù)定義

為方便刻畫大型零售企業(yè)城市配送網(wǎng)絡(luò)優(yōu)化中面臨的中轉(zhuǎn)中心選址以及末端需求點分配問題，定義如下變量及參數(shù)。

I:備選中轉(zhuǎn)中心集合，I={1,2,…,m}；

J:末端需求點集合，J={1,2,…,n}；

Oi:備選中轉(zhuǎn)中心i每天運營固定成本；

F(·):中轉(zhuǎn)中心i每天包裹處理成本，包括裝卸、分撥等成本，與包裹處理量有關(guān)；

f1,f2:配送中心到中轉(zhuǎn)中心、中轉(zhuǎn)中心到需求點運輸(配送)車輛固定成本；

c1:配送中心到中轉(zhuǎn)中心貨車單位距離運輸成本；

di:配送中心與中轉(zhuǎn)中心i之間的距離；

Mi:備選中轉(zhuǎn)中心i日最大中轉(zhuǎn)量；

vc1,vc2:配送中心到中轉(zhuǎn)中心、中轉(zhuǎn)中心到末端需求點車輛容量；

c2,c3: 中轉(zhuǎn)中心到末端需求點的配送車輛每天人工成本、配送車輛單位運輸成本；

rj,qj:末端需求點j平均每天配送量、退貨量；

Li:中轉(zhuǎn)中心i到末端需求點的配送車輛總行駛距離；

zij：當(dāng)j客戶需求點由中轉(zhuǎn)中心i服務(wù)時為1，否則為0；

yi：是否選中備選地點i作為中轉(zhuǎn)中心，選中為1，否則為0。

2.3聯(lián)合優(yōu)化模型

為更好構(gòu)建中轉(zhuǎn)中心選址及末端需求點分配的聯(lián)合優(yōu)化模型，本文做如下三個重要假定。

假定1：以末端需求點的日平均配送量為基準進行優(yōu)化

末端需求點的配送量是變化的，本文研究側(cè)重戰(zhàn)略層面的中轉(zhuǎn)中心選址問題，因此以末端需求點的日平均配送量為基準進行優(yōu)化。每天具體配送量的變化可以在每天運作層面的路徑及調(diào)度優(yōu)化中實現(xiàn)。

假定2：中轉(zhuǎn)中心到多個末端需求點配送距離采用近似算法

為了使配送距離近似測算更接近日常狀況，采用連續(xù)逼近法測算配送車輛的行駛距離。Eilon[23]通過仿真得出當(dāng)末端點均勻分布在正方形區(qū)域，中轉(zhuǎn)中心i到所服務(wù)末端需求點的配送距離Li與所服務(wù)末端需求點個數(shù)N之間的關(guān)系可以近似表示為：

假定3：中轉(zhuǎn)中心運營成本存在規(guī)模效應(yīng)，采用階梯函數(shù)刻畫運營成本

F(x)表示中轉(zhuǎn)中心的包裹處理費用，通常隨著中轉(zhuǎn)中心中轉(zhuǎn)量的增長。由于存在規(guī)模效應(yīng)，運營成本不能認為是簡單的線性函數(shù)[20]。成本函數(shù)可表示為：

x表示i中轉(zhuǎn)中心包裹處理量，Ni和Mi是中轉(zhuǎn)中心的臨界參數(shù)、最大中轉(zhuǎn)量，Ej0為系數(shù)，θ中轉(zhuǎn)中心規(guī)模效應(yīng)系數(shù)，θ∈(0,1)。

基于以上三個重要假定，構(gòu)建如下聯(lián)合優(yōu)化模型：

(1)

s.t.

