考虑外协服务的零售双渠道两级配送优化研究

葛显龙，杜倩倩，梁永宏

1.重庆交通大学 经济与管理学院，重庆 400074

2.重庆交通大学 智能物流网络重庆市重点实验室，重庆 400074

随着网络信息和移动通信技术的快速发展，线上购物与社区团购正悄无声息地融入到居民生活中。越来越多的大型零售企业开始向双渠道转型，抢占线上市场，比如永辉生活、重百优选等。但线上订单分布零散且不具备规模性带来的高昂配送成本给企业盈利提出了新的挑战。“共享经济”的快速发展，利用社会闲置资源提供有效服务创造了有利条件。沃尔玛、亚马逊等大型零售企业已开始尝试吸引社会闲置物流资源为其提供协作服务以解决“最后一公里”配送问题，此解决方案简称为“众包”。这一方案的提出，使得零售企业的线上需求与线下闲置的物流资源耦合成为可能。因此，合理有效地将线下闲置物流资源与线上订单配送业务相结合对零售企业的末端配送问题具有积极的引导意义。

两级物流配送是当前双渠道背景下城市配送的常见模式之一。目前，关于双渠道两级配送的研究主要聚焦在路径规划和中转站选择等问题上。在两级配送车辆路径规划方面，Grangier 等[1]针对中转站不具有存储能力的情况，建立了考虑中转站容量同步的两级车辆配送模型。Li等[2]从中转站同步约束、多车型约束和上下级车辆的时间窗约束三方面综合考虑了带取送货的两级车辆配送问题。Mühlbauer 等[3]在中转站利用小型集装箱进行装卸货，并考虑由货运自行车进行第二阶段的配送。葛显龙等[4-5]根据客户历史数据动态前摄性客户需求，为中转站上下级车辆配额与补货做出预测。Enthoven 等[6]针对客户末端配送多样化的需求，允许客户在配送第二阶段选择送货上门或自行前往中转站进行取货。

两级配送网络的关键在于合理利用中转站进行上下级配送车辆的衔接以及合理规划配送车辆路线。在中转站选址方面，李海君等[7]以城镇生活垃圾中转站为例，建立了城镇中转站分布优化模型并确定了中转站位置以及收纳量。裴利奇等[8]在中转站需求不确定的情况下，建立了以时效和总成本为目标的整数规划模型，并运用NSGA-Ⅱ方法对模型进行求解。马艳芳等[9]将客户按重要性分为重要客户和普通客户两类，建立考虑客户分类的两级容量有限车辆路径优化模型，采用两阶段启发式算法进行求解。付朝晖等[10]考虑客户服务关系变化与客户需求的异质性情况，设计一种共享客户需求、配送车辆与物流中心的共享物流模式，以总成本最小为目标构建多物流中心共同配送的车辆路径规划模型，并设计一种改进蚁群算法进行求解。胡丹丹等[11]考虑了中转站拥塞时的设施容量和流量分配问题。

使用外协服务完成“最后一公里”配送，为双渠道两级配送问题研究带来新的视角。国内外学者的研究重点多在于外协服务的使用规则和补偿机制。使用规则指的是选用何种人群作为“众包”协作运输，现研究主要分为两类。一类是众包有明确的旅行目的地，在到达目的地的途中协助运输包裹。例如，Archetti等[12]和Dayarian等[13]利用到店进行购物的顾客协助零售商店配送线上客户的订单。Binetti 等[14]利用骑自行车的人在其原计划的旅行途中帮助邮局进行快递包裹的配送。Devari等[15]通过邻居作为众包协助配送同社区的包裹。另一类则是众包为满足送货需求，专程前往运输包裹，而并非沿途经过。Kafle 等[16]和Huang 等[17]将社区附近的行人和骑自行车的人视为众包，众包将自行前往中转站进行取货并完成后续配送。汪章月[18]以外卖为例，将外卖骑手前往取餐视为众包前往取货。补偿机制主要指采用何种方式给协作者支付补偿费用。Alnaggar 等[19]对众包行业的补偿机制进行分析，指出三种主要的补偿方式，分别为距离补偿、包裹补偿和自行商议补偿。Archetti 等[12]和Behrend 等[20]根据客户的绕行距离来确定补偿方案。Gdowska 等[21]根据配送距离和包裹的大小对众包进行补偿。Kafle 等[16]和Huang 等[17]采用线上投标的方式，客户与众包双向选择订单以及补偿费用。戴权[22]从经济性和时效性考虑，使用收益管理理论来对潜在的众包承运人收益进行定价。Qi 等[23]提出工资响应模型，指出只有当众包司机所获补偿到达其期望值时，司机才愿意参加送货服务。基于此，在双渠道两级配送中使用外协服务，将进一步优化企业配送投入成本。

