袁秋雁 王 東,2

（1.上海交通大學(xué)中美物流研究院，上海 200030；2.上海交通大學(xué)軟件學(xué)院，上海 200240）

需求不確定下B2C電子商務(wù)企業(yè)自建車(chē)隊(duì)規(guī)劃決策問(wèn)題

袁秋雁1王 東1,2

（1.上海交通大學(xué)中美物流研究院，上海 200030；2.上海交通大學(xué)軟件學(xué)院，上海 200240）

隨著物流配送環(huán)節(jié)對(duì)B2C電子商務(wù)企業(yè)的重要性日益增強(qiáng)，B2C電子商務(wù)企業(yè)開(kāi)始自建車(chē)隊(duì)進(jìn)行運(yùn)輸配送。而需求的不確定性，增大了企業(yè)進(jìn)行車(chē)隊(duì)規(guī)劃的難度?；诖耍疚慕⒘诵枨蟛淮_定下B2C電子商務(wù)企業(yè)車(chē)隊(duì)規(guī)劃決策的魯棒優(yōu)化模型，并采用一定的方法將模型線性化。同時(shí)，通過(guò)算例驗(yàn)證表明，本文建立的魯棒優(yōu)化模型在平衡風(fēng)險(xiǎn)和收益的前提下，不僅能夠幫助企業(yè)制定車(chē)隊(duì)規(guī)劃決策，還能進(jìn)行車(chē)輛調(diào)度的安排，實(shí)現(xiàn)決策層與實(shí)施層的有效銜接。

電子商務(wù)；車(chē)隊(duì)規(guī)劃；需求不確定；魯棒優(yōu)化

1 引言

目前，我國(guó)電子商務(wù)正處于快速發(fā)展時(shí)期，根據(jù)艾瑞咨詢(xún)的最新報(bào)告，2015年中國(guó)電子商務(wù)市場(chǎng)交易規(guī)模達(dá)16.2萬(wàn)億元，網(wǎng)絡(luò)零售市場(chǎng)交易額達(dá)3.8萬(wàn)億元，占總額的23.6%，同比增加了2.7%。其中，相較于C2C， 2015年B2C占網(wǎng)絡(luò)零售市場(chǎng)的比例首度過(guò)半，且增速高于C2C。

圖1 2015年網(wǎng)絡(luò)購(gòu)物市場(chǎng)占比圖

影響B(tài)2C、C2C企業(yè)在網(wǎng)絡(luò)零售市場(chǎng)的績(jī)效的因素包括市場(chǎng)、物流、信息技術(shù)、銀行系統(tǒng)和服務(wù)系統(tǒng)。這些因素也是促進(jìn)電子商務(wù)發(fā)展的關(guān)鍵。與此同時(shí)，電子商務(wù)的發(fā)展帶動(dòng)了我國(guó)物流業(yè)的發(fā)展，但從整體上來(lái)看物流業(yè)的發(fā)展速度仍滯后于電子商務(wù)的發(fā)展。此外，配送速度慢、貨損率高等問(wèn)題依然存在，并逐漸成為客戶(hù)選擇電子商務(wù)平臺(tái)的依據(jù)。因此，在“價(jià)格戰(zhàn)”的硝煙還未散去之時(shí)，各電子商務(wù)企業(yè)又將競(jìng)爭(zhēng)的焦點(diǎn)轉(zhuǎn)移到了“物流”上來(lái)。尤其是以京東、蘇寧為主的B2C企業(yè)，為了迎合客戶(hù)的需要，加強(qiáng)企業(yè)自身對(duì)物流配送環(huán)節(jié)的控制并提高客戶(hù)滿(mǎn)意度，開(kāi)始紛紛自營(yíng)物流，包括自建物流網(wǎng)絡(luò)和自建倉(cāng)儲(chǔ)配送中心。同時(shí)，國(guó)家出臺(tái)的各種政策也鼓勵(lì)電子商務(wù)企業(yè)在做市場(chǎng)的同時(shí)抓緊機(jī)遇進(jìn)入物流行業(yè)。