∑izij=1,?j∈J

(2)

∑jzijrj≤Mi,?i∈I

(3)

rj>qj,?j∈J

(4)

zij≤yi,?i∈I,?j∈J

(5)

∑jzij≥yi,?i∈I,?j∈J

(6)

zij,yi∈{0,1},?i∈I,?j∈J

(7)

式(1)為最小化物流總成本，其中包括從配送中心到中轉(zhuǎn)中心運輸成本，中轉(zhuǎn)中心運營成本和包裹處理成本，中轉(zhuǎn)中心到末端需求點的配送成本。約束條件(2)表明末端需求點有且只有一個中轉(zhuǎn)中心為其提供服務(wù)，約束條件(3)表明中轉(zhuǎn)中心日中轉(zhuǎn)量不得大于中轉(zhuǎn)中心容量，約束條件(4)表明末端需求點退換量小于需求量，保證車輛動態(tài)負載不超過其容量，約束條件(5)(6)(7)為決策變量之間的關(guān)系及變量屬性。

3 模型求解

對于模型的求解，當(dāng)前學(xué)者采用智能算法與啟發(fā)式算法相結(jié)合的方式。國外文獻方面，Tsao等[3]采用連續(xù)逼近算法求解，Wang Yong等[5]采用擴展粒子群算法與遺傳算法相結(jié)合的混合算法，Diabat、Amir等[6-7,12]分別采用基于拉格朗日松弛的啟發(fā)式算法和遺傳算法，Torabi等[17]采用Bender分解法等。國內(nèi)方面，唐金環(huán)等[9]采用基于遺傳算法的細菌覓食和粒子群理論(BFA-PSO)，楊珺等[10]采用禁忌搜索算法，周翔等[14]采用基于最小生成樹聚類算法，關(guān)菲等[19]采用多目標粒子群算法求解模型。本文提出了基于末端需求點配送量及配送距離的相對大小的啟發(fā)式規(guī)則分配末端需求點，綜合利用遺傳算法、禁忌搜索算法和啟發(fā)式算法的優(yōu)點，設(shè)計混合優(yōu)化算法對模型進行求解。

3.1遺傳算法和禁忌搜索混合優(yōu)化算法

本文使用遺傳算法生成中轉(zhuǎn)中心開放方案，充分利用遺傳算法搜索范圍廣的特點，由于禁忌搜索算法對初始解有較強的依賴性，基于啟發(fā)式規(guī)則生成末端需求點初始分配方案，采用禁忌算法優(yōu)化末端需求點的分配方案?；旌纤惴ǖ木唧w步驟如下：

步驟1隨機產(chǎn)生一定數(shù)量的選址方案作為初始種群，計算當(dāng)前種群中全部開放中轉(zhuǎn)中心總?cè)萘俊Ｈ艨側(cè)萘啃∮谀┒诵枨簏c的總需求，增選任意尚未開放的備選中轉(zhuǎn)中心，直到總?cè)萘看笥诳傂枨蟆?/p>

步驟2對種群中個體執(zhí)行以下操作：

步驟2.1按3.2所示方法生成末端需求點初始分配方案。

步驟 2.2按3.3所示方法生成優(yōu)化分配方案。

步驟 2.3若達到終止條件，轉(zhuǎn)步驟3，否則轉(zhuǎn)步驟2.2。

步驟3記錄當(dāng)前最優(yōu)解和對應(yīng)目標值。

步驟4采用適應(yīng)度函數(shù)計算當(dāng)前種群個體的適應(yīng)度。

步驟5對種群進行選擇、交叉和變異操作，并將新的最優(yōu)解加入下一代種群中，同時更新種群代數(shù)。

步驟6當(dāng)?shù)螖?shù)大于算法設(shè)定的最大代數(shù)時，輸出優(yōu)化結(jié)果。否則轉(zhuǎn)步驟2。

3.2基于啟發(fā)式規(guī)則的初始分配算法

采用末端需求點配送量及配送距離比值由大到小的啟發(fā)式規(guī)則對末端需求點進行分配：

步驟1測算開放的中轉(zhuǎn)中心與末端需求點之間的距離dij。

步驟3取矩陣Q中kij的最大值ki′j′，ki′j′表示末端需求點j′預(yù)分配中轉(zhuǎn)中心i′，檢查i′中轉(zhuǎn)中心剩余容量能否滿足末端需求點j.當(dāng)滿足時，將末端需求點j′分配給中轉(zhuǎn)中心i′，同時刪除該末端需求點j′所在列；當(dāng)不能滿足時，ki′j′點置零。

