基于仿真及數據分析的電商快遞配送瓶頸研究

任東方，郭曉鵬，李存斌

基于仿真及數據分析的電商快遞配送瓶頸研究

任東方，郭曉鵬，李存斌

(華北電力大學 經濟與管理學院，北京 102206)

針對電子商務背景下網購商品運輸和配送中的瓶頸問題，在分析和調研電商的快遞配送流程的基礎上，利用仿真方法得到大量的電商銷售和快遞運輸配送數據，借助數據挖掘的方法對該數據進行分析，提出物流瓶頸優化策略并驗證其有效性。研究結果表明：來自上海和廣東的銷售量較大的網上店鋪的商品運輸中更容易發生延誤，且滯留商品多為食品和服飾。這說明在網購商品的物流配送過程中，運輸條件、消費者偏好、商品發貨地、商品類別、店鋪成交量和信譽度等因素都是導致物流瓶頸產生的原因。對此，本文提出電商快遞配送優化策略并證明其能夠有效減少快遞在運輸途中的延誤，尤其是在節假日期間。

電子商務；數據挖掘；快遞企業；配送瓶頸；仿真

2018年我國快遞服務行業的訂單量達507.1億件，國家郵政局表示，大部分業務量來源于網絡銷售。隨著電子商務的發展，因網購產生的物流訂單給快遞企業帶來大量業務，這在促進快遞企業的發展的同時也給快遞運輸和配送帶來壓力，尤其是在“雙十一”等網購節日期間，盡管快遞企業臨時增加車輛和配送人員，卻無法避免大量的訂單導致快件運輸的延誤和滯留。一方面是由于快遞企業的人力物力資源有限，目前的基礎設施只能滿足平時的快遞配送需求，無法應對節假日激增的業務量。另一方面，節假日期間各種運輸方式運力緊張，給物品運輸帶來困難，網購商品極易在火車站、機場、高速公路等運輸途中滯留。由此可見，電子商務下的快遞物流配送是亟待解決的問題。目前，對快遞物流配送的研究大多是對物流配送中心和節點的優化，物流節點的布局直接影響物流配送系統的效率[1]。其次是對物流配送成本的優化，例如運輸成本和環境成本[2]及物流配送網絡路徑的優化[3]。先進的物流配送技術也能夠提高配送效率，例如IOT(Internet of things)被廣泛用于物流配送過程 中[4]，GIS和信息技術能夠節約大量人力和物力資源[5?6]。以上研究都是從快遞行業本身出發，沒有結合其他相關行業，本文研究了電子商務背景下的快遞物流問題，從源頭上分析瓶頸產生的原因。電商的快遞物流對服務水平具有更高的要求[7]，快遞物流行業的發展水平和服務質量被認為是制約電子商務發展的關鍵因素[8]。因應需求電商與快遞的協同發展之路[9?10]，有研究表明，業務模型和應急預案的構建對快遞業與電子商務的協調發展具有現實意義[11]；仿真模型也被用于分析電商物流配送，如區域分揀中心的分揀人員分配模型可以為快遞公司制定合理的人員配置計劃，解決快遞積壓問題[12]。電商銷售和物流運輸產生的大量數據可以通過云計算[13?14]和數據挖掘[15]來發現其中的規律，例如借助關聯分析可以為客戶購物帶來便利，同時幫助企業增加銷售量[16]，聚類分析在客戶關系管理中的應用，該方法通過對客戶的相關信息進行分類和聚類，使企業對具有共同特征的人群采取針對性的營銷策略[17]。本文在此基礎上，首先對電商的快遞物流整個流程進行分析，然后借助仿真方法模擬產生大量數據樣本，最后利用數據挖掘的方法找到網購商品在配送高峰時段的瓶頸，為電商和物流行業的健康發展提供決策支持。

