全球化背景下跨境電商物流模式分析及優(yōu)化

陳 果 （四川外國語大學成都學院，四川 成都 611844）

0 介 紹

隨著跨境電子商務的日益普及和在全球范圍內的蓬勃發(fā)展，國際物流需求實現(xiàn)了快速增長。但傳統(tǒng)第三方物流由于自身特點，已經(jīng)無法滿足快速發(fā)展需求。隨著物流、全球化、跨國公司、電子商務和移動商務的發(fā)展，國際第三方物流服務在全球貿易中占據(jù)著越來越重要的地位。各種貨運代理、海運代理和空運代理等服務提供商也隨之出現(xiàn)，這類物流服務提供商中有一類是作為安排相關物流服務的物流承運人（比如聯(lián)邦快遞，一家市值超過400億美元的美國跨國快遞公司，以及中國第二大快遞公司)；另一個類別是服務提供商，專門從事跨境電子商務轉運業(yè)務（如跟蹤和追蹤跨境送貨、清關和國際支付)。服務提供商可將從不同發(fā)貨人收到的各種國際訂單合并為一個滿載貨物，用于公路運輸或空運。由此可見，其可以極大地提升整個系統(tǒng)的靈活性和效率。

與傳統(tǒng)第三方不同，要求第三方服務的訂單隨機送達。更具挑戰(zhàn)的情況是，到達時間和最后訂單的數(shù)量都是隨機的。因此，第三方物流服務供應商要及時獲得有用且可靠的資料，否則估計市場需求是極為困難的。例如，第三方服務提供商無法共享電子零售商的需求信息，因為第三方服務提供商接收來自有轉發(fā)需求的電子商務客戶的訂單，而不是電子零售商。可用于需求預測的信息僅來自第三方服務提供商本身的平臺，導致難以有效、準確預測物流需求。因此，在不同的物流區(qū)域，物流設施（包括提貨店、不同種類的儲物柜和車輛）的容量分配對于第三方服務提供商來說是非常具有挑戰(zhàn)性的任務：一方面，物流設施容量應足以滿足各物流區(qū)域客戶的需求；另一方面，應盡量減少設施數(shù)量，以降低設施維護和運行的預期成本。因此，最優(yōu)物流服務能力分配作為一種運營規(guī)劃功能，需要確定和分配足夠的能力，以滿足下一個規(guī)劃周期的物流需求。因此，第三方公司需要在分銷網(wǎng)絡中實現(xiàn)物流服務能力的最優(yōu)分配。

之前，有關電子商務分銷網(wǎng)絡的研究主要集中在“最后一公里問題”，包括網(wǎng)絡設計、運送過程、庫存位置或路徑問題的優(yōu)化問題。具體來說，庫存位置問題是找到建立配送中心的最佳位置，以便根據(jù)提供的計劃以最低的運輸和庫存成本向客戶交付產(chǎn)品。文獻中探討的精確定位庫存模型旨在尋找給定供應商位置下的最優(yōu)數(shù)量和倉庫位置。本文以服務能力分配問題為研究對象，旨在確定需求不確定的不同配送區(qū)域物流資源的最優(yōu)配置量（即滿足訂單數(shù)量），這可以看作是庫存問題與物流服務的考慮。然而有限的研究，特別是在分析（即數(shù)學）建模領域，導致服務能力分配問題的最優(yōu)決策成為至關重要的成本節(jié)省運營管理。在該框架中，將不同分銷區(qū)域的物流能力建模為單周期多產(chǎn)品報童問題，并通過實際觀測得到真實的需求分布，而不是假設需求分布。