圖2 理想的電子商務(wù)物流模式

自建物流網(wǎng)絡(luò)包括建立物流節(jié)點(diǎn)和組建車(chē)隊(duì)來(lái)全方位掌控物流環(huán)節(jié)，如京東、蘇寧；自建倉(cāng)儲(chǔ)配送中心則是僅建立物流節(jié)點(diǎn)而將運(yùn)輸配送環(huán)節(jié)外包給第三方物流企業(yè)，如聚美優(yōu)品、當(dāng)當(dāng)?shù)取Ｗ越▊}(cāng)儲(chǔ)配送中心可以在一定程度上加快企業(yè)對(duì)客戶(hù)的響應(yīng)速度，提高配送效率，但由于運(yùn)輸配送環(huán)節(jié)仍不在企業(yè)的控制范圍之內(nèi)，客戶(hù)滿(mǎn)意度往往并不能達(dá)到企業(yè)的期望，所以企業(yè)只有組建車(chē)隊(duì)，自己掌控運(yùn)輸配送環(huán)節(jié)，才能從根本上提高物流服務(wù)質(zhì)量。車(chē)隊(duì)規(guī)模的大小是個(gè)派生需求，取決于物流節(jié)點(diǎn)之間流量的大小，即客戶(hù)訂單。并且，多樣化的投資方式、大量的資金投入，都會(huì)給企業(yè)組建車(chē)隊(duì)帶來(lái)一定的困難。因此如何構(gòu)建車(chē)隊(duì)實(shí)現(xiàn)效益最大化是B2C電子商務(wù)企業(yè)在自營(yíng)物流時(shí)所面臨的一大難題。

2 文獻(xiàn)綜述

隨著電子商務(wù)的不斷發(fā)展，國(guó)內(nèi)外對(duì)該領(lǐng)域的研究不斷增多，尤其是針對(duì)B2C行業(yè)的研究。

國(guó)外道路網(wǎng)絡(luò)健全，快遞業(yè)發(fā)達(dá)，在快遞企業(yè)與電子商務(wù)企業(yè)的博弈中，快遞企業(yè)占有主導(dǎo)地位，所以國(guó)外的B2C電子商務(wù)企業(yè)基本都將物流外包給第三方企業(yè)。因此，國(guó)外對(duì)于B2C電子商務(wù)的研究主要集中在服務(wù)質(zhì)量、B2C電子商務(wù)企業(yè)信譽(yù)評(píng)估以及客戶(hù)忠誠(chéng)度維持等方面。商業(yè)、顧客、環(huán)境以及政府的支持是企業(yè)建立電子商務(wù)框架時(shí)所必需考慮的4個(gè)因素，其中最主要的是顧客因素。B2C企業(yè)想要維持和吸引潛在顧客必需建立在顧客信任該電子商務(wù)企業(yè)的基礎(chǔ)之上，因此分析影響信任的因素是至關(guān)重要的，使用多層感知神經(jīng)網(wǎng)絡(luò)（MLPNN multi-layer perception neural network）和誤差反向傳播訓(xùn)練算法（EBPTA）可以有效分析不同的信譽(yù)度對(duì)電子商務(wù)企業(yè)的影響和影響信譽(yù)的主要因素。然而，不同的B2C運(yùn)營(yíng)模式需要不同的維系客戶(hù)關(guān)系戰(zhàn)略，基于理論和對(duì)B2C企業(yè)高管們的采訪，可以對(duì)不同模式下B2C電子商務(wù)企業(yè)的客戶(hù)維系戰(zhàn)略進(jìn)行分析。

