海外倉模式下的跨境電商物流運輸綠色性優化問題研究

關鍵詞：跨境電商物流；海外倉模式；綠色性優化；多目標優化；NSGA-II算法

中圖分類號：F259; F272.3; O221文獻標識碼：A文章編號：2096-7934（2024）06-0005-15

一、引言

跨境電商物流作為跨境電商發展的基石，其高質量發展對于推動跨境電商進一步發展顯得尤為重要［2］。當前跨境電商物流已發展為多種模式，其中，海外倉是當前備受關注的一種跨境電商物流模式。根據商務部對外貿易司發布的數據來看，當前我國建設海外倉數量超2500個，面積超3000萬平方米。

但海外倉模式實際運作過程中也存在諸多復雜因素。例如，海外倉運輸調配、客戶時效等。更為重要的是，在全球降碳減排的背景下，我國于2020年提出了“雙碳”目標。交通運輸是化石能源消耗的主要行業，是溫室氣體和大氣污染排放的主要來源之一，尤其是近年來海上交通運輸的排放量顯著增長［3］。此外，在消費者層面來看，人們的降碳環保意識越來越高，對碳足跡的關注度也愈加深入［4］。因此，如何在推動跨境電商物流海外倉模式發展的同時實現其物流運輸過程的綠色性優化成為當下研究的重點［5］。

國內外學者針對海外倉模式下的跨境物流已有許多研究。例如，海外倉的選址與企業經營息息相關，就此胡玉真等［6］針對海外倉的選址及運輸規劃問題展開了研究，在考慮不同區位的海外倉之間貨物協同運轉的基礎上探尋最小化建倉及運輸成本。燕晨屹等［7］也從設施選址、資源配置、運輸線路三個方向，基于最大最小后悔值構建了海外倉的魯棒性選址模型并予以求解。另外，陳夢南等［8］建立了實現總運營成本最小與客戶滿意度最大的雙目標優化模型并采用粒子群優化算法進行求解。朱明［9］立足于公共海外倉視角，通過運用并聯耦合共生理論，構建基于國際貨代和海外倉儲企業雙主體協同管理的并聯耦合模式以及并聯耦合運行機制。季（Ji）［10］為解決跨境電商倉庫作為中轉站和直銷平臺的問題，建立了海外倉選址模型并通過粒子群優化算法予以求解。

此外，以往研究中針對物流運輸優化問題，學者研究的主要方向包括效率提升和路徑選擇，即基于效率提升目標進行適宜的路徑選擇，但研究中較多的是從經濟成本效益出發。吳暖等［11］認為航線配船合理性不僅關系到班輪公司運營成本還會影響服務質量，因此以貨物時間價值損失最小和運營成本最低為目標，建立了集裝箱班輪航線配船的多目標優化模型。孔榮娟等［12］針對跨區域物流運輸網絡存在的非優問題，綜合考慮物流運輸成本、出入庫費、裝卸費、倉儲費以及物流網絡流量等決策因素，建立了最小化物流總成本和最大化物流網絡流量的多目標模型。但是僅從經濟效益出發顯然已經無法滿足當前發展綠色物流的要求。我國2021年發布的《物流術語》對綠色物流的定義是：通過充分利用物流資源、采用先進的物流技術，合理規劃和實施運輸、儲存、裝卸、搬運、包裝、流通加工、配送、信息處理等物流活動，降低物流活動對環境影響的過程［13］。從這個定義可以看出，綠色物流不僅涵蓋了物流活動本身的效率優化也更加側重了物流活動對環境的影響。這使得更多學者逐漸將環境因素，如經濟活動中的碳排放量納入運輸優化框架當中。如房（Fang）等［14］對低碳約束下物流運輸網絡優化研究進行了總結，指出物流運輸網絡優化的基本研究框架，探討了物流網絡優化的基本問題。李（Li）等［15］基于多式聯運物流運輸網絡，考慮了需求的不確定性和碳交易價格的隨機性。以總運輸成本最小為目標函數，構建并驗證了集裝箱多式聯運魯棒隨機優化模型。劉倚瑋等［16］針對多目標低碳集裝箱多式聯運運輸方式組合優化的問題展開了研究。在考慮多種運輸方式碳排放量最小、時間最短和成本最低的基礎上提出了一種基于迪克斯特拉混合算法對集裝箱的運輸方式進行組合優化的模型。張（Zhang）等［17］研究了不確定條件下的低碳多式聯運路徑優化，建立了考慮運輸成本、時間成本和碳排放成本的混合魯棒隨機優化模型。

