共同配送下城市快遞末端網(wǎng)點(diǎn)布局研究

孫 虎，閆 超

(武漢理工大學(xué) 物流工程學(xué)院，湖北 武漢 430063)

據(jù)國家統(tǒng)計(jì)局?jǐn)?shù)據(jù)顯示，2018年雙十一購物節(jié)活動(dòng)第一天，全國主要電商企業(yè)全天共產(chǎn)生快遞物流訂單13.52億件，同比增長25.12%。電子商務(wù)的快速發(fā)展給快遞行業(yè)帶來前所未有的機(jī)遇，但挑戰(zhàn)也接踵而至，如何將日益增多的快遞以較低的成本及時(shí)準(zhǔn)確地送到收件人手中成為了困擾整個(gè)快遞行業(yè)的“最后一公里”配送難題。通過實(shí)施共同配送可以提高物流資源的利用率，實(shí)現(xiàn)規(guī)模效益，有效地降低成本。

城市快遞末端共同配送中心布局問題與一般的布局問題有所不同，因?yàn)槠涮幱诔鞘兄行膮^(qū)域，土地資源十分有限，很難找到閑置的土地建設(shè)大型的共同配送中心。同時(shí)，服務(wù)的客戶數(shù)量規(guī)模大，客戶分布呈現(xiàn)出高度的碎片化，并且配送需求的不確定性較高。因此，針對(duì)城市快遞末端共同配送中心布局問題，學(xué)者們進(jìn)行了大量的研究。ZHOU等[1]在考慮物流中心規(guī)模的基礎(chǔ)上，結(jié)合B2C電子商務(wù)客戶的需求特點(diǎn)，應(yīng)用等級(jí)聚類方法對(duì)B2C電子商務(wù)的潛在客戶進(jìn)行聚類,建立模糊規(guī)劃模型，對(duì)配送中心進(jìn)行設(shè)計(jì)。楊朋玨等[2]針對(duì)末端網(wǎng)點(diǎn)選址問題建立了送貨上門權(quán)距離最小、自取貨物客戶距網(wǎng)點(diǎn)最近的選址模型，采取約束法將多目標(biāo)優(yōu)化問題轉(zhuǎn)換為單目標(biāo)模型，并采用遺傳算法求解。CHEN等[3]利用模糊圖論解決了區(qū)域配送中心的定位和分配問題,并通過實(shí)例對(duì)模糊圖論與動(dòng)態(tài)聚類分析的解進(jìn)行了比較。JI等[4]基于道路網(wǎng)絡(luò)的實(shí)際情況，建立了區(qū)域快遞配送中心選址的優(yōu)化模型,并采用改進(jìn)的模糊C均值(FCM)聚類算法求解該模型。張漪等[5]等運(yùn)用K-means算法針對(duì)客戶每日訂單量和配送點(diǎn)的變化生成動(dòng)態(tài)變化的子配送區(qū)域，采用TOPSIS評(píng)價(jià)法選出子配送區(qū)域內(nèi)最佳的顧客自取點(diǎn)。于曉寒等[6]對(duì)K-means算法進(jìn)行改進(jìn),提出了考慮河流、公路等地理障礙和站點(diǎn)工作量的約束聚類算法,并用該算法對(duì)城市快遞配送區(qū)域進(jìn)行劃分。辛柯俊等[7]通過K-means算法進(jìn)行聚類分析，得到城市快遞局部配送中心及其配送范圍內(nèi)的客戶點(diǎn)，并采用蟻群算法找出該配送區(qū)域內(nèi)的最優(yōu)配送路徑。周翔等[8]通過中心偏移二次聚類算法確定B2C模式下城市配送末端節(jié)點(diǎn)的數(shù)量和備選位置，采用最小生成樹聚類算法實(shí)現(xiàn)配送中心備選位置的確定和末端節(jié)點(diǎn)到配送中心的分配。葉潯宇[9]采用最大樹聚類法對(duì)整個(gè)配送區(qū)域進(jìn)行劃分，然后用重心法求出各區(qū)域配送中心的地址。李棟等[10]根據(jù)中心地理論和六邊形法則確定了城市配送中心數(shù)量，利用K-means聚類的方法求解出城市配送中心的位置，用Voronoi圖理論確定城市配送中心的服務(wù)范圍。學(xué)者們對(duì)此類問題的研究方法普遍采用聚類算法，并且大多數(shù)都采用K-means聚類進(jìn)行求解。然而采用K-means聚類事先需要給定K值，并且初始聚類中心是隨機(jī)選定的，其聚類結(jié)果受初始聚類中心的影響較大。同時(shí)，對(duì)于此類問題的研究對(duì)象一般都是大型區(qū)域配送中心，并沒有很好地解決最后一公里配送難題。

