安吉整车物流网络布局优化研究

一、前言

在第十二次中国物流学会年会中，多名著名企业家和高校教授都特别指出在不断变化的物流环境中建立最适合企业目的的物流网络十分重要。为了更好地向客户提供覆盖全国、迅速及时的物流服务，安吉在早期铺设了规模巨大的整车物流干线网络，整车仓库分布依据客户的销售布局，采取“一一对应”的模式，这样虽然可以保证充分的区域覆盖和及时配送，但也造成干线网络庞大、臃肿。不仅带来管理上的不便，更大的问题在于产生了高昂的仓储、运输费用，使客珠海到深圳物流户和公司双方都承受着巨大的成本压力。

二、定性分析选择待测仓库点

通过调研我们了解到安吉在全国建立了33个VSC仓库，安吉的运作模式主要是两级分拨体系，即从VDC仓库运输到各VSC仓库，再从VSC仓库运输到各经销商。为了便于计算，我们假定VDC仓库只有上海库一家，且因为安吉全国各地的年业务量数据不全，因此，我们在模型中简化操作，通过定性分析选择待选VSC城市，选择每个省GDP前五的城市作为经销商，具有一定的代表性。具体的定性分析方法如下[1]：

定性因素是用以确定待测算仓库点的一套准入策略，按其性质和等级不同，可分为三类：

必选因素：

（1）经济发展力，即是否具有区域领导力；

（2）区域销售量情况，即是否有较大的销售量；

（3）现有网络情况，即与现有网络的融合度。

本类因素的特点是必须满足（1）-（3）的所有因素，方可进入定量计算。

备选因素：

（4）政府或类似权力机构决定；

（5）上级单位决定；

（6）公司决策层决定；

（7）内部测算范畴；

（8）存在容易获取、较为显著的收益；

（9）其它重大肯定性因素；

本类因素的特点是只要满足（4）-（9）中的任何一项肯定性因素，则可进入定量计算；

否定因素：

（10）自然条件非常恶劣；

（11）存在重大的天灾人祸因素；

（12）违反法律法规；

（13）其它重大否定性因素；

若满足（10）-（13）中的任何一项否定性因素，则直接淘汰。

通过定性分析，在全国三百余个候选VSC城市中选出10个城市作为待测算仓库点，如表1所示。

三、基于Baumol-Wolfe模型定量计算

（一）Baumol-W佛山到珠海物流olfe模型原理

Baumol-Wolfe法是针对多元网点布局（如图1所示）提出的一种启发式方法[2]。这种方法在求解过程中只需要运用一般运输规划的方法即可，避免了混合整数规划模型的求解困难，大大降低了计算成本。基于Baumol-Wolfe模型建立的物流企业配送网络如图1。

如图1所示，配送中心选址问题可以描述为对于有限的供货点（佛山到扬州物流m个），在n个备选地点中选择一定数量（最多允许选P个）的地点作为配送中心，为l个用户配送物品，使得在选出点建立的配送中心满足配送需求的前提下，总成本最低。

总费用=总运输费用+总配送费用+配送中心可变费用+配送中心固定费用。

配送中心的可变成本与其周转量不是线性相关关系。Baumol-Wolfe法用非线性函数来描述配送中心的可变费用，如图2所示。

四、灰色关联预测2013-2018年运量

考虑到未来安吉业务的发展，在进行网点布局优化时业务量的确定是基于未来五年预测的数据，这样能保证方案在未来的可行性。预测方法详见灰色预测模型。

经认真考虑，我们选取了灰色系统作为预测的技术手段，因为各地区商品车的需求具有受到外界的因素影响大和受调查条件限制数据采集很难完全两大特点，正好符合灰色系统研究对象的主要特征，即“部分信息已知，部分信息未知”的不确定性。灰色系统理论认为，对既含有已知信息又含有未知信息或不确定信息的系统进行预测，就是在一定方位内变化的、与时间有关的灰色过程中进行的预测。尽管这一过程中所显示的现象是随机的，但毕竟是有序的，因此这一数据集合具有潜在的规律。灰色预测就是利用这种规律建立灰色模型对灰色系统进行预测。

五、模型求解

上述模型除了VSC的可变成本为周转量的凹函数和固定成本为常数函数外，其余各项都是多元一次线性函数，它属于非线性混合0-1规划模型。对于此类混合整数规划模型的求解，常采用分支定界法。但由于本模型变量多，约束条件多，所以求解非常困难。由于Lingo软件是一种专门用于求解最优化模型的软件包，具有执行速度快，易于输入、求解和分析等优点，因此，本文专门开发了Lingo求解程序对模型进行快速求解。

由调研的信息可得，安吉的VDC设在上海、南京、青岛、烟台、沈阳、柳州六地，用户分布在全国各地，有30个。仓库的最大个数是10个，即P=10。各待测的VSC仓库按城市的发展程度不同，可分为一、二线城市，一、二线城市对应的仓库可变成本为100，90万元/万辆。由此，可以得出这10个城市对应的仓库可变成本如表4所示。

六、结束语

本文讨论的仓库选址方案，优点在于：

（1）考虑到安吉未来业务量的发展情况，具有一定的前瞻性。

（2）Baumol-Wolfe模型不仅考虑了运输成本，还考虑了仓库的存储成本，更加贴近实际。

（3）通过求解能直接得出最优的运作模式和所建仓库的规模，操作简便。

本文的缺点在于预测的安吉业务量数据可能与实际情况有偏差，影响了结果的准确性。另外，Baumol-Wolfe 模型是在备选的仓库选址地点选出最优的仓库点，因此备选仓库点选择合理性对结果有较大影响。针对安吉的仓库选址问题，本文还有不完善之处，会在以后的研究中继续补充完善。