共同配送模式下订单车辆匹配决策优化研究

      电子商务的广泛应用与顾客的个性化消费需求使得货物配送环节呈现小批量、多频次、及时性等特点，从而导致物流企业的配送成本居高不下，同时还引发城市交通拥堵和环境污染等社会问题。在这种情况下，共同配送模式应运而生。共同配送是指多家物流企业组建联盟体，联盟体内成员共享车辆、配送中心、货运订单等物流资源，并共同完成货物配送活动的一种先进物流理念。共同配送可以通过整体优化来提高车辆装载率，减少车辆使用数量，从而降低配送成本和减少尾气排放，实现配送环节的“增值效益”。其主要模式如图1所示。

      

      学者们对共同配送问题进行了广泛深入的研究，Lai M H[1]等研究了小型货运代理商形成联盟，在货运季节分享运力的问题，并提出了一种改进拍卖机制来解决运力配置问题。Agarwal R[2]等研究了在轮班运输中承运人组成联盟，联合运输货物的问题，解决了大规模网络设计及运输网络有效运力分配问题。Chen[3]研究了零担货运中物流企业共同配送问题，并提出了一种组合时钟代理交换的方法来解决货运订单的分配问题。Zhang M[4]等研究了物流企业在电子商务物流网络中的共同配送问题，引入了协作运输计划模型来实现总体利润最大化。Salvador H[5]等将中小型零担运输行业的共同配送问题作为二元多商品最小成本流问题进行研究，并以成本最小化为目标建立了动态规划模型。饶卫振[6]等研究了共同配送成本节约估算问题。还有很多的学者研究了共同配送的成本或利润分配问题[7-10]。

      物流企业加入联盟的根本原因在于想要通过与其他企业合作来降低自身的配送成本，从而获得更大的收益。所以对于联盟体而言，通过运输决策优化来降低配送成本是至关重要的，这也是保证联盟体稳定存在的关键条件。其中，订单与车辆的匹配问题直接关系到车辆的装载率和行驶距离，会对配送成本产生较大影响；并且随着订单数量的大幅度增多，企业对工作效率和成本控制的要求更为严格，使得传统的人工经验决策不再适应社会的需求[11]，而更加科学和智能的订单车辆匹配策略成为联盟体乃至整个物流行业急切需要的。

      订单车辆匹配问题属于典型的车辆配载问题，近年来，针对于车辆配载问题（Vehicle Loading Problem，VLP）的研究，主要分为两个方面。一方面是满足车辆二维或三维装载限制下的装箱设计，最大限度的利用车辆空间，减少车辆使用数量，从而降低配送成本。Roberti R[12]等研究了车箱装载规则问题，并通过解决一个混合整数规划模型得到了最优配载方案。Coté J F[13]等提出了一种求解具有装卸约束的二维正交车辆配载问题的精确算法，并通过一种分解方法求解出了优化结果。Zachariadis E E[14]等提出了一种结合禁忌搜索和引导局部原理的元启发式算法，用于求解基于车辆二维载荷约束的最低成本的配载问题。颜瑞[15]等采用了引导式局部搜索算法求解三维车辆装载问题，且实验表明，该算法能够在较短时间内得到质量较高的近似最优解。Liu W Y[16]等研究了国内运输服务下的三维集装箱的装载问题，目标是集装箱空间的利用率最大化。另一方面是在满足装载约束（重量、体积、里程等）条件的基础上，综合考虑货物配送地点，货物先下后装的装载顺序等因素，决策车辆与订单如何有效匹配，从而达到运输时间最短、运输费用最低和客户满意度最高等目标。Agbegha G Y[17]，Dell' Amico M[18]等研究了在不违反运输车空间限制的条件下，实现汽车从生产地送往经销店运输费用最小的车辆配载问题。靳志宏[19]等研究了基于装载约束的配送优化问题，以配送成本最小化建立了混合整数规划模型，并开发了由配载启发式算法和基于节约值的蚁群算法结合的交互式混合算法。张源凯[20]等以成本最小为目标，建立了多车型多车舱的车辆指派和路径优化模型，并提出了基于C-W节约算法的“需求拆分—合并装载”的车辆装载策略。

      通过查阅相关文献发现，现有关于共同配送问题的研究更加侧重于联盟体中成员间的运力配置问题和成本/利润分配问题，而对共同配送模式下，通过运输决策优化实现降低配送成本的研究较少。基于此，本文重点研究了共同配送模式下的订单车辆匹配决策问题，将多家物流企业的货运订单进行整合，然后合理分配给相应企业；综合考虑车辆的装载约束和配送费用，进行科学合理的车辆订单匹配决策，从而达到充分利用车辆运载能力，降低货物配送成本的目的。与传统车辆配载问题相比，本文的研究主要有两点不同：第一，需要同时考虑多家物流企业的货运订单和车辆，因为不同企业的不同车辆匹配同一订单会产生不同的成本，因此要以联盟体总成本最小化为目标进行订单与车辆的匹配；第二，综合考虑了车辆装载率和货物配送地点，传统车辆配载问题更重视车辆装载率，而忽略了同一辆车上货物送货点的分布情况，从而给后续的实际配送环节带来麻烦。

      本文的贡献主要体现在以下两点：第一，针对共同配送模式下的订单车辆匹配问题，本文从配送总成本和车辆送货点聚集程度两个角度出发，构建了一个多目标决策优化模型；第二，基于模型的目标函数和K-means聚类算法原理极为契合，本文选择了K-means聚类算法求解该问题，并从初始K值的确定、初始聚类中心的选取以及加入外部约束条件三个方面对其进行改进，然后将改进K-means聚类算法与匹配贪婪算法进行对比。进一步使用了Z企业的相关数据进行分析，结果表明决策优化模型与改进K-means算法的应用有效改善了联盟体订单车辆匹配不合理的现状，使得联盟体总成本降低13.97%，司机的平均收入提升29.15%，车辆平均离散度降低7.48%，实现了物流企业与司机的“双赢”；此外，由于改进K-means聚类算法求解的配送成本和车辆平均离散度都更低，所以改进K-means聚类算法优于匹配贪婪算法。

      1 匹配决策优化模型

      1.1 问题描述

      在实际配送过程中，物流企业经常会碰到某些订单配送距离较远，且货量不足整车的情况。企业如果选择配送，就可能导致收益不佳甚至亏本，但如果选择不配送，就可能会失去顾客和潜在利润。而多家物流企业组织共同配送可以有效解决这个问题，企业之间通过订单互补提高车辆装载率，通过车辆共享解决运力不足。但是当联盟体面对庞大订单数量时，要如何在考虑货物的体积与重量、车辆的容积、载重及费用等因素的基础上，进行订单与车辆的匹配决策，高效低成本地将货物配送出去，成了联盟体制胜的关键，这正是本文要解决的问题。