需求不确定下B2C电子商务企业自建车队规划决策问题

袁秋雁 王 东,2

（1.上海交通大学中美物流研究院，上海 200030；2.上海交通大学软件学院，上海 200240）

需求不确定下B2C电子商务企业自建车队规划决策问题

袁秋雁1王 东1,2

（1.上海交通大学中美物流研究院，上海 200030；2.上海交通大学软件学院，上海 200240）

随着物流配送环节对B2C电子商务企业的重要性日益增强，B2C电子商务企业开始自建车队进行运输配送。而需求的不确定性，增大了企业进行车队规划的难度。基于此，本文建立了需求不确定下B2C电子商务企业车队规划决策的鲁棒优化模型，并采用一定的方法将模型线性化。同时，通过算例验证表明，本文建立的鲁棒优化模型在平衡风险和收益的前提下，不仅能够帮助企业制定车队规划决策，还能进行车辆调度的安排，实现决策层与实施层的有效衔接。

电子商务；车队规划；需求不确定；鲁棒优化

1 引言

目前，我国电子商务正处于快速发展时期，根据艾瑞咨询的最新报告，2015年中国电子商务市场交易规模达16.2万亿元，网络零售市场交易额达3.8万亿元，占总额的23.6%，同比增加了2.7%。其中，相较于C2C， 2015年B2C占网络零售市场的比例首度过半，且增速高于C2C。

图1 2015年网络购物市场占比图

影响B2C、C2C企业在网络零售市场的绩效的因素包括市场、物流、信息技术、银行系统和服务系统。这些因素也是促进电子商务发展的关键。与此同时，电子商务的发展带动了我国物流业的发展，但从整体上来看物流业的发展速度仍滞后于电子商务的发展。此外，配送速度慢、货损率高等问题依然存在，并逐渐成为客户选择电子商务平台的依据。因此，在“价格战”的硝烟还未散去之时，各电子商务企业又将竞争的焦点转移到了“物流”上来。尤其是以京东、苏宁为主的B2C企业，为了迎合客户的需要，加强企业自身对物流配送环节的控制并提高客户满意度，开始纷纷自营物流，包括自建物流网络和自建仓储配送中心。同时，国家出台的各种政策也鼓励电子商务企业在做市场的同时抓紧机遇进入物流行业。

图2 理想的电子商务物流模式

自建物流网络包括建立物流节点和组建车队来全方位掌控物流环节，如京东、苏宁；自建仓储配送中心则是仅建立物流节点而将运输配送环节外包给第三方物流企业，如聚美优品、当当等。自建仓储配送中心可以在一定程度上加快企业对客户的响应速度，提高配送效率，但由于运输配送环节仍不在企业的控制范围之内，客户满意度往往并不能达到企业的期望，所以企业只有组建车队，自己掌控运输配送环节，才能从根本上提高物流服务质量。车队规模的大小是个派生需求，取决于物流节点之间流量的大小，即客户订单。并且，多样化的投资方式、大量的资金投入，都会给企业组建车队带来一定的困难。因此如何构建车队实现效益最大化是B2C电子商务企业在自营物流时所面临的一大难题。

2 文献综述

随着电子商务的不断发展，国内外对该领域的研究不断增多，尤其是针对B2C行业的研究。

国外道路网络健全，快递业发达，在快递企业与电子商务企业的博弈中，快递企业占有主导地位，所以国外的B2C电子商务企业基本都将物流外包给第三方企业。因此，国外对于B2C电子商务的研究主要集中在服务质量、B2C电子商务企业信誉评估以及客户忠诚度维持等方面。商业、顾客、环境以及政府的支持是企业建立电子商务框架时所必需考虑的4个因素，其中最主要的是顾客因素。B2C企业想要维持和吸引潜在顾客必需建立在顾客信任该电子商务企业的基础之上，因此分析影响信任的因素是至关重要的，使用多层感知神经网络（MLPNN multi-layer perception neural network）和误差反向传播训练算法（EBPTA）可以有效分析不同的信誉度对电子商务企业的影响和影响信誉的主要因素。然而，不同的B2C运营模式需要不同的维系客户关系战略，基于理论和对B2C企业高管们的采访，可以对不同模式下B2C电子商务企业的客户维系战略进行分析。