相較于外國(guó)，我國(guó)的道路網(wǎng)絡(luò)建設(shè)還不夠完善，物流行業(yè)也處于初級(jí)發(fā)展階段，導(dǎo)致了國(guó)內(nèi)B2C電子商務(wù)企業(yè)物流配送模式的多樣化，包括自營(yíng)物流、第三方物流、自營(yíng)結(jié)合第三方等。因此，國(guó)內(nèi)對(duì)于B2C電子商務(wù)的研究側(cè)重于這三種模式的分析和比較，并根據(jù)現(xiàn)實(shí)情況提出各種新的運(yùn)行模式。伍星華等分析了現(xiàn)階段我國(guó)B2C電子商務(wù)企業(yè)的特點(diǎn)，基于網(wǎng)絡(luò)問(wèn)卷調(diào)查構(gòu)建了B2C電子商務(wù)企業(yè)物流模式?jīng)Q策的指標(biāo)體系；并結(jié)合網(wǎng)絡(luò)分析法( ANP) 和理想點(diǎn)法( TOPSIS)來(lái)輔助B2C電子商務(wù)企業(yè)進(jìn)行物流模式?jīng)Q策。此外，隨著物聯(lián)網(wǎng)概念的普及，越來(lái)越多的學(xué)者開(kāi)始將物聯(lián)網(wǎng)技術(shù)應(yīng)用到B2C電子商務(wù)物流配送中。盧冰原等針對(duì)B2C電子商務(wù)逆向物流環(huán)節(jié)中存在的問(wèn)題，提出了一種包括多家企業(yè)在內(nèi)的多級(jí)結(jié)構(gòu)的逆向物流聯(lián)合體協(xié)作模式，并搭建了基于物聯(lián)網(wǎng)技術(shù)面向物流聯(lián)合體的智能化多級(jí)寫(xiě)作信息平臺(tái)模型。鄭楠將物聯(lián)網(wǎng)技術(shù)應(yīng)用于運(yùn)輸全程的車(chē)輛監(jiān)控，從而提高了企業(yè)對(duì)在途車(chē)輛和貨物的控制。

綜上所述，目前國(guó)內(nèi)外對(duì)于B2C電子商務(wù)企業(yè)如何進(jìn)行車(chē)隊(duì)規(guī)劃的研究很少涉及，但按照我國(guó)電子商務(wù)和物流業(yè)目前的發(fā)展態(tài)勢(shì)來(lái)看，未來(lái)會(huì)有更多的B2C電子商務(wù)企業(yè)選擇自建車(chē)隊(duì)進(jìn)行運(yùn)輸配送。因此，對(duì)車(chē)隊(duì)規(guī)劃的決策研究是很有必要的。

3 數(shù)學(xué)建模

車(chē)隊(duì)規(guī)劃是B2C電子商務(wù)企業(yè)發(fā)展自營(yíng)物流的一個(gè)重要戰(zhàn)略點(diǎn)，其目的是解決車(chē)隊(duì)的規(guī)模和組成問(wèn)題。車(chē)隊(duì)規(guī)劃受到多個(gè)因素的影響，主要包括：1.B2C電子商務(wù)企業(yè)的訂單量（即貨運(yùn)量）；2.車(chē)輛買(mǎi)賣(mài)與租賃市場(chǎng)的價(jià)格；3.B2C電子商務(wù)企業(yè)自身發(fā)展戰(zhàn)略；4.司機(jī)等作業(yè)人員的監(jiān)管和控制等。其中，訂單量是決定車(chē)隊(duì)規(guī)模的最主要因素，其大小直接影響到車(chē)隊(duì)運(yùn)力的調(diào)整和調(diào)配。因此，車(chē)隊(duì)規(guī)劃方案的可行性在很大程度上依賴(lài)于預(yù)測(cè)市場(chǎng)需求的準(zhǔn)確性。然而，電子商務(wù)銷(xiāo)售市場(chǎng)存在較大的波動(dòng)性和不確定性，如雙十一等帶來(lái)的短時(shí)間運(yùn)力極度緊張。所以，在需求不確定環(huán)境下研究車(chē)隊(duì)規(guī)劃問(wèn)題是具有現(xiàn)實(shí)意義的，這樣的規(guī)劃方案可使車(chē)隊(duì)具有更好的柔性。

