B2C電商環(huán)境下集中式退貨中心的車輛調度

張新艷，周 健，林 婷

（同濟大學 機械與能源工程學院，上海201800）

隨著網(wǎng)絡購物環(huán)境、政府監(jiān)管及物流環(huán)境等因素的日趨完善與成熟，中國網(wǎng)絡零售市場交易規(guī)模和用戶規(guī)模近些年一直呈現(xiàn)持續(xù)增長狀態(tài).中國電子商務研究中心檢測數(shù)據(jù)顯示，預計2014年年底中國網(wǎng)絡購物用戶規(guī)模將達到3.9億人.截止2014年6月底，中國網(wǎng)絡零售市場交易規(guī)模已占社會消費品零售總額的8.7%，2013年上半年達到6.8%，同比增長27.9%，預計2014年年底中國網(wǎng)絡零售市場規(guī)模將達到27 861億元.

網(wǎng)購的虛擬性、信息不對稱以及正向物流的不完善等因素導致大量的退貨逆向物流.中國電子商務投訴與維權公共服務平臺檢測數(shù)據(jù)顯示的“2014年（上）十大網(wǎng)絡熱點投訴問題”中退換貨物問題所占比例為10%.隨著《新消費者權益保護法》以及各大B2C電商“7日無理由退貨”策略的實施，消費者的退貨意識正在逐漸增強.調查顯示若對退換貨服務感到滿意，約40%的顧客愿意再次從同一電商購物.約30%的潛在顧客愿意選擇有良好退換貨策略的電商.此外，高達約80%的顧客對網(wǎng)購產(chǎn)品的退貨表示不信任［1］.這些都意味著退貨逆向物流對電商經(jīng)營效益的影響至關重要，提高退貨物流配送水平刻不容緩［2］.

退貨屬于逆向物流的范疇.Fleischmann等［3］在1997年將逆向物流的研究細分為3個主要方面：逆向配送、庫存控制和產(chǎn)品規(guī)劃.國內(nèi)外學者對退貨逆向物流的研究較少且大部分文獻主要集中在退貨策略、運作模式和逆向配送問題上［4-5］.其中，詹蓉等［6］提出集中式退貨中心比較適合B2C電商環(huán)境的逆向物流運作模式，將現(xiàn)有紛繁雜亂的退貨先進行匯總，再分類轉運至相應電商.在此模式下，退貨可以進行統(tǒng)一管理，形成規(guī)模經(jīng)濟，降低退貨成本，退貨效率高，貨物的失蹤、錯配情況也能得到良好的控制.

B2C電商環(huán)境下集中式退貨中心的物流配送系統(tǒng)是一個離散時間的動態(tài)系統(tǒng)，良好的車輛調度規(guī)劃能夠很大程度上提高退貨中心的運作效率.目前尚未存在針對退貨中心內(nèi)部的車輛調度研究，因此本文對該問題進行研究和分析，以期提高退貨物流的運作效率，并提升電商的經(jīng)營效益.

1 問題描述

B2C電商環(huán)境下的集中式退貨中心的運作模式與配送系統(tǒng)中的準時策略——越庫一致，均在配送中心內(nèi)以一種有限的的暫時庫存或零庫存將產(chǎn)品從收貨點直接轉移到出貨點的內(nèi)部轉移形式，以減少庫存成本、加快貨物周轉速度為目標［7］.Vanbelle等［8］提出符合越庫模式的基本布局與運作流程（見圖1），該布局符合B2C電商集中式退貨中心運作流程特性.

圖1 集中式退貨中心的基本布局與運作流程Fig.1 Layout and operation process of concentrative reimbursement centre

電商退貨逆向物流最明顯的特點是退貨逆物流產(chǎn)生的時間、地點、品種以及數(shù)量等的不確定性，因而不能像控制正向物流一樣有計劃地管理逆向物流［6］.現(xiàn)有對越庫的研究都是基于需求驅動的“拉動”系統(tǒng)：貨物在到庫之前，其數(shù)量與目的地是已知的，即入庫車輛與出庫車輛的對應關系已知.但是退貨逆物流的高度不確定性導致貨物在未到達退貨中心之前信息未知，它是供應驅動的“推動”系統(tǒng)，因此集中式退貨中心的入庫與出庫車輛的對應關系是未知的，這是該車輛調度問題的難點之一.

