英语原文共 14 页，剩余内容已隐藏，支付完成后下载完整资料
对城市地区和城市具有启示意义的创新B2C供应链环境下最后一英里特征的成本建模与仿真
摘要
B2C环境中的最后一英里目前被视为整个物流链中更昂贵，效率最低且污染最严重的部分之一。 考虑到这些“最后一英里问题”，作者开发了最后一英里类型学和一个工具来模拟最后一英里成本，其中特定的最后一英里特征被用作独立变量。
1.简介
本文是关于B2C最后一公里物流的更广泛研究项目的最后部分。研究前一阶段的重点是对案头研究基础上最后一英里类型的详细定性分析。在第一阶段（Gevaers，Van de Voorde＆Vanelslander，2009＆2011），影响最后一英里的成本动因（“特征”）是根据平面和实地研究制定的。现阶段包括开发最后一英里成本模型，该模型能够模拟交付的每单位B2C最后一英里成本。为了开发这种成本模型，使用了来自学术文献和专家访谈的数据。首先，以下段落将介绍以前研究部分的结果摘要。以下将描述和分析使用成本计算模型的一些情景模拟的方法和结果。本文要回答的主要研究问题是：“城市地区B2C最后一英里成本特征（成本动因）造成的潜在成本影响是什么？”以及“如何模拟每个交付单位的这些成本？”换句话说，本文/研究的目的是“了解城市地区最后一英里物流特征（成本动因）内由变化（主要是经济和环境变化）造成的成本效应”。
1.1发现有关B2C最后一公里物流的前研究部分
首先，我们希望在我们的研究中定义什么被视为B2C最后一公里物流，即“商业到消费者送货服务的最后一站，即托运物品在接收方的家中或在一个收集点“（Gevaers，Van de Voorde＆Vanelslander，2009）。
表1总结了以前研究部分的主要发现。在Gevaers，Van de Voorde＆Vanelslander（2009＆2011）中，作者揭示了最后一英里的性质主要由五个基本方面决定（cfr“广义特征”）：消费者服务水平，安全性和交付类型，地理区域，市场渗透和密度程度，车辆和技术使用情况以及环境影响。对这些元素中的每一个都进行了详细阐述和分析。随后，这五个广义特征由几个相关的子特征组成。
表1. B2C最后一公里内的效率特征和子特征（来源：Gevaers，Van de Voorde＆Vanelslander，2009＆2011
如果需要接收签名，会在家庭交付中发生实质性的最后一英里问题。如果没有安排特定的交货时间，由于#39;客户不在家#39;的故障率将不可避免地高。因此，在成功交付之前，包裹可能必须呈现两次或三次。另一方面，预先安排的交付窗口将不可避免地损害路由效率。毕竟，有限的送货窗口意味着快递公司需要为相同数量的送货承担更多的里程。第二个经常遇到的问题是由于市场密度或渗透率不足，第二个经常遇到的问题是某一地区缺乏临界质量。因此，如果信使需要超过30英里才能运送单件包裹，效率将大大降低，成本大大提高。此外，消费者越来越意识到物流和运输选择对环境的影响。他们越来越多地要求物流服务提供商要求他们不断减少碳排放量。然而，多数情况下，消费者不愿意支付更多费用或等待更长时间来换取更绿色的服务。
以下部分将深入讨论用于B2C最后一英里成本模拟工具的方法。 此后，将使用此建模工具模拟一些潜在/可能的城市最后一英里后勤情景。
2.方法
2.1定义和理解“最后一公里成本”
应该强调的是，“B2C最后一公里成本”应理解为每单位交付的最后一公里物流成本。 换句话说，它是指最后一英里的“总体拥有成本”。 构成成本并不总是（全部）传递给托运人或客户/消费者。 在这篇文章中，这些成本是从包裹/产品发运的那一刻起（从托运人的最后一个DC或物流服务提供商的最后一个DC）开始计算，直到它在消费者的家中或收集点交付为止。 如果包裹/产品由客户退回（退货），则在物品退回库存之前，完全账户将被收取任何额外费用，就像它从未发货一样。 起点始终是内部标准交付成本。
2.2建筑模型
由于该部门缺乏（机密）成本数据（由于竞争激烈的市场，最后一英里市场的参与者由于保密原因不提供成本数据），因此不可能进行聚类分析或因素分析。尽管如此，通过文献和访谈获得的所有知识和数据，可以根Blauwens，De Baere和Van de Voorde（2010）的一般时间和距离运输成本函数建立物流最后一英里成本函数。
