需求不確定下B2C電子商務企業自建車隊規劃決策問題

袁秋雁 王 東,2

（1.上海交通大學中美物流研究院，上海 200030；2.上海交通大學軟件學院，上海 200240）

需求不確定下B2C電子商務企業自建車隊規劃決策問題

袁秋雁1王 東1,2

（1.上海交通大學中美物流研究院，上海 200030；2.上海交通大學軟件學院，上海 200240）

隨著物流配送環節對B2C電子商務企業的重要性日益增強，B2C電子商務企業開始自建車隊進行運輸配送。而需求的不確定性，增大了企業進行車隊規劃的難度。基于此，本文建立了需求不確定下B2C電子商務企業車隊規劃決策的魯棒優化模型，并采用一定的方法將模型線性化。同時，通過算例驗證表明，本文建立的魯棒優化模型在平衡風險和收益的前提下，不僅能夠幫助企業制定車隊規劃決策，還能進行車輛調度的安排，實現決策層與實施層的有效銜接。

電子商務；車隊規劃；需求不確定；魯棒優化

1 引言

目前，我國電子商務正處于快速發展時期，根據艾瑞咨詢的最新報告，2015年中國電子商務市場交易規模達16.2萬億元，網絡零售市場交易額達3.8萬億元，占總額的23.6%，同比增加了2.7%。其中，相較于C2C， 2015年B2C占網絡零售市場的比例首度過半，且增速高于C2C。

圖1 2015年網絡購物市場占比圖

影響B2C、C2C企業在網絡零售市場的績效的因素包括市場、物流、信息技術、銀行系統和服務系統。這些因素也是促進電子商務發展的關鍵。與此同時，電子商務的發展帶動了我國物流業的發展，但從整體上來看物流業的發展速度仍滯后于電子商務的發展。此外，配送速度慢、貨損率高等問題依然存在，并逐漸成為客戶選擇電子商務平臺的依據。因此，在“價格戰”的硝煙還未散去之時，各電子商務企業又將競爭的焦點轉移到了“物流”上來。尤其是以京東、蘇寧為主的B2C企業，為了迎合客戶的需要，加強企業自身對物流配送環節的控制并提高客戶滿意度，開始紛紛自營物流，包括自建物流網絡和自建倉儲配送中心。同時，國家出臺的各種政策也鼓勵電子商務企業在做市場的同時抓緊機遇進入物流行業。

圖2 理想的電子商務物流模式

自建物流網絡包括建立物流節點和組建車隊來全方位掌控物流環節，如京東、蘇寧；自建倉儲配送中心則是僅建立物流節點而將運輸配送環節外包給第三方物流企業，如聚美優品、當當等。自建倉儲配送中心可以在一定程度上加快企業對客戶的響應速度，提高配送效率，但由于運輸配送環節仍不在企業的控制范圍之內，客戶滿意度往往并不能達到企業的期望，所以企業只有組建車隊，自己掌控運輸配送環節，才能從根本上提高物流服務質量。車隊規模的大小是個派生需求，取決于物流節點之間流量的大小，即客戶訂單。并且，多樣化的投資方式、大量的資金投入，都會給企業組建車隊帶來一定的困難。因此如何構建車隊實現效益最大化是B2C電子商務企業在自營物流時所面臨的一大難題。

2 文獻綜述

隨著電子商務的不斷發展，國內外對該領域的研究不斷增多，尤其是針對B2C行業的研究。

國外道路網絡健全，快遞業發達，在快遞企業與電子商務企業的博弈中，快遞企業占有主導地位，所以國外的B2C電子商務企業基本都將物流外包給第三方企業。因此，國外對于B2C電子商務的研究主要集中在服務質量、B2C電子商務企業信譽評估以及客戶忠誠度維持等方面。商業、顧客、環境以及政府的支持是企業建立電子商務框架時所必需考慮的4個因素，其中最主要的是顧客因素。B2C企業想要維持和吸引潛在顧客必需建立在顧客信任該電子商務企業的基礎之上，因此分析影響信任的因素是至關重要的，使用多層感知神經網絡（MLPNN multi-layer perception neural network）和誤差反向傳播訓練算法（EBPTA）可以有效分析不同的信譽度對電子商務企業的影響和影響信譽的主要因素。然而，不同的B2C運營模式需要不同的維系客戶關系戰略，基于理論和對B2C企業高管們的采訪，可以對不同模式下B2C電子商務企業的客戶維系戰略進行分析。

