考慮顧客選擇行為的BOPS自提門店個(gè)性化推薦

摘 要： 針對(duì)全渠道零售中的BOPS（在線購(gòu)買門店提貨）模式，給出了考慮顧客選擇行為的自提門店推薦方法。此方法構(gòu)建了結(jié)合商圈、距離以及預(yù)計(jì)送達(dá)時(shí)長(zhǎng)的不同收貨方式下顧客的效用函數(shù)，通過(guò)MNL選擇模型來(lái)刻畫顧客的選擇行為，建立考慮顧客選擇行為的以零售商利潤(rùn)最大化為目標(biāo)的混合整數(shù)規(guī)劃模型。其次，將模型轉(zhuǎn)換成易于求解器求解的混合整數(shù)二階錐規(guī)劃模型。數(shù)值實(shí)驗(yàn)表明本文提出的自提門店的推薦方法可提升零售商的利潤(rùn)。最后，探討了預(yù)計(jì)送達(dá)時(shí)長(zhǎng)、顧客的距離敏感度與收益的關(guān)系。數(shù)值實(shí)驗(yàn)結(jié)果表明，零售商的總利潤(rùn)與預(yù)計(jì)送達(dá)時(shí)長(zhǎng)呈正相關(guān)關(guān)系，零售商的總利潤(rùn)與顧客對(duì)距離的敏感度呈負(fù)相關(guān)關(guān)系。

關(guān)鍵詞： 全渠道零售；BOPS；Multinomial Logit模型；二階錐規(guī)劃

中圖分類號(hào)： F 252

文獻(xiàn)標(biāo)志碼： A

Personalized Recommendation of BOPS Self-Pickup StoreConsidering Customer Choice behavior

Abstract： In the context of omnichannel retail， a method for recommending self-pickup locations for customers in the BOPS （Buy Online， Pick Up in Store） model has been proposed. This method constructs utility functions for customers under different delivery options， taking into account factors such as the shopping district， distance， and estimated delivery time. Customer choice behavior is characterized using an MNL （Multinomial Logit） selection model， and a mixed-integer programming model is formulated with the objective of maximizing retailer profit while considering customer choice behavior. Furthermore， the model is transformed into a mixed-integer second-order cone programming model that is amenable to solver-based solutions. Numerical experiments demonstrate that the recommended self-pickup location method proposed in this article can enhance the retailer's profit. Finally， the relationship between estimated delivery time， customer distance sensitivity， and revenue are explored. Numerical experimental results reveal a positive correlation between the retailer’s total profit and estimated delivery time， as well as a negative correlation between the retailer’s total profit and customer sensitivity to distance.

Key words： omnichannel retailing; Multinomial Logit Model; BOPS; SOCP

0 引言

近年來(lái)，移動(dòng)終端飛速崛起，依托移動(dòng)平臺(tái)的零售企業(yè)快速發(fā)展。根據(jù) Statista 數(shù)據(jù)平臺(tái)，預(yù)計(jì) 2024 年全球電子商務(wù)銷售額將達(dá)到 6.388 萬(wàn)億美元（Statista，2020）［1］。如此迅猛的增長(zhǎng)，伴隨著新技術(shù)的不斷發(fā)展，大大提高了網(wǎng)上購(gòu)物的普及率的同時(shí)也提高了消費(fèi)者不斷增長(zhǎng)的期望值。零售業(yè)已經(jīng)從以往的“以商品為中心”向“以顧客為中心”轉(zhuǎn)變。為了滿足消費(fèi)者任何時(shí)候、任何地點(diǎn)、任何方式購(gòu)買的需求，越來(lái)越多的零售商已經(jīng)采用或正在過(guò)渡到全渠道零售［2-5］。在全渠道零售背景下，最流行的購(gòu)物方式之一是BOPS（Buy Online and Pick Up in Store ）。BOPS渠道可以滿足消費(fèi)者對(duì)綜合渠道的消費(fèi)需求，提升消費(fèi)者的消費(fèi)體驗(yàn)。如圖1所示，相比于快遞送貨，BOPS是打破最后一公里的模式，消費(fèi)者完成了“商品到手”的最后一步，避免二次或多次配送。

