社区团购场景下供应链末端配送资源整合优化研究

刘 畅 姚建明

(中国人民大学商学院)

1 研究背景

疫情期间，社区团购场景因其天然具有的规模效应，能够以社区为单位进行采购和配送，成为生鲜零售场景的重要补充[1,2]。区别于商超、电商等其他零售场景，社区团购兼具零售属性与社交属性，以其更为高效准确的信息反馈以及线上线下联动的特点[2]，在满足社区团购服务规模效应的同时，也能够更好地满足消费者的个性化购物体验。尽管该模式目前仍面临着一系列值得关注的社会性问题(如容易导致垄断、容易蚕食上下游议价权等)，但从企业运营模式的角度出发，如何进一步满足消费者的购物需求，为消费者提供有价值的购物体验是该模式当前应该重点关注的战略焦点。

就当前的社区团购实践而言，多数平台对消费者个性化需求的满足仍不够重视。以供应链末端的配送环节为例，部分社区团购平台往往在社区只安排一个配送点，或者针对一类商品安排一个团长，这导致消费者取货时往往需要穿越整个社区或者辗转多处取货点才能完成取货，造成了极大的不便。与此同时，参与团购的消费者理想的取货时间和地点经常存在差异，而平台为了自身的方便，往往将商品统一运送至社区就算完成配送，不能针对消费者的个性化需求进行单独配送。社区团购中生鲜商品占比高达48.9%[3]，对于此类商品而言，存放时间过长或者保存不当容易出现质量折损的情况，从而降低消费者满意度。

为了满足消费者个性化的配送服务需求，社区团购平台(核心企业)应构建合理的供应链末端配送体系。如何基于消费者个性化的服务需求进行供应链末端配送资源的整合，直接决定了核心企业是否能够提供满足消费者期待的配送服务。随着终端配送场景的不断变化，商品种类、消费者数量的不断增多，消费者对于个性化配送服务的需求不断增加[3,4]，如何提高供应链末端配送资源整合的灵活性，有效地构建供应链末端配送体系，已成为核心企业必须要考虑的重要问题。

目前，有关社区团购的研究正在逐渐成为新的焦点[1～5]。在人们对社区团购模式的价值以及该模式中存在的市场监管等社会性问题进行关注的同时，社区团购场景下的具体供应链运作问题也逐步受到重视。易海燕等[5]调研了社区团购供应链模式，并建立了考虑新鲜度损耗的混合整数选址模型；张京敏等[6]以社区团购平台和团长的委托代理关系为基础，构建了激励模型。值得注意的是，社区团购当前正处于发展过程中，其场景的特殊性以及模式发展使得服务需求和资源供给同时呈现出阶段性的动态波动特点。因此，与相对成熟的电商模式或者线下商超模式的供应链运作相比，如何认识和处理社区团购场景下的供应链末端配送资源整合过程中的随机性和不确定性，成为必然要研究的课题。当前，关于不确定需求环境下供应链资源整合问题的研究大致分为两个方面。一方面是通过引入模糊随机方法，建立不确定环境下的供应链运作模型，并通过算法进行求解。如锁立赛等[7]在农村末端物流场景下，引入模糊综合评价法对整合风险进行量化，构建了资源整合优化模型；陈德慧等[8]建立了具有模糊随机变量的集成优化模型。另一方面是研究多阶段动态优化路径，从而进行系统优化。如于超等[9]运用案例研究方法，从动态匹配的理论视角，探讨在发展的不同阶段企业服务整合机制的构建及其实现路径；CHIBANI等[10]在电子采购场景下，应用动态遗传算法完成时间优化，构建更为灵活的供应链体系；IVANOV等[11]研究了多周期模式下的供应链动态规划决策问题。这两类研究对如何刻画不确定性需求环境以及资源的动态整合提供了思路和方法的支持，然而针对发展中的新兴商业模式的具体供应链资源整合问题，仍需进行深入探索。如何量化刻画社区团购场景下的配送资源供需特点，以及如何通过多阶段的优化实现最终系统化的资源整合优化，都是需要进一步探讨的新问题。基于此，本研究将从供需动态平衡的视角出发，对社区团购场景下的供应链末端配送资源整合问题进行探讨。