1 快遞物流仿真模型

1.1 問題分析

電商物流的整個流程一般從商家發貨開始到商品被買家簽收為止，其中的工作多由第三方物流公司完成。第三方物流的業務流程一般為：負責各個區域的點部上門取件或者由賣家直接送達配送點進行商品包裝和填寫訂單信息；點部將一段時間內攬收的快遞送至城市的快遞分部；分撥中心向各個分部提貨并按照來自不同地區的訂單，通過各種運輸方式的聯運運輸到區部；區部根據自己的服務范圍將貨物發送到分部；分部一般靠市內運輸車輛將貨物運送到各個配送點然后由配送人員負責送達顧客手中，這就是快遞企業由收貨攬件到終端配送完成的整個業務流程。

由于絕大多數的電商的銷售數據和物流運輸實時數據屬于商業機密，無法獲取，因此本文通過觀測一些公開的電商銷售信息對商品的銷售情況進行仿真，從而生成大量的模擬數據用于后文的數據挖掘分析，需要設定的內容包括商品發貨地、店鋪名稱及其所在地、配送的商品類別、商品銷售量(快遞訂單量)。

注：圖中1-4標號分別代表以下地點：標號1-北京金盞分撥中心；標號2-信天捷快遞分撥中心；標號3-垡頭快遞分撥中心；標號4-中郵物流區域集散分撥中心。

首先，針對快遞物流配送范圍，本文選取擁有網上銷售店鋪數量較多的幾個省份，分別是廣東、浙江、上海、北京、江蘇、福建，其中北京市是北方地區的重要物流中轉地[18]，具有4個1級快遞分撥中心(見圖1)，負責來自各地的物品集散和疏通，因此本文模擬的配送流程為其他5個省份到北京之間的物流配送過程，2級分撥中心選取了北京市8個大型商業區和居民區，分別是天安門商業區(包括西單和王府井)、木樨園商業區、CBD商業區、亞奧居民區、中關村商業區、西山居民區、立水橋?北苑居民區、五棵松商業區。

然后，針對網購商品類別、銷售量、網上店鋪等信息，本文在各類商品的店鋪中截取了21個網上銷售店鋪的2個月份真實數據作為仿真設置的依據，被選取的電子商鋪分別位于不同的地點、銷售不同種類的商品、具有不同的信譽度，因此具有一定的代表性，使仿真所得的數據更貼近實際情況。其中7月份代表平時的銷售情況，11月份為網購高峰期代表網購高峰時段也是電商物流配送容易出現瓶頸的時段。2個月份的電商銷售具體數據詳見表1，數據來源于https://www.kandianbao.com網站。

表1 2018年7月和11月部分電商銷售數據

1.2 仿真模型

根據表1的統計數據，我們可以對仿真模型進行設置，利用Enterprises Dynamics軟件進行仿真，具體參數設置如下：

1) 商品類別。通過在淘寶網等一系列大型購物網站了解和調研，網購商品大致分為以下幾類：服裝類、箱包配飾、電子數碼、食品、日用品、電器、美妝護膚。

2) 網上店鋪。截取淘寶網上21個店鋪的真實數據其中，每類商選取3家具有代表性的店鋪，這些店鋪的所在地和銷售情況以及評價各不相同，在仿真中分別用1-21的數字表示。

3) 店鋪評價。即為的綜合評分，分別是1星，2星，3星，4星和5星。

4) 店鋪所在地(發貨地)。發貨地共有5個：江蘇、上海、浙江、福建、廣東。

5) 分撥中心。根據實地考察和調研，模擬了4個一級分撥中心和8個二級配送中心(詳見1.1節)。

6) 商品到貨時間。統計系統中每個產品原子(即快件)的到貨時間。

仿真的流程包括了商品的賣家即網上店鋪、發貨地的周轉中心、運輸過程、收貨地的快遞分撥中心、二級配送中心5個環節。仿真原子排列分布整體效果如圖2所示。

圖2 電商快遞物流系統仿真設置圖

通過模型中的仿真鐘可以觀測仿真時長，通過Sink原子可以觀測到離開系統的產品個數，即需要被運輸配送的快件數。本文截取了2 000條仿真數據，由于數據量較大不進行列舉。

