智慧物流下快递配送效能的优化

郑雨婷，邹 浩，金文宇

（湖南财政经济学院，湖南 长沙 410205）

1 引言

网络购物的迅猛发展给我国快递业带来了前所未有的发展契机，而日益激烈的行业竞争，不断增加的客户要求，促使快递企业在提高服务水平的同时关注运作效率与成本。伴随网购发展而得以壮大的快递物流业，除了快件业务量猛烈增多之外，收货人的特征、运送物品的内容等都发生了变化，对快递行业的发展也提出了新的挑战。

针对快递配送问题，国内外对此展开了一系列研究。Boyer[1]等提出“最后一公里”概念的应用领域主要包括城市货物配送、电子商务及便利店配送等，发展涵盖了电子商务物流及其快递配送的各个方面；Gevaers[2]主要从B2C电子商务物流的角度阐述了快递配送可能涉及的一系列活动及过程，指出快递配送是整个物流环节的末端环节，在该阶段，需要将商品配送到最终收件人的家中、指定的地址或提货点；郑书渊[3]、詹瑶瑶[4]、邓素美[5]提出可视化配送、设物流点与便利店、邮政公司合作、无人机配送等模式来解决快递配送的问题；丁雪峰[6]提出了拆分装载策略建立配送模型；王渊博[7]通过整合县乡物流网点的资源和快递承运人力交通资源，搭建互联网快递配送信息服务平台，并采用Spring+SpringMVC+MyBatis技术架构，提出了“农村快递配送+增值服务”的互联网生态构建方法；王凌霄[8]针对农村“最后一公里”配送速度慢、成本高等问题提出用无人机代替快递员，实现快递配送的无人化和智能化。

已有的对于快递配送模式的研究大体可分为整合现有资源、使用现代科技技术、搭建信息平台三类，缺乏对快递配送过程中信息有效预处理问题的研究。本文构建了一套快递需求参数机制，该机制从多个维度方面分析配送需求的特征，并以之为基础，利用三维矢量评价模型对快递业务的重要程度进行预排序，以作为快递实际配送调度的信息基础，从而提高快递配送效能。

2 快递配送现状及存在的问题

目前，我国快递业务量已经连续4年位居世界第一，对全球包裹快递量的增长贡献率超过了50%。快递业务量从上世纪80年代的153万件提升到2018年的507.1 亿件，30 年年均增速高达41.5%，在2019年中国快递业务量有望突破600亿件，具体如图1。

图1 2014-2018年中国快递服务企业业务量及增长速度（单位：亿件，%）

随着城市化进程的加快，如何科学完成城市快递“最后一公里”配送已成为快递行业急需解决的问题。网络购物的飞速发展与物流配送仍存在不匹配现象，快递配送效能不高已成为物流发展过程中一个较大的瓶颈，主要存在以下几个问题：

（1）客户要求高，快递派送量大。随着网购的快速壮大，快递量越来越大。2018 年我国快递业务量达到507.1 亿件。巨量的快件对于快递物流企业形成了较大的派送压力。因为精力和时间有限，快递员难以在满足客户要求的同时增加快递派送量。

（2）配送时间错位，导致二次配送。如今网购群体多为上班族，快递员上班时间与上班族上班时间重合。传统投递模式使得投递与取件时间错位，不能精准派件，不但增加了快递员的等待时间，降低了配送效率，而且还产生了二次配送，增加了运输成本和时间成本。

（3）小批量、高频次配送，配送成本高。日益激烈的行业竞争，不断增加的客户要求，促使快递企业在提高服务水平的同时关注运作效率与成本。由于地区内的配送中顾客对及时性的要求不断提高，物流公司为了更好地服务客户、满足客户需求，只能进行小批量、高频次的配送，从而使得地区内配送成本居高不下。另外网上购物客户群体对物流费用的敏感度较高，使得成本不易向下游转移。

3 基于智能信息处理的快递配送效能优化方案

本文针对快递配送过程中客户要求高、快件派送量大、二次配送情况多、配送成本高等问题，构建了一套快递需求参数机制。该机制从多个维度方面分析配送需求的特征，并以之为基础，利用三维矢量评价模型对快递业务的重要程度进行预排序，以作为快递实际配送调度的信息基础，并通过本文所构建的综合指标队列来提升配送的有效性，增加配送业务的整体水平，达到精准派件、减少二次配送、提高顾客满意度、降低配送成本的目的。

3.1 智能处理机制多维参数的构建

3.1.1 多维参数构建的必要性。在大数据时代，依托网络信息技术手段，通过网络平台来收集快件信息和客户行为数据，应用数据挖掘、机器学习等分析和挖掘快件信息和客户行为特征。从快件时效性、货物重要程度、取货时间、顾客属性这四个方面来构建多维参数。对快件时效性、货物重要程度、取货时间、顾客属性参数进行提取和排序，快递员能够明确货物与客户对配送时间的需求。基于此，合理安排配送时间，准时把货物送到客户手中，最大限度的避免二次配送问题，提高快递配送效能，并为不同客户群体提供专业化、差异化、个性化的服务，提高配送过程中的顾客满意度。