在車輛調度過程中，車與門的分配問題也是車輛調度問題的一部分.在有關越庫的研究中，多數(shù)學者將研究對象簡化為單個出入門來研究車輛調度問題［9-11］，不存在車與門的分配問題，只考慮車輛排序問題.但是在電商環(huán)境下，退貨逆物流的特點決定退貨中心必定為多出入門，多出入庫車與門的分配問題極其復雜，部分學者在越庫研究中將該問題單獨提煉出來，將其看成獨立的調度問題進行研究［12-13］，但是這不符合實際應用情況.近些年有學者結合給定的車與門的分配策略的對車輛調度進行研究，如Kuo［14］同時考慮車門分配和車輛排序問題，其優(yōu)化效果優(yōu)于單獨考慮車輛排序問題.

如圖1所示，入庫車i在給定入庫序列后，根據(jù)入庫車門分配策略分配入庫門c，在c處卸貨，退貨在中心完成分裝作業(yè)后裝載至由出庫車j并運往對應的電商.出庫車j根據(jù)出庫車門分配策略分配出庫門b.考慮到實際應用中退貨中心的固定成本問題，出入庫門的數(shù)量必定遠小于出入庫車輛數(shù)，因此在退貨中心出入庫門可以看作是稀缺資源，必須進行相應的調度［14］.該分配問題的復雜程度和難度與出入庫車輛和出入庫門的數(shù)量成正比［13］.考慮到本文研究對象中出入庫車輛到達時間和貨物種類與數(shù)量的不確定性，入庫車輛與入庫門的分配采取先到先服務的策略.由于該退貨中心是在B2C電商環(huán)境下，若投入實際應用，應確定電商數(shù)量遠遠小于客戶數(shù)量，本研究模型中每個出庫門指定對應電商，為降低成本，出庫車數(shù)量一定，出庫車與出庫門的分配采取空缺補候的策略.

由于已有文獻中暫無適用模型，為了更清楚地闡述該問題并突出問題特性，作如下假設.

1）針對退貨逆物流的特點，入庫車數(shù)量不確定、入庫車上所裝載的退貨種類和對應的數(shù)量不確定.

2）考慮退貨中心成本問題，出庫車數(shù)量一定.當現(xiàn)場暫無可用出庫車時，出庫門等待返程車，以等待先后順序分配返程的出庫車.

3）入庫車輛在初始時刻同時到達，出庫車輛在初始時刻均可用.

4）每輛出入庫車需分配一個且僅一個出入庫門.

5）入庫車在出入庫門的作業(yè)時間與貨物種類相關，一次只能卸載一個貨物且不能中斷.由于出庫門數(shù)量限制問題，為增加出庫效率，出庫門處一次能裝載5個貨物.

6）一輛車在進行裝卸作業(yè)時不允許中斷插入其他車輛.

7）貨物在退貨中心內(nèi)部轉移時間與出、入庫門位置相關.

8）貨物不允許暫存.

9）出庫車滿足最大載貨輛或最大發(fā)車時間必須發(fā)車.

根據(jù)該模型的需要，引入以下變量和常量.

入庫車：i∈I=｛1，2，…，m｝；

入庫門：c∈C=｛1 ，2 ，…，s｝；

出庫車：j∈J=｛1 ，2 ，…，n｝；

出庫門（貨物總類）：b∈B=｛1 ，2 ，…，l｝；

AIi：入庫車i進入庫門的時間；

AJj：出庫車j進出庫門的時間；

χib：入庫車i上電商b的退貨數(shù)量；

Pb：電商b單位貨物在出入庫門的裝卸時間；

T cb：貨物從入庫門c到出庫門b的轉運時間；

FTc：入庫門c處的卸貨完成時間；

UTib：入庫車i上所有b類貨物卸貨完成時間；

LTib：入庫車i上的b類貨物在出庫門b處可開始裝載作業(yè)時間；

w b：出庫門b處理的貨物量；

TBbp：第p個b類貨物在入庫門處卸貨完成時間；

LTbp：第p個b類貨物到達出庫門b的時間；

FTbp：第p個b類貨物到達出庫門b處裝載完成時間；

ACb：出庫門b正在處理的出庫車上當前累積貨量；

TLj：出庫車j的規(guī)定發(fā)車時間；

CC：出庫車滿載量；

t1：當前無可用出庫車，貨物在出庫門的等待時間；

t2：更換出庫車所需時間；

貨物在退貨中心流轉時間的長短是衡量退貨中心運作效率的關鍵因素.因此以最小化所有貨物在退貨中心滯留的最大時間Tmax為目標，結合第1章提出的9個條件并同時考慮出入庫車門分配問題建立數(shù)學模型.因為Tmax的計算與出入庫車門分配策略相關，計算復雜，無法用簡單的數(shù)學語言進行描述，所以在下文中提出一種入庫車與門的分配模型，并根據(jù)此模型給出最大完工時間計算模型.

