全球化背景下跨境电商物流模式分析及优化

陈 果 （四川外国语大学成都学院，四川 成都 611844）

0 介 绍

随着跨境电子商务的日益普及和在全球范围内的蓬勃发展，国际物流需求实现了快速增长。但传统第三方物流由于自身特点，已经无法满足快速发展需求。随着物流、全球化、跨国公司、电子商务和移动商务的发展，国际第三方物流服务在全球贸易中占据着越来越重要的地位。各种货运代理、海运代理和空运代理等服务提供商也随之出现，这类物流服务提供商中有一类是作为安排相关物流服务的物流承运人（比如联邦快递，一家市值超过400亿美元的美国跨国快递公司，以及中国第二大快递公司)；另一个类别是服务提供商，专门从事跨境电子商务转运业务（如跟踪和追踪跨境送货、清关和国际支付)。服务提供商可将从不同发货人收到的各种国际订单合并为一个满载货物，用于公路运输或空运。由此可见，其可以极大地提升整个系统的灵活性和效率。

与传统第三方不同，要求第三方服务的订单随机送达。更具挑战的情况是，到达时间和最后订单的数量都是随机的。因此，第三方物流服务供应商要及时获得有用且可靠的资料，否则估计市场需求是极为困难的。例如，第三方服务提供商无法共享电子零售商的需求信息，因为第三方服务提供商接收来自有转发需求的电子商务客户的订单，而不是电子零售商。可用于需求预测的信息仅来自第三方服务提供商本身的平台，导致难以有效、准确预测物流需求。因此，在不同的物流区域，物流设施（包括提货店、不同种类的储物柜和车辆）的容量分配对于第三方服务提供商来说是非常具有挑战性的任务：一方面，物流设施容量应足以满足各物流区域客户的需求；另一方面，应尽量减少设施数量，以降低设施维护和运行的预期成本。因此，最优物流服务能力分配作为一种运营规划功能，需要确定和分配足够的能力，以满足下一个规划周期的物流需求。因此，第三方公司需要在分销网络中实现物流服务能力的最优分配。

之前，有关电子商务分销网络的研究主要集中在“最后一公里问题”，包括网络设计、运送过程、库存位置或路径问题的优化问题。具体来说，库存位置问题是找到建立配送中心的最佳位置，以便根据提供的计划以最低的运输和库存成本向客户交付产品。文献中探讨的精确定位库存模型旨在寻找给定供应商位置下的最优数量和仓库位置。本文以服务能力分配问题为研究对象，旨在确定需求不确定的不同配送区域物流资源的最优配置量（即满足订单数量），这可以看作是库存问题与物流服务的考虑。然而有限的研究，特别是在分析（即数学）建模领域，导致服务能力分配问题的最优决策成为至关重要的成本节省运营管理。在该框架中，将不同分销区域的物流能力建模为单周期多产品报童问题，并通过实际观测得到真实的需求分布，而不是假设需求分布。

在过去的几十年里，各种理论模型和方法已经因研究和调查的需求用以预测不同领域。尽管在准确性、稳定性、运行速度、用户友好性等方面取得了令人满意的结果，但这些基于单值预测的方法无法很容易地与其他操作决策过程（如库存）集成。有时，用误差来衡量有效性更好的预测结果可能并不会导致更好的操作决策。近期，考虑“上限和下限”的预期区间方法被认为是量化需求不确定性的准确和可靠的方法。事实上，通过识别上下界之间的近似最优值，可以提高决策水平。但是该方案存在以下缺点：一是无法保证问题的全局最优解；二是确定参数以保证最优过程的性能存在困难；三是无法通过解决报童问题来提供绝对最优解，因为不能事先假定分布。为了克服这些问题，本文提出一种“基于深度学习”的需求分布量化方法。在该方法中，需求分布可以直接从历史需求观察或交易记录中获得，首先提出一种新的深度学习预测系统，以适应业务需要。随后，在不改变网络结构的情况下，基于提出的基准模型，用近期开发的一种有效方法明确不确定性信息。本文旨在解决上述研究问题，并从以下四个方面作出贡献：第一，本文是对跨境电子商务相关第三方业务最优物流能力分配问题的开拓性研究。本文将产能分配问题看作是库存问题，采用单周期多产品报童模型具有一定创新性。第二，将需求预测和库存量预测相结合，提出一种基于深度学习的一步智能优化决策方法，取代了先进行需求预测，然后进行库存量预测的两步过程。第三，借助新的深度学习预测系统，论证了需求不确定性在物流服务需求管理实时场景中的量化，这是非常重要的贡献，因为文献中的大多数定量/测量，例如区间预测，都是从一个点估计中提取特征，而不是从实际观测中提取训练/分布。第四，通过一个实例分析说明提出的基于深度学习的集成方法在处理第三方操作中的物流能力分配问题方面的有效性和稳健性，并得到一些重要发现。