相較于外國，我國的道路網絡建設還不夠完善，物流行業也處于初級發展階段，導致了國內B2C電子商務企業物流配送模式的多樣化，包括自營物流、第三方物流、自營結合第三方等。因此，國內對于B2C電子商務的研究側重于這三種模式的分析和比較，并根據現實情況提出各種新的運行模式。伍星華等分析了現階段我國B2C電子商務企業的特點，基于網絡問卷調查構建了B2C電子商務企業物流模式決策的指標體系；并結合網絡分析法( ANP) 和理想點法( TOPSIS)來輔助B2C電子商務企業進行物流模式決策。此外，隨著物聯網概念的普及，越來越多的學者開始將物聯網技術應用到B2C電子商務物流配送中。盧冰原等針對B2C電子商務逆向物流環節中存在的問題，提出了一種包括多家企業在內的多級結構的逆向物流聯合體協作模式，并搭建了基于物聯網技術面向物流聯合體的智能化多級寫作信息平臺模型。鄭楠將物聯網技術應用于運輸全程的車輛監控，從而提高了企業對在途車輛和貨物的控制。

綜上所述，目前國內外對于B2C電子商務企業如何進行車隊規劃的研究很少涉及，但按照我國電子商務和物流業目前的發展態勢來看，未來會有更多的B2C電子商務企業選擇自建車隊進行運輸配送。因此，對車隊規劃的決策研究是很有必要的。

3 數學建模

車隊規劃是B2C電子商務企業發展自營物流的一個重要戰略點，其目的是解決車隊的規模和組成問題。車隊規劃受到多個因素的影響，主要包括：1.B2C電子商務企業的訂單量（即貨運量）；2.車輛買賣與租賃市場的價格；3.B2C電子商務企業自身發展戰略；4.司機等作業人員的監管和控制等。其中，訂單量是決定車隊規模的最主要因素，其大小直接影響到車隊運力的調整和調配。因此，車隊規劃方案的可行性在很大程度上依賴于預測市場需求的準確性。然而，電子商務銷售市場存在較大的波動性和不確定性，如雙十一等帶來的短時間運力極度緊張。所以，在需求不確定環境下研究車隊規劃問題是具有現實意義的，這樣的規劃方案可使車隊具有更好的柔性。

圖3 B2C電子商務企業二級配送網絡

本文的研究對象為一個已建立二級配送網路的B2C電子商務企業，其自有車隊主要用于DC至RDC的干線運輸。針對影響車隊規劃的各因素，在需求不確定的條件下建立基于多種投資方式的車隊規劃決策的魯棒模型。車隊融資的方式包括買賣新車或二手車、租賃車輛等，這些決策在一定程度上取決于決策者對風險和固定資產的偏好。本文希望通過建立模型并求解，根據決策者的偏好，為其提供一定時期內車隊規劃的制定和調整方案，包括1.擁有多少自有車輛并如何調度；2.如何買賣車輛；3.如何借助社會運力；4.如何出租自有車輛增加收益等。

3.1 前提假設

根據市場實際狀況和建立模型的便利性，本文做如下假設：

1.將整個研究期按月進行劃分，共T個月。并按照會計方法，起始于第0年，終止于第T-1年。

2.車輛按月進行折舊，同時按月利率i計算現值；

3.車隊的車型總共有K種，運輸路線共J條；

4.研究期前的投資費用相當于企業的沉沒成本，本文不考慮這部分成本；

5.車輛的租賃和買入行為發生在月初，賣車行為則發生在月末；

6.允許買賣車輛的車齡限制為Tr，即買入車輛的最大車齡為Tr，賣出車輛的最小車齡也為Tr，且所有車輛的壽命同為Th。

7.車輛到達DC或RDC后無需排隊即可裝卸貨物，且同種車型的車輛在同一路線上的往返時間相同均為Tjk；

8.所有租出去的車輛全部滿載運輸，且運價相同。當月出租的車輛不再安排其進行本公司的運輸任務；

9.將運輸任務外包給第三方企業的資金以機會成本的形式作為企業的收入；

10.返程車輛除運輸企業的退貨、退換包裹外，每車可運輸其他企業的拼車貨占車輛載重量的比重為α，并且這一運量與退換貨的運量DtjB之和小于每種車型的總載重噸Wk，且捎帶返程貨的運價為原運價的1/2。

