电商物流最后一公里

电商物流“最后一公里”当前电子商务市场发展极为迅速，电商以其价格低、种类丰富和购买方便等优势迅速改变了人们的生活方式；虽然电子商务无法完全取代传统的线下消费方式，但是电子商务发展潜力巨大，同时也给电商物流带来了一系列的机会和问题。与传统物流相比，电商物流除了传统的干线运输、零担运输、城市配送和仓储业务外，还有最后一公里的配送和仓库的拆零分拣业务，而这两项业务由于其操作复杂、成本较高，是困扰电商发展的重要一个问题。一．“最后一公里”物流配送系统的发展现状1国内“最后一公里”物流配送系统的发展现状中国快递业兴起于90年代末期在20世纪，近20年来，以改善物流和物流，互联客户的需求，网，电子商务的快速发展我国快递行业飞速发展。中国有规模不等的快递公司，现在一百万，但国内的快递公司，技术落后，效率低，无法满足日益增长的消费需求服务，都市快报的重复建设，使物流整体效率低。如何提高快递行业的运作效率，在《物流业调整和振兴规划国家”被列入重点规划项目，即：做大做强快递物流业务，统一配送的城市，打破分割封锁，整合现有资源。现在我们国家的专家和学者对物流联盟的研究相对很成熟了，但是对快递联盟的研究，特别是“最后一公里”的配送联盟的研究还处在很初级的阶段，一些地区的快递行业也已经积极的探索联盟模式了，比如现在北京市的“云快递和上海市各快递公司联合构建的“快递物流超市”就是典型的物流联盟模式，并取得了很好的效果。2国外“最后一公里”物流配送系统的发展现状发达国家物流标准化现状:从重点研究物流标准系统的加拿大来看，它发展现代物流业的时间算是比较早的了，跟随着物流基础设施包括物流设备也已经建立，技术，物流和物流信息的应用程序包括一套物流标准的身体语言，但加拿大物流标准体系，也还存在好几种标准，比如国际标准、国家标准、行业标准和企业自己的标准，越分越细。国际标准是公认的国际标准，国家标准，包括标准的联邦和省政府级标准水平，由于同样的这两个标准，每一个省一级的标准是一致的可能，并逐渐转化为国际标准。行业的标准是由各行业协会所指定的，存在一些细微的差异，也正逐步趋向国家和国际标准化的转化，企业的标准是各自企业根据自己企业的需要和创新所制定的，目前受到的约束力和局限性比较厉害，各个企业也正在积极修改自己的物流体系标准，向国际标准和国家标准紧密的接轨，来减少物流装卸次数，提高物流配送的效率，减少物流配送成本。日本国家对强化物流信息应用标准和应用在日本企业对物流技术平台极为重视。差不多所有的物流企业完全是通过信息化管理系统来处理和控制物流信息的，为客户提供全方位人性化的服务。所以，日本特别重视物流信息标准化方面的建设和研究。95年，就制定了国内物流标准的信息。近几年来，物流标准信息电子数据交换更成了日本科研机构研发的重点目标。在日本，有关物流的普及和标准化，是在96年在通产省和运输在日本成立，委员会物流的EDI实现的支持。该委员会制定的海关标准的基础上，物流业，并成立了“高度物流信息化系统开发事业”通产省于98年开始实施此项计划。该计划由物流业的发展，先进的信息系统、介绍手段实现显著提高物流效率的目的，其特点是重视对物流企业，尤其是中小型信息。日本物流通过实施物流EDI标准化，不仅有利于企业信息系统之间自动进行数据接口，避免了操作失误，还大幅度的缩短了作业时间;而且实现了企业之间的无纸化沟通，减弱了运营的成本，有利于通畅和高效的供应链。欧州国家的主要做法，首先，对物流的基础设施、装备制定的基础性和通用型标准作为目的。其次，对安全和环境制定的强制性标准，比如清洁空气法、综合环境责任法等;最后支持行业协会对不同物流作业和服务，制定相关的行业标准，比如物流从业人员资格标准和考试等。二.关于电商物流配送难的问题进行分析1，电商物流配送难的原因（1）配送车辆进城难、停靠难、装卸难进城难是摆在电商物流面对的首要问题。为控制车流量，几乎所有的经济中心城市均通过发放车辆通行证的方式控制货车进城。使用通行证对部分货车限行除了降低效率之外，还滋生了部分企业通行证的寻租行为。同时有些地区实行大型车辆限时限路的通行政策，许多货车不得不选择冒险上路或绕路来达到配送的目的。（2）物流企业缺乏协同竞争理念电商物流一般均单纯采取自营和外包两种方式来进行最后一公里配送，缺乏最后一公里配送之间的资源整合和规划，往往造成成本居高不下和服务水平跟不上，而各自企业往往缺乏战略眼光，一旦有新模式大家一拥而上，造成重复投资，而服务却始终没有得到客户的认可，因此电商物流企业的协同竞争理念还有待进一步提高。三．如何解决电商最后一公里配送的物流体系（1）资源整合，共同配送共同配送这里是指多个电商或电商物流企业成立一个单独的物流服务公司来提供配送服务。电商共同配送的建设主要有三种模式。一是由几家电商企业或电商企业共同出资，成立一个新的公司，专职负责“最后一公里”配送工作，这也是日本、德国等发达国家在共同配送的运作过程中采用最多的一种模式。