基于仿真及数据分析的电商快递配送瓶颈研究

任东方，郭晓鹏，李存斌

基于仿真及数据分析的电商快递配送瓶颈研究

任东方，郭晓鹏，李存斌

(华北电力大学 经济与管理学院，北京 102206)

针对电子商务背景下网购商品运输和配送中的瓶颈问题，在分析和调研电商的快递配送流程的基础上，利用仿真方法得到大量的电商销售和快递运输配送数据，借助数据挖掘的方法对该数据进行分析，提出物流瓶颈优化策略并验证其有效性。研究结果表明：来自上海和广东的销售量较大的网上店铺的商品运输中更容易发生延误，且滞留商品多为食品和服饰。这说明在网购商品的物流配送过程中，运输条件、消费者偏好、商品发货地、商品类别、店铺成交量和信誉度等因素都是导致物流瓶颈产生的原因。对此，本文提出电商快递配送优化策略并证明其能够有效减少快递在运输途中的延误，尤其是在节假日期间。

电子商务；数据挖掘；快递企业；配送瓶颈；仿真

2018年我国快递服务行业的订单量达507.1亿件，国家邮政局表示，大部分业务量来源于网络销售。随着电子商务的发展，因网购产生的物流订单给快递企业带来大量业务，这在促进快递企业的发展的同时也给快递运输和配送带来压力，尤其是在“双十一”等网购节日期间，尽管快递企业临时增加车辆和配送人员，却无法避免大量的订单导致快件运输的延误和滞留。一方面是由于快递企业的人力物力资源有限，目前的基础设施只能满足平时的快递配送需求，无法应对节假日激增的业务量。另一方面，节假日期间各种运输方式运力紧张，给物品运输带来困难，网购商品极易在火车站、机场、高速公路等运输途中滞留。由此可见，电子商务下的快递物流配送是亟待解决的问题。目前，对快递物流配送的研究大多是对物流配送中心和节点的优化，物流节点的布局直接影响物流配送系统的效率[1]。其次是对物流配送成本的优化，例如运输成本和环境成本[2]及物流配送网络路径的优化[3]。先进的物流配送技术也能够提高配送效率，例如IOT(Internet of things)被广泛用于物流配送过程 中[4]，GIS和信息技术能够节约大量人力和物力资源[5−6]。以上研究都是从快递行业本身出发，没有结合其他相关行业，本文研究了电子商务背景下的快递物流问题，从源头上分析瓶颈产生的原因。电商的快递物流对服务水平具有更高的要求[7]，快递物流行业的发展水平和服务质量被认为是制约电子商务发展的关键因素[8]。因应需求电商与快递的协同发展之路[9−10]，有研究表明，业务模型和应急预案的构建对快递业与电子商务的协调发展具有现实意义[11]；仿真模型也被用于分析电商物流配送，如区域分拣中心的分拣人员分配模型可以为快递公司制定合理的人员配置计划，解决快递积压问题[12]。电商销售和物流运输产生的大量数据可以通过云计算[13−14]和数据挖掘[15]来发现其中的规律，例如借助关联分析可以为客户购物带来便利，同时帮助企业增加销售量[16]，聚类分析在客户关系管理中的应用，该方法通过对客户的相关信息进行分类和聚类，使企业对具有共同特征的人群采取针对性的营销策略[17]。本文在此基础上，首先对电商的快递物流整个流程进行分析，然后借助仿真方法模拟产生大量数据样本，最后利用数据挖掘的方法找到网购商品在配送高峰时段的瓶颈，为电商和物流行业的健康发展提供决策支持。

1 快递物流仿真模型

1.1 问题分析

电商物流的整个流程一般从商家发货开始到商品被买家签收为止，其中的工作多由第三方物流公司完成。第三方物流的业务流程一般为：负责各个区域的点部上门取件或者由卖家直接送达配送点进行商品包装和填写订单信息；点部将一段时间内揽收的快递送至城市的快递分部；分拨中心向各个分部提货并按照来自不同地区的订单，通过各种运输方式的联运运输到区部；区部根据自己的服务范围将货物发送到分部；分部一般靠市内运输车辆将货物运送到各个配送点然后由配送人员负责送达顾客手中，这就是快递企业由收货揽件到终端配送完成的整个业务流程。