對(duì)于商家而言，BOPS可以為線下門店帶來(lái)流量，并有可能增加銷售額［6］。UPS的一項(xiàng)研究表明，在使用BOPS渠道的人中，45%的人在店內(nèi)提貨時(shí)進(jìn)行了新的購(gòu)買［7］。因此，越來(lái)越多的零售商向他們的客戶提供BOPS選項(xiàng)。零售系統(tǒng)研究（Retail Systems Research，RSR）報(bào)告顯示，美國(guó)64%的零售商已經(jīng)實(shí)施了BOPS［8］。對(duì)于顧客而言，BOPS 允許客戶在線下訂單并從他們家附近的商店提取已完成的訂單，這為客戶提供了線上和線下相結(jié)合的最佳體驗(yàn)。一方面，他們可以使用在線渠道進(jìn)行研究、閱讀評(píng)論、比較價(jià)格、付款，享受無(wú)憂購(gòu)物的便利。另一方面，通過(guò)BOPS，顧客可以獲得即時(shí)的滿足，快速提取物品并且可以節(jié)省網(wǎng)購(gòu)快遞費(fèi)，同時(shí)享受“無(wú)憂購(gòu)物”的便利（他們的商品在到達(dá)時(shí)已經(jīng)由商店工作人員挑選和包裝）。

隨著線上線下融合的全渠道零售興起，BOPS模式成為供應(yīng)鏈管理領(lǐng)域的熱點(diǎn)問(wèn)題。其中首要的問(wèn)題是，確定為哪些門店開(kāi)設(shè)BOPS服務(wù)以及如何為顧客推薦自提門店。首先開(kāi)設(shè)到店自提服務(wù)，門店需要支出與實(shí)體店自提相關(guān)的運(yùn)營(yíng)費(fèi)用，如為方便線上消費(fèi)者的自提而增加的通道和設(shè)施。其次，顧客選擇自提門店時(shí)，不僅會(huì)考慮距離的遠(yuǎn)近，而且還會(huì)考慮門店周圍商圈的便利程度（例如，停車便利度、餐飲等服務(wù)）。

回顧已有研究，主要是關(guān)于全渠道零售的門店選址、定價(jià)、選品、訂單履行的研究。雖然有部分關(guān)于BOPS模式下的研究，但沒(méi)有BOPS模式下如何為顧客個(gè)性化推薦自提門店以及同時(shí)決策開(kāi)設(shè)哪些門店為自提點(diǎn)的研究。目前，在為顧客推薦提貨門店的研究中， 仍然是按門店距離顧客的遠(yuǎn)近進(jìn)行推薦，并把所有的門店都設(shè)為自提點(diǎn)， 并沒(méi)有考慮到門店及其周圍商圈帶給顧客的效用，以及開(kāi)設(shè)過(guò)多門店為自提點(diǎn)會(huì)帶來(lái)額外更多的成本。因而，綜合考慮顧客的選擇行為以及門店與顧客的距離對(duì)每個(gè)顧客推薦自提門店，同時(shí)考慮開(kāi)設(shè)自提門店的成本是非常重要的。為此，本文給出了一個(gè)考慮顧客選擇行為的自提門店推薦方法，該模型綜合考慮了提供自提服務(wù)的成本、顧客對(duì)距離的敏感度、對(duì)預(yù)計(jì)送達(dá)時(shí)長(zhǎng)的敏感度以及對(duì)店鋪周圍設(shè)施的效用。