另外，以往的研究顯示碳排放量和經濟活動能耗存在一定程度的相關性，并且碳排放量常用于評價經濟活動的減排節能程度。但碳排放量和綜合能耗間不具有絕對相關性，其關聯度存在差異性，并且存在高能耗、低排放的案例［18］，如袁長偉等［19］基于灰色關聯理論，構建了交通碳排放強度與綜合能耗結構之間的灰色關聯模型，發現各省交通碳排放強度與綜合能耗結構間的絕對關聯度數值差異較小，相對關聯度跨度較大。

綜上可以看出，學者針對物流運輸的研究存在以下三個特點：其一，學者針對海外倉模式下物流運輸優化的研究主要涉及的方面為海外倉選址及建設成本等，較少研究有關運輸網絡節點間的優化；其二，針對物流運輸優化模型以單目標優化為主，不僅多目標優化較少且研究場景較少涉及跨境物流運輸；其三，針對物流運輸優化模型主要為運輸時間和綜合成本，較少考慮環境因素，或者僅僅將環境因素作為整體優化的部分內容，未將一定的環境指標作為單獨的效率評價指標給予重視，且缺乏總體針對物流運輸綠色性優化的研究。另外，學者對于綠色物流的研究多集中于經濟活動能耗與碳排放量的降低，但對于二者的關系學者之間的觀點存在差異。

因此，將物流運輸過程中所產生的碳排放量作為單獨的優化目標納入跨境電商物流運輸多目標優化當中，不僅符合當前促進物流綠色發展的要求，也能夠進一步探尋碳排放量與綜合能耗關系。

鑒于此，本文的主要創新和工作為以下三點：①立足于海外倉模式物流運輸網絡，以中美海運為研究實例，針對運輸過程進行環境效益的考量，以期實現綠色運輸的目標；②本文提出了單批次貨物在海運過程中所間接產生的碳排放量計算方法；③基于運輸網絡節點間運輸過程構建運輸成本及碳排放量最小化的多目標優化數學模型，模型中還將搭建海上運輸船舶的綜合能耗與碳排放量的函數關系，以對二者關系做進一步討論。之后模型將采用快速精英多目標遺傳算法予以求解。最后，本文根據求解結果驗證優化模型以及算法的有效性并進行模型靈敏度檢驗以進一步驗證優化模型的穩定性，以此探尋海外倉模式下的物流運輸綠色性優化路徑。

二、問題描述及模型構建

（一）問題描述

海外倉模式下的跨境電商物流運輸網絡由商家、供應商、國內倉、海外倉以及消費者構成，其運行模式是指在目標市場建立本地化倉庫，并通過合理的倉儲管理和物流配送，實現高效的商品存儲和快速的訂單交付。其運營流程如圖1所示。整個運營流程也涉及各節點信息流的輸送，如商家在線遠程管理海外倉儲，同時使用物流商的物流信息系統，并保持實時更新。各倉庫則嚴格按照商家指令對貨物進行存儲、分揀、包裝、配送等操作。海外倉模式的實質就是庫存前置，其正逐漸成為許多賣家優化供應鏈、提升客戶體驗的重要物流模式。

本文基于上述海外倉運營流程，主要考慮貨物頭程運輸部分，包括貨物從國內倉到國內港口、從國內港口到國外港口、從國外港口到國外海外倉階段，而國內港口到國外港口階段是頭程運輸的主要部分，為了方便計算與結果的普遍可用性，本文將不考慮國內倉到國內港口和國外港口到國外海外倉的運輸成本以及碳排放量。即本文只考慮如圖2中虛線框以內部分所示的運輸成本以及碳排放量。對該環節所產生的運輸成本以及碳排放量的考量是物流運輸各參與方所關注的主要方面。尤其是對各跨境電商企業來說，在低碳環保的倡導下如何既能實現該環節運輸成本的節省又能減少運輸過程的碳排放量是其做出物流方案選擇的重要內容和經營目標。為實現上述目標，本文旨在構建以運輸成本和碳排放量最低值為目標的多目標優化模型，計算上述物流運輸環節中不同路徑的運輸成本和碳排放量，最終通過結果分析相對于商家而言的最佳物流方案選擇，為海外倉模式下的物流運輸綠色性優化提供參考。

