基于訂單數(shù)據(jù)分析的B2B物流網(wǎng)絡設計與訂單配載決策優(yōu)化

關(guān)鍵詞：數(shù)據(jù)分析；物流網(wǎng)絡；訂單配載；時間序列；聚類算法中圖分類號：F252 文獻標識碼：A文章編號：2097-0145（2025）03-0061-08 doi：10.11847/fj.44.3.61

0 引言

隨著社會經(jīng)濟的不斷發(fā)展和繁榮，B2B企業(yè)銷售產(chǎn)品的種類和渠道不斷豐富，其產(chǎn)品生產(chǎn)點和客戶（經(jīng)銷商）的數(shù)量也在不斷增加?？焖偬嵘匿N售量為企業(yè)的物流運輸服務帶來了多方面挑戰(zhàn)。物流系統(tǒng)資源管理和協(xié)調(diào)難度的急速增長使得系統(tǒng)調(diào)度不順暢成為企業(yè)的一個重要痛點。對此，為了盡可能滿足物流需求并避免復雜的訂單配載問題，企業(yè)在處理包含來自不同生產(chǎn)點的產(chǎn)品時，通常會選擇將訂單拆分并單獨進行配送。但這種做法迫使企業(yè)大量增加運輸員工和車輛，顯著提升了物流成本并造成物流資源在銷售淡季的浪費?；诖吮尘埃岢霰疚牡难芯繂栴}：在面對位置分散的產(chǎn)品生產(chǎn)點和經(jīng)銷商的情況下，同時考慮不同訂單的產(chǎn)品組合、卡車容量和運輸路線等多重因素的影響，如何實現(xiàn)訂單配載、車輛裝載和運輸路線的聯(lián)合優(yōu)化調(diào)度？

訂單配載優(yōu)化算法需要結(jié)合企業(yè)的實際運營情況并考慮其物流成本計算規(guī)則以做出訂單合并決策。訂單合并可以顯著減少物流配送次數(shù)并降低物流運輸成本，幫助企業(yè)提升物流效率。Wei等[1]對雙渠道線上零售商的訂單選擇與合并問題進行研究，并且考慮了訂單的物流截止時間。此類問題復雜度較高并且需要充分考慮企業(yè)的實際經(jīng)營情況和場景特性。Alnahhal等[2]的研究場景為按訂單生產(chǎn)供應鏈，其特點是訂單數(shù)量多且產(chǎn)品量小。李浩霖等3則研究當自動化立體倉庫可以實現(xiàn)兩件料箱同時搬運時，如何進行訂單合并決策。此外，部分研究考慮了供應鏈結(jié)構(gòu)對其訂單合并決策的影響。Hanbazazah等[4-5]考慮了包含多個供應商和一個零售商供應鏈中的訂單合并問題。同時，還有一些文獻關(guān)注消費者下單過程、交付時間和需求等因素的不確定性[6]。訂單合并不僅出現(xiàn)在運輸階段，還包括訂單揀貨環(huán)節(jié)。Boysen等[8]研究了訂單揀貨環(huán)節(jié)的訂單合并問題。馮曉春和胡祥培[9]研究了蔬菜電商的成組揀貨排序問題。還有文章研究了線上超市的訂單合并和打包策略[10-11]等。

合理的物流網(wǎng)絡能夠大大降低企業(yè)的物流成本，這使得物流網(wǎng)絡設計問題與本文密切相關(guān)。物流網(wǎng)絡設計是一個多目標規(guī)劃問題，決策者需要在建設成本、運輸效率和運輸成本等多個目標中進行權(quán)衡[12]，因此，在設計過程中考慮行業(yè)特點至關(guān)重要。Varsei和Polyakovskiy[13]在考慮環(huán)保和碳排放方面需求的情況下對紅酒行業(yè)的物流網(wǎng)絡進行優(yōu)化。DeKeizer等[14]，趙泉午等[15]則在考慮生鮮產(chǎn)品運輸時效和產(chǎn)品質(zhì)量因素的情況下進行生鮮物流網(wǎng)絡設計。更多關(guān)于花卉農(nóng)業(yè)等易逝產(chǎn)品的物流網(wǎng)絡設計的研究可以參考De Keizer等[16]。更進一步地，關(guān)于產(chǎn)品回收的逆向物流網(wǎng)絡設計[17]、關(guān)于特異產(chǎn)品的配送網(wǎng)絡優(yōu)化[18]以及關(guān)于應急產(chǎn)品的物流網(wǎng)絡動態(tài)優(yōu)化[19]等也是廣受關(guān)注的研究問題。鎮(zhèn)璐等[20]以高鐵快運網(wǎng)絡總體運輸效益最大化為目標，研究了高鐵樞紐選址問題以及集散貨中心歸屬關(guān)系問題。殷允強等[21]基于地震等自然災害的實際救援需求研究了道路修復、應急物資選址與配送的集成優(yōu)化問題。最后，雙渠道供應鏈中研究倉庫選址和庫容設計問題也受到了研究者的廣泛關(guān)注[2-23]。然而，上述研究只涉及到過庫網(wǎng)絡（cross-dockingnetwork）和B2C場景，而在物流網(wǎng)絡類型的綜述性文獻Esmizadeh和Mellat[24]的研究中提到了多種不同的網(wǎng)絡結(jié)構(gòu)設計。