1 本文涉及的研究领域文献综述

该部分简要回顾前人研究成果，并对本文研究定位进行展望。

跨境电子商务得益于信息技术的快速发展，在全球范围内变得越来越流行和兴旺。随着消费者需求的升级，零售商之间的竞争逐渐由“生产相关需求”转向“服务相关需求”（如物流）。作为满足消费者的重要标准之一，物流服务至关重要，是电子商务运营的竞争杠杆之一。国际第三方物流服务包括各种货运代理和空运代理，已成为国际物流的主要参与者。研究人员研究航空货运飞行器的固结问题，针对航空货运费用高昂的现状，探讨航空货运所面临的问题。

第三方物流服务提供商可以满足物流服务需求，这是运输物流领域的关键问题之一，仓储、配送、库存、交叉对接、逆向物流等。第三方服务提供商建立的竞争优势主要来自其有效整合相关物流服务的能力，以帮助其客户正确管理供应链系统。作为第三方物流的一种特殊形式，“第三方物流服务提供商”在管理整个渠道中起着核心作用，因此极具潜力。

商业运作中的需求预测供应链面临着需求的不确定性。显而易见，需求预测对于几乎所有的供应链系统来说都是基本但又具有挑战性的问题，包括跨境电子商务公司的供应链。先前研究表明，需求预测可以显著降低运营成本。在过去的几十年里，大量预测方法已经被开发出来并广泛用于不同领域。需求预测的一种主流方法是基于“时间序列统计预测模型”，该方法易于实现直观、快速的预测，并可以表示为封闭形式，意味着可以很容易地集成到其他决策模型（如库存问题）。然而，时间序列预测方法在需求非线性、不稳定或主要依赖于简单统计无法捕捉到的外部因素时，往往表现出不理想的性能。而另一个预测方法是机器学习，其可以考虑外部影响因素。例如，人工神经网络与改进的神经网络方法被广泛用于需求预测。尽管机器学习方法通常可以获得良好性能，但模型训练需要时间与足够的训练数据。

为了得到更准确和可靠的预测结果，有人建议采用预期预测方法，同时发展上限和下限。预测模型在交通、医疗、电力系统等工业领域得到了广泛应用，并取得了良好效果。与点预测不同，圆周率预测的目的是在一个给定的区间与一个给定的概率内捕获需求的不确定性。这种预测在决策中非常有用。需求预测在运营管理中最重要的应用之一就是帮助库存管理的决策制定。根据刘云最近一项具有影响力的研究可知，在需求不确定性下有多种主要方法来帮助建模决策，例如贝叶斯方法和数据驱动方法。本文采用数据驱动方法，所要解决的具体问题比较新，并探讨了物流中的跨境电子商务问题，这是一个探索不足的领域，有兴趣的读者可以参考刘少卿的作品了解更多细节。

2 跨境电子商务第三方订单履行系统

该部分具体介绍跨境第三方的实现过程，并描述物流服务能力分配问题的不同地区的配送网络。具体梳理跨国第三方的基本订单履行过程，指出各自履行系统中面临的挑战，并从成本角度构建提高运营效率的框架。

与传统“国内电子商务操作”相比，跨境电子商务的订单履行过程要复杂得多，通常涉及国际运输、报关和检验，这些都使物流运作面临研究挑战。作为专业的物流服务提供商，第三方物流公司是一个理想的选择，是帮助承担运输、设施安排、配送物流和“报关检查”的有效方式。近年来，跨境电子商务经历了前所未有的快速发展，为第三方物流企业提供了巨大的潜在市场。作为一种特殊的第三方物流，其在跨境电子商务物流市场，特别是中国市场，包括“入境和出境”电子商务中所占的份额越来越大。与传统的第三方物流服务提供商不同，第三方物流服务提供商接受订单的电子商务客户从不同的网上商店，甚至不同平台购买产品。然后，其将各种产品打包成一个包装送到客户手中。在客户端，这是极其方便且节省成本的方式。在供应链方面，把来自不同零售商的同一客户的不同国际订单合并为“一个包裹”，可极大地提升运作效率。图1具体说明了第三方的订单完成过程。与传统第三方相比，第三方实现的主要特点是订单随机到达，最后订单到达时间和待打包订单数量都是未知的。因此，操作决策过程是具有挑战性的第三方系统。