步驟4重復(fù)執(zhí)行步驟3直到將全部末端需求點完全分配給中轉(zhuǎn)中心，生成初始分配方案。

3.3基于禁忌搜索算法的優(yōu)化分配算法

定義“移動”、“交換”兩個操作。以A、B為例，“移動”指將中轉(zhuǎn)中心A服務(wù)的一個或幾個末端需求點改由B中轉(zhuǎn)中心服務(wù)；“交換”指屬于A服務(wù)的若干個末端需求與屬于B服務(wù)的若干末端需求點進行交換。

應(yīng)用禁忌搜索算法對分配方案進行優(yōu)化，具體步驟如下：

步驟1生成選中中轉(zhuǎn)中心與末端需求點距離表，1A表示中轉(zhuǎn)中心A服務(wù)需求點1，如表1所示：

步驟2“移動”操作。隨機選擇兩個選中的中轉(zhuǎn)中心A和B，計算A中轉(zhuǎn)中心服務(wù)的末端需求點距離B中轉(zhuǎn)中心的距離，將距離最小的需求點改由B中轉(zhuǎn)中心服務(wù)，判斷是否滿足B中轉(zhuǎn)中心容量約束；若不滿足容量約束，放棄當(dāng)前操作；若滿足執(zhí)行“移動”操作。

步驟3“交換”操作。隨機選擇兩個選中的中轉(zhuǎn)中心A和B，分別計算A中轉(zhuǎn)中心服務(wù)的末端需求點距離B中轉(zhuǎn)中心的最近距離，以及B中轉(zhuǎn)中心服務(wù)的末端需求點距離A中轉(zhuǎn)中心的最近距離。交換中轉(zhuǎn)中心A和B中距離對方最近需求點，同時判斷末端總需求是否超過容量。若未超過，執(zhí)行“交換”操作；否則放棄“交換”操作。

步驟4當(dāng)候選解滿足藐視準則時，用滿足藐視準則的最佳狀態(tài)替代當(dāng)前狀態(tài)成為新的當(dāng)前解，并用與原狀態(tài)對應(yīng)的禁忌對象替換最早進入禁忌表的禁忌對象，并轉(zhuǎn)步驟6；否則轉(zhuǎn)步驟5。

步驟5判斷候選解對應(yīng)的各對象的禁忌屬性，選擇候選解集中非禁忌對象對應(yīng)的最佳狀態(tài)為新的當(dāng)前解，同時用與之對應(yīng)的禁忌對象替換最早進入禁忌表的禁忌對象。

步驟6判斷終止條件，是則停止，否則轉(zhuǎn)步驟2。

4 算法有效性分析

CPLEX是IBM開發(fā)的求解規(guī)劃問題的商業(yè)軟件之一。能最少用戶干預(yù)、精確地解決問題，已有學(xué)者在研究解決較大規(guī)模物流與供應(yīng)鏈問題時證明CPLEX在解決規(guī)模較小問題時具有好的求解精確度，但在求解問題規(guī)模較大時，CPLEX效率不高[27]。本文采用CPLEX求解結(jié)果作為驗證混合算法求解有效性的基準。

構(gòu)建一組算例驗證上述模型和算法的可行性和有效性。算例的參數(shù)采用5.1實際測算參數(shù)，各項數(shù)據(jù)在對應(yīng)區(qū)間范圍內(nèi)隨機生成。表1中規(guī)模4*10指4個備選中轉(zhuǎn)中心和10個末端需求點，其他情形以此類推。本文采用Matlab R14編程語言實現(xiàn)上述混合算法，運行平臺為:

AMD,A8-7650K,Radeon,R7,10Compute Cores 4C+6G@3.3GHZ,Win8 PC。

針對問題特性，混合算法在求解模型過程中采用啟發(fā)式規(guī)則進行人工干預(yù)，生成一個較優(yōu)質(zhì)初始解，極大提高了算法后續(xù)搜索效率。模型求解配送距離方式較為復(fù)雜， CPLEX在求解時間顯著大于混合算法?；旌纤惴▓?zhí)行結(jié)果與CPLEX模型求解結(jié)果相對比，兩者效果相當(dāng)，混合算法效率高于CPLEX，也說明了CPLEX在針對小規(guī)模問題時表現(xiàn)出更優(yōu)異的性能，當(dāng)問題規(guī)模較大情況較為復(fù)雜時混合算法表現(xiàn)更加優(yōu)異。

