考慮顧客退貨的B2C電子商務物流網絡優化研究

袁振杭

摘 要：B2C電子商務的發展帶動了物流業的發展，不少電商企業構建自營物流，但是，由于電商物流的分散性，物流配送成本居高不下。本文基于顧客退貨構建了一個物流配送網絡優化模型，并運用遺傳算法進行求解，最后通過一個實例對構建的模型進行了驗證。

關鍵詞：顧客退貨；遺傳算法；B2C電子商務；物流網絡優化

一、引言

電子商務經濟的推動，使得現代物流行業與電商的結合更為緊密，現代物流強調精細化管理，降低物流成本，而電子商務經濟正是以較低的運營成本戰勝實體店，兩者成本角度考慮一致。另一方面，現代物流強調技術，從技術角度推進信息共享，從而更精細化計算物流配送路徑，從而降低車輛配送成本。

物流網絡優化一般涉及優化算法的求解，通過優化算法對構建的模型進行最優求解，指導物流企業運輸調度。B2C電商物流是一種小批量、多批次的物流形態，在互聯網經濟時代該種物流形式占據主流，對于B2C電商物流的配送網絡優化研究也成為了研究熱點，但是，正是這種分散性的需求使得物流配送頻繁，配送難度大，配送成本也居高不下，如何解決配送成本控制問題也成了研究焦點。針對此，不少學者從建立各地配送點出發，研究最佳配送路徑方式來降低物流成本。本文對B2C物流進行網絡建模，重點分析存在顧客退貨時的物流網絡優化問題，并引入遺傳算法進行求解，為物流企業降低物流運作成本提供參考。

二、B2C電子商務物流配送網絡研究現狀

1.B2C電子商務物流網絡優化研究

B2C電子商務物流與傳統企業物流配送相比，最大的區別是逆向物流的規模及其重要性。商務部明確規定了“冷靜期制度”，網購消費者可以在“冷靜期”內取消訂單，在電商平臺虛擬化背景下，顧客對于貨物的期望與實物很有可能會有落差，退貨現象十分普遍，如果說電商企業提供滿意的退換貨物服務，則會給自身網絡品牌帶來災難性的后果。因此，我們在構建B2C電子商務物流網絡時要考慮退貨物流回收點。另一方面，電商物流的分散性、小批量使得物流網絡節點多，網絡結構復雜，設立合理的配送網點，選取合適的配送路徑，可以極大地降低物流配送成本。如何構建較好的配送路徑，多數學者以優化理論構建優化模型，并運用優化算法進行求解，獲得最優路徑，降低配送成本。

2.基于遺傳算法的物流配送網絡優化研究

遺傳算法模擬種群進化機制，進行個體的交叉、變異等操作，獲得適應性最強的最優個體來得到問題的最優解。遺傳算法具有較好的全局搜索能力，但是也存在早熟缺點，常常會陷入局部最優，通過對基因重組策略的調整，或者加入其它算法思想，如禁忌算法等，可以提高算法收斂速度。電商物流具有小批量、多批次、逆向物流、時效性強等諸多特點，因此，電商物流的配送路徑規劃具備實用性，在電商物流網絡優化方面建模研究較多，對于具體的求解大多采用了優化算法，遺傳算法是其中運用角度的一類優化算法選擇。

以上B2C電子商務物流配送網絡問題的研究主要是解決物流配送中心選址、運輸優化等決策問題，很少考慮顧客退貨的影響。然而，目前很多B2C電子商務配送中心物流基本趨于成熟，重新選址、設計和建立物流配送中心不僅加大資金投入，還無法起到提高物流配送效率的目的。為此，本文考慮在既有的配送基礎設施上分析B2C電子商務物流配送優化問題，通過合理安排配送資源來降低物流成本，增加利潤，并考慮存在顧客退貨的情形，更加貼近實際情況，為電子商務企業發展物流網絡提供決策依據。

三、配送網絡優化模型構建

B2C電子商務物流網絡優化的目的是降低企業物流成本，提高收益。本文主要涉及B2C電子商務企業與顧客組成的二級物流網絡，在考慮顧客退貨的情況下，對B2C電子商務企業配送路線問題進行優化設計，降低物流運作成本。

1.假設及參數說明

（1）基本假設

為了便于分析，本文做如下假設：

①不同的顧客貨物可以混合裝運。②各配送點的車輛統一，負荷及單位配送成本一致且已知。③顧客的購買需求與退貨量已知，電商企業能夠滿足顧客需求。④只考慮運輸成本。

（2）參數說明

表示所有物流配送中心（兼退貨接收中心）， 表示所有物流配送中心車輛的集合，

表示顧客點集合。qi表示物流配送中心i銷售物流貨物量，rk表示顧客k退貨量，Qm表示運輸車m輛的負荷，dij表示物流中心i與j之間的距離，dik表示物流中心i與顧客k之間的距離。 ikm表示配送中心i至顧客k的配送任務由車輛m來完成，bijm表示配送中心i至配送中心j的轉運任務由車輛m來完成。

2.網絡優化數學模型

目標函數式（1）表示物流配送成本的最小化，其中第一項表示配送中心向顧客配送的成本，第二項表示配送中心的轉運成本。考慮到B2C電商物流是一種小批量、多批次的物流形態，因此，本文目標函數式（1）主要體現配送節點之間的距離，在滿足車輛負荷、顧客配送要求等各項約束條件下，實現最短配送路徑。式（2）表示運輸車輛不超過負荷運作。式（3）表示配送中心節點與顧客節點是否有車輛配送。式（4）標識配送中心節點之間是否有車輛配送。