1 文獻(xiàn)綜述

近年來(lái)，關(guān)于全渠道零售的研究引起國(guó)內(nèi)外學(xué)者的廣泛關(guān)注。Brynjolfsson等［9］ 和 Forman等［10］研究了如何確定多渠道的最優(yōu)價(jià)格決策和均衡價(jià)格。高瑩等［11］研究了參考質(zhì)量效應(yīng)下的體驗(yàn)類商品全渠道定價(jià)策略，強(qiáng)調(diào)了消費(fèi)者體驗(yàn)感受對(duì)定價(jià)策略的影響。劉金榮和徐琪［12］分析固定銷售價(jià)格和優(yōu)化定價(jià)兩種情形下Showrooms對(duì)定價(jià)、市場(chǎng)需求、利潤(rùn)和退貨率的影響。Dzyabura 和 Jagabathula［13］以及Chen等［14］研究了線下渠道選品問(wèn)題以最大化線上和線下渠道的利潤(rùn)。Faugère和Montreuil［15］研究了智能儲(chǔ)物柜在全渠道物流中的使用，并強(qiáng)調(diào)了這些儲(chǔ)物柜在提高最后一英里交付效率方面的潛力。Millstein 和 Campbell［16］ 建立了一個(gè)利潤(rùn)最大化優(yōu)化模型，用于支持電子商務(wù)和商店發(fā)貨的全渠道倉(cāng)庫(kù)的選址。最近，Arslan 等［17］考慮了一家計(jì)劃將在線渠道整合到其運(yùn)營(yíng)中的實(shí)體零售商，并提出了一種用于在不確定性下設(shè)計(jì)全渠道分銷網(wǎng)絡(luò)的集成建模方法。胡祥培等［18］、Caro等［19］全面總結(jié)了過(guò)去關(guān)于全渠道零售的文獻(xiàn)，并指出了未來(lái)的研究方向。值得指出的是，關(guān)于全渠道零售下的BOPS模式近年來(lái)也受到了學(xué)者的研究和關(guān)注。Du等［20］指出通過(guò)線下渠道或BOPS渠道購(gòu)買的消費(fèi)者可獲得更多的產(chǎn)品信息及服務(wù)，其產(chǎn)品體驗(yàn)價(jià)值更高。Gallino 和 Moreno ［21］以及Gao和Su［22］分別從實(shí)證和理論的角度研究了網(wǎng)上購(gòu)買、實(shí)體店提貨的影響和啟示。Jin 等［23］通過(guò)對(duì)ROPS和BOPS的比較，明確ROPS和BOPS兩種履行模式的優(yōu)點(diǎn)，得出了兩種履行模式的最優(yōu)采用策略。邱菊等［24］通過(guò)構(gòu)建雙渠道零售商和合作履行線上訂單的第三方物流企業(yè)的博弈模型，研究零售商應(yīng)何時(shí)采取BOPS 策略以及該策略對(duì)第三方物流服務(wù)定價(jià)和利潤(rùn)的影響。最后，本研究還涉及關(guān)于顧客選擇行為的文獻(xiàn)，顧客需要從推薦的自提門店進(jìn)行決策，并且顧客的決策結(jié)果影響到零售商的總利潤(rùn)。本文使用多項(xiàng)式 Logit 模型（ MNL 模型） 描述消費(fèi)者的選擇行為。MNL模型的提出可以追溯至 Luce［25］，是學(xué)者們用來(lái)描述消費(fèi)者選擇行為的常用方法。

2 問(wèn)題與模型描述

本研究所涉及的符號(hào)如下表1所示。

2.1 問(wèn)題描述與假設(shè)

本文研究了一個(gè)全渠道零售下BOPS模式為顧客個(gè)性化推薦自提門店的問(wèn)題。假設(shè)總共有m個(gè)實(shí)體門店，用集合M={1，2，…，m}表示；有n個(gè)顧客在線上進(jìn)行下單，用集合N={1，2，…，n}表示。實(shí)體門店開(kāi)設(shè)自提點(diǎn)功能會(huì)帶來(lái)額外成本，假設(shè)每個(gè)實(shí)體門店開(kāi)設(shè)自提通道所用的成本為ci，其中i∈M。顧客去線下門店取貨，可以為線下門店帶來(lái)額外的收益，包括顧客的二次消費(fèi)以及客流量的增加所吸引更多的顧客到門店所帶來(lái)的消費(fèi)，這里用rij表示顧客j去門店i會(huì)帶來(lái)的額外總收益。顧客j到門店i的距離為dij，不同顧客對(duì)距離的敏感度不同，用σj表示顧客j對(duì)距離的敏感度，σj越大表示顧客對(duì)距離的敏感度越高。假設(shè)網(wǎng)站頁(yè)面顯示快遞郵寄給顧客的j的預(yù)計(jì)送達(dá)時(shí)長(zhǎng)為tj，顧客對(duì)預(yù)計(jì)送達(dá)時(shí)長(zhǎng)的敏感度為βj，βj越大表示顧客更偏向于更快拿到商品，即顧客對(duì)時(shí)間的敏感度越高。