表1 CPLEX求解與混合算法性能比較

5 蘇寧重慶實例分析

5.1模型測算

本文以蘇寧重慶主城核心區(qū)域的城市配送網(wǎng)絡(luò)為實例，各項數(shù)據(jù)均來源于蘇寧重慶實地調(diào)研。蘇寧在重慶擁有1個城市配送中心，承擔(dān)線上訂單的分撥轉(zhuǎn)運和線下商品的庫存、分揀、包裝和城市配送等職能。主城核心區(qū)域15家門店(表2)，為實現(xiàn)線上線下城市配送的融合，在15家門店中選擇若干家作為線上包裹中轉(zhuǎn)中心。選中的門店作為實體門店展示銷售商品的同時，承擔(dān)周邊一定范圍內(nèi)線上包裹的中轉(zhuǎn)和末端需求點配送服務(wù)。本文將重慶主城核心區(qū)域15家門店作為備選中轉(zhuǎn)中心，末端需求點劃分根據(jù)重慶主城核心區(qū)域的人口分布、消費水平及交通狀況等，將重慶主城核心區(qū)域劃分為419個末端需求點，各個末端需求點的線上包裹配送需求量依據(jù)實地調(diào)研數(shù)據(jù)和經(jīng)驗估算。

表2 蘇寧重慶主城區(qū)核心區(qū)域門店信息

從配送中心到中轉(zhuǎn)中心采用直送方式，以福田歐馬可1.49T廂式輕卡為例，車輛購買費用10.23萬元，車輛購置稅8744元，折舊年限5年，保險稅5203元/年，駕駛員工資6000元/月，以此計算車輛平均行駛固定成本為272元/天，車輛行駛變動費用3元/公里(包括過橋過路費、燃油費、輪胎損耗費等)。額定載重1.49T運輸車包裹輸送量約1000個/車·次。中轉(zhuǎn)中心配置面積50-70平方米，日處理能力800-1400個包裹，由于門店處于不同城市區(qū)域，租金略有不同，租金區(qū)間大致為每天3.5-5元/平方米，中轉(zhuǎn)中心除租金外固定開支1000元/天，包括了人員工資/水電費和設(shè)備使用費等。中轉(zhuǎn)中心到末端需求點的配送車輛多采用面包車或摩托車，容量平均在80個包裹，車輛固定成本與人工成本合計為210元/天，配送車輛變動成本3.5元/公里。根據(jù)前文設(shè)計的混合算法，結(jié)合相關(guān)文獻參數(shù)，本文設(shè)定遺傳算法種群規(guī)模100，交叉概率0.5，變異概率0.1，禁忌表長度20，禁忌搜索400，迭代次數(shù)20，對實例進行求解。將以上參數(shù)、測量數(shù)據(jù)帶入模型，編程運行15次，剔除5個相同結(jié)果，得出10個不同方案(表4)。

5.2結(jié)果討論

5.1采用車型為福田歐馬可1.49T廂式輕卡，最大容納包裹1000個，由于中轉(zhuǎn)中心處理量介于800-1400之間，車型改變會對中轉(zhuǎn)中心選擇和末端需求點分配產(chǎn)生影響。本節(jié)以慶鈴五十鈴1.25T廂式輕卡，福田歐馬可2.0T廂式輕卡為例進行測算。表3為3種車型參數(shù)對比。

