基于訂單數據分析的B2B物流網絡設計與訂單配載決策優化

關鍵詞：數據分析；物流網絡；訂單配載；時間序列；聚類算法中圖分類號：F252 文獻標識碼：A文章編號：2097-0145（2025）03-0061-08 doi：10.11847/fj.44.3.61

0 引言

隨著社會經濟的不斷發展和繁榮，B2B企業銷售產品的種類和渠道不斷豐富，其產品生產點和客戶（經銷商）的數量也在不斷增加。快速提升的銷售量為企業的物流運輸服務帶來了多方面挑戰。物流系統資源管理和協調難度的急速增長使得系統調度不順暢成為企業的一個重要痛點。對此，為了盡可能滿足物流需求并避免復雜的訂單配載問題，企業在處理包含來自不同生產點的產品時，通常會選擇將訂單拆分并單獨進行配送。但這種做法迫使企業大量增加運輸員工和車輛，顯著提升了物流成本并造成物流資源在銷售淡季的浪費。基于此背景，提出本文的研究問題：在面對位置分散的產品生產點和經銷商的情況下，同時考慮不同訂單的產品組合、卡車容量和運輸路線等多重因素的影響，如何實現訂單配載、車輛裝載和運輸路線的聯合優化調度？

訂單配載優化算法需要結合企業的實際運營情況并考慮其物流成本計算規則以做出訂單合并決策。訂單合并可以顯著減少物流配送次數并降低物流運輸成本，幫助企業提升物流效率。Wei等[1]對雙渠道線上零售商的訂單選擇與合并問題進行研究，并且考慮了訂單的物流截止時間。此類問題復雜度較高并且需要充分考慮企業的實際經營情況和場景特性。Alnahhal等[2]的研究場景為按訂單生產供應鏈，其特點是訂單數量多且產品量小。李浩霖等3則研究當自動化立體倉庫可以實現兩件料箱同時搬運時，如何進行訂單合并決策。此外，部分研究考慮了供應鏈結構對其訂單合并決策的影響。Hanbazazah等[4-5]考慮了包含多個供應商和一個零售商供應鏈中的訂單合并問題。同時，還有一些文獻關注消費者下單過程、交付時間和需求等因素的不確定性[6]。訂單合并不僅出現在運輸階段，還包括訂單揀貨環節。Boysen等[8]研究了訂單揀貨環節的訂單合并問題。馮曉春和胡祥培[9]研究了蔬菜電商的成組揀貨排序問題。還有文章研究了線上超市的訂單合并和打包策略[10-11]等。

合理的物流網絡能夠大大降低企業的物流成本，這使得物流網絡設計問題與本文密切相關。物流網絡設計是一個多目標規劃問題，決策者需要在建設成本、運輸效率和運輸成本等多個目標中進行權衡[12]，因此，在設計過程中考慮行業特點至關重要。Varsei和Polyakovskiy[13]在考慮環保和碳排放方面需求的情況下對紅酒行業的物流網絡進行優化。DeKeizer等[14]，趙泉午等[15]則在考慮生鮮產品運輸時效和產品質量因素的情況下進行生鮮物流網絡設計。更多關于花卉農業等易逝產品的物流網絡設計的研究可以參考De Keizer等[16]。更進一步地，關于產品回收的逆向物流網絡設計[17]、關于特異產品的配送網絡優化[18]以及關于應急產品的物流網絡動態優化[19]等也是廣受關注的研究問題。鎮璐等[20]以高鐵快運網絡總體運輸效益最大化為目標，研究了高鐵樞紐選址問題以及集散貨中心歸屬關系問題。殷允強等[21]基于地震等自然災害的實際救援需求研究了道路修復、應急物資選址與配送的集成優化問題。最后，雙渠道供應鏈中研究倉庫選址和庫容設計問題也受到了研究者的廣泛關注[2-23]。然而，上述研究只涉及到過庫網絡（cross-dockingnetwork）和B2C場景，而在物流網絡類型的綜述性文獻Esmizadeh和Mellat[24]的研究中提到了多種不同的網絡結構設計。