在過去的幾十年里，各種理論模型和方法已經(jīng)因研究和調查的需求用以預測不同領域。盡管在準確性、穩(wěn)定性、運行速度、用戶友好性等方面取得了令人滿意的結果，但這些基于單值預測的方法無法很容易地與其他操作決策過程（如庫存）集成。有時，用誤差來衡量有效性更好的預測結果可能并不會導致更好的操作決策。近期，考慮“上限和下限”的預期區(qū)間方法被認為是量化需求不確定性的準確和可靠的方法。事實上，通過識別上下界之間的近似最優(yōu)值，可以提高決策水平。但是該方案存在以下缺點：一是無法保證問題的全局最優(yōu)解；二是確定參數(shù)以保證最優(yōu)過程的性能存在困難；三是無法通過解決報童問題來提供絕對最優(yōu)解，因為不能事先假定分布。為了克服這些問題，本文提出一種“基于深度學習”的需求分布量化方法。在該方法中，需求分布可以直接從歷史需求觀察或交易記錄中獲得，首先提出一種新的深度學習預測系統(tǒng)，以適應業(yè)務需要。隨后，在不改變網(wǎng)絡結構的情況下，基于提出的基準模型，用近期開發(fā)的一種有效方法明確不確定性信息。本文旨在解決上述研究問題，并從以下四個方面作出貢獻：第一，本文是對跨境電子商務相關第三方業(yè)務最優(yōu)物流能力分配問題的開拓性研究。本文將產(chǎn)能分配問題看作是庫存問題，采用單周期多產(chǎn)品報童模型具有一定創(chuàng)新性。第二，將需求預測和庫存量預測相結合，提出一種基于深度學習的一步智能優(yōu)化決策方法，取代了先進行需求預測，然后進行庫存量預測的兩步過程。第三，借助新的深度學習預測系統(tǒng)，論證了需求不確定性在物流服務需求管理實時場景中的量化，這是非常重要的貢獻，因為文獻中的大多數(shù)定量/測量，例如區(qū)間預測，都是從一個點估計中提取特征，而不是從實際觀測中提取訓練/分布。第四，通過一個實例分析說明提出的基于深度學習的集成方法在處理第三方操作中的物流能力分配問題方面的有效性和穩(wěn)健性，并得到一些重要發(fā)現(xiàn)。

1 本文涉及的研究領域文獻綜述

該部分簡要回顧前人研究成果，并對本文研究定位進行展望。

跨境電子商務得益于信息技術的快速發(fā)展，在全球范圍內變得越來越流行和興旺。隨著消費者需求的升級，零售商之間的競爭逐漸由“生產(chǎn)相關需求”轉向“服務相關需求”（如物流）。作為滿足消費者的重要標準之一，物流服務至關重要，是電子商務運營的競爭杠桿之一。國際第三方物流服務包括各種貨運代理和空運代理，已成為國際物流的主要參與者。研究人員研究航空貨運飛行器的固結問題，針對航空貨運費用高昂的現(xiàn)狀，探討航空貨運所面臨的問題。

第三方物流服務提供商可以滿足物流服務需求，這是運輸物流領域的關鍵問題之一，倉儲、配送、庫存、交叉對接、逆向物流等。第三方服務提供商建立的競爭優(yōu)勢主要來自其有效整合相關物流服務的能力，以幫助其客戶正確管理供應鏈系統(tǒng)。作為第三方物流的一種特殊形式，“第三方物流服務提供商”在管理整個渠道中起著核心作用，因此極具潛力。

商業(yè)運作中的需求預測供應鏈面臨著需求的不確定性。顯而易見，需求預測對于幾乎所有的供應鏈系統(tǒng)來說都是基本但又具有挑戰(zhàn)性的問題，包括跨境電子商務公司的供應鏈。先前研究表明，需求預測可以顯著降低運營成本。在過去的幾十年里，大量預測方法已經(jīng)被開發(fā)出來并廣泛用于不同領域。需求預測的一種主流方法是基于“時間序列統(tǒng)計預測模型”，該方法易于實現(xiàn)直觀、快速的預測，并可以表示為封閉形式，意味著可以很容易地集成到其他決策模型（如庫存問題）。然而，時間序列預測方法在需求非線性、不穩(wěn)定或主要依賴于簡單統(tǒng)計無法捕捉到的外部因素時，往往表現(xiàn)出不理想的性能。而另一個預測方法是機器學習，其可以考慮外部影響因素。例如，人工神經(jīng)網(wǎng)絡與改進的神經(jīng)網(wǎng)絡方法被廣泛用于需求預測。盡管機器學習方法通常可以獲得良好性能，但模型訓練需要時間與足夠的訓練數(shù)據(jù)。

為了得到更準確和可靠的預測結果，有人建議采用預期預測方法，同時發(fā)展上限和下限。預測模型在交通、醫(yī)療、電力系統(tǒng)等工業(yè)領域得到了廣泛應用，并取得了良好效果。與點預測不同，圓周率預測的目的是在一個給定的區(qū)間與一個給定的概率內捕獲需求的不確定性。這種預測在決策中非常有用。需求預測在運營管理中最重要的應用之一就是幫助庫存管理的決策制定。根據(jù)劉云最近一項具有影響力的研究可知，在需求不確定性下有多種主要方法來幫助建模決策，例如貝葉斯方法和數(shù)據(jù)驅動方法。本文采用數(shù)據(jù)驅動方法，所要解決的具體問題比較新，并探討了物流中的跨境電子商務問題，這是一個探索不足的領域，有興趣的讀者可以參考劉少卿的作品了解更多細節(jié)。