圖3 B2C電子商務(wù)企業(yè)二級(jí)配送網(wǎng)絡(luò)

本文的研究對(duì)象為一個(gè)已建立二級(jí)配送網(wǎng)路的B2C電子商務(wù)企業(yè)，其自有車(chē)隊(duì)主要用于DC至RDC的干線運(yùn)輸。針對(duì)影響車(chē)隊(duì)規(guī)劃的各因素，在需求不確定的條件下建立基于多種投資方式的車(chē)隊(duì)規(guī)劃決策的魯棒模型。車(chē)隊(duì)融資的方式包括買(mǎi)賣(mài)新車(chē)或二手車(chē)、租賃車(chē)輛等，這些決策在一定程度上取決于決策者對(duì)風(fēng)險(xiǎn)和固定資產(chǎn)的偏好。本文希望通過(guò)建立模型并求解，根據(jù)決策者的偏好，為其提供一定時(shí)期內(nèi)車(chē)隊(duì)規(guī)劃的制定和調(diào)整方案，包括1.擁有多少自有車(chē)輛并如何調(diào)度；2.如何買(mǎi)賣(mài)車(chē)輛；3.如何借助社會(huì)運(yùn)力；4.如何出租自有車(chē)輛增加收益等。

3.1 前提假設(shè)

根據(jù)市場(chǎng)實(shí)際狀況和建立模型的便利性，本文做如下假設(shè)：

1.將整個(gè)研究期按月進(jìn)行劃分，共T個(gè)月。并按照會(huì)計(jì)方法，起始于第0年，終止于第T-1年。

2.車(chē)輛按月進(jìn)行折舊，同時(shí)按月利率i計(jì)算現(xiàn)值；

3.車(chē)隊(duì)的車(chē)型總共有K種，運(yùn)輸路線共J條；

4.研究期前的投資費(fèi)用相當(dāng)于企業(yè)的沉沒(méi)成本，本文不考慮這部分成本；

5.車(chē)輛的租賃和買(mǎi)入行為發(fā)生在月初，賣(mài)車(chē)行為則發(fā)生在月末；

6.允許買(mǎi)賣(mài)車(chē)輛的車(chē)齡限制為T(mén)r，即買(mǎi)入車(chē)輛的最大車(chē)齡為T(mén)r，賣(mài)出車(chē)輛的最小車(chē)齡也為T(mén)r，且所有車(chē)輛的壽命同為T(mén)h。

7.車(chē)輛到達(dá)DC或RDC后無(wú)需排隊(duì)即可裝卸貨物，且同種車(chē)型的車(chē)輛在同一路線上的往返時(shí)間相同均為T(mén)jk；

8.所有租出去的車(chē)輛全部滿(mǎn)載運(yùn)輸，且運(yùn)價(jià)相同。當(dāng)月出租的車(chē)輛不再安排其進(jìn)行本公司的運(yùn)輸任務(wù)；

9.將運(yùn)輸任務(wù)外包給第三方企業(yè)的資金以機(jī)會(huì)成本的形式作為企業(yè)的收入；

10.返程車(chē)輛除運(yùn)輸企業(yè)的退貨、退換包裹外，每車(chē)可運(yùn)輸其他企業(yè)的拼車(chē)貨占車(chē)輛載重量的比重為α，并且這一運(yùn)量與退換貨的運(yùn)量DtjB之和小于每種車(chē)型的總載重噸Wk，且捎帶返程貨的運(yùn)價(jià)為原運(yùn)價(jià)的1/2。

3.2 變量與參數(shù)