由于绝大多数的电商的销售数据和物流运输实时数据属于商业机密，无法获取，因此本文通过观测一些公开的电商销售信息对商品的销售情况进行仿真，从而生成大量的模拟数据用于后文的数据挖掘分析，需要设定的内容包括商品发货地、店铺名称及其所在地、配送的商品类别、商品销售量(快递订单量)。

注：图中1-4标号分别代表以下地点：标号1-北京金盏分拨中心；标号2-信天捷快递分拨中心；标号3-垡头快递分拨中心；标号4-中邮物流区域集散分拨中心。

首先，针对快递物流配送范围，本文选取拥有网上销售店铺数量较多的几个省份，分别是广东、浙江、上海、北京、江苏、福建，其中北京市是北方地区的重要物流中转地[18]，具有4个1级快递分拨中心(见图1)，负责来自各地的物品集散和疏通，因此本文模拟的配送流程为其他5个省份到北京之间的物流配送过程，2级分拨中心选取了北京市8个大型商业区和居民区，分别是天安门商业区(包括西单和王府井)、木樨园商业区、CBD商业区、亚奥居民区、中关村商业区、西山居民区、立水桥−北苑居民区、五棵松商业区。

然后，针对网购商品类别、销售量、网上店铺等信息，本文在各类商品的店铺中截取了21个网上销售店铺的2个月份真实数据作为仿真设置的依据，被选取的电子商铺分别位于不同的地点、销售不同种类的商品、具有不同的信誉度，因此具有一定的代表性，使仿真所得的数据更贴近实际情况。其中7月份代表平时的销售情况，11月份为网购高峰期代表网购高峰时段也是电商物流配送容易出现瓶颈的时段。2个月份的电商销售具体数据详见表1，数据来源于https://www.kandianbao.com网站。

表1 2018年7月和11月部分电商销售数据

1.2 仿真模型

根据表1的统计数据，我们可以对仿真模型进行设置，利用Enterprises Dynamics软件进行仿真，具体参数设置如下：

1) 商品类别。通过在淘宝网等一系列大型购物网站了解和调研，网购商品大致分为以下几类：服装类、箱包配饰、电子数码、食品、日用品、电器、美妆护肤。

2) 网上店铺。截取淘宝网上21个店铺的真实数据其中，每类商选取3家具有代表性的店铺，这些店铺的所在地和销售情况以及评价各不相同，在仿真中分别用1-21的数字表示。

3) 店铺评价。即为的综合评分，分别是1星，2星，3星，4星和5星。

4) 店铺所在地(发货地)。发货地共有5个：江苏、上海、浙江、福建、广东。

5) 分拨中心。根据实地考察和调研，模拟了4个一级分拨中心和8个二级配送中心(详见1.1节)。

6) 商品到货时间。统计系统中每个产品原子(即快件)的到货时间。

仿真的流程包括了商品的卖家即网上店铺、发货地的周转中心、运输过程、收货地的快递分拨中心、二级配送中心5个环节。仿真原子排列分布整体效果如图2所示。

图2 电商快递物流系统仿真设置图

通过模型中的仿真钟可以观测仿真时长，通过Sink原子可以观测到离开系统的产品个数，即需要被运输配送的快件数。本文截取了2 000条仿真数据，由于数据量较大不进行列举。

2 数据挖掘模型

2.1 决策树模型

决策树模型是类似于流程图的树形结构，结构中的每一个节点代表的是对一个特征的测试，树的分支代表该特征的测试结果，而树的每一个叶子节点(不再进行分支的节点)代表一个类别。树的最高层是就是根节点。决策树模型具有结果简单直观；数据不需要归一化和缺失值处理；既可以处理离散值也可以处理连续值；对于异常点的容错能力好等优点。

决策树算法一般包含3个步骤：特征选择、决策树生成和决策树剪枝。其中特征选择在于选取对训练数据具有分类能力的特征。特征选择的基本方法有3种。

1) 信息增益/ID3

特征对训练数据集的信息增益(,)定义为集合的经验熵()与特征给定条件下的经验条件熵(|)之差，即

2) 信息增益比/C5.0

信息增益的特征选择方法存在弊端，即在相同的条件下，取值多的特征比取值少的特征信息增益会大，因此在C4.5引入信息增益比这一概念，信息增益比I(,)可以表示为：

3) 基尼系数/CART

以上2种方法均基于信息熵模理论，计算量较大。而在CART算法中借助基尼系数来代替信息增益比，它表征了模型的不纯度，基尼系数越小时不纯度越低，则特征越好。其原理为：