2 社区团购场景下末端配送服务供需特征分析

不同于一般零售场景，社区团购场景是一种零售与社交的跨界融合场景。就零售层面而言，这种模式以社区为辐射单位，从商品选购环节到配送服务环节均具有天然的大规模属性。而其社交属性的产生则是由于该模式依托社区业主微信群建立，其信息的流通效率和信息的有效性都要远高于一般的零售场景。当前，社区团购场景仍然处于不断的发展进程中，消费者群体的规模及需求仍未达到稳定的状态，供应链的持续建设和消费者的个性化服务需求将处于相互影响、相互促生的状态中。

社区团购场景的特殊性决定了该场景下的配送服务需求特点和供应链末端配送资源供给特征。对场景特殊性及其供需特征的准确描述是把握供需动态平衡的关键，是实现社区团购场景下的供应链末端配送资源整合优化的基础。

2.1 社区团购场景下配送服务需求特征分析

首先，在社区团购模式发展之初，企业大多将注意力放在社区团购的零售大规模属性上，采取成本优先的战略，忽略了消费者对于该场景下商品质量的要求和配送服务的个性化需求。当前在社区团购场景下，消费者所需商品种类多以生活场景中必要的生鲜食品为主，在商品选购及远程配送过程中的确具备大规模效应。而与此同时，一个社区内的消费者群体涵盖了不同年龄、不同工作的人群，这种差异性也带来了其在末端配送服务需求上的个性化特征。举例来说，家中有幼儿的宝妈，希望商品到货后可以尽快上门配送；而白天家中无人的上班族则希望商品可以被寄存在有保鲜设备的智能自提柜，这样半夜下班可以顺手提货回家；而退休的老人更喜欢人工服务，比起多走些路，他们更抗拒使用智能手机扫码等。由此可知，社区团购场景下的消费者理想的配送方式、取货地点和取货时间各不相同，其需求呈现个性化特征。

其次，如前所述，社区团购场景仍处于不断发展的变化状态中，消费者对于末端配送的需求也呈现出一定的动态变化规律。以一般网购的发展规律为例，在发展之初，消费者对于配送服务的需求是安全送达，不丢件、不送错即是满意；随着网购规模不断扩大，快递业不断发展，如今消费者对于配送服务的需求是当日达甚至半日达，家中有人时需要送货上门，家中无人时需要放置于快递柜中。可见，消费者对于末端配送服务的要求将随着模式发展逐渐严苛。这种对服务水平的期待逐渐增加的动态变化规律，也同样适用于社区团购场景。在动态性较强的社区团购场景下，把握这种消费者需求的变化特点至关重要。

最后，需要注意的是，社区团购场景下的消费者满意度评价不仅取决于消费者主体的满意度水平，还受到他人评价反馈的影响。如前所述，由于该场景的社交属性，消费者之间信息的传播速度和可信度都更高，导致个体评价将影响群体需求。当消费者满意时，其评价可以进一步激发需求，提升消费者对个性化服务的期待水平；当消费者不满意时，其评价则会抑制需求。这意味着，不能将消费者个体的满意度进行叠加，用以描述整个社区内消费者群体的满意水平，而是要从整体的角度出发，衡量一段时期内社区消费者群体的满意程度。

2.2 社区团购场景下供应链末端配送资源供给特征分析

在应对消费者对社区团购场景下末端配送服务提出的要求时，需要合适的供应链资源作为支撑，建立与消费者更密切的末端连接，为消费者提供更满意的服务。核心企业为了通过自身平台提供消费者所需的个性化配送服务，应当在把握消费者需求特征的基础上，针对消费者具体的服务要求，在供需动态均衡关系的引导下进行供应链资源整合决策。这必然需要对场景所需资源特点及其供给特征进行分析。

随着社区团购场景的不断完善发展，消费者群体规模增加、个性化需求增加，为了满足消费者个性化的取货时间，在商品集中送达社区后，需要设置缓冲，提供具有保鲜设备的贮存点，降低商品的折损程度，保障商品质量。与此同时，为了满足消费者对配送地点和模式的个性化需求，缓冲点应当在社区辐射范围内具备一定的规模和数量，能够提供多种服务。当前，消费者日益增加的个性化配送服务需求和短缺的配送资源形成了冲突，导致消费者满意度的降低，对于场景的长久发展影响巨大。因此，需要进一步识别和挖掘供应链末端配送资源。