以上文献分析了众包配送与两级配送网络的研究现状，众包配送的文献多为一对多模式配送，即一个配送中心匹配多个客户点，较少考虑多个配送中心匹配多个客户点的情况。而两级配送网络的研究多考虑使用企业自身不同车型的车辆来完成全部的配送，使用外部车辆协助进行配送的研究较少。综合来看，目前鲜有文献从众包运输与两级网络联合配送视角出发研究零售企业线上订单配送问题。基于此，将社会闲置物流资源视为协作车辆，引入两级配送网络，分别建立了以容量为约束的中转站选择模型和以配送总成本最小为目标的两级配送路径优化模型。根据问题以及模型特征设计了多阶段算法进行求解。根据重庆某零售企业的实际数据对算法进行验证，实验结果验证了模型的有效性。最后对影响外协服务成本参数进行灵敏度分析。

1 问题描述

本文所考虑的是一种同时开展线上线下双渠道销售且具有自营配送的大型零售企业，如大型连锁超市（下文以超市为例），超市的自营车辆只针对线上订单进行配送。由于线上订单具有零散性、时效性以及分布范围广等特征，使得配送成本一直居高不下。为此，将社会闲置物流资源与线上订单配送业务进行融合，提出考虑外协服务的零售双渠道的两级配送模式，即由超市自营车辆进行一级路线的配送，协作车辆进行二级路线的配送。自营车辆是超市为应对线上订单的配送，自行出资准备的配送车辆。协作车辆是指活跃在众包配送平台并处于空闲可用的社会物流资源，他们愿意通过平台与超市建立配送关系，利用空闲时间协助超市进行送货服务以获得补偿。

自营车辆在配送过程中，只能在客户点停靠。当自营车辆在客户点进行停靠时，可将自营车辆视为临时的中转站，等待协作车辆前来进行取货。本文所提及的中转站均为由自营车辆停靠客户点时临时搭建的中转站。因此，在某个确定的服务区域内，依照线上客户的地理位置分布可利用临时中转站将整个配送网络划分成两级配送网络。由一个大型零售超市、多个中转站和若干客户构成的两级配送网络可用无向图G=(K,A)表示。节点集合K由超市O和客户N组成，即K=O∪N。其中，中转站u′以客户点u的位置作为候选，即u′∪u=N且u′∩u=∅。中转站u′的集合为NI，其余客户点的集合为NB。弧(u,v)∈A的行驶时间为tuv，行驶距离为duv。协作车辆的集合为B，自营车辆集合为M。在网络中的所有节点将由自营车辆m∈M，或协作车辆b∈B进行配送。在一级配送网络中，使用自营车辆m从超市直接对中转站u′进行服务且仅服务一次。在二级配送网络中，使用协作车辆b从中转站直接服务客户点u，协作车辆可根据自身意愿进行多次交付但每个协作车辆只能取货一次。

每个线上客户u∈N具有给定的需求qu，配送时间窗(eu,lu)。为自营车辆在时刻到达中转站u′∈N的惩罚成本，为协作车辆在时刻到达客户u∈N的时间惩罚成本。假设时间窗惩罚成本与早到或晚到的时间长度成正比，早到与晚到的惩罚系数分别为P1和P2。协作车辆在一次取货过程中可根据意愿进行多次交付，所有交付完成后可自行离去，自营车辆服务完所有中转站后需返回超市。为保证配送的效率与稳定性，协作车辆b∈B到达中转站的时间需不晚于自营车辆m∈M到达中转站的时间。具体的情况如图1所示。

图1 两级配送路径示意图Fig.1 Two level distribution route diagram

2 数学模型

2.1 问题假设

根据问题描述，进行如下假设：

假设1自营车辆和协作车辆均以恒定速度h行驶。

假设2客户的需求必须满足，且每个客户点只能被服务一次。

假设3协作车辆等待仅且只能在中转站进行取货，取货时间忽略不计。

假设4参照文献[17]中对于协作车辆配送订单的设置，同时综合考虑到协作车辆的配距离较短以及协作车辆对于多次交付的意愿较高等情况。因此，在满足容量约束的情况下，假设协作车辆最多可一次性交付3个订单。