2 出入庫車門分配模型與最大完工時間計算模型

出入庫車門分配模型可以看作2個階段，因此Tmax計算也可以分為2個階段.第1階段如圖2所示，入庫車根據(jù)先到先服務的策略分配入庫門，該模型會計算所有入庫車輛的卸貨完成時間.

當入庫車輛數(shù)量m大于入庫門數(shù)量s時，假設前s輛入庫車在0時刻到達，入庫車分配到與它們具有相同序列號的入庫門處.當i≤m時，AIi=0，對于所有的i=c來說，ICic=1.每輛入庫車的總卸貨時間取決于車上貨物的種類和數(shù)量.在模型中，卸貨作業(yè)每次只針對同一種類的貨物，只有當同一種類的貨物都卸貨完畢后，才能被轉運到相應的出庫門，具體詳見圖2.當i≥m時，該入庫車需要在入口處等待，所有等待的入庫車按照等待的先后次序依次分配到空閑的入庫門，具體的過程詳見如圖2所示的計算模型.

在第1階段入庫車門分配模型計算完所有入庫車輛的卸貨完成時間后，圖3中第2階段出庫車門分配模型會計算所有貨物的完工時間FTbp.當某輛入庫車上某一類貨物全部卸載完畢后，該類貨物開始轉運到對應的出庫門b處，到達時間為LTbp.該出庫門b開始計算當前出庫車j上的累積貨量ACb，判斷貨物到達時間是否超過當前出庫車的發(fā)車時間TLj或當前車輛貨物累積量ACb是否超過滿載量CC.若滿足其中任一條件則需等待下一輛出庫車j+1，等待時間為出庫車更換時間t2.因為出庫車數(shù)量有限，模型還須判斷現(xiàn)場的n輛出庫車輛是否均已在途，若均在途，則等待時間還需再加上等待時間t1，所以貨物p在出庫門b處的完工時間FTbp=LTbp+Pb+t1+t2.該模型以此計算每個貨物的完工時間FTbp，其中最大值就是最大完工時間Tmax.從圖2和3所示的2階段Tmax計算模型中可以

得到貨物在該退貨中心滯留的Tmax計算模型：

當給定入庫車進入退貨中心的序列后，圖2和3所示的分配模型會為出入庫車分配對應的門，同時計算相應的最大完工時間，因此該模型可以結合遺傳算法或其他啟發(fā)式算法，在多出入門和多出入庫車的環(huán)境下優(yōu)化入庫車調度序列.

3 數(shù)值實驗與分析

傳統(tǒng)優(yōu)化算法從單個初始值迭代求最優(yōu)解，容易誤入局部最優(yōu)解.遺傳算法從串集開始搜索，覆蓋面大，利于全局擇優(yōu)，本文采用遺傳算法求解最優(yōu)入庫車序列.

圖2 入庫車與入庫門的分配模型Fig.2 Inbound truck-door assignment model

圖3 出庫車與出庫門的分配模型Fig.3 Outbound truck-door assignment model

從2階段計算模型中可以看出，最大完工時間Tmax受到某些變量的影響，包括出入庫車數(shù)量I、入庫門數(shù)量C、出庫車數(shù)量J、出庫門數(shù)量（貨物種類）B、從入庫車i轉移到出庫門b的貨物的數(shù)量X ib等.變量I和J決定了該退貨中心的處理量，變量C和B決定了該退貨中心的規(guī)模，而y ib決定了該問題的復雜程度.Kuo［14］提出，越庫的門數(shù)量范圍為6～200.如前文所述，每個出庫門指定對應電商，因此出庫門與貨物種類，即電商數(shù)量一致，出庫門數(shù)量為5～20，入庫門數(shù)量為30～110.針對退貨逆物流的不確定性，X ib隨機.實驗規(guī)模如表1所示.I=C×z，J=C×z×5，其中z為調整出入庫車輛與入口數(shù)量關系的參數(shù)［13］.入庫車卸載的貨物種類以B×u為平均值隨機取值，因此u越大，從每輛入庫車上卸下的貨將被轉運到更多的出庫門處，該問題的復雜度也就越大.

如表1所示，第8～10列分別為隨機解R，初始解IN和遺傳算法得出的最優(yōu)解，從改進程度IM中可以看出，GA得出的解相對于隨機解均有一定的改進程度，改進程度為-0.79% ～37.49%.從圖4可以看出，在最初計算規(guī)模相對較小時，u=0.5和u=0.2的改進程度差別不大，但當計算規(guī)模逐漸增大，u=0.5時的改進程度明顯低于u=0.2時，即當入庫車上的貨物總類越多（或入庫車上的貨物準備運往的出庫車越多），本文提出的模型能夠改進最大完工時間的程度變低.

