我國(guó)跨境電商海外倉(cāng)選址問題研究

朱嘉彤+張畢西+胡麗娜++陳奕昕

摘要： 跨境電子商務(wù)成長(zhǎng)迅速，現(xiàn)有的配送模式卻跟不上業(yè)務(wù)發(fā)展需要，海外倉(cāng)的建立具有眾多優(yōu)勢(shì)，但電子商務(wù)環(huán)境下的海外倉(cāng)選址不僅受單方面的影響，因此現(xiàn)有的選址研究不能直接運(yùn)用到跨境電子商務(wù)上。本文以中國(guó)跨境電子商務(wù)為研究對(duì)象，從市場(chǎng)需求等角度考慮，并從考慮建倉(cāng)費(fèi)用，運(yùn)輸方式，空間距離，時(shí)間成本等因素出發(fā)，建立海外倉(cāng)選址模型。本文運(yùn)用遺傳算法和粒子群算法對(duì)目標(biāo)函數(shù)展開求解對(duì)比并用實(shí)例得以認(rèn)證。從而為跨境電子商務(wù)設(shè)定海外倉(cāng)提供方法和依據(jù)。

Abstract： With the rapid growth of cross-border e-commerce， the existing distribution model can not keep up with the needs of business development. The establishment of overseas warehouse has many advantages， but the overseas position under the environment of e-commerce is not only affected by the unilateral effect， so the research on the location can not be directly applied to the cross-border e-commerce. In this paper， taking China's cross-border e-commerce as the research object， considering the market demand， costs， transportation mode， space distance， time cost and other factors， establish overseas warehouse location model. This paper uses genetic algorithm and particle swarm algorithm to make a solution and comparison to the objective function， and uses examples to certify it， so as to provide methods and basis for cross-border e-commerce to set up overseas warehouse.

關(guān)鍵詞： 海外倉(cāng)；選址模型；遺傳算法；粒子群算法

Key words： overseas warehouse；location model；genetic algorithm；particle swarm optimization

中圖分類號(hào)：F713.36 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1006-4311（2017）07-0078-03

0 引言

在經(jīng)濟(jì)全球化的今天，跨境電商是經(jīng)濟(jì)一體化的一大推手，我國(guó)跨境電商迅速發(fā)展，已形成一定的產(chǎn)業(yè)集群和交易規(guī)模。李克強(qiáng)總理在2016年政府工作報(bào)告中明確表示，要控制進(jìn)出口貿(mào)易下滑的趨勢(shì)，加快我國(guó)貿(mào)易的創(chuàng)新和發(fā)展速度，堅(jiān)持拓展跨境電商試點(diǎn)，鼓勵(lì)企業(yè)建成“海外倉(cāng)”，促使外貿(mào)綜合服務(wù)企業(yè)更快更好地發(fā)展。最近幾年，我國(guó)的跨境電商飛速發(fā)展，許多大型跨境電商企業(yè)在國(guó)內(nèi)已形成一定的產(chǎn)業(yè)集群和商業(yè)規(guī)模。據(jù)了解，以國(guó)際快遞為主的郵政小包模式和把貨物提前存儲(chǔ)在海外倉(cāng)庫(kù)的海外倉(cāng)模式是目前我國(guó)跨境電商的主要配送模式。所謂海外倉(cāng)模式，就是將大規(guī)模跨境運(yùn)輸貨品變?yōu)榭赡?，電商企業(yè)預(yù)先把貨物報(bào)關(guān)，然后發(fā)貨到他國(guó)境內(nèi)的倉(cāng)庫(kù)，當(dāng)此國(guó)顧客有消費(fèi)需求時(shí)，再發(fā)貨給顧客。此時(shí)的貨物等同于國(guó)內(nèi)快遞，不僅大大降低了時(shí)間成本，還提高了貨物抵達(dá)的安全度和商品的重復(fù)消費(fèi)率。

張夏恒、馬天山（2015）在《中國(guó)跨境電商物流困境及對(duì)策建議》分析我國(guó)跨境物流的基礎(chǔ)上，提出建設(shè)海外倉(cāng)對(duì)跨境電商發(fā)展有很大的促進(jìn)作用。王春芝、高強(qiáng)（2015）在《基于扎根理論的服務(wù)備件跨境物流協(xié)同系統(tǒng)研究》用扎根理論的方法體系，從戰(zhàn)略層面提煉協(xié)同系統(tǒng)的要素和結(jié)構(gòu)體系。王曉博和李一軍（2006）在《電子商務(wù)環(huán)境下物流配送中心選址模型與評(píng)價(jià)方法》中在物流配送中心選址模型上改變時(shí)間約束和變動(dòng)費(fèi)用條件，用定量化的啟發(fā)式算法和層次分析法（AHP）得到物流配送中心選址評(píng)價(jià)指標(biāo)權(quán)重，全面評(píng)估包含了專家評(píng)分，進(jìn)而確定最優(yōu)位置。