3.1.2 多维参数构建的内容

（1）取货时间指标（I1）。客户取货时间主要由客户需求决定，客户取货时间的不确定性严重影响快递员的配送效率。若快递员按照客户自定的取货时间对货物进行配送，可以最大限度的避免二次配送，客户自定的取货时间用I1表示。

（2）时效性指标（I2）。时效性是货物与客户对配送时间需求的统一，同一货物在不同时间，对客户具有不同方面的差异。通过权衡时效性的影响因素，比较客户对货物的体验感随时间推移的变化情况，根据货物时效性等指标对货物进行排序，合理安排配送时间。影响货物时效性的主要因素是货物的“保质期”，即当前货物的配送期限,用Q表示。一方面是食品的食用期限，主要考虑水果、农副产品和普通食品；另一方面是物品的客户要求期限，主要考虑散单药品、文件和其他货物，货物根据保质期权衡的时效性递减排序为：文件＞散单药品＞农副产品＞水果＞普通食品＞其他。货物时效性用I2表示，若I2值越大说明货物越紧急，其优先配送级别越高。

（3）货物相对重要程度指标（I3）。货物相对重要程度是指该货物在客户心中的地位，客户对该货物的看重程度。对货物的重要性参数进行赋权计算得出的货物相对重要程度用I3表示，I3值越大说明此货物在该客户心中的相对重要程度越高。货物相对重要程度受多种因素的影响，具体影响见表1。

表1 货物重要程度影响因素表

货物相对重要程度计算公式如下（其中Bi(i=1,2,3)为货物相对重要程度指标中各影响因素的权重，且B1+B2+B3=1）：

（4）客户属性指标（I4）。客户属性是指客户对货物等待的可忍耐度以及客户价值，通过整合客户群体信息，根据客户属性特征将客户划分为不同群体，协调快递员与客户间的信息不匹配问题，在客户可接受的范围内，对配送进行调整以满足配送需求，在保证快递员派送效率的前提下，为不同客户群体提供专业化、差异化、个性化服务，以此提高客户满意度。I4值越大说明这个顾客对货物等待时间忍耐度越低，优先派送级别越高。以下分析客户属性的三个影响因素：

①客户快递服务反馈频率（P2）。即客户对本公司提供的快递服务反馈频率。其中n2为客户对本公司快递服务反馈次数，N2为本公司为该客户提供快递服务总数。

②客户快递服务差评率（P3）。即客户对本公司提供的快递服务差评频率。其中n3为该客户对本公司快递服务的差评次数。

客户属性指标计算公式如下（其中Di(i=1,2,3)为各指标的权重，且D1+D2+D3=1）：

3.2 综合指标队列的构建

目前配送中心依据货物先进先出的原则进行配送，虽然减少了部分货物的滞留积压时间，但存在二次派送、资源浪费、成本过高、客户满意度难以提高等问题。本文构建的智能处理机制队列依据时效性、货物相对重要程度、取货时间和客户属性四个指标，通过不同的条件约束与数据挖掘，对比传统先进先出队列，建立了综合指标队列。

3.2.1 先进先出队列。在计算机中，先入先出队列是一种传统的按序执行方式，先进入的指令先完成并引退，跟着才执行第二条指令。当CPU 在某一时段来不及响应所有的指令时，指令就会被安排在FIFO 队列中，比如0 号指令先进入队列，接着是1 号指令……当CPU完成当前指令以后就会从队列中取出0 号指令先行执行，此时1 号指令就会接替0 号指令的位置，同样，2号指令……都会向前挪一个位置。

目前，配送中心基于先进先出原则对货物进行配送，即先到达配送中心的货物优先配送，后到的货物晚配送。如图2所示，配送中心根据先后顺序先将货物A 派送完，接着派送货物B、货物C……以此类推，直到货物派送完为止，而快递员根据配送中心给定的货物清单进行配送。

图2 先进先出队列流程

当前配送中心根据先进先出原则对货物进行多批次、小批量配送，实际配送过程中由于快递员和客户时间的错位，出现了二次配送、货物积压等问题，导致配送成本上升，存在严重的资源浪费现象。先进先出队列货量分布如图3所示。

图3 先进先出队列货量分布图

如图3所示，快递员根据配送中心给定的配送清单在时间段1配送货物A、B、C、D，由于货物D的收货人无法准时签收货物，快递员只能将货物D 带回配送中心，在时间段2连同货物E、F一起配送，此时，由于快递员与客户时间的错位，导致了货物的二次配送问题；快递员在时间段2 接收到的配送清单只有E、F 和上一时间段累积的货物D，此时配送需求较低，快递员处于配送相对空闲期，快递配送能力未充分利用，存在人力资源浪费现象；快递员在最后一个时间段3接收到货物G、H、I、J、K、L的配送清单，此时的配送需求远远大于快递员的配送能力，快递员无法准时完成配送任务，导致出现货物积压的现象。