值得注意的是，社区场景内有不少资源具备潜在的服务能力。例如，小区快递自提柜、集中快递提货点、社区商超，甚至于小区门卫以及社区活动中心等，都有可能成为末端配送服务的供应商。然而，想要使其能够提供令消费者满意的个性化服务，需要核心企业对其进行改造。例如，添置保鲜设备(如冰箱、冰柜等)，统一的装潢，客服人员的培训等。这些资源资质不一，对它们的改造难度不同、成本不同，改造所需的时间也有所差异。

供应链资源供给不是核心企业单方面择优的问题，而是一个长期的互动过程。资源本身的合作意愿在很大程度上影响着供应链资源整合决策以及具体的整合过程。需要注意的是，资源的合作意愿呈现动态化变化特点，资源个体会根据市场表现不断调整自身的合作意愿与配合程度；此外，随着资源的改造不断深入，其能够提供的服务容量以及服务水平也会呈现一定程度的变化。在进行供应链资源整合决策优化时，这种资源供给的动态化特征值得关注。

3 社区团购场景下消费者满意度的动态测量

基于前文分析，如何在把握消费者需求特征的基础上，对消费者满意度进行定量刻画，从而对消费者服务需求进行动态测量，是指导供应链资源整合优化的基础。

3.1 消费者期望水平测量指标的选择

消费者对于服务是否满意，主要取决于平台能够提供的服务容量和品质是否可以满足消费者的期待。其中，服务容量是指随着模式不断发展，用户体量不断增加，末端配送体系能够提供足量的缓冲储存空间。而服务品质则是指能够合理地安排商品的储存，对于一些有特殊储存要求的商品能够进行妥善保管，例如生鲜能够在冷柜进行保存。与此同时，高品质的服务还包括与顾客保持友好且及时的沟通，从而使得用户能够在其方便的时间提取货物，或者由服务人员上门送货，提供满足消费者期待的服务内容。

与此同时，消费者个性化服务需求呈现阶段性动态变化特点，消费者的满意水平也会随之发生改变。为了能够更好地指导供应链末端配送资源整合决策，计算消费者满意度时，必须要站在全局的角度，测量一段时间内的末端配送体系所能提供的服务容量，以及服务品质对当前消费者总体期待水平的满足程度。服务容量水平取决于资源的数量及规模，服务品质水平则取决于资源的硬件设施水平[12]、管理水平(能够保持店内良好的服务氛围并培训相关服务人员友好的服务态度)[13]以及沟通协调能力(能够与消费者保持顺畅的沟通，从而得知其所需的服务和对服务的反馈)[13,14]。

3.2 消费者满意度的动态测量方法

根据前述分析，在社区团购场景下，由于其社交属性的影响，消费者满意度不能简单地按照线性函数的方式计算，需要考虑评价的正反馈效应。一般来讲，他人的评价会在一定程度上影响主体自己的主观评价水平[15]，当他人评价好时，主体会提升自身对于服务满意程度的认知水平；反之，主体会降低自身对于服务满意程度的认知水平。因此，在考虑群体综合评价水平时，消费者之间的信息交流将会对实际的需求满足程度形成正反馈效应。例如，当消费者群体对于服务的评价水平较高时，微信群内夸赞增多，消费者会觉得更加满意；反之，抱怨增加，则消费者会觉得更不满意。正反馈效应系数的大小取决于主体和他人之间日常的沟通程度，以及对他人评价的可信任程度。例如，在微信团购群中，当有可信度较高的团长引领时，人们相互之间的信任程度会加深，则正反馈效应会增强。

假设Sn表示消费者在阶段n内对社区团购终端配送服务的满意度，则可设Sn=(Rn/En)1+θ。其中，Rn表示核心企业在阶段n内能够提供的社区团购终端配送服务水平(其取值与资源整合决策相关，后文将详述其计算方法)；θ表示正反馈效应系数，θ∈[0,1]。通过上述分析可知，当正反馈导致的他人对主体的主观评价水平影响最大时，即影响程度达到100%，此时θ取值为1；反之，当他人的评价对主体的评价无影响时，θ取值为0，则该主体不会接受他人的任何评价建议，评价结果完全取决于实际需求的满足程度评价。