（二）模型假設

為便于計算以及研究順利進行，現做出以下假設。

（1）從國內賣家到國外買家的交易按時間順序執行，任意一個節點只能對應選擇任意下一節點來運輸貨物，并且貨物在各節點間的運輸都是一次性完成的。（2）在海運環節中，規定貨船為國際運輸中占比最高的2萬噸級船舶，主機與輔機耗油量和功率等信息已知。（3）不考慮船舶電力消耗過程中的碳排放，規定船舶固定航速及負載程度。（4）貨物不超過國內倉以及海外倉的最大容量，同時裝載的貨物量不超過船舶的最大裝載量且都能夠滿足貨物的裝載，船舶的運力總能滿足貨物的運輸。（5）港口轉運將考慮場橋與岸橋作業所產生的電力能耗，相關的油耗忽略不計。（6）不考慮交易的退貨和折損問題。

（三）船舶碳排放計算方法

物流過程中的碳排放，是指運輸工具在物流過程中，直接或是間接消耗各類能源物質所產生的碳排放。碳排放的計算公式為：碳排放量=燃油消耗量×二氧化碳排放系數［20］。海上運輸過程中，碳排放主要由船舶航行以及船舶在港口等待過程中產生。船舶的碳排放測算主要由船舶在不同運行狀態下的耗油量所確定，當前船舶的動力系統種類較多，其中貨輪的動力系統主要是柴油機，所以貨船的耗能主要是柴油消耗。而船舶的耗油量又受船舶自身的性能、負載系數及航速等變量影響［21］，其計算公式如下。

上述計算公式的符號及定義如表1所示。

表1 各符號定義

（四）模型符號

集合符號及定義如表2所示，模型變量及定義如表3所示。

表2 集合符號及定義

表3 模型變量及定義

（五）模型建立

目標函數1：運輸總成本C最小，即

目標函數2：運輸過程中總碳排放量E最小，即

其中，式（5）表示運輸總成本最小，包括貨物海上運輸成本、港口轉運費用與固定港雜費；式（6）表示運輸總碳排放量最小，包括貨物海上運輸的碳排放量、港口船舶在泊位等待以及港口貨物裝卸作業所產生的碳排放量；式（7）表示任意航線單批次貨物發運量要小于或等于任意國內倉和海外倉的容量以及船舶的最大容量；式（8）表示從國內倉到國外海外倉的運輸過程中所有批次貨物運量之和等于貨物總發運量，且任意航線單批次貨物發運量要小于或等于總發運量；式（9）表示單批次貨物從任意國內倉出發只選擇任意一個海外倉與之對應的路線，不能拆分成多條路徑運輸；式（10）表示船舶的實際航速要小于或等于船舶的設計航速，且任意國內倉到海外倉的海運航線距離足夠遠。

三、算法設計

（一）算法原理

本文將采用基于錦標賽選擇策略的多目標遺傳算法（NSGA-II）進行模型的求解與案例的仿真。NSGA-II 是一種基于快速非支配排序（Fast Non-dominated Sort，FNSM）以及擁擠距離策略的多目標優化算法，是由傳統的遺傳算法改進而來的一種智能算法，相較于傳統的遺傳算法（Genetic Algorithm，GA），NSGA-II既降低了計算非支配序解的復雜程度又提高了算法求解的精確程度，從而保證了算法種群的多樣性。