二是由政府或行业协会牵头，以政府出资为主体，成立共同配送公司，来完成城市“最后一公里”的配送。三是由一家或多家电商物流企业独立出资成立共同配送公司，为“最后一公里”的配送服务，由于资金、资源的协调等问题，目前这种模式比较少。对电商最后一公里实行共同配送，可以大大节省社会资源，改善城市交通状况和环境。而对企业来说，则能在很大程度上降低企业成本，共同配送是国外一种较为有效的解决方式。国内各企业由于自身都在处于较快的发展阶段，更希望整合自身的资源或将外在资源整合到自己的体系内，虽然整体上在朝着共同配送的方向发展，但是发展速度较慢。（2）配送网点规划无论是电商物流自营还是推动共同配送，配送网点的规划都是一个最为重要的问题，其选址不但影响到网点建设成本、物流服务质量，还影响到第一阶段配送的车辆数量和第一阶段配送成本。配送网点的规划适合使用集合覆盖模型，其最终目标一般是成本最小，服务质量最高。集合覆盖模型的图示如图1所示：图1集合覆盖模型示意图集合覆盖模型属于NP困难问题，一般的求解方法解决较为困难，人们更多使用智能优化算法，例如贪心算法、GA算法等，这里不做过多介绍。（3）配送车辆优化物流运输成本是物流总成本中第一大成本，降低物流运输成本的效益非常明显，而电商物流的配送分为两个层级：配送中心到快递网点的配送和配送网点到客户的最后一公里配送。配送中心到快递网点的配送和配送网点到客户的最后一公里配送均属于VRP问题（车辆路径问题）：对一系列的顾客需求点设计适当的路线,使车辆有序地通过,在满足一定的约束条件(如货物需求量、发送量、交发货时间、车辆容量限制、行驶里程限制、时间限制等)下,达到一定的优化目标(如里程最短、费用最少、时间尽量少、车队规模尽量小、车辆利用率高等)。配送网点的车辆路径问题如图2所示：图2第一及第二阶段配送VRP模型与集合覆盖模型一样，VRP问题同样属于NP困难问题，一般的求解方法解决较为困难，人们更多使用智能优化算法，例如贪心算法、GA算法等，这里同样不做过多介绍。（4）自提网点建设自提点是一种建立在电子商务发展基础上的新型业务。他是电子商务结合线下物流、电商、仓储而应运而生的一种新型的电商包裹收发模式。目前在国内这种模式已经经过多家电子商务公司和电商公司探索并将逐步完善和发展。这种新型的电商自提模式目前有四种运作模式：第一种，就是电子商务公司自营的电商自提点，运作比较成功的有京东商城，苏宁易购，天猫商城和淘宝自提联盟。第二种，就是电商公司为了收发件方便而自己运营和建立的电商自提点网络，当中要数顺丰速运的自营店和顺丰便利店最为出名。第三种，就是电子商务公司或者电商公司与便利店合作模式的电商自提点，像顺丰与七十一便利店的合作。第四种，就是基于都市连锁式私人仓储公司的电商自提点模式，这种电商自提点是私人仓储公司利用自身仓储设施和仓库优势，代理国内绝大多数电商公司的电商收发业务和代理国内主要电子商务公司的电商包裹收送业务。一般来讲，自提网点适合建立在人流量较大或居住人口较多的地区，快递量相对较少和人流量较少的地区还是适合快递员配送。（5）快递员配送目前电商物流最后一公里的配送还是以快递员为主力军。一般情况下，快递员的收入和配送的件数呈正相关关系，所以一个快递员取得快件后，他希望一次性走完所有的客户而且不希望重复走过的路，在路径最短情况下回到派送点领取下一批快件，达到每天做到最多的配送件数获取最高的收入。这属于经典的TSP问题（旅行商问题）：图3经典TSP问题目前TSP问题倾向于NP完全问题（NP-Complete或NPC）和NP难题（NP-Hard或NPH），不存在有效算法这一猜想，认为这类问题的大型实例不能用精确算法求解，必须寻求这类问题的有效的近似算法。人们更多使用智能优化算法，例如贪心算法、GA算法等，这里同样不做过多介绍。四．总结（1）目前电商物流还处于快速发展阶段，各种体系的物流运作模式都还还有定型，以上物流体系还需要不断得经过实践和时间的磨合，不断的整合已有的物流资源，提高派送质量和服务效率。电商发展的石头整体上不可逆转，未来期望有更加高效、便捷的电商物流运作模式出现，给人们带来更便捷的生活。（2）上述的最后一公里问题主要是指常温状态下的货物运输，不包括冷链产品的最后一公里运输。如果加上温度的因素以上举例的几个模型同样仍适用，不过需要添加相应条件而已。一般需要添加的因素为：收货时间窗、产品温度、车型的选择、道路的选择、配送点优先级等因素；可随实际运作情况的发生添加相应的因素得到相应的结果。（3）以上最后一公里配送的解决方案是基于静态的问题，没有到动态及突发因素的影响，因此在实际使用中会有一定的局限性，其最优结果不一定在实际中得到应用。一般来讲，配送和其他作业都可看成是离散事件，在大规模数据拟合的基础上可以得到作业的运行区间，可以使用仿真的方法来对作业进行模拟，从而得出与实际相近的结果，在优化分析时再对仿真模型进行调整，得出比数学模型更适宜实际情况的结果。