“云仓储”是现代物流业在信息技术支撑下衍生出来的一种全新的物流仓储运作模式, 本质上“云仓储”就是通过实体分仓的方式, 以“云”的思路为指引, 集合社会各方面的资源, 实现分仓的全面覆盖, 同时通过构建一体化的信息系统实现对供应商及销售商的联网管理, 这样各个供应点、销售商或客户则成为了“云”, 一体化的信息系统则扮演了服务器的角色, 从而形成了一个完整的公共仓储体系。在“云仓储”模式下, 各物流参与主体可以通过便捷的信息网络, 快速地完成货物的配送和仓库的选择, 同时也极大的提升了物流风险的可控性和效率, 有效地降低了物流企业的经营成本, 为客户带来了全新的物流感受, 这将成为现代物流实现飞跃发展的“助推剂”。

当前物流呈现出配送业务十分繁杂、单笔业务量小、覆盖范围大、配送频率高等特点, 在很大程度上增加了物流的负担, 普通的仓储模式很难满足实际的物流需求, 尤其是给物流仓储的选址带来巨大的挑战。在客户企业较为分散的情况下, 延长了物流的线路, 极大地增加了物流成本, 仅仅依靠单一的配送中心很难满足配送的需求, 这就要求物流中心探索出一种既能节约物流成本, 又能提升企业服务效率的仓储选址模式, 而“云仓储”模式则成为了当前B2C环境下电子商务企业仓储模式的最佳选择, 可以有效地解决当前物流企业面临的诸多问题。

云仓储实施思路 (如图1) 具体如下:

(1) 通过构建实体分仓的方式, 解决客户分散、预算路线过长的问题。在实体分仓模式下, 物流企业可以根据不同地区客户对需求地的差异化需求, 将客户选择的商品放置于距离客户需求地最近的仓储中心, 同时通过选择恰当的物流承运商进行相关货物的配送, 在商品未发生破损的情况下, 如果客户提出退换货的要求则不需要将商品退回仓储中心, 可以直接将商品运送至货物中转站, 退回的商品可以留作下次配送, 这样有效地节省了货物来回运输的费用。

(2) 通过构建分仓信息联网系统, 实现对货物的信息化管理。凭借完善的社会化信息系统平台, 可以对社会物流资源进行有效整合, 实现物流信息的透明化、高效流通化, 从而有效地提升了信息的共享性, 保证信息的高效流通, 有效地避免了因信息流通不畅而导致的货物运转成本增加情况, 从而减少物流企业经营成本, 提升运营的灵活性, 同时通过构建完善的社会信息系统, 有效地提升自身管理水平和服务效率, 增强客户对电子商务企业的忠诚度和满意度, 有利于物流企业核心竞争力的形成。

(3) 通过整合物流企业, 实现集团化运作。通过发挥国家邮政部门和政府部门的强大号召能力, 集合一些具有较强实力和发展潜力的大规模物流企业形成集团的运作模式, 提升整体的物流水平。在集团运作模式下, 各参与主体可以充分发挥出各自的资源优势, 实现资源的优化配置, 提升整体的服务水平和经营效果, 让广大客户享受更加优越的服务体验, 同时通过企业整合, 各物流企业之间可以起到资源互补的作用, 实现共同发展。

(4) 推进物流信息化工程建设进度, 快速构建出完善的区域网络配送体系。进一步加大对物流基础设施的建设进程, 构建全面的物流通道网络, 实现海、陆、空物流通道网络的全面覆盖, 快速推进区域配送的一体化建设, 从而实现对物流信息的高效管理, 帮助电子商务企业缩短物流路线, 实现就近配送, 减少商品运输的成本投入, 同时利用区域网络配送体系, 快速实现最佳配送路线的选择, 极大地提升电子商务企业服务的效率, 满足客户对不同需求地的需求, 为客户提供更为便捷、优质的服务。

图1 实施云仓储的策略示意图  

假设有i (i=1, 2, ⋯, n) 个点可作为配送中心备选地点, 对应k (k=1, 2, ⋯, m) 个供应商, 第i个配送中心对应j (j=1, 2, ⋯, l) 个目标客户。将选址后的净收益 (f) 作为最终评价目标, 则有

其中S为物流配送中心的总收益, 表示为 ;Y为运输成本, 表示为 ;K为库存成本, 表示为K=eihimi;G=timi+gimi+nivi, 表示配送中心的固定成本。

其中dki表示供应商k到物流中心i的距离, aki表示从供应商k到物流中心i的过程中物流中心通过提供物流服务所获取的单位收益, xki表示供应商k到物流中心i的运输量, cki表示供货点k到物流中心的运费;dij表示从物流中心i到目标客户j的距离, aij表示从物流中心i到目标客户j的过程中物流中心通过提供物流服务所获取的单位收益, xij表示从物流中心i到目标客户j的运输量, cij表示从物流中心i到目标客户j的运费; , mi表示物流中心i的实际仓储量, hi表示平均存储时间, ei表示物流中心在单位时间内的单位仓储成本, ti表示物流中心单位容量建设成本, gi表示物流中心单位容积的维护消耗成本, vi表示人工的平均工资, ni表示物流中心需要的总员工数量。