結合B2B企業物流運輸目的地分散和訂單規格小數量大的特點，本文的創新之處體現在：首先，構建了一個訂單配載、車輛裝載和運輸路線聯合調度的理論優化模型并提出有效算法。由于此類車輛路徑問題為 NP 難問題[25-26]，本文采用大數據和機器學習算法，建立了中心庫加前置庫的物流網絡設計模型并相應提出了訂單配載啟發式算法。其次，提出了考慮訂單發貨時間窗和實際物流成本計算規則的訂單分級機制與訂單配載算法。通過企業訂單數據挖掘客戶訂單特點，建立訂單分級規則，并基于該結果對需要中心庫配載的小批量訂單和前置庫滿足的極小批量訂單分別進行訂單配載優化和庫存網絡設計，實現物流服務的降本增效。再次，基于合作企業B2B銷售數據實現了其物流網絡設計方案，并通過數據實驗驗證了模型的有效性，為具有多客戶、多品規產品特點的B2B企業自建物流網絡規劃、提升訂單配載發貨效率和降低物流運輸成本提供了有力的決策支持。

1問題描述與模型假設

本文考慮一個具有多個生產點的B2B企業，各個生產點負責不同產品的生產，并都具備物流運輸功能。為了提高物流響應速度、應對大量分散的客戶訂貨需求并降低多產品訂單帶來的多點提貨和訂單配載問題難度，企業一般采用傳統的訂單拆分配送方式。這種拆分配送方法將不同時間、生產點的訂單進行逐一拆分，并針對其中的每種產品分別發車配送，但也造成了物流成本的大幅提升。因此，本研究關注的訂單配載路徑優化問題是在包含多個提貨點和送貨點的情況下，根據已知的訂單信息優化運輸車輛的提貨和運輸路徑，該優化問題的目標是最小化運輸成本和運輸時效懲罰之和。

為了深入分析企業物流成本浪費的原因，本文首先介紹企業使用的運費計算規則。以煙草行業為例，表1展示了某企業現行運費計算規則，每輛車的運輸費用等于運輸重量乘以運費單價和運輸里程。

為了模型適用問題的一般性，本文將表1中的運費計算規則參數化為計算條件向量 和 ，以及計算結果向量 和 。因此，在確定車輛行駛路線時，需要先通過貨物數量換算運輸重量，然后根據運輸距離判斷其運費單價，并計算得到企業應付的運輸費用。

為了解決訂單拆分配送導致的物流成本浪費問題，同時提高物流響應速度，本文提出了相應的優化模型，將涉及不同生產點和客戶的訂單進行配載發出，使企業物流運輸成本與訂單等待懲罰的加權之和最小。接下來對優化模型中所用到的參數進行定義，如表2所示。

運輸重量 W_k 根據貨物量 v_k 和判斷條件向量 比較后在運輸重量結果向量中 查找得到。在實際總運輸量超過最大的判斷條件時不產生運費補償，由實際總運輸量按比例計算運輸重量，因此 與 維數相等，均為 n 維向量。車輛運輸重量判斷函數總結如下

相應地，運輸車輛的運費單價 R_k 根據其運輸距離 l_k 和判斷條件向量 比較后在運費參數結果向量 中查找得到。在實際運輸距離超過最大的判斷條件時，取最小的成本系數。因此， 的維數標記為 的維數為 m+1 。車輛運費單價判斷函數總結如下