3.2.1 變量

本文涉及的變量包括：

3.2.2 參數(shù)

本文設(shè)計(jì)的主要參數(shù)如下：

3.3 車(chē)隊(duì)規(guī)劃確定性模型

根據(jù)上述假設(shè)、變量和參數(shù)，建立的B2C電子商務(wù)企業(yè)多種投資方式車(chē)隊(duì)規(guī)劃的確定性模型如下：

目標(biāo)函數(shù)：追求研究期內(nèi)B2C電子商務(wù)企業(yè)運(yùn)輸收益和資產(chǎn)現(xiàn)值的最大化。

其中，第一項(xiàng)表示選擇自建車(chē)隊(duì)的機(jī)會(huì)成本和自建車(chē)隊(duì)的運(yùn)輸總成本；第二項(xiàng)表示賣(mài)出老齡車(chē)的收入；第三項(xiàng)表示出租車(chē)輛的收入；第四項(xiàng)表示返程運(yùn)輸其他企業(yè)拼車(chē)貨的收入；第五項(xiàng)表示買(mǎi)入新車(chē)或二手車(chē)輛的費(fèi)用；第六項(xiàng)表示租用社會(huì)車(chē)輛的費(fèi)用；第七項(xiàng)表示研究期末車(chē)隊(duì)剩余自有車(chē)輛的賬面價(jià)值。

s.t

其中，式（3）為需求量約束，即企業(yè)自有和租賃的車(chē)輛需滿(mǎn)足企業(yè)訂單運(yùn)輸?shù)男枰皇剑?）為總車(chē)輛數(shù)約束，即企業(yè)當(dāng)月使用的自有車(chē)輛數(shù)不能超過(guò)企業(yè)擁有的自有車(chē)輛數(shù)；式（5）為車(chē)輛融資限制，即用于購(gòu)買(mǎi)和租賃車(chē)輛的費(fèi)用不能超過(guò)企業(yè)的預(yù)算；式（6）為出售和租賃車(chē)輛的限制，即當(dāng)月出租和賣(mài)出的車(chē)輛數(shù)不能超過(guò)企業(yè)擁有的自有車(chē)輛數(shù)；式（7）（8）為買(mǎi)賣(mài)車(chē)輛的車(chē)齡限制；式（9）為時(shí)間約束，即所有車(chē)輛的總運(yùn)營(yíng)時(shí)間要與完成運(yùn)輸任務(wù)所需的時(shí)間相等；式（10）為變量的非負(fù)整數(shù)約束。另需說(shuō)明，當(dāng)約束條件中出現(xiàn)形如的表達(dá)式時(shí)，若m＞n，則該項(xiàng)無(wú)意義。

3.4 魯棒優(yōu)化模型

3.4.1 魯棒優(yōu)化

魯棒優(yōu)化的目的是在不確定條件下，對(duì)于所有可能出現(xiàn)的情景S，在滿(mǎn)足約束條件的情況下，求得使目標(biāo)函數(shù)值最優(yōu)的解。魯棒優(yōu)化的關(guān)鍵是建立與原優(yōu)化模型相對(duì)應(yīng)的魯棒對(duì)等模型。Soyster采用column-wise uncertainty的方法建立魯棒對(duì)等模型，但該方法容易造成不確定系數(shù)都取其最大值（即最壞的情景），因此過(guò)于保守，且該方法不能用于離散模型。Ben-Tal 和 Nemrovski針對(duì)column-wise方法過(guò)于保守的問(wèn)題，提出了采用raw-wise uncertainty方法來(lái)建立魯棒對(duì)等模型。這一方法能夠更好地反映實(shí)際情況，并且可用于離散模型。上述兩種方法主要針對(duì)硬約束問(wèn)題，即模型的解必須滿(mǎn)足所有約束條件。但在現(xiàn)實(shí)中，有些約束條件沒(méi)有那么硬性，若在不超過(guò)約束值一定的范圍下而目標(biāo)函數(shù)值有較大改善的話也是可取的。因此，Mulvey等提出在目標(biāo)函數(shù)中加入懲罰函數(shù)來(lái)控制約束變化的范圍，并提出了三種建立線性魯棒對(duì)等模型的方法，但這三種方法都需要加入大量的人工變量，使問(wèn)題的計(jì)算復(fù)雜度大大增加。Chian-Son Yu和 Han-Lin Li針對(duì)人工變量多的問(wèn)題，根據(jù)Li提出的定理，僅需加入一半的人工變量即可將原線性規(guī)劃模型轉(zhuǎn)化為線性魯棒對(duì)等模型，使計(jì)算的復(fù)雜度大大降低。