2 數據挖掘模型

2.1 決策樹模型

決策樹模型是類似于流程圖的樹形結構，結構中的每一個節點代表的是對一個特征的測試，樹的分支代表該特征的測試結果，而樹的每一個葉子節點(不再進行分支的節點)代表一個類別。樹的最高層是就是根節點。決策樹模型具有結果簡單直觀；數據不需要歸一化和缺失值處理；既可以處理離散值也可以處理連續值；對于異常點的容錯能力好等優點。

決策樹算法一般包含3個步驟：特征選擇、決策樹生成和決策樹剪枝。其中特征選擇在于選取對訓練數據具有分類能力的特征。特征選擇的基本方法有3種。

1) 信息增益/ID3

特征對訓練數據集的信息增益(,)定義為集合的經驗熵()與特征給定條件下的經驗條件熵(|)之差，即

2) 信息增益比/C5.0

信息增益的特征選擇方法存在弊端，即在相同的條件下，取值多的特征比取值少的特征信息增益會大，因此在C4.5引入信息增益比這一概念，信息增益比I(,)可以表示為：

3) 基尼系數/CART

以上2種方法均基于信息熵模理論，計算量較大。而在CART算法中借助基尼系數來代替信息增益比，它表征了模型的不純度，基尼系數越小時不純度越低，則特征越好。其原理為：

式中：為類別數；p為第個類別的概率。

因此本文選擇CART算法，并借助SPSS軟件進行數據的輸入和計算。SPSS Clementine12.0是一款簡單易操作的數據挖掘軟件，該軟件已將決策樹算法打包為一個模塊，通過建立模塊流程圖就可以進行數據挖掘分析。決策樹模型的建立流程如圖3所示，首先將仿真得到的數據拖入數據流中，然后對變量類型進行定義和預處理，再根據商品在途中的運輸時間來判斷是否擁堵和滯留，從結果顯示中可以看到每一個商品的擁堵情況，接著拖入決策樹分析模塊，以是否擁堵為輸出對所有變量進行決策樹分析，最后對模型的準確率進行分析。運行模型就可以得到各種因素對快件擁堵的影響程度，從圖3可以發現對快遞的延誤影響最大的因素就是發貨地，其次是商品來源店鋪和店鋪的銷售量，快遞物流的滯留于商品種類的關系不明顯。

圖3 建模流程及變量重要性評估圖

從圖4的決策樹分類圖可見，決策樹模共有5層12個節點，每個節點下都標明了分類依據和相應的閾值以該分類下發生擁堵的快件數目。根節點共有2 915條數據，將發貨地分為兩大類，來自上海的快件擁堵情況明顯高于其他4個省市。節點1繼續將發貨地進行分類為節點3和4，而節點2則對成交量進行分類，店鋪成交量在375件以下的節點5和成交量大于375的節點6等。

模型中將數據的60%作為訓練集，40%作為測試集。在評估結果中，訓練集有1 097條數據，其中856條為正確數據，正確率達到78.03%。測試集有1 818條數據，正確個數為1 418條，正確率達到78%，訓練集和測試集的模型正確率均大于70%，我們認為決策樹模型是正確有效的[19?21]。為了進一步驗證模型的適用性，圖5是對決策樹模型的提升評估圖，虛曲線和實曲線分別是最佳曲線和實際曲線的對比，結果表明決策樹模型具有一定的實際意義。

2.2 聚類分析模型

聚類分析指將物理或抽象對象的集合分組為由類似的對象組成的多個類的分析過程，它按照個體的特征將他們分類，使同一個類別的個體間具有較高的相似度，而不同類別之間具有較大差異。常用的聚類分析包括K-Means聚類、層次聚類、和兩步聚類(two-step)等方法，本文用的是兩步聚類，該方法綜合了其他防范的優點，主要分為2個階段。

