低碳視角下城鄉(xiāng)區(qū)域混合車隊(duì)生鮮配送路徑問題研究

宋麗英，趙世超，卞騫，杜鵬，沈鵬舉

(北京交通大學(xué)，交通運(yùn)輸學(xué)院，北京 100044)

0 引言

近年來，隨著消費(fèi)水平不斷提升，人們對生鮮產(chǎn)品的需求日益增長。然而，冷鏈物流配送車輛的碳排放量比普通車輛高出30%，《“十四五”冷鏈物流發(fā)展規(guī)劃》中提到應(yīng)加大綠色冷鏈裝備研發(fā)應(yīng)用，鼓勵使用新能源冷藏車。但受限于電動車輛續(xù)航里程短、充電設(shè)施不完善、購置成本高等短板，多數(shù)物流企業(yè)傾向于采用電動車與燃油車混合車隊(duì)的配送模式。因此，如何綜合考慮企業(yè)、客戶、環(huán)境等多方效益，合理配置車隊(duì)并進(jìn)行路徑優(yōu)化成為亟待解決的問題。

關(guān)于生鮮配送路徑優(yōu)化問題，吳暖等[1]針對客戶服務(wù)時間要求，提出時間容忍度概念，在此基礎(chǔ)上建立冷鏈物流配送路徑優(yōu)化模型。黃星星等[2]針對冷鏈配送碳排放高的現(xiàn)狀，研究在碳限和碳稅兩種政策下生鮮農(nóng)產(chǎn)品的配送路徑問題。趙志學(xué)等[3]考慮到實(shí)際配送中路網(wǎng)交通的動態(tài)性和客戶對生鮮產(chǎn)品新鮮度的最低限制，研究了時變交通下電動冷藏車配送路徑優(yōu)化問題。

關(guān)于混合車隊(duì)路徑優(yōu)化問題，李英等[4]對電動車與燃油車混合車隊(duì)路徑問題展開研究，優(yōu)化企業(yè)車隊(duì)配置及調(diào)度方案。李得成等[5]考慮到時間窗，建立燃油車與電動車混合車隊(duì)路徑優(yōu)化模型，并設(shè)計分支定價算法求解。Sengupta S.等[6]利用休斯頓市的數(shù)據(jù)和GREET(Greenhouse Gases,Regulated Emissions,and Energy Use in Transportation)模型，對城市車隊(duì)的燃料循環(huán)排放和成本進(jìn)行了全面分析，為車輛購置決策提供科學(xué)依據(jù)。

綜上所述，目前國內(nèi)外學(xué)者對生鮮配送、混合車隊(duì)路徑優(yōu)化問題做出了較多研究。但缺乏低碳視角下不同區(qū)域內(nèi)混合車隊(duì)配置及路徑優(yōu)化方案的對比分析。因此，本文提出考慮碳排放和客戶時間窗的混合車隊(duì)冷鏈物流配送路徑優(yōu)化問題(Electric Cold Vehicle Routing Problem with Time Windows and Mixed Fleet,ECVRPTWMF)，以期尋找既滿足客戶滿意度，又實(shí)現(xiàn)低碳配送的車隊(duì)配置及路徑方案。

1 問題描述與建模

1.1 問題描述

本文研究的混合車隊(duì)生鮮配送路徑優(yōu)化問題可以描述為：配送中心有一定數(shù)量且最大載重量相同的電動冷藏車和燃油冷藏車，需要為n個位置、需求量及服務(wù)時間窗已知的客戶配送生鮮產(chǎn)品，綜合考慮環(huán)境、客戶、企業(yè)三方利益，以總成本最小為目標(biāo)，得到最優(yōu)的車隊(duì)配置及路徑方案。假定：①電動車輛續(xù)航里程有限，傳統(tǒng)車輛續(xù)航里程較大，可認(rèn)為在規(guī)劃期內(nèi)足夠完成配送任務(wù)；②電動車輛從配送中心出發(fā)時處于滿電狀態(tài)，配送途中若電量不足，可前往充電樁充至滿電；③車輛行駛速度固定。

1.2 模型建立

1.2.1 參數(shù)說明

建立ECVRPWMF 模型所需參數(shù)符號及說明如表1所示。

表1 符號說明Table 1 Symbol description

1.2.2 目標(biāo)函數(shù)