相较于外国，我国的道路网络建设还不够完善，物流行业也处于初级发展阶段，导致了国内B2C电子商务企业物流配送模式的多样化，包括自营物流、第三方物流、自营结合第三方等。因此，国内对于B2C电子商务的研究侧重于这三种模式的分析和比较，并根据现实情况提出各种新的运行模式。伍星华等分析了现阶段我国B2C电子商务企业的特点，基于网络问卷调查构建了B2C电子商务企业物流模式决策的指标体系；并结合网络分析法( ANP) 和理想点法( TOPSIS)来辅助B2C电子商务企业进行物流模式决策。此外，随着物联网概念的普及，越来越多的学者开始将物联网技术应用到B2C电子商务物流配送中。卢冰原等针对B2C电子商务逆向物流环节中存在的问题，提出了一种包括多家企业在内的多级结构的逆向物流联合体协作模式，并搭建了基于物联网技术面向物流联合体的智能化多级写作信息平台模型。郑楠将物联网技术应用于运输全程的车辆监控，从而提高了企业对在途车辆和货物的控制。

综上所述，目前国内外对于B2C电子商务企业如何进行车队规划的研究很少涉及，但按照我国电子商务和物流业目前的发展态势来看，未来会有更多的B2C电子商务企业选择自建车队进行运输配送。因此，对车队规划的决策研究是很有必要的。

3 数学建模

车队规划是B2C电子商务企业发展自营物流的一个重要战略点，其目的是解决车队的规模和组成问题。车队规划受到多个因素的影响，主要包括：1.B2C电子商务企业的订单量（即货运量）；2.车辆买卖与租赁市场的价格；3.B2C电子商务企业自身发展战略；4.司机等作业人员的监管和控制等。其中，订单量是决定车队规模的最主要因素，其大小直接影响到车队运力的调整和调配。因此，车队规划方案的可行性在很大程度上依赖于预测市场需求的准确性。然而，电子商务销售市场存在较大的波动性和不确定性，如双十一等带来的短时间运力极度紧张。所以，在需求不确定环境下研究车队规划问题是具有现实意义的，这样的规划方案可使车队具有更好的柔性。

图3 B2C电子商务企业二级配送网络

本文的研究对象为一个已建立二级配送网路的B2C电子商务企业，其自有车队主要用于DC至RDC的干线运输。针对影响车队规划的各因素，在需求不确定的条件下建立基于多种投资方式的车队规划决策的鲁棒模型。车队融资的方式包括买卖新车或二手车、租赁车辆等，这些决策在一定程度上取决于决策者对风险和固定资产的偏好。本文希望通过建立模型并求解，根据决策者的偏好，为其提供一定时期内车队规划的制定和调整方案，包括1.拥有多少自有车辆并如何调度；2.如何买卖车辆；3.如何借助社会运力；4.如何出租自有车辆增加收益等。

3.1 前提假设

根据市场实际状况和建立模型的便利性，本文做如下假设：

1.将整个研究期按月进行划分，共T个月。并按照会计方法，起始于第0年，终止于第T-1年。

2.车辆按月进行折旧，同时按月利率i计算现值；

3.车队的车型总共有K种，运输路线共J条；

4.研究期前的投资费用相当于企业的沉没成本，本文不考虑这部分成本；

5.车辆的租赁和买入行为发生在月初，卖车行为则发生在月末；

6.允许买卖车辆的车龄限制为Tr，即买入车辆的最大车龄为Tr，卖出车辆的最小车龄也为Tr，且所有车辆的寿命同为Th。

7.车辆到达DC或RDC后无需排队即可装卸货物，且同种车型的车辆在同一路线上的往返时间相同均为Tjk；

8.所有租出去的车辆全部满载运输，且运价相同。当月出租的车辆不再安排其进行本公司的运输任务；

9.将运输任务外包给第三方企业的资金以机会成本的形式作为企业的收入；

10.返程车辆除运输企业的退货、退换包裹外，每车可运输其他企业的拼车货占车辆载重量的比重为α，并且这一运量与退换货的运量DtjB之和小于每种车型的总载重吨Wk，且捎带返程货的运价为原运价的1/2。