1) 預聚類(pre-clustering)階段。借助BIRCH層次聚類算法的思想。逐個讀取數據集中數據點，在生成決策樹的同時，預先聚類密集區域的數據點，從而形成諸多的小的子簇(sub-cluster)。

2) 聚類(clustering)階段。以預聚類階段的結果(子簇)為對象，利用凝聚法(agglomerative hierarchical clustering method)，逐個地合并子簇，直到期望的簇數量。

圖4 決策樹分類示意圖

圖5 決策樹模型提升評估圖

利用軟件進行2步聚類分析，模型分別按照成交量、發貨地、擁堵情況、商品類別和二級配送中心5個字段進行聚類，擁堵情況作為輸出，聚類分析將所有訂單分為2大類，它們的發貨地和商品種類具有明顯特征。

聚類一中的訂單大多來自成交量較小的店鋪，模擬結果顯示，這類店鋪在模型運行期間的銷售量平均為124件，標準差為75.5，發貨地集中在廣東、浙江和福建3個省份，商品類別以服裝類為主，其次是日用品和箱包配飾，具有這些特點的快件擁堵率為55%，且近一半的快件被送往天安門商業區。聚類二最明顯的特征就是商品所屬商家的月成交量較大，該類商品所來源的店鋪的成交量平均為428件，標準差為87.7，商品在運輸途中的擁堵時間更長，瓶頸更加明顯，結果表明70%左右的快件都在運輸過程中發生了延誤和積壓，這些以食品和服裝為主的快件多來自上海的店鋪，其次是江蘇省和浙江省，有50.75%擁堵的快遞物品的發網天安門商業區的二級配送中心。軟件模擬結果和分類情況如圖6所示。

(a) 聚類分析?發貨地；(b) 聚類分析?商品類別

3 結果分析

3.1 瓶頸分析

數據結果表明：上海發送至北京的快件相對于其他地區更容易滯留，其次是廣東省，而江蘇省發往北京的延遲率相對較低；成交量大的店鋪和商品種類在運送高峰期來臨時候更容易發生擁堵和延遲的現象。這一結論與調研的現實情況是比較吻合的，通過分析本文認為網購物流快遞的瓶頸主要有以下幾個方面。

3.1.1 運輸條件

從數據挖掘結果看，在網上商品暢銷時段和快遞業務繁忙時段，發貨地和商品種類是節假日快件擁堵的一個最重要因素。這可能是運輸條件導致的瓶頸，一方面，運輸距離較長增加了商品在運輸途中的時間，例如圖6的決策樹分析結果表明，廣東和福建省發往北京的快遞擁堵概率較高。另一方面，節假日快遞的運輸瓶頸也可能是運輸方式導致的，例如來自廣東和上海的電子數碼產品以及生鮮等具有時效性的商品多采用空運，相對其他運輸方式而言，空運的方式雖然在運輸途中節省了大量時間，但是航空運力十分有限，且運輸之前的安檢和接洽占用了大量時間，另一方面，空運容易受到自然條件的制約。同時，公路運輸方式在節假日期間的運力也是十分緊張的，這給電商的物流配送業務帶來一定影響。

3.1.2 店鋪成交量

快遞物流緩慢和擁堵的另外一個瓶頸是店鋪的成交量和某類商品的銷售量。決策樹的結果顯示，成交量大于73件的店鋪發出的商品發生擁堵的概率高于成交量小于73件的店鋪，這種情況標明了店鋪的發貨量大的商家通過快遞企業收件和派送過程中發生了延誤。

3.1.3 商品種類

聚類分析結果顯示，滯留較久的快件中，食品占比達到86.75%，還可以觀測每一類商品的來源地，其中食品主要從上海和江蘇發貨；服裝類主要從上海、廣東和浙江發貨；箱包配飾大部分來自福建??；電子數碼和電器類商品多來自廣東省。銷售量大的商品重量由于在短時間內需求量大而集中，在快遞物流中的攬收、運輸、配送等過程都給工作人員帶來壓力，因此容易長時間延誤。

