英语原文共 27 页
用众包驱动O2O输送系统的劳动力规划
概要：
本文提出了一种线上到线下（O2O）物流的劳动力容量规划模型系统。考虑了三种具有不同补偿方案的劳动力：内部司机，全职众包司机和兼职众包司机。我们提出成本最小化问题，考虑在传入需求的动态情况下确定最佳的劳动力能力和最佳订单分配。我们应用数据集来自O2O平台，我们的分析显示（1）容量计划优先级是兼职众包司机，其次是全职众包司机和内部司机；该订单分配优先级是反向的；（2）设定适当的最低订单保证水平并且使用单一服务模式的全职众包驱动程序可以大大减少未履行订单和总成本的比率；（3）利用兼职的灵活性的众包司机可以显著减少未履行的订单和降低总成本。此外，定制这些方案的设计进一步增强了它们的潜力。我们预计这些结果将有助于阐明成本控制，并为众包提供模型，从而提高O2O按需业务的效率。
关键词 O2O 内部司机 众包司机 劳动力规划 订单分配
1.导言
线上到线下（O2O）是一种新形式的电子商务，使客户能够在线下订单并离线接收产品/服务，尤其适用于需要立即或及时履行的服务。在典型情况下，消费者通过在线平台在中午12点从餐馆订购外卖。餐厅收到订单并开始准备食物。该平台组织送货服务，从餐厅领取订单，并在下午1:00之前送达客户。在O2O按需业务模型中，高效的物流系统是将在线流量转换为离线产品/服务的关键要素。与传统的电子商务相比，成功的O2O所需的高物流效率更难以实现。这是因为供需双方都遇到了新的挑战。 以下三个方面描述了O2O需求。
（i）消费者要求比以往更快速，即时交付。 O2O订单的提前期（从客户下订单到收到订单的时间）预计会很短，通常在一小时之内。
（ii）需求根据一天的时间大幅波动。 它通常是双峰分布，一天有两个峰。 外卖的两个高峰是午餐的上午11:00到下午1:00，晚餐的下午5:00到晚上7:00; 而杂货的高峰通常是上午10:00至中午12:00和下午3:00至下午5:00。
（iii）需求量巨大且迅速增加。 例如，2017年中国的O2O按需市场规模达到5210亿人民币，并继续以22％的速度增长。 每日订单金额正在增加，每天可能会有所不同。
人们参与众包交付的动机不同。 出现了两种类型的众包劳动力。 一名员工是全职的众包司机。他们没有其他工作和工作O2O交付，补偿是他们的主要收入。 全职众包驱动因素的工作动机主要来自货币收入。另一个是兼职众包司机，他们有自己的工作，并在业余时间接受一些订单以获得额外收入。我们现在介绍O2O劳动力容量规划问题，其中我们考虑三种类型的共存劳动力，这些劳动力具有不同的补偿方案：内部，全职众包和兼职众包驱动程序。特别是，我们研究了平台可以利用众包驱动程序根据其不同特征来满足时变需求的方式。
（i）O2O按需服务紧急，交付时间极短。如果仅使用众包驱动程序，则可能无法保证服务级别。这是因为众包驱动程序并非完全受平台控制。对于随时间变化的需求，雇佣几名内部司机的成本很高。这是因为非高峰时段的利用率可能非常低。因此，平台需要内部和众包驱动程序，并且必须决定在特定时间段内雇用的内部司机的数量。
（ii）制定了一些激励机制，以激励全职众包驱动程序继续使用该平台。首先，该平台可以为全职众包车手提供一些基本的小时费率以及基于他们服务的订单数量的一些补偿。因此，即使在服务期间没有收到任何订单分配，全职众包驱动程序也可以得到一些补偿。其次，该平台可以保证全职众包司机每天获得最少数量的订单。这些也可以激励全职众包车手参与。
（iii）与仅为一个仓库服务的内部和全职众包司机不同，兼职众包司机可以免费为多个仓库服务。 如果多个仓库中的决策是分散的，那么不同的仓库可能会竞争兼职的众包驱动程序。 有一个中央计划者在考虑所有仓库的总成本的情况下做出集中决策。 通过这种方式，可以实现在如何将不同的兼职众包驱动程序分配到不同仓库方面的全局最优化。 我们将兼职众包驱动程序的池大小视为外生的，并且不将这些驱动程序的容量规划作为决策变量。
目前主流O2O按需物流平台的容量规划实践主要取决于经验或反复试验。 这导致高物流成本并且为整个行业的发展造成瓶颈。 因此，我们的目标是考虑到需求到达的动态，建立一个成本最小化模型，以确定最佳劳动力容量和订单分配。 此外，我们对实际数据的分析为使用众包驱动程序运行O2O操作提供了可行的指导。我们应用来自中国最大的O2O平台之一的数据集，该平台专门用于餐馆外卖。 它包含两个餐厅的详细订单和送货信息。我们进行数字化实验证明模型的能力并产生管理见解。 主要结果总结如下。