2 跨境電子商務第三方訂單履行系統(tǒng)

該部分具體介紹跨境第三方的實現(xiàn)過程，并描述物流服務能力分配問題的不同地區(qū)的配送網(wǎng)絡。具體梳理跨國第三方的基本訂單履行過程，指出各自履行系統(tǒng)中面臨的挑戰(zhàn)，并從成本角度構建提高運營效率的框架。

與傳統(tǒng)“國內電子商務操作”相比，跨境電子商務的訂單履行過程要復雜得多，通常涉及國際運輸、報關和檢驗，這些都使物流運作面臨研究挑戰(zhàn)。作為專業(yè)的物流服務提供商，第三方物流公司是一個理想的選擇，是幫助承擔運輸、設施安排、配送物流和“報關檢查”的有效方式。近年來，跨境電子商務經(jīng)歷了前所未有的快速發(fā)展，為第三方物流企業(yè)提供了巨大的潛在市場。作為一種特殊的第三方物流，其在跨境電子商務物流市場，特別是中國市場，包括“入境和出境”電子商務中所占的份額越來越大。與傳統(tǒng)的第三方物流服務提供商不同，第三方物流服務提供商接受訂單的電子商務客戶從不同的網(wǎng)上商店，甚至不同平臺購買產(chǎn)品。然后，其將各種產(chǎn)品打包成一個包裝送到客戶手中。在客戶端，這是極其方便且節(jié)省成本的方式。在供應鏈方面，把來自不同零售商的同一客戶的不同國際訂單合并為“一個包裹”，可極大地提升運作效率。圖1具體說明了第三方的訂單完成過程。與傳統(tǒng)第三方相比，第三方實現(xiàn)的主要特點是訂單隨機到達，最后訂單到達時間和待打包訂單數(shù)量都是未知的。因此，操作決策過程是具有挑戰(zhàn)性的第三方系統(tǒng)。

圖1 第三方的訂單完成過程

在目前的倉庫管理中，倉庫被設計成實現(xiàn)各種功能，包括快速的單元裝載操作，高效、響應迅速和靈活的訂單履行操作。第三方訂單履行過程從在線接收訂單開始，最后通過“接貨點”或“送貨上門”將訂單分發(fā)到客戶手中。傳統(tǒng)的第三方服務能夠根據(jù)電子零售商共享的信息來安排訂單履行過程，而第三方服務提供商在倉庫運營和配送計劃方面面臨著嚴峻挑戰(zhàn)，因為在線訂單具有高度波動性和隨機性。根據(jù)客戶包裝要求和訂單交貨要求，對第三方倉儲操作實施規(guī)?；投ㄖ苹芾?。倉儲操作包括兩個主要任務，即布局優(yōu)化和操作效率提高。布局優(yōu)化是指在訂單的接收、儲存、包裝、揀取和裝運過程中，優(yōu)化空間利用和設備利用。而提高運營效率的目的則是在訂單處理過程中加強客戶服務。然而，由于客戶上次訂貨時間和數(shù)量的不確定性，第三方公司在倉庫運營管理中普遍面臨巨大挑戰(zhàn)。在布局規(guī)劃中，由于包裝單的隨機到達，給空間需求的估計和布局布置帶來一定困難。根據(jù)小定律，難以確定平均所需空間。最后一批包裝訂單的隨機到達導致等待包裝的先前到達訂單不可預測庫存時間。因此，倉庫操作人員都難以合理安排庫存的接收、儲存。

在電子商務“訂單履行過程”中，分銷網(wǎng)絡中的分配問題是將包裹發(fā)送到消費者手中的最后也是效率最低的階段。如何以經(jīng)濟合理的方式提高這一階段的效率通常被稱為“物流最后一公里問題”。因其是整個物流過程中最昂貴的部分，已經(jīng)有許多人對其進行了研究。該過程中的關鍵因素是在網(wǎng)絡的不同地理位置采購足夠的最低價格證書，以便以較低的預期成本滿足不穩(wěn)定的需求。對于第三方公司來說，通過平衡需求滿意度和成本節(jié)約來確定最優(yōu)產(chǎn)能實際上非常具有挑戰(zhàn)性。