由前文分析可知，一段时间内，消费者对于社区团购终端配送服务的期待水平，由用户体量和消费水平当前对于服务品质的要求共同决定，而根据消费者需求特征分析可知，这种期待水平并非一成不变，随着社区团购模式的不断发展，用户会根据之前的体验以及场景的成熟程度来调整自身的期待。因此，可建立动态测量模型，刻画其在不同时间节点的消费者满意度水平，并基于当前水平对可预见的未来阶段进行预测。

一般来说，在模式发展过程中，用户体量取决于当前阶段的用户转换率。而由于社区团购场景的社交属性，消费者之间的消息具有更高的流通速度和效率，因此，这一阶段的消费者满意度将会从很大程度上影响模式的发展进程。具体来说，当前阶段消费者如果满意的话，将会带动模式发展，促进用户体量的增加；如果消费者不满意的话，则会妨碍模式发展，抑制用户体量的增加。假设Un表示阶段n内的用户体量，则可设Un=δn×U0。其中，δn表示阶段n内的用户转换率；U0表示一定区域范围内的潜在目标用户。那么则有Un+1=δn+1×U0×Sn。

与此同时，消费者对于服务品质的期待处于动态变化的过程。根据前文分析，消费者会根据自己的实际需求变化调整对于服务品质的期待水平，与此同时，当平台方提供超出消费者期待的服务时会提升消费者的期待水平，并且期待一旦提升，就不会主动降低。故阶段n内的用户对于服务品质的期待程度为

(1)

4 社区团购场景下动态多阶段供应链末端配送资源整合优化模型

4.1 整合过程描述

根据前文分析，社区团购场景下的供需关系是一种相互影响的动态互动关系。核心企业延迟建设和一次性大幅超前建设都可能会引起供需不平衡，从而导致模式无法可持续健康发展。因此，核心企业应当遵循当前阶段消费者需求的指引，根据可预见的未来需求进行多阶段动态资源整合。在前述供需特征关系分析的基础上，通过引入消费者满意度的动态测量机理来建立资源整合决策优化流程时，重点需要考虑如下步骤：①需要识别和评价供应链末端配送资源。如前所述，社区场景下的可利用资源种类很多，资质也各有差异，将其中有价值的资源筛选出来，是整合资源的第一步。一个资源是否具有价值，需要从消费者需求的角度出发，能够满足消费者需求的(具备一定的服务容量和服务品质)且有意愿为之的资源价值更高。除此之外，改造难度越小、时间越短、配合程度越高的资源的价值也越大。值得注意的是，资源的价值并非总是一成不变的，为了应对这种动态性，核心企业需要持续与有价值的资源进行沟通，并不断重复评估资源价值。②需要改造和整合供应链末端配送资源。末端配送资源整合是一个多方参与的多阶段流程。作为一个系统性问题，供应链资源整合不仅是一个简单的个体优选问题，平台除了需要根据资源个体的整体适宜情况对其进行选择外，更重要的是通过整合过程来改造资源个体，使得整个系统发挥协调效应，创造更大价值。在整合资源时，除了要考虑单个资源的价值，还需要考虑不同阶段内资源与需求的匹配情况、资源的总体布局，以及改造资源所带来的成本，通过多轮决策，完成多阶段动态末端资源整合优化，构建完整的供应链末端配送体系，从而灵活匹配消费者不断发展的个性化需求。

基于上述分析，社区团购场景下的多阶段动态供应链末端配送资源整合决策优化流程见图1，该流程是构建社区团购场景下的动态多阶段供应链终端配送资源整合决策优化模型的逻辑引导。

