菜鳥驛站作業流程仿真與優化

凌翔天，王赫鑫

（北京航空航天大學 經濟管理學院，北京 100191）

0 引言

國家統計數據顯示，2020 年全年快遞業務量和業務收入分別完成830 億件和8 750 億元，同比分別增長30.8%和16.7%，這說明整個行業仍在快速發展當中。然而，在其高速發展的同時一些問題也尤為突出，比如，處于物流服務鏈末端的城市配送問題，尤其是末端配送問題，即“最后一公里”問題，成為了其中的一個瓶頸環節。部分相關企業數據顯示，末端配送環節消耗的成本費用占總物流費用的30%以上。所以，對末端配送環節的研究優化以及相應的改進意見能夠顯著地降低企業的物流成本，具有較強的現實意義。

作為“最后一公里”配送模式中的典型，菜鳥驛站在“雙十一”、“雙十二”等購物促銷時段存在過載的情況，在平時的部分時段也存在顧客取件排隊過長的情況。所以，對末端物流配送系統的模式和流程進行研究和優化具有一定的必要性，以期實現降低人工、設備等不必要的成本花費，降低工作人員的勞動強度，提升設備和設施安排的利用率等。

傳統的對物流配送系統的研究，更多的是從理論方面去探討分析，與實際情況可能存在一定的出入，而使用仿真軟件建立模型，可以對系統運行情況進行驗證和觀察分析，同時也能降低實際布置、規劃而產生的成本。

由于許多領域中涉及到的系統很難以一種準確的數學模型來進行描述和分析，所以仿真技術在這些領域中的應用具有較為突出的優勢。基于此，國內外的學者仿真技術的應用方面進行了大量研究，并取得了較多的成果。

在國內，學者使用仿真技術對各個行業中的復雜系統進行了仿真模擬。路亮[1]借助Flexsim 軟件對煙草物流配送中心系統進行仿真建模，通過一個具體的煙草配送中心案例，研究總結出了企業實際存在的瓶頸并提出了改進方案。張李威[4]利用Flexsim軟件對中商平價物流倉儲中心系統進行仿真模擬，設計出了倉庫作業的概念模型，通過對仿真結果的分析，找出了作業流程中的瓶頸所在，并提出了優化方案，提高了設備利用率。許植深，等[5]基于AnyLogic仿真軟件對高鐵快運物流進行建模仿真，為優化改進設施設備配置和人力資源調度提供了決策支撐。張瑩瑩，等[6]借助Flexsim軟件對醫藥物流中心進行仿真建模，將無法在實體系統中一一實行的各個優化方案在仿真界面中模擬運行，為醫藥物流的管理優化提供了數據來源與決策支撐。

在國外，學者也早已將仿真技術應用于各個領域當中。Zhang，等[7]從某鋼鐵物流園區的實際情況出發，利用仿真軟件對園區內部道路規劃進行仿真和優化，最終得出較優的布局方案。Tan，等[8]利用Arena仿真軟件對非自動化物流配送中心及其作業流程進行仿真模擬，對其效率進行評價和總結，給出了優化建議。Rodrigues，等[9]將目光聚焦于車間生產調度系統，通過建立混合仿真模型，定量地尋找一種可以實現靈活車間調度模式的邏輯模型和優化方案。Ishak，等[10]針對虎鉗的生產流程運用Flexsim 仿真軟件進行模擬，驗證具有特定生產數量要求的生產過程時間是否是有效的。Nie，等[11]以軌行式門式起重機的裝卸模式作為研究對象，通過Flexsim 仿真軟件找出最優的裝卸作業模式，為鐵路集裝箱碼頭的生產經營實踐提供支持和思路。Wu，等[12]利用Flexsim 軟件對鋼鐵廠的生產過程進行了仿真模擬，將結構優化方法與仿真模擬方法相結合，一方面優化了瓶頸環節，一方面也驗證了結構優化理論的正確性。Tamburis，等[13]基于醫院的案例研究，建立了流程挖掘與仿真建模之間的關系，即前者可以為后者提供可靠前提。Hong，等[14]利用Arena仿真軟件對美國東部的地下長壁煤礦進行離散事件模擬，并對其中的瓶頸環節提出了較優的替代和改進方案。Olave-Rojas，等[15]利用AnyLogic仿真軟件對院前急救醫療服務的通用流程建立混合仿真模型，并基于真實數據驗證了模型的可靠性，指出了模型中的關鍵節點和環節。

