新零售背景下盒马鲜生末端配送路径优化研究

李 旭，刘兆惠 （山东科技大学 交通学院，山东 青岛266000）

0 引 言

盒马鲜生超市的主要目标客户为80 后、90 后等年轻消费者，为消费者提供高品质的食品和快速服务。截至2020 年2 月，根据官网统计盒马鲜生超市已经有150 多家门店，遍布在全国21 个城市，主要分布在北上广深等发达一线城市及武汉、成都、杭州、西安等新一线城市，近年也逐渐向福州、海口、青岛等二线城市扩张[1]。其业务范围包括线上和线下两个渠道，线下主要是利用以自营生鲜门店作为实体零售终端，为消费者提供高品质产品和优质体验服务，线上渠道主要是顾客通过线上APP下单，由门店配送员进行上门配送，新零售生鲜电商门店提供的末端配送服务是新零售生鲜电商为线上顾客提供产品服务的重要环节，是提高顾客消费体验的重要手段，其配送效果直接影响线上消费者的产品体验，本文以新零售生鲜电商的原型标杆盒马鲜生为研究对象，分析其在末端配送过程中存在的问题，根据存在的问题找到合理有效的方法规划末端配送路线。

1 盒马鲜生物流配送作业流程

盒马鲜生门店后台系统在接收到顾客订单信息后大致经过处理订单信息、分拣、打包及配送员配送以及客户确认收货售后处理。

（1） 处理订单信息

客户通过手机APP 查看是否在门店的配送范围内，以及选择购买的门店，其次挑选好需要的产品加入购物车，挑选完毕后统一结算，填写收货地址及收件人等信息，选择送达时间，服务时间为07:45~21:15，付款方式只能只用盒马鲜生APP 绑定的支付宝付款。在客户下单后，门店后台系统接收到订单并对订单进行处理。

（2） 分拣

门店后台将订单信息发送到前店工作人员的手持终端上，由同一个工作人员通过摘果式的方式将订单上的所有物品全部拣选完毕后装入专用的保温拣选袋，并把拣选袋挂到悬挂链上输送到后台合流区，当前订单任务完成，继续进行下一订单任务[2]。每一个拣货的工作人员每次仅处理一份订单，在当前订单全部拣选完毕后方可进行下一单任务。

（3） 包装

后台合流区收到前店输送的拣货袋后对订单信息进行核实，核实无误后将所有物品进行包装，主要使用纸箱、泡沫箱等包装材料，并将打包好的箱子放入专用配送箱。在现实包装过程中可能会根据不同物品的特性加入特殊的包装材料来单独包装，而不是统一进行包装，如对温度要求较高的食物会加入保温或保湿袋。

（4） 配送

配送员将打包好的箱子装入专用配送箱，根据订单要求的配送时间及配送地址进行上门配送，同一个门店的配送车辆都是同一型号两轮电动车。

2 盒马鲜生在末端配送中存在的问题

（1） 配送路线未经过合理规划

盒马鲜生的后台系统在进行订单配送信息发布时，仅对订单进行抢单式分配，关于抢单成功后的配送路径并没有进行规划。配送员在拿到配送订单后，往往凭借配送经验对配送路径进行选择，但有些配送员为了抢单多获得配送任务，对抢到的订单配送地址可能并不熟悉，这时候仅凭借配送经验选择配送路径出错率较高，造成订单不能按时配送的现象，影响顾客满意度。因此合理的配送路线不仅能保证顾客的时间要求得到满足，更能提高公司的配送服务质量。

（2） 配送成本过高

盒马鲜生的线上订单采用用户每天首单无门槛免费配送方式，在订单金额较小时，除去运输成本、包装分拣人工成本，一个订单的利润可能难以支付配送员的提成。当出现不合理的配送路径使得总订单的配送质量受到影响时，不得不增加配送员的数量来保证订单能及时送到，直接导致配送成本增加。若不能严格控制配送成本，门店利润入不敷出是常见现象。

（3） 配送准时性难以保证

盒马鲜生的配送特色是对订单的响应能力强，30 分钟内送达，但在实际配送过程中时常出现早于或晚于配送时间要求的现象，很多在APP 上下单的顾客都是上班族，打算在下班到家时能及时收到菜品，才能不耽误下午上班，若提前送达，会出现配送不成功，若晚于约定时间送达，耽误顾客的时间，使得不少顾客产生抱怨情绪，配送服务和用户体验都会直接受到影响。配送服务质量是线上购物满意度的一个重要因素，准时的配送不仅能提高顾客满意度，更能增加顾客粘性。

3 建立模型

3.1 问题描述及符号说明

此VRPTW 可以描述为：盒马鲜生门店有若干辆两轮电动车，需要向N个客户提供上门配送服务，配送车辆从门店出发，根据顾客要求的配送时间依次进行配送，最终返回门店进行下一次的配送。其中，顾客的地理位置已知，每辆车K的最大装载量为Qk，顾客点i到顾客点j的距离为dij，顾客要求配送的最早和最晚时间分别为ETi和LTi，配送服务车辆数为K，需要服务的顾客数量为N，顾客i的货物重量为qi，配送员为顾客i提供服务的时间为λi，配送车辆从顾客点i到顾客点j的行驶时间为tij，Xijk是0-1 型变量，当Xijk=1 时表示车辆k从顾客点i驶向顾客点j，当Xijk=0 时表示车辆k没有从顾客点i驶向顾客点j，Xik是0-1 变量，当Xik=1 时表示车辆k为顾客点i提供服务，当Xik=0 时表示车辆k没有为顾客点i提供服务。