图1 第三方的订单完成过程

在目前的仓库管理中，仓库被设计成实现各种功能，包括快速的单元装载操作，高效、响应迅速和灵活的订单履行操作。第三方订单履行过程从在线接收订单开始，最后通过“接货点”或“送货上门”将订单分发到客户手中。传统的第三方服务能够根据电子零售商共享的信息来安排订单履行过程，而第三方服务提供商在仓库运营和配送计划方面面临着严峻挑战，因为在线订单具有高度波动性和随机性。根据客户包装要求和订单交货要求，对第三方仓储操作实施规模化和定制化管理。仓储操作包括两个主要任务，即布局优化和操作效率提高。布局优化是指在订单的接收、储存、包装、拣取和装运过程中，优化空间利用和设备利用。而提高运营效率的目的则是在订单处理过程中加强客户服务。然而，由于客户上次订货时间和数量的不确定性，第三方公司在仓库运营管理中普遍面临巨大挑战。在布局规划中，由于包装单的随机到达，给空间需求的估计和布局布置带来一定困难。根据小定律，难以确定平均所需空间。最后一批包装订单的随机到达导致等待包装的先前到达订单不可预测库存时间。因此，仓库操作人员都难以合理安排库存的接收、储存。

在电子商务“订单履行过程”中，分销网络中的分配问题是将包裹发送到消费者手中的最后也是效率最低的阶段。如何以经济合理的方式提高这一阶段的效率通常被称为“物流最后一公里问题”。因其是整个物流过程中最昂贵的部分，已经有许多人对其进行了研究。该过程中的关键因素是在网络的不同地理位置采购足够的最低价格证书，以便以较低的预期成本满足不稳定的需求。对于第三方公司来说，通过平衡需求满意度和成本节约来确定最优产能实际上非常具有挑战性。

高度不稳定的需求主要是因为未知时间和金额的最后一个订单到达。需求的不确定性导致在庞大的分销网络中不同商店之间的订单数量是不平衡的，繁忙地区的商店可能面临大量进货订单，而休闲地区的商店可能面临非常小的订单量。

租金昂贵的“提货（在）店”是分发包裹给客户所采用的传统和最普遍的方式。然而，在市中心，商店租金非常昂贵。“包裹柜”是一种常用解决方案，使“最后一公里”实现低成本的送货上门和运输运营。包裹寄存柜是指一组寄存柜，通常放置在不同公寓的街区，甚至在交通站附近，如地铁站。在某些情况下，储物柜有电子设备支持的锁，可以提供给不同消费者。从第三方公司角度来看，包裹寄存处是很有前途的设施，可以通过减少车辆数量、降低经营提货店租赁业务成本、雇佣送货员来解决“最后一公里的物流问题”。然而，从包裹寄存处收取包裹的接受程度与从家到包裹寄存处的距离密切相关。文献中表明，从包裹储物柜领取包裹而不是在家等待的顾客的百分比随着距离的增加而减少。因此，对于第三方公司来说，物流网络的效率提高，通过使用“包裹储物柜”代替“提货店”，将以失去那些不同意出差提货的潜在客户为代价。因此，对于第三方公司来说，通过考虑不确定性需求和运营成本来决定有多少商店运营（和关闭），有多少包裹储物柜网站开放，以及在每个物流区域分配的物流服务能力的最佳数量是具有挑战性的。

基于深度学习的集成解决方案，本文研究的问题是在给定物流区域中确定最优的集成库（换句话说，“哪个”和“多少”不同的仓库应该从许多仓库候选者中建立）。物流配送中心由多个仓库组成，如提货仓库、接待箱、包裹储物柜等，假定这些仓库能够满足每个地区的物流需求。因此，在第三方分销网络中分配方案的目的是在每个地区的运行能力分配和不确定的市场需求之间寻求更好的平衡，以便最大限度降低预期成本。在传统的报童模型中，假定需求是一个库存问题，并将其建模为报童问题遵循一定分布，如正态分布，均值和方差根据最新信息予以更新（如果遵循贝叶斯方法）。报童问题通常通过“两步过程”来解决：第一步，估计需求分布（例如，基于统计学或高级深度学习模型）；然后在第二步通过求解“临界分数解”来优化最优订货量，这种两步求解方法的重要缺点是第一步的错误将导致优化步骤中的问题。为克服这一缺陷，使需求模型更容易“标准化”，创新提出一种基于经验风险最小化和核权重优化的单步解决方案。并认为所提出的方法比最佳实践基准方法表现得更好。根据求解方法，本文提出一个一步决策过程来解决分配问题，其中最优数量由深度学习算法确定，而不需要先找到需求分布。

