消费者“最后一公里”配送模式、服务方式与配送时隙的联合选择

朱惠琦，邱 莹，姜天华，胡明瑶

(1.鲁东大学 交通学院，山东 烟台 264025；2.北京石油化工学院 经济管理学院,北京 102617；3.北京邮电大学 现代邮政学院，北京 100876)

0 引言

随着电子商务的飞速发展，越来越多的消费者愿意选择通过网络购买日常用品，这使得网络购物走入人们的生活，逐渐成为社会经济生活的重要组成部分[1]。中国互联网络信息中心数据显示，2018年上半年我国网上零售交易额达到40 810亿元，同比增长30.1%，并继续保持稳健增长势头。可见，我国网络购物已进入高速发展阶段，如何吸引消费者进行网络购物已不再是电子商务企业面临的最大问题[2]。相反，如何完善配送服务、保证消费者良好的网购体验是电商面临的挑战。作为网络购物中唯一能够直接接触到消费者的环节，“最后一公里”配送成为了影响消费者网购体验的关键环节。为了满足网络购物消费者日益增长的个性化“最后一公里”配送需求，电商不断完善配送服务来提高最后一公里配送服务质量。然而，消费者对配送模式、服务方式及配送时隙的选择行为具有明显差异，例如Agatz等[3]指出消费者根据自身情况会进行不同的配送时隙选择；陈义友等[4]研究发现运费水平影响顾客选择自提和送货上门的决定。因此充分了解消费者对配送服务的选择行为，有助于企业合理有效地开展“最后一公里”配送服务。

当前学者对最后一公里配送服务进行了相关分析，将配送模式划分为自提和送货上门两种[5]，并将自提配送模式的服务方式又分为有人值守自提点和无人值守自提点(如自提柜)[6-8]。从有人值守自提点服务方式中可以看到，提供配送服务的人员中有专门从事该工作的专职人员，也有兼职提供服务的非专职人员(如便利店店主)。因此，这里将有人值守自提点服务方式进一步细分，有专职人员提供配送服务的方式称为职业人服务方式，由非专职人员提供配送服务的方式称为非职业人服务方式。送货上门配送模式的服务方式中也存在专职人员和非专职人员(如众包情形中的自由快递人[9])的区分，同时还存在无人模式(如无人机送货)。综上述分析，本文认为最后一公里配送的服务方式可分为职业人、非职业人和无人3种。不同消费者除了对配送模式和服务方式的选择偏好不同，对取/送货时间的选择也存在明显差异。特别是配送模式和服务方式的多样化为消费者灵活的安排取货时间提供了可能性。电商的配送服务一般会提供若干配送时隙供消费者选择，如8:00～10:00、10:00～12:00、12:00～16:00、16:00～18:00[3]，但消费者选择配送时隙的行为往往不是孤立的[10]，一般与配送模式和服务方式有紧密的联系[11]。可见，配送模式、服务方式及配送时隙之间存在关联性，如消费者更愿意在下班后由职业快递人员送货上门。因此，本文将配送模式、服务方式及配送时隙选择纳入同一模型中进行分析，来揭示消费者的“最后一公里”配送服务选择行为的一般规律。

广义极值(Generalized Extreme Value, GEV)模型可以揭示任意候选方案之间的关联性，同时具有封闭式的概率表达式，无需借助模拟技术就可以被估计出来[12]。因此，本文利用GEV理论，构造一种交叉巢式结构，并将之应用于配送模式、服务方式与配送时隙的联合选择中。通过问卷调查所获得的样本数据进行参数估计，从而分析社会经济属性、配送活动属性及配送服务属性对消费者“最后一公里”配送服务选择行为的影响。与其他相关研究相比，本文的不同点在于：①分析配送模式、服务方式和配送时隙的联合选择行为，而非其中的单一选择行为；②构建基于GEV理论的交叉巢式Logit(Cross Nested Logit, CNL)模型，考虑社会经济属性类变量、配送活动属性类变量及配送服务属性类变量对消费者联合选择行为的影响，并做关于配送服务属性类变量的直接弹性分析。