以總成本最小化為目標(biāo)，建立電動車輛與燃油車輛混合車隊(duì)生鮮配送路徑優(yōu)化模型，總成本由固定成本(W1)、充電成本(W2)、運(yùn)輸成本(W3)、制冷成本(W4)、時間窗懲罰成本(W5)、貨損成本(W6)和碳排放成本(W7)構(gòu)成[7]，各部分成本分析如下。

(1)固定成本

配送中心派遣每輛車所需支付的單次使用成本，是指車輛的購置費(fèi)用、日常維護(hù)費(fèi)用以及駕駛員工資等，這部分成本與車輛行駛時間和車輛行駛距離無關(guān)，一般為常數(shù)?？偣潭ǔ杀径x為配送車輛數(shù)量與其固定成本的乘積，即

式(1)第1項(xiàng)和第2項(xiàng)分別為從配送中心出發(fā)的所有燃油車輛、電動車輛固定成本之和。

(2)充電成本

當(dāng)電動車輛剩余電量不足，將前往附近充電樁充電或返回配送中心。

式(2)為充電成本，即車輛在充電樁處的充電量與單位電量成本的乘積。

(3)運(yùn)輸成本

假設(shè)冷藏車行駛?cè)剂舷牧颗c其行駛距離成正比。

式(3)第1項(xiàng)和第2項(xiàng)分別為燃油車輛和電動車輛在運(yùn)輸過程產(chǎn)生的燃油和電量成本。

(4)制冷成本

制冷成本包括將生鮮產(chǎn)品裝載至車輛時產(chǎn)生的初始制冷成本以及運(yùn)輸過程中的制冷成本。其中，在運(yùn)輸過程中制冷成本由兩部分組成，一部分是車輛行駛時車廂內(nèi)溫度與外界溫度之間形成的熱傳導(dǎo)效應(yīng)，另一部分是在客戶點(diǎn)卸貨時車廂門打開與外界空氣形成的熱對流效應(yīng)[8]。

當(dāng)貨物首次被裝入冷藏車時，如果它們沒有預(yù)先被冷卻到車廂的目標(biāo)溫度，那么制冷系統(tǒng)需要消耗能量將貨物冷卻到該溫度。這個階段的制冷成本與貨物的質(zhì)量和初始溫度有關(guān)。

式中：ΔT為生鮮產(chǎn)品與車廂的初始溫差；cp為生鮮產(chǎn)品的比熱容。

式(4)為第k輛車初始制冷產(chǎn)生的熱負(fù)荷。式(5)為裝載貨物時燃油車輛和電動車輛產(chǎn)生的初始制冷成本之和。

一旦貨物達(dá)到冷藏車目標(biāo)溫度，在運(yùn)輸過程中制冷系統(tǒng)的主要任務(wù)就是維持這個溫度，對抗由于車廂與外部環(huán)境的溫差而導(dǎo)致的熱損耗。車輛消耗的制冷劑量可以通過計算冷藏車的熱負(fù)荷來確定，配送途中產(chǎn)生的熱負(fù)荷主要包括太陽輻射傳入車廂內(nèi)部的熱負(fù)荷和車廂因漏氣造成的熱負(fù)荷。

式中：β為常數(shù)，表示車廂體的劣化程度；R為熱傳率；S為車廂受太陽輻射的面積，通常S=，其中，Sw為車廂體外表面積，Sn為車廂體內(nèi)表面積；Tw為車廂外界溫度；Tn為車廂內(nèi)溫度。