在現(xiàn)實(shí)運(yùn)行中，一般的選址會(huì)考慮費(fèi)用成本、距離、需求量等因素，本文在傳統(tǒng)的倉(cāng)庫(kù)選址模型基礎(chǔ)上做改進(jìn)，加上考慮建倉(cāng)固定費(fèi)用、海運(yùn)航運(yùn)之間的運(yùn)費(fèi)差，再融入時(shí)間成本，使傳統(tǒng)選址模型更加科學(xué)、全面，更適應(yīng)海外倉(cāng)的選址要求。

1 模型建立

對(duì)海外倉(cāng)選址的目標(biāo)決策問題描述如下：每個(gè)國(guó)家或者主要城市看成是一個(gè)供應(yīng)或需求質(zhì)點(diǎn)，海外倉(cāng)的選址根據(jù)在綜合考慮建倉(cāng)成本、需求量、運(yùn)輸方式、運(yùn)輸距離、時(shí)間成本等的因素下，在n個(gè)備選點(diǎn)中選出m個(gè)，在保證滿足需求量的情況下，達(dá)到總成本最小，效率最高，利潤(rùn)最大。

在模型中m表示備選海外倉(cāng)的數(shù)量；n表示需求節(jié)點(diǎn)的數(shù)量；fi表示建設(shè)海外倉(cāng)需要的固定成本；Zi{0，1}為決策變量，0指海外倉(cāng)不建設(shè)，1指建設(shè)；Chi表示國(guó)際單位距離（公里）單位貨物（萬(wàn)噸）的運(yùn)輸成本；Xhi表示從供應(yīng)節(jié)點(diǎn)到海外倉(cāng)的運(yùn)輸量；dhi表示供應(yīng)節(jié)點(diǎn)到海外倉(cāng)的距離；Wij表示境外單位距離（公里）單位貨物（萬(wàn)噸）的運(yùn)輸成本；Hij表示從海外倉(cāng)到需求點(diǎn)的運(yùn)輸量；lij表示海外倉(cāng)到需求點(diǎn)的距離；k表示未設(shè)定海外倉(cāng)時(shí)產(chǎn)生的時(shí)間懲罰成本的線性懲罰系數(shù)；tij表示從供應(yīng)節(jié)點(diǎn)到達(dá)第j個(gè)需求點(diǎn)的時(shí)間；aj表示貨物到達(dá)的指定時(shí)間；？著j表示時(shí)間敏感系數(shù)；zj{0，1}表示tij>aj，則zj=1，若tij

式（1）為目標(biāo)函數(shù)最小總成本，包含三點(diǎn)：建設(shè)海外倉(cāng)的固定費(fèi)用，國(guó)際運(yùn)輸費(fèi)用和境外物流費(fèi)用以及因沒有建設(shè)海外倉(cāng)耽誤貨品以最快的時(shí)間到達(dá)的時(shí)間懲罰成本?？傎M(fèi)用為三部分成本之和，按照要求一定的時(shí)間使總費(fèi)用最小，即使得總費(fèi)用函數(shù)（=固定費(fèi)用+運(yùn)輸費(fèi)用+時(shí)間成本）最小。式（2）為約束條件，表示供應(yīng)點(diǎn)到各海外倉(cāng)的運(yùn)輸量要大于海外倉(cāng)到各需求點(diǎn)的運(yùn)輸量，滿足客戶需求量；海外倉(cāng)的建設(shè)數(shù)量應(yīng)少于需求點(diǎn)的數(shù)量，運(yùn)輸量和距離都大于等于0；Zi{0，1}為決策變量，0指海外倉(cāng)不建設(shè)，1指建設(shè)；Zj{0，1}為是否需要時(shí)間懲罰的0-1變量；時(shí)間敏感系數(shù)是0到1之間的實(shí)數(shù)，數(shù)值愈大，時(shí)間敏感性愈強(qiáng)。