由此，該訂單配載和運輸路線聯合調度問題可以總結為一個適應企業特定成本計算方式的訂單選擇和車輛路徑規劃問題。由于優化目標為最小化運輸成本與運輸時效懲罰之和，并且車輛可能需要去多個生產點進行提貨，因此，該問題屬于多目標多中心的車輛路徑規劃問題[27-28] 。

x_ij^k∈{0，1}，i∈C，j∈C，k∈V

目標函數（3）由每輛車的物流成本與訂單等待懲罰組成，其中，物流成本由運輸單價 R_k 、包含運輸補償的運輸重量 W_k 以及實際運輸距離 l_k 三者相乘得到，而訂單等待懲罰則等于所有未被發出的訂單 乘以其訂單量 d_j 和懲罰系數ρ 。約束（4）限制訂貨的客戶都被服務不超過一次。約束（5）通過根據訂單發貨緊迫性參數 t_j 控制前一天到達的訂單必須被服務。約束（6）計算了每輛車的實際送運貨總量。約束（7）根據送貨總量計算包含運費補償的送貨量。此處，運輸費用按照運輸總量計算，因此，模型中不考慮車輛的承載量上限，任何數量的貨物都能夠找到合適的車輛進行運輸且運費不產生變化。約束（8）和（9）分別計算了每輛車運輸的總距離以及運輸距離對應的物流成本系數。需要說明的是在實際運輸過程中，物流成本計算只考慮送貨過程，卡車回程費用并不需要企業負擔。約束（10）控制卡車到達和離開每個訂貨企業的次數必須相等。若沒有車輛來或者離開則等于0，若有一輛車來送貨并且離開了則等于1，即不會有車輛在訂貨客戶處停留。約束（11）和（12）限制了每輛被使用的卡車都必須從發貨倉庫出發并最后回到發貨倉庫。約束（13）控制了決策變量的取值范圍。

2基于訂單配載的物流網絡設計方案

本文研究了一個多目標多中心的車輛路徑規劃問題，且該問題屬于 NP 難問題[27-28]，無法用精確算法進行求解。因此，本文提出了一套基于訂單配載的物流網絡設計方案，以實現企業不同生產點產品訂單的配載和發出。該物流網絡包含一個中心庫和若干個前置庫：中心庫集中存儲不同工廣生產品牌的貨物，以實現對訂單的配載運輸；前置庫放置少量貨物，用于滿足極小批量特殊訂單。由于極小批量特殊訂單數量少、時間要求緊，因此，無需經過配載流程，直接由前置庫進行配送。在前置庫內的貨物量較少時，管理人員提前會向中心庫下大批量訂單以補足前置庫，使得前置庫內的貨物量始終能夠滿足臨時特殊需求。這種中心庫加前置庫的訂單分級管理模式的系統設計思路總結如圖1所示。為實現倉庫網絡設計與實時訂單配載系統整體規劃設計，本方案需解決以下問題：

（1）訂單配載算法：除極小批量特殊訂單外，根據訂單產品數量對其進行分級和配載優化。（2）中心庫選址和庫存容量設計：基于企業歷史訂單數據和訂單配載結果，通過時間序列需求預測算法確定中心庫的位置以及庫存容量。（3）前置庫網絡設計：根據客戶位置數據確定前置庫的數量、選址以及其覆蓋范圍。

2.1 訂單配載算法

為了解決物流服務中運費補償所造成的成本浪費同時提升物流服務質量，企業需要對訂單進行配載優化以降低運輸成本和訂單等待成本。從前文所述的運費計算規則和規劃模型中可以發現，合并小批量訂單使其超過產生運費補償的門檻 Vⁿ 是降低物流成本的關鍵因素。同時考慮到多目的地路線規劃的計算復雜度以及實際運費系數的降低幅度較小，本文從企業運營實際出發提出了一個依據多目的地配載經驗的訂單合并解決方案。值得注意的是，根據客戶的物流時效要求，企業設定了兩天的訂單發貨時間窗，訂單必須在客戶下單當天或第二天發出，但在客戶下單第二天發出會產生一定的訂單等待成本。在運輸車輛方面，物流服務由第三方物流公司提供，企業只需按照運費計算規則支付物流費用而不需要考慮運輸車輛的型號和尺寸。最后，企業出于生產和經營的需要，存在一部分短距離運輸的自有車輛，因此，在不同生產點間的貨物運輸不需要支付額外的轉運成本。