图1 社区团购场景下的多阶段动态供应链末端配送资源整合流程

4.2 优化目标的建立

本研究旨在解决：如何在动态变化的消费者满意度指导下，选择最优的末端资源整合方案，进行多阶段供应链末端配送资源整合。本研究已经设计了消费者满意度动态测量方法，而如何筛选并决策供应链终端配送资源的整合顺序，确定最终资源整合方案，除了要综合考虑各阶段的消费者满意度，还需要考虑资源布局的合理性以及整合成本，是一个更为复杂的多目标优化问题。因此，本节构建了社区团购场景下的动态多阶段供应链末端配送资源整合优化数学模型，其优化目标如下：①综合考虑各阶段情况的总体消费者满意度最大化，从而使得核心企业能够从更为长远的视角出发，合理地进行资源整合规划，获取竞争优势；②资源布局覆盖率最大化，从而提升平台在该社区内的影响力与掌控能力，为未来发展赢取更大的空间；③整合成本最小化，降低核心企业发展负担，进一步提升利润空间。

在构建优化模型之前，需要对各优化目标进行量化设立。设在面积为S0的某社区内，共有备选资源个体I个，每个资源的索引为i(i=1,2,…,I)；根据企业战略规划，共设立N个整合阶段，每个整合阶段的索引为n(n=1,2,…,N)。γin表示决策变量，第n阶段对资源i进行改造整合，则γin=1；否则，γin=0。

4.2.1多阶段消费者满意度

4.2.2资源布局覆盖率

4.2.3整合成本

社区团购场景下供应链资源整合成本包括固定成本、沟通成本以及管理费用，则有C=C固定+C沟通+C管理。其中，固定成本为购置一般设备以及装修成本，不同的资源根据自身情况的不同，在改造时所需支付的成本有所差异；沟通成本由资源合作的意愿决定，合作意愿较强的资源沟通成本较低，反之则较高；管理费用则是指在改造过程中所必须支付的相关费用。

值得注意的是，构建优化模型时，应对上述各变量进行量化处理，同时为使用无量纲参数实现多目标的合成，还需要对模型目标函数中的参数进行规范化处理[16]。

4.3 优化模型

基于上述分析，构建社区团购场景下的动态多阶段供应链末端配送资源整合优化模型。目标函数为

(2)

(3)

(4)

约束条件为

(5)

(6)

(7)

模型中，式(2)～式(4)为多目标函数，式(2)表示综合考虑各阶段情况的总体消费者满意度最大化；式(3)表示资源布局覆盖率最大化；式(4)表示整合成本最小化；式(5)～式(7)为约束条件，式(5)表示满意度约束，即每个阶段的满意度均不能低于平台战略预设极限值E*；式(6)表示资源布局覆盖率约束，即总体资源布局覆盖率不能低于平台战略预设值η*；式(7)表示整合成本约束，即总体整合成本不能高于平台战略预设值C*。

5 算法与算例分析

5.1 算法的选择分析

社区团购场景下的供应链末端配送资源整合优化模型，实际上是带约束的多目标优化模型，属于NP难问题，求解较为复杂，求解时需要在一定约束条件下权衡消费者满意度、资源布局覆盖率，以及整合成本等多维优化目标。因此，本研究建立的数学模型也具有NP难问题的特点，当问题规模增加时，采用精确算法要花费较长的时间，不够经济，求解此类问题多采用启发式算法，如遗传、蚁群、粒子群、禁忌搜索模拟退火算法等。文献[17,18]在进行模型求解时使用了遗传算法，均得到良好收敛，证明该方法具备全局搜索快速收敛的良好性质。此外，文献[19]对常用的启发式算法进行了对比研究，总结了各算法的特点及其适用情况。其中，粒子群算法多用于连续性函数优化问题；模拟退火算法多用于已有解的优化问题，均不适合本研究模型求解；而相较于蚁群算法和禁忌搜索算法，遗传算法具有鲁棒性、并行性和搜索能力较强等特点，更适合于较复杂的组合优化问题求解。文献[19]通过相同算例下不同算法的求解证明了遗传算法的优越性。上述研究无论从理论上还是从实践中，都验证了遗传算法在求解多目标约束条件下的调度优化问题的适用性及优越性。因此，针对社区团购场景下的供应链末端配送资源整合优化问题，选取遗传算法[18]进行设计求解。

5.2 算法设计

5.2.1目标函数的处理

由于决策变量为离散值而非连续值，因此，可以参考文献[18]的目标函数处理方法，无需将整个目标函数取倒数，可通过对目标函数中的加和项取倒数，将其转换为求最小值问题。该方法可降低后期运算难度。因此，将目标函数(2)和(3)转换为如下求最小值问题：

(8)