1 消费者的配送服务选择特征

本课题组于2018年4月～5月针对北京、上海、天津、广东、浙江、江苏、山东等7地消费者，以网络问卷的形式进行了调查。为保障调研数据的质量，本调研采取提供报酬的方式，并限定同一用户或IP只能填写一次调查问卷。调查共获取消费者调查问卷1 300份，其中有效问卷为1 240份，占全部收回问卷总数的95.38%，结果如表1所示。

表1 样本构成

从表1中可以得到：

(1)从配送模式角度看 有72.82%的消费者选择送货上门，其中大多数消费者仍然更愿意职业人提供送货上门的服务方式；27.18%的消费者会选择自提货物，但他们在服务方式的选择表现出来的特征与送货上门不同，更多的消费者愿意选择非职业人提供自提服务。

(2)从服务方式角度看 有62.66%的消费者选择由职业人提供配送服务，特别是52.82%的消费者选择由职业人提供送货上门；有22.42%的消费者愿意由非职业人提供配送服务，且消费者对非职业人送货上门(11.13%)和非职业人自提(11.29%)的喜好相近；有14.92%的消费者选择无人的服务方式。从总体上，消费者仍然愿意接受“有人”的服务方式，对“无人”的服务方式还处于尝试接受的阶段。

(3)从配送时隙角度看 选择8:00～10:00配送的消费者占15.48%，选择10:00～12:00配送的消费者占21.13%，选择12:00～16:00配送的消费者占19.52%，选择16:00～18:00的消费者占43.87%。其中10:00～12:00和16:00～18:00这两个配送时隙是多数消费者的选择，这也与消费者上下班的作息时间相一致。

从上述调查数据中还可以看出，消费者对“最后一公里”配送服务的选择存在差异，因此差异化的配送服务方案可以满足具有不同特征的消费者的需求。然而，在现实生活中不同配送服务方案之间具有一定的替代性，如由非职业人在8:00～10:00提供送货上门与在8:00～10:00提供自提之间、职业人在12:00～16:00提供自提与无人机在16:00～18:00提供送货上门之间。这体现了消费者对配送模式、服务方式及配送时隙的选择具有相关关系，消费者的选择也不再是非此即彼的单一选择行为，而是可以综合考虑自身服务需求的联合选择行为。由于各方案之间的相关性是一般统计特征所无法体现的，下文将运用CNL模型，分析具有上述样本特征的1 240份问卷数据，揭示配送模式、服务方式与配送时隙之间存在深刻的联系。

2 CNL模型构建

基于GEV理论的离散选择模型中，多项Logit(Multinomial Logit, MNL)模型最为常用，但MNL模型具有IIA(independent and irrelevant alternatives)性质，即假设每个备选方案的效用随机项相互独立且服从Gumbel分布。该假设否定了备选方案间可能存在的相关性。然而，一般认为越相似的备选方案之间的替代性越高，因此在备选方案的相关性显著存在时，MNL模型的IIA性质将明显与现实不符[13]。NL(nested Logit)模型接受备选方案的关联性，但该模型要求预先设定备选方案之间的分层结构，允许每个“巢”内的备选方案间具有相关性，而属于不同“巢”的备选方案相互独立。因此，NL模型仅能在一定程度上克服IIA性质，只适合备选方案在一个维度上的关联性。CNL模型不同于NL模型之处在于允许一个备选方案属于多个子集，能够灵活描述多维选择行为中不同维度选择之间的相关关系。成对组合Logit模型(Paired Combinatorial Logit Model，PCL)主要是将任意两个备选方案成对组成一个子集，广义嵌套Logit(Generalized Nested Logit，GNL)模型则设定每个备选方案与每个子集均通过一个分配系数建立不同程度的从属关系，混合Logit模型最主要考虑处理随机偏好差异[13]。对比各模型的实际应用情况，CNL模型更适合于本文的研究。因此，本文选用CNL模型来解决备选方案在配送模式、服务方式及配送时隙3个维度上的关联性。