企業可以在每日固定時間對前一天未發出訂單和當天新到達訂單進行訂單分級和配載優化，并最終獲得可執行的訂單配載運輸任務。該算法總結在算法1中。

2.2中心庫選址與庫存容量設計

本節將在上文所提出的兩級訂單配載算法的基礎上進行中心庫選址和庫存容量設計。首先，根據配載訂單量決策中心庫庫存容量。在兩級訂單配載算法中，訂單被分為直發訂單和配載訂單，其中，直發訂單直接由生產點發出不需要占據中心庫容量，而配載訂單則需要在中心庫整合配載發出，因此，本文使用所有待配載訂單的產品數量來預測中心庫庫存容量。此處采用時間序列預測模型中指數平滑下考慮時間趨勢的狀態空間模型進行預測，使用該方法的原因以及其他在進行庫容設計時需要考慮的因素總結如下：

（1時間序列預測方法：由于價格和市場變化信息的缺失，難以采用需要外部變量的預測方法，而僅需企業銷售數據的時間序列預測方法在此處更加適用。同時，指數平滑下考慮時間趨勢的狀態空間模型的靈活性和自適應性使其能有效處理和預測具有明顯周期性的時間序列數據，而卷煙行業市場一般具有明顯的周期性波動，因此，適合采用此方法進行預測。

（2）銷量統計單位：根據產品特性和訂單的時間分布規律，需要選擇合適的時間單位對產品銷量進行統計。例如，對于銷售數據呈現明顯的月內波動和規律的產品，其銷量統計時長單位需要長于一個月。同時考慮到預測數據的數量與精度，本文選擇以“月”為單位對產品銷量進行預測。

（3）銷量預測單位：根據產品特性和訂單的時間分布規律，設定中心庫的庫存容量為預測銷量目標。

（4）倉庫利用率：由于倉庫庫容設計需要綜合考慮企業外部合作、未來發展以及倉庫運作效率等因素，因此，其庫容大小不能與預測產品銷量持平，而需要考慮倉庫設計利用率。

其次，進行中心庫的選址規劃。本文根據需運往中心庫配載送貨的訂單和配載算法得到的發貨起訖點，以及利用爬蟲工具爬取百度地圖中配送車輛的最佳運輸路線（優先選擇高速公路）來計算各備選地點的配送總成本，然后將每個備選地點的配送總成本進行比較來確定中心庫的最終選址。基于企業實際經營情況，依托生產點來建立中心庫既可以節約固定建設成本，又可以避免部分生產點到中心庫的運輸任務，提高配送效率并減少短途運輸交通壓力。因此，企業將現有生產點作為中心庫的備選地點，隨后根據配載使用車輛、噸位、目的地城市和配送中心距離計算運輸總運費，并通過比較以不同生產點作為中心庫選址的總運費來確定中心庫的最優選址結果。

2.3 前置庫網絡設計

最后，本文聚焦于前置庫網絡的設計問題。設立前置庫有助于企業對客戶進行分區，并提前調撥貨物至訂貨客戶所在的區域，使企業能夠更快地對極小批量訂單做出響應，從而節約運輸成本并縮短運輸時間。要進行前置庫網絡設計，需要確定前置庫的數量及其位置，然后在數值實驗中結合具體數據分析前置庫對整個物流系統帶來的效率提升。由于企業的客戶分布基本覆蓋全國，運輸距離最長超過三千公里。因此，本文按照訂貨客戶的地理位置和訂貨量進行聚類。假設訂貨公司的數量為 q ，最優的分類數量為 K （利用“手肘算法”確定），則分類目標函數為

