第三方物流公司选址论文

1、第三方物流企业仓库选址决策研究摘要：为了提高选址决策的科学性和正确性，结合企业追求成本最小化的目标以及以往选址经验、历史数据，本文提出基于WSMP(仓库策略管理规划)、遗传算法和层次分析法的第三方物流企业仓库选址决策算法，运用定性和定量分析的方法多次迭代求得模型的解，以最经济的物流成本实现最高的客户服务水平和物流网络的覆盖率，从而为企业在低毛利、充分竞争的市场环境中创造可观的利润。关键词：第三方物流；仓库选址；WSMP(仓库策略管理规划)；遗传算法；层次分析法Research of 3PL Warehouse Location DecisionAbstract: Keywords: 3PLs;

2、 Warehouse Location; WSMP; GA; AHP1 引言物流网络的建设和优化是第三方物流企业运行的基础和前提，目前第三方物流企业为了能在城市配送、汽车物流等新领域获得发展，提高企业自身的竞争力和客户服务水平、满意度，必须合理规划其物流网络布局和设施选址建设，具体表现为拟建新仓库、RDC的选址决策，对企业现有网点的优化整合，以最经济的物流成本实现最高的客户服务水平和物流网络的覆盖率，从而为企业在低毛利、充分竞争的市场环境中创造可观的利润。为了提高选址决策的科学性、正确性，结合企业追求成本最小化的目标以及以往选址经验、历史数据，本文提出基于WSMP(仓库策略管理规划)、遗传算法

3、和层次分析法的第三方物流企业仓库选址决策算法，运用定量和定性分析的方法多次迭代求得模型的解。2 研究现状及分析国内外对仓库、配送中心的选址问题十分关注，从各种不同的角度和方法、技术，提出了许多相关的研究成果。从需求动态性角度可分为确定性选址模型和非确定性选址模型，其中非确定性选址模型又可分为随机规划模型和模糊规划模型。蒋长兵、王姗姗（2005）利用精确重心和计算机仿真实现了单物流节点选址求解，但由于重心法所得选址结果在现实往往难以实现，所以研究更侧重于离散选址模型。其中，Harkness等（2003）从成本角度建立了有容量约束的单阶段设施选址模型，是对Efroymson和Ray(1966)提出

4、并用线性松弛方法和分支界定法求解的单层网络结构无容量限制模型的进一步改进。Goetschalckx（2002）从产品整合和供应链策略等角度探讨二阶段以上的无容量限制的选址模型，而Klose（2000）在有容量约束基础上提出多阶段选址模型，并用新的拉格朗日算法求解。Jayaraman和Ross (2003)也应用模拟退火法求解了多阶段物流网络设计问题。但随着模型规模的扩大，模拟退火法计算时间成倍增加。Gen和Svarif(2005)研究了一个生产/分拨/库存一体化优化问题，并提出一种基于最小生成树的混合遗传算法(hst-GA )。在定性分析上，杨虹、邱祝强（2004）结合层次分析法和模糊评价法实

5、现对具体选址实例的客观合理的综合评价。以上的各种方法，或是单一的从数学规划的定量角度来决定选址决策，或是单一的多因素的综合权衡和评价，难以满足企业选址的实际要求。在求解算法方面，精确算法求解中小规模的问题较为合适(Pirkul和Jayaraman,1998)，启发式算法在中等规模的问题求解上能发挥很好的效率，但在大规模问题求解上则显得过于繁琐。遗传算法是一个有效的求解大规模、多层级选址问题的有效方法(Jaramillo等，2002)。3 第三方物流企业仓库选址决策算法设计本文设计的仓库选址决策算法的基本思路是：企业首先利用WSMP(仓库策略管理规划)依据企业的物流战略规划对自身物流系统现状进行

6、分析，明确选址约束条件，收集整理相关资料，对各地址进行筛选确定备选地，利用基于遗传算法的成本模型对各备选地进行定量分析获得多个优选组合，再对以上各选址组合对应的备选地进行层次分析，针对企业选址关注的主要定性因素通过专家对上一步所得的新备选地两两逐对比较获得定性分析方面的选址排序，再对此模型定量和定性化求解的选址组合运用WSMP复查检验判断，如不满足企业需求则继续进行模型的求解迭代，直至最终确定选址结果。具体流程如图1所示。4 决策模型建立4.1 WSMP选址分析 WSMP(仓库策略管理规划)选址分析是在第三方物流企业的仓库战略计划的基础上对其配送网络、设备需求及顾客服务进行分析，对企业的需求进

7、行宏微观分析再通过已定的方式鉴定、衡量和评估各项标准，科学、合理、系统地让企业了解仓库拓展或网络节点整合优化的目标和标准，筛选出选址备选地址，节省了选址的成本和时间；对模型定量和定性化求解后的较优选址组合方案进行检验复查，保证选址最终方案满足企业物流网络建设战略需求。WSMP选址分析步骤如下：步骤1：从费用、吞吐量、仓储需求、备用仓储、资源利用情况发现现行操作中的问题，确定一个可以用来衡量建议的标准步骤2：以未来三年或五年为期，通过该期间的运营费用、吞吐量、仓储需求、备用仓储、资源利用等预测确定仓库的需求步骤3：从顾客满意度、配套设施、操作方法等的效率找出现行仓库运作中存在的薄弱环节步骤4：探