2.1 模型结构

本文以消费者最后一公里的配送服务选择行为为研究对象。首先定义模型的选择项集合，它由配送模式子集合d、服务方式子集合s和配送时隙子集合t3个子集合组成(如图1)。配送模式子集合d包含2个选择肢，分别是送货上门模式和自提模式。在不同配送模式下，企业会针对不同的消费者需求，为消费者提供职业人服务、非职业人服务及无人服务等3种服务方式，进而形成包含3个选择肢的服务方式子集合s。配送时隙子集合t包含4个选择肢，分别是8:00～10:00、10:00～12:00、12:00～16:00、16:00～18:00。从图1中可以看到，CNL模型包含有2+3+4=9个巢；模型的最终选择方案集C=c1,c2,…,cl，是d=2，s=3，t=4的联合选择集合，共包含I=2×3×4=24个备选方案。

2.2 效用函数与选择概率

根据随机效用最大化理论，若选择方案ci的效用为Ui(i=1,2,…,l)，则当且仅当Ui>Uj(j∈C,∀i≠j)时，决策者从最终选择方案集C中选择方案ci。Ui由确定的系统项Vi和随机的效用误差项εi组成：

Ui=Vi+εi。

(1)

式中：Vi为效用变量的函数;εi反映无法观测到的因素对Ui的影响。

考虑到结果分析和系数标定的方便性，通常采用线性函数作为Vi的表达式，即

(2)

式中：Xil为决策者的第i个方案的第l个变量值;βl为待定系数。

假设每个选择方案的效用误差项εi均服从标准Gumbel分布，则I个选择方案的联合累积分布函数为

(3)

根据GEV模型理论，推导出CNL模型第i个选择方案的选择概率

(4)

式(4)中的未知参数包括分配参数aim、异质性参数μm及效用函数Vi中各变量的系数βl。

3 模型变量标定与结果分析

3.1 效用变量定义

消费者的配送服务选择行为还受到多种因素的影响。Collins[14]指出影响消费者选择的因素有服务质量及运费;Hayel等[15]则主要分析了运费、自提点位置、包裹被拒绝和等待时间因素;Morganti等[16]研究指出取货距离也会影响顾客的选择，这个观点与文献[15]的观点相同;陈义友等[4]基于排队模型，全面地考虑了取货距离、取货时间、运费、安全性、沟通便利性、退货方便性等因素对消费者最后一公里配送服务选择影响。除了运费、取货距离、等待时间、服务质量、沟通便利性等因素外，不同的配送时隙还会对消费者配送服务选择活动会产生作用[3，17]，上门投递服务缺陷对消费者的自提意愿也有直接的促进作用[18]。综合以上研究成果，本文认为影响消费者配送服务选择的因素主要有社会经济属性、配送活动属性和配送服务属性3类。社会经济属性类变量描述具有不同社会经济属性特征的消费者配送服务选择行为的偏好差异，配送活动属性类变量描述不同配送模式、服务方式及配送时隙带给消费者的选择约束，配送服务属性类变量描述不同配送服务对消费者配送服务选择活动的吸引力。

因此，式(1)中的系统项Vi是关于社会经济属性、配送活动属性和配送服务属性的函数。考虑数据的可得性，最终确定分析的效用变量共20个，具体说明如表2所示，其中的变量均为离散化变量。

表2 效用变量的选择与说明

在离散化处理过程中，对于主观性效用变量的测量主要采用5点式李克特量表法，如沟通性需求、送货及时、等待时间造成的困扰度等；对客观性效用变量的测量主要结合前期访谈和预调研结果对选项进行设计，如平均家庭月收入、自提距离、配送费用等。