基于以上假設(shè)，顧客j選擇去店鋪i自提商品所獲得的效用可以表示如下：Uij=uij-σjdij+εij，其中第一項(xiàng)uij為顧客j去店鋪i提貨的正效用，即商品和店鋪所在商圈給顧客帶來(lái)的效用；第二項(xiàng)σjdij表示顧客去店鋪i自提的負(fù)效用，即前往店鋪帶來(lái)的成本；εij為效用的隨機(jī)項(xiàng)。同理，顧客選擇線上郵寄的效用可以表示如下：U0j=u0j-βjtj+ε0j，其中第一項(xiàng)u0j為顧客j選擇快遞郵寄所購(gòu)買的商品的正效用，第二項(xiàng)βjtj表示顧客等待快遞的負(fù)效用，ε0j為效用的隨機(jī)項(xiàng)。為了描述具有多個(gè)自提門店選擇的顧客的選擇行為，本文引入MNL （Multinomial logit model）模型，即假設(shè){εij}，i∈{0}∪M是獨(dú)立同分布的 Gumbel 隨機(jī)變量。對(duì)于每個(gè)顧客j，給定推薦的自提門店的集合Sj，顧客選擇去門店i∈Sj自提的概率為：

2.2 考慮顧客選擇行為的BOPS自提門店推薦模型

目前，為顧客推薦提貨門店的方法是按顧客距離店鋪的遠(yuǎn)近進(jìn)行推薦。具體如下，顧客首先在商家的APP小程序上選擇要購(gòu)買的商品；隨后結(jié)賬頁(yè)面會(huì)彈出顧客是選擇門店自提還是快遞送貨，如果顧客選擇門店自提，APP頁(yè)面會(huì)彈出為顧客推薦的一些取貨門店。然而，顧客在選擇門店時(shí)，往往不僅考慮到門店距離顧客的遠(yuǎn)近，還會(huì)考慮到門店附近的商圈以及便利程度。值得指出的是，以往的研究往往假設(shè)所有門店均開(kāi)設(shè)了門店自提功能，現(xiàn)實(shí)中往往有些門店客流密度是可以不需要顧客到店自提來(lái)引流的，這樣反而造成額外的成本浪費(fèi)。因而，不同于傳統(tǒng)距離導(dǎo)向的自提門店的推薦方法，本文綜合考慮顧客的效用以及門店與顧客的距離為每個(gè)顧客推薦自提門店，同時(shí)考慮開(kāi)設(shè)自提門店的成本進(jìn)行個(gè)性化門店推薦決策。

我們構(gòu)建以商家總收益最大為目標(biāo)的混合整數(shù)規(guī)劃模型，決策變量為：

那么顧客j選擇去門店i自提的概率pij可以重新記作：

因此，我們得到以下非線性整數(shù)規(guī)劃模型，記作模型（BOPS-IP）：

3 模型求解

該模型與模型（BOPS-IP）有相同的最優(yōu)解，可以用目前一些優(yōu)化求解器（如CPLEX和Gurobi）處理。

此外，根據(jù)文獻(xiàn)［26］，我們可以通過(guò)添加McCormick有效不等式到模型（BOPS-CONIC）中，以加速模型（BOPS-CONIC）的求解速度。最終，我們得到可以直接用現(xiàn)有求解器進(jìn)行求解的模型（BOPS-CONIC+MC），如下：

4 數(shù)值算例

本章節(jié)首先驗(yàn)證了本文所提出的推薦方法的有效性，然后分析了預(yù)計(jì)到達(dá)時(shí)間以及顧客對(duì)距離的敏感度對(duì)收益的影響。本文所有算例在 Windows 10 下利用Python語(yǔ)言編程并調(diào)用Gurobi實(shí)現(xiàn)。所有計(jì)算實(shí)驗(yàn)在 Intel Core i7-10710U CPU 1.61 GHz，16GB RAM 上運(yùn)行，Gurobi 版本為10.0。

算例規(guī)模為n=50，m=20。參數(shù)的設(shè)置如下。顧客到門店的距離dij服從區(qū)間［1，5］的均勻分布，顧客對(duì)距離的敏感度σj服從區(qū)間［0，0.1］的均勻分布。由于我們這里考慮的是一個(gè)城市的顧客，因此假設(shè)預(yù)計(jì)送達(dá)時(shí)長(zhǎng)對(duì)于所有顧客是一樣的，這里預(yù)計(jì)送達(dá)時(shí)長(zhǎng)tj=2。顧客對(duì)預(yù)計(jì)送達(dá)時(shí)長(zhǎng)的敏感度βj服從區(qū)間［0，0.2］的均勻分布。顧客去店里自提的效用uij服從區(qū)間［0，2］的均勻分布，假設(shè)顧客選擇快遞郵寄的效用是相同的，即為u0j=3對(duì)于任意的j∈N。為顧客推薦的門店個(gè)數(shù)K=10。按照上述方式，我們生成十個(gè)不同的數(shù)據(jù)集。