本文所建模型中，貨運(yùn)量的約束在一定范圍內(nèi)可以不被滿(mǎn)足，屬于軟約束問(wèn)題。因此，本文采用Chian-Son Yu和 Han-Lin Li提出的方法來(lái)建立魯棒對(duì)等模型。

3.4.2 車(chē)隊(duì)規(guī)劃的魯棒優(yōu)化模型

假設(shè)從DC運(yùn)至RDC的貨運(yùn)量共有S種可能情景，其發(fā)生概率為且已知）。此時(shí)，受貨運(yùn)量變化影響的決策變量有在各情景s下，這些變量分別表示為其他決策變量對(duì)所有情景都有效。此外，情景s下DC至RDC的貨運(yùn)量表示為，其他參數(shù)在所有情境中都相同。再引入系數(shù)和λ，其中λ表示解的可行性與企業(yè)收益之間的權(quán)重，表示情景s下背離約束的懲罰系數(shù)。

令ZS表示各情景s下的目標(biāo)函數(shù)

則同時(shí)控制解魯棒性和模型魯棒性的車(chē)隊(duì)規(guī)劃魯棒優(yōu)化模型為

由于該模型是非線性的，不利于計(jì)算機(jī)的求解，因此，利用Chian-Son Yu和 Han-Lin Li提出的方法將該模型轉(zhuǎn)化成線性模型。即

并增加相應(yīng)的約束條件

s.t

式（3）～式（9）

4 算例驗(yàn)證

假設(shè)某B2C電子商務(wù)公司目前已有一定規(guī)模的車(chē)隊(duì)（眾多車(chē)隊(duì)中的一支），服務(wù)于某DC與RDC之間進(jìn)行貨物配送，研究期初車(chē)隊(duì)的構(gòu)成詳見(jiàn)表1。各類(lèi)型車(chē)輛的壽命均為15年，且在壽命期末的殘值分別為3.2萬(wàn)元和4.5萬(wàn)元。目前車(chē)隊(duì)擁有車(chē)輛的最大車(chē)齡為10年且允許買(mǎi)賣(mài)車(chē)輛的車(chē)齡限制為6年。研究期內(nèi)該車(chē)隊(duì)服務(wù)范圍內(nèi)僅有兩條運(yùn)行路線，各車(chē)型的車(chē)輛在這兩條路線上的往返運(yùn)輸時(shí)間和運(yùn)輸成本詳見(jiàn)表2。規(guī)劃期內(nèi)企業(yè)每月的車(chē)輛融資限額為20萬(wàn)元。市場(chǎng)上，各月各車(chē)型的買(mǎi)賣(mài)、租賃價(jià)格如表3、4所示。此外，若采取外包形式，第三方物流公司給出的協(xié)議報(bào)價(jià)為：路線1——2400元/噸，路線2——2600元/噸。企業(yè)出租車(chē)輛的運(yùn)費(fèi)收入統(tǒng)一為2800元/噸，該企業(yè)對(duì)固定資產(chǎn)的偏好程度β=0.5。