（i）容量计划优先权是兼职众包司机，其次是全职众包司机和内部司机;订单分配优先级相反。
（ii）总成本随着保证最低订单水平Y0的下降而下降。但是，Y0的最小阈值YL O，低于此最低阈值，总成本保持不变。从总成本的角度来看，最优保证最小订单水平是YL O。从容量规划的角度来看，Y0显着影响了不同类型的众包容量的构成。
（iii）全职众包司机都很灵活。 O2O平台可以利用这种灵活性来优化全时众包驱动程序的工作持续时间，以解决不平衡的需求高峰。这种定制的招聘计划可以大大减少未履行的订单和总成本。
（iv）三个模型特征，即每次交付的多个订单，绕行灵活性水平（他们愿意为一个订单交付多少距离）众包，以及从多个仓库进行众包，可以显着提高匹配率。兼职众包司机，减少未履行的订单和总成本。
2文献综述
O2O按需业务一直在改变各行业的供应链实践（He等，2018; Yu等，2015; Zhao等，2016）。 与此同时，传统的电子商务和单独招聘内部驱动因素无法满足新兴的O2O按需业务模式所固有的按需，大批量和波动的订单。 因此，已经引入了诸如众包交付服务提供商之类的创新（Ballare和Lin 2018; Devari等。2017年; 李等人。2016年 米勒等人。2017年; Punel和Stathopoulos 2017）已成为O2O物流模式的主要交付模式之一。 本文有三个与本文相关的文献流：（1）当天的车辆路径问题（VRP）研究交付和按需交付，（2）按需服务平台研究，（3）交付能力规划研究。
按需服务的本质是其紧迫性。相关的研究流程是针对当日交付的VRP。一些研究侧重于使用内部驱动因素进行动态交付，其中容量与任何不确定性无关（Azi等人，2012; Klapp Belmar2016）。其他研究调查了内部和众包驱动者同日交付的情况（Archetti等人2016; Arslan等人，2018）。 Archetti等。 （2016）考虑了O2O交付系统，包括常规（内部）和偶尔（兼职众包）驱动程序。他们关注路由问题，并研究了不同补偿机制对系统交付成本的影响.Arslan等。 （2018）随着时间的推移构成了当天的交货问题窗口和优先约束问题。此外，他们调查了使用ad-hoc驱动程序（兼职众包驱动程序）的好处。最近，客户变得更加苛刻并且需要按需服务。雷耶斯等人。（2018）介绍了实现用餐订单的送餐路由问题，承诺的送达时间为40分钟。他们汇总了不同的膳食订单，捆绑了预定的路由，并确定了在每个调度期间为不同的司机分配一组订单包的方法。他们专注于通过兼职驾驶员对送餐的动态和紧迫性进行建模。但是，他们没有考虑众包或没有解决容量规划问题。
另一项研究重点是通过兼职众包驱动程序对按需服务平台进行劳动力管理。这些代理商确定他们的时间表，并可以根据他们的可用性和平台提供的补偿选择在特定时间段内参与。因此，这些研究的重点是设计激励和定价机制的方法，以便在适当的时间引导适当数量的代理商。通过这种方式，平台可以在一定程度上间接地管理其容量。例如，Taylor（2017）研究了设计激励机制的方法，以激励独立服务提供商（兼职众包驱动程序）参与按需平台。特别是，他研究了代理商独立性对平台最优价格和补偿的影响。 Cachon等人。 （2017）考虑了一个时期问题，其中池中的自我调度代理（兼职众包驱动程序）决定是否在此期间工作。他们透露，该平台可以根据不同的需求条件动态收取价格并向自动调度提供商支付工资。定价的激增可以通过引入适当数量的代理来实现平台的近乎最佳的利润。陈等人。 （2013）开发了一个基于数据挖掘的调度系统，以解决大规模和动态的本地拾取和传递问题。里克尔梅等人。 （2015）建立了一个排队理论的经济模型，以捕捉司机和乘客的激励，并研究平台的最优定价。但是，上述研究尚未直接考虑按需系统范围内的容量规划问题。