結合調查和進一步分析，我們可以發現：從運輸角度來看，空運快件比其他運輸方式更為繁瑣，在中轉站滯留貨物的時間相對較長，容易受到自然條件的影響。對于快遞業來說，大量分散的貨物給快遞公司帶來了更多的業務困難。對于終端分銷環節，發往人口密集、數量眾多、不方便的商業圈的快件容易滯留在兩級分銷點。在商品屬性方面，人們的消費具有一定的特點，食品和服裝是節日快遞中最受歡迎的商品。

表2 商品配送瓶頸優化設置

3.2 結果驗證

針對以上分析的幾個主要物流瓶頸，本文仍利用仿真模型驗證瓶頸優化后的快遞運輸情況。仿真模型的基礎設置不變，綜合考慮導致快件滯留的幾個因素后，將部分商品設置為從四大分撥中心開始發貨，整個物流系統需要配送的商品數量保持不變。本研究是為了說明提前配送的方法能夠有效緩解電商銷售高峰期的快遞配送壓力，通過網上的調研和對網上店鋪的月度銷量統計與對比，在節假日等促銷時段店鋪的銷售量最高可以達到平時銷售量的2~3倍，這意味著電商帶來的快遞配送業務量也增加相同的倍數。因此本文嘗試了將節假日銷量與平時銷量的差額部分的商品進行預先發貨，即：提前配送量=預計高峰銷售量?非節假日平均銷售量，以本文所選取的店鋪為例，提前配送量為表1中2個月份的銷售量之差，提前配送方案的具體的數值設置見表2，配送瓶頸的優化是通過仿真實現的，表2中的提前配送量只做為仿真模型參數設置的依據，例如提前配送的部分商品在模型中可以通過改變商品原子的產生頻率即可實現。運行模型后產生的商品在運輸途中的運輸數據即為配送瓶頸優化后的效果。

將表2的提前配送情況作為仿真依據可以再次得到大量數據，對仿真產生的數據進行分析后得到物流配送系統中所有商品的擁堵率。修改原始仿真模型的部分參數后運行即可以得到結果，從圖7可以看出，針對物流瓶頸采取的配送策略能夠有效緩解商品在運輸和配送中的擁堵，能夠按時完成配送的商品數量和種類(左側直方圖)明顯多于發生延誤的商品數量(右側直方圖)，其中橫坐標代表商品的來源店鋪，店鋪名稱見1.1節中的表1。

圖7 快遞物流瓶頸優化結果驗證

4 結論

1) 在分析電子商務和快遞企業的發展現狀和特點的基礎上，對網購商品的物流運輸系統進行仿真，仿真模型中包括了網上商鋪、快遞運輸網絡、各級物流中心、商品的類別等主要因素，根據淘寶多家店鋪在不同月份的銷售數據對系統進行設置，以保證用于數據分析的仿真數據的真實性和可 靠性。

2) 借助數據挖掘方法對物流配送瓶頸進行分析。本文中用到的數據挖掘方法是決策樹和Two- Step聚類，數據挖掘和瓶頸分析的結果顯示：從發貨地來看，本文所選的5個城市中，來自上海和廣東的快遞更容易發生延誤，這與商品的運輸方式、運輸距離、快件集中程度有關；從商品種類看，食品和服裝類商品在途中較易擁堵，由于這兩類商品的需求量大且集中；從商品的來源刊，來自成交量大且信譽度較好的店鋪的商品運輸時間往往較長，這種情況大多是由于快件的攬收和最后的配送階段的人力物力資源有限而導致。因此運輸條件(包括運輸距離和運輸方式)、網購商品的種類、快件的發貨地和來源商鋪是與瓶頸有關的主要因素。