式中：为类别数；p为第个类别的概率。

因此本文选择CART算法，并借助SPSS软件进行数据的输入和计算。SPSS Clementine12.0是一款简单易操作的数据挖掘软件，该软件已将决策树算法打包为一个模块，通过建立模块流程图就可以进行数据挖掘分析。决策树模型的建立流程如图3所示，首先将仿真得到的数据拖入数据流中，然后对变量类型进行定义和预处理，再根据商品在途中的运输时间来判断是否拥堵和滞留，从结果显示中可以看到每一个商品的拥堵情况，接着拖入决策树分析模块，以是否拥堵为输出对所有变量进行决策树分析，最后对模型的准确率进行分析。运行模型就可以得到各种因素对快件拥堵的影响程度，从图3可以发现对快递的延误影响最大的因素就是发货地，其次是商品来源店铺和店铺的销售量，快递物流的滞留于商品种类的关系不明显。

图3 建模流程及变量重要性评估图

从图4的决策树分类图可见，决策树模共有5层12个节点，每个节点下都标明了分类依据和相应的阈值以该分类下发生拥堵的快件数目。根节点共有2 915条数据，将发货地分为两大类，来自上海的快件拥堵情况明显高于其他4个省市。节点1继续将发货地进行分类为节点3和4，而节点2则对成交量进行分类，店铺成交量在375件以下的节点5和成交量大于375的节点6等。

模型中将数据的60%作为训练集，40%作为测试集。在评估结果中，训练集有1 097条数据，其中856条为正确数据，正确率达到78.03%。测试集有1 818条数据，正确个数为1 418条，正确率达到78%，训练集和测试集的模型正确率均大于70%，我们认为决策树模型是正确有效的[19−21]。为了进一步验证模型的适用性，图5是对决策树模型的提升评估图，虚曲线和实曲线分别是最佳曲线和实际曲线的对比，结果表明决策树模型具有一定的实际意义。

2.2 聚类分析模型

聚类分析指将物理或抽象对象的集合分组为由类似的对象组成的多个类的分析过程，它按照个体的特征将他们分类，使同一个类别的个体间具有较高的相似度，而不同类别之间具有较大差异。常用的聚类分析包括K-Means聚类、层次聚类、和两步聚类(two-step)等方法，本文用的是两步聚类，该方法综合了其他防范的优点，主要分为2个阶段。

1) 预聚类(pre-clustering)阶段。借助BIRCH层次聚类算法的思想。逐个读取数据集中数据点，在生成决策树的同时，预先聚类密集区域的数据点，从而形成诸多的小的子簇(sub-cluster)。

2) 聚类(clustering)阶段。以预聚类阶段的结果(子簇)为对象，利用凝聚法(agglomerative hierarchical clustering method)，逐个地合并子簇，直到期望的簇数量。

图4 决策树分类示意图

图5 决策树模型提升评估图

利用软件进行2步聚类分析，模型分别按照成交量、发货地、拥堵情况、商品类别和二级配送中心5个字段进行聚类，拥堵情况作为输出，聚类分析将所有订单分为2大类，它们的发货地和商品种类具有明显特征。

聚类一中的订单大多来自成交量较小的店铺，模拟结果显示，这类店铺在模型运行期间的销售量平均为124件，标准差为75.5，发货地集中在广东、浙江和福建3个省份，商品类别以服装类为主，其次是日用品和箱包配饰，具有这些特点的快件拥堵率为55%，且近一半的快件被送往天安门商业区。聚类二最明显的特征就是商品所属商家的月成交量较大，该类商品所来源的店铺的成交量平均为428件，标准差为87.7，商品在运输途中的拥堵时间更长，瓶颈更加明显，结果表明70%左右的快件都在运输过程中发生了延误和积压，这些以食品和服装为主的快件多来自上海的店铺，其次是江苏省和浙江省，有50.75%拥堵的快递物品的发网天安门商业区的二级配送中心。软件模拟结果和分类情况如图6所示。

(a) 聚类分析−发货地；(b) 聚类分析−商品类别

3 结果分析

3.1 瓶颈分析

数据结果表明：上海发送至北京的快件相对于其他地区更容易滞留，其次是广东省，而江苏省发往北京的延迟率相对较低；成交量大的店铺和商品种类在运送高峰期来临时候更容易发生拥堵和延迟的现象。这一结论与调研的现实情况是比较吻合的，通过分析本文认为网购物流快递的瓶颈主要有以下几个方面。