3.2 变量与参数

3.2.1 变量

本文涉及的变量包括：

3.2.2 参数

本文设计的主要参数如下：

3.3 车队规划确定性模型

根据上述假设、变量和参数，建立的B2C电子商务企业多种投资方式车队规划的确定性模型如下：

目标函数：追求研究期内B2C电子商务企业运输收益和资产现值的最大化。

其中，第一项表示选择自建车队的机会成本和自建车队的运输总成本；第二项表示卖出老龄车的收入；第三项表示出租车辆的收入；第四项表示返程运输其他企业拼车货的收入；第五项表示买入新车或二手车辆的费用；第六项表示租用社会车辆的费用；第七项表示研究期末车队剩余自有车辆的账面价值。

s.t

其中，式（3）为需求量约束，即企业自有和租赁的车辆需满足企业订单运输的需要；式（4）为总车辆数约束，即企业当月使用的自有车辆数不能超过企业拥有的自有车辆数；式（5）为车辆融资限制，即用于购买和租赁车辆的费用不能超过企业的预算；式（6）为出售和租赁车辆的限制，即当月出租和卖出的车辆数不能超过企业拥有的自有车辆数；式（7）（8）为买卖车辆的车龄限制；式（9）为时间约束，即所有车辆的总运营时间要与完成运输任务所需的时间相等；式（10）为变量的非负整数约束。另需说明，当约束条件中出现形如的表达式时，若m＞n，则该项无意义。

3.4 鲁棒优化模型

3.4.1 鲁棒优化

鲁棒优化的目的是在不确定条件下，对于所有可能出现的情景S，在满足约束条件的情况下，求得使目标函数值最优的解。鲁棒优化的关键是建立与原优化模型相对应的鲁棒对等模型。Soyster采用column-wise uncertainty的方法建立鲁棒对等模型，但该方法容易造成不确定系数都取其最大值（即最坏的情景），因此过于保守，且该方法不能用于离散模型。Ben-Tal 和 Nemrovski针对column-wise方法过于保守的问题，提出了采用raw-wise uncertainty方法来建立鲁棒对等模型。这一方法能够更好地反映实际情况，并且可用于离散模型。上述两种方法主要针对硬约束问题，即模型的解必须满足所有约束条件。但在现实中，有些约束条件没有那么硬性，若在不超过约束值一定的范围下而目标函数值有较大改善的话也是可取的。因此，Mulvey等提出在目标函数中加入惩罚函数来控制约束变化的范围，并提出了三种建立线性鲁棒对等模型的方法，但这三种方法都需要加入大量的人工变量，使问题的计算复杂度大大增加。Chian-Son Yu和 Han-Lin Li针对人工变量多的问题，根据Li提出的定理，仅需加入一半的人工变量即可将原线性规划模型转化为线性鲁棒对等模型，使计算的复杂度大大降低。

本文所建模型中，货运量的约束在一定范围内可以不被满足，属于软约束问题。因此，本文采用Chian-Son Yu和 Han-Lin Li提出的方法来建立鲁棒对等模型。

3.4.2 车队规划的鲁棒优化模型

假设从DC运至RDC的货运量共有S种可能情景，其发生概率为且已知）。此时，受货运量变化影响的决策变量有在各情景s下，这些变量分别表示为其他决策变量对所有情景都有效。此外，情景s下DC至RDC的货运量表示为，其他参数在所有情境中都相同。再引入系数和λ，其中λ表示解的可行性与企业收益之间的权重，表示情景s下背离约束的惩罚系数。