约束条件为: (1)  , 表示配送量总和不高于供货商供应能力; (2)  , 表示对客户j的预备仓储量不能低于目标客户j需求量; (3)  , 表示选中的物流配送中心数量不可能高于可选的物流中心最大数量; (4)  表示选中物流中心存储总量不能高于选中物流配送中心的最大容量; (5) mi≤Mi表示任意一家配送中心的仓储实际容量要低于其最大容量; (6) 表示供货点k到物流中心i的运输量与从物流中心i到目标客户j的运输量要相符, 这样才能保证稳定的仓储数量; (7) xki, xij≥0表示进货与配送是不可逆向的; (8) Mi>xkij, 供应商k经物流中心i到目标客户j的运量不能大于物流配送中心的最大容量。

其中Mi表示物流配送中心的最大容量, xkij表示从供应商k经物流中心i到目标客户j的运量 (可能存在多种情况: (1) 某一供应商k可能对应多个目标客户j; (2) 多个供应商k可能对应一个目标客户j; (3) 某一供应商k与某一目标客户j是一一对应的。这都需要经过配送中心i进行统一调配后进行配送, 因此设定角标为“kij”) , Dj表示目标客户j的需求量, Ak表示供应商k的供货能力, P表示可选的物流中心最大数量。

本文通过遗传算法对上述模型求解, 步骤如下:

(1) 编码:以连续自然数对预备物流中心进行编号, 以二进制编码对每一个自然数编号进行编码, 编码位串总数等于备选地址总数量。例如在有五个位点可以作为物流中心的备选方案中, {0, 0, 0, 1, 0}代表自然数编号为4的备选地址。

(2) 适应度:本文采用适应度函数计算遗传算法中各个个体是否适合作为最终结果。最具备适应度的值应具备以下条件: (1) ≥0; (2) 数值最大。以函数表示为:

遗传算法各代中f (x, z)   的最大值, 随着遗传代数的变化Fmax的值也在改变。例如在初始群体数量为10的情况下, 随机生成的十个染色体 (即编码位串) , 其中包含{0, 0, 1, 0, 1}, 因ei、hi、ti、gi、mi、cki、dki、aki、aij、cij、dij、ni、vi是可以经过调查得到的值, 这种情况下其适应度计算步骤如下:

(1) {0, 0, 1, 0, 1}表示Z1=Z2=Z4=0, Z3=Z5=1, 将数值带入公式, 将其变成普通的运输问题。

(2) 求出十个初始染色体f (x, z)   的值, 将其中数值最大的作为Fmax。

(3) 算出十个初始染色体的适应度g (x, z) 。

(3) 本文对第一代种群适应度最大的染色体对在子代中最少出现1次, 而后以轮盘赌方式传代来保证优秀染色体的传代过程[3]。

(4) 以黄金分割系数法进行遗传因子交叉, 进行交叉算子。

(5) 通过上下界约束方式保证变异后的染色体符合要求, 设染色体x的最大值为ζimax, 最小值为ζimin。随机生成在[0, 1]内的随机数λ1、λ2, 得到变异后的染色体:x=λ1∙ (ζimin-x) +λ2∙ (ζimax-x) 。

(6) 通过对不可行解的惩罚方式将约束问题转化为无约束问题[4]。

遗传算法求解的过程如图2所示:

图2 遗传算法线路图   

某地区有五个地点可作为物流配送中心备选地址, 以P1-P5分别代表每一个备选地址, 各备选地址具体情况见表1 (因为最终目的是备选方案利润数值的比较, 为计算方便将各数据去除量纲, 以无量纲的纯数大小进行比较, 表2、3、4同) 。

表1 备选地址各参数情况   

其供货地共有2个, 以R1和R2代表。各供货地情况见表2 (运费率及收益率表示该备选地址相对于其他备选地址运费及收益的比率) 。

表2 备选地址各参数情况     

物流配送中心对应的主要客户区域为六个城市, 以C1-C6分别代表每一个客户区域。C1-C6各客户区域需求量分别为7.5、8、5.5、10、7、11。

各客户区域情况见表3。

表3 备选地址各参数情况    

以Matlab7.0进行计算, 将变异概率 (pm) 设为0.9, 种群规模 (Pop-size) 设为50, 最大迭代次数 (max gen) 设为300, 交差概率 (pc) 设为0.8。得到结果见表4。

表4 各选址方案对应净利润

可见备选地址P1对应的净利润为531, 在所有备选方案中最高, 因此物流配送中心应选择建立在P1点。

以云仓储概念为基础, 结合现代物流配送中心订货、存储、出货的特点, 分析了影响物流配送中心盈利的各个要素, 并建立以最大盈利为目的的模型。通过实例验证获得了良好的效果, 说明这种方法可以较为准确的计算物流配送中心对应的净利润情况, 为物流企业进行物流配送中心选址提供了有力的决策依据。