結(jié)合B2B企業(yè)物流運輸目的地分散和訂單規(guī)格小數(shù)量大的特點，本文的創(chuàng)新之處體現(xiàn)在：首先，構(gòu)建了一個訂單配載、車輛裝載和運輸路線聯(lián)合調(diào)度的理論優(yōu)化模型并提出有效算法。由于此類車輛路徑問題為 NP 難問題[25-26]，本文采用大數(shù)據(jù)和機器學習算法，建立了中心庫加前置庫的物流網(wǎng)絡設計模型并相應提出了訂單配載啟發(fā)式算法。其次，提出了考慮訂單發(fā)貨時間窗和實際物流成本計算規(guī)則的訂單分級機制與訂單配載算法。通過企業(yè)訂單數(shù)據(jù)挖掘客戶訂單特點，建立訂單分級規(guī)則，并基于該結(jié)果對需要中心庫配載的小批量訂單和前置庫滿足的極小批量訂單分別進行訂單配載優(yōu)化和庫存網(wǎng)絡設計，實現(xiàn)物流服務的降本增效。再次，基于合作企業(yè)B2B銷售數(shù)據(jù)實現(xiàn)了其物流網(wǎng)絡設計方案，并通過數(shù)據(jù)實驗驗證了模型的有效性，為具有多客戶、多品規(guī)產(chǎn)品特點的B2B企業(yè)自建物流網(wǎng)絡規(guī)劃、提升訂單配載發(fā)貨效率和降低物流運輸成本提供了有力的決策支持。

1問題描述與模型假設

本文考慮一個具有多個生產(chǎn)點的B2B企業(yè)，各個生產(chǎn)點負責不同產(chǎn)品的生產(chǎn)，并都具備物流運輸功能。為了提高物流響應速度、應對大量分散的客戶訂貨需求并降低多產(chǎn)品訂單帶來的多點提貨和訂單配載問題難度，企業(yè)一般采用傳統(tǒng)的訂單拆分配送方式。這種拆分配送方法將不同時間、生產(chǎn)點的訂單進行逐一拆分，并針對其中的每種產(chǎn)品分別發(fā)車配送，但也造成了物流成本的大幅提升。因此，本研究關(guān)注的訂單配載路徑優(yōu)化問題是在包含多個提貨點和送貨點的情況下，根據(jù)已知的訂單信息優(yōu)化運輸車輛的提貨和運輸路徑，該優(yōu)化問題的目標是最小化運輸成本和運輸時效懲罰之和。

為了深入分析企業(yè)物流成本浪費的原因，本文首先介紹企業(yè)使用的運費計算規(guī)則。以煙草行業(yè)為例，表1展示了某企業(yè)現(xiàn)行運費計算規(guī)則，每輛車的運輸費用等于運輸重量乘以運費單價和運輸里程。

為了模型適用問題的一般性，本文將表1中的運費計算規(guī)則參數(shù)化為計算條件向量 和 ，以及計算結(jié)果向量 和 。因此，在確定車輛行駛路線時，需要先通過貨物數(shù)量換算運輸重量，然后根據(jù)運輸距離判斷其運費單價，并計算得到企業(yè)應付的運輸費用。

為了解決訂單拆分配送導致的物流成本浪費問題，同時提高物流響應速度，本文提出了相應的優(yōu)化模型，將涉及不同生產(chǎn)點和客戶的訂單進行配載發(fā)出，使企業(yè)物流運輸成本與訂單等待懲罰的加權(quán)之和最小。接下來對優(yōu)化模型中所用到的參數(shù)進行定義，如表2所示。

運輸重量 W_k 根據(jù)貨物量 v_k 和判斷條件向量 比較后在運輸重量結(jié)果向量中 查找得到。在實際總運輸量超過最大的判斷條件時不產(chǎn)生運費補償，由實際總運輸量按比例計算運輸重量，因此 與 維數(shù)相等，均為 n 維向量。車輛運輸重量判斷函數(shù)總結(jié)如下