假设5协作车辆在接收协作订单时表明其协作意愿以及愿意一次性进行几次交付。

假设6协作车辆在进行一次性交付时所配送的订单总需求量小于协作车辆单车的总容量。

假设7协作车辆必须在自营车辆到达中转站之后开始配送。

2.2 符号说明

本文所研究的考虑外协的两级配送路径优化模型已知参数如下：

B表示协作车辆集合；M为配送自营车辆集合；U表示无穷大的数；duv表示客户点uv之间的距离；表示自营车辆从客户点u行驶到v的时间；为协作车辆从u到v的时间；表示支付给众包b的补偿；(eu,lu)表示客户点u的服务时间窗，表示自营车辆到达中转站u′的时间；表示协作车辆到达客户u的时间；P1为提前到达的等待成本，P2为延迟到达的惩罚成本；协作车辆的行驶距离；表示车辆到达客户u的时间；tu′表示车辆离开客户u的时间；Q为自营车辆的最大装载量；Qm表示车辆离开配送中心时的载重量；ξub表示协作车辆能够交付的最大客户数；C表示自营车辆的固定使用费用；Cb表示交付一个订单时支付给协作车辆的补偿。h表示车辆的行驶速度。

2.3 中转站选择规则

在传统的车辆路径配送问题中，零售企业使用自营车辆与客户直接对接，然而，在网络化外协服务配送下，自营车辆可以在不同中转站进行停靠，扩大零售企业的辐射范围，等待协作车辆前来取货，减少了自营车辆的运输成本。因此，自营车辆将如何选择最优的中转站是零售企业资源共享与全局优化的关键。

自营车辆在确定中转站时，将受到多种因素的限制。如，中转站的作业容量、中转站的覆盖范围、中转站附近的客户数量等。零售企业在综合考虑这些因素的基础上，以客户点位置作为中转站位置候选，并采用集合覆盖模型来确定中转站，模型具体可表示为：

qv为客户点v的需求量；cu为中转站u的容量限制；duv为客户点v到中转站u的距离。R表示中转站的服务半径，即服务覆盖范围。xu，yuv为0-1 变量。公式（1）为目标函数，最小化中转站的数量，中转站越少，车辆等待的时间以及车辆总的行驶时间也会越少；公式（2）表示中转站覆盖范围内的所有客户点的需求量之和不能超过中转站的容量限制，包括中转站客户自身的需求量；公式（3）表示中转站覆盖范围内任意客户点均不可超过距离限制。公式（4）和公式（5）为0-1变量。

2.4 建立数学模型

通过集合覆盖模型确定中转站后，自营车辆路径问题则转化为带时间窗的车辆路径问题（VRPTW）。而协作车辆路径问题则为开放式的带容量约束的车辆路径问题（O-CVRP），因为协作车辆配送完成后，可自行离去，无需返回中转站。由此建立了以最小化配送总成本为目标函数的数学模型。

公式（6）为最小化配送成本，其中包括了自营车辆成本、协作车辆成本以及时间窗惩罚成本。

（1）自营车辆路线约束

公式（7）为自营车辆数的流量平衡；公式（8）表示离开超市的车辆数等于返回超市的车辆数；公式（9）～（11）表示每个需求点只能由自营车辆或协作车辆来提供服务，且每个客户点只能被服务一次；公式（12）表示每辆自营车辆的载重量之和与所有客户的需求量之和相等；公式（13）表示自营车辆的装载量不得超过最大装载量；公式（14）表示由自营车辆服务的客户数不超过总的客户数；公式（15）为自营车辆违反时间窗的惩罚成本；公式（16）为自营车辆行驶时间约束；公式（17）为客户u、v之间的时间约束。

（2）协作车辆路线约束

公式（18）表示一个协作车辆最多可一次性服务3 个客户；公式（19）为支付给协作车辆的酬金计算方式，ηb表示协作车辆进行多次交付的补偿系数，n表示交付次数。公式（20）表示每个协作车辆只能前往一个中转站进行取货。公式（21）表示若协作车辆配送多个客户，需保证协作车辆的流量守恒。公式（22）表示协作车辆的配送必须在自营车辆到达后才可继续。公式（23）表示协作车辆违反时间窗的惩罚成本。