其中： μ_j 為第 j 類的中心點位置，即前置庫地址;r_ij=1 表示第 i 個訂貨客戶被分到第 j 類中，否則r_ij=0;O_i 為該客戶一年內的小批量訂單總量;Distance （y_i，μ_j） 計算了第 χ_i 個訂貨客戶被分到第 j 類時到類別中心的距離，常用的距離函數包括歐氏距離，曼哈頓距離等。本文采用 K -means聚類方法，其優勢在于聚類效果較好、算法解釋性較強并且收斂速度快，但容易陷入局部最優。為了解決該問題，本文采取多次運行取最優的方式，并且運行多次結果沒有變化后再將其當作最終結果進行記錄。聚類算法得到的類別中心以及分類結果分別對應了前置庫的選址以及其覆蓋的客戶。

3企業實例分析

為了驗證前文提出的系統設計方案的有效性，本文使用安徽某合作企業2018年1月至2019年4月的全國訂貨數據以及所有訂貨客戶的地址信息進行模擬訂單配載和倉庫網絡設計，此時其訂貨企業數量多達315家，范圍已經擴展至我國的25個省級行政區域。本文出于數據保護等原因沒有使用最新的銷售數據，并且對數據中涉及到的生產點的倉庫位置進行了匿名或模糊處理。

3.1企業分級與配載結果

首先，對未配載的47，610個訂單進行產品數量與頻次統計，可以發現大量訂單集中在低于100件的產品數量區間，其中，產品數量低于50件的訂單占比接近 25% ，而低于700件的訂單占比達到85% 。如果將上述訂單拆分后發出，那么這些占大多數的小批量訂單將導致物流費用大幅提升。根據統計結果，基于2.1節提出的訂單分級配載啟發式算法對所有配載訂單進行相應的訂單分級與配載操作，再次進行產品數量和頻次統計，可以實現訂單總數的顯著降低，由原始數據中的47，610個下降至4569個。整合到一起的訂單被一同發出，即使沒有達到700件的無運費補償門檻，訂單數量的大幅下降仍將顯著減少運費補償的次數，從而大幅縮減運費支出。其次，大批量訂單占比逐漸升高，由原本的 0% 提升至 18% ，運輸效率得到大幅度的提升。再次，低于700件的小批量訂單占比逐漸均衡，不再像原始數據一樣大量集中于50件以下。綜上所述，本文提出的兩級訂單配載算法可以有效降低訂單數量、提升物流運輸任務貨物量并降低運費補償。

3.2中心庫選址與庫存容量決策

根據訂單分級結果，本文利用時間序列預測方法對需求模型進行擬合和預測。由于煙草產品的特殊性，產品銷量呈現出明顯的月內波動性和規律性，根據對企業煙草銷售量的統計發現，每年二月銷售量較低，而其他月份銷售量較為穩定。因此，為了避免周期性因素對時間序列預測結果的干擾，本文以“月”為單位對產品銷量進行統計和預測。同時考慮企業銷售的線性增長趨勢，預測接下來三個月的銷售量。以煙草產品周轉時間15日為例，并且考慮到一般企業的目標倉庫利用率為 50% ，因此，單期預測量即為中心庫的設計庫容。

本文采用時間序列預測模型進行模型訓練和需求預測得到接下來三期銷量如表3所示。在對三期預測結果求平均后得到的設計容量為254，089件。在 95% 置信區間內，倉庫利用率也可以保證在合理的范圍內（ 26% 至 74% ），確保了前置庫的健康運轉。

基于表1中提到運費補償及計算規則，以合作企業的五個生產點為例，可以得到生產點直發訂單的年運輸成本約為3318萬元。利用前文中提出的訂單分級配載算法，可以計算出五個生產點分別作為中心庫的配載訂單年運輸成本，加上直發訂單運輸成本后與采用傳統方法的運輸成本進行比較，結果如表4所示。從計算結果上看，五個生產點作為中心庫的運輸成本差別不大，其中成本最低的生產點1與生產點5之間的運輸成本差異不足 4% 。據測算，該企業于2018年全年的實際運輸成本接近1億元，而建立中心庫后預期將節約超過 25% 運輸成本，大大提高其物流系統的效益。