如圖3所示，NSGA-II 算法的具體流程為：首先，隨機產生規模為N的初始種群，快速非支配排序后通過遺傳算子的選擇、交叉、變異三個基本操作得到第一代子代種群；其次，從第二代開始，將父代種群與子代種群合并，形成一個規模為2N的大種群，并進行快速非支配排序，同時對每個非支配層中的個體進行擁擠度計算，根據非支配關系以及個體的擁擠度選取合適的個體組成新的父代種群[22]；最后，通過NSGA-II精英策略選擇前N個個體生成新的種群用于下一次迭代。依此類推，直到滿足程序結束的條件。

（二）參數及環境設置

本文的模型求解是采用NSGA-II算法在數學仿真軟件Matlab2021a上進行。本文的仿真環境為Windows10操作系統，CPU為i7，運行內存為8G。該算法的核心參數設置如下：種群規模為100，最大迭代次數為1000，交叉概率pc=0.9，變異概率pm=0.36。

（三）編碼與解碼

編碼是應用NSGA-II算法時要解決的首要問題。為在NSGA-II算法中描述問題可行解的過程，本文將采用二進制編碼方法[23]。

二進制編碼方法是NSGA-II算法中最主要的一種編碼方法，二進制編碼既符合計算機處理信息的原理，也方便對染色體進行遺傳、編譯和突變等操作。設某一參數xi的取值范圍為（L，U），使用長度為k的二進制編碼表示該參數，則它共有2k種不同的編碼。二進制編碼符號串的長度與問題所要求的求解精度有關。對一個變量的二進制串位數k，用以下公式計算：

而不同的個體基因二進制編碼符號串則組成一條染色體，每一條染色體代表著問題的一個可行解，如圖4所示。

解碼的目的是將不直觀的二進制數據串還原成十進制。設某一個體的二進制編碼為bkbk-1bk-2…b3b2b1，則對應的解碼公式如下。

無論是編碼還是解碼的過程，其目的都是將多個目標函數可行解的相關數據轉化為計算機可以識別的數據，才能保證后續的算法的順利求解。

四、算例分析

（一）算例描述

本文的實例數據來源于多家主要從事中美跨境電商貿易的企業，這些企業現有300批貨物，編號為1-300，計劃從深圳、上海、寧波、天津和青島五地通過海運運往美國的洛杉磯、芝加哥和西雅圖等主要的海外倉。本次的物流任務國內港口共有5個，海外港口共有7個，即貨物的可運行線路共計有35條。運行線路分別為深圳蛇口—洛杉磯、上海—洛杉磯、寧波—洛杉磯等，如表4所示，記為線路1-35。假設負責運輸的船舶均為2萬噸級貨輪，主機功率11796（kW）、主機柴油消耗率0.206（kg/kWh）、主機負載系數為0.8、輔機個數為3個、輔機功率700（kW）、輔機柴油消耗率0.211（kg/kWh）、輔機負載系數為0.5、設計航速18.67（kn），以上數據均來源于船訊網。假設船舶航行過程中滿載但不超過船舶最大裝載量，同時船舶航速固定12kn且全程勻速航行，航線的航行時間如表5所示。貨物運輸的每立方米的運價如表6所示。此外，柴油消耗碳排放系數為3.06kg/kg，電力消耗碳排放系數為0.8kg/kWh。本文將通過實例數據的代入，求解得出雙目標約束下的最優線路解集，以驗證模型的有效性。

表4 各航線編號

表5 船線航行時間（單位：h）

表6 各航線貨物運輸每立方米運價（單位：USD）

（二）實驗流程

步驟一 參數及相關數據初始化。輸入各航線編號，給定船舶屬性相關數據、航行時間、單位運價、發運貨物的體積及重量、港口相關數據、碳排放系數等相關算例數據。

步驟二 編碼及初始化種群。本文將對發運的貨物批次進行編碼，使得每批貨物都能夠有對應的二進制編碼來表示，再利用Matlab軟件函數代碼將發運貨物批次的二進制數轉化為十進制數，實現貨物到35條航線上的映射，用1-35來表示。實現代碼如下。

