高密度物流网点下的RDC选址问题研究

杜新建，蔡珊珊，杨浩雄，2

（1.北京工商大学商学院，北京100048；2.首都流通业研究基地，北京100048）

高密度物流网点下的RDC选址问题研究

杜新建1，蔡珊珊1，杨浩雄1，2

（1.北京工商大学商学院，北京100048；2.首都流通业研究基地，北京100048）

为了凸显竞争优势和增加客户满意度，许多大型企业均建立起各自的物流网络，并使其网点向高密度方向发展。而这种趋势必将造成RDC的重复建设，增加企业的物流成本，同时也给社会带来资源浪费问题。为了提高科学性和合理性，文章提出了基于聚类分析的RDC选址法，并运用Matlab软件和逐次逼似算法进行求解。最后，结合实例，验证了该法的可行性和优越性。

高密度物流网点；RDC选址；聚类分析；自组织特征映射；鲍摩·瓦尔夫模型

0 引言

物流网点，从广义上讲是指物流业务所能覆盖的地点；从狭义上讲是指设立物流基础设施（如仓库、配送中心等）的地点。结合现有物流网络的发展趋势，本文提出了“高密度物流网点”概念，它是指物流基础设施（如RDC）据点的密度高、数量多、覆盖范围大。

目前物流行业的竞争不仅仅是成本竞争，更重要的是服务质量竞争。随着客户对物流时效性要求的不断提高，物流企业也相应地需要提高运作速度，缩短运作时间。而建设高密度物流网点是解决这一问题的有效途径。但与此同时，该方法也造成了RDC重复建设问题的普遍存在，可见物流网点建设的科学性和合理性亟待提高。

在现有的研究成果中，不乏有关于物流设施选址的模型和方法。但这些方法仍然存在一些不足。如定性选址法虽然考虑了较多因素的影响，但其主观性较强，容易产生评价误差；定量选址法虽然准确性较高，但其需要大量的运算，并且考虑因素相当有限。

针对现有方法中存在的问题，本文从整体网络优化的角度，提出了RDC选址的新思路（图1），即在对物流区域进行聚类分析的基础上，规划出RDC的具体位置。该方法不仅可以有效地避免重复建设问题，而且可以结合聚类分析阶段多因素考虑问题及具体规划阶段客观性强的双重优势，提高决策的科学性。另外，利用聚类结果可以简化规划阶段的计算量。

1 RDC选址模型

1.1 选址模型

（1）业务区域聚类模型——SOFM网络

SOFM（Self-Organizing Feature Map）是一种无监督学习的人工神经网络计算方法。该方法可以采用各神经元（特征参数）之间的自动组织去寻找各类型间固有的内在特征，从而进行映射分布和类别划分，即自动识别的聚类功能。

本文利用SOFM网络分析影响物流设施建设规模的因素，并通过其聚类功能划分出各个业务区域的设施规模等级。具体步骤如下：首先，确定物流设施规模的主要影响因素，即业务区域的聚类评价指标（如年出库量），并收集相关数据；其次，利用Matlab软件构建SOFM网络；最后，根据神经网络工具箱的聚类评价结果，得出不同业务区域的物流设施规模等级，从而为具体选址环节提供决策依据。

（2）区域内规划模型——鲍摩·瓦尔夫模型

在确定各区域的物流设施规模等级的基础上，即可通过建立鲍摩·瓦尔夫模型规划出各个区域内物流设施的具体位置，从而得出最终的选址和建设规模决策。

本文以物流总成本最小为目标，通过建立鲍摩·瓦尔夫模型来确定物流设施的具体位置，即在一个业务区域内，选择一个或几个位置建立RDC，使得从已知工厂，经过RDC，向多个客户运输产品时，物流总成本最小。

记：cij表示从工厂i到物流节点j每单位运量的运输费；hjk表示从物流节点j到客户k每单位运量的运输费；Si表示工厂i的产品供应量；Dk表示客户k的产品需求量；Xij表示从工厂i到物流节点j的货物量；Yjk表示从物流节点j到客户k的货物量；wj表示通过物流节点j的运量；vj表示货物经过物流节点j的变动费用所对应的常数；Fj表示物流节点j选中后的固定费用（与其规模无关的固定费用）。