以上國內外學者的研究將仿真技術應用于各類領域當中，并且都取得了一定的成效，研究出了多種優化瓶頸環節的方法。學者的研究同時也說明，在物流配送領域應用仿真技術是具有一定優越性的，可以減少人力、物力、財力的浪費，降低實際方案產生的不可控風險，同時在仿真模型的對比中就可以選擇其中的最佳規劃方案。但是，目前對于快遞驛站系統仿真模擬的研究較少，這也是本文研究的重點。

由于物流末端配送的“最后一公里”問題是事關顧客滿意水平、末端配送工作人員效率以及工作強度的瓶頸環節，所以國內的許多學者已就這一領域做了許多的研究。

對總體末端物流配送模式即快遞“最后一公里”配送模式的研究當中，李亞東，等[16]總結了中國目前較為成熟的三種“最后一公里”配送模式各自的優缺點，如菜鳥驛站為代表的“驛站代收自提”模式,以豐巢為典型例子的“自提柜”模式以及最后以蘇寧、京東為代表的“送貨上門”模式。該研究給出了不同模式相結合、引入RFID和大數據分析技術等改進建議。

對于驛站代收自提配送模式的研究當中，沈郁珊，等[3]對蘇州榮域花園社區菜鳥驛站進行了深入分析，總結了該菜鳥驛站存在的優勢和劣勢，著重分析討論了驛站存在的高峰時段排隊過長、取件查找較麻煩、配送成本高等問題，并給出了相應的建議。田東伶[2]基于SERVPERF模型，針對運城市社區菜鳥驛站建立服務質量評價指標體系，運用模糊評價法對其服務質量進行評價，最終得出了菜鳥驛站可靠性、便利性評分較高，但對加盟體系的管理工作仍有待提高。而對于高校菜鳥驛站的研究當中，王俊，等[17]就西交院菜鳥驛站的服務現狀，通過問卷調查和實地考察相結合的方法，總結了菜鳥驛站在布局方面存在的問題，并給出了相應的優化建議。

以上國內學者已在快遞驛站服務狀況的研究中取得較好的理論成果，針對本文研究的菜鳥驛站，學者也已提出了不同的方案以解決存在的問題和弊端，但是目前針對這些優化方案的驗證尚存在繼續完善的空間，本文認為通過仿真模型對快遞驛站的優化方案進行驗證具有一定的優越性。

1 上海某菜鳥驛站概述

1.1 上海某菜鳥驛站概況

根據上海某菜鳥驛站提供的2020 年12 月的出入庫數據顯示，該驛站全月共入庫快件48 091件，單個操作員的入庫流程時間大約為11s，出庫流程時間大約為21s。入庫與出庫流程中需要掃描快件二維碼的部分均為作業人員手持菜鳥驛站專用PDA手持終端完成。另外，由于每日入庫的快件并不會全部在當日被顧客取走完成出庫，根據數據統計算得每日的積壓庫存量約為217件。

1.2 上海某菜鳥驛站目前存在的問題

上海某菜鳥驛站有以下問題存在：

（1）在入庫高峰期，快件的到達量會占全天快件總到達數的80%以上，所以在該時段內往往會存在快件堆積的情況，作業人員往往需要在之后保持高負荷的工作強度來完成入庫上架的工作。而在入庫非高峰期的時候，很長時間內才會派送來零星的快件，會導致作業人員工作強度低、“無所事事”的情況出現。

（2）在顧客取件高峰期，顧客的到達數會占全天顧客總到達數的60%左右，而在次高峰期則會占到總數的30%左右，這導致了在兩段高峰期會存在顧客排隊隊列過長、排隊時間過久的情況，同時作業人員的工作強度較高。

2 上海某菜鳥驛站系統仿真

2.1 數據輸入與參數估計

由于對菜鳥驛站的系統仿真建模是離散事件仿真，所以快件的到達和顧客的到達均可視為隨機變量。隨機變量服從的概率分布類型的確定，通常需要對所采集到的數據進行預處理和整理總結后得到，而在實際情況中，該分布類型往往可以通過經驗和理論直接確定。