式(6)為第k輛車行駛途中產(chǎn)生的熱負(fù)荷。式(7)為燃油車輛和電動車輛在行駛過程中產(chǎn)生的制冷成本之和。

當(dāng)車輛到達(dá)客戶點(diǎn)開啟車門進(jìn)行卸貨時，外界空氣直接與車內(nèi)空氣產(chǎn)生對流，形成熱侵入。

式中：Vk為第k輛車的箱體體積；γ為開門頻度系數(shù)。

式(8)為第k輛車卸貨期間產(chǎn)生的熱負(fù)荷。式(9)為卸貨期間開啟車門時燃油車輛和電動車輛產(chǎn)生的制冷成本。式(10)為總制冷成本。

(5)時間窗懲罰成本

當(dāng)車輛到達(dá)客戶i的時間未在客戶可接受服務(wù)的時間窗為[ei,li] 內(nèi)，將產(chǎn)生一定的時間懲罰成本。

式中：e、l分別為早到、遲到時單位時間產(chǎn)生的懲罰成本。

式(11)為客戶i處產(chǎn)生的時間窗懲罰成本。式(12)為所有客戶時間窗懲罰成本之和。

(6)貨損成本

生鮮產(chǎn)品具有明顯的易腐性，其質(zhì)量會隨著時間推移而受到影響。

式(13)為運(yùn)輸、卸貨與充電期間產(chǎn)生的貨損成本，即生鮮重量、運(yùn)輸時間與單位貨損成本乘積之和。

(7)碳排放成本

碳稅被視為一項(xiàng)可用于實(shí)施低碳策略的措施，即碳排放成本等于碳排放量乘碳稅價格，不同車型碳排放也會有所不同[9]。采用“負(fù)載估計法”計算車輛油耗量，即

式(14)和式(15)分別為燃油車輛k從客戶i到j(luò)配送過程中由于運(yùn)輸與制冷產(chǎn)生的燃油消耗量。式(16)為所有燃油車輛在配送時由于運(yùn)輸與制冷產(chǎn)生的碳排放量，即燃油消耗量與燃油碳排放系數(shù)的乘積。式(17)為所有電動車輛在配送時由于運(yùn)輸與制冷產(chǎn)生的碳排放量，即電量與電能碳排放系數(shù)的乘積。式(18)為配送過程總碳排放成本，即碳排放量與碳稅價格的乘積。

以上成本屬于同一度量標(biāo)準(zhǔn)，因此采用線性加權(quán)法轉(zhuǎn)化成單目標(biāo)函數(shù)，賦予企業(yè)成本、客戶成本、環(huán)境成本相應(yīng)權(quán)重μ1、μ2、μ3，其大小反映了決策者對不同目標(biāo)的偏好，通過不同權(quán)重系數(shù)的組合[10]，企業(yè)可以選擇不同目標(biāo)規(guī)劃下的最優(yōu)配送方案，目標(biāo)函數(shù)為

1.2.3 約束條件

模型主要考慮車輛載重約束、節(jié)點(diǎn)訪問約束、電量約束和時間約束這4個部分。

①車輛載重約束

式(20)表示車輛所載貨物總重量不大于最大載重量。

②節(jié)點(diǎn)訪問約束

式(21)表示每個客戶都被訪問到一次。式(22)表示節(jié)點(diǎn)流量守恒。式(23)和式(24)表示車輛從配送中心出發(fā)，最終返回配送中心。式(25)表示子回路消除約束。

③電量約束

式(26)表示車輛k從配送中心滿電量出發(fā)。式(27)表示車輛k到達(dá)j點(diǎn)的電量。式(28)和式(29)表示車輛k離開i點(diǎn)的電量。式(30)和式(31)表示車輛k到達(dá)i點(diǎn)的電量大于等于0。式(32)表示車輛k在充電樁i的充電量。式(33)表示車輛在客戶處不充電。式(34)和式(35)表示0-1變量取值。

④時間約束

式(36)表示車輛k離開客戶i的時間。式(37)表示車輛k離開充電樁i的時間。式(38)表示車輛k到達(dá)j點(diǎn)的時間。式(39)表示車輛k在i點(diǎn)的充電時間。式(40)表示車輛k從i點(diǎn)到j(luò)點(diǎn)的行駛時間[11]。

2 求解算法

本文參考李英[4]提出的車型選擇策略對車隊(duì)配置進(jìn)行優(yōu)化，在此基礎(chǔ)上設(shè)計算法求解最優(yōu)車型配置下的對應(yīng)路徑，由于蟻群算法采用分布式并行計算機(jī)制，通過路徑上信息素濃度的正反饋來尋求優(yōu)化解，具有較強(qiáng)的魯棒性和良好的全局搜索能力，適合中大規(guī)模算例的啟發(fā)式求解，故本文使用蟻群算法求解最優(yōu)路徑。蟻群算法步驟如圖1所示。

圖1 蟻群算法步驟Fig.1 Steps of ant colony algorithm

2.1 轉(zhuǎn)移規(guī)則

轉(zhuǎn)移規(guī)則決定螞蟻選擇下一節(jié)點(diǎn)的方式，本文采用確定性選擇與隨機(jī)性選擇結(jié)合的轉(zhuǎn)移策略，狀態(tài)轉(zhuǎn)移概率pij表示螞蟻從i點(diǎn)轉(zhuǎn)移到j(luò)點(diǎn)的概率，考慮將信息素濃度、能見度、時間窗寬度、等待時間作為衡量轉(zhuǎn)移概率的指標(biāo)，表示為