3.1.1 运输条件

从数据挖掘结果看，在网上商品畅销时段和快递业务繁忙时段，发货地和商品种类是节假日快件拥堵的一个最重要因素。这可能是运输条件导致的瓶颈，一方面，运输距离较长增加了商品在运输途中的时间，例如图6的决策树分析结果表明，广东和福建省发往北京的快递拥堵概率较高。另一方面，节假日快递的运输瓶颈也可能是运输方式导致的，例如来自广东和上海的电子数码产品以及生鲜等具有时效性的商品多采用空运，相对其他运输方式而言，空运的方式虽然在运输途中节省了大量时间，但是航空运力十分有限，且运输之前的安检和接洽占用了大量时间，另一方面，空运容易受到自然条件的制约。同时，公路运输方式在节假日期间的运力也是十分紧张的，这给电商的物流配送业务带来一定影响。

3.1.2 店铺成交量

快递物流缓慢和拥堵的另外一个瓶颈是店铺的成交量和某类商品的销售量。决策树的结果显示，成交量大于73件的店铺发出的商品发生拥堵的概率高于成交量小于73件的店铺，这种情况标明了店铺的发货量大的商家通过快递企业收件和派送过程中发生了延误。

3.1.3 商品种类

聚类分析结果显示，滞留较久的快件中，食品占比达到86.75%，还可以观测每一类商品的来源地，其中食品主要从上海和江苏发货；服装类主要从上海、广东和浙江发货；箱包配饰大部分来自福建省；电子数码和电器类商品多来自广东省。销售量大的商品重量由于在短时间内需求量大而集中，在快递物流中的揽收、运输、配送等过程都给工作人员带来压力，因此容易长时间延误。

结合调查和进一步分析，我们可以发现：从运输角度来看，空运快件比其他运输方式更为繁琐，在中转站滞留货物的时间相对较长，容易受到自然条件的影响。对于快递业来说，大量分散的货物给快递公司带来了更多的业务困难。对于终端分销环节，发往人口密集、数量众多、不方便的商业圈的快件容易滞留在两级分销点。在商品属性方面，人们的消费具有一定的特点，食品和服装是节日快递中最受欢迎的商品。

表2 商品配送瓶颈优化设置

3.2 结果验证

针对以上分析的几个主要物流瓶颈，本文仍利用仿真模型验证瓶颈优化后的快递运输情况。仿真模型的基础设置不变，综合考虑导致快件滞留的几个因素后，将部分商品设置为从四大分拨中心开始发货，整个物流系统需要配送的商品数量保持不变。本研究是为了说明提前配送的方法能够有效缓解电商销售高峰期的快递配送压力，通过网上的调研和对网上店铺的月度销量统计与对比，在节假日等促销时段店铺的销售量最高可以达到平时销售量的2~3倍，这意味着电商带来的快递配送业务量也增加相同的倍数。因此本文尝试了将节假日销量与平时销量的差额部分的商品进行预先发货，即：提前配送量=预计高峰销售量−非节假日平均销售量，以本文所选取的店铺为例，提前配送量为表1中2个月份的销售量之差，提前配送方案的具体的数值设置见表2，配送瓶颈的优化是通过仿真实现的，表2中的提前配送量只做为仿真模型参数设置的依据，例如提前配送的部分商品在模型中可以通过改变商品原子的产生频率即可实现。运行模型后产生的商品在运输途中的运输数据即为配送瓶颈优化后的效果。

将表2的提前配送情况作为仿真依据可以再次得到大量数据，对仿真产生的数据进行分析后得到物流配送系统中所有商品的拥堵率。修改原始仿真模型的部分参数后运行即可以得到结果，从图7可以看出，针对物流瓶颈采取的配送策略能够有效缓解商品在运输和配送中的拥堵，能够按时完成配送的商品数量和种类(左侧直方图)明显多于发生延误的商品数量(右侧直方图)，其中横坐标代表商品的来源店铺，店铺名称见1.1节中的表1。

图7 快递物流瓶颈优化结果验证

4 结论

1) 在分析电子商务和快递企业的发展现状和特点的基础上，对网购商品的物流运输系统进行仿真，仿真模型中包括了网上商铺、快递运输网络、各级物流中心、商品的类别等主要因素，根据淘宝多家店铺在不同月份的销售数据对系统进行设置，以保证用于数据分析的仿真数据的真实性和可 靠性。