（3）决策变量

公式（24）表示当自营车辆在路段(u,v) 上行驶时，=1，反之为0；公式（25）表示当客户点u由自营车辆m进行配送时，=1，否则为0；公式（26）表示当客户点u由协作车辆b来配送时，=1，反之为0；公式（27）表示当协作车辆b在中转站u′进行取货时，=1，反之为0；公式（28）表示当协作车辆b从客户点u到客户点为v时，=1，反之为0。公式（29）表示当自营车辆服务完成后返回车厂时，xom=1，反之为0。

3 算法设计

由于配送网络为两级结构，一级配送网络是以自营车辆为主的路径规划模型，二级配送网络是以协作车辆为主的路径规划模型。现针对模型特点，将算法设计分为三个部分。首先，根据客户需求量以及位置分布对集合覆盖模型进行求解，确定中转站位置。其次，采用混合遗传算子的模拟退火算法对一级配送网络中的车辆行驶路径进行求解。最后，针对协作车辆可进行多次交付的特点，设计了考虑节约成本的协作客户订单合并算法来求解二级配送网络中协作车辆的行驶路径。

3.1 设计中转站选择算法

对于两级配送网络而言，中转站的选择会直接关系到最终的求解结果。为了确保解的质量，将根据一级配送网络和二级配送网络的求解结果来调整中转站的最终选择，具体求解步骤如下：

步骤1首先在不设定容量约束和覆盖范围的条件下生成初始中转站选择点。

步骤2对初始中转站进行容量约束，在满足容量约束的条件下，尽可能地减少中转站的数量。当一个客户与多个中转站同时对应时，将该客户匹配给距离其最近的中转站。

步骤3对步骤2中的中转站进行覆盖范围约束，若覆盖范围内所收集的订单未超出容量约束，则进行输出；若超出了容量约束，则返回步骤2。

步骤4中转点初步确定后，根据输出结果计算一级和二级配送网络的求解结果，若最终求解结果优于预设值，则直接输出。反之，重新返回步骤1。

3.2 设计模拟退火算法

中转站选择完毕后，一级配送网络则简化为了带时间窗的车辆路径问题。在此设计了一种带混合遗传算子的模拟退火算法进行求解，模拟退火算法鲁棒性强，适合并行处理，结合遗传算子能够提高算法全局搜索能力和收敛速率。

3.2.1 生成初始解

步骤1对于覆盖范围内有协作客户点的中转站，其需求量变为覆盖范围内所有客户点需求量之和。覆盖范围无协作客户点，则其需求量为其本身需求量。针对自营车辆行驶路线，首先使用节约里程算法来求解不考虑容量约束条件下的初始解。

步骤2对车辆容量进行约束，若路线中的客户总需求超出自营车辆容量约束，根据客户总需求与车辆容量的比值对路线进行拆分；

步骤3由步骤2中得出自营车辆行驶路线，根据路线判断到达客户点的时间是否符合时间窗约束。将符合的路线进行输出，形成初始路线。

3.2.2 设计遗传算子

选择算子：采用的是具有排名的轮盘赌算子。

交叉算子：采用两点交叉方式，随机选择两条染色体作为父代，在父代染色体基因中随机设置两个交叉点；交换两条染色体在所设定的两个交叉点之间的部分基因。

变异算子：随机选择一条染色体上的一个变异位置，若变异位置基于非0，则随机生成新基因将原有基因进行替换。否则，重新选择变异位置。

3.2.3 设计模拟退火扰动算子

模拟退火算法中采用随机扰动算子，其步骤如下：

步骤1产生新状态sj=Genete(s)。

步骤2if min{1,exp[-(C(sj)-C(s))]}≥random[0,1)s=sj。

步骤3min{1,exp(-ΔC/t)} 作为状态函数接受准则。

3.3 设计订单合并算法

步骤1首先生成从中转站到其覆盖的每个协作客户点的路径弧(u,v)，将其视为初始协作车辆路径。

步骤2计算中转站与每个协作客户之间的节约成本Cb，将节约成本按照从大到小的顺序排列。节约成本指的是将两条路线合并之后可以节省的成本，在此以行驶时间进行计算，χ为时间成本系数。