令ZS表示各情景s下的目标函数

则同时控制解鲁棒性和模型鲁棒性的车队规划鲁棒优化模型为

由于该模型是非线性的，不利于计算机的求解，因此，利用Chian-Son Yu和 Han-Lin Li提出的方法将该模型转化成线性模型。即

并增加相应的约束条件

s.t

式（3）～式（9）

4 算例验证

假设某B2C电子商务公司目前已有一定规模的车队（众多车队中的一支），服务于某DC与RDC之间进行货物配送，研究期初车队的构成详见表1。各类型车辆的寿命均为15年，且在寿命期末的残值分别为3.2万元和4.5万元。目前车队拥有车辆的最大车龄为10年且允许买卖车辆的车龄限制为6年。研究期内该车队服务范围内仅有两条运行路线，各车型的车辆在这两条路线上的往返运输时间和运输成本详见表2。规划期内企业每月的车辆融资限额为20万元。市场上，各月各车型的买卖、租赁价格如表3、4所示。此外，若采取外包形式，第三方物流公司给出的协议报价为：路线1——2400元/吨，路线2——2600元/吨。企业出租车辆的运费收入统一为2800元/吨，该企业对固定资产的偏好程度β=0.5。

表1 研究期初自有车队的车辆构成

表2 车辆的往返运输时间和运输成本

表3 研究期内各月份各路线上的运价

表4 研究期内不同车龄各车型的售价（万元）

在订单需求方面，根据各路线上的历史数据利用时间序列预测的方法进行预测，具体采用哪种方法视历史数据的特征而定。若历史数据表现为水平趋势，则可采用移动平均、加权平均；若历史数据表现为线性趋势，则可采用二次指数平滑法；若表现出明显的季节性，则可采用季节因素乘法模型或加法模型。根据历史数据得到的研究期内各路线上的订单需求如表5所示。由于需求存在不确定性，因此假设存在3种不同的订单需求情况，令其发生的概率分别为0.2，0.3，0.5。同时，令式（12）中的惩罚系数权重系数λ=1。此外，假设每月公司自身的返程货量均相等，即返程捎带其他公司的货物重量占车辆额定载重吨的系数为α=0.3。

表5 订单需求可能发生的各种情景

根据以上数据，利用CPLEX软件对模型进行求解，求得的结果如表6和7所示。

表6 需求不确定情况下研究期内企业车队规划决策

表7 需求不确定情况下研究期内车辆调度安排

根据表6和7可知，该模型不仅能够有效制定B2C电子商务企业的车队规划决策，还能提供相应的车辆调度安排，实现了战术层决策与操作层决策相统一。这样的决策安排能够紧密联系企业决策制定者与实施者，加强了整个B2C电子商务企业在货物运输环节的上下联动。为了更好地分析结果，将需求不确定情况下的最优解与需求确定情况下的最优解（如表8和9所示）进行比较。

表8 需求确定情况下研究期内企业车队规划决策

表9 需求确定情况下研究期内车辆调度安排

通过对比表6、7、8和9可以发现：在需求不确定情况下，B2C电子商务企业更倾向于变卖车辆，更多的利用社会运力来进行货物运输。因此，在数量上表现为需求不确定情况下的现金流总量要少于确定情况下的现金流总量。但是，较少的自有车辆可以减少需求不确定性对企业资产、资金造成的影响。更少的车辆，意味着更多的流动资金，保证了企业在应对需求不确定时有更大的选择空间和灵活性。这也从一个方面解释了现今大多数电子商务企业选择将物流外包给第三方物流企业的原因。需求的高度不确定性，使得很多资金实力薄弱的电子商务企业无法承担较高的固定资产给企业带来的资金压力，他们更愿意留有流动资金来增加企业的柔性。

表10 不同λ值下目标函数的值

图3 不同λ下的目标函数值

表11 不同值下目标函数的值

表11 不同值下目标函数的值

?