3.2 變量與參數

3.2.1 變量

本文涉及的變量包括：

3.2.2 參數

本文設計的主要參數如下：

3.3 車隊規劃確定性模型

根據上述假設、變量和參數，建立的B2C電子商務企業多種投資方式車隊規劃的確定性模型如下：

目標函數：追求研究期內B2C電子商務企業運輸收益和資產現值的最大化。

其中，第一項表示選擇自建車隊的機會成本和自建車隊的運輸總成本；第二項表示賣出老齡車的收入；第三項表示出租車輛的收入；第四項表示返程運輸其他企業拼車貨的收入；第五項表示買入新車或二手車輛的費用；第六項表示租用社會車輛的費用；第七項表示研究期末車隊剩余自有車輛的賬面價值。

s.t

其中，式（3）為需求量約束，即企業自有和租賃的車輛需滿足企業訂單運輸的需要；式（4）為總車輛數約束，即企業當月使用的自有車輛數不能超過企業擁有的自有車輛數；式（5）為車輛融資限制，即用于購買和租賃車輛的費用不能超過企業的預算；式（6）為出售和租賃車輛的限制，即當月出租和賣出的車輛數不能超過企業擁有的自有車輛數；式（7）（8）為買賣車輛的車齡限制；式（9）為時間約束，即所有車輛的總運營時間要與完成運輸任務所需的時間相等；式（10）為變量的非負整數約束。另需說明，當約束條件中出現形如的表達式時，若m＞n，則該項無意義。

3.4 魯棒優化模型

3.4.1 魯棒優化

魯棒優化的目的是在不確定條件下，對于所有可能出現的情景S，在滿足約束條件的情況下，求得使目標函數值最優的解。魯棒優化的關鍵是建立與原優化模型相對應的魯棒對等模型。Soyster采用column-wise uncertainty的方法建立魯棒對等模型，但該方法容易造成不確定系數都取其最大值（即最壞的情景），因此過于保守，且該方法不能用于離散模型。Ben-Tal 和 Nemrovski針對column-wise方法過于保守的問題，提出了采用raw-wise uncertainty方法來建立魯棒對等模型。這一方法能夠更好地反映實際情況，并且可用于離散模型。上述兩種方法主要針對硬約束問題，即模型的解必須滿足所有約束條件。但在現實中，有些約束條件沒有那么硬性，若在不超過約束值一定的范圍下而目標函數值有較大改善的話也是可取的。因此，Mulvey等提出在目標函數中加入懲罰函數來控制約束變化的范圍，并提出了三種建立線性魯棒對等模型的方法，但這三種方法都需要加入大量的人工變量，使問題的計算復雜度大大增加。Chian-Son Yu和 Han-Lin Li針對人工變量多的問題，根據Li提出的定理，僅需加入一半的人工變量即可將原線性規劃模型轉化為線性魯棒對等模型，使計算的復雜度大大降低。

本文所建模型中，貨運量的約束在一定范圍內可以不被滿足，屬于軟約束問題。因此，本文采用Chian-Son Yu和 Han-Lin Li提出的方法來建立魯棒對等模型。

3.4.2 車隊規劃的魯棒優化模型

假設從DC運至RDC的貨運量共有S種可能情景，其發生概率為且已知）。此時，受貨運量變化影響的決策變量有在各情景s下，這些變量分別表示為其他決策變量對所有情景都有效。此外，情景s下DC至RDC的貨運量表示為，其他參數在所有情境中都相同。再引入系數和λ，其中λ表示解的可行性與企業收益之間的權重，表示情景s下背離約束的懲罰系數。