式中：τij為信息素濃度；nij為能見度，為時間窗寬度；為在j 點(diǎn)的等待時間；α、β、γ、δ 為各變量的相對重要程度；r 為在[0,1]上服從均勻分布的隨機(jī)變量；r0為用來控制轉(zhuǎn)移規(guī)則的參數(shù)，0 ≤r0≤1；為從i 點(diǎn)出發(fā)可以訪問的所有節(jié)點(diǎn)集合[12]。

2.2 路徑構(gòu)造規(guī)則

在EVRP 問題中，節(jié)點(diǎn)位置分為配送中心、客戶、充電樁這3 種類型，螞蟻位于不同節(jié)點(diǎn)時路徑構(gòu)造規(guī)則不同，具體如下。

(1)螞蟻位于配送中心

Step 3.1 螞蟻轉(zhuǎn)至離當(dāng)前位置最近的充電站j，充至滿電狀態(tài)，更新路徑信息。

Step 3.2 螞蟻返回配送中心。

(3)螞蟻位于充電站

2.3 信息素更新規(guī)則

蟻群算法的信息素更新策略分為全局更新策略和局部更新策略，本文采用全局更新策略，即在所有節(jié)點(diǎn)間設(shè)置初始信息度濃度，當(dāng)螞蟻構(gòu)造好一個完整的路徑后，對路徑中信息素更新，更新規(guī)則為

求解算法偽代碼如下。

3 模擬計算與結(jié)果分析

3.1 算例背景及求解結(jié)果

為驗(yàn)證模型與算法的適用性，選取城市和農(nóng)村兩種地區(qū)，以總成本最低為優(yōu)化目標(biāo)對兩種地區(qū)的生鮮配送問題進(jìn)行決策，即選擇合理的車隊(duì)配置，并制定最優(yōu)的車輛路徑方案。在設(shè)置算例數(shù)據(jù)時，需考慮城市與農(nóng)村兩種地區(qū)在生鮮配送特征上的差異。

(1)配送需求方面

城市地區(qū)與農(nóng)村地區(qū)客戶需求點(diǎn)分布特征不同，城市地區(qū)客戶較為密集，而農(nóng)村地區(qū)村落之間的距離較遠(yuǎn)。且農(nóng)村地區(qū)客戶對于配送時間窗的要求略寬于城市地區(qū)。

(2)服務(wù)水平方面

相較于城市地區(qū)，農(nóng)村地區(qū)最后一公里基礎(chǔ)設(shè)施布局水平有待提高，因此有必要對兩種地區(qū)內(nèi)充電樁數(shù)量、配送中心位置的設(shè)置做靈敏度分析。

(3)道路條件方面

由于城市地區(qū)存在道路擁堵情況，且農(nóng)村地區(qū)道路通達(dá)性低于城市地區(qū)，因此在本文算例中兩種地區(qū)的配送速度和路程折算率有所差距。

本文以北京市西城區(qū)太平橋等街道作為典型城市地區(qū)，以順義區(qū)北小營等鎮(zhèn)作為典型農(nóng)村地區(qū)，分別在8 km×8 km、30 km×30 km 區(qū)域內(nèi)選取100個客戶點(diǎn)，將其位置信息以1∶10的比例全部轉(zhuǎn)化為平面直角坐標(biāo)系，并參考Solomon 中r101、c101 算例對配送中心位置、充電樁位置、客戶的需求量、時間窗、服務(wù)時間進(jìn)行合理假設(shè)，假定農(nóng)村地區(qū)配送時間窗寬度為城市地區(qū)的1.1 倍，城市地區(qū)配送車輛速度為農(nóng)村地區(qū)的1.2 倍，農(nóng)村地區(qū)道路距離折算率為城市地區(qū)的1.2倍。將車輛固定成本平攤到規(guī)劃期內(nèi)，假定電動車輛與燃油車輛固定成本折算比例kCE=1.2。假定初始決策階段各部分成本無特殊指標(biāo)傾向，設(shè)目標(biāo)權(quán)重系數(shù)μ1=μ2=μ3=，假定生鮮產(chǎn)品裝載前與車廂內(nèi)溫差為0.5 ℃，制冷成本相關(guān)參數(shù)取值參考錢光宇[8]的研究，其他參數(shù)取值如表2 所示，利用MATLAB(R2016a)編寫蟻群算法進(jìn)行模型求解，得到城市地區(qū)的實(shí)例及路徑結(jié)果如圖2 所示，配送方案如表3所示，總成本為1315.5553 元。農(nóng)村地區(qū)的實(shí)例及路徑結(jié)果如圖3所示、配送方案如表4所示，總成本為3677.4110元。