3 分析模型

方案分配模式：

下文给出用于开发最优模型的符号和数学表达式。假设第三方物流公司希望在物流服务需求不确定的情况下，通过在一个订单周期内的最小化预期成本来做出物流服务采购决策。

在“一阶损失函数”捕获预期短缺；其补充表示期末的预期库存产品的数量。在这个期望成本函数的基础上，注意到最优水平的确定只是一个期望成本最小化的问题。在期望成本函数严格凸的情况下，利用经典报童问题的标准一阶条件可以求解与“最优报童数量”等价的最优问题。

代表分位函数。

4 结论和评论

随着O2O（Online to Offline，即在线离线/线上到线下）的普及，商业运营已经进入电子商务时代。本文从物流服务能力的重要性出发，重点分析相关的物流服务能力分配问题。具体而言，本文导出的问题可以看作是一个单周期多产品报童模型。将库存优化与需求预测相结合，提出一种基于深度学习的一步优化决策方法。借助新的深度学习预测系统，将需求不确定性在从端到端的物流服务需求管理中实时量化。为应付物流服务需求管理在高度不确定环境下所面临的挑战，本文提出一套基于深度学习的综合方法，以支援物流服务分配的决策。基于seq2seq的预测体系结构集成了网络，能够对物流服务需求变化时的系统动力学和依赖关系进行建模（如表1）。所提出的方案不仅可以生成点预测结果，还可以通过动态分布对需求的不确定性进行量化（如表2），从而对物流服务能力进行最优决策。

表1 预测结果采用不同的方法

表2 总承包和每日平均成本以及节约成本的百分比

为了对该方法进行评估，本文在两个任务中将其与一号模型和二号模型两个模型进行计算比较：点预测；最优方案分配。分析是基于一个跨国电子商务第三方公司的数据集，选择经典的统计预测方法一号模型作为基准方法，因为其可以生成需求分布，用于一步求解报童模型的最优解。与一号模型方法不同，最近流行的基于机器学习的二号模型方法首先预测点预测区间，然后在区间内搜索最优方案，结果清楚表明，本文提出的方法在所有3个地区的点预测中都优于一号模型和二号模型方法。所提出的系统使得一号模型和二号模型的点预报精度分别提高了至少19.32%和14.77%。在此模型基础上，进一步探讨跨境电子商务第三方业务运营的方案分配问题。计算结果表明，使用所提出的最佳方案数量可以在所有区域获得比一号模型和二号模型低的成本。此外，研究更好的预测结果是否产生更好的方案决策非常有趣。从结果来看，二号模型在所有区域的性能都优于一号模型。然而，二号模型的方案成本总是高于一号模型。

在点预报方面，实验结果表明，所提出的模型是一种有效方法，在3个地区的预报中均取得了优于一号模型和二号模型的预报效果；

在预测方面，基于优化的方法二号模型优于基于统计的集成方法和基于深度学习的集成方法模型。该方法可以得到合理的聚合度，并且可以得到较窄的聚合度范围；

在最优决策方面，基于深度学习的集成方法优于基于统计的集成方法。这主要是因为其能够利用深度学习技术的优势来捕捉它的变化；

在优化决策方面，基于深度学习的集成方法优于基于优化的方法二号模型。这主要是因为它可以量化整个需求数据集的不确定性。

一个较好的预测结果无法保证一个较好的方案决策。基于优化的方法获得了更好的预测结果，但其方案分配的决策结果较差。解释这一现象的原因是，基于两步优化的方法无法保证在所有情况下都能得到全局最优解，而基于一步优化的方法可以从训练数据中提取特征而不是从点估计中提取特征。

在需求满足和成本节约方面，本文提出智能决策过程来解决最优方案分配的问题。在该过程中，需求不确定性可以通过实时信息量化。

基于客户的位置信息（如GIS数据），公司能够根据它提供的最优方案分配机制对物流资源进行最优分配；

考虑到物流资源包括固定组件（例如提货仓和快递员）和灵活组件（例如车辆和自选储物柜），第三方物流公司可以更新物流资源规划的灵活组件，以最小化运作成本；

在长远规划方面，第三方公司可进一步利用拟议它的架构优势，根据规划需要调整预测步长（例如每周和每月）；

物流资源规划可以事先确定，以最大限度降低整体运营成本。近年来，人工智能的兴起实际上是深度学习发展的结果。考虑到提出的方法是基于深度学习，学术界和企业都可以通过Python或其他合适的工具轻松方便地应用这种方法。