表3 車型參數(shù)對比

表5是基于1.25T運輸車型得出的10個中轉(zhuǎn)中心開放方案，其中最大成本30548元，最小成本29290元，平均成本29878.2元，平均成本較5.1上升2.3%，平均運輸距離204.83千米，增加32.7%，平均配送距離654.2千米，增加2.9%。表6是基于2.0T運輸車型得出的10個中轉(zhuǎn)中心開放方案，最大成本29099元，最小成本27796元，平均成本28507.2元，較5.1平均成本下降2.43%，平均運輸距離139.64千米，降低9.5%，平均配送距離597.58千米，下降6.0%。由于通常狀況下中轉(zhuǎn)中心包裹日處理量處于800-1400，因此采用實際容量小于800車型會增加運輸車數(shù)量，增加總運輸距離，增加固定成本和運輸成本，大于1400車型會增加車輛固定成本。

根據(jù)表3、表5和表6的中轉(zhuǎn)中心選址及末端需求點分配優(yōu)化方案，得出城市物流總成本中，配送中心到中轉(zhuǎn)中心的運輸成本、中轉(zhuǎn)中心的運營成本和中轉(zhuǎn)中心到末端需求點的配送成本占比分別約為6.7%、33.3%、60%?！白詈笠还铩蹦┒伺渌统杀菊颊麄€城市配送成本的60%，同時影響客戶體驗，是城市配送物流的關(guān)鍵環(huán)節(jié)。

表4 中轉(zhuǎn)中心開放方案

注1：南坪1對應(yīng)南坪店，南坪2對應(yīng)南坪江南大道店，南坪3對應(yīng)南坪西路店；楊家坪1對應(yīng)楊建設(shè)廣場店，楊家坪2對應(yīng)楊家坪店。

2：運輸距離指配送中心到所有開放中轉(zhuǎn)中心的總距離；配送距離是所有開放中轉(zhuǎn)中心到其服務(wù)末端需求點的配送總距離。下同。

表5 基于慶鈴五十鈴1.25T廂式輕卡的中轉(zhuǎn)中心開放方案

表6 基于福田歐馬可2.0T廂式輕卡的中轉(zhuǎn)中心開放方案

表3、表5和表6方案中，蘇寧重慶主城核心區(qū)域的城市物流年總成本最大約為1150.02萬元，最小約為1014.55萬元。2014年蘇寧重慶線上線下總營業(yè)額54億元，主城占比約為65%，主城核心區(qū)域線上銷售占比約為20%，線上物流費用占線上營業(yè)額約2.5%。主城核心區(qū)需求占主城需求量超過75%，以此計算2014年線上部分城市物流總成本約為1755萬元，該項費用包含了城市配送中心的運營成本，其占比約10%，因此蘇寧重慶主城核心區(qū)域城市物流總成本(不包括配送中心運營成本)約1184.6萬元。本文優(yōu)化最大成本、最小成本相比現(xiàn)有狀況分別降低2.92%,14.36%。根據(jù)當(dāng)前測算每單包裹從配送中心到客戶的城市配送成本約為4.6元。按照當(dāng)前重慶市內(nèi)電商同城配送次日送達的時效要求條件下，外包物流訂單一般1kg以下6元，因此對于蘇寧重慶來說主城核心區(qū)域乃至主城區(qū)采用自有物流配送在提升效率的同時也有效節(jié)約成本。

6 結(jié)語

本文以蘇寧等國內(nèi)大型零售企業(yè)O2O轉(zhuǎn)型實踐為背景，對具有容量限制的城市配送中轉(zhuǎn)中心選址、末端需求點分配和末端配送問題進行研究。不同于動態(tài)車輛路徑問題，本文考慮城市核心區(qū)域“最后一公里”配送問題，在配送距離的估算上采用了由Daganzo[24]提出的距離估算方式。構(gòu)建了中轉(zhuǎn)中心選址及末端需求點分配的聯(lián)合優(yōu)化模型。設(shè)計了基于啟發(fā)式規(guī)則的遺傳算法和禁忌搜索算法的混合算法，并通過混合算法和CPLEX的對比驗證本文算法的有效性。以蘇寧重慶主城核心區(qū)域的O2O實踐為基礎(chǔ)，運用本文設(shè)計的算法給出了具體的中轉(zhuǎn)中心選址及末端需求點分配優(yōu)化方案，并給出了各個成本、運輸距離和配送距離的具體數(shù)值，并與蘇寧重慶主城核心區(qū)域的實際運作進行對比，結(jié)論表明在不考慮其他因素情況下，本文所得方案城市物流總成本相比現(xiàn)有狀況最少降低2.92% ，最多降低14.36%。論文測算了三種不同車型對中轉(zhuǎn)中心選址方案產(chǎn)生的影響，得出選擇與中轉(zhuǎn)中心容量接近車型能夠有效降低物流成本，減少運輸、配送距離。另外得出運輸、運營、配送費用分別占到物流成本的比例約為6.7%，33.3%，60%等結(jié)論。城市交通限行及碳排放等問題都會對決策產(chǎn)生影響，考慮這些因素所得結(jié)論更具有參考價值，后續(xù)研究可以針對這些問題進行探討。