(9)

本研究采用线性加权的方法，将多目标优化问题转为单目标优化问题进行求解。本研究模型的消费者满意度目标、资源布局覆盖率目标和整合成本目标存在冲突性，在不同情况下，核心企业对3个目标的侧重会有所不同，资源调度的结果也随之发生变化。因此，模型的目标函数可变为

(10)

5.2.2约束条件的处理

采用罚函数法将模型的约束条件(5)～(7)加入到目标函数(10)中，罚函数形式如下：

(11)

(12)

(13)

G=G1+G2+G3，

(14)

式中，M是一个充分大的正数，也即罚因子。可见，当约束条件(5)～(7)均被满足时，罚函数值为零。

5.2.3遗传算法流程

遗传算法流程具体步骤如下：

步骤1编码方式：采用实数编码方式。染色体节点数取决于决策变量γin的个数H。第h个基因的位值所表示的含义为整合决策方案编号，在阶段n整合资源i即为一个方案，因此方案共有N×I个，分别对应一个编号。

步骤3交叉算子：采用模拟二进制交叉方式。先判断每一条染色体的节点是否交叉，随机寻找一个与其交叉的节点，并对两个节点进行交叉。

步骤4变异算子：变异方式为随机选取父代染色体，然后随机选择染色体的部分基因进行重新选值。变异的基因位的个数随迭代次数的增加而减少。

步骤5停止准则：当程序的迭代次数达到设定的最大迭代次数时，停止运算。

5.3 算例描述

本研究以北京某大型社区A为例进行模拟仿真计算。该社区占地面积约为4.5平方公里，常驻居民约为8万人。核心企业将根据自身的战略规划和对社区A的实际勘察，分3个阶段完成对供应链终端配送资源的整合优化，即起步阶段、发展阶段和成熟阶段。

根据前文分析，消费者群体在不同阶段对社区团购服务的期待水平变化趋势见图2。经整合主体走访调查，社区A的消费者群体对社区团购配送服务容量(Vn)的3个阶段的静态期待水平预测分别为V1=0.60，V2=0.80，V3=0.90。消费者群体对于服务品质(Qn)的静态期待水平为0.72。其中，对硬件设施水平(Qe)的期待值为0.60，对管理水平(Qm)的期待值为0.75，对沟通协调能力(Qc)的期待值为0.80，其对应权重分别为w1=0.30，w2=0.40，w3=0.30。消费者群体对服务品质期待水平的动态变化与资源的整合过程有关，静态期待水平预测将作为后续计算的基准水平(所有参数均经过去单位化和归一化处理[16,20])。

图2 消费者群体对于社区团购服务期待水平变化趋势

核心企业在经过实际调研之后，对该社区现存资源进行了分类整理，并对资源个体进行走访，初步了解了其资源品质及合作意愿，对其预期能够达到的服务容量、品质及改造成本进行评估。本研究对上述数据进行了随机模拟，经过量化及去量纲化处理后，该部分信息见表1。

表1 优化参数

5.4 算例结果与结论

当核心企业在进行社区团购场景下供应链末端配送资源整合优化时， 首先需要对3个优化目标(总体消费者满意度最大化、资源布局覆盖率最大化和整合成本最小化)的权重进行设定。

一般来讲，对于资源整合多目标权重的设定，需要核心企业从整合资源的定位和目标出发，在充分考虑长远与近期、局部与整体平衡的基础上，结合资源整合需要解决的具体问题进行综合确定[7,18,20]。在本研究的算例中，基于社区资源布局的实际情况、消费者对社区团购满意度的诉求反馈情况，以及核心企业对整合成本的可接受程度，核心企业出于长远发展的战略目标考虑，需要将资源整合的重点放到社区资源布局覆盖率最大化这一目标上，以实现未来更好的发展，而相对弱化其他两个目标，因此将多目标权重设定为{0.3; 0.4; 0.3}。同时，根据前述有关正反馈效应系数θ的设定规则，核心企业通过调查发现，该社区消费主体针对他人评价对自己主观购物评价水平的影响程度大约在20%左右，因此，设定θ为20%。