步骤3根据排序后的节约成本Cb，选择一对节点v-k。尝试将包含节点v和k的两条协作车辆路线合并。如果合并路线后的行驶距离要小于原行驶路线的∂倍，∂的取值参照Archetti[12]的设置，则创建一条新的路径luvk，从中转站u处开始替换原有的两条路线。如果节点v，k本身属于同一条路径，则跳过合并。在一条路线中，最多可以合并3个客户节点。

根据兰州新区的地理、气候及人文特点，色彩规划要考虑多种元素，如：城市环境、人文等，在实践中要做好现代城市的发展规划，形成自然与城市色彩的和谐、统一。根据色彩三层定色控制原则，在掌握好整体的基础上进行合理控制及引导，细分处理，达到个性与和谐相统一的视觉效果。兰州新区位于兰州北部秦王川盆地，年平均气温在6.9℃，年平均降水量约在220mm，但年均蒸发量可多达2000mm左右，有150d左右的无霜期，土壤色彩为黄色，绿色植物比较少。核心区平均海拔约2000米。在整体色彩规划设计过程中，根据兰州新区的地理、气候及人文特点，色彩设计应该受到一些限制。

步骤4重新执行步骤3，直到所有可合并的节点对都被选择完毕为止，合并的订单顺序即为协作车辆的配送路线。

4 算例分析与仿真

4.1 实例分析

以重庆市沙坪坝区某零售超市以及周边44个小区作为实例，表1为每个客户点的时间窗要求，图2为客户点在百度地图中的实际位置分布。

表1 客户点时间窗Table 1 Customer’s time window

图2 客户位置分布图Fig.2 Customer location map

其中超市为D0，根据集中覆盖模型计算出的中转站分别为客户点C3，C7，C9，C15，C20，C27，C28，C29，C31，C32，C36，C37，C43。其中，中转站与协作客户的匹配情况以及协作车辆的配送订单顺序，如表2所示。

表2 协作车辆配送情况Table 2 Collaborative vehicle distribution

其中“—”表示该中转站没有需要协作配送的客户点，如中转站C7和C28，自营车辆只需满足中转站的订单要求即可，且该中转站无需协作车辆前往进行配送。

为了验证在实际情况中，使用外协服务对成本节约的情况，进行如下实验。参照文献[12]中对于补偿系数的设置，本文在补偿系数ηb=1.3，最大交付次数为n=3的情况下进行测算，同时假设自营车辆的固定使用成本为200 元，自营车辆的单位行驶成本为5 元/km，协作车辆的单位补偿成本为5元/km。自营车辆的最大装载量为100 件。自营车辆与协作车辆违反时间窗的惩罚成本均为2 元/h。自营车辆与协作车辆的行驶速度均为30 km/h。在此参数假设下，对实例进行10 次测算。测算平均结果如表3所示。

表3 配送效果分析Table 3 Distribution effect analysis

从上述结果可知，使用协作车辆的两级配送模式相较于无协作车辆配送而言，配送总成本有所降低，且在降低车辆行驶里程和总的配送时间方面具有较大优势。在一次完整的配送过程中，使用协作车辆的两级配送可减少自营车辆28.86 km的行驶距离，且总的行驶时间也缩短了38.65%，这是由于自营车辆的直接服务客户减少间接导致行驶里程和配送时间缩短。此外，每辆自营车辆的平均配送时长从原来的2.546 h 减少到1.562 h。可见，使用协作车辆的两级配送可在一定程度上加大自营车辆的利用率，提高超市整体的配送效率。

未使用协作车辆的配送方式，其规划路线如表4所示。将表2 中通过集合覆盖模型选出的中转站沿用原编号，其需求量将变为自身需求量与覆盖区域客户点的需求量之和。通过使用混合遗传算子的模拟退火算法对其进行求解，求解结果如表5 所示。将求解结果带入到百度地图中得到车辆的实时配送路线图，如图3所示。

表4 未使用外协服务的自营车辆路线Table 4 Routes of self-owned vehicles that do not use outsourced services

表5 使用外协服务的自营车辆路线Table 5 Self-owned vehicle routes using outsourced services

图3 使用协作车辆配送路线图Fig.3 Delivery routes using cooperative vehicles

由表4和表5可知，使用外协车辆时，超市的配送车辆数没有减少，这是由于从超市发出的总的客户需求量没有改变。由图3 可以看出，使用协作车辆进行配送时，减少了自营车辆在偏远地区的客户配送。但由于车辆的装载量限制，在同一条道路中存在多个需求点时，一辆车难以完成配送，需增加车辆。因此，会存在部分自营车辆路线重叠的情况。