表1 研究期初自有車(chē)隊(duì)的車(chē)輛構(gòu)成

表2 車(chē)輛的往返運(yùn)輸時(shí)間和運(yùn)輸成本

表3 研究期內(nèi)各月份各路線上的運(yùn)價(jià)

表4 研究期內(nèi)不同車(chē)齡各車(chē)型的售價(jià)（萬(wàn)元）

在訂單需求方面，根據(jù)各路線上的歷史數(shù)據(jù)利用時(shí)間序列預(yù)測(cè)的方法進(jìn)行預(yù)測(cè)，具體采用哪種方法視歷史數(shù)據(jù)的特征而定。若歷史數(shù)據(jù)表現(xiàn)為水平趨勢(shì)，則可采用移動(dòng)平均、加權(quán)平均；若歷史數(shù)據(jù)表現(xiàn)為線性趨勢(shì)，則可采用二次指數(shù)平滑法；若表現(xiàn)出明顯的季節(jié)性，則可采用季節(jié)因素乘法模型或加法模型。根據(jù)歷史數(shù)據(jù)得到的研究期內(nèi)各路線上的訂單需求如表5所示。由于需求存在不確定性，因此假設(shè)存在3種不同的訂單需求情況，令其發(fā)生的概率分別為0.2，0.3，0.5。同時(shí)，令式（12）中的懲罰系數(shù)權(quán)重系數(shù)λ=1。此外，假設(shè)每月公司自身的返程貨量均相等，即返程捎帶其他公司的貨物重量占車(chē)輛額定載重噸的系數(shù)為α=0.3。

表5 訂單需求可能發(fā)生的各種情景

根據(jù)以上數(shù)據(jù)，利用CPLEX軟件對(duì)模型進(jìn)行求解，求得的結(jié)果如表6和7所示。

表6 需求不確定情況下研究期內(nèi)企業(yè)車(chē)隊(duì)規(guī)劃決策

表7 需求不確定情況下研究期內(nèi)車(chē)輛調(diào)度安排

根據(jù)表6和7可知，該模型不僅能夠有效制定B2C電子商務(wù)企業(yè)的車(chē)隊(duì)規(guī)劃決策，還能提供相應(yīng)的車(chē)輛調(diào)度安排，實(shí)現(xiàn)了戰(zhàn)術(shù)層決策與操作層決策相統(tǒng)一。這樣的決策安排能夠緊密聯(lián)系企業(yè)決策制定者與實(shí)施者，加強(qiáng)了整個(gè)B2C電子商務(wù)企業(yè)在貨物運(yùn)輸環(huán)節(jié)的上下聯(lián)動(dòng)。為了更好地分析結(jié)果，將需求不確定情況下的最優(yōu)解與需求確定情況下的最優(yōu)解（如表8和9所示）進(jìn)行比較。

表8 需求確定情況下研究期內(nèi)企業(yè)車(chē)隊(duì)規(guī)劃決策

表9 需求確定情況下研究期內(nèi)車(chē)輛調(diào)度安排

通過(guò)對(duì)比表6、7、8和9可以發(fā)現(xiàn)：在需求不確定情況下，B2C電子商務(wù)企業(yè)更傾向于變賣(mài)車(chē)輛，更多的利用社會(huì)運(yùn)力來(lái)進(jìn)行貨物運(yùn)輸。因此，在數(shù)量上表現(xiàn)為需求不確定情況下的現(xiàn)金流總量要少于確定情況下的現(xiàn)金流總量。但是，較少的自有車(chē)輛可以減少需求不確定性對(duì)企業(yè)資產(chǎn)、資金造成的影響。更少的車(chē)輛，意味著更多的流動(dòng)資金，保證了企業(yè)在應(yīng)對(duì)需求不確定時(shí)有更大的選擇空間和靈活性。這也從一個(gè)方面解釋了現(xiàn)今大多數(shù)電子商務(wù)企業(yè)選擇將物流外包給第三方物流企業(yè)的原因。需求的高度不確定性，使得很多資金實(shí)力薄弱的電子商務(wù)企業(yè)無(wú)法承擔(dān)較高的固定資產(chǎn)給企業(yè)帶來(lái)的資金壓力，他們更愿意留有流動(dòng)資金來(lái)增加企業(yè)的柔性。

表10 不同λ值下目標(biāo)函數(shù)的值

圖3 不同λ下的目標(biāo)函數(shù)值

表11 不同值下目標(biāo)函數(shù)的值

表11 不同值下目標(biāo)函數(shù)的值

?