相應地，運輸車輛的運費單價 R_k 根據(jù)其運輸距離 l_k 和判斷條件向量 比較后在運費參數(shù)結(jié)果向量 中查找得到。在實際運輸距離超過最大的判斷條件時，取最小的成本系數(shù)。因此， 的維數(shù)標記為 的維數(shù)為 m+1 。車輛運費單價判斷函數(shù)總結(jié)如下

由此，該訂單配載和運輸路線聯(lián)合調(diào)度問題可以總結(jié)為一個適應企業(yè)特定成本計算方式的訂單選擇和車輛路徑規(guī)劃問題。由于優(yōu)化目標為最小化運輸成本與運輸時效懲罰之和，并且車輛可能需要去多個生產(chǎn)點進行提貨，因此，該問題屬于多目標多中心的車輛路徑規(guī)劃問題[27-28] 。

x_ij^k∈{0，1}，i∈C，j∈C，k∈V

目標函數(shù)（3）由每輛車的物流成本與訂單等待懲罰組成，其中，物流成本由運輸單價 R_k 、包含運輸補償?shù)倪\輸重量 W_k 以及實際運輸距離 l_k 三者相乘得到，而訂單等待懲罰則等于所有未被發(fā)出的訂單 乘以其訂單量 d_j 和懲罰系數(shù)ρ 。約束（4）限制訂貨的客戶都被服務不超過一次。約束（5）通過根據(jù)訂單發(fā)貨緊迫性參數(shù) t_j 控制前一天到達的訂單必須被服務。約束（6）計算了每輛車的實際送運貨總量。約束（7）根據(jù)送貨總量計算包含運費補償?shù)乃拓浟?。此處，運輸費用按照運輸總量計算，因此，模型中不考慮車輛的承載量上限，任何數(shù)量的貨物都能夠找到合適的車輛進行運輸且運費不產(chǎn)生變化。約束（8）和（9）分別計算了每輛車運輸?shù)目偩嚯x以及運輸距離對應的物流成本系數(shù)。需要說明的是在實際運輸過程中，物流成本計算只考慮送貨過程，卡車回程費用并不需要企業(yè)負擔。約束（10）控制卡車到達和離開每個訂貨企業(yè)的次數(shù)必須相等。若沒有車輛來或者離開則等于0，若有一輛車來送貨并且離開了則等于1，即不會有車輛在訂貨客戶處停留。約束（11）和（12）限制了每輛被使用的卡車都必須從發(fā)貨倉庫出發(fā)并最后回到發(fā)貨倉庫。約束（13）控制了決策變量的取值范圍。

2基于訂單配載的物流網(wǎng)絡設計方案

本文研究了一個多目標多中心的車輛路徑規(guī)劃問題，且該問題屬于 NP 難問題[27-28]，無法用精確算法進行求解。因此，本文提出了一套基于訂單配載的物流網(wǎng)絡設計方案，以實現(xiàn)企業(yè)不同生產(chǎn)點產(chǎn)品訂單的配載和發(fā)出。該物流網(wǎng)絡包含一個中心庫和若干個前置庫：中心庫集中存儲不同工廣生產(chǎn)品牌的貨物，以實現(xiàn)對訂單的配載運輸；前置庫放置少量貨物，用于滿足極小批量特殊訂單。由于極小批量特殊訂單數(shù)量少、時間要求緊，因此，無需經(jīng)過配載流程，直接由前置庫進行配送。在前置庫內(nèi)的貨物量較少時，管理人員提前會向中心庫下大批量訂單以補足前置庫，使得前置庫內(nèi)的貨物量始終能夠滿足臨時特殊需求。這種中心庫加前置庫的訂單分級管理模式的系統(tǒng)設計思路總結(jié)如圖1所示。為實現(xiàn)倉庫網(wǎng)絡設計與實時訂單配載系統(tǒng)整體規(guī)劃設計，本方案需解決以下問題：

（1）訂單配載算法：除極小批量特殊訂單外，根據(jù)訂單產(chǎn)品數(shù)量對其進行分級和配載優(yōu)化。（2）中心庫選址和庫存容量設計：基于企業(yè)歷史訂單數(shù)據(jù)和訂單配載結(jié)果，通過時間序列需求預測算法確定中心庫的位置以及庫存容量。（3）前置庫網(wǎng)絡設計：根據(jù)客戶位置數(shù)據(jù)確定前置庫的數(shù)量、選址以及其覆蓋范圍。