传统商业模式中的内部驱动程序的容量规划，例如传统的电子商务和离线交付，已经得到了广泛的研究。这些研究已经研究了确定每种类型车辆数量的方法以及向一组客户交付产品的相应路线，旨在最大限度地降低总物流成本（Du and Hall 1997; Kafle等人2017; Smilowitz等人。 2013）。这些研究为内部司机配备人员提供了良好的理论基础。然而，对于新兴的按需服务，单独的内部驱动程序无法满足大量和波动的需求。实践中的容量计划可以仅通过众包驱动程（Gurvich等人2016）或内部和众包驱动程序（Ge 2017; Yildiz和Savelsbergh 2018）来设计。这刺激了一些试点研究。据我们所知，只有三项研究专门针对这个问题。 Gurvich等。 （2016）认为按需服务中的操作只有自动调度驱动程序（兼职众包驱动程序）。他们构建了一个程式化的报童模式并考虑了驱动程序池大小，补偿和代理数量上限找到兼职的资源驱动程序的最佳人员配备水平。 Yildiz和Savelsbergh（2018）考虑了一个按需服务平台，包括内部和兼职的众包驱动程序。他们建立了一个排队模型来分析服务区域，服务质量和交付能力计划。重点是三个因素的相互作用以及确保系统中有足够数量的众包驱动程序的方法。
该研究在以下方面与相关文献不同。 首先，Gurvich等人（2016年）和Yildiz和Savelsbergh（2018年）开发了分析模型，以获得最佳能力计划并产生管理见解，以支持决策。 相比之下，我们提出了一个整数计划来优化容量计划，并提供一个工具来专门确定应雇用或保留的三种劳动力类型的驱动程序数量。 其次，与Zha等人不同。 （2016）考虑到出租车市场的众包司机，我们考虑用于新鲜食品交付的O2O系统，其中交货距离很短并且所有订单都来自仓库（即餐馆或杂货店）。
据我们所知，这项研究首次尝试提出一种优化模型，用于确定混合劳动力的最佳能力，即内部，全职众包和兼职众包驱动程序。 该调查结果将为O2O按需物流系统提供一些实用价值。 从业者可以（1）对不同类型的劳动力采用不同的补偿方案; （2）通过承诺适当的最低订单金额来激励他们，为全职众包车手制定定制的激励机制; （3）优化全职众包驱动程序的工作时间，以解决需求高峰的不平衡问题; （4）运用中央计划员做出决定，以避免兼职众包车手的多个仓库之间的低效竞争。
3模型
3.1符号
本文将采用以下符号：
（i）集合
C 客户的位置区域集
Cn 由一组位置区域中的仓库服务的一组客户区域的仓库
Op nct 兼职司机愿意服务的仓库和客户区域的组合，其首选是从n到c在t
T一组调度决策周期
Th中的一组调度决策周期
（ii）交付网络参数
a，b 欧几里德平面在研究区域内坐标
c 客户区
f 全职众包车手的角标记
i 内部司机的角标记
lnc 在仓库区域n和客户区域c之间的交付路径的曼哈顿距离是仓库区域
p 兼职众包司机的角标记
t 调度决策期
tnct=tau;nct/omega;
v 司机的出行速度
Y0全职众包驱动程序的平均保证最低订单水平Gamma;h最大阈值Y0最小阈值Y0劳动力容量计划范围
Gamma;h在规划期内，全职众包驱动程序的工作时间变化
tau;0一个客户的解包时间
tau;nct 在时间t，n和c之间的内部或全职司机的总交付时间
兼职司机在n和c之间的派遣周期的交付时间。
（iii）成本系数
cf内部司机的每笔订单付款
ch全职众包司机每小时固定付款
ci内部司机每个计划范围的固定付款
cp兼职众包司机的每份订单付款
cu如果无法履行，则每个订单的罚款成本。
（iv）输入数据变量
dnct在时间段t的仓库n中客户区c内的订单数量
dt nct在时间段t对仓库n的客户c的需求
MP nct愿意从n到c服务的兼职司机的数量。
（v）决定和中间变量
Mf n仓库的全职司机总数n仓库的内部司机总数n仓库n的可用全职司机数量t时刻t车库的可用内部司机数量, 内部司机在时间t的利用率在全职司机在时间t的利用率决定变量是否从c在t的顺序被分配给内部司机
xnct一个决策变量，表示将来自c的t中的顺序分配给全时驱动程序
ynct一个决策变量，表示从c到t的n中的顺序是否分配给兼职驱动程序
znct一个决策变量，表示从t到c的n中的顺序是否未实现。
3.2建模框架
我们首先假设研究区域有一个网格传输网络，让n和c分别表示仓库和客户的位置区域。 每个区域都有潜在的多个客户。 每个仓库区域n仅具有一个餐馆/杂货店，其特定服务组
资料编号：[5786]
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。