3.2 参数估计

运用Biogeme软件，采用最大似然估计方法[19]，对CNL模型中的未知参数进行估计与检验，估计结果如表3所示。

表3 CNL的参数估计结果

从图1可知，CNL模型包含9个巢，24个备选方案，因此将产生9个异质性参数和72个分配参数。估计所有的分配参数可以提高模型的拟合效果，但会导致模型过度参数化、降低模型对样本数据的适配性。文献[20]的方法可以降低参数估计成本，且不影响估计效果[21]。因此，本文参考Hess等[20]对分配参数的处理方式，将所有的分配参数设定为1/3。

从效用变量的参数估计值看，除了家中是否有需要看护的小孩或老人(HNur)、送货及时性(OMDel)、消费者能接受的非职业人送货上门费用(TPHDelU)及消费者能接受的职业人自提服务费用(TPPDelP)这4个效用变量外，其他效用变量的参数估计值显著性普遍较高，说明它们对消费者“最后一公里”配送服务选择有显著影响。其中，消费者能接受的自提柜自提服务费用、消费者对送货上门/自提等待时间造成的困扰度以及消费者对送货上门/自提带来的经济损失担忧度的参数估计值为负，即对消费者“最后一公里”配送服务选择有负效应，符合研究预期。

从异质性参数的数值来看，每个巢的异质性参数显著性都很好，表明CNL模型能够较好地表达各个备选方案的关联性。异质性参数取值大小还可以体现出各巢下选择方案之间的替代性，则进一步比较“配送模式”、“服务方式”和“配送时隙”3类巢的异质性参数可以看到，巢“服务方式”的异质性参数最小，表明该巢内部的各选择肢之间具有较强的关联性。同时，也意味着当效用变量(如设备可操作性需求)发生变化时，消费者通常不愿意改变其服务方式，而会考虑改变配送模式和配送时隙。而巢“配送时隙”中4个选择肢出现了明显不同的两种情况，即8:00～10:00和10:00～12:00两个配送时隙的异质性参数很大，而12:00～16:00和16:00～18:00两个配送时隙的异质性参数相对较小。这表明处于上午的配送时隙独立性较高且可替代性很低，而下午的配送时隙可替代性较高。如果配送服务发生在上午，则配送时隙的异质性参数最大，即效用变量发生改变时，消费者会首先考虑更改配送时隙，然后考虑改变配送模式，最后才考虑改变服务方式；如果配送服务发生在下午，则配送模式的异质性参数最大，即当效用变量发生改变时，消费者会首先更改配送模式，然后变更配送时隙，最后更改服务方式。

3.3 直接弹性分析

运用表3的参数估计结果计算直接弹性，分析效用变量在按一定百分比变化时选择概率的变化情况。这里直接弹性是指当备选方案i的第l个效用变量值变化1%时，方案i选择概率发生的变化。因此，CNL模型第l个效用变量的直接弹性的表达式为：

(5)

本文主要针对配送服务属性类变量做直接弹性分析，具体含义为不同配送模式在不同配送方式和配送时隙下，某一配送服务属性类变量变化引起的备选方案选择概率的变化，计算结果如表4所示。

表4 配送服务属性类变量的直接弹性分析

分析表4中数据可以看到：

(1)在等待时间造成的困扰度方面 送货上门模式的直接弹性大于自提模式，即消费者对送货上门模式的等待时间更为敏感。在服务方式中，职业人服务方式的直接弹性最小，这意味着消费者更能接受职业人提供服务所带来的等待时间增加。在配送时隙中，消费者对8:00～10:00送货上门和12:00～16:00自提的等待时间最敏感，这两个配送时隙正与大部分消费者上班的时间相一致。

(2)在对服务态度的满意度方面 送货上门配送模式的直接弹性仍然大于自提模式，即消费者对送货上门模式的服务态度很敏感，这也反映出送货上门的服务水平最能影响消费者的服务满意度。在服务方式中，非职业人送货上门的服务方式的直接弹性最大，这说明消费者对非职业人提供送货上门服务的要求最为苛刻；对比自提模式中的3种服务方式发现，职业人自提方式的直接弹性比其他两种方式高，说明消费者对职业人提供自提服务的要求较严格。在配送时隙中，消费者对服务态度的满意度表现与等待时间造成的困扰度表现基本一致。

