B2B 電子商務模式下多供貨點智能配送VRP
——以泉州為例

陳琳琳，楊 敏，程 春 CHEN Linlin, YANG Min, CHENG Chun

（1. 仰恩大學 管理學院，福建 泉州362014；2. 廈門大學 管理學院，福建 廈門361005）

(1. School of Management, Yangen University, Quanzhou 362014, China; 2. School of Management, Xiamen University, Xiamen 361005, China)

2019 年5 月28 日，福建永安國家棉花市場監(jiān)測系統(tǒng)舉辦的棉花形勢分析會上，福建紡織協(xié)會相關領導強調了福建要做好因地制宜、產業(yè)升級、區(qū)域分工協(xié)作。其中，物流供應鏈的改善和升級將成為產業(yè)升級的重點之一，直接影響產業(yè)的運營成本和效率。泉州作為福建省重要的紡織基地，其紡織鞋服發(fā)展迅速，隨著“互聯(lián)網+”戰(zhàn)略的推進，出現(xiàn)越來越多的跨境電商企業(yè)，產業(yè)升級和創(chuàng)新發(fā)展迫在眉睫[1]。為促進傳統(tǒng)紡織鞋服業(yè)在電子商務模式下更好的發(fā)展，本文以泉州紡織鞋業(yè)為例，基于目前泉州紡織鞋業(yè)在互聯(lián)網環(huán)境下的發(fā)展現(xiàn)狀，對其B2B 物流配送問題進行研究。

車輛路徑（Vehicle Routing Problem, VRP） 作為物流供應鏈研究中的一大重要分支，目前已得到較多研究[2-6]。但是，關于B2B 電子商務模式下的VRP 研究則較少，已有研究多是關于B2C 電子商務模式下的VRP 進行探討。Moons 等人研究了在B2C電子商務環(huán)境中整合訂單揀選和車輛路線決策的價值[7]；Yuan 等人基于B2C 和O2O 訂單的特點，提出一種創(chuàng)新的聯(lián)合分銷服務的車輛路徑優(yōu)化思路[8]；Chao 等人在B2C 電子商務模式下，基于實際城市道路系統(tǒng)的不完整圖建立VRP 模型，并提出一種新的離散差分進化算法用于求解[9]；張曉楠等人以費用最小為目標，研究了模糊需求下的B2C 物流配送網絡問題[10]；李琳等人針對B2C 電子商務環(huán)境下物流配送的特點建立帶預約時間的VRP 模型[11]。此類基于B2C 電子商務模式下的VRP 模型多是考慮單倉庫情形。

與B2C 電子商務模式下的單倉庫VRP 情形不同，B2B 電子商務模式下的VRP 研究必然涉及多供貨點、多需求點的問題，運輸網絡類似多倉庫VRP 問題[12]。因此，本文將基于VRP 領域相關理論方法，對B2B 模式下的VRP 問題展開探討，考慮VRP 模型的多倉庫屬性，相比于單倉庫VRP，多倉庫VRP 問題復雜度更高。本文以泉州紡織鞋業(yè)的B2B 發(fā)展為例，考慮多供貨點、多需求點、時間窗等因素，從系統(tǒng)優(yōu)化的角度，以降低資源消耗，提高整體效益為目標，構建適用于泉州紡織鞋業(yè)的B2B 電子商務模式下的多供貨點VRP 模型，同時提出基于Python 和Gurobi 求解器的求解方法，最后通過仿真分析，從供貨點集中和供貨點分散兩種情形，驗證本文所提模型和求解方法的可行性和有效性，適用于泉州當前B2B 電子商務模式下的智能配送。

圖1 泉州跨境電商微小企業(yè)運營模式

1 B2B 電子商務下物流配送模型

1.1 問題描述

泉州紡織鞋服產業(yè)發(fā)達，隨著電子商務的發(fā)展，目前以個體工商戶注冊的跨境電商企業(yè)已逐漸增多。當商戶收到跨境電商平臺上的訂單時，可在一手貨源網平臺先下單，后在線下進行提貨發(fā)貨，具體運營模式如圖1 所示。一手貨源網如愛搜鞋網，其線下店鋪多分布在泉州幸福街附近。

本文所探討的B2B 電子商務下的物流配送問題，正是基于泉州目前跨境電商背景下B2B 物流配送問題展開的。在泉州傳統(tǒng)的B2B 電子商務模式下，未對物流配送工作做系統(tǒng)的規(guī)劃，電子商務平臺如愛搜鞋網主要用于商品的展示，買方商戶下達訂單后需要直接對自己的商品物流負責，由于快遞費用較高，大部分買方商戶選擇自己上門取貨，從系統(tǒng)優(yōu)化的角度來看，往往會導致物流資源的浪費?；诖?，本文構建多供貨點多需求點的VRP 模型，從系統(tǒng)優(yōu)化的角度，合理規(guī)劃配送路線，在規(guī)定時間內完成需求點需求配送的同時，使物流資源利用率最大。