3.基于遺傳算法的物流網絡優化模型求解

對于特定的顧客，最終總是單個配送中心給予配貨，可以是配送中心之間通過了調貨轉運。因此，最終我們的最優路徑可以表示為一條，當對某個顧客的貨物配送動用了配送中心間的調貨，我們可以把參與轉運及最終配貨的物流配送中心視為同一次配送活動。

（1）編碼

我們將所有配送中心、顧客按順序用自然數進行編碼（1，2，3，……，i，……，i+k），最優配送路徑用數字表示，如（3，6，10），那么我們就把（3，6，10）作為一個個體。對最優解進行編碼是遺傳算法的第一步，也是比較關鍵的一步，按自然數編碼比較容易理解，對后續處理也比較方便，因此選用此類編碼方式。

（2）初始化種群

配送活動總有一個起點，我們事先不知道從哪里開始配送將會達到最優點，最優解是如何，那么就需要隨機選取幾組最優路徑，經過遺傳算法后續過程逐步逼近最優解，我們需要確定一個群體的規模（個體的數量），即可能的最優解可選項。初始化種群的規模需根據經驗設定，種群過大會降低收斂速度，而種群過小又會過早收斂，因此，我們需要合理選取種群規模。

（3）適應度函數

適應度函數是遺傳算法的關鍵，在很大程度上決定著我們的優化解的求解速度與求解質量，適應度函數是用于選取可以進行遺傳的個體，即可以繼續參與交叉、變異的優良個體（最靠近最優配送路徑的參考路徑），因為我們的目標函數是求解最小成本，目標函數求解最小值，我們可以取目標函數的倒數作為個體的適應度。

（4）交叉運算

交叉運算是將兩個個體的部分染色體進行交換的過程，模仿遺傳過程中的交叉遺傳，是遺傳算法與其他優化算法的一個重要區別。具體操作過程為：對群體進一個隨機的交叉配對，對于某一配對隨機地選擇一個交叉位置，交換配對個體之間基因。交叉操作是對遺傳優勢的提升，不同個體之間的交叉可以獲取對方優勢，促進最優個體的產生，即提升收斂速度，提升獲取最優解速度。

（5）變異運算

變異操作是為了避免因為種群大小造成的進化停止問題，加入變異運算可以提高個體間的差異，有利于遺傳進化。具體操作為：隨機產生各個體變異的位置，對于所有需要變異的位置按照一定的概率進行取反值操作。

（6）持續以上操作，直到迭代次數達到設定值為止

通過以上六個一般遺傳算法操作步驟，我們可以對物流網絡優化模型進行求解，或最優配送路徑。遺傳算法是一迭代求解最優的算法，引入生物學遺傳規則，優勝劣汰，來獲取我們的最優解。由于遺傳算法的全局搜索與收斂速度較快等優勢，被多數學者列為優化類問題求解算法之首選。

四、實例分析

根據前述構建的B2C網絡優化模型，以下就一個簡單實例進行具體說明，運用我們的模型及遺傳算法進行求解，獲得最佳配送路徑。

令某B2C電商企業配送網絡有10配送顧客目標，2個配送中心，配送中心各有一臺貨車，車輛負荷為5噸，各顧客點的貨物需求量與退貨量，以及各點間的距離表1、表2所示，其中，V1-V10表示顧客節點，而V11-V12表示兩個配送中心。

從獲得的兩個最優配送路徑可以看出，我們的配送中心V11與V12的運輸車輛都有一次返回配送中心的過程。基于顧客退貨的存在，配送車輛在配送過程中，同時收集顧客的退貨，當退貨量達到車輛負荷要求時，將回到就近的配送中心。配送中心V11的運輸車輛回到自身配送點，而配送中心V12的運輸車輛則是回到配送中心V11，當配送中心運輸車輛在配送中心交付退貨的貨物之后，再開始向其他顧客配送。

五、結語

隨著新經濟形態的產生，電子商務逐漸成為消費主流，尤其是其中較為穩固的B2C模式，對于配送網絡優化研究具有實際意義。電商物流具備了批量小、顧客分散、物流配送服務水平較低等不足，配送成本居高不下，如何規劃一個合理的電商物流配送路徑將有助于降低電商企業物流配送成本，提升營利水平。本文構建了一個以運輸成本最優化的物流網絡模型，其中考慮了電商物流重視程度極高而區別于傳統物流的退貨物流因素。遺傳算法的較快收斂性，是路徑規劃問題中考慮較多的算法，對于構建的模型，本文運用遺傳算法進行求解，并通過一個實例運算對模型進行驗證。但是，本文尚未考慮多種運輸方式的優化問題，也未有融合低碳綠色環保等方面的要求，接下來可以做進一步的研究和探討。

參考文獻：

[1]饒紹倫.電子商務物流體系優化研究[J].物流技術，2014.

[2]陳浩，吳潔明.基WebGIS的物流電子商務與配送網絡優化集成[J].計算機與現代化，2005.

[3]周艷聰，孫曉晨，余偉翔.基于改進遺傳算法的物流配送路徑優化研究[J].計算機工程與科學，2012.

[4]王永亮.物流配送路徑優化問題的研究與應用[D].太原理工大學，2009.