鑒于上述情況，筆者以快遞派送的末端-居民小區(qū)為研究對(duì)象，采用無需確定聚類數(shù)目的AP算法對(duì)居民小區(qū)進(jìn)行聚類，將整個(gè)配送區(qū)域劃分為多個(gè)配送區(qū)域；然后將小區(qū)快遞量、網(wǎng)購人口規(guī)模等因素作為評(píng)價(jià)指標(biāo)，建立快遞末端網(wǎng)點(diǎn)評(píng)價(jià)指標(biāo)體系，并運(yùn)用引力模型選取出引力值和最大的小區(qū)作為區(qū)域中心居民小區(qū)，在區(qū)域中心居民小區(qū)附近設(shè)立快遞末端共同配送中心；最后采用Voronoi圖確定建立在各個(gè)小區(qū)的自提網(wǎng)點(diǎn)的服務(wù)范圍。

1 城市快遞共同配送網(wǎng)絡(luò)

通過對(duì)試點(diǎn)城市共同配送經(jīng)驗(yàn)的分析，參考現(xiàn)有的研究，筆者將城市快遞共同配送網(wǎng)絡(luò)的組成分為四級(jí)，分別為一級(jí)城市轉(zhuǎn)運(yùn)中心、二級(jí)區(qū)域分撥中心、三級(jí)末端共同配送中心和四級(jí)自提網(wǎng)點(diǎn)，共同配送網(wǎng)絡(luò)的詳細(xì)組成如圖1所示。

圖1 城市快遞配送網(wǎng)絡(luò)

一級(jí)城市轉(zhuǎn)運(yùn)中心是指快遞企業(yè)現(xiàn)有的位于城市郊區(qū)的大型轉(zhuǎn)運(yùn)中心；二級(jí)區(qū)域分撥中心是指快遞企業(yè)位于市區(qū)內(nèi)的用于給固定大區(qū)域內(nèi)末端網(wǎng)點(diǎn)進(jìn)行配送的區(qū)域分撥中心；三級(jí)末端共同配送中心是指在居民小區(qū)聚集區(qū)域建立的面向快遞末端的共同配送中心，是流通中轉(zhuǎn)型的配送中心，只需要提供車輛暫停區(qū)、中轉(zhuǎn)作業(yè)區(qū)及貨物暫存區(qū)，其用地規(guī)模不大。考慮到目前社區(qū)網(wǎng)絡(luò)快遞包裹送達(dá)時(shí)間不確定、地點(diǎn)不確定、簽收不方便的問題，可以依據(jù)每個(gè)非中心小區(qū)的不同情況，采取與社區(qū)便利店、社區(qū)保衛(wèi)室合作或者在小區(qū)設(shè)立智能貨柜的模式建立四級(jí)自提網(wǎng)點(diǎn)，將從根本上解決目前社區(qū)網(wǎng)絡(luò)快遞包裹送達(dá)時(shí)間不確定、地點(diǎn)不確定、簽收不方便的問題，從而激發(fā)居民網(wǎng)上購物的熱情，促進(jìn)電子商務(wù)的發(fā)展。

2 研究思路與方法

2.1 研究思路

筆者采用AP聚類算法對(duì)居民小區(qū)進(jìn)行聚類分析，得到居民小區(qū)組團(tuán)，將每個(gè)組團(tuán)作為一個(gè)配送區(qū)域；然后采用改進(jìn)的引力模型測算各區(qū)域中小區(qū)之間的“引力”，選取該區(qū)域中“引力”和最大的小區(qū)作為該區(qū)域的中心小區(qū)，在此建立快遞末端共同配送中心；最后采用Voronoi圖確定各小區(qū)自提網(wǎng)點(diǎn)的服務(wù)范圍。

2.2 研究方法

2.2.1 AP聚類算法

AP(affinity propagation)聚類算法的基本思想是將所有的數(shù)據(jù)點(diǎn)作為潛在的聚類中心，考慮數(shù)據(jù)點(diǎn)之間的歸屬度和吸引度的信息傳遞。與其他算法相比，AP算法不需要制定最終聚類族的個(gè)數(shù)，將已有的數(shù)據(jù)點(diǎn)作為最終的聚類中心，而不是新生成一個(gè)族中心，算法模型對(duì)數(shù)據(jù)的初始值不敏感，對(duì)初始相似度矩陣數(shù)據(jù)的對(duì)稱性沒有要求，且AP算法的魯棒性相對(duì)較強(qiáng)，準(zhǔn)確度也較高。