1.2 多供貨點智能配送VRP 模型構建

為提高物流資源的利用率，本文將以物流集成商的角色，對物流配送問題進行優(yōu)化。以每日需求為一個研究周期，考慮有m個供貨點，n個需求點，K輛配送車輛，買方商戶所需的商品為多品種商品，且各需求點的需求可能來自多個配送點，如圖2 所示，某車輛執(zhí)行一次配送任務的路徑說明。

基于圖2，對研究問題做進一步的研究假設：

（1） 車輛起止位置一致，起于配送中心，且終于配送中心；

（2） 所有車輛規(guī)模一致，保持行駛速度不變，且支持長途運輸；

圖2 車輛執(zhí)行一次配送任務的路徑示意圖

（3） 車輛總數足夠多，總能滿足運載需求。

模型的相關參數定義如下：

P｛0,1,2,…,m+n+1 ｝節(jié)點集合，其中0 代表起點，m+n+1 代表終點；M= ｛1,2,…,m｝供貨點集合；N=｛m+1,m+2,…,m+n｝送貨點集合，i∈M,m+i∈N；K表示車輛總數；c表示運輸的單位距離費用；dij表示路線（i,j）的距離；Fk車輛k一次啟動費用，包括車輛折舊；Qk表示車輛k的最大裝載容量；qj表示點j的需求量，若j∈M則qj為負，若j∈N則qj為正；v為車輛的行駛速度，假設保持勻速行駛；wik表示到達i節(jié)點時k車載有商品的量；tek表示車輛k的最早開始工作時間；tlk表示車輛k的最晚結束工作時間；ei表示節(jié)點i最早服務時間；li表示節(jié)點i最遲服務時間；si表示i需要的服務時間；hik表示車輛k在節(jié)點i的等待時間；rik表示車輛k到達節(jié)點i的時間。

決策變量：

以配送費用最小為目標構建模型如下：

式（1） 為模型的目標函數，表示車輛的運輸費用和啟動費用最低。式（2） 保證每個需求點都能得到配送，為方便買方客戶，設定買方客戶的所有需求通過一次收貨滿足。式（3） 保證每次取貨有對應的收貨，其中N'為對應的需求點集合，如：點A, B, C 為點D 對應的需求點，則有從D 點出發(fā)的取貨，至少應到達A, B, C 中的一個需求點。式（4） 為路徑平衡約束，表示車輛有到達某點的路線，則對應會存在由該點發(fā)出的路線。式（5） 為貨載量平衡約束，若車輛k經過路徑i,（）j，i點為需求點，則車輛到達j點時的運載量為到達i點時的運載量減i點的需求量；若i為供貨點，則車輛到達j點時的運載量為到達i點時的運載量加i點的取貨量。式（6） 為最大裝載限制約束。式（7） 和式（8） 滿足貨物與車輛匹配關系。式（9） 保證需求得到滿足。式（10） 表示貨物先取后送的約束。式（11） 表示時間平衡約束。式（12） 為等待時間約束。式（13） 為時間窗約束。式（14） 保證車輛起止時間有意義。

2 仿真分析

由最終模型可以看出，本文所構建的多倉庫車輛路徑優(yōu)化模型是一個混合整數非線性規(guī)劃模型，決策變量aijk，bk直接影響最終優(yōu)化目標。為降低問題的復雜性，本文先設定運載車輛為統(tǒng)一規(guī)格，且每輛車僅需要完成一次配送任務，根據決策變量aijk和bk分兩個階段決策：確定調用車輛數目，確定車輛行駛路徑。具體求解過程如圖3 所示：

圖3 模型求解過程圖

為驗證模型及求解方法的可行性和有效性，本文通過rand（）函數，隨機生成6 個供貨點，15 個需求點的運輸網絡?；谌菁徔椥瑯I(yè)跨境電商的發(fā)展背景，供貨點多集中在幸福街，而需求點則零散分布在大泉州地區(qū)，故在隨機生成位置信息時，令供貨點的位置信息限定在［0,1 0 ］范圍內，而需求點的位置信息則分布在［0,100］范圍內，隨機產生的位置信息如表1 所示，其中第0 個點為車輛起始點，第23 個點為車輛終點。