2) 借助数据挖掘方法对物流配送瓶颈进行分析。本文中用到的数据挖掘方法是决策树和Two- Step聚类，数据挖掘和瓶颈分析的结果显示：从发货地来看，本文所选的5个城市中，来自上海和广东的快递更容易发生延误，这与商品的运输方式、运输距离、快件集中程度有关；从商品种类看，食品和服装类商品在途中较易拥堵，由于这两类商品的需求量大且集中；从商品的来源刊，来自成交量大且信誉度较好的店铺的商品运输时间往往较长，这种情况大多是由于快件的揽收和最后的配送阶段的人力物力资源有限而导致。因此运输条件(包括运输距离和运输方式)、网购商品的种类、快件的发货地和来源商铺是与瓶颈有关的主要因素。

3) 针对电商物流存在的运输和配送瓶颈，提出了相应的配送优化策略，然后带入模型进行验证，结果显示，经过优化的电商配送策略能够大大减少网购商品在运输途中的延误时间，从而缓解物流瓶颈。实际上，将商品提前配送的方法固然能够解决网购高峰时段的配送瓶颈问题，但也存在资金的需求大、物流需求的精准预测困难、风险控制困难等问题。许多电商已经尝试了提前配送的方法来缓解网购高峰期的瓶颈问题，并采取相应措施规避风险问题，例如“天猫”采取的预售模式能够解决部分资金问题，“京东”的自建物流体系能够减少物流需求预测不精准带来的风险问题。本文主要研究提前配送对缓解物流高峰期的快递拥堵和滞留问题，因此没有对其他问题进行详细讨论。

[1] 张得志, 李双艳. 物流节点动态布局优化模型及其求解算法研究[J]. 铁道科学与工程学报, 2011, 8(5): 96− 100. ZHANG Dezhi, LI Shuangyan. Dynamic layout optimization model of logistics nodes and its solution algorithm[J]. Journal of Railway Science and Engineering, 2011, 8(5): 96−100.

[2] Ouhader H, El Kyal M. Combining facility location and routing decisions in sustainable urban freight distribution under horizontal collaboration: How can shippers be benefited[J]. Mathematical Problems in Engineering, 2017(4): 18.

[3] 罗勇, 陈治亚. 基于改进遗传算法的供应链金融质押物配送路径优化[J]. 铁道科学与工程学报, 2015, 12(4): 949−955. LUO Yong, CHEN Zhiya. Route optimization of financial pledge distribution in supply chain based on improved genetic algorithm[J]. Journal of Railway Science and Engineering, 2015, 12(4): 949−955.

[4] Papert M, Pflaum. Development of an ecosystem model for the realization of internet of things (IOT) services in supply chain management[J]. Electronic Markets, 2017, 27(2): 175−189.

[5] 马丽. 电子商务环境下基于GIS的物流配送系统设计[J]. 现代计算机(专业版), 2009(9): 162−164. MA Li. Design of logistics distribution system based on GIS in e-commerce environment[J]. Modern Computer (Professional Edition), 2009(9): 162−164.

[6] 孙林林. 物流信息技术在物流管理中的应用探究[J]. 信息记录材料, 2019, 20(2): 190−191. SUN Linlin. Application of logistics information technology in logistics management[J]. Information Recording Materials, 2019, 20(2): 190−191.

[7] 余利娥. 电子商务环境下快递服务质量提升的博弈分析[J]. 宿州学院学报, 2012, 27(7): 34−36. YU Li’e. Game analysis of express service quality improvement under e-commerce environment[J]. Journal of Suzhou University, 2012, 27(7): 34−36.

[8] 徐颖, 黄音, 方晓平. 物流服务质量对电子商务企业顾客忠诚度影响研究[J]. 铁道科学与工程学报, 2016, 13(10): 2077−2084. XU Ying, HUANG Yin, FANG Xiaoping. The research of logistics service quality that affect customer loyalty for e-commerce enterprise[J]. Journal of Railway Science and Engineering, 2016, 13(10): 2077−2084.

[9] 孙学琴, 王宝义. 中国电商与快递协同发展的影响因素及未来趋势[J]. 中国流通经济, 2015, 29(7): 17−24. SUN Xueqin, WANG Baoyi. Influencing factors and future trends of coordinated development of e-commerce and express delivery in China[J]. China’s Circulation Economy, 2015, 29(7): 17−24.