4.1 個(gè)性化為顧客推薦門店的有效性

4.2 預(yù)計(jì)到達(dá)時(shí)間對(duì)收益的影響

為了分析預(yù)計(jì)到達(dá)時(shí)間與收益的關(guān)系，本文分別計(jì)算預(yù)計(jì)到達(dá)時(shí)間為tj=1、tj=2、tj=3以及tj=4時(shí)上述10個(gè)算例對(duì)應(yīng)的收益，計(jì)算結(jié)果如圖2所示。在圖2中，對(duì)于每個(gè)算例，從左到右每個(gè)柱子依次表示預(yù)計(jì)送達(dá)時(shí)長(zhǎng)為1天、2天、3天以及4天時(shí)的收益。從圖2中可以看出，每個(gè)算例中總的收益均隨著預(yù)計(jì)送達(dá)時(shí)長(zhǎng)的增加而增加。也就是說(shuō)，當(dāng)預(yù)計(jì)到達(dá)時(shí)間增加時(shí)，顧客選擇線上郵寄的概率降低，選擇去門店自提的概率增加，進(jìn)而帶來(lái)門店期望收益的增加。因此，商家可以為顧客設(shè)置更大的預(yù)計(jì)送達(dá)時(shí)長(zhǎng)以引導(dǎo)顧客去線下門店提貨從而增加門店客流量，進(jìn)而增加線下店鋪的收益。

4.3 顧客的距離敏感度對(duì)收益的影響

5 小結(jié)

本文研究了全渠道零售下考慮顧客選擇行為的BOPS自提門店推薦問(wèn)題。針對(duì)此問(wèn)題，本文將顧客對(duì)距離以及時(shí)間的敏感度刻畫到顧客的效用中，通過(guò)MNL選擇模型來(lái)刻畫顧客的選擇行為，構(gòu)建了考慮顧客選擇行為的以零售商利潤(rùn)最大為目標(biāo)的混合整數(shù)規(guī)劃模型，并將模型轉(zhuǎn)換成易于求解器求解的混合整數(shù)二階錐規(guī)劃模型，通過(guò)添加McCormick有效不等式以提升求解速度。數(shù)值算例分析表明，相比于按距離為顧客推薦自提門店，本文提出的考慮顧客選擇行為的BOPS自提門店推薦方法可以進(jìn)一步提升零售商的利潤(rùn)。

文章進(jìn)一步探討了預(yù)計(jì)到達(dá)時(shí)間、顧客的距離敏感度與收益的關(guān)系。數(shù)值實(shí)驗(yàn)結(jié)果表明，零售商的總利潤(rùn)與預(yù)計(jì)到達(dá)時(shí)間呈正相關(guān)關(guān)系，商家可以為顧客設(shè)置更大的預(yù)計(jì)送達(dá)時(shí)長(zhǎng)以促使顧客去線下門店提貨從而增加門店客流量，進(jìn)而增加線下店鋪的收益；零售商的總利潤(rùn)與顧客對(duì)距離的敏感度呈負(fù)相關(guān)關(guān)系，當(dāng)顧客對(duì)距離的敏感度比較高時(shí)，那么按距離給顧客推薦與本文所提出方法的收益的差異會(huì)逐漸縮小。此外，本文模型是在假設(shè)店鋪內(nèi)商品庫(kù)存充足的前提下進(jìn)行考慮的，對(duì)于庫(kù)存有限時(shí)，如何考慮到不同店鋪的庫(kù)存為顧客推薦自提店鋪是需要進(jìn)一步分析的問(wèn)題。

參考文獻(xiàn)：

［1］ Statista. Retail e-commerce sales worldwide from 2014 to 2024［EB/OL］. https：//www.statista.com/statistics/379046/worldwide-retail-e-commerce-sales/.

［2］ BELL D R， GALLINO S， MORENO A. How to win in an omnichannel world［J］. MIT Sloan Management Review， 2014， 56（1）： 45-53.

［3］ BRYNJOLFSSON E， HU Y J， RAHMAN M S. Competing in the age of omnichannel retailing［M］. Cambridge： MIT， 2013.

［4］ CAI Y J， LO C K Y. Omni-channel management in the new retailing era： A systematic review and future research agenda［J］. International Journal of Production Economics， 2020， 229： 107729.