AP算法以相似度s(i,k)的大小作為評(píng)判點(diǎn)k能否成為數(shù)據(jù)點(diǎn)i的聚類中心的標(biāo)準(zhǔn)。每個(gè)相似度都被設(shè)置成一個(gè)負(fù)平方差(歐式距離的負(fù)數(shù))，對(duì)于點(diǎn)Xi和Xk則有：

s(i,k)=-‖Xi-Xk‖2

(1)

2.2.2 引力模型

由于不同小區(qū)的網(wǎng)購人口規(guī)模、快遞量及交通便利情況不同，造成不同小區(qū)聚落體系優(yōu)化過程中的導(dǎo)向作用不同。這種導(dǎo)向作用既反映了小區(qū)在聚落體系中的地位與作用，又反映了聚落體系內(nèi)部的相互影響，因此筆者選取引力模型來表征這種導(dǎo)向作用，從每個(gè)小區(qū)聚落中選出對(duì)其他小區(qū)引力值之和最大的作為中心小區(qū)，建立該聚落的共同配送中心。

(2)

式中：I為小區(qū)i和j之間的引力值；G為經(jīng)驗(yàn)系數(shù)，取值為1；r為兩個(gè)小區(qū)之間的距離；a為距離衰減指數(shù)，通常取值為2；Mi和Mj為兩個(gè)小區(qū)的“質(zhì)量”。

綜合目前研究網(wǎng)點(diǎn)優(yōu)化布局的情況，小區(qū)的“質(zhì)量”應(yīng)該為一個(gè)考慮多個(gè)因素的綜合質(zhì)量。通過對(duì)快遞行業(yè)進(jìn)行實(shí)地調(diào)研，咨詢快遞業(yè)各級(jí)管理人員及專家學(xué)者，再結(jié)合相關(guān)文獻(xiàn)，筆者選取了小區(qū)快遞量、居民網(wǎng)購交易額、網(wǎng)購人口規(guī)模、距交通干線距離這4個(gè)指標(biāo)構(gòu)建快遞末端網(wǎng)點(diǎn)評(píng)價(jià)指標(biāo)體系，并邀請(qǐng)了行業(yè)專家學(xué)者對(duì)判斷矩陣中各指標(biāo)相對(duì)重要性進(jìn)行判斷，最后采用層次分析法確定各指標(biāo)的權(quán)重。指標(biāo)及權(quán)重如表1所示。

表1 快遞末端網(wǎng)點(diǎn)評(píng)價(jià)指標(biāo)體系

2.2.3 Voronoi圖

Voronoi圖是一種能夠?qū)W(wǎng)點(diǎn)服務(wù)范圍進(jìn)行有效劃分的方法。其定義如下：設(shè)P={p1，p2，…，pn}(n≥3)為二維歐式空間的一個(gè)控制點(diǎn)集；x為二維歐式空間上任意一點(diǎn)，則有：

V(pi)={x|d(x,pi)≤

d(x,pj),j=1,2,…,n,j≠i}

(3)

式中：d(x,pi)為空間上任意一點(diǎn)到控制點(diǎn)pi的距離；V(pi)為空間上到控制點(diǎn)pi距離小于到其他控制點(diǎn)距離的點(diǎn)的集合，即為控制點(diǎn)pi的Voronoi區(qū)域。

3 算例分析

3.1 算例數(shù)據(jù)

選取了某市的50個(gè)小區(qū)作為算例分析對(duì)象，具體數(shù)據(jù)如表2所示。

表2 某市50個(gè)小區(qū)的數(shù)據(jù)

續(xù)表

注：小區(qū)橫縱坐標(biāo)均為Beijing1954投影坐標(biāo)系下的值

3.2 配送區(qū)域劃分與中心小區(qū)的識(shí)別

采用AP算法對(duì)某市的小區(qū)進(jìn)行空間聚類,聚類結(jié)果如圖2所示，于是將50個(gè)小區(qū)劃分為6個(gè)組團(tuán),每個(gè)組團(tuán)即為一個(gè)配送區(qū)域，劃分結(jié)果如表3所示。在各配送區(qū)域內(nèi)，基于改進(jìn)的引力模型，識(shí)別各小區(qū)之間的引力值，然后基于總引力值大小識(shí)別中心小區(qū)，將總引力值最大的小區(qū)作為中心小區(qū)，即區(qū)域末端共同配送中心所在位置，各區(qū)域內(nèi)其他小區(qū)設(shè)置快遞自提網(wǎng)點(diǎn)。