[1] Aikens C H.Facility location models for distribution Planning[J].European Journal of Operational Research,1985,22(3):263-279.

[2] Shen Z J M,Coullard C,Daskin M S.A joint location-Inventory model[J].Transportation Science,2003,37(1):40-55.

[3] Tsao Y C,Mangotra D,Lu J C,et al.A continuous approximation approach for the integrated facility-inventory allocation problem[J].European Journal of Operational Research,2012,22(2):216-228.

[4] Taniguchi E,Noritake M,Yamada T,et al.Optimal size and location planning of public logistics terminals[J].Transportation Research,1999,35(3):207-222.

[5] Wang Yong,Ma Xiaolei,Xu Maozeng,et al.Two-echelon logistics distribution region partitioning problem based on a hybrid particle swarm optimization-genetic algorithm[J].Expert Systems with Applications,2015,42(12):5019-5031.

[6] Diabat A,Batta?a O,Nazzal D.An improved Lagrangian relaxation-based heuristic for a joint location-inventory problem[J].Computers &Operations Research,2015,61:170-178.

[7] Ahmadi-Javid A,Hoseinpour P.A Location-inventory-pricing model in a supply chain distribution network with price-sensitive demands and inventory-capacity constraints[J].Transportation Research Part E:Logistics and Transportation Review,2015,82:238-255.

[8] Jouzdani J,Sadjadi S J,Fathian M.Dynamic dairy facility location and supply chain planning under traffic congestion and demand uncertainty: A case of Tehran[J].Applied Mathematical Modeling,2013,37(18-19) :8467-8483.

[9] 唐金環(huán),戢守峰,朱寶琳.考慮碳配額差值的選址-路徑-庫存集成問題優(yōu)化模型與算法[J].中國管理科學(xué),2014,22(9):114-122.

[10] 楊珺,盧巍.低碳政策下多容量等級選址與配送問題研究[J].中國管理科學(xué),2014,22(5):51-60.

[11] 趙泉午,楊茜.考慮CO2排放量的城市專業(yè)物流中心選址研究[J].中國管理科學(xué),2014,22(7):124-130.

[12] Diabat A,Al-Salem M.An integrated supply chain problem with environmental considerations[J].International Journal of Production Economics,2015,164:330-338.

[13] 劉必爭,毛超.電子商務(wù)下的配送中心選址問題及其優(yōu)化[J].系統(tǒng)工程,2008,26(10):17-20.

[14] 周翔,許茂增,呂奇光.B2C模式下配送中心與末端節(jié)點的兩階段布局優(yōu)化模型[J].計算機集成制造系統(tǒng),2014,20(12):3140-3149.

[15] 蔣忠中,汪定偉.B2C電子商務(wù)中配送中心選址問題及其優(yōu)化[J].控制與決策,2005,20(10):1125-1128.

[16] Xu Bin,Wei Chunli,Shi Zhanjiang,et al.Study on location-selection of B2C e-commerce logistics distribution center[C]//Proceedings of 2009 International Forum on Computer Science-Technology and Applications,Chongqing,China,December 25-27,2009.

[17] Torabi S A,Hassini E,Jeihoonian M.Fulfillment source allocation,inventory transshipment,and customer order transfer in e-tailing[J].Transportation Research Part E:Logistics and Transportation Review,2015,79:128-144.