2.1 訂單配載算法

為了解決物流服務中運費補償所造成的成本浪費同時提升物流服務質(zhì)量，企業(yè)需要對訂單進行配載優(yōu)化以降低運輸成本和訂單等待成本。從前文所述的運費計算規(guī)則和規(guī)劃模型中可以發(fā)現(xiàn)，合并小批量訂單使其超過產(chǎn)生運費補償?shù)拈T檻 Vⁿ 是降低物流成本的關(guān)鍵因素。同時考慮到多目的地路線規(guī)劃的計算復雜度以及實際運費系數(shù)的降低幅度較小，本文從企業(yè)運營實際出發(fā)提出了一個依據(jù)多目的地配載經(jīng)驗的訂單合并解決方案。值得注意的是，根據(jù)客戶的物流時效要求，企業(yè)設定了兩天的訂單發(fā)貨時間窗，訂單必須在客戶下單當天或第二天發(fā)出，但在客戶下單第二天發(fā)出會產(chǎn)生一定的訂單等待成本。在運輸車輛方面，物流服務由第三方物流公司提供，企業(yè)只需按照運費計算規(guī)則支付物流費用而不需要考慮運輸車輛的型號和尺寸。最后，企業(yè)出于生產(chǎn)和經(jīng)營的需要，存在一部分短距離運輸?shù)淖杂熊囕v，因此，在不同生產(chǎn)點間的貨物運輸不需要支付額外的轉(zhuǎn)運成本。

企業(yè)可以在每日固定時間對前一天未發(fā)出訂單和當天新到達訂單進行訂單分級和配載優(yōu)化，并最終獲得可執(zhí)行的訂單配載運輸任務。該算法總結(jié)在算法1中。

2.2中心庫選址與庫存容量設計

本節(jié)將在上文所提出的兩級訂單配載算法的基礎上進行中心庫選址和庫存容量設計。首先，根據(jù)配載訂單量決策中心庫庫存容量。在兩級訂單配載算法中，訂單被分為直發(fā)訂單和配載訂單，其中，直發(fā)訂單直接由生產(chǎn)點發(fā)出不需要占據(jù)中心庫容量，而配載訂單則需要在中心庫整合配載發(fā)出，因此，本文使用所有待配載訂單的產(chǎn)品數(shù)量來預測中心庫庫存容量。此處采用時間序列預測模型中指數(shù)平滑下考慮時間趨勢的狀態(tài)空間模型進行預測，使用該方法的原因以及其他在進行庫容設計時需要考慮的因素總結(jié)如下：

（1時間序列預測方法：由于價格和市場變化信息的缺失，難以采用需要外部變量的預測方法，而僅需企業(yè)銷售數(shù)據(jù)的時間序列預測方法在此處更加適用。同時，指數(shù)平滑下考慮時間趨勢的狀態(tài)空間模型的靈活性和自適應性使其能有效處理和預測具有明顯周期性的時間序列數(shù)據(jù)，而卷煙行業(yè)市場一般具有明顯的周期性波動，因此，適合采用此方法進行預測。

（2）銷量統(tǒng)計單位：根據(jù)產(chǎn)品特性和訂單的時間分布規(guī)律，需要選擇合適的時間單位對產(chǎn)品銷量進行統(tǒng)計。例如，對于銷售數(shù)據(jù)呈現(xiàn)明顯的月內(nèi)波動和規(guī)律的產(chǎn)品，其銷量統(tǒng)計時長單位需要長于一個月。同時考慮到預測數(shù)據(jù)的數(shù)量與精度，本文選擇以“月”為單位對產(chǎn)品銷量進行預測。

（3）銷量預測單位：根據(jù)產(chǎn)品特性和訂單的時間分布規(guī)律，設定中心庫的庫存容量為預測銷量目標。

（4）倉庫利用率：由于倉庫庫容設計需要綜合考慮企業(yè)外部合作、未來發(fā)展以及倉庫運作效率等因素，因此，其庫容大小不能與預測產(chǎn)品銷量持平，而需要考慮倉庫設計利用率。

其次，進行中心庫的選址規(guī)劃。本文根據(jù)需運往中心庫配載送貨的訂單和配載算法得到的發(fā)貨起訖點，以及利用爬蟲工具爬取百度地圖中配送車輛的最佳運輸路線（優(yōu)先選擇高速公路）來計算各備選地點的配送總成本，然后將每個備選地點的配送總成本進行比較來確定中心庫的最終選址?；谄髽I(yè)實際經(jīng)營情況，依托生產(chǎn)點來建立中心庫既可以節(jié)約固定建設成本，又可以避免部分生產(chǎn)點到中心庫的運輸任務，提高配送效率并減少短途運輸交通壓力。因此，企業(yè)將現(xiàn)有生產(chǎn)點作為中心庫的備選地點，隨后根據(jù)配載使用車輛、噸位、目的地城市和配送中心距離計算運輸總運費，并通過比較以不同生產(chǎn)點作為中心庫選址的總運費來確定中心庫的最優(yōu)選址結(jié)果。