在菜鳥驛站的入庫和出庫流程中，通常都可以將作業流程參照排隊模型進行仿真，并基于對菜鳥驛站實際的數據進行預處理和分析，來擬合得到相應的分布參數。

（1）快件到達的時間間隔的設置。令快件到達的時間間隔為x，在取件|a,b|內服從負指數分布：

在對上海某菜鳥驛站2020 年12 月的入庫數據的預處理中，11時-14時的入庫高峰期以及14時-20時的入庫非高峰期均在K-S檢驗中得出服從負指數分布的結論，兩段數據的P 值均在0.7 之上，遠大于0.05，即不拒絕數據服從負指數分布。

（2）顧客到達的時間間隔的設置。令顧客到達的時間間隔為x，在取件|a,b|內服從負指數分布：

在對上海某菜鳥驛站2020 年12 月的出庫數據的預處理中，10時-14時的出庫次高峰期以及14時-21時的出庫高峰期均在K-S檢驗中得出服從負指數分布的結論，第一段數據的P值為0.751，第二段數據的P值為0.555，均遠大于0.05，即不拒絕數據服從負指數分布。

2.2 上海某菜鳥驛站各模塊仿真模型

2.2.1 收件入庫模塊仿真模型。收件入庫模塊的仿真模型如圖1所示。

圖1 收件入庫模塊仿真模型

該模塊仿真模型所做的假設模擬及參數設置如下：

（1）根據2020年12月上海某菜鳥驛站的入庫數據，通過統計方法擬合快件到達時間間隔服從的概率分布，擬合結果顯示快件到達時間間隔服從負指數分布，并將相應的分布參數設置在模型的快件到達中，具體參數見表1。

表1 收件入庫模塊部分參數

（2）快件到貨后放置在隨機可用的卸貨區中。由于運輸工具的運輸存在延遲，所以如果在快件到達及卸貨區中設置運輸工具（如快遞員或車輛等），會導致快件到達產生的快件無法及時運到卸貨區，從而導致快件到達數減少，故模型中并沒有體現快遞員，但這對整體的仿真流程和結果并無影響；

（3）快件的卸貨收件、入庫上架流程由4 名作業人員同時操作，采用隨機可用的策略進行任務調度。根據對數據的預處理，計算得作業人員平均在入庫上架中耗費的時間為11s。

2.2.2 取件出庫模塊仿真模型。取件出庫模塊的仿真模型如圖2所示。

圖2 取件出庫模塊仿真模型

該模塊仿真模型所做的假設模擬及參數設置如下：

（1）根據2020年12月上海某菜鳥驛站的出庫數據，通過統計方法擬合顧客到達時間間隔服從的概率分布，擬合結果顯示顧客到達時間間隔服從負指數分布，并將相應的分布參數設置在模型的顧客到達中，具體參數見表2。

表2 取件出庫模塊部分參數

（2）模型中的快件到達用于模擬單日的入庫快件數，由前一個收件入庫模塊仿真模型運行后的結果提供具體數值。

（3）模型中剛到達的顧客暫存區在現實中是不存在的，在此處是為了模擬顧客到達驛站并根據取件提示前往不同工作區并進行排隊取件的過程，使得流程和規劃更為清晰。

（4）快件的快件出庫、交付顧客流程由2 名作業人員操作，采用隨機可用的策略進行任務調度。根據對數據的預處理，計算得作業人員平均在快件出庫和交付顧客流程中耗費的時間為21s。

（5）在實際情況中，顧客需要根據取件碼到相應的貨架前取件。在仿真模型中體現為在顧客生成時，等概率隨機生成1-5的數字標簽，分別對應1號-5 號的貨架快件。當顧客隨機進入可用的交付顧客實體時，操作人員需要根據顧客的需求（即數字標簽）前往相對應的貨架取件交付。

2.3 仿真運行與結果分析

2.3.1 仿真運行控制。仿真模型建立完成后，運行模型進行仿真，為了盡可能減小誤差、提高精度，對上海某地菜鳥驛站的仿真模型的仿真運行時間設定為32 400s（收件入庫）/39 600s（取件出庫），運行10次仿真模型，記錄、整合輸出結果，并分析得出結論。