3.3 前置庫選址結果

在訂單配載算法的分析結果中，本文發現在經過兩級配載后，仍然存在較多小于50件的小批量訂單，占比超過 13% 。這一結果凸顯了設立前置庫的重要性。因此，本文利用 K -means聚類算法綜合考慮訂貨客戶的地理位置和銷量因素進行聚類，聚類后的每個類別作為一個前置庫覆蓋的發貨區域，并且將類別中心確定為該類別的前置庫。為了確定所有訂貨客戶分類的數量，本文采用“手肘算法\"對位置數據進行分析，發現取7＼～9個類別較為合理。考慮企業實際運營成本，選取7個類別作為聚類目標。將此類別數帶人算法聚類得到前置庫選址以及其對應的覆蓋區域

為了進一步分析前置庫對整個物流系統的效率提升情況，本文統計了每個前置庫的總訂單量及其覆蓋客戶中的最長運輸時間（蘭州和成都前置庫分別包含新疆烏魯木齊和西藏拉薩，屬于特殊地區，不包括在距離比較中），統計結果如表5所示。前置庫的最遠送貨距離比中心庫的加權平均送貨距離短至少250公里。此外，前置庫的最長送貨時間集中在12小時左右，這意味著從前置庫發貨的訂單最多只要半天就可以送達。因此，中心庫和前置庫組成的物流網絡能夠高效覆蓋全國客戶，實現全國各地市卷煙訂單的快速響應，為企業高效的生產運行保障提供有力支撐。

上述物流網絡設計方案通過了企業的論證并在此基礎上實施倉庫的投資建設工作，本文提出的訂單配載算法也在其銷售過程中開展了初步應用。

本文方案可以為眾多B2B企業提供自建物流網絡的建議，為其提升訂單配載發貨效率、降低物流運輸成本提供有力的決策支持。

4結論與啟示

隨著產品種類和銷售渠道的不斷增加，B2B企業面臨著產品生產點和訂貨客戶數量不斷增加且位置分散的問題，給訂單的統籌配載運輸帶來挑戰。在現行的物流服務收費規則下，傳統的訂單拆分運輸方式會造成很大的物流成本浪費。因此，本文從訂單配載算法人手，構建了一個訂單配載和運輸路線聯合調度的理論優化模型。為解決此NP難問題，本文提出了一個基于訂單配載算法的物流網絡設計方法，構建了一個中心庫加多個前置庫的物流倉儲網絡，并提出了一個訂單分級配載算法對訂單進行分級判斷和配載整合。本文通過數值算例分析驗證了模型的有效性。

本文發現，面對日益提高的時效性要求，企業能夠通過設置前置庫，在保持較低物流成本的同時顯著提高運輸時效。本文所采用的多級物流網絡配合訂單配載算法為企業解決復雜的訂單配載問題提供了一個新的思路，不僅可以大幅降低運輸次數從而減少物流成本，并且能夠以較低的復雜度解決訂單配送問題。

在未來的研究方向上，由于多目標多中心的車輛路徑規劃問題的求解復雜度，本文提出了一個啟發式方法對其進行解決，未來可以更進一步探究該問題的精確算法。此外，未來還可以探討隨機需求下的需求預測方法，以及其對應的物流倉儲網絡設計和訂單配載優化問題；或在考慮產品生產周期的情況下，研究產品生產計劃與物流配送決策的聯合優化系統。

參考文獻：

[1]WeiL，Kapuscinski R，Jasin S. Shipping consolidationacross two warehouseswith delivery deadline and expedi-ted options for e-commerce and omni-channel retailers[J].Manufacturing amp; Service Operations Management，2021，23（6）：1634-1650.

[2]Alnahhal M，Ahrens D，Salah B. Modeling freightconsolidation in a make-to-order supply chain：a simula-tion approach[J].Processes，2021，9（9）：1554.