假設車輛啟動成本為500 元，車輛的行駛速度為50.4km/h，最大裝載量為100 件，單位距離成本為6 元/km，車輛從原點出發(fā)完成貨物配送后回到原點，提貨開始時間和送貨開始時間均為當天8 點，提貨結束時間和送貨結束時間均為當天18 點。訂單相關信息如表2 所示，其中提貨服務時間與提貨量成正比。

基于上述數據，配送貨物共計380 件，可確定bk的初始值為b1,b2,b3,b4=1，本文在Intel（R） Core（TM） i7-8565U CPU@1.80GHz 1.99GHz 處理器、8.00GB 內存、Windows 10（64 位） 系統(tǒng)下，運用Python 編碼，調用Gurobi 求解器進行路徑規(guī)劃。求解結果如表3 所示，對應優(yōu)化后的目標函數值為7 167.61，即初始總費用為7 167.61 元，對應配送路徑圖如圖4 所示。

由表3 可得，車輛總是先到其任務配送路徑上的所有供貨點處取完貨再逐一到對應需求點完成配送。分析可知，由于本文是基于泉州搜鞋網的B2B 模式特點展開的仿真分析，供貨點較集中，因此，先全部取貨再送貨有利于縮短配送路徑。最后，在需求時間窗允許的范圍內，調整啟動的配送車輛為2 輛，即通過同一車輛的多趟運輸，進一步減少車輛啟動費用，得調整后的總費用為6 167.61 元。

為進一步驗證模型和求解方法的有效性，將供貨點和需求點的位置信息重新隨機生成，不對供貨點做特別限定，所有位置皆在［0,100］內隨機生成，其他需求信息不變。運行軟件得到新的求解結果如圖5 所示，總費用為7 974.32 元。

由圖5 可得，此時，車輛的取貨行為可能發(fā)生在配送中途，而位置相鄰的需求點通常由同一配送路徑完成，符合實際情況。

表1 位置信息

表2 訂單信息

表3 供貨點集中情況下的求解結果

綜上，本文所提的數學模型和求解方法適用于B2B 模式下的多供貨點智能配送問題研究，且算法運行時長均在30min 內，符合實際運營需要。在實際運營中，點與點間的距離數據可直接由商家信息和百度地圖獲取。相比于目前買方商戶直接對商品物流負責的情形，本文從系統(tǒng)的角度統(tǒng)籌優(yōu)化物流配送問題，明顯有利于運輸資源的節(jié)約。若買方商戶各自進行商品取貨則需要空載前往商品批發(fā)市場，而后返回，容易產生較多的車輛資源浪費；若買方商戶選擇“一件代發(fā)”操作，將商品交由第三方人員有償代發(fā)，則容易造成較高的快遞成本。而基于本文所提的多供貨點智能配送模型，在充分考慮供需關系的同時，能夠最大程度降低整體費用的支出，提高車輛利用率的同時，也間接減少了汽車尾氣的排放。因此，在傳統(tǒng)產業(yè)中考慮智能物流，統(tǒng)籌優(yōu)化配送問題，將是未來的發(fā)展趨勢，有利于產業(yè)升級。

圖4 供貨點集中情況下的配送路徑

圖5 供貨點隨機分布情況下的配送路徑

3 結 論

本文針對B2B 電子商務模式下的VRP 問題，建立了多供貨點智能配送VRP 模型?？紤]車輛運輸費用和啟動費用，以總費用最小為目標，使得車輛資源得到充分利用；考慮多供貨點多需求點的物流網絡特點，提高模型在B2B 電子商務模式下的實際應用價值；并設計了基于Python 和Gurobi 求解器的求解方法，能夠較快得到可行有效的配送方案。最后，基于泉州紡織鞋業(yè)目前跨境電商的發(fā)展特點，通過仿真實驗，隨機生成6 個供貨點，15 個需求點，從供貨點集中和分散兩種情況分別探討了智能配送問題。仿真結果表明，本文所提的模型和方法能夠得到有效的配送方案，有利于資源的統(tǒng)籌優(yōu)化，適用于解決B2B電子商務模式下的多供貨點智能配送路徑優(yōu)化問題。以泉州目前傳統(tǒng)紡織鞋業(yè)在B2B 電子商務環(huán)境下的發(fā)展現(xiàn)狀為例，驗證了統(tǒng)籌管理物流配送問題將進一步降低物流費用，促進傳統(tǒng)產業(yè)在互聯(lián)網環(huán)境下更好地發(fā)展。未來，將進一步考慮車輛規(guī)格不同、需求隨機等情況下的配送問題，進一步提高模型的應用價值。