圖2 城市地區(qū)實(shí)例及路徑結(jié)果Fig.2 Examples of urban area and route results

圖3 農(nóng)村地區(qū)實(shí)例及路徑結(jié)果Fig.3 Examples of rural area and route results

表2 參數(shù)取值Table 2 Value of parameter

表3 城市地區(qū)配送方案Table 3 Distribution solutions in urban area

表4 農(nóng)村配送方案Table 4 Distribution solutions in rural area

3.2 靈敏度分析

3.2.1 參數(shù)靈敏度分析

權(quán)重取值科學(xué)與否將直接決定優(yōu)化結(jié)果，確定政府成本、企業(yè)成本和客戶成本的權(quán)重是一個復(fù)雜的決策問題，需要綜合考慮多個因素。為了克服客觀賦權(quán)法和主觀賦權(quán)法各自的缺點(diǎn)，參考吳德華等[10]提出的層次分析法(AHP)-熵權(quán)組合權(quán)重法，將各部分成本帶來的社會效益、經(jīng)濟(jì)效益、決策重要性等作為評價指標(biāo)，首先使用層次分析法(AHP)進(jìn)行多準(zhǔn)則決策分析，選擇政策決策者、企業(yè)決策者等不同領(lǐng)域具有代表性的權(quán)威專家打分，得到基于AHP 算法的權(quán)重μa1、μa2、μa3，接著根據(jù)熵權(quán)法計算得到μb1、μb2、μb3，定義AHP-熵權(quán)線性組合權(quán)重為

吳德華等[10]提出，當(dāng)AHP權(quán)重和熵權(quán)權(quán)重各占0.5時，可得到最優(yōu)組合權(quán)重。

在實(shí)際決策中，決策者綜合考慮不同利益相關(guān)者的權(quán)益、具體環(huán)境的特點(diǎn)和目標(biāo)的重要性，根據(jù)已知評價指標(biāo)取值，運(yùn)用以上組合權(quán)重法確定各部分成本權(quán)重，并依據(jù)實(shí)際情況對其進(jìn)行動態(tài)調(diào)整和優(yōu)化。本文參考李珺等[13]的研究，評估不同權(quán)重組合[μ1、μ2、μ3]下的優(yōu)化結(jié)果，如表5 所示?？傻茫寒?dāng)μ1更大時，即更側(cè)重于企業(yè)效益時，企業(yè)成本下降，但客戶與環(huán)境成本隨之上升；同理，當(dāng)更側(cè)重于客戶或環(huán)境效益時，其他兩方的成本將會相應(yīng)增加。

表5 不同目標(biāo)函數(shù)權(quán)重取值下的求解結(jié)果Table 5 Solving results under different objective function weights

3.2.2 改變車隊(duì)配置

高昂的購置成本成為企業(yè)應(yīng)用電動車輛的主要阻礙因素之一，為分析政府補(bǔ)貼力度對配送結(jié)果的影響，將電動車輛(EV)與燃油車輛(FV)的固定成本折算比例kCE由0.8 逐漸增至2.0，城市和農(nóng)村兩類地區(qū)配送車輛配置及對應(yīng)總成本、懲罰成本、碳排放變化如圖4所示。由圖可得：

(1)隨著kCE值增大，EV占比減小，說明電動車輛成本較小時其優(yōu)勢更為明顯，物流企業(yè)傾向于大規(guī)模使用電動車輛。

(2) 城市地區(qū)總成本最低時電動車輛比例為50%，該配置下的總成本、時間窗懲罰成本、碳排放成本比純電動車隊(duì)分別節(jié)約39.4%、44.7%、-51.0%，比純?nèi)加蛙囮?duì)分別節(jié)約32.9%、19.0%、45.6%。而農(nóng)村地區(qū)總成本最低時電動車輛比例為30%，該配置下的總成本、時間窗懲罰成本、碳排放成本比純電動車隊(duì)分別節(jié)約21.4%、59.3%、-41.2%，比純?nèi)加蛙囮?duì)分別節(jié)約12.1%、13.4%、25.1%。