模型假設(shè)所有運(yùn)送的貨品均一次性運(yùn)達(dá)海外倉(cāng)及需求點(diǎn)；僅在需求點(diǎn)所在國(guó)家建立海外倉(cāng)；一個(gè)海外倉(cāng)可向多個(gè)需求點(diǎn)供貨，一個(gè)需求點(diǎn)可以由多個(gè)海外倉(cāng)供貨，海外倉(cāng)之間不互相協(xié)調(diào)補(bǔ)充；各需求點(diǎn)的當(dāng)?shù)匦枨罅靠深A(yù)知；第i個(gè)海外倉(cāng)到第j個(gè)需求點(diǎn)的貨品的運(yùn)輸量要滿足需求量；供應(yīng)點(diǎn)、海外倉(cāng)和需求點(diǎn)之間均看成質(zhì)點(diǎn)，質(zhì)點(diǎn)之間的距離為直線距離；若供應(yīng)點(diǎn)到需求點(diǎn)之間設(shè)定海外倉(cāng)，則使用海運(yùn)，否則使用空運(yùn)；海外倉(cāng)到需求點(diǎn)之間全程使用空運(yùn)。

2 算法設(shè)計(jì)與分析

由于非線性混合0-1問題屬于典型的NP（Non-deterministic Polynomial）問題，沒有最優(yōu)解，本文運(yùn)用遺傳算法來(lái)構(gòu)造優(yōu)化解。

2.1 編碼設(shè)計(jì) 編碼是遺傳算法首步，現(xiàn)在主流的編碼方法存在三種：二進(jìn)制、格雷碼和浮點(diǎn)數(shù)編碼。在此模型中，決策變量Zi和Xij中含有的變量個(gè)數(shù)分別為m 和mn，因此目標(biāo)函數(shù)中的變量為m+mn，即可編碼成長(zhǎng)度為m+mn。

2.2 初始種群生成 使用蒙特卡洛法產(chǎn)生一個(gè)種群規(guī)模M、長(zhǎng)度m+mn的二進(jìn)制染色體的初始種群，任一二進(jìn)制染色體中的每一位隨機(jī)地取0或1。

2.3 約束條件處理 對(duì)于模型三，約束條件為不等式，因此，罰函數(shù)k（x）=■[max（hr（x），0）]2，其中hr（x）表示約束條件函數(shù)，R為恒等式約束條件的總個(gè)數(shù)。通過罰函數(shù)可以構(gòu)造如下函數(shù)：P（x，？啄）=F（x）+？啄k（x）。

2.4 適應(yīng)度函數(shù) 適應(yīng)度是用來(lái)度量群體內(nèi)每個(gè)個(gè)體在優(yōu)化問題中達(dá)到或近似找到最優(yōu)解的優(yōu)良度。適應(yīng)度越高，可遺傳概率越大。本文所建模型需總費(fèi)用最小，其適應(yīng)度函數(shù)為P（x，？啄）。

2.5 選擇操作 本文采用轉(zhuǎn)盤選擇法，假設(shè)個(gè)體適應(yīng)度為Fi，群體大小為M，則個(gè)體i被選擇的概率Pi：Pi=■，其中式中，i=1，2，···，M。

2.6 交叉操作 交叉算法是遺傳算法中生成新個(gè)體的主要方法，在交叉之前對(duì)個(gè)體隨機(jī)配對(duì)，配對(duì)的那對(duì)染色體上的一段基因再按照某一規(guī)則交換，進(jìn)而產(chǎn)生兩個(gè)新個(gè)體。優(yōu)秀基因通過交叉保留、遺傳與進(jìn)化。

2.7 變異操作 遺傳算法中的變異算子相當(dāng)于遺傳學(xué)中的基因突變，由于外界環(huán)境的變化使得基因結(jié)構(gòu)發(fā)生變異，從而產(chǎn)生新的染色體。首先，確定需變異的個(gè)體數(shù)c=[P×pm]；然后在[1，P]內(nèi)隨機(jī)c個(gè)整數(shù){p1，p2，…，pc}，在內(nèi)隨機(jī)選c個(gè)整數(shù){n1，n2，…，nc}；最后，Xp1在分量n1上變異，Xp1（xp11，…，xp1n1，…，xp1n）表示變異個(gè)體，n1表示變異點(diǎn)，則新個(gè)體表示為Xp1′（xp11，…，xp1n1′…，xp1n），其中xp1n1′=xp1n1+？著（d，y），（d，y）=ya1-■，式中，y=xp1n1max-xp1n1min，其中，xp1n1max、

xp1n1min，為染色體基因中允許的最大、最小取值，a為[0，1]之間的隨機(jī)數(shù)，？著（d，y）是為了加大個(gè)體的突變程度。本文在選擇算子的引導(dǎo)下，以概率Pm對(duì)個(gè)體染色體中的部分基因值與其他等位基因進(jìn)行替換，變異操作，進(jìn)而生成新個(gè)體。

2.8 終止條件 設(shè)定最大迭代次數(shù)G，次數(shù)一到就停止運(yùn)算。

3 基于粒子群算法的模型求解

粒子群算法類似于模擬退火算法，屬于進(jìn)化算法的一種，它是以隨機(jī)解為初始點(diǎn)，用迭代得出最優(yōu)解，同樣地，適應(yīng)度越高質(zhì)量越優(yōu)。