(3)在对经济损失的担忧度方面 自提模式的直接弹性小于送货上门模式，即消费者更担忧送货上门模式的经济损失。在服务方式中，职业人模式的直接弹性相对较小，其中职业人自提模式的直接弹性最小，这反映出消费者比较能接受由职业人提供自提服务所带来的经济损失；比较送货上门模式中的3种服务方式可以发现，由无人机送货上门的服务方式直接弹性最大，这体现出尽管消费者愿意尝试无人机配送的服务方式，但仍然对其送货的服务安全性有较大疑虑。在配送时隙中，消费者对经济损失的担忧度表现仍然与等待时间造成的困扰度表现一致。

直接弹性反映出来的消费者行为还与前文从统计数据中得到的消费者配送服务选择特征相符，更清晰地刻画了消费者在效用变量影响下选择不同备选方案的概率变化。

4 结束语

配送模式、服务方式及配送时隙三者之间存在紧密联系，研究三者的联合选择问题能较充分地解释消费者对配送服务的选择行为，有助于企业合理有效的开展“最后一公里”配送服务。因此，本文通过问卷调查，描述了消费者的配送服务选择特征，并进一步构建了交叉巢式Logit模型，来分析消费者对“最后一公里”配送模式、服务方式与配送时隙的联合选择。通过研究，得到以下结论：

(1)CNL模型能充分考虑备选方案在多维度的关联性，从模型的拟合结果看，模型具有较好的统计学特征，可作为消费者配送服务选择行为中有关多维选择问题的分析工具;从参数估计值来看，能够正确反映效用变量对消费者的配送服务选择行为的作用。

(2)异质性参数描述巢内各个选择肢之间相关性的大小，其取值越大表明巢之间相关度越低。从调查问卷的数据拟合结果看，当配送服务发生在上午，巢“配送时隙”的异质性参数最大，其次是巢“配送模式”，巢“服务方式”的异质性参数最小；当配送服务发生在下午，巢“配送模式”的异质性参数最大，其次是巢“配送时隙”，巢“服务方式”的异质性参数最小。上述异质性参数的排序，也表明了当效用变量发生变化时，消费者选择的变化情况，即巢的异质性参数越小，消费者越不愿意变更在该“巢”的选择。

(3)直接弹性分析表明，消费者对送货上门模式带来的等待时间、服务水平、经济损失都比较敏感，这反映出送货上门配送模式的各方面表现都比较能影响消费者的配送服务选择。相比之下，消费者对自提模式相对放心。尽管如此，消费者仍然愿意选择比较便利的送货上门配送模式。在服务方式中，消费者对非职业人送货上门服务方式带来的服务水平最为敏感，对无人机送货上门的服务方式带来经济损失最为顾虑，而对职业人服务方式带来的等待时间和经济损失更宽容。这也表现出消费者对职业人的配送服务是相对信任，对非职业和无人服务方式的服务质量较为担心。在配送时隙中，消费者对8:00～10:00送货上门服务和12:00～16:00自提在各方面都普遍表现比较敏感。这两个时隙是大多数消费者的上班时间，因此反映出如果消费者在上班时间接受配送服务则会提出更高的配送服务要求。直接弹性所表现出的消费者对不同配送服务备选方案的偏好，还与消费者配送服务选择特征相一致。本文研究可以为企业开展与消费者偏好相适应的“最后一公里”配送服务提供指导，但仍然存在一定的局限性。首先，数据主要来自中国沿海地区的消费者，缺少对中西部地区消费者偏好的考虑；其次，本研究仅关注了配送服务属性类变量的单一作用，现实生活中配送服务属性类变量与社会经济属性、配送活动属性类变量之间存在交互影响，这种影响在本研究中尚未被探讨。这些局限性将在后续研究中加以改进与完善，以使得研究结果更加具有说服力。