[10] 张夏恒. 跨境电商物流协同模型构建与实现路径研究[D]. 西安: 长安大学, 2016. ZHANG Xiaheng. Research on the construction and implementation path of cross-border e-commerce logistics collaboration model[D]. Xi’an: Chang’an University, 2016.

[11] Marcel Kunkel, Christian Poppstadt, Michael Schwind. Open service-oriented confuting for logistics: A case in courier, express and parcel networks[J]. Lecture Notes in Computer Science, 2010(5): 23−26.

[12] LI G G, LI W W. The analysis of return reverse logistics management strategy based on B2C electronic commerce[J]. Education and Management Engineering, 2015(38): 757−761.

[13] WANG L, GUO S S. Distributed manufacturing resource selection strategy in cloud manufacturing[J]. International Journal of Advanced Manufacturing Technology, 2018(94): 3375−3388.

[14] YANG M K, Mahmood M. Design and implementation of cloud platform for intelligent logistics in the trend of intellectualization[J]. China Communications, 2017(18): 180−191.

[15] Hsiao Y H, CHEN M C, Liao W C. Logistics service design for cross-border e-commerce using kansei engineering with text-mining-based online content analysis[J]. Telematics and Informatics, 2017(34): 284− 302.

[16] César Astudillo, Matthew Bardeen, Narciso Cerpa. Editorial: Data mining in electronic commerce-support vs. confidence[J]. Jouranl of Theoretical and Applied Electronic Commerce Research, 2014(9): 1−7.

[17] Shim Beomsoo, Choi Keunho, Suh Yongmoo. CRM strategies for a small-sized online shopping mall based on association rules and sequential patterns[J]. Expert Systems with Applications, 2012(39): 7736−7742.

[18] 占明珍. “双十一”我国电商企业促销战的冷思考[J]. 对外经贸实务, 2013(4): 47−50. ZHAN Mingzhen. Cold thoughts on the promotion war of China’s e-commerce enterprises in “Double Eleventh” period[J]. Foreign Economic and Trade Practice, 2013(4): 47−50.

[19] 邓全. 决策树算法与客户流失分析[J]. 西安邮电大学学报, 2013, 18(3): 49−51. DENG Quan. Decision tree algorithm and customer churn analysis[J]. Journal of Xi’an University of Posts and Telecommunications, 2013,18(3): 49−51.

[20] 彭莹. 基于C5.0决策树建模的读者借阅频度分析[J]. 图书情报工作, 2016, 60(增1): 10−14. PENG Ying. Analysis of readers’ borrowing frequency based on C5.0 decision tree modeling[J]. Library and Information Work, 2016, 60(Suppl 1): 10−14.

[21] 纪红燕, 王钢, 俞长青, 等. 基于决策树的沥青路面使用性能评价与预测研究[J]. 公路, 2016(4): 18−22. JI Hongyan, WANG Gang, YU Changqing, et al. Evaluation and prediction of asphalt pavement performance based on decision tree[J]. Highway, 2016(4): 18−22.

Research on logistics bottleneck of E-commerce express based on simulation and data analysis

REN Dongfang, GUO Xiaopeng, LI Cunbin

(School of Economics and Management, North China Electric Power University, Beijing 102206, China)

Some measures were taken to solve the transportation bottleneck problem of online shopping under the background of e-commerce in this paper. Based on the investigation and analysis of e-commerce logistics distribution process, first of all, a simulation model was set up to obtain a large number of e-commerce sales and logistics transportation data. Then, the method of data mining was used in big data analysis. Finally, the logistics bottleneck optimization strategy was proposed and its effectiveness was verified. The results show that goods belonging to food and clothing from Shanghai and Guangdong or from stores with large sales volume are more likely to be delayed in the transportation. This indicates that transportation conditions, consumer preferences, commodity delivery place, commodity category, sales volume and reputation of store are the causes of logistics bottlenecks. In this regard, this paper puts forward the optimization strategy of e-commerce logistics distribution and proves its effectiveness, especially during holidays.

E-commerce; data analysis; express enterprise; logistics bottleneck; simulation

F250

A

1672 − 7029(2020)03 − 0765 − 10

10.19713/j.cnki.43−1423/u.T20190964

2019−11−01

国家社会科学基金资助项目(17GBL136)；中央高校基本科研业务费专项资金资助项目(2019QN074，2019FR002)

郭晓鹏(1979−)，男，河南济源人，副教授，博士，从事供应链物流研究；E−mail：13520328997@163.com

(编辑 蒋学东)