步驟三 完成編碼規則的設定后，將隨機生成初始種群，即生成該問題的不同解決方案的合集。

步驟四 適應度函數輸入。本文模型中目標函數的取值都是非負值，所以求解過程中將以目標函數作為適應度函數來實現優化目標，以此搜索各批貨物適宜目標函數的最佳路徑。

步驟五 對種群進行快速非支配排序以及擁擠度計算。非支配就是個體在種群中是最優秀的，它們在該種群中不受其余個體支配。快速非支配排序，即將種群中的個體進行分層，最優秀的個體處于第一層，然后除了第一層，再從其余個體中找出非支配個體，以此類推產生不同的序列層。

算法采用計算擁擠度策略，即在目標變量空間，兩個個體在每個子目標函數上的距離差之和來求取擁擠距離。根據每個目標函數對種群中的所有個體進行升序排序[24]。

步驟六 遺傳算子操作。即對種群進行選擇、交叉、變異操作。

首先，對種群進行錦標賽選擇策略操作，錦標賽選擇策略就是每次從種群中取出一定數量個體，然后，選擇其中最好的一個進入子代種群。重復該操作，直到新的種群規模達到原來的種群規模[25]。具體的操作步驟如下：①確定每次選擇2批貨物個體。②從種群中隨機選擇個體（每個個體入選概率相同） 構成組，根據每個個體的適應度值，選擇其中適應度值最好的個體進入子代種群。③重復步驟② ，得到規模與原來種群相等數量的個體構成新一代種群。

然后，通過對種群進行二進制交叉、多項式變異操作來實現種群的優化。交叉即對個體基因進行重組，是本流程中最重要的操作，而變異則是改變種群內不同個體的基因值。兩者的目的都是尋找種群的最優個體。

步驟七 重復步驟五，直到達到種群最大迭代次數。

步驟八 終止循環。解碼之后輸出帕累托（Pareto）前沿最優解。

（三）算例結果分析

依據上述實驗流程，通過Matlab軟件對算例進行仿真得出了一組帕累托前沿最優解，并輸出了在運輸成本最小化和碳排放量最少化雙重約束下的最佳運輸路徑解集，驗證了模型與多目標算法的有效性。由運算結果可知，模型中的雙目標互斥，即滿足運輸成本較低時，碳排放量則會選擇較高的情況；而當要滿足碳排放量較低時，則需選擇運輸成本較高的情況。因此，在兩個目標之間進行決策，必然存在著二者選擇程度的權衡。物流方案的選擇就取決于決策方對于這兩個目標的重視程度。

本文僅展示如表7所示的部分貨物限于不同優化目標下不同的最優解集，即該批貨物由算法輸出的最佳運輸方案。其中每個解集都包含著每批貨物所匹配的最佳運輸路徑。通過對所有最優解集的歸納分析可以得出以下三點結論。首先，無論是考慮運輸成本最少還是考慮碳排放量最少的優化結果中，路徑的選擇密集集中于3、5、18、33、34這5條路線。如圖5所示，分別是寧波—洛杉磯、青島—洛杉磯、寧波—西雅圖、寧波—休斯頓和天津—休斯頓航線。該結果和這些航線的運價以及運輸時間在所有路徑中均較少有關，這說明兩個優化目標的結果除了與貨物本身重量和體積有關，同航線的運輸時間以及航程運價密不可分。

表7 部分最優解集展示

其次，在單方面考慮運輸成本最小化時，雖然上述航線均有分布，但路線34即天津-休斯頓航線的選擇頻次最高，而其航程運價、相關港口轉運費用及其他費用在整體所有航線中較低，同時港口轉運費用與其他相關費用在總體的物流運輸成本占比較小。所以，影響海運運輸成本的主要因素還是貨物的每立方米的海運費用，在不考慮其他因素的影響下，想要降低海運運輸費用，首要還是要考慮運送貨物路徑的海運費用。