[3]李浩霖，譚哲一，汪小帆，等.自動化立體倉庫“一車雙箱\"模式訂單分批與存取決策優化[J].工程管理科技前沿，2022，41（2）：41-48.

[4]Hanbazazah A S，Abril L，Erkoc M，et al.．Freightconsolidationwithdivisibleshipments， deliverytimewindows，and piecewise transportation costs[J]. EuropeanJournal of Operational Research，2019，276（1）：187-201.

[5]HanbazazahAS，CastroLE，ErkocM，et al..In-transitfreightconsolidation of indivisible shipments[J].Journalof the Operational Research Society，2020，71（1）：37-54.

[6] Ponce D， Contreras I， Laporte G. E-commerce shippingthrough a third-party supply chain［J]. TransportationResearch Part E：Logistics and Transportation Review，2020，140：101970.

[7］邱晗光，周繼祥，龍躍.顧客可選末端交付方式和時間窗的城市配送動態訂單接受優化研究［J].中國管理科學，2020，28（8）：114-126.

[8]Boysen N，Stephan K，Weidinger F.Efficient orderconsolidation in warehouses：theproduct-to-order-assignment problem in warehouses with sortation systems[J].IISE Transactions，2022，54（10）：963-975.

[9］馮曉春，胡祥培.基于學習效果的蔬菜電商成組揀貨排序方法[J].系統工程理論與實踐，2020，40（2）：449-461.

[10] Zhang Y，Huang M，Hu X，et al.. Package consolida-tion approach to the split-order fulfillment problem ofonline supermarkets［J].Journal of the OperationalResearch Society，2018，69（1）：127-141.

[11］張源凱，胡祥培，黃敏芳，等.網上超市拆分訂單合并打包策略經濟決策模型［J].管理科學學報，2019，22（10） ：24-36，100.

[12]RajabalipourC H，Desa MI，Wibowo A.A flexiblethree-level logistic network design considering cost andtimecriteriawithamulti-objectiveevolutionaryalgorithm[J].Journalof Inteligent Manufacturing，2013，24： 277-293.

[13]Varsei M，Polyakovskiy S. Sustainable supply chainnetwork design： a case of the wine industry in Australia[J]．Omega，2017，66： 236-247.

[14]De Keizer M，Akkerman R，Grunow M，et al..Logis-ticsnetwork design forperishableproductswithheterogeneous quality decay[J]. European Journal ofOperational Research，2017，262（2） ： 535-549.

[15］趙泉午，姚珍珍，林婭.面向新零售的生鮮連鎖企業城市配送網絡優化研究［J].中國管理科學，2021，29（9） ：168-179.

[16]De Keizer M，Van Der Vorst J，Bloemhof J，et al..Floricultural supply chain network design and control：industry needs and modelling challenges[J]. Journal onChain and Network Science，2015，15（1）：61-81.

[17]胡悅，羅亞波，李霞.基于混合算法的不確定環境下逆向物流網絡設計研究[J].工業工程與管理，2018，23（1） ：90-95.

[18］張得志，楊舒馨.動車零部件維修配送網絡“選址一庫存\"聯合優化［J].鐵道科學與工程學報，2019，16（7） ：1820-1825.

[19］劉明，曹杰，章定.數據驅動的疫情應急物流網絡動態調整優化[J].系統工程理論與實踐，2020，40（2）：437-448.

[20］鎮璐，張念祖，蘭楷，等.高鐵快運網絡優化模型與算法研究[J].工程管理科技前沿，2023，42（4）：9-17.

[21］殷允強，羅琴鳳，陳旭，等.考慮道路修復的應急物資選址與配送雙目標優化研究［J].工程管理科技前沿，2023，42（4） ：1-8.

[22]Millstein M A，Campbell JF.Total hockey optimizesomnichannel facility locations[J].Interfaces，2O18，48（4）：340-356.