2.3.2 仿真模型驗證。根據2020 年12 月上海某菜鳥驛站的出入庫數據統計算得每日的積壓庫存量約為217 件，而在取件出貨模塊模型的運行結果中顯示，每日大約積壓庫存231 件，這與實際庫存積壓情況的偏差為6.45%左右，這說明該仿真模型能夠較好的反映上海某地菜鳥驛站的實際情況。

2.3.3 仿真結果分析。經過10 次的仿真模型運行后，輸出模型的統計報告表，對仿真結果進行平均化處理，結合菜鳥驛站目前實際存在的問題，得到仿真結果統計數據見表3。

表3 仿真結果統計數據

通過觀察收件入庫模塊模型的仿真模型運行以及統計報告的輸出結果，在高峰期的時候，卸貨區存在快件堆積的情況，同時作業人員繁忙與空閑狀態并存，具體是在快件到達高峰期繁忙而在非高峰期閑置率極高，這在一定程度上造成了人力資源的浪費，增加了勞動力成本。可能可行的解決方案是采取高峰期與非高峰期的彈性工作機制，由于快件到達和顧客到達的高峰期并不重合，所以可以采用彈性的人員調配機制，改善入庫存在的一些問題，更合理的進行人員調度，避免人力資源的浪費。

通過觀察取件出庫模塊模型的仿真模型運行以及統計報告的輸出結果，在高峰期時存在顧客隊列繁忙且排隊人數過長的情況，同時作業人員普遍繁忙率較高。可能可行的解決方案是通過設計顧客取件預約系統（即使得顧客到達更加平滑，可用均勻分布進行模擬）或取件掛號系統（使得作業人員可以批量的從同一貨架中取多個快件交付給多個顧客）來降低高峰期的隊列繁忙和排隊人數過長的情況，這能夠有效提升顧客的滿意度。

3 仿真模型的優化與分析

3.1 優化方案

3.1.1 收件入庫優化方案：彈性人員調配。根據上海某菜鳥驛站2020 年12 月的入庫數據，該驛站11時-14 時為入庫高峰期，14 時-20 時為入庫非高峰期。根據這一客觀情況，引入彈性人員調配機制，根據高峰期與非高峰期動態的分配作業人員數量，以達到更高的工作效率。

在引入彈性人員調配機制后，模型中的部分參數和邏輯需要重新進行設定，具體改變為：原先的快件卸貨收件、入庫上架流程由4 名作業人員同時操作，采用隨機可用的策略進行任務調度，現改為在高峰期仍由4名作業人員同時操作，高峰期過后減少2名作業人員，將快件卸貨收件、入庫上架流程改由2名作業人員同時操作，采用隨機可用的策略進行任務調度。

另外還對收件入庫模塊模型中的一部分細節進行了微調，原先的作業人員在任務空閑時會停留在倉儲區待命，現改為任務空閑時停留在卸貨區待命，這可以減少部分行走造成的時間浪費，在一定程度上可以增加入庫流程的整體工作效率。

3.1.2 取件出庫優化方案一：取件預約系統。針對取件高峰期存在的顧客隊列繁忙且排隊人數過長的情況，一個解決的方案是盡量讓顧客到達更加均勻、平滑，這樣可以讓高峰期的顧客峰值平均地分布在不同時段，使得作業任務集中性下降，從而使得顧客隊列繁忙情況有所緩解，提升顧客的滿意度。

在引入取件預約系統后，顧客可以在該系統中動態的看到不同時段當前已預約的取件人數，根據自身方便的時段合理規劃預約取件時段。模型中的部分參數和編譯代碼需要進行調整，具體改變為：原先的顧客到達時間間隔在不同時間段服從不同的負指數分布，具體為10 時-14 時的出庫次高峰期以及14時-21時的出庫高峰期服從的分布參數不同，改動后的模型在顧客總到達數不變的情況，將顧客到達時間間隔調整為均勻分布。