(3)當(dāng)EV比例逐漸增大時，時間窗懲罰成本隨之顯著提高，且農(nóng)村地區(qū)尤為明顯。這是由于有限的續(xù)航里程使電動車輛產(chǎn)生在途充電時間，導(dǎo)致時間窗懲罰成本提高。且無論是在城市還是農(nóng)村地區(qū)，碳排放成本隨FV比例增大而上升，這說明加強(qiáng)電動車輛的推廣應(yīng)用是推進(jìn)冷鏈物流低碳配送的重要措施。

3.2.3 改變配送中心位置

為分析不同配送中心位置決策對各部分成本的影響，將城市地區(qū)、農(nóng)村地區(qū)的配送中心設(shè)置到中心、郊區(qū)、遠(yuǎn)郊區(qū)這3種位置，各部分成本變化如圖5所示。由圖可得：

圖5 不同配送中心位置成本分析Fig.5 Cost analysis under different distribution center locations

(1)在各部分成本中，無論配送地區(qū)與配送中心位置如何，固定成本與運(yùn)輸成本始終占據(jù)最大比例，最高達(dá)32.0%、37.8%，說明降低總成本的關(guān)鍵在于控制配送車隊(duì)數(shù)量及車輛配送距離。

(2)當(dāng)配送中心逐漸向郊區(qū)、遠(yuǎn)郊區(qū)設(shè)置，總成本不斷上升，城市與農(nóng)村兩種區(qū)域總成本分別增加13.3%、78.1%。從各部分成本來看，運(yùn)輸成本、貨損成本、時間窗懲罰成本三者的增加尤為顯著。在城市地區(qū)，當(dāng)配送中心設(shè)置在遠(yuǎn)郊區(qū)位置時，相較于中心位置，3種成本分別增加18.5%、26.4%、47.5%；同樣場景在農(nóng)村地區(qū)，3 種成本分別增加90.8%、118.0%、94.2%。這說明，隨著配送中心遠(yuǎn)離客戶群，車輛完成配送需投入的成本逐漸增加，降低了企業(yè)與客戶效益。

3.2.4 改變生鮮配送重量

為進(jìn)一步分析生鮮配送重量對各部分成本的影響，將原始算例中客戶的需求量分別擴(kuò)大1.5倍、2 倍，由于需求量改變，會引起卸貨時間的變化，為控制變量，將時間窗寬度也隨之?dāng)U大至1.5倍、2倍，各部分成本計算結(jié)果如表6所示，總成本與各部分制冷成本變化趨勢如圖6所示?？傻茫?/p>

圖6 不同貨物重量下制冷成本及總成本變化趨勢Fig.6 Trends of refrigeration cost and total cost under different cargo weights

表6 不同貨物重量下相關(guān)成本變化分析Table 6 Analysis of related cost changes under different cargo weights

(1)當(dāng)客戶需求量變大，固定成本顯著增加，這是由于貨物運(yùn)輸總量的增加導(dǎo)致所需要的車輛數(shù)增加。

(2)當(dāng)貨物運(yùn)輸總量增加，總成本與制冷成本隨之增加，說明制冷成本與貨物重量具有較強(qiáng)的相關(guān)性。

(3)單位重量所需配送成本隨配送重量增加有所降低，因此擴(kuò)大客戶需求是配送企業(yè)發(fā)展的原動力。

3.2.5 同時改變電動車輛與燃油車輛最大載重量

為分析物流企業(yè)購置不同規(guī)格的電動車輛與燃油車輛對配送成本的影響，將兩類配送車輛的最大載重量同時由100 kg逐漸增至500 kg，總成本變化如圖7和圖8所示。由圖可得：

圖7 城市地區(qū)車輛載重靈敏度分析Fig.7 Vehicle load sensitivity analysis in urban area

圖8 農(nóng)村地區(qū)車輛載重靈敏度分析Fig.8 Vehicle load sensitivity analysis in rural area

(1)總成本隨著電動車最大載重量增大而大幅降低，尤其當(dāng)燃油車最大載重量較小時，下降趨勢更為顯著，隨著電動車最大載重量的增加，總成本的下降速度減緩。此外，電動車最大載重量較小時，總成本隨著燃油車的最大載重量的增加而降低，但當(dāng)電動車最大載重量達(dá)到一定程度，燃油車最大載重量的改變對總成本產(chǎn)生的影響非常小。