图4 不同下的目标函数值

5 总结

面对竞争日益激烈的电子商务市场，物流配送环节已经日渐成为企业竞争的焦点。而市场需求的高度不确定性又使众多B2C电子商务企业对自建车队全面控制物流环节望而却步。本文建立的需求不确定下B2C电子商务企业车队规划的鲁棒优化模型，综合考虑了市场需求的不确定性和企业收益，同时兼顾优化模型的鲁棒性和解的鲁棒性，能够在需求不确定环境下制定出较优的规划和调度方案。通过算例验证的结果分析可知，该优化模型能够在权衡企业风险和收益的同时，得到未来一段时间内B2C电子商务企业车队规划的决策和具体的车辆调度安排，为衔接决策层与操作层提供了保障。同时，通过与确定情况下的最优解进行对比发现，在需求不确定情况下，B2C电子商务企业更倾向于轻资产运营，更多的借助社会资源来进行运输，这一结果也与实际情况相符合。因此，本文建立的优化模型能够为B2C电子商务企业的车队规划决策提供参考。后续的研究可以考虑将整个第一级的运输网络纳入模型中，制定全网络的车队规划决策。

[1] Chen Pengwen，Lin Weiyuan，Huang Tsuihua,et al. Using Fruit Fly Optimization Algorithm Optimized Grey Model Neural Network to Perform Satisfaction Analysis for E-Business Service[J].Applied Mathematics & Information Sciences, 2013,7(2): 459-465.

[2] 王冰. 我国大型B2C电子商务企业自营物流模式研究[J]. 商业经济研究, 2015, 14:21-22.

[3] AlGhamdi Rayed, Nguyen Ann, Jones Vicki. A Study of Influential Factors in the Adoption and Diffusion of B2C E-Commerce[J]. International Journal of Advanced Computer Science and Applications,2013,4(1):89-94.

[4] Brahambhatt Manthan, Rane Pradnya. Roy Bidisha. A Novel Approach of Analyzing Trustworthiness in B2C E-Commerce Websites[J]. International Conference on Engineering and Technology,2015:5.

[5] Wirtz B.W,Lihotzky.N. Customer Retention Management in the B2C Electronic Business[J].Long Range Planning, 2003, 36(6): 517-532.

[6] Rosaci.D,Sarnè.GML. Multi-agent technology and ontologies to support personalization in B2C E-Commerce[J]. Electronic Commerce Research and Applications,2014,13(1):13-23.

[7] 伍星华,卜华白, 何青. 基于ANP-TOPSIS模型的B2C电子商务企业物流模式决策[J].中央财经大学学报,2014,08:75-83.

[8] 卢冰原,黄传峰. 物联网下的城市B2C电子商务逆向物流联合体研究[J].科技管理研究,2013,23:204-208.

[9] 郑楠. 物联网技术在B2C 电子商务配送运输中的应用[J].电子科技,2014,27(4):186-188.

[10] Soyster.AL. Convex programming with set-inclusive constraints and applications to inexact linear programming[J].Oper Res,1973,21:1154–1157.

[11] Ben Tal.A,Nemirovski.A.Robust solutions to uncertain programs[J].Oper Res Lett,1999,25:1-13.

[12] Mulvey.J.M, Vanderbei.R.J,Zenios.S.A.Robust optimization of large-scale systems[J], Operations Research 1995(a), 43(2): 264-281.

[13] Mulvey.J.M,Ruszczynski.A. A new scenario decomposition method for large-scale stochastic optimization[J].Operations Research,1995b,43(3):477-490.

[14] Chian Sonyu, Li Hanlin. A robust optimization model for stochastic logistic problems[J]. International journal of production economics,2000,64:385-397.

Study on B2C E-Commerce Enterprise Self-Built Team Planning Decision Problems under Uncertain Demand

Yuan Qiuyan Wang Dong

As the logistics distribution is more important for B2C e-commerce enterprises, B2C e-commerce enterprises began to self-built vehicle fleet for transportation and delivery. But the uncertainty of demand increases the diffi culty for enterprise to planning vehicle fleet. Based on this, this paper established a robust optimization model for B2C e-commerce enterprises to plan their vehicle fl eet under uncertain decision, and adopt a method to change it into a linearized model. The example showed that the proposed robust optimization model can keep the balance between risks and benefi ts and effectively connect strategy and implement by helping enterprises to plan vehicle fl eet and arrange scheduling at the same time.

E-commerce; vehicle fl eet plan; uncertain demand; robust optimization

F713.36

A

1005-9679(2016)06-0089-07

袁秋雁，上海交通大学中美物流研究院，硕士，研究方向：物流网络优化；王东，上海交通大学软件学院，副教授，研究方向：物流网络优化。