3.1.3 取件出庫優化方案二：取件掛號系統。針對取件高峰期存在的顧客隊列繁忙且排隊人數過長的情況，另一個解決的方案是讓作業人員可以更高效的將快件交付給顧客，具體的做法是根據顧客快件位于的不同貨架，批量的進行快件出庫、交付顧客的工作，減少作業人員重復去相同貨架多次取件浪費的時間，從而使得作業人員的工作效率提升，進而使得顧客隊列繁忙情況有所緩解，提升顧客的滿意度，也能在一定程度上降低作業人員的工作強度。

在引入取件掛號系統后，顧客可以在排隊前提前在該系統中進行掛號操作，錄入自身的取件碼。作業人員可以根據該取件掛號系統上記錄的顧客取件碼合理規劃自身的取件路線，如批量從同一貨架出庫多個顧客的多個快件，從而增加出庫流程的工作效率。模型中的部分參數和邏輯需要重新進行設定，具體改變為：原先當單個顧客隨機進入可用的交付顧客實體時，工作人員需要根據該單個顧客的需求前往相對應的貨架取件交付，改動后的模型在貨架和工作人員數量不變的情況下，改變了工作人員的快件交付邏輯，即工作人員會在同一個貨架處批量（模型中設定為3件）地進行快件出庫操作，并交付給多名顧客。

3.1.4 取件出庫優化方案三：取件預約系統與取件掛號系統相結合。針對取件高峰期存在的顧客隊列繁忙且排隊人數過長的情況，優化方案三將前兩個優化方案中的輔助排隊系統相結合使用，讓作業人員可以更高效的將快件交付給顧客，讓顧客可以挑選人數較少的時間段來取件。

3.2 仿真優化結果分析

在仿真模型運行時間及次數相同的情況下，比較不同模塊的優化方案應用前后上海某地菜鳥驛站系統仿真運行結果，從人員空閑率及設備利用率等方面對比結果如圖3、圖4所示。

圖3 收件入庫模塊優化前后人員、設備空閑率對比

圖4 取件出庫模塊優化前后人員、設備空閑率對比

對于收件入庫模塊模型來說，引入彈性人員調配機制之后，作業人員的空閑率大幅下降，由原模型的60.86%下降到改進后模型的26.59%，這說明在非高峰期合理的減少作業人員的數量可以較為顯著的降低作業人員的閑置時間，提高人員利用效率。同時，卸貨區的繁忙率有所上升，但是整體上升的幅度不大，只有0.5%，這說明采用彈性人員調配機制在非高峰期減少作業人員人數對于整體的卸貨收件效率并沒有太大的影響。

對于取件出庫模塊模型來說，引入取件預約系統（方案一）后，隊列繁忙率有所下降，比原模型下降了5.11%，交付顧客實體的繁忙率有所下降，比原模型下降了3.28%,這說明作業流程的集中程度有所下降，但是該取件預約系統的引入會導致工作人員的繁忙率上升，增加作業人員的工作強度；引入取件掛號系統（方案二）后，隊列繁忙率有較多下降，比原模型下降了16.83%，工作人員的繁忙率有所下降，比原模型下降了1.57%，提升了作業人員的工作效率，但是該取件掛號系統的引入也會導致交付顧客實體的繁忙率有所上升，這說明作業流程的集中程度有所上升；同時采用取件預約系統和取件掛號系統（方案三）后，隊列繁忙率有顯著的下降，比原模型下降了33.12%，工作人員的繁忙率有所下降，比原模型下降了2.57%，提升了作業人員的工作效率，但是同時采用取件預約系統和取件掛號系統也會導致交付顧客實體的繁忙率有所上升，這說明作業流程的集中程度有所上升。

3.3 取件出庫模塊優化方案比較

綜合比較引入取件預約系統、引入取件掛號系統以及同時采用兩個輔助排隊系統這三個方案，這三個方案都可以一定程度上緩解上海某地菜鳥驛站存在的隊列長時間繁忙、顧客排隊時間過長的情況，但這三者要么會增加作業人員的工作強度，要么會增加作業流程的集中程度，但增加的幅度并不大，屬于可接受的范疇之內。