4.2 算例仿真

表6 算例测试结果Table 6 Results of example test

由测算结果可知，采用协作方式进行运输，最多能节约1 245.01 元，平均配送总成本节约了742.88 元，平均成本节约百分比为11.46%，一定程度上达到了降本增效的效果，验证了算法的有效性。

为了进一步验证算法的有效性，将混合遗传算子的模拟退火算法分别与遗传算法和模拟退火算法进行比较，以4.1 节中的44 个客户节点为例，分别在不考虑协作车辆和考虑协作车辆的情况下进行验证，得到的结果如表7所示。

表7 算法性能测试结果Table 7 Performance test results of algorithm

在未考虑协作车辆进行配送时，3 种算法均使用了5辆自营车辆来完成44个客户点的配送。其中，混合模拟退火算法得到的平均解比遗传算法和模拟退火算法分别节约了4.73%和2.60%。在考虑协作车辆时，3种算法均使用5 辆自营车辆访问了13 个中转点，完成了44个客户点的配送任务。此时混合模拟退火算法取得的平均解依然优于其余两种算法，分别到达了5.12%和2.86%的节约。由此可得，本文设计的算法在寻优能力上优于遗传算法与模拟退火算法。

4.3 灵敏度分析

针对外协服务的特点，对影响配送成本的关键因素进行灵敏度分析。在此，其他因素条件保持不变，选取协作车辆报酬和自营车辆单位行驶成本来衡量外协服务的适用程度。

4.3.1 协作车辆报酬分析

协作车辆报酬是整体配送成本的重要组成部分。在其他条件不变的情况下，设置7种不同程度的报酬水平以评估其对配送总成本的影响程度。并用成本节约率ϕ来表示使用协作车辆所带来的成本效益，具体结果如图4、图5所示。

图4 协作车辆报酬灵敏度分析Fig.4 Sensitivity analysis of cooperative vehicle reward

图5 协作车辆成本节约率Fig.5 Cost saving rate of cooperative vehicles

成本节约率的公式表示为：

其中，Cun表示未使用协作车辆的总成本；Cco表示使用协作车辆的总成本。通过调整支付给协作车辆补偿费用的比例，从图4 可以看出，当支付给协作车辆的补偿费用在原基础上增加40%时，使用外协服务与不使用外协服务的配送总成本持平。继续增大协作车辆的补偿费用，不考虑外协服务配送将具有更高的成本效益。从图5可知当支付给协作车辆的补偿成本减少50%时，使用协作车辆的成本节约率可达到11%左右，但随着协作车辆补偿成本的增高，成本节约率越小，甚至为负。

4.3.2 单位行驶成本分析

自营车辆的单位行驶成本也是影响配送总成本的关键因素。在不同的单位行驶成本下，分别对有无协作车辆进行配送的总成本进行分析，具体结果如图6、图7所示。

图6 单位行驶成本的灵敏度分析Fig.6 Sensitivity analysis of unit driving cost

图7 单位行驶成本节约率Fig.7 Saving rate of unit driving cost

以1元为单位间隔，分别计算了自营车辆单位行驶成本为2～10元时对配送总成本的影响。从图6可知，当自营车辆的单位行驶成本在3.7 元左右时，使用外协服务与不使用外协服务的配送总成本持平。当单位行驶成本高于3.7 元时，使用外协服务进行配送将具有更高的成本效益。图7 可知使用外协服务的成本节约率与自营车辆的单位行驶成本呈正相关。即自营车辆的单位运营成本越高，使用外协服务进行配送的成本节约率越高。

5 结束语

针对双渠道零售企业的线上订单配送问题，利用社会闲置物流资源作为协作车辆，引入多次交付概念并构建两级配送网络。建立以容量为约束的中转站选择模型和以配送总成本最小为目标的两级配送优化模型。并根据模型特征设计了多阶段算法进行求解。求解结果表明在两级配送网络中使用协作车辆可大幅增加自营车辆的使用率，提高整体的配送效率，实现降本增效。最后，根据外协服务的特点，对影响配送总成本的因素进行灵敏度分析，结果表明支付给协作车辆的报酬越低、自营车辆的单位行驶成本越高时，使用协作车辆进行配送的效益越明显。

由于信息获取难度及大数据技术发展，在后续研究中，可以考虑中转站位于非客户节点以及动态预测中转站位置的情况。