最后，在單方面考慮碳排放量最小化的時候，情況有所不同，輸出以碳排放量最少約束下的最優解集中，除了上述航線均有分布外，航線選擇最主要集中于33與34航線，即寧波—休斯頓和天津—休斯頓航線。但總體來看，這兩條航線無論是航行時間還是航行距離在算例的所有35條航線當中偏高，這也使得海上船舶在這兩條航線上的綜合能耗較高，而與輸出結果顯示的碳排放量較少存在一定的對立。原因在于整體規劃與獨立選擇存在的差異，該算例中的貨物路徑的選擇是在整批次情況下進行，并沒有進行獨立的單批次路徑耗能最低的選擇，從而得出整體的優化結果。一般認為經濟活動的耗能與碳排放量存在正向關系，在該情境下一般認為貨物運輸總體上會更傾向于航行時間短、運輸距離近的航線，并且總體來說相關物流商將會據此對所有物流路線進行相應的主觀選擇，而此結果下卻得出了相反的結果。所以要討論綜合耗能與碳排放量的關系應視具體情景而定，不能僅僅考慮運輸距離與時間等因素而定，而應更多地將二者的關系置于實際情景當中加以具體討論并做整體規劃與選擇。

通過上述海外倉模式下的跨境電商物流網絡模型的求解結果分析可知，海運費用在跨境電商物流的總體運輸成本中占據了較大的比重。因此，在物流方案選擇中，必然應該著重考慮這部分成本。與此同時，在“雙碳”目標提出的背景下，隨著我國的國際海上貨物運輸量的持續增長，海運的碳排放量顯著增加，這也使我國節能減排的任務面臨壓力。因此，企業為了在激烈的國際貿易中保有競爭優勢，應該更加重視跨境運輸中的碳排放問題，在運輸方案的選擇上，盡量考慮運輸過程中產生的碳排放量，結合實際情景的多個方面及貨物自身的重量或體積，在降低物流成本的同時整體考慮各個航線的航行時間及港口條件等因素，以實現運輸活動總體碳排放量的降低，以此確定最優的物流方案。

（四）靈敏性分析

為了驗證貨運船舶航速以及貨運船舶噸級對模型穩定性的影響以及算法求解的有效性，從而消除不確定性影響參數對優化算法求解結果的影響，本文分別對船舶航速和船舶噸級在普遍的運行和最大適用范圍內進行了測試運行，并得出相應的優勢路徑運算結果。其中在檢驗船舶航速對優化結果的影響過程中，在固定2萬噸級船舶的使用情況下，依次將航速分別規定為10kn、12kn、14kn、15kn、16kn并依次進行算法運行，另外在對船舶噸級進行檢驗時固定船舶航速為12kn，船舶噸級分別為實際港口船舶使用中占比較多的2萬噸級、3萬噸級、5萬噸級、7萬噸級、10萬噸級的船舶，對以上噸級貨船同樣進行依次的檢驗運行以及結果分析。

1.最優路徑對船舶航速的靈敏度分析

在船舶航速的影響下，算法求解結果中優勢路徑的選擇在不同優化目標下呈現不同的結果。首先在以碳排放量優化的目標約束下，輸出的解集中優勢路徑的集中航線選擇與前文保持一致，即路徑的選擇密集集中于3、5、18、33、34這5條路線，但優勢路徑的總碳排放量隨著船舶航速的增加而增加，如圖6所示，這說明在其他條件不變的情況下，船舶航速增加，船舶的運行功率提高從而使得船舶的能耗和碳排放量增加，因而可知船舶的航速變化對優化結果和模型差別影響不大。其次，在以運輸成本優化的目標約束下，優勢路徑的總運輸成本隨著航速存在一定起伏，這主要與船舶航行過程中因航速的變化而導致的運行成本增加有關。另外，船舶航速設定在12kn時在所有結果中雙目標優化結果優勢最為均衡（如圖6所示）。綜上所述，貨運船舶航速對上述模型在不同航速的適用范圍內的優化結果影響較小。

2.最優路徑對船舶噸級的靈敏度分析

在船舶噸級的變化下，算法求解結果中優勢路徑的選擇在不同優化目標下也呈現不同的結果。首先在以碳排放量優化目標的約束下，輸出的解集中優勢路徑的航線選擇集中度與前文保持一致，但優勢路徑的總碳排放量隨著船舶噸級的增加而總體下降，如圖7所示，這說明在其他條件不變的情況下，船舶噸級增加，運輸貨物占總體船舶的空間越小，從而使貨物分攤的碳排放量依次遞減，因而可知船舶的噸級變化對優化結果和模型差別影響不大。其次在以運輸成本優化的目標約束下，優勢路徑的總運輸成本隨著船舶噸級總體上升，這與實際貿易跨國運輸情況一致，即船舶噸級越高，船舶運行成本越大。綜上結論說明了模型和優化結果在不同船舶噸級適用條件下的穩定性。