高度不穩(wěn)定的需求主要是因為未知時間和金額的最后一個訂單到達。需求的不確定性導致在龐大的分銷網(wǎng)絡中不同商店之間的訂單數(shù)量是不平衡的，繁忙地區(qū)的商店可能面臨大量進貨訂單，而休閑地區(qū)的商店可能面臨非常小的訂單量。

租金昂貴的“提貨（在）店”是分發(fā)包裹給客戶所采用的傳統(tǒng)和最普遍的方式。然而，在市中心，商店租金非常昂貴?！鞍瘛笔且环N常用解決方案，使“最后一公里”實現(xiàn)低成本的送貨上門和運輸運營。包裹寄存柜是指一組寄存柜，通常放置在不同公寓的街區(qū)，甚至在交通站附近，如地鐵站。在某些情況下，儲物柜有電子設備支持的鎖，可以提供給不同消費者。從第三方公司角度來看，包裹寄存處是很有前途的設施，可以通過減少車輛數(shù)量、降低經(jīng)營提貨店租賃業(yè)務成本、雇傭送貨員來解決“最后一公里的物流問題”。然而，從包裹寄存處收取包裹的接受程度與從家到包裹寄存處的距離密切相關。文獻中表明，從包裹儲物柜領取包裹而不是在家等待的顧客的百分比隨著距離的增加而減少。因此，對于第三方公司來說，物流網(wǎng)絡的效率提高，通過使用“包裹儲物柜”代替“提貨店”，將以失去那些不同意出差提貨的潛在客戶為代價。因此，對于第三方公司來說，通過考慮不確定性需求和運營成本來決定有多少商店運營（和關閉），有多少包裹儲物柜網(wǎng)站開放，以及在每個物流區(qū)域分配的物流服務能力的最佳數(shù)量是具有挑戰(zhàn)性的。

基于深度學習的集成解決方案，本文研究的問題是在給定物流區(qū)域中確定最優(yōu)的集成庫（換句話說，“哪個”和“多少”不同的倉庫應該從許多倉庫候選者中建立）。物流配送中心由多個倉庫組成，如提貨倉庫、接待箱、包裹儲物柜等，假定這些倉庫能夠滿足每個地區(qū)的物流需求。因此，在第三方分銷網(wǎng)絡中分配方案的目的是在每個地區(qū)的運行能力分配和不確定的市場需求之間尋求更好的平衡，以便最大限度降低預期成本。在傳統(tǒng)的報童模型中，假定需求是一個庫存問題，并將其建模為報童問題遵循一定分布，如正態(tài)分布，均值和方差根據(jù)最新信息予以更新（如果遵循貝葉斯方法）。報童問題通常通過“兩步過程”來解決：第一步，估計需求分布（例如，基于統(tǒng)計學或高級深度學習模型）；然后在第二步通過求解“臨界分數(shù)解”來優(yōu)化最優(yōu)訂貨量，這種兩步求解方法的重要缺點是第一步的錯誤將導致優(yōu)化步驟中的問題。為克服這一缺陷，使需求模型更容易“標準化”，創(chuàng)新提出一種基于經(jīng)驗風險最小化和核權重優(yōu)化的單步解決方案。并認為所提出的方法比最佳實踐基準方法表現(xiàn)得更好。根據(jù)求解方法，本文提出一個一步?jīng)Q策過程來解決分配問題，其中最優(yōu)數(shù)量由深度學習算法確定，而不需要先找到需求分布。

3 分析模型

方案分配模式：

下文給出用于開發(fā)最優(yōu)模型的符號和數(shù)學表達式。假設第三方物流公司希望在物流服務需求不確定的情況下，通過在一個訂單周期內的最小化預期成本來做出物流服務采購決策。

在“一階損失函數(shù)”捕獲預期短缺；其補充表示期末的預期庫存產(chǎn)品的數(shù)量。在這個期望成本函數(shù)的基礎上，注意到最優(yōu)水平的確定只是一個期望成本最小化的問題。在期望成本函數(shù)嚴格凸的情況下，利用經(jīng)典報童問題的標準一階條件可以求解與“最優(yōu)報童數(shù)量”等價的最優(yōu)問題。