3.2 模型假设

（1） 假设门店仓库产品供应量大于出售数量，不存在缺货现象。

（2） 假设配送路径为门店—顾客间的单向配送，只涉及产品配送，不包括回收退货任务。

（3） 假设同一门店的配送车辆是统一规格的。

（4） 假设配送车辆在配送途中的行驶速度是不变的。

（5） 假设配送道路上不存在交通拥堵等情况。

（6） 配送员服务单个顾客的时间是一样的。

3.3 目标函数设计

（1） 配送总里程目标函数设计

（2） 顾客满意度目标函数设计

将顾客满意度函数通过梯形函数来表示，顾客要求的配送时间窗为［ETi,LTi］，大多数顾客可以接受配送时间点比要求的配送时间窗提前或推迟一点时间，设顾客可接受的配送时间窗为［eti,lti］，横坐标ti表示配送时间，纵坐标f ti（）代表顾客满意度，顾客满意度与配送时间的关系图如图1 所示：

图1 顾客满意度函数

由图1 可以得出，配送的具体偏离时长为：

则顾客满意度函数为：

目标函数为：

3.4 约束条件

4 算法设计及验证

4.1 算法设计

遗传算法采用概率搜索规则搜索方向，引导整个搜索过程向更优解空间移动，并且遗传算法具有可以并行执行，算法效率高，能够处理复杂问题，较高的全局搜索能力等优点[3]，相结合本文所建立的模型特点，选择遗传算法作为此模型的求解方法。

（1） 确定编码方式

由于本文研究对象是路径规划，所以染色体的编码采用自然数编码方式，染色体中的基因顺序表示在一次配送路径中依次被配送的顺序，每一个基因代表一个顾客，其中0 表示从盒马鲜生门店出来的配送员。例如，一个有10 个顾客需要3 辆配送车的路径优化问题，编码为［0,2,5,7,0,3,8,6,0,1,9,4,10,0 ］，表示三个配送子路径。

（2） 种群初始化

随机生成初始种群是遗传算法最常用的策略，本文首先用随机顺序的方法得到初始的染色体，然后对初始种群进行映射，直到生成规模足够且均符合条件的初始种群。

（3） 约束条件

具体的约束条件见3.4 中设计的约束条件。

（4） 适应度函数设计

原优化目标函数为配送里程最小和顾客满意度最高，并在前文中已将顾客满意度最高转化为最小化函数，现通过权重系数相加后得到新的目标函数表达式如式（12） 所示：

在适应度函数设计中，一般需要将极小化目标函数转化为极大化目标函数，因此，适应度函数可设计为：

在式（13） 中，fit（i）代表第i个染色体的适应度函数值，Zi代表第i个染色体对应解的目标函数值。

（5） 设计遗传算子

本文在选择操作过程中确定使用锦标赛选择并结合精英保留策略，不仅能保持种群的多样性，又将适应度最好的个体保留到下一代群体中；根据模型的特点对交叉算子和变异算子进行改进。

（6） 局部搜索

利用2-Opt 算法对染色体的某些基因进行局部搜索。

4.2 实例验证

（1） 整理数据

本文对青岛市某一盒马鲜生门店进行实地调研，某日9:15~11:45 之间在APP 后台共获取147 个订单，所有订单均在门店3公里配送范围内，部分订单信息整理后如表1 所示。

表1 处理后的顾客信息表

配送车辆的具体参数如表2 所示：

表2 配送车辆属性参数

利用百度地图搜索确定门店到顾客点及顾客之间的距离信息。

（2） 设置参数

求解结果如图2 所示。

Z1=0.4,Z2=0.6，种群规模popsize=50，交叉概率Pa=0.80，变异概率Pb=0.15，迭代次数为1 000 次。迭代收敛图如图3 所示。

（3） 模型求解

在图2 和图3 中可以看出，大概经过230 次迭代后得出该门店用了4 个配送员完成了30 个订单的配送，并且每个配送员的任务数量分配的较合理。具体的配送线路表如表3 所示。

各路径的优化结果如表4 所示。

（4） 经过优化后的配送结果与原配送结果对比分析

原配送路线如表5 和表6 所示。

图2 配送路线图

图3 迭代收敛图

表3 门店到顾客的具体配送路线表

表4 各路径的优化结果

表5 原配送路线表

表6 原配送路线具体信息表

通过对比可以发现，经过优化后的路径的配送总里程比原方案少19.41 公里，配送总时长短40 分钟，顾客满意度高2.45，说明经过优化后的配送路径行驶距离较少，可以节省配送时间，在顾客满意度方面有了较大的提升，配送员基本能在顾客要求的配送时间内送达，总体来说优化后的路径对于新零售背景下的生鲜电商末端配送更有优势。

5 结 论

经过优化后的路径配送效果优于原方案，使得配送总里程最小，且提高了顾客满意度，可应用于盒马鲜生门店末端配送的实际场景，对其他生鲜电商门店的末端配送路径的改进有一定的借鉴价值。