高密度物流網點下的RDC選址問題研究

杜新建，蔡珊珊，楊浩雄，2

（1.北京工商大學商學院，北京100048；2.首都流通業研究基地，北京100048）

高密度物流網點下的RDC選址問題研究

杜新建1，蔡珊珊1，楊浩雄1，2

（1.北京工商大學商學院，北京100048；2.首都流通業研究基地，北京100048）

為了凸顯競爭優勢和增加客戶滿意度，許多大型企業均建立起各自的物流網絡，并使其網點向高密度方向發展。而這種趨勢必將造成RDC的重復建設，增加企業的物流成本，同時也給社會帶來資源浪費問題。為了提高科學性和合理性，文章提出了基于聚類分析的RDC選址法，并運用Matlab軟件和逐次逼似算法進行求解。最后，結合實例，驗證了該法的可行性和優越性。

高密度物流網點；RDC選址；聚類分析；自組織特征映射；鮑摩·瓦爾夫模型

0 引言

物流網點，從廣義上講是指物流業務所能覆蓋的地點；從狹義上講是指設立物流基礎設施（如倉庫、配送中心等）的地點。結合現有物流網絡的發展趨勢，本文提出了“高密度物流網點”概念，它是指物流基礎設施（如RDC）據點的密度高、數量多、覆蓋范圍大。

目前物流行業的競爭不僅僅是成本競爭，更重要的是服務質量競爭。隨著客戶對物流時效性要求的不斷提高，物流企業也相應地需要提高運作速度，縮短運作時間。而建設高密度物流網點是解決這一問題的有效途徑。但與此同時，該方法也造成了RDC重復建設問題的普遍存在，可見物流網點建設的科學性和合理性亟待提高。

在現有的研究成果中，不乏有關于物流設施選址的模型和方法。但這些方法仍然存在一些不足。如定性選址法雖然考慮了較多因素的影響，但其主觀性較強，容易產生評價誤差；定量選址法雖然準確性較高，但其需要大量的運算，并且考慮因素相當有限。

針對現有方法中存在的問題，本文從整體網絡優化的角度，提出了RDC選址的新思路（圖1），即在對物流區域進行聚類分析的基礎上，規劃出RDC的具體位置。該方法不僅可以有效地避免重復建設問題，而且可以結合聚類分析階段多因素考慮問題及具體規劃階段客觀性強的雙重優勢，提高決策的科學性。另外，利用聚類結果可以簡化規劃階段的計算量。

1 RDC選址模型

1.1 選址模型

（1）業務區域聚類模型——SOFM網絡

SOFM（Self-Organizing Feature Map）是一種無監督學習的人工神經網絡計算方法。該方法可以采用各神經元（特征參數）之間的自動組織去尋找各類型間固有的內在特征，從而進行映射分布和類別劃分，即自動識別的聚類功能。

本文利用SOFM網絡分析影響物流設施建設規模的因素，并通過其聚類功能劃分出各個業務區域的設施規模等級。具體步驟如下：首先，確定物流設施規模的主要影響因素，即業務區域的聚類評價指標（如年出庫量），并收集相關數據；其次，利用Matlab軟件構建SOFM網絡；最后，根據神經網絡工具箱的聚類評價結果，得出不同業務區域的物流設施規模等級，從而為具體選址環節提供決策依據。

（2）區域內規劃模型——鮑摩·瓦爾夫模型

在確定各區域的物流設施規模等級的基礎上，即可通過建立鮑摩·瓦爾夫模型規劃出各個區域內物流設施的具體位置，從而得出最終的選址和建設規模決策。

本文以物流總成本最小為目標，通過建立鮑摩·瓦爾夫模型來確定物流設施的具體位置，即在一個業務區域內，選擇一個或幾個位置建立RDC，使得從已知工廠，經過RDC，向多個客戶運輸產品時，物流總成本最小。

記：cij表示從工廠i到物流節點j每單位運量的運輸費；hjk表示從物流節點j到客戶k每單位運量的運輸費；Si表示工廠i的產品供應量；Dk表示客戶k的產品需求量；Xij表示從工廠i到物流節點j的貨物量；Yjk表示從物流節點j到客戶k的貨物量；wj表示通過物流節點j的運量；vj表示貨物經過物流節點j的變動費用所對應的常數；Fj表示物流節點j選中后的固定費用（與其規模無關的固定費用）。