令ZS表示各情景s下的目標函數

則同時控制解魯棒性和模型魯棒性的車隊規劃魯棒優化模型為

由于該模型是非線性的，不利于計算機的求解，因此，利用Chian-Son Yu和 Han-Lin Li提出的方法將該模型轉化成線性模型。即

并增加相應的約束條件

s.t

式（3）～式（9）

4 算例驗證

假設某B2C電子商務公司目前已有一定規模的車隊（眾多車隊中的一支），服務于某DC與RDC之間進行貨物配送，研究期初車隊的構成詳見表1。各類型車輛的壽命均為15年，且在壽命期末的殘值分別為3.2萬元和4.5萬元。目前車隊擁有車輛的最大車齡為10年且允許買賣車輛的車齡限制為6年。研究期內該車隊服務范圍內僅有兩條運行路線，各車型的車輛在這兩條路線上的往返運輸時間和運輸成本詳見表2。規劃期內企業每月的車輛融資限額為20萬元。市場上，各月各車型的買賣、租賃價格如表3、4所示。此外，若采取外包形式，第三方物流公司給出的協議報價為：路線1——2400元/噸，路線2——2600元/噸。企業出租車輛的運費收入統一為2800元/噸，該企業對固定資產的偏好程度β=0.5。

表1 研究期初自有車隊的車輛構成

表2 車輛的往返運輸時間和運輸成本

表3 研究期內各月份各路線上的運價

表4 研究期內不同車齡各車型的售價（萬元）

在訂單需求方面，根據各路線上的歷史數據利用時間序列預測的方法進行預測，具體采用哪種方法視歷史數據的特征而定。若歷史數據表現為水平趨勢，則可采用移動平均、加權平均；若歷史數據表現為線性趨勢，則可采用二次指數平滑法；若表現出明顯的季節性，則可采用季節因素乘法模型或加法模型。根據歷史數據得到的研究期內各路線上的訂單需求如表5所示。由于需求存在不確定性，因此假設存在3種不同的訂單需求情況，令其發生的概率分別為0.2，0.3，0.5。同時，令式（12）中的懲罰系數權重系數λ=1。此外，假設每月公司自身的返程貨量均相等，即返程捎帶其他公司的貨物重量占車輛額定載重噸的系數為α=0.3。

表5 訂單需求可能發生的各種情景

根據以上數據，利用CPLEX軟件對模型進行求解，求得的結果如表6和7所示。

表6 需求不確定情況下研究期內企業車隊規劃決策

表7 需求不確定情況下研究期內車輛調度安排

根據表6和7可知，該模型不僅能夠有效制定B2C電子商務企業的車隊規劃決策，還能提供相應的車輛調度安排，實現了戰術層決策與操作層決策相統一。這樣的決策安排能夠緊密聯系企業決策制定者與實施者，加強了整個B2C電子商務企業在貨物運輸環節的上下聯動。為了更好地分析結果，將需求不確定情況下的最優解與需求確定情況下的最優解（如表8和9所示）進行比較。

表8 需求確定情況下研究期內企業車隊規劃決策

表9 需求確定情況下研究期內車輛調度安排

通過對比表6、7、8和9可以發現：在需求不確定情況下，B2C電子商務企業更傾向于變賣車輛，更多的利用社會運力來進行貨物運輸。因此，在數量上表現為需求不確定情況下的現金流總量要少于確定情況下的現金流總量。但是，較少的自有車輛可以減少需求不確定性對企業資產、資金造成的影響。更少的車輛，意味著更多的流動資金，保證了企業在應對需求不確定時有更大的選擇空間和靈活性。這也從一個方面解釋了現今大多數電子商務企業選擇將物流外包給第三方物流企業的原因。需求的高度不確定性，使得很多資金實力薄弱的電子商務企業無法承擔較高的固定資產給企業帶來的資金壓力，他們更愿意留有流動資金來增加企業的柔性。

表10 不同λ值下目標函數的值

圖3 不同λ下的目標函數值

表11 不同值下目標函數的值

表11 不同值下目標函數的值

?