(2)載重量對農(nóng)村地區(qū)的影響較城市地區(qū)更為顯著，當(dāng)兩種車輛載重量由100 kg 增至200 kg 時，城市地區(qū)的總成本降低89.6%，而農(nóng)村的總成本僅降低31.7%，這說明較小載重量的配送車輛難以滿足遠(yuǎn)距離的農(nóng)村配送，物流企業(yè)可優(yōu)先購置較大載重限額的電動車輛。

3.2.6 同時改變配送中心位置及充電樁密度

充電樁的布局亦是生鮮配送中重要的決策，為進(jìn)一步分析不同配送中心的位置與充電樁密度對兩種區(qū)域配送總成本的影響，將城市地區(qū)配送中心位置由(0,0)改變至(80,80)，農(nóng)村地區(qū)配送中心位置由(0,0)改變至(250,250)，充電樁數(shù)量由0 增至8個，總成本變化如圖9和圖10所示。由圖可得：

圖9 城市地區(qū)總成本分析Fig.9 Total cost analysis in urban area

圖10 農(nóng)村地區(qū)總成本分析Fig.10 Total cost analysis in rural area

(1)城市地區(qū)最佳充電樁數(shù)量為4個，配送中心位置橫坐標(biāo)位于[30,50]區(qū)間，配送總成本最高節(jié)約31.2%；農(nóng)村地區(qū)最佳充電樁數(shù)量為6個，配送中心位置橫縱坐標(biāo)位于[80,120]區(qū)間，配送總成本最高節(jié)約62.3%。

(2)當(dāng)逐個減少充電樁數(shù)量時，城市地區(qū)總成本變化相較于農(nóng)村地區(qū)更為顯著；當(dāng)配送中心位置逐漸往偏遠(yuǎn)地區(qū)設(shè)置時，農(nóng)村地區(qū)總成本變化相較于城市地區(qū)更為顯著。這是由于農(nóng)村地區(qū)各村落間距離較遠(yuǎn)，遠(yuǎn)程的配送對充電樁數(shù)量的依賴度遠(yuǎn)小于城市地區(qū)，而對配送中心位置的依賴度大于城市地區(qū)。

4 結(jié)論

本文提出低碳視角下燃油車輛與電動車輛混合車隊(duì)生鮮配送問題，并針對城市與農(nóng)村兩類不同客戶分布類型的區(qū)域進(jìn)行算例驗(yàn)證，得到的主要結(jié)論如下：

(1)混合車隊(duì)配置相較于純?nèi)加蛙囮?duì)，可為城市與農(nóng)村地區(qū)的配送節(jié)約45.6%和25.1%的碳排放成本。政府可調(diào)整電動冷藏車購置價格補(bǔ)貼等措施，鼓勵企業(yè)加大對電動車輛的投入力度，以加快冷鏈物流行業(yè)減排降耗和低碳轉(zhuǎn)型步伐。

(2)當(dāng)配送中心由中心位置向遠(yuǎn)郊區(qū)設(shè)置，城市與農(nóng)村地區(qū)的配送總成本分別增加13.3%和78.1%，且運(yùn)輸成本、貨損成本、時間窗懲罰成本三者的增加尤為顯著。因此，布局配送中心位置時應(yīng)綜合考慮企業(yè)與客戶的效益。

(3)合理的車輛載重量可將城市與農(nóng)村地區(qū)的配送總成本節(jié)約89.6%和31.7%。物流企業(yè)應(yīng)根據(jù)不同配送場景、不同冷藏車類型與規(guī)格，研究制定合理的車隊(duì)配置及路徑方案，以實(shí)現(xiàn)企業(yè)的降本增效。

(4)合理的配送中心與充電樁布局可將城市與農(nóng)村地區(qū)的配送成本節(jié)約31.2%和62.3%。相關(guān)部門應(yīng)根據(jù)城鄉(xiāng)區(qū)域不同的客戶分布特點(diǎn)，完善末端配送中心選址與充電樁布局方案，以實(shí)現(xiàn)更綠色低碳的生鮮配送。