由于問題的NP難特性，該調度問題的解空間會隨著u和出入庫車輛數(shù)的增大而大幅增加，計算時間也會因此增加.從圖5可以看出，隨著出入庫車量數(shù)的增加，求解時間t逐步增加，當出入庫車輛數(shù)超過160時，t＞1 min，且當u=0.5時求解時間長于當u=0.2時的求解時間.

圖4 遺傳算法改進百分比Fig.4 Improvement percentage by genetic algorithm

圖5 退貨中心規(guī)模和貨物種類對求解時間的影響Fig.5 Effect of reimbursement centre scale and types of goods on compouting time

4 結 語

本文模型能夠在一定程度上縮短最大完工時間，求解最優(yōu)入庫車序列.隨著配送中心規(guī)模的增大，求解速度變慢，且貨物種類越多，求解時間增長速度越快.相對于隨機解，遺傳算法在一定程度上縮短了最大完工時間.與求解時間一樣，改進程度受到配送中心規(guī)模和貨物種類的影響.此外，由于該車輛調度問題的高度復雜性，現(xiàn)階段只考慮了部分約束，進一步地研究約束范圍是下一階段的研究目標.本研究所采用的車門分配策略比較簡單，該問題有待深入研究.

表1 實驗設計與求解Tab.1 Design and calculation of experiment

（

）:

［1］WANG Z P，YAO D Q，HUANG P Q.A new locationinventory policy with reverse logistics applied to B2C e-markets of China［J］.International Journal of Production Economics，2007，107（2）：50- 363.

［2］許婷.我國B2C電子商務企業(yè)的物流配送模式研究及發(fā)展策略淺析［J］.現(xiàn)代商論，2014，22（3）：58- 60.XU Ting.Analysis and research on distribution strategy and development in B2C enterprises of China［J］.Modern Business，2014，22（3）：58- 60.

［3］FLEISCHMANN M，JACQUELINE M，BLOEMHOF R，et al.Quantitative models for reverse logistics：a review ［J］.European Journal of Operational Research，1997，103（1）：1- 17.

［4］郝建麗.網(wǎng)絡購物中的退貨逆向物流研究［J］.現(xiàn)代營銷，2011，5：1- 6.HAO Jian-li.Research on reverse Logistics of online shopping［J］.Modern Marketing，2011，5：1- 6.

［5］王妙春，汪貽生，姜玉宏.電子商務環(huán)境下逆向物流管理研究［J］.物流科技，2013（1）：115- 117.WANG Miao-chun， WANG Yi-sheng，JIANG Yuhong.Research on reverse logistics management based on E-business ［J］.Logistics Technology，2013 （1）：115- 117.

［6］詹蓉，陳榮秋.逆向物流運作管理模型研究［J］.華中科技大學學報：自然科學版，2006，33（10）：115- 117.ZHAN Rong，CHEN Rong-qiu.Model for operations management of reverse logistics ［J］.Journal of Huazhong University of Science and Technology：Natural Sci-ence，2006，33（10）：115- 117.

［7］BOYSEN N，F(xiàn)LIEDNER M.Cross dock scheduling：classification，literature review and research agenda［J］.Omega，2010，38（6）：413- 22.

［8］VANBELLE J，VALCKENAERS P，CATTRYSSE D.Cross-docking：state of the art ［J］.Omega，2012，40（6）：827- 846.

［9］CHEN F，LEE C Y.Minimizing the makespan in a twomachine cross-docking flow shop problem ［J］.European Journal of Operational Research，2009，193（1）：59- 72.

［10］WOOYEON Y，EGBELU P J.Scheduling of inbound and outbound trucks in cross docking systems with temporary storage［J］.European Journal of Operational Research，2008，184（1）：377- 396.

［11］BOYSEN N，F(xiàn)LIEDNER M，SCHOLL A.Scheduling inbound and outbound trucks at cross docking terminals［J］.OR Spectrum，2010，32（1）：135- 161.

［12］MIAO Z W，LIM A，MA H.Truck dock assignment problem with operational time constraint within crossdocks［J］.European Journal of Operational Research，2009，192（1）：105- 115.

［13］BERMUDEZ R，COLE M H.A genetic algorithm approach to door assignments in breakbulk terminals［R］.USA，University of Arkansas：Mack-Blackwell National Rural Transportation Study Center，2001.

［14］KUO Y.Optimizing truck sequencing and truck dock assignment in a cross docking system ［J］.Expert Systems with Applications，2013，40（14）：5532- 5541.