这个函数的标准布局是：TC = T x t D x d Z （1）
解释：
- TC代表总运输成本
- T代表运输的持续时间/时间
- t代表时间/小时系数
- D代表运输的距离
- d代表距离系数
- Z代表与距离和/或时间无关的额外费用
时间系数（t）需要乘以实时驱动/工作（T）以获得总运输成本的总时间成本。 为了获得总运输成本的总距离成本，距离系数（d）需要乘以被驱动的公里总量（D）。 这两个成本的总和和一些可能的额外成本（非基于时间和距离）（= Z）构成总运输成本（= TC）。 表2列出了2011年的t系数和d系数。
表2.道路运输的平均成本（2011年）（来源：根据Blauwens等人（2010年）
2.3运输成本函数适应最后一英里成本函数
首先，使用自变量（子特性）及其符号的概述可以在表3中找到
表3：使用的符号（源：自己的组合）
在查看上述符号时，并不是所有的B2C最后一英里子特征都可以在此列表中找到。 这是由于一些子特征是其他子特征的成本效应的组合。 这也将在以下段落中进行分析和讨论。
我们从标准函数（1）开始：TC = T x t D x d Z
由于供应链的最后一英里部分在大多数情况下由货车或小卡车执行，因此我们建议使用厢式货车（小货车5吨）运输系数：
例如：
t = 23.70 [假设1]和d = 0.23 [假设2]
这使得：TC = Ttimes;23,70 Dtimes;0.23 （2）
在下面的段落中，我们将逐步将基于时间和距离的传输功能扩展到B2C最后一英里成本模拟功能。 我们将主要关注可能对城市环境产生重大影响的子特征。
2.4模型开发
2.4.1停止系数[STOP]
应该直观地清楚，在路线期间可以执行的平均停站次数（或下降次数）会使TC减少停站次数。
所以这给了函数的一个扩展： TC/STOP （3）
2.4.2位系数[Q]
目标是建立一个能够模拟交付单位成本的B2C最后一英里成本模型。 结果，每个包裹的平均单位数量将TC减少了每个包裹的单位数量。
所以这给了函数的一个扩展：TC/Q （4）
2.4.3时间窗系数[w]
正如前面最后一英里部分所分析的那样，缩小时间窗口意味着路由器模式中的乒乓效应，这也意味着可以在特定时间内（例如驾驶员的工作日）递送更少的包裹。 因此，如果消费者的时间窗口缩小，每个驾驶员每天每个路线的平均交付次数将减少。 因此，时间窗系数（w）是一个系数，该系数给出关于由于效率限制而导致递送的包裹数量减少的信息。 时间窗系数是减少每条路线的STOPS线性数的系数。
所以这给了函数的一个扩展：STOP/W （5）
w可以有以下值：
- 如果没有时间窗口：w = 1
- 时间窗越窄，w越大。
在表4中，可以找到最常见的时间窗口的概述（Boyer，Prud#39;homme＆Chung，2009）。 这些系数基于Boyer，Prud#39;homme＆Chung（2009）的研究结果，它可以作为时间窗口交付的基础值。
表4：时间窗系数（来源：根据Boyer，Prud#39;homme＆Chung，2009年的自己的计算）
2.4.4逆向物流系数[r，lc，＆ht]
这个“r”系数表示如果包裹退回给托运人或物流服务提供商的DC，则成本效应。 在这个函数中，我们假设在专家访谈的基础上，最后一英里的总流量（从DC到消费者和后面）的成本意味着为了获得正确的成本指示，标准的最后一英里运输成本需要乘以 通过两个（外向和反向入境），并且必须考虑特定处理时间的额外处理成本，以检查退回的商品并将其重新存入库存。 可以说，r系数是一个虚拟变量：它的值是0或1。
所以这给了函数的一个扩展：
每个包裹/单位的成本x（1 r） （6）
在此功能中，第一部分是指出站和入站运输成本。 如果没有反向支路，则r = 0，因此只考虑出站成本。 如果出现反向支路，则r = 1。因此计算中会考虑出站和入站。 第二部分是关于检查包裹并将货物放回库存的成本。 这需要除以单位数来计算每单位/产品的正确成本。 如果没有反向支路，则r = 0，这部分计算将使整个部分为0。