2.3 前置庫網(wǎng)絡設計

最后，本文聚焦于前置庫網(wǎng)絡的設計問題。設立前置庫有助于企業(yè)對客戶進行分區(qū)，并提前調(diào)撥貨物至訂貨客戶所在的區(qū)域，使企業(yè)能夠更快地對極小批量訂單做出響應，從而節(jié)約運輸成本并縮短運輸時間。要進行前置庫網(wǎng)絡設計，需要確定前置庫的數(shù)量及其位置，然后在數(shù)值實驗中結(jié)合具體數(shù)據(jù)分析前置庫對整個物流系統(tǒng)帶來的效率提升。由于企業(yè)的客戶分布基本覆蓋全國，運輸距離最長超過三千公里。因此，本文按照訂貨客戶的地理位置和訂貨量進行聚類。假設訂貨公司的數(shù)量為 q ，最優(yōu)的分類數(shù)量為 K （利用“手肘算法”確定），則分類目標函數(shù)為

其中： μ_j 為第 j 類的中心點位置，即前置庫地址;r_ij=1 表示第 i 個訂貨客戶被分到第 j 類中，否則r_ij=0;O_i 為該客戶一年內(nèi)的小批量訂單總量;Distance （y_i，μ_j） 計算了第 χ_i 個訂貨客戶被分到第 j 類時到類別中心的距離，常用的距離函數(shù)包括歐氏距離，曼哈頓距離等。本文采用 K -means聚類方法，其優(yōu)勢在于聚類效果較好、算法解釋性較強并且收斂速度快，但容易陷入局部最優(yōu)。為了解決該問題，本文采取多次運行取最優(yōu)的方式，并且運行多次結(jié)果沒有變化后再將其當作最終結(jié)果進行記錄。聚類算法得到的類別中心以及分類結(jié)果分別對應了前置庫的選址以及其覆蓋的客戶。

3企業(yè)實例分析

為了驗證前文提出的系統(tǒng)設計方案的有效性，本文使用安徽某合作企業(yè)2018年1月至2019年4月的全國訂貨數(shù)據(jù)以及所有訂貨客戶的地址信息進行模擬訂單配載和倉庫網(wǎng)絡設計，此時其訂貨企業(yè)數(shù)量多達315家，范圍已經(jīng)擴展至我國的25個省級行政區(qū)域。本文出于數(shù)據(jù)保護等原因沒有使用最新的銷售數(shù)據(jù)，并且對數(shù)據(jù)中涉及到的生產(chǎn)點的倉庫位置進行了匿名或模糊處理。

3.1企業(yè)分級與配載結(jié)果

首先，對未配載的47，610個訂單進行產(chǎn)品數(shù)量與頻次統(tǒng)計，可以發(fā)現(xiàn)大量訂單集中在低于100件的產(chǎn)品數(shù)量區(qū)間，其中，產(chǎn)品數(shù)量低于50件的訂單占比接近 25% ，而低于700件的訂單占比達到85% 。如果將上述訂單拆分后發(fā)出，那么這些占大多數(shù)的小批量訂單將導致物流費用大幅提升。根據(jù)統(tǒng)計結(jié)果，基于2.1節(jié)提出的訂單分級配載啟發(fā)式算法對所有配載訂單進行相應的訂單分級與配載操作，再次進行產(chǎn)品數(shù)量和頻次統(tǒng)計，可以實現(xiàn)訂單總數(shù)的顯著降低，由原始數(shù)據(jù)中的47，610個下降至4569個。整合到一起的訂單被一同發(fā)出，即使沒有達到700件的無運費補償門檻，訂單數(shù)量的大幅下降仍將顯著減少運費補償?shù)拇螖?shù)，從而大幅縮減運費支出。其次，大批量訂單占比逐漸升高，由原本的 0% 提升至 18% ，運輸效率得到大幅度的提升。再次，低于700件的小批量訂單占比逐漸均衡，不再像原始數(shù)據(jù)一樣大量集中于50件以下。綜上所述，本文提出的兩級訂單配載算法可以有效降低訂單數(shù)量、提升物流運輸任務貨物量并降低運費補償。

3.2中心庫選址與庫存容量決策

根據(jù)訂單分級結(jié)果，本文利用時間序列預測方法對需求模型進行擬合和預測。由于煙草產(chǎn)品的特殊性，產(chǎn)品銷量呈現(xiàn)出明顯的月內(nèi)波動性和規(guī)律性，根據(jù)對企業(yè)煙草銷售量的統(tǒng)計發(fā)現(xiàn)，每年二月銷售量較低，而其他月份銷售量較為穩(wěn)定。因此，為了避免周期性因素對時間序列預測結(jié)果的干擾，本文以“月”為單位對產(chǎn)品銷量進行統(tǒng)計和預測。同時考慮企業(yè)銷售的線性增長趨勢，預測接下來三個月的銷售量。以煙草產(chǎn)品周轉(zhuǎn)時間15日為例，并且考慮到一般企業(yè)的目標倉庫利用率為 50% ，因此，單期預測量即為中心庫的設計庫容。