選取第一組團(tuán)為例進(jìn)行說明，第一組團(tuán)內(nèi)各小區(qū)之間的引力值如表4所示，可知總引力值最大的為4號(hào)小區(qū)，所以該組團(tuán)內(nèi)中心小區(qū)為4號(hào)小區(qū)，即4號(hào)小區(qū)為該區(qū)域末端共同配送中心所在位置，1、2、3、6、7、8和10號(hào)小區(qū)設(shè)立自提點(diǎn)。同理，依次確定第二、三、四、五、六組團(tuán)的中心小區(qū)分別為13、15、32、34、45號(hào)小區(qū)。因此，該市快遞末端網(wǎng)點(diǎn)布局情況如下：在4、13、15、32、34、45號(hào)小區(qū)所在位置建立區(qū)域末端共同配送中心，在其他小區(qū)采取與社區(qū)便利店、社區(qū)保衛(wèi)室合作或者在小區(qū)設(shè)立智能貨柜的模式建立自提網(wǎng)點(diǎn)，由區(qū)域末端共同配送中心負(fù)責(zé)所在區(qū)域的快遞配送。

3.3 服務(wù)范圍劃分

由于小區(qū)周邊商家及寫字樓都有快遞的配送

圖2 聚類結(jié)果圖

類別聚類結(jié)果一1 2 3 4 6 7 8 10二5 9 11 13 19 21三12 14 15 16 17 18 20四22 24 26 29 30 32 36 37 38 42 44五23 25 27 28 31 33 34 35 39 41 43六40 45 46 47 48 49 50

需求，所以需要對(duì)設(shè)立在每個(gè)小區(qū)的自提網(wǎng)點(diǎn)進(jìn)行服務(wù)范圍劃分，確保把該類客戶的快遞放置在離其最近的自提點(diǎn)內(nèi)，方便其領(lǐng)取，如有上門配送需求，也可安排社區(qū)合作方人員進(jìn)行服務(wù)。筆者運(yùn)用Voronoi圖并結(jié)合本市實(shí)際情況，基于ArcGIS軟件對(duì)服務(wù)范圍進(jìn)行劃分，結(jié)果如圖3所示。

表4 第一組團(tuán)小區(qū)空間引力矩陣

圖3 服務(wù)范圍劃分

4 結(jié)論

基于目前城市快遞末端配送的實(shí)際情況，從企業(yè)角度和城市全域規(guī)劃視角出發(fā)，構(gòu)建城市快遞共同配送網(wǎng)絡(luò)，并提出將快遞末端區(qū)域共同配送中心和自提網(wǎng)點(diǎn)設(shè)置在居民小區(qū)。圍繞這一思路，采用AP算法進(jìn)行了配送區(qū)域的劃分，運(yùn)用引力模型確定了各區(qū)域內(nèi)的共同配送中心的位置，基于ArcGIS軟件運(yùn)用Voronoi圖對(duì)各網(wǎng)點(diǎn)的服務(wù)范圍進(jìn)行劃分。筆者的研究彌補(bǔ)了以往學(xué)者對(duì)城市快遞末端網(wǎng)點(diǎn)布局的不足，以居民小區(qū)作為研究對(duì)象，可以更好地解決“最后一公里”難題；采用AP算法對(duì)配送區(qū)域進(jìn)行劃分，打破以往用K-means聚類算法進(jìn)行配送區(qū)域劃分需給定聚類數(shù)目的局限；以小區(qū)快遞量、網(wǎng)購人口規(guī)模等因素作為評(píng)價(jià)指標(biāo)，建立快遞末端網(wǎng)點(diǎn)評(píng)價(jià)指標(biāo)體系，并運(yùn)用引力模型確定各區(qū)域內(nèi)的共同配送中心的位置，降低了選址的復(fù)雜度，同時(shí)又保證了合理性；基于ArcGIS軟件運(yùn)用Voronoi圖對(duì)各網(wǎng)點(diǎn)的服務(wù)范圍進(jìn)行劃分，既方便客戶領(lǐng)取又避免了各網(wǎng)點(diǎn)服務(wù)存在重疊的問題。最后以某市為例進(jìn)行實(shí)證研究，為該城市快遞共同配送末端網(wǎng)點(diǎn)布局規(guī)劃提供可借鑒的方法。