圖4 不同下的目標(biāo)函數(shù)值

5 總結(jié)

面對(duì)競(jìng)爭(zhēng)日益激烈的電子商務(wù)市場(chǎng)，物流配送環(huán)節(jié)已經(jīng)日漸成為企業(yè)競(jìng)爭(zhēng)的焦點(diǎn)。而市場(chǎng)需求的高度不確定性又使眾多B2C電子商務(wù)企業(yè)對(duì)自建車(chē)隊(duì)全面控制物流環(huán)節(jié)望而卻步。本文建立的需求不確定下B2C電子商務(wù)企業(yè)車(chē)隊(duì)規(guī)劃的魯棒優(yōu)化模型，綜合考慮了市場(chǎng)需求的不確定性和企業(yè)收益，同時(shí)兼顧優(yōu)化模型的魯棒性和解的魯棒性，能夠在需求不確定環(huán)境下制定出較優(yōu)的規(guī)劃和調(diào)度方案。通過(guò)算例驗(yàn)證的結(jié)果分析可知，該優(yōu)化模型能夠在權(quán)衡企業(yè)風(fēng)險(xiǎn)和收益的同時(shí)，得到未來(lái)一段時(shí)間內(nèi)B2C電子商務(wù)企業(yè)車(chē)隊(duì)規(guī)劃的決策和具體的車(chē)輛調(diào)度安排，為銜接決策層與操作層提供了保障。同時(shí)，通過(guò)與確定情況下的最優(yōu)解進(jìn)行對(duì)比發(fā)現(xiàn)，在需求不確定情況下，B2C電子商務(wù)企業(yè)更傾向于輕資產(chǎn)運(yùn)營(yíng)，更多的借助社會(huì)資源來(lái)進(jìn)行運(yùn)輸，這一結(jié)果也與實(shí)際情況相符合。因此，本文建立的優(yōu)化模型能夠?yàn)锽2C電子商務(wù)企業(yè)的車(chē)隊(duì)規(guī)劃決策提供參考。后續(xù)的研究可以考慮將整個(gè)第一級(jí)的運(yùn)輸網(wǎng)絡(luò)納入模型中，制定全網(wǎng)絡(luò)的車(chē)隊(duì)規(guī)劃決策。

[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. 我國(guó)大型B2C電子商務(wù)企業(yè)自營(yíng)物流模式研究[J]. 商業(yè)經(jīng)濟(jì)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] 伍星華,卜華白, 何青. 基于ANP-TOPSIS模型的B2C電子商務(wù)企業(yè)物流模式?jīng)Q策[J].中央財(cái)經(jīng)大學(xué)學(xué)報(bào),2014,08:75-83.

[8] 盧冰原,黃傳峰. 物聯(lián)網(wǎng)下的城市B2C電子商務(wù)逆向物流聯(lián)合體研究[J].科技管理研究,2013,23:204-208.

[9] 鄭楠. 物聯(lián)網(wǎng)技術(shù)在B2C 電子商務(wù)配送運(yùn)輸中的應(yīng)用[J].電子科技,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，上海交通大學(xué)中美物流研究院，碩士，研究方向：物流網(wǎng)絡(luò)優(yōu)化；王東，上海交通大學(xué)軟件學(xué)院，副教授，研究方向：物流網(wǎng)絡(luò)優(yōu)化。