從降低隊列繁忙率的效果上來看，同時采用兩種輔助排隊系統的方案表現比單獨采用其中某一種輔助排隊系統的方案表現更好。另外，同時采用兩種輔助排隊系統的方案從邏輯和系統實現的角度來說也是合情合理并且可實現的，當顧客在預約取件的時候可以同時進行掛號操作，這樣可以讓驛站的工作人員提前將相應的快件取出，一方面可以讓驛站的工作人員彈性地分配一天的工作負荷，一方面也可以讓驛站工作人員根據顧客掛號信息，批量地對處于同一或相近貨架上的快件進行操作，但這一方案的問題在于，①取件預約系統對顧客的到達取件時間提出了一定的要求，這可能會導致顧客情緒的不滿以及滿意度的下降，②顧客在預約和掛號后可能存在沒有按時來取件的情況，這要求驛站管理決策層需要規劃一片區域用于放置這些“過號”的快件，并且如果一天之內仍沒有顧客來取，還需要驛站工作人員重新將這些“過號”快件放回貨架，這無形中增加了工作人員的工作負荷。

如果考慮采用單一的輔助排隊系統，從降低隊列繁忙率的效果上來看，采用取件掛號系統的方案比采用取件預約系統的方案表現更好。同時，取件掛號系統更多是從驛站本身的工作模式和任務調度模式著手改進，并沒有對顧客提出額外的要求，而取件預約系統則相反，它本身并沒有改進驛站本身的工作模式和任務調度模式，而是對顧客的到達取件時間提出了一定的要求，這可能會導致顧客情緒的不滿以及滿意度的下降。從這一角度來看，取件掛號系統比取件預約系統更為優越。

4 結語

本文基于2020 年12 月上海某菜鳥驛站的出入庫數據，以物流配送“最后一公里”問題為背景，研究并抽象上海某地菜鳥驛站作業流程模型。采用模塊化建模思想，利用Flexsim軟件對菜鳥驛站的入庫、出庫流程進行仿真建模。

通過以上工作所得結果如下：

（1）對于上海某菜鳥驛站的入庫、出庫流程，通過Flexsim建立的仿真模型能夠較好地模擬和實現驛站實際工作流程。以實際積壓庫存量作為驗證指標，與建立的仿真模型產出的仿真結果進行比對，發現誤差率在5%左右，驗證了該仿真模型較好地反映了驛站實際工作狀況。

（2）提出了優化的建議和方案措施，并且基于優化方案建立仿真模型并驗證優化結果。通過優化前后人員空閑率、設備利用率等指標的對比，最終得出結論：在入庫流程中，采用彈性人員調配機制能夠有效地增加菜鳥驛站的系統效率，降低非高峰期的人員閑置率；在出庫流程中，從降低排隊時間和隊列繁忙率的角度來看，方案三（同時采用取件預約系統和取件掛號系統）優于方案二（只采用取件掛號系統）優于方案一（只采用取件預約系統），從顧客滿意度的角度來看，取件掛號系統優于取件預約系統。

本研究著眼于實際情況，針對現實中的具體問題提出了優化方案，但僅針對菜鳥驛站的入庫和出庫流程。雖然運用Flexsim軟件提出了菜鳥驛站的優化方案，但在以下幾個方面仍存在不足，未來還可以進行進一步的改進和完善：

（1）由于本文的數據來源基于上海某菜鳥驛站，且僅為12 月份的出入庫數據，所以可能存在樣本量不夠大、實際模型的泛用性不佳的情況，這一方面需要后續研究根據不同地域、不同社區的菜鳥驛站具體問題具體分析，合理地對模型進行調整和改進（如不同菜鳥驛站的貨架數量不同、操作員的平均操作時間也不同），另一方面也需要盡可能多的驛站數據進行更加精確的建模和分析歸納。

（2）本文在建立仿真模型時提出了部分假設，例如在采用取件掛號系統時，默認驛站工作人員批量地處理三件快件，這基于的是快件重量、大小適中的假設，但是實際情況中顧客快件的重量和大小都是不確定的，可能發生的情況也多種多樣。這些假設一方面是因為沒有明確的數據來支撐，一方面也是作者的能力有限，無法將這些細節完全考慮周到，未來的研究中可以減少這些理論假設，使得仿真模型更加貼合現實運行狀況。