建立的数学模型如下：

1.2 算法介绍

（1）SOFM网络在Matlab软件下的解法

SOFM网络本身的学习算法非常复杂，在实际应用中不建议使用。在此，本文借助了Matlab神经网络工具箱的相关功能，对物流区域进行聚类评价：首先，将评价指标所对应的数据组作为输入矢量存入数组中；然后确定参数（包括神经元个数、学习速率、网络最大训练步数等）；运用newc（）函数创建竞争层网络；运用init（）对竞争网络进行初始化；初始化连接权向量；运用train（）训练上述初始化后的网络；调用plot（）绘制网络训练后的权值矢量，并将结果以图形形式显示出来；运用sim（）对一个具有输入矢量的神经网络进行仿真，该函数最后返回网络的输出结果。

（2）鲍摩·瓦尔夫模型的算法介绍——逐步逼似算法

Step1：求出工厂到物流节点再到客户间的所有组合的单位运输成本的最小值再求运输问题的最优解：

其中，xik——从工厂i经过物流设施j向客户k配送的货物量。

2 算例分析

（1）确定评价指标、构建SOFM网络

本文以A公司的15个业务区域（分公司）作为聚类评价对象，选取年出库量额、大体平均库存量、一般辐射的经销商数量作为评价指标，建立相应的数据样本。并利用Matlab工具箱构建SOFM网络，得出如表1的区域分类结果。

表1 基于SOFM模型的A公司业务区域分类结果

（2）根据聚类分析结果，确定区域内设施位置

本文仅以柳州地区为例，说明区域范围内选址的具体步骤及方法。由表1可知，柳州业务区域属于建立大型物流设施的范畴。柳州分公司在柳州市、桂林市和河池市有三个仓库，相关数据见表2、表3和表4。为了整合资源，节约资金，本文把这3个地级市作为RDC设立的备选地点，其货物配送模式如图4所示。

表2 工厂到配送中心候选地的单位运输成本（cij）

表3 配送中心备选地变动费（

表3 配送中心备选地变动费（

注：这里取θ=0.5。

?

表4 配送中心候选地到各经销商所处地级市的单位配送成本（hjk）

（3）结果分析与评价

根据表5可知，在3个备选地中，应选取柳州和桂林2处作为RDC的设立城市，配送路径为柳州配送中心→柳州经销商/河池经销商、桂林配送中心→桂林经销商/贺州经销商。通过对比原有和规划后的相应状况，可以充分说明该选址方法的有效性和可行性，如表6所示。

表5 最终解

表6 结果分析表

3 结束语

本文以提高RDC选址决策的科学性和合理性为目标，提出了基于SOFM网络和鲍摩·瓦尔夫模型的选址模型。该模型适用于规模较大、业务范围较广及物流网点密集的物流企业。在具体应用时，企业可以根据实际情况和规划要求，确定合理的评价指标，同时以成本最小化为目标，建立基于企业实际的选址模型，并提出经济、有效的选址方案。

RDC选址是一个涉及众多影响因素的复杂性问题，所以，在进行规划时，如何系统、全面地考虑相关影响因素，如何使选址决策符合动态变化的市场需要是该问题的难点，也是该问题需要进一步研究的关键所在。

[1]Archana P.Sangole．Spherical Self-Organizing Feature Map:an Introductory Review[J]．International Journal of Bifurcation and Chaos，2006，16(11)．

[2]刘敬青．物流设施选址研究的评述及展望[J]．中国储运，2007，(3)．

[3]赵闯，刘凯，李电生．SOFM神经网络在物流中心城市分类评价中的应用[J]．中国公路学报，2004，17(4)．

[4]潘文军，王少梅．基于神经网络的聚类分析方法及在港口设备配置中的应用[J]．交通与计算机，2003，21(5)．

[5]孙焰．现代物流管理技术——建模理论及算法设计[M]．上海：同济大学出版社，2004．

[6]Kohonen T．The Self-organizing Map[J]．Proceedings of IEEE，1990，78 (9)．

[7]Kohonen T．Self-organized Formation of Topologically Correct Feature Maps[J]．Biological Cybernetics，1982，43(1)．

[8]闻新，周露，王丹力等．MATLAB神经网络应用设计[M]．北京：科学出版社，2000．

[9]刘巧芸，李静，丁璐斌．基于一种改进算法的仓库选址研究[J]．物流科技，2008，319(1)．

[10]葛哲学，孙志强．神经网络理论与MATLAB7实现[M]．北京：电子工业出版社，2007．

（责任编辑/易永生）

F250

A

1002－6487（2011）05－0057-03

北京市教委社科计划面上资助项目（SM200810011003）

杜新建（1963-），男，浙江义乌人，讲师，研究方向：物流设施规划。

①类别I、II、III分别表示大型、中型和小型物流设施。