8、寻其他的仓库规划方案步骤5：从税后成本、投资回报评估这些仓库规划方案步骤6：筛选并具体化推荐选址备选地址步骤7：更新WSMP，对模型定量和定性化求解后的较优选址组合方案再进行以上几个步骤的WSMP检验以上各步骤可归纳为圈定地理位置、建立评判标准、广泛搜集资料、综合全面评估四部分。具体的WSMP分析模型如图2所示 通过初步的WSMP分析明确企业选址的各种约束条件，搜集选址相关资料对各地址进行筛选，选出仓库选址的备选地，再对各备选地进行以下的成本和层次分析。4.2 仓库选址成本模型的建立现假设某第三方物流企业将在有个供货仓库、个需求点的某一个区域建一些仓库，以服务每个需求点。根据交通便利情况、地价

9、、与需求地工厂的距离等因素，初定了个备选仓库（待建）。该问题可转变为在满足约束条件下，计算出不同仓库选择组合下的总成本，进而求出总成本最小下的备选仓库和对应需求点的组合。不同的组合方案对应不同的总成本，每个组合的总成本包括总可变成本、总固定成本、总配送成本与总运输成本之和。以下详述各部分成本表达式。模型前提假设： 每个需求点有且只有一个仓库负责供货，利于每个仓库对于仓储量的控制管理，避免了仓库间的多余、重复库存。 每个仓库可同时为多个需求点供货，使其流转量尽可能高于经济批量，充分发挥仓储规模效益。 单品种供需运输，企业可将多种商品成本平均为单一品种，便于选址数据处理，节省预测调查成本，减少不必

10、要的选址误差。1) 可变成本VC可变成本即仓库运作中与货物批量有关的可变运营成本之和，主要是仓库的经营管理费用、流转费用等。考虑到仓库主要职能为存储和保管，在一定范围内单位可变成本随流转量的增长而下降，因此本模型中每个仓库的可变成本与流转量之间用分段线性函数表示，充分体现了仓储业务的规模效益，如图3所示。单个仓库总可变成本/VC流转量/QQ1Q2K1K2K3图3 单个仓库可变成本函数曲线图因此设表示从第个仓库到第个需求点的运输量总和，即第个仓库的总流转量。则 一般情况下，每个仓库的可变成本曲线参数K1、K2、K3、Q1、Q2是不同的，企业可以根据实际情况将曲线分为更多段，也可以将模型简化为只存

11、在一个平均可变成本即K1K2K3，Q1Q20。但均应尽量保证最终选定的仓库能充分发挥其规模效益，使得流传量至少能高于经济批量，以较小的新仓库数目较低成本满足各需求点需求。于是一个组合方案的总可变成本为：2) 固定成本FC固定成本是指仓库运营中与货物流转量无关的成本总和，包括建筑物、设备、机器的折旧费及购买或租用土地的投资的利息等。假设0-1型变量 若以表示各备选仓库固定成本，则一个组合方案的总固定成本为:3) 运输成本TC运输成本是指货物从工厂运送至仓库所需的成本。实际中，因为距离、路线、路况等因素的影响，每个工厂向仓库的运输单价是不同的。用矩阵表示从工厂到备选仓库之间的运输单价，表示从第个工

12、厂向第个备选仓库的运输单价。则第个仓库的运输成本为。则一个组合方案的总运输成本为：4) 配送成本DC配送成本是指货物从仓库运送至需求点所需的成本。同上矩阵表示从备选仓库到需求点之间的运输单价，表示从第个仓库向第个需求点的运输单价。则第个仓库的运输成本为。则一个组合方案的总运输成本为：5) 单方案总成本CTOT综上各部分成本可知，单方案总成本约束条件：式（1）表示从工厂运至各仓库的运输量应等于该仓库对下属需求点的配送量；式（2）表示各个仓库的流转量应不大于其容量限制；式（3）表示从工厂运往各仓库的运输量不大于其总产量；式（4）表示各仓库运至各需求点的配送量不小于其需求量。5 模型求解由于该模型是

13、以企业选址的实际要求为出发点，不仅能达到运营成本最小的目标，而且能从企业的整体规划及关注的选址定性指标进行综合全面的考量。相较一般的选址模型，更具现实意义，考虑更周全。因此，我们将定量和定性的方法结合来求解模型，并反复迭代确定最优解。5.1遗传算法求得满意解遗传算法是一种全局搜索优化算法，容易使模型求解得到全局最优解。用遗传算法进行选址优化，比一般的数学规划方法简单，并且运算速度快，特别是当问题比较复杂时，其特点更明显。同时经过求解可以得到一组最优解或满意解，以便企业能综合多方考虑作出科学的选址决策。1) 编码方法本算法采用长度为的二进制编码，编码长度取决于备选仓库的个数, 以保证长度为的二进