2.4.5 有人与无人系数[IP]
“ip”系数基于前面提到的“第一次命中率”6。 低首次命中率意味着与平均停站次数相比，有效（成功）站的实际数量将减少。 因此，平均停止次数（STOP）需要乘以第一次命中率（ip）的百分比。 在这些函数中，这意味着STOP系数/变量需要乘以第一次命中率百分比（ip）。 ip系数是0（FTHR = 0％）和1（FTHR = 100％）之间的值。 使用收集箱自助服务终端（例如德国邮政--DHL Packstationen）的包裹数量不断增加意味着FTHR高于家庭交付。 （Weltevreden，2008）。
所以这给函数的扩展如下：STOP x ip。
2.4.6 收集点系数[cp]
在使用收集点时，这意味着每次下降的平均包裹数量增加，另一种可能性是第一次点击率增加。 因此，滴的数量需要乘以使用收集点的效果。 第一次命中率可能会有影响，但在进一步的模拟中，我们假设情况并非如此，并纳入了cp系数。 该cp系数应基于托运人或物流公司的物流数据。 一个重要的注意事项是，当仅执行收集点停止/下降时，应将ip系数设置为值1.例如：如果只执行收集点下降，且每个收集点下降点包含5个地块，则cp = 5。
所以这个函数的扩展如下：STOP x cp。
表5：收集点系数（来源：自己的组成）
2.4.7 密度和面积系数[ad]
交货地区/地区的密度（和市场渗透率）可能会对效率产生重大影响。与执行“平均停车次数”的“平均行驶距离8”相比，密度可以增加/减少实际行驶距离，因此这意味着它可以增加/减少与“平均停车次数”相比的停车次数。 因此，系数ad9给出了当驱动千米的平均量保持相同时某个区域中对停止增加/减少的数量的影响之间的关系。
在成本函数中，这给出了以下增加：STOP X ad。
在Boyer，Prud#39;homme＆Chung（2009）的基础上，我们假设系数ad的下列值。
表6.每个密度等级的假定系数（来源：根据Boyer，Prud#39;homme＆Chung，2009年的自己构图）
该表格确实意味着一个区域的密度与驾驶员在特定时间范围内可能执行的停车次数正相关。 如果收货人居住在密度大约为900人（ad = 1.35）的地区，考虑到相同数量的公里，可能的停靠站数量将增加约35％。
2.4.8汇集系数[p]
“p”系数给出了交货期间可能的集群效应。 换句话说，如果例如物流公司在特定地区一起工作，那么当保持每天驱动的公里不变时，他们可能能够集中/汇集货物并执行比平均停靠量更大的停靠/下落量 （其他条款）。 较长的交货时间也会对“p”系数产生影响。 较长的交货时间可能意味着例如需要在特定区域交付物品的两个托运人或物流公司可以将这两个交付物汇集在一条路线中。 如果这两次交货中至少有一次的交货时间很短，而另一批没有准备好发货，那么合并的可能性就不存在了。 该“p”系数应基于托运人或物流公司的物流数据。
所以这给函数的扩展如下：STOP x p。
2.4.9车型系数[v]
此外，车辆/车辆的类型可能会影响最后一英里的成本。 由于车辆/运输车的类型与驾驶成本直接相关的事实，所以与平均距离成本系数“d”相比，“v”系数可以增加/减少距离成本系数。 具体的“v”系数是平均值“d”可能增加/减少的百分比。 该“v”系数应基于托运人，物流公司，运输联合会或卡车/汽车制造商的数据。 该系数应按照表7中的描述进行解释。
所以这给函数的扩展如下：d x v或者0,13 x v
表7.车型系数（来源：自己的组成）
2.4.10 ICT系数[ict]
“ict1”系数给出了在一定区域内必须推动执行的公里/英里数量增加/减少的效果与平均停靠量之间的关系。 “ict2”系数给出了在某个区域执行平均停止量所需的增加/减少时间的影响之间的关系。 根据物流公司或托运人的数据，他们需要选择ict1或ict2中的一个，并将另一个系数设置为1。
所以
全文共6508字，剩余内容已隐藏，支付完成后下载完整资料
资料编号：[14942]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