[23]Millstein M A，Bilir C，CampbellJF.The effect ofoptimizing warehouse locations on omnichannel designs[J]．European Journal of Operational Research，2022，301（2）：576-590.

[24]Esmizadeh Y，Mellat P M.Logistics and supply chainnetwork designs：incorporating competitive priorities anddisruption risk management perspectives[J].Interna-tional Journal of Logistics Research and Applications，2021，24（2）：174-197.

[25]劉艷秋，徐世達，張穎，等.考慮路徑可行性與倉儲集貨模式下的回收車輛路徑問題研究[J].中國管理科學，2016，24（12）：98-107.

[26]徐小峰，林姿汝，周鵬.多油品供給受限下多油庫被動配送車輛路徑問題研究［J].中國管理科學，2021，29（5） ：157-165.

[27］范厚明，劉鵬程，劉浩，等.多中心聯合配送模式下集貨需求隨機的VRPSDP問題［J].自動化學報，2021，47（7） ：1646-1660.

[28］楊翔.多中心開放式VRP拓展問題建模及算法研究[D].大連：大連海事大學，2019.

B2B Warehouse Network Design and Order Consolidation Algorithm Based on Order Data Analysis

GUO Xiaolong1，WANG Runze1，WANG Lei2，LI Xiaoxiao1 （1.School of Management，UniversityofScienceand Technologyof China，Hefei 230026，China；2.China Tobacco Anhui Industrial.CO.，LTD，Hefei ，China）

Abstract：With the continuous development and prosperity of the social economy，B2B enterprises have showna constantly diverse range of product types andsales channels.Therapid development ofB2B enterprises is alsoreflected inthe continuous increasein the numberof production factoriesanddistributors，and this brings big challenges to the logistics and transportation services for enterprises.

Weconsidertwo important characteristics：dispersed logistics transportation destinations and large numberof orders with small product quantities from distributors，and wedesignalogistics network for the B2Benterprise，and constructs a theoretical optimization model for joint scheduling of orderconsolidation，vehicle loading sequence and transportation routes.We use the actual sales data collcted from acompanyin Anhui from January 2018 to April2O19，including the adress of rdering distributors allaround thecountry，to simulate theorderconsolidationprocess and warehouse network design.We propose a heuristic algorithm fororderconsolidation after analyzing thecharacteristics of distributor orders usingdata mining technics：large-volumeorderswill bedirectlyarrnged for transportation from theirproduction factories，small-volumeorders willbeconsolidatedbythecenter warehouseandsentout，andtiny-volume specialorders willbe fulfilledbythefront warehouse.Subsequently，weaddress thecentral warehouse locationand inventorycapacity design problems.Byusing the time series prediction method of exponentialsmoothing state space model，we predict the inventorycapacityofthecentral warehouse to ensure that the logistics network canmeetthedemand for future order consolidation.Finally，thelocation forthe front warehouseisdetermined through clusteringanalysiswith thelocation informationandactual orderdataof distributors，the numberandlocationof the front warehousesare determined to more eectivelymeettheneedsofextremelysmallbatchspecialordersandshortenlogistics transportation time.With the location informationand actual orderdataof distributors，we testthe eficiency of theproposedorder consolidation heuristic algorithm and warehouse network design method.

The innovation ofthis studycan be summarizedas follows.First，basedonthe actual background of B2Benterprises， the jointoptimizationoforderconsolidation，vehicleloading，andtransportationroutes isstudied，anda warehousenetwork schemethat isconsistedof acenter warehouseand anumberof front warehouses is proposed.Second，considering the timeliness of distributororders，thedeliverytime windowandtheactualtransportation costcalculationrules，we provide decisionsupport forB2Benterprise with warehousenetworkdesignandorderconsolidation.Third，using theactualsales datacollected fromacompany inAnhui，we testthe eficiencyof theproposed methods through numerical experiments， providing efective strategies for B2B enterprises to reduce transportation costs and improve its service quality.

Key words：data analysis；warehouse network；order consolidation；time series；clustering