［5］ VERHOEF P C， KANNAN P K， INMAN J J. From multi-channel retailing to omni-channel retailing： introduction to the special issue on multi-channel retailing［J］. Journal of retailing， 2015， 91（2）： 174-181.

［6］ CLIFFORD S. Wal-Mart has a web plan to bolster in-store sales［EB/OL］. https：//www.nytimes.com/2011/03/11/business/11shop.html

［7］ UPS. UPS online shopping study： Empowered consumers changing the future of retail［R/OL］. Press release， June 3. United Parcel Service of America， Atlanta， 2015.

［8］ ROSENBLUM P， KILCOURSE B. Omni-channel 2013： The long road to adoption［R］. RSR 2013 Benchmark Report. Retail Systems Research， Miami， 2013.

［9］ BRYNJOLFSSON E， HU Y， RAHMAN M S. Battle of the retail channels： How product selection and geography drive cross-channel competition［J］. Management Science， 2009， 55（11）： 1755-1765.

［10］ FORMAN C， GHOSE A， GOLDFARB A. Competition between local and electronic markets： How the benefit of buying online depends on where you live［J］. Management science， 2009， 55（1）： 47-57.

［11］ 高瑩， 胡祥培， 方艷， 等. 參考質(zhì)量效應(yīng)下的體驗(yàn)類商品全渠道定價(jià)策略研究［J］. 管理工程學(xué)報(bào)，2023，37（1）：147-157.

［12］ 劉金榮， 徐琪. 全渠道零售下 “Showrooms” 對(duì)需求分布， 定價(jià)和收益的影響研究［J］. 中國(guó)管理科學(xué)， 2019， 27（12）： 88-99.

［13］ DZYABURA D， JAGABATHULA S. Offline assortment optimization in the presence of an online channel［J］. Management Science， 2018， 64（6）： 2767-2786.

［14］ CHEN J， LIANG Y， SHEN H， et al. Offline-channel planning in smart omnichannel retailing［J］. Manufacturing & Service Operations Management， 2022， 24（5）： 2444-2462.

［15］ FAUGRE L， MONTREUIL B. Smart locker bank design optimization for urban omnichannel logistics： Assessing monolithic vs. modular configurations［J］. Computers & Industrial Engineering， 2020， 139： 105544.

［16］ MILLSTEIN M A， CAMPBELL J F. Total hockey optimizes omnichannel facility locations［J］. Interfaces， 2018， 48（4）： 340-356.

［17］ ARSLAN A N， KLIBI W， MONTREUIL B. Distribution network deployment for omnichannel retailing［J］. European Journal of Operational Research， 2021， 294（3）： 1042-1058.

［18］ 胡祥培， 王明征， 王子卓， 等. 線上線下融合的新零售模式運(yùn)營(yíng)管理研究現(xiàn)狀與展望［J］. 系統(tǒng)工程理論與實(shí)踐， 2020， 40（8）： 2023-2036.

［19］ CARO F， KK A G， MARTNEZ-DE-ALBNIZ V. The future of retail operations［J］. Manufacturing & Service Operations Management， 2020， 22（1）： 47-58.

［20］ DU S， WANG L， HU L. Omnichannel management with consumer disappointment aversion［J］. International Journal of Production Economics， 2019， 215： 84-101.

［21］ GALLINO S， MORENO A. Integration of online and offline channels in retail： The impact of sharing reliable inventory availability information［J］. Management Science， 2014， 60（6）： 1434-1451.

［22］ GAO F， SU X. Omnichannel retail operations with buy-online-and-pick-up-in-store［J］. Management Science， 2017， 63（8）： 2478-2492.

［23］ JIN M， LI G， CHENG T C E. Buy online and pick up in-store： Design of the service area［J］. European Journal of Operational Research， 2018， 268（2）： 613-623.

［24］ 邱菊，趙菊，房曉藝，等.基于第三方物流服務(wù)定價(jià)的零售商BOPS策略研究［J］.管理工程學(xué)報(bào)，2023，37（3）：169-177.

［25］ LUCE R D. Individual choice behavior： A theoretical analysis［M］. Courier Corporation， 2012.

［26］ SEN A， ATAMTRK A， KAMINSKY P. A conic integer optimization approach to the constrained assortment problem under the mixed multinomial logit model［J］. Operations Research， 2018， 66（4）： 994-1003.