3.2.2 综合指标队列。综合指标队列用于对配送中心的货物进行优先配送排序。本文基于货物时效性、货物相对重要程度、客户属性三个指标，建立由货物属性、客户属性、紧急程度为三维矢量的综合指标货物评价模型，分析不同货物的紧急程度，以此进行货物排序，决定货物的配送顺序。其原理是在直角坐标系统中建立简易的三维矢量综合评价简化模型，将各评价指标采用矢量的形式加以表征，然后按照矢量的运算法则获得最终的综合评价向量及其对应的评价值，并以此作为参数选择的依据。

（1）三维矢量评价模型的构建（其中α3=1，α1+α2=1）。三维矢量指标见表2。

表2 三维矢量指标表

（2）三维矢量评价模型建模的步骤。首先确立工作空间。由控制圆弧和控制向量组成，工作空间的建立是为综合评价指标体系搭建平台，保证在不同条件下各项指标的单一性和可比性。该模型选取灰色预测模型中某一时间段所有货物的货物属性(y轴)和客户属性(x轴)作为二维矢量计算平台，计算出货物的综合评价分数，判断出货物的紧急程度，并以此进行排序，再将排序情况反映到紧急程度属性（z轴）上，形成综合指标队列。

其次选择评价指标矢量。基于前文对多维度货物综合指标的理论研究，评价指标矢量分别选取某一时间段客户属性(x轴)、货物属性(y轴)和紧急程度(z轴)。

最后进行数据处理。欧式距离（euclidean metric）在m维空间中指两个点之间的真实距离，或者向量的自然长度（即该点到原点的距离）。在二维和三维空间中的欧氏距离就是两点之间的实际距离。本文根据客户属性和货物属性两个评价指标对货物采用矢量的形式加以表征，得到相应的X 和Y 值，而货物在二维坐标系的坐标与原点O之间的距离为货物的重要程度。设点M（x，y）为货物在二维坐标系的坐标，线段OM 的长度表示该货物的紧急程度，OM 值越大，该货物紧急程度越高。

不同货物根据其客户属性和货物属性指标得到的二维坐标不同，再按照运算法则计算获得的货物紧急程度值也不同，将某一时间段的所有货物进行三维矢量评价，可得到一个某时间段的三维矢量图，如图4 所示，货物坐标离原点越远，其货物重要程度越高。

图4 三维矢量图

4 案例分析

针对快递配送问题，在实际操作中采用三维矢量评价模型对货物的各项指标参数进行评价打分，得到各个货物的紧急程度，并将其合理地归类到相应合适的取货时间段。根据调查与研究，本文假设十二个货物的相应指标数据和相关权重分别见表3、表4。

表3 客户相关指标表

表4 客户相关指标表

配送中心采用综合指标队列，先对所有货物依据取货时间指标进行分类，见表5。

表5 货物时间归类表

然后得到不同时间段需要配送的货物，如图5所示。

图5 货物配送时间归类图

如图5所示，配送中心根据取货时间指标对货物进行时间段归类，时间段1需要配送货物C、D、H、L，时间段2 需要配送货物B、J，时间段3 需要配送货物A、E、F、G、I、K。将三个时间段的货物量进行比较，时间段1的配送需求较正常，时间段2的配送需求较少，时间段3 的配送需求较多，存在配送需求不均衡的现象。假设快递员的配送能力仅可以完成时间段1 和时间段2 的货物配送任务，而时间段3 的配送需求远大于快递员配送能力，快递员无法完成时间段3的配送任务，因此导致容易出现货物积压问题。

针对以上问题，可将配送需求远远大于配送能力时间段的货物依据货物时效性、客户取货时间和客户属性三个指标进行分析，将一部分货物安排到合适的时间段配送。如图5所示，对时间段3的货物A、E、F、G、I、K进行分析。根据表3中的指标数据，利用式（2）—式（5）计算这些货物的时效性和对应客户的客户属性指标，结果见表6。

表6 时间段3货物配送顺序表

表6 中，比较货物A、E、F、G、I、K 的时效性指标和客户属性指标，其中货物G和货物K的时效性指标和客户属性指标比较高，适合安排到时间段2进行配送，且时间段3剩下的货物按照I、A、E、F的顺序进行配送，对货物时间归类图进行相应调整，结果如图6所示。

图6 货物配送时间归类改进图

将其他时间段的货物根据客户属性和货物属性进行矢量运算，得到时间段1、2 的货物配送顺序，见表7。

表7 时间段1、2货物配送顺序表

最后整合整个时间段的货物配送顺序，见表8。

得到各时间段快递员需要配送的排序货物清单，如图7所示。

表8 各时间段货物排序表

图7 综合队列货物配送排序图

5 结语

本文针对快递配送量大、快递配送效能较低、配送成本高等问题，提出了构建多维参数与综合指标队列的方案，并通过三维矢量评价模型得到货物的紧急程度，确定了货物配送的优先级别，提高了货物精准配送程度。通过该智能处理机制合理规划货物配送时间，从而减少二次配送、降低配送成本、提高配送业务的整体水平。本文所构建的参数虽然具有代表性，但没有考虑不同配送方式下的效能优化问题，这将成为未来进一步研究的方向。