3) 針對電商物流存在的運輸和配送瓶頸，提出了相應的配送優化策略，然后帶入模型進行驗證，結果顯示，經過優化的電商配送策略能夠大大減少網購商品在運輸途中的延誤時間，從而緩解物流瓶頸。實際上，將商品提前配送的方法固然能夠解決網購高峰時段的配送瓶頸問題，但也存在資金的需求大、物流需求的精準預測困難、風險控制困難等問題。許多電商已經嘗試了提前配送的方法來緩解網購高峰期的瓶頸問題，并采取相應措施規避風險問題，例如“天貓”采取的預售模式能夠解決部分資金問題，“京東”的自建物流體系能夠減少物流需求預測不精準帶來的風險問題。本文主要研究提前配送對緩解物流高峰期的快遞擁堵和滯留問題，因此沒有對其他問題進行詳細討論。

[1] 張得志, 李雙艷. 物流節點動態布局優化模型及其求解算法研究[J]. 鐵道科學與工程學報, 2011, 8(5): 96? 100. ZHANG Dezhi, LI Shuangyan. Dynamic layout optimization model of logistics nodes and its solution algorithm[J]. Journal of Railway Science and Engineering, 2011, 8(5): 96?100.

[2] Ouhader H, El Kyal M. Combining facility location and routing decisions in sustainable urban freight distribution under horizontal collaboration: How can shippers be benefited[J]. Mathematical Problems in Engineering, 2017(4): 18.

[3] 羅勇, 陳治亞. 基于改進遺傳算法的供應鏈金融質押物配送路徑優化[J]. 鐵道科學與工程學報, 2015, 12(4): 949?955. LUO Yong, CHEN Zhiya. Route optimization of financial pledge distribution in supply chain based on improved genetic algorithm[J]. Journal of Railway Science and Engineering, 2015, 12(4): 949?955.

[4] Papert M, Pflaum. Development of an ecosystem model for the realization of internet of things (IOT) services in supply chain management[J]. Electronic Markets, 2017, 27(2): 175?189.

[5] 馬麗. 電子商務環境下基于GIS的物流配送系統設計[J]. 現代計算機(專業版), 2009(9): 162?164. MA Li. Design of logistics distribution system based on GIS in e-commerce environment[J]. Modern Computer (Professional Edition), 2009(9): 162?164.

[6] 孫林林. 物流信息技術在物流管理中的應用探究[J]. 信息記錄材料, 2019, 20(2): 190?191. SUN Linlin. Application of logistics information technology in logistics management[J]. Information Recording Materials, 2019, 20(2): 190?191.

[7] 余利娥. 電子商務環境下快遞服務質量提升的博弈分析[J]. 宿州學院學報, 2012, 27(7): 34?36. YU Li’e. Game analysis of express service quality improvement under e-commerce environment[J]. Journal of Suzhou University, 2012, 27(7): 34?36.

[8] 徐穎, 黃音, 方曉平. 物流服務質量對電子商務企業顧客忠誠度影響研究[J]. 鐵道科學與工程學報, 2016, 13(10): 2077?2084. XU Ying, HUANG Yin, FANG Xiaoping. The research of logistics service quality that affect customer loyalty for e-commerce enterprise[J]. Journal of Railway Science and Engineering, 2016, 13(10): 2077?2084.

[9] 孫學琴, 王寶義. 中國電商與快遞協同發展的影響因素及未來趨勢[J]. 中國流通經濟, 2015, 29(7): 17?24. SUN Xueqin, WANG Baoyi. Influencing factors and future trends of coordinated development of e-commerce and express delivery in China[J]. China’s Circulation Economy, 2015, 29(7): 17?24.

[10] 張夏恒. 跨境電商物流協同模型構建與實現路徑研究[D]. 西安: 長安大學, 2016. ZHANG Xiaheng. Research on the construction and implementation path of cross-border e-commerce logistics collaboration model[D]. Xi’an: Chang’an University, 2016.

[11] Marcel Kunkel, Christian Poppstadt, Michael Schwind. Open service-oriented confuting for logistics: A case in courier, express and parcel networks[J]. Lecture Notes in Computer Science, 2010(5): 23?26.

[12] LI G G, LI W W. The analysis of return reverse logistics management strategy based on B2C electronic commerce[J]. Education and Management Engineering, 2015(38): 757?761.