代表分位函數(shù)。

4 結論和評論

隨著O2O（Online to Offline，即在線離線/線上到線下）的普及，商業(yè)運營已經(jīng)進入電子商務時代。本文從物流服務能力的重要性出發(fā)，重點分析相關的物流服務能力分配問題。具體而言，本文導出的問題可以看作是一個單周期多產(chǎn)品報童模型。將庫存優(yōu)化與需求預測相結合，提出一種基于深度學習的一步優(yōu)化決策方法。借助新的深度學習預測系統(tǒng)，將需求不確定性在從端到端的物流服務需求管理中實時量化。為應付物流服務需求管理在高度不確定環(huán)境下所面臨的挑戰(zhàn)，本文提出一套基于深度學習的綜合方法，以支援物流服務分配的決策?；趕eq2seq的預測體系結構集成了網(wǎng)絡，能夠對物流服務需求變化時的系統(tǒng)動力學和依賴關系進行建模（如表1）。所提出的方案不僅可以生成點預測結果，還可以通過動態(tài)分布對需求的不確定性進行量化（如表2），從而對物流服務能力進行最優(yōu)決策。

表1 預測結果采用不同的方法

表2 總承包和每日平均成本以及節(jié)約成本的百分比

為了對該方法進行評估，本文在兩個任務中將其與一號模型和二號模型兩個模型進行計算比較：點預測；最優(yōu)方案分配。分析是基于一個跨國電子商務第三方公司的數(shù)據(jù)集，選擇經(jīng)典的統(tǒng)計預測方法一號模型作為基準方法，因為其可以生成需求分布，用于一步求解報童模型的最優(yōu)解。與一號模型方法不同，最近流行的基于機器學習的二號模型方法首先預測點預測區(qū)間，然后在區(qū)間內搜索最優(yōu)方案，結果清楚表明，本文提出的方法在所有3個地區(qū)的點預測中都優(yōu)于一號模型和二號模型方法。所提出的系統(tǒng)使得一號模型和二號模型的點預報精度分別提高了至少19.32%和14.77%。在此模型基礎上，進一步探討跨境電子商務第三方業(yè)務運營的方案分配問題。計算結果表明，使用所提出的最佳方案數(shù)量可以在所有區(qū)域獲得比一號模型和二號模型低的成本。此外，研究更好的預測結果是否產(chǎn)生更好的方案決策非常有趣。從結果來看，二號模型在所有區(qū)域的性能都優(yōu)于一號模型。然而，二號模型的方案成本總是高于一號模型。

在點預報方面，實驗結果表明，所提出的模型是一種有效方法，在3個地區(qū)的預報中均取得了優(yōu)于一號模型和二號模型的預報效果；

在預測方面，基于優(yōu)化的方法二號模型優(yōu)于基于統(tǒng)計的集成方法和基于深度學習的集成方法模型。該方法可以得到合理的聚合度，并且可以得到較窄的聚合度范圍；

在最優(yōu)決策方面，基于深度學習的集成方法優(yōu)于基于統(tǒng)計的集成方法。這主要是因為其能夠利用深度學習技術的優(yōu)勢來捕捉它的變化；

在優(yōu)化決策方面，基于深度學習的集成方法優(yōu)于基于優(yōu)化的方法二號模型。這主要是因為它可以量化整個需求數(shù)據(jù)集的不確定性。

一個較好的預測結果無法保證一個較好的方案決策?；趦?yōu)化的方法獲得了更好的預測結果，但其方案分配的決策結果較差。解釋這一現(xiàn)象的原因是，基于兩步優(yōu)化的方法無法保證在所有情況下都能得到全局最優(yōu)解，而基于一步優(yōu)化的方法可以從訓練數(shù)據(jù)中提取特征而不是從點估計中提取特征。

在需求滿足和成本節(jié)約方面，本文提出智能決策過程來解決最優(yōu)方案分配的問題。在該過程中，需求不確定性可以通過實時信息量化。

基于客戶的位置信息（如GIS數(shù)據(jù)），公司能夠根據(jù)它提供的最優(yōu)方案分配機制對物流資源進行最優(yōu)分配；

考慮到物流資源包括固定組件（例如提貨倉和快遞員）和靈活組件（例如車輛和自選儲物柜），第三方物流公司可以更新物流資源規(guī)劃的靈活組件，以最小化運作成本；

在長遠規(guī)劃方面，第三方公司可進一步利用擬議它的架構優(yōu)勢，根據(jù)規(guī)劃需要調整預測步長（例如每周和每月）；

物流資源規(guī)劃可以事先確定，以最大限度降低整體運營成本。近年來，人工智能的興起實際上是深度學習發(fā)展的結果?？紤]到提出的方法是基于深度學習，學術界和企業(yè)都可以通過Python或其他合適的工具輕松方便地應用這種方法。