建立的數學模型如下：

1.2 算法介紹

（1）SOFM網絡在Matlab軟件下的解法

SOFM網絡本身的學習算法非常復雜，在實際應用中不建議使用。在此，本文借助了Matlab神經網絡工具箱的相關功能，對物流區域進行聚類評價：首先，將評價指標所對應的數據組作為輸入矢量存入數組中；然后確定參數（包括神經元個數、學習速率、網絡最大訓練步數等）；運用newc（）函數創建競爭層網絡；運用init（）對競爭網絡進行初始化；初始化連接權向量；運用train（）訓練上述初始化后的網絡；調用plot（）繪制網絡訓練后的權值矢量，并將結果以圖形形式顯示出來；運用sim（）對一個具有輸入矢量的神經網絡進行仿真，該函數最后返回網絡的輸出結果。

（2）鮑摩·瓦爾夫模型的算法介紹——逐步逼似算法

Step1：求出工廠到物流節點再到客戶間的所有組合的單位運輸成本的最小值再求運輸問題的最優解：

其中，xik——從工廠i經過物流設施j向客戶k配送的貨物量。

2 算例分析

（1）確定評價指標、構建SOFM網絡

本文以A公司的15個業務區域（分公司）作為聚類評價對象，選取年出庫量額、大體平均庫存量、一般輻射的經銷商數量作為評價指標，建立相應的數據樣本。并利用Matlab工具箱構建SOFM網絡，得出如表1的區域分類結果。

表1 基于SOFM模型的A公司業務區域分類結果

（2）根據聚類分析結果，確定區域內設施位置

本文僅以柳州地區為例，說明區域范圍內選址的具體步驟及方法。由表1可知，柳州業務區域屬于建立大型物流設施的范疇。柳州分公司在柳州市、桂林市和河池市有三個倉庫，相關數據見表2、表3和表4。為了整合資源，節約資金，本文把這3個地級市作為RDC設立的備選地點，其貨物配送模式如圖4所示。

表2 工廠到配送中心候選地的單位運輸成本（cij）

表3 配送中心備選地變動費（

表3 配送中心備選地變動費（

注：這里取θ=0.5。

?

表4 配送中心候選地到各經銷商所處地級市的單位配送成本（hjk）

（3）結果分析與評價

根據表5可知，在3個備選地中，應選取柳州和桂林2處作為RDC的設立城市，配送路徑為柳州配送中心→柳州經銷商/河池經銷商、桂林配送中心→桂林經銷商/賀州經銷商。通過對比原有和規劃后的相應狀況，可以充分說明該選址方法的有效性和可行性，如表6所示。

表5 最終解

表6 結果分析表

3 結束語

本文以提高RDC選址決策的科學性和合理性為目標，提出了基于SOFM網絡和鮑摩·瓦爾夫模型的選址模型。該模型適用于規模較大、業務范圍較廣及物流網點密集的物流企業。在具體應用時，企業可以根據實際情況和規劃要求，確定合理的評價指標，同時以成本最小化為目標，建立基于企業實際的選址模型，并提出經濟、有效的選址方案。

RDC選址是一個涉及眾多影響因素的復雜性問題，所以，在進行規劃時，如何系統、全面地考慮相關影響因素，如何使選址決策符合動態變化的市場需要是該問題的難點，也是該問題需要進一步研究的關鍵所在。

[1]Archana P.Sangole．Spherical Self-Organizing Feature Map:an Introductory Review[J]．International Journal of Bifurcation and Chaos，2006，16(11)．

[2]劉敬青．物流設施選址研究的評述及展望[J]．中國儲運，2007，(3)．

[3]趙闖，劉凱，李電生．SOFM神經網絡在物流中心城市分類評價中的應用[J]．中國公路學報，2004，17(4)．

[4]潘文軍，王少梅．基于神經網絡的聚類分析方法及在港口設備配置中的應用[J]．交通與計算機，2003，21(5)．

[5]孫焰．現代物流管理技術——建模理論及算法設計[M]．上海：同濟大學出版社，2004．

[6]Kohonen T．The Self-organizing Map[J]．Proceedings of IEEE，1990，78 (9)．

[7]Kohonen T．Self-organized Formation of Topologically Correct Feature Maps[J]．Biological Cybernetics，1982，43(1)．

[8]聞新，周露，王丹力等．MATLAB神經網絡應用設計[M]．北京：科學出版社，2000．

[9]劉巧蕓，李靜，丁璐斌．基于一種改進算法的倉庫選址研究[J]．物流科技，2008，319(1)．

[10]葛哲學，孫志強．神經網絡理論與MATLAB7實現[M]．北京：電子工業出版社，2007．

（責任編輯/易永生）

F250

A

1002－6487（2011）05－0057-03

北京市教委社科計劃面上資助項目（SM200810011003）

杜新建（1963-），男，浙江義烏人，講師，研究方向：物流設施規劃。

①類別I、II、III分別表示大型、中型和小型物流設施。