[18] Yu V F,Lin S Y.A simulated annealing heuristic for the open location-routing problem[J].Computers &Industrial Engineering,2015,62：184-196.

[19] 關(guān)菲,張強.模糊多目標物流配送中心選址模型及其求解算法[J].中國管理科學(xué),2013,21(S1):57-62.

[20] Lau H C W,Jiang Zhongzhong,Ip W H,et al.A credibility-based fuzzy location model with Huriwicz criteria for the desingn of distribution systems in B2C e-commerce[J].Computers &Industrial Engineering,2010,59:873-886.

[21] 張曉楠,范厚明,李劍鋒.B2C物流配送網(wǎng)絡(luò)雙目標模糊選址模型與算法[J].系統(tǒng)工程理論與實踐,2015,35(5):1202-1213.

[22] Nadizadeh A,Nasab HH.Solving the dynamic capacitated location-routing problem with fuzzy demands by hybrid heuristic algorithm[J].European Journal of Operational Research,2014,238(2):458-470.

[23] Eilon S,Waston-Gandy C D T,Christofides N.Distribution management: Mathematical modelling and practical analysis [M].New York:Hafner,1971.

[24] Daganzo C F.The distance traveled to visit N points with a maximum of C stops per vehicle: An Analytic Model and an Application [J].Transportation Science,1984,18(4):331-350.

[25] Figliozzi M A.Planning approximations to the average length of vehicles routing problems with varying customer demands and routing constraints [J].Transportation Research Record: Journal of the Transportation Research Board,2008,2089:1-8.

[26] Davis B A,Figliozzi M A.A methodology to evaluate the competitiveness of electric delivery trucks[J].Transportation Research Part E:Logistics and Transportation Review,2013 49:8-23.

[27] 周愉峰,馬祖軍,王恪銘.應(yīng)急物資儲備庫的可靠性P-中位選址模型[J].管理評論,2015,27(5):198-208.

Abstract： In this article,joint location-assignment problem is studied for designing an Urban Logistics Network (ULN) with multiple intermediate depots (IDs) and terminals of ULN.The key decisions are where to locate the intermediate depots (IDs) and how to assign terminals to IDs such that the total network cost is minimized.A large-scale static and deterministic integer programming model is presented solving a joint location-assignment problem of large chain retailers.To solve this model,a more efficient hybrid algorithm integrated with Genetic algorithm and Tabu search algorithm is put forward based on heuristic searching criteria.Our methodology is illustrated with the Urban Logistics Network from a leading Chinese retailer (Suning) in Chongqing.Numerical analysis suggests that optimal solutions can reduce the total network cost between 2.92%～14.36% by comparison with the current ULN .Delivery costs of “Last Mile” account for total urban logistics network costs more than 60%.Vehicle type is a deterministic factor to total urban logistics network costs.The effects of changing parameter values on the optimal solutions are also studied and some management implications are pointed out.

Keywords： online-offline channel integration;iocation-assignment problem;“l(fā)ast mile ";Genetic algorithm;tabu search algorithm

A City Logistics Network Optimization Model for Large Chain Retailers under Online-Offline Channel Integration

ZHAOQuan-wu1,2,ZHAOJun-ping1,2，LINYa2

(School of Economics and Business Administration,Chongqing University,Chongqing 400030,China;Chongqing Key Laboratory of Logistics,Chongqing University,Chongqing 400030,China)

U121;O221

A

1003-207(2017)09-0159-09

10.16381/j.cnki.issn1003-207x.2017.09.018

2016-01-29；

2016-10-14

重慶市社會科學(xué)規(guī)劃一般項目(2015YBGL109)；國家自然科學(xué)基金資助項目(71002070)；國家社會科學(xué)基金重點項目(14AGL023)；國家科技支撐計劃資助項目(2015BAH46F01)

趙泉午(1976-)，男(漢族)，河南方城人，重慶大學(xué)經(jīng)濟與工商管理學(xué)院教授，博士，研究方向：現(xiàn)代物流與供應(yīng)鏈管理、營銷渠道及零售管理，E-mail:zhaoquanwu@126.com.