在此模型中，決策變量Zi中包含變量個(gè)數(shù)為m，決策變量Xij中含有的變量個(gè)數(shù)為mn，因此目標(biāo)函數(shù)中的變量為m+mn，即可編碼成長(zhǎng)度為m+mn。

由粒子組成的群體對(duì)Q維空間進(jìn)行搜索，每個(gè)粒子表示x1=（x11，x12，x13，…，x1Q），每個(gè)粒子對(duì)應(yīng)的速度表示v1=（v11，v12，v13，…，v1Q），每個(gè)粒子在搜索時(shí)要同時(shí)考慮以下兩個(gè)因素：一是自身搜索到的最優(yōu)值pi=（pi1，pi2，pi3，…，piQ），i=1，2，3，…，n，二是全部粒子搜索到的最優(yōu)值p

4 案例分析

廣東省深圳市某跨境電商公司主營(yíng)業(yè)務(wù)為高級(jí)不銹鋼內(nèi)膽，因近幾年來(lái)海外電商的迅猛發(fā)展，與香港、尼日利亞、緬甸、孟加拉、韓國(guó)等國(guó)家有業(yè)務(wù)關(guān)系，現(xiàn)擬在目的國(guó)分布情況、需求量、資金等條件約束下建立海外倉(cāng)。案例通過建立的數(shù)學(xué)模型得到待建海外倉(cāng)，以達(dá)到總成本最低的目標(biāo)。案例基本數(shù)據(jù)：海運(yùn)成本為20元/件/公里，空運(yùn)成本為120元/件/公里，海運(yùn)速度50公里/小時(shí)，空運(yùn)速度600公里/小時(shí)，未設(shè)定海外倉(cāng)時(shí)產(chǎn)生的時(shí)間懲罰成本的線性懲罰系數(shù)為100元/天/件。

有關(guān)數(shù)據(jù)如表1～表3。

基于遺傳算法的MATLAB運(yùn)行結(jié)果如圖1，圖2，表4所示。

基于粒子群算法的MATLAB運(yùn)行結(jié)果如圖3，圖4，表5所示。

用兩種不同的算法得出不同的配送方案，從目標(biāo)函數(shù)結(jié)果看出，遺傳算法得出的總成本比粒子群算法要小。

5 結(jié)論

在經(jīng)濟(jì)貿(mào)易全球化的今天，跨境電商飛速發(fā)展，海外倉(cāng)的普及能大力促進(jìn)跨國(guó)貿(mào)易進(jìn)行，極大縮短物流時(shí)間，同時(shí)使得當(dāng)?shù)赝藫Q貨手續(xù)更加簡(jiǎn)便，其優(yōu)勢(shì)是不言而喻的。文章對(duì)跨境電商海外倉(cāng)選址問題進(jìn)行探討，考慮建倉(cāng)費(fèi)用，運(yùn)輸方式，空間距離，時(shí)間等條件，建立數(shù)學(xué)模型，并用遺傳算法和粒子群算法得出解，為跨境電商建立海外倉(cāng)給出科學(xué)建議，從而增強(qiáng)市場(chǎng)競(jìng)爭(zhēng)力。

參考文獻(xiàn)：

[1]王春芝.高基于扎根理論的服務(wù)備件跨境物流協(xié)同系統(tǒng)研究[J].物流與供應(yīng)鏈管理，2015，27（2）：178-186.

[2]方新，靳留乾.基于區(qū)間D-S證據(jù)理論的物流中心選址模型[J].計(jì)算機(jī)應(yīng)用研究，2015，32（27）：170-177.

[3]淦艷，魏延.免疫算法的帶權(quán)值的物流配送中心選址中的應(yīng)用[J].重慶師范大學(xué)學(xué)報(bào)（自然科學(xué)版），2015，32（5）：11-22.

[4]王曉博，李一軍.電子商務(wù)環(huán)境下物流配送中心選址模型與評(píng)價(jià)方法[J].系統(tǒng)工程理論方法應(yīng)用，2006，15（3）：150-156.

[5]柯穎.我國(guó)B2C跨境電子商務(wù)物流模式選擇[J].中國(guó)流通經(jīng)濟(jì)，2015（8）：63-69.

[6]李向陽(yáng).促進(jìn)跨境電子商務(wù)物流發(fā)展的路徑[J].中國(guó)流通經(jīng)濟(jì)，2014（10）：107-112.

[7]B Gendron， F Seme， Formulations and relaxations for a multi-echelon capacitated location-distribution problem[J]. Computer & Operations Research， 2009， 36：1335-1355.