14、制数解码后形成之间的十进制数，该十进制数就是满足对应需求点的仓库号。若解码后的十进制数,则采用求余实现循环处理,从而保证所有染色体均合乎各单参数均在之间的要求。由于共有个需求点，故共有个长度为的二进制基因组，将个基因组合并成一个长度为的染色体。2) 适应度函数在遗传算法中，每个组合方案都需给出相应的适应值来表示其适宜满意程度，以此对个体进行评估比较。因为选址问题是最小成本问题，为保证每个组合方案的适应值非负，必须设置一个最大成本，该最大成本可以是用户设定，也可以是前几次运算中最大值，因此组合方案的适应度函数：3) 遗传算子 选择算子：根据个体的适应度值决定它在下一代是被淘汰还是被复制。一般通过

15、选择，使适应度大的个体有较大存在机会，而适应度小的个体继续存在的机会也比较小。本算法采用比例选取算子，即根据个体适应度大小，使用轮盘操作确定各个体被选中的次数。 交叉算子：对样本中的染色体进行两次随机配对，对每一配对个体，依照交叉概率,在随机产生的交叉点后，相互交换部分染色体。 突变算子：每一个个体的基因组依照突变概率，指定其突变点，对该突变点其基因值取反运算。4) 控制参数在遗传算法的实际运用中，需要适当确定某些参数的值以提高优选的效果。参数包括：编码长度（由输入的备选仓库数量自动计算得出）、群体容量、交叉概率、突变概率、遗传代数等，通常>>，均可由用户根据要求设定。若群体容量较

16、小，如,通常取, 。5.2 层次分析法在仓库选址中的应用1) 建立物流企业仓库选址的层次结构模型目前影响第三方物流企业选址的因素可归纳为经济合理性、交通便利性、可持续发展性三大类因素。在上几步的基础上，选址决策者根据其优选结果、拟建仓库个数以及企业自身战略目标等，以适当的选取比例按各备选仓库在上步组合方案中被选中率选出进行层次分析的备选仓库。针对仓库选址目标及备选仓库的差异性，根据决策者的经验或通过运用数据仓库和数据挖掘的方法找出影响目标的因素，形成层次结构模型。2) 专家对各因素进行重要性评价，构造判断矩阵通过专家（或从历史数据仓库中用数据挖掘的方法）对主要因素进行两两相对重要性的评价，从而

17、得出每个因素相对于其他因素的相对重要性比率，然后将元素的比较结果综合起来，确定各元素在此次选址目标中的优先级，即权重。在构造判断矩阵时,采用美国运筹学家萨迪(A.L.Saaty)提出的9 标度法。3) 对判断矩阵进行均一化、一致性检验假设由专家给出的判断矩阵A的各项为则转换成的均一矩阵B各项即由判断矩阵各元素除以它的列和得到。所谓一致性检验，即对判断矩阵A求出的权系数进行的合理性检验。首先根据公式求得判断矩阵的最大特征根代到中得出一致性检验指标CI的数值；根据平均随机一致性指标RI数值表查出RI的值；最后用得出相对一致性指标CR的数值。当时，判断矩阵合理，求出的权系数恰当，否则要对判断矩阵进行

18、调整，按上述步骤重新求权系数矩阵。4) 专家对各备选仓库关于各主要因素进行两两重要性评价，计算各层元素对目标层的总排序权重专家对各备选仓库的逐对比较类似2中对于各因素的重要性评价，同样对所得的判断矩阵都需进行均一化、一致性检验。层次分析最终要得到最低层中各备选仓库对于目标选址决策的排序权重，即总排序权重。计算公式为：其中，为最低层对中间层各元素的排序；为最低层对目标层的排序权重；为中间层对于目标层的排序权重，最后根据总排序权重的大小选择最佳仓库地址。算例分析6 结束语本文以成本最小化为目标，基于WSMP、遗传算法和层次分析法提出第三方物流企业仓库选址决策系统。在具体应用时，企业可根据具体情况进

19、行分析，并提出合理、经济的选址方案。定性判断与定量计算有效地结合起来，对于选址分析和解决问题具有简洁性、实用性、适应性和系统性。同时，可以从企业的战略角度出发，通过对于考虑因素的细分、拓宽，扩大问题的各个层面，并且可以结合现有的新技术（比如互联网、数据库和联机处理方法）使决策过程快速、客观、准确。通过该系统避免了以往单纯考虑路径、车流量（地理因素）等诸如成本因素等，能够科学、全面、有效地实现企业多仓库多指标的仓库选址要求。参考文献：1 蒋长兵，王姗姗.精确重心算法在物流节点选址中的应用J. 物流技术,2005（9）：6567.2 Harkness, J.,ReVelle,C., Facilit

20、y location with increasing production costsJ. European Journal of Operational Research 2003(145)：113.3 Efroymson, M.A., Ray, T.L., A branch-and-bound algorithm for plant location J. Operations Research 1966(14)：361368.4 Goetschalckx, M., Vidal, C.J., Dogan, K., Modeling and design of global logistics systems: A review of integrated strategic and tactical models and design algorithms J. European Journal of Operational Research 2002(143)：118.5 Klose, A., A Lagrangean