本文采用時間序列預測模型進行模型訓練和需求預測得到接下來三期銷量如表3所示。在對三期預測結(jié)果求平均后得到的設計容量為254，089件。在 95% 置信區(qū)間內(nèi)，倉庫利用率也可以保證在合理的范圍內(nèi)（ 26% 至 74% ），確保了前置庫的健康運轉(zhuǎn)。

基于表1中提到運費補償及計算規(guī)則，以合作企業(yè)的五個生產(chǎn)點為例，可以得到生產(chǎn)點直發(fā)訂單的年運輸成本約為3318萬元。利用前文中提出的訂單分級配載算法，可以計算出五個生產(chǎn)點分別作為中心庫的配載訂單年運輸成本，加上直發(fā)訂單運輸成本后與采用傳統(tǒng)方法的運輸成本進行比較，結(jié)果如表4所示。從計算結(jié)果上看，五個生產(chǎn)點作為中心庫的運輸成本差別不大，其中成本最低的生產(chǎn)點1與生產(chǎn)點5之間的運輸成本差異不足 4% 。據(jù)測算，該企業(yè)于2018年全年的實際運輸成本接近1億元，而建立中心庫后預期將節(jié)約超過 25% 運輸成本，大大提高其物流系統(tǒng)的效益。

3.3 前置庫選址結(jié)果

在訂單配載算法的分析結(jié)果中，本文發(fā)現(xiàn)在經(jīng)過兩級配載后，仍然存在較多小于50件的小批量訂單，占比超過 13% 。這一結(jié)果凸顯了設立前置庫的重要性。因此，本文利用 K -means聚類算法綜合考慮訂貨客戶的地理位置和銷量因素進行聚類，聚類后的每個類別作為一個前置庫覆蓋的發(fā)貨區(qū)域，并且將類別中心確定為該類別的前置庫。為了確定所有訂貨客戶分類的數(shù)量，本文采用“手肘算法\"對位置數(shù)據(jù)進行分析，發(fā)現(xiàn)取7＼～9個類別較為合理?？紤]企業(yè)實際運營成本，選取7個類別作為聚類目標。將此類別數(shù)帶人算法聚類得到前置庫選址以及其對應的覆蓋區(qū)域

為了進一步分析前置庫對整個物流系統(tǒng)的效率提升情況，本文統(tǒng)計了每個前置庫的總訂單量及其覆蓋客戶中的最長運輸時間（蘭州和成都前置庫分別包含新疆烏魯木齊和西藏拉薩，屬于特殊地區(qū)，不包括在距離比較中），統(tǒng)計結(jié)果如表5所示。前置庫的最遠送貨距離比中心庫的加權(quán)平均送貨距離短至少250公里。此外，前置庫的最長送貨時間集中在12小時左右，這意味著從前置庫發(fā)貨的訂單最多只要半天就可以送達。因此，中心庫和前置庫組成的物流網(wǎng)絡能夠高效覆蓋全國客戶，實現(xiàn)全國各地市卷煙訂單的快速響應，為企業(yè)高效的生產(chǎn)運行保障提供有力支撐。

上述物流網(wǎng)絡設計方案通過了企業(yè)的論證并在此基礎上實施倉庫的投資建設工作，本文提出的訂單配載算法也在其銷售過程中開展了初步應用。

本文方案可以為眾多B2B企業(yè)提供自建物流網(wǎng)絡的建議，為其提升訂單配載發(fā)貨效率、降低物流運輸成本提供有力的決策支持。

4結(jié)論與啟示

隨著產(chǎn)品種類和銷售渠道的不斷增加，B2B企業(yè)面臨著產(chǎn)品生產(chǎn)點和訂貨客戶數(shù)量不斷增加且位置分散的問題，給訂單的統(tǒng)籌配載運輸帶來挑戰(zhàn)。在現(xiàn)行的物流服務收費規(guī)則下，傳統(tǒng)的訂單拆分運輸方式會造成很大的物流成本浪費。因此，本文從訂單配載算法人手，構(gòu)建了一個訂單配載和運輸路線聯(lián)合調(diào)度的理論優(yōu)化模型。為解決此NP難問題，本文提出了一個基于訂單配載算法的物流網(wǎng)絡設計方法，構(gòu)建了一個中心庫加多個前置庫的物流倉儲網(wǎng)絡，并提出了一個訂單分級配載算法對訂單進行分級判斷和配載整合。本文通過數(shù)值算例分析驗證了模型的有效性。