圖4 不同下的目標函數值

5 總結

面對競爭日益激烈的電子商務市場，物流配送環節已經日漸成為企業競爭的焦點。而市場需求的高度不確定性又使眾多B2C電子商務企業對自建車隊全面控制物流環節望而卻步。本文建立的需求不確定下B2C電子商務企業車隊規劃的魯棒優化模型，綜合考慮了市場需求的不確定性和企業收益，同時兼顧優化模型的魯棒性和解的魯棒性，能夠在需求不確定環境下制定出較優的規劃和調度方案。通過算例驗證的結果分析可知，該優化模型能夠在權衡企業風險和收益的同時，得到未來一段時間內B2C電子商務企業車隊規劃的決策和具體的車輛調度安排，為銜接決策層與操作層提供了保障。同時，通過與確定情況下的最優解進行對比發現，在需求不確定情況下，B2C電子商務企業更傾向于輕資產運營，更多的借助社會資源來進行運輸，這一結果也與實際情況相符合。因此，本文建立的優化模型能夠為B2C電子商務企業的車隊規劃決策提供參考。后續的研究可以考慮將整個第一級的運輸網絡納入模型中，制定全網絡的車隊規劃決策。

[1] Chen Pengwen，Lin Weiyuan，Huang Tsuihua,et al. Using Fruit Fly Optimization Algorithm Optimized Grey Model Neural Network to Perform Satisfaction Analysis for E-Business Service[J].Applied Mathematics & Information Sciences, 2013,7(2): 459-465.

[2] 王冰. 我國大型B2C電子商務企業自營物流模式研究[J]. 商業經濟研究, 2015, 14:21-22.

[3] AlGhamdi Rayed, Nguyen Ann, Jones Vicki. A Study of Influential Factors in the Adoption and Diffusion of B2C E-Commerce[J]. International Journal of Advanced Computer Science and Applications,2013,4(1):89-94.

[4] Brahambhatt Manthan, Rane Pradnya. Roy Bidisha. A Novel Approach of Analyzing Trustworthiness in B2C E-Commerce Websites[J]. International Conference on Engineering and Technology,2015:5.

[5] Wirtz B.W,Lihotzky.N. Customer Retention Management in the B2C Electronic Business[J].Long Range Planning, 2003, 36(6): 517-532.

[6] Rosaci.D,Sarnè.GML. Multi-agent technology and ontologies to support personalization in B2C E-Commerce[J]. Electronic Commerce Research and Applications,2014,13(1):13-23.

[7] 伍星華,卜華白, 何青. 基于ANP-TOPSIS模型的B2C電子商務企業物流模式決策[J].中央財經大學學報,2014,08:75-83.

[8] 盧冰原,黃傳峰. 物聯網下的城市B2C電子商務逆向物流聯合體研究[J].科技管理研究,2013,23:204-208.

[9] 鄭楠. 物聯網技術在B2C 電子商務配送運輸中的應用[J].電子科技,2014,27(4):186-188.

[10] Soyster.AL. Convex programming with set-inclusive constraints and applications to inexact linear programming[J].Oper Res,1973,21:1154–1157.

[11] Ben Tal.A,Nemirovski.A.Robust solutions to uncertain programs[J].Oper Res Lett,1999,25:1-13.

[12] Mulvey.J.M, Vanderbei.R.J,Zenios.S.A.Robust optimization of large-scale systems[J], Operations Research 1995(a), 43(2): 264-281.

[13] Mulvey.J.M,Ruszczynski.A. A new scenario decomposition method for large-scale stochastic optimization[J].Operations Research,1995b,43(3):477-490.

[14] Chian Sonyu, Li Hanlin. A robust optimization model for stochastic logistic problems[J]. International journal of production economics,2000,64:385-397.

Study on B2C E-Commerce Enterprise Self-Built Team Planning Decision Problems under Uncertain Demand

Yuan Qiuyan Wang Dong

As the logistics distribution is more important for B2C e-commerce enterprises, B2C e-commerce enterprises began to self-built vehicle fleet for transportation and delivery. But the uncertainty of demand increases the diffi culty for enterprise to planning vehicle fleet. Based on this, this paper established a robust optimization model for B2C e-commerce enterprises to plan their vehicle fl eet under uncertain decision, and adopt a method to change it into a linearized model. The example showed that the proposed robust optimization model can keep the balance between risks and benefi ts and effectively connect strategy and implement by helping enterprises to plan vehicle fl eet and arrange scheduling at the same time.

E-commerce; vehicle fl eet plan; uncertain demand; robust optimization

F713.36

A

1005-9679(2016)06-0089-07

袁秋雁，上海交通大學中美物流研究院，碩士，研究方向：物流網絡優化；王東，上海交通大學軟件學院，副教授，研究方向：物流網絡優化。