[13] WANG L, GUO S S. Distributed manufacturing resource selection strategy in cloud manufacturing[J]. International Journal of Advanced Manufacturing Technology, 2018(94): 3375?3388.

[14] YANG M K, Mahmood M. Design and implementation of cloud platform for intelligent logistics in the trend of intellectualization[J]. China Communications, 2017(18): 180?191.

[15] Hsiao Y H, CHEN M C, Liao W C. Logistics service design for cross-border e-commerce using kansei engineering with text-mining-based online content analysis[J]. Telematics and Informatics, 2017(34): 284? 302.

[16] César Astudillo, Matthew Bardeen, Narciso Cerpa. Editorial: Data mining in electronic commerce-support vs. confidence[J]. Jouranl of Theoretical and Applied Electronic Commerce Research, 2014(9): 1?7.

[17] Shim Beomsoo, Choi Keunho, Suh Yongmoo. CRM strategies for a small-sized online shopping mall based on association rules and sequential patterns[J]. Expert Systems with Applications, 2012(39): 7736?7742.

[18] 占明珍. “雙十一”我國電商企業促銷戰的冷思考[J]. 對外經貿實務, 2013(4): 47?50. ZHAN Mingzhen. Cold thoughts on the promotion war of China’s e-commerce enterprises in “Double Eleventh” period[J]. Foreign Economic and Trade Practice, 2013(4): 47?50.

[19] 鄧全. 決策樹算法與客戶流失分析[J]. 西安郵電大學學報, 2013, 18(3): 49?51. DENG Quan. Decision tree algorithm and customer churn analysis[J]. Journal of Xi’an University of Posts and Telecommunications, 2013,18(3): 49?51.

[20] 彭瑩. 基于C5.0決策樹建模的讀者借閱頻度分析[J]. 圖書情報工作, 2016, 60(增1): 10?14. PENG Ying. Analysis of readers’ borrowing frequency based on C5.0 decision tree modeling[J]. Library and Information Work, 2016, 60(Suppl 1): 10?14.

[21] 紀紅燕, 王鋼, 俞長青, 等. 基于決策樹的瀝青路面使用性能評價與預測研究[J]. 公路, 2016(4): 18?22. JI Hongyan, WANG Gang, YU Changqing, et al. Evaluation and prediction of asphalt pavement performance based on decision tree[J]. Highway, 2016(4): 18?22.

Research on logistics bottleneck of E-commerce express based on simulation and data analysis

REN Dongfang, GUO Xiaopeng, LI Cunbin

(School of Economics and Management, North China Electric Power University, Beijing 102206, China)

Some measures were taken to solve the transportation bottleneck problem of online shopping under the background of e-commerce in this paper. Based on the investigation and analysis of e-commerce logistics distribution process, first of all, a simulation model was set up to obtain a large number of e-commerce sales and logistics transportation data. Then, the method of data mining was used in big data analysis. Finally, the logistics bottleneck optimization strategy was proposed and its effectiveness was verified. The results show that goods belonging to food and clothing from Shanghai and Guangdong or from stores with large sales volume are more likely to be delayed in the transportation. This indicates that transportation conditions, consumer preferences, commodity delivery place, commodity category, sales volume and reputation of store are the causes of logistics bottlenecks. In this regard, this paper puts forward the optimization strategy of e-commerce logistics distribution and proves its effectiveness, especially during holidays.

E-commerce; data analysis; express enterprise; logistics bottleneck; simulation

F250

A

1672 ? 7029(2020)03 ? 0765 ? 10

10.19713/j.cnki.43?1423/u.T20190964

2019?11?01

國家社會科學基金資助項目(17GBL136)；中央高校基本科研業務費專項資金資助項目(2019QN074，2019FR002)

郭曉鵬(1979?)，男，河南濟源人，副教授，博士，從事供應鏈物流研究；E?mail：13520328997@163.com

(編輯 蔣學東)