本文發(fā)現(xiàn)，面對日益提高的時效性要求，企業(yè)能夠通過設置前置庫，在保持較低物流成本的同時顯著提高運輸時效。本文所采用的多級物流網(wǎng)絡配合訂單配載算法為企業(yè)解決復雜的訂單配載問題提供了一個新的思路，不僅可以大幅降低運輸次數(shù)從而減少物流成本，并且能夠以較低的復雜度解決訂單配送問題。

在未來的研究方向上，由于多目標多中心的車輛路徑規(guī)劃問題的求解復雜度，本文提出了一個啟發(fā)式方法對其進行解決，未來可以更進一步探究該問題的精確算法。此外，未來還可以探討隨機需求下的需求預測方法，以及其對應的物流倉儲網(wǎng)絡設計和訂單配載優(yōu)化問題；或在考慮產(chǎn)品生產(chǎn)周期的情況下，研究產(chǎn)品生產(chǎn)計劃與物流配送決策的聯(lián)合優(yōu)化系統(tǒng)。

參考文獻：

[1]WeiL，Kapuscinski R，Jasin S. Shipping consolidationacross two warehouseswith delivery deadline and expedi-ted options for e-commerce and omni-channel retailers[J].Manufacturing amp; Service Operations Management，2021，23（6）：1634-1650.

[2]Alnahhal M，Ahrens D，Salah B. Modeling freightconsolidation in a make-to-order supply chain：a simula-tion approach[J].Processes，2021，9（9）：1554.

[3]李浩霖，譚哲一，汪小帆，等.自動化立體倉庫“一車雙箱\"模式訂單分批與存取決策優(yōu)化[J].工程管理科技前沿，2022，41（2）：41-48.

[4]Hanbazazah A S，Abril L，Erkoc M，et al.．Freightconsolidationwithdivisibleshipments， deliverytimewindows，and piecewise transportation costs[J]. EuropeanJournal of Operational Research，2019，276（1）：187-201.

[5]HanbazazahAS，CastroLE，ErkocM，et al..In-transitfreightconsolidation of indivisible shipments[J].Journalof the Operational Research Society，2020，71（1）：37-54.

[6] Ponce D， Contreras I， Laporte G. E-commerce shippingthrough a third-party supply chain［J]. TransportationResearch Part E：Logistics and Transportation Review，2020，140：101970.

[7］邱晗光，周繼祥，龍躍.顧客可選末端交付方式和時間窗的城市配送動態(tài)訂單接受優(yōu)化研究［J].中國管理科學，2020，28（8）：114-126.

[8]Boysen N，Stephan K，Weidinger F.Efficient orderconsolidation in warehouses：theproduct-to-order-assignment problem in warehouses with sortation systems[J].IISE Transactions，2022，54（10）：963-975.

[9］馮曉春，胡祥培.基于學習效果的蔬菜電商成組揀貨排序方法[J].系統(tǒng)工程理論與實踐，2020，40（2）：449-461.

[10] Zhang Y，Huang M，Hu X，et al.. Package consolida-tion approach to the split-order fulfillment problem ofonline supermarkets［J].Journal of the OperationalResearch Society，2018，69（1）：127-141.

[11］張源凱，胡祥培，黃敏芳，等.網(wǎng)上超市拆分訂單合并打包策略經(jīng)濟決策模型［J].管理科學學報，2019，22（10） ：24-36，100.

[12]RajabalipourC H，Desa MI，Wibowo A.A flexiblethree-level logistic network design considering cost andtimecriteriawithamulti-objectiveevolutionaryalgorithm[J].Journalof Inteligent Manufacturing，2013，24： 277-293.

[13]Varsei M，Polyakovskiy S. Sustainable supply chainnetwork design： a case of the wine industry in Australia[J]．Omega，2017，66： 236-247.

[14]De Keizer M，Akkerman R，Grunow M，et al..Logis-ticsnetwork design forperishableproductswithheterogeneous quality decay[J]. European Journal ofOperational Research，2017，262（2） ： 535-549.

[15］趙泉午，姚珍珍，林婭.面向新零售的生鮮連鎖企業(yè)城市配送網(wǎng)絡優(yōu)化研究［J].中國管理科學，2021，29（9） ：168-179.

[16]De Keizer M，Van Der Vorst J，Bloemhof J，et al..Floricultural supply chain network design and control：industry needs and modelling challenges[J]. Journal onChain and Network Science，2015，15（1）：61-81.

[17]胡悅，羅亞波，李霞.基于混合算法的不確定環(huán)境下逆向物流網(wǎng)絡設計研究[J].工業(yè)工程與管理，2018，23（1） ：90-95.

[18］張得志，楊舒馨.動車零部件維修配送網(wǎng)絡“選址一庫存\"聯(lián)合優(yōu)化［J].鐵道科學與工程學報，2019，16（7） ：1820-1825.