使用MATLAB 2018a软件进行模拟，经过多次反复试验，确定较为适合的算法参数是：种群规模100，交叉概率0.8，变异概率0.1，迭代次数200。对算例计算50次，平均计算时间为2.47s，计算效率较高；达到收敛时，最优适应度的平均值为0.016 603，最大值为0.016 702，最小值为0.016 201，与平均值的偏差分别为0.60%和2.42%，计算结果较稳定，算法的鲁棒性较好。由运作参数计算可得，最优调度方案的3个目标函数值分别为3.19，4.38和2.34，模型适应度收敛图见图3，最优调度方案见表2。

图3 模型适应度收敛图

表2 决策优化结果输出

由算例结果可知，核心企业根据自身战略规划，分为3个阶段分别改造整合上述资源个体，其中资源6因无法达成整合协议，沟通成本超出限制条件，故放弃。实践中，并非所有的资源个体最终都能达成合作，有些资源个体出于自身发展的考虑(如上海糕潮面包店出于维护自身品牌的需求明确拒绝与盒马鲜生合作)或者出于竞争关系(如开在社区附近的7-11便利店等连锁品牌零售店)的考虑，不沟通或者明确表达了无法达成合作，在这种情况下，社区团购平台如果继续尝试沟通，则会大幅提升沟通成本，使得成本大于收益，因此应及时放弃。其余并未明确拒绝合作的资源个体，则根据其价值以及合作意愿的不同，按照核心企业的战略需求分阶段进行整合。其中，在起步阶段，价值高、合作意愿强烈的资源个体得到优先整合，实践中，一些资源个体体量大、位置好，对于新兴商业模式有尝试的兴趣(如小区内的商超以及成熟的快递站点)，此时应当快速对其进行改造整合，塑造典范，否则，此类资源将会与其他整合平台进行合作。发展阶段则应优先取得摇摆资源的合作机会，这些资源的体量位置相较于优先整合的资源弱一些，或者在初期呈现明显的摇摆状态，对新兴商业模式好奇但是不敢轻易尝试，因此，不宜在初期耗费过大的整合成本对其进行改造，而是应该在优先整合资源显露出成效之后再与其进行沟通，坚定其改造的信心，提升配合度，从而降低整合成本。而重复性资源个体与合作意愿欠缺的资源个体，将在成熟阶段被最终纳入到资源体系中来，这些资源属于补充资源，保障社区团购拥有足够的资源体量，用以满足消费者日益提升的配送服务需求量。这些资源初期虽未明确拒绝合作，但对整合并没有很大的兴趣，且资质较差(服务容量、服务品质、地理位置相对评分较低)，对其应当在积累了一定的整合经验、建立起一定的末端配送体系之后，再着手进行改造整合。

6 结语

社区团购这一商业模式不仅为人们的生活提供了另一种便利的零售可能，在空间上更为贴近人们的生活场景，在时间上更加自由灵活。更为重要的是，这一模式是依托社区微信社交平台诞生的，是疫情期间在消费者的互相帮助、共同扶持下成长的，该模式在一定程度上也拉进了社区居民的情感距离。本研究从社区团购场景的特殊性入手，深入分析了社区团购场景下消费者个性化服务的供需特征，由此搭建了符合社区团购场景要求的消费者满意度动态模型，在此基础上，构建了社区团购场景下多阶段动态多目标供应链末端配送资源整合优化数学模型，并探讨了求解算法。最后，通过算例验证了决策方法和算法的可行性、有效性与实际可操作性。

本研究对该商业模式实践创新的贡献在于，通过优化其供应链运作环节，指导平台更为精准地挖掘消费者个性化服务需求，以消费者满意度为指引，通过多阶段动态配送供应链末端资源整合，实现与消费者更为灵活地连接，提供更符合消费者期待的服务，推动这一商业模式在后疫情时代的成熟化健康化发展。这不仅是消费者的福音，对于平台来说，借助该模式进一步打通线上、线下渠道，构筑全渠道供应网络体系亦是意义非凡。

本研究仅考虑了以单一团购平台为核心的社区团购末端配送资源整合问题，实际上在社区团购商业模式发展过程中，团购平台间的竞争合作问题将会在很大程度上影响供应链资源整合过程；未来可以考虑构建多平台共存的社区团购资源整合模型，从而更好地指导社区团购这一商业模式的健康发展。