五、結論

在當前“雙碳”目標提出的背景下，綠色物流的發展日益凸顯出其重要地位，本文針對海外倉模式下物流運輸的綠色性問題展開了研究，以實現海運物流網絡節點間的綠色運輸為最終目標，既將物流運輸成本降低設定成優化目標，又兼顧了減少運輸過程中的碳排放量，這符合當前物流綠色發展的要求。為此，本文構建了海外倉模式下物流運輸多目標函數優化模型，模型中還搭建了海上貨輪運輸過程中的綜合能耗與碳排放量的函數關系。為解決多目標優化模型，本文采用了基于錦標賽選擇策略的NSGA-II算法。通過實際算例數據，得到了該數學模型的非支配解集，驗證了函數模型的有效性，另外本文也對模型的船舶航速和規格進行了靈敏性檢驗，進一步驗證了模型的穩定性。本文從海外倉模式下物流運輸多目標綠色性優化出發，考慮物流運輸成本的同時將物流過程中碳排放量的消耗納入物流運輸優化方案的考量中，并依據算例結果對海上貨輪的綜合能耗與碳排放量的關系加以討論，為物流綠色性優化提供了參考。

今后應進一步以多目標優化算法和依托擴展的多樞紐物流運輸網為重點，進行相關物流運輸網多目標優化的研究。本文在針對海外倉模式下物流運輸的綠色性優化問題研究過程中，一方面，就物流運輸網絡框架而言，主要考慮了物流網絡頭程運輸過程中的總成本與總碳排放量，頭層備貨、尾程派送以及物流節點的成本和碳排放量也是重要的構成因素，如國內倉與海外倉的營運碳排放量。另一方面，就優化目標影響方面來看，除物流運輸與中轉過程產生的碳排放量外，物流過程的綠色包裝、綠色倉儲以及各國的碳稅政策等也是影響優化目標的重要方面。此外，本文構建的物流網絡優化模型求解使用的方法是基于錦標賽選擇策略的多目標遺傳算法，沒有用到其他的優化算法，例如，粒子群算法、禁忌搜索算法等進行求解。今后也需要在算法求解方面針對各種優化算法的混合及比較應用加以考慮。

參考文獻：

［1］林夢嫚，王麗萍，周歡.MOEA/D線性插入方向向量策略研究［J］.小型微型計算機系統，2020，41（2）：236-243.

［2］吳敬茹.構建新發展格局背景下的物流業高質量發展研究［J］.價格月刊，2021（8）：90-94.

［3］李曉易，吳睿.交通運輸溫室氣體核算邊界和測算方法研究［J］.氣候變化研究進展，2023，19（1）：84-90.

［4］魏廣明，任麗果，秦娟娟，等.低碳雙渠道供應鏈的需求信息共享策略研究［J］.運籌與管理，2019，28（3）：45-56.

［5］杜志平，區鈺賢.基于CiteSpace的國內外跨境物流研究現狀、熱點與趨勢分析［J］.價格月刊，2021（4）：77-86.

［6］胡玉真，閔銳，李倩倩.考慮區位協同的海外倉選址及運輸規劃研究［J］.中國管理科學，2023，31（5）：249-259.

［7］燕晨屹，王喜富，員麗芬.跨境供應鏈網絡海外倉的魯棒性選址模型及算法［J］.交通運輸系統工程與信息，2019，19（6）：191-198.

［8］陳夢南，楊斌，朱小林.出口跨境電商海外倉選址雙目標優化［J］.上海海事大學學報，2017，38（2）：33-38，81.

［9］朱明.跨境電商物流產業鏈共生耦合模式與機制探討——基于公共海外倉視角［J］.商業經濟研究，2019 （7）：87-90.

［10］JI X N.Overseas warehouse location of cross-border e-commerce based on particle swarm optimization ［J］. Journal of control science and engineering volume，2022：1-6.