[19］劉明，曹杰，章定.數(shù)據(jù)驅(qū)動的疫情應急物流網(wǎng)絡動態(tài)調(diào)整優(yōu)化[J].系統(tǒng)工程理論與實踐，2020，40（2）：437-448.

[20］鎮(zhèn)璐，張念祖，蘭楷，等.高鐵快運網(wǎng)絡優(yōu)化模型與算法研究[J].工程管理科技前沿，2023，42（4）：9-17.

[21］殷允強，羅琴鳳，陳旭，等.考慮道路修復的應急物資選址與配送雙目標優(yōu)化研究［J].工程管理科技前沿，2023，42（4） ：1-8.

[22]Millstein M A，Campbell JF.Total hockey optimizesomnichannel facility locations[J].Interfaces，2O18，48（4）：340-356.

[23]Millstein M A，Bilir C，CampbellJF.The effect ofoptimizing warehouse locations on omnichannel designs[J]．European Journal of Operational Research，2022，301（2）：576-590.

[24]Esmizadeh Y，Mellat P M.Logistics and supply chainnetwork designs：incorporating competitive priorities anddisruption risk management perspectives[J].Interna-tional Journal of Logistics Research and Applications，2021，24（2）：174-197.

[25]劉艷秋，徐世達，張穎，等.考慮路徑可行性與倉儲集貨模式下的回收車輛路徑問題研究[J].中國管理科學，2016，24（12）：98-107.

[26]徐小峰，林姿汝，周鵬.多油品供給受限下多油庫被動配送車輛路徑問題研究［J].中國管理科學，2021，29（5） ：157-165.

[27］范厚明，劉鵬程，劉浩，等.多中心聯(lián)合配送模式下集貨需求隨機的VRPSDP問題［J].自動化學報，2021，47（7） ：1646-1660.

[28］楊翔.多中心開放式VRP拓展問題建模及算法研究[D].大連：大連海事大學，2019.

B2B Warehouse Network Design and Order Consolidation Algorithm Based on Order Data Analysis

GUO Xiaolong1，WANG Runze1，WANG Lei2，LI Xiaoxiao1 （1.School of Management，UniversityofScienceand Technologyof China，Hefei 230026，China；2.China Tobacco Anhui Industrial.CO.，LTD，Hefei ，China）

Abstract：With the continuous development and prosperity of the social economy，B2B enterprises have showna constantly diverse range of product types andsales channels.Therapid development ofB2B enterprises is alsoreflected inthe continuous increasein the numberof production factoriesanddistributors，and this brings big challenges to the logistics and transportation services for enterprises.

Weconsidertwo important characteristics：dispersed logistics transportation destinations and large numberof orders with small product quantities from distributors，and wedesignalogistics network for the B2Benterprise，and constructs a theoretical optimization model for joint scheduling of orderconsolidation，vehicle loading sequence and transportation routes.We use the actual sales data collcted from acompanyin Anhui from January 2018 to April2O19，including the adress of rdering distributors allaround thecountry，to simulate theorderconsolidationprocess and warehouse network design.We propose a heuristic algorithm fororderconsolidation after analyzing thecharacteristics of distributor orders usingdata mining technics：large-volumeorderswill bedirectlyarrnged for transportation from theirproduction factories，small-volumeorders willbeconsolidatedbythecenter warehouseandsentout，andtiny-volume specialorders willbe fulfilledbythefront warehouse.Subsequently，weaddress thecentral warehouse locationand inventorycapacity design problems.Byusing the time series prediction method of exponentialsmoothing state space model，we predict the inventorycapacityofthecentral warehouse to ensure that the logistics network canmeetthedemand for future order consolidation.Finally，thelocation forthe front warehouseisdetermined through clusteringanalysiswith thelocation informationandactual orderdataof distributors，the numberandlocationof the front warehousesare determined to more eectivelymeettheneedsofextremelysmallbatchspecialordersandshortenlogistics transportation time.With the location informationand actual orderdataof distributors，we testthe eficiency of theproposedorder consolidation heuristic algorithm and warehouse network design method.

The innovation ofthis studycan be summarizedas follows.First，basedonthe actual background of B2Benterprises， the jointoptimizationoforderconsolidation，vehicleloading，andtransportationroutes isstudied，anda warehousenetwork schemethat isconsistedof acenter warehouseand anumberof front warehouses is proposed.Second，considering the timeliness of distributororders，thedeliverytime windowandtheactualtransportation costcalculationrules，we provide decisionsupport forB2Benterprise with warehousenetworkdesignandorderconsolidation.Third，using theactualsales datacollected fromacompany inAnhui，we testthe eficiencyof theproposed methods through numerical experiments， providing efective strategies for B2B enterprises to reduce transportation costs and improve its service quality.

Key words：data analysis；warehouse network；order consolidation；time series；clustering