［11］吳暖，王諾，黃祺.基于改進NSGA-Ⅱ算法的班輪航線配船多目標優化［J］.工業工程與管理，2018，23（1）：79-85.

［12］孔榮娟，艾時鐘.跨區域物流網絡優化的模型與算法的改進研究［J］.工業工程與管理，2012，17（2）：57-61，108.

［13］國家市場監督管理總局，國家標準化管理委員會.物流術語：GB/T 18354—2021［S］.北京：中國質檢出版社，2021.

［14］FANG X H， NIE L， MU H.Research progress on logistics network optimization under low carbon constraints ［J］. IOP conference series： earth and environmental science， 2020， 615（1）：1-6.

［15］LI M Y，SUN X N.Path optimization of low-carbon container multimodal transport under uncertain conditions ［J］. Journal of sustainability，2022，14（21）：14098.

［16］劉倚瑋，趙章榮.考慮碳排放的多目標綠色多式聯運路徑優化［J］. 計算機仿真，2022，39（5）：145-149.

［17］ZHANG X，JIN F Y，YUAN X M，et al.Low-carbon multimodal transportation path optimization under dual uncertainty of demand and time ［J］. Journal of sustainability， 2021，13（15）： 8180.

［18］王清洲，張玉寧，陳佳夢，等.基于Witness仿真的綠色多式聯運路徑優化［J］.大連海事大學學報，2020，46（3）：22-30.

［19］袁長偉，劉珂，芮曉麗.基于灰色關聯的交通碳排放與能耗空間分析［J］.環境科學與技術，2019，42（3）：158-164.

［20］呂品.考慮碳排放的物流網絡優化模型研究［J］.計算機應用研究，2013，30（10）：2977-2980.

［21］彭云，王文淵，劉科，等.一種基于系統仿真的港口碳排放計算方法：CN108984927A［P］.2018-12-11.

［22］關亞彬，楊小輝，方宗德.基于參數敏感性分析的人字齒輪傳動優化設計［J］.機械傳動，2016，40（7）：67-70.

［23］雷英杰，張善文，李續武，等.MATLAB遺傳算法工具箱及應用［M］.西安：西安電子科技大學出版社，2014：1-59.

［24］王亞東，石全，宋衛星，等.動態物流網絡多目標優化模型及求解算法［J］.計算機集成制造系統，2020，26（4）：1142-1150.

［25］郭敏，馬昌喜，何彥剛.路段通行時間不確定下取送貨車輛路徑優化研究［J］.西部交通科技，2017（12）：100-105，113.

Study on Optimization of Transportation Greenness of Cross-border

E-commerce Logistics under Overseas Warehouse Model：

A Case Study of China-US Shipping

ZHANG Bao-you，YAN Chang-da， LIN Meng-man

（College of Economics and Management， China Jiliang University， Hangzhou，Zhejiang 310018）

Abstract：Based on the logistics network under the mode of Sino-US overseas warehouse， this paper focuses on the green optimization of the transportation process between maritime nodes in the logistics network， and establishes a dual-objective optimization model with the least total transportation cost and total carbon emission in the transportation process."The model proposes the calculation method of carbon emission during the operation of marine vessels， and also builds a functional relationship between the comprehensive energy consumption and carbon emission in the transportation process of marine transportation tools."The model is solved by non-dominated sorting genetic algorithm-II （NSGA-II） and the simulation of the example is realized by MATLAB software."The results show that the realization of dual objectives in the model is mutually exclusive and conforms to the principle of multi-objective optimization class of problems."Meanwhile， the arithmetic results output the optimal transport path solution set under the dual constraints of transportation cost and carbon emission minimization， which is of practical significance for the development of green logistics of cross-border e-commerce under the mode of overseas warehouses， and also provides a reference for exploring the relationship between the comprehensive energy consumption and carbon emission of maritime transportation means.

Keywords：cross-border e-commerce logistics; overseas warehouse model; greenness optimization; multi-objective optimization; NSGA-II algorithm; carbon emission

基金項目：國家社會科學基金一般項目“標準驅動的物流業高質量發展機理、路徑及微觀激勵政策研究”（21BJY195）