物流方案设计大赛(大连海事大学(编辑修改稿)

物流方案设计大赛(大连海事大学(编辑修改稿)内容摘要：

作为最大的分公司，又于装瓶厂有一定的距离， SC1 的长途运输模式具有典型性。 （ 4） M6 其下的 SC1 面向该省最大的消费市场，其在订单管理、运输配送、仓储等环节中暴露了一些典型性问题，对其物流网络的设计有一定的推广作用。 同时，位处沿海大型城市的 SC1，在推广新的物流理念和信息系统方面具有可操作性和可实验性。 下图是本案的研究中心， A\B\C 三区，该三区位于该市的南部。 图 A\B\C三区 A 区 面积 49 平方千米，人口 70 万。 B 区 面积 43 平方千米，人口 41 万。 C 区 面积 26 平方千米，人口 34 万。 按照物流资源的分类，整个物流网络的设计过程分为两大块： 1. 库存设计 2. 运输 /配送模式的设计。 其中运输 /配送模式的设计作为本方案的重点解决的问题 C 公司区域物流网络模式设计 —— 以 M6 装瓶厂之 SC1 为例 15 库存设计 （ 1） 库存量的确定 C 公司作为一家饮料企业，其共有三类产品，市场对于各产品有着不同的要求。 同时，随着市场竞争的加剧，为了增强自身的竞争能力，不断的满足客户的要求，也需要努力缩短交货周期。 只有维 持适当的库存，充分发挥库存的缓冲作用，才能满足以上的需求。 充分发挥库存的缓冲作用，提高服务水平。 同时，也不能设置过高的库存，否则库存成本将非常的高。 在确定库存时，我们采用了 ABC 分类法的思想。 参照“巴雷特法则”（ Pareto’ s Law）即“（ 80/20 rule），按销售量来进行分类 [1]。 分类结果： A 类产品：占销量总量的 80%左右，或短期内需求较大的促销产品； B 类产品：占销量总量的 15%左右； C 类产品：占销量总量的 5%左右。 定出 A， B， C 分类后，就可以按每个不同企业的特有运转模 式，制定策略。 按照每月的预测销量，根据预测，计算出区域仓库需要存储的产品数量。 这些在仓库中储存的产品为“库存量”。 库存量的计算公式为： W=S/D*t （ ） （ W库存量； S当月配送的预测销量； D当月天数； t产品覆盖天数）。 S 和 D 的数据经过计算可得，其中最大的影响因素便为 t。 产品计划库存覆盖天数，就是为库存水平以日销量来计算，可以满足的销售天数。 按照未来的预期销量进行库存 的前期储备，即利用存货来协调作业，以有效的支持顾客服务的需求。 但是大批量的存货关乎庞大的成本和利息，因此必须确定适当的库存水平，尤其是作为快速消费品的饮料行业，产品流量大、周转快，对库存管理的要求也相应提高。 举例来说，如果库存天数为 7，即说明库存可以满足 7 天的销售。 这种以“产品计划库存覆盖天数”来计量安全库存的方法，是不同于一个固定数值作为安全库存的方法。 为在激烈的市场竞争中保持优势。 所以，对于不同重要性的产品，跟采用 ABC 管理方法一致，可以分别设立其自己的“产品计划库存覆盖天数”，这种控制库存的办法实际 16 上 就是一种“巴雷特法则”，又称“ 80/20 规则” (80/20rule)。 按照这个原则，通过库存覆盖天数可以分别设置不同重要性的产品的安全库存。 对于地区仓库来说，由于不是装瓶厂的总仓，安全库存量不能设置的太高，是因为一个装瓶厂的区域仓库不下十个，我们更强调把安全库存放在总仓，以便于机动地应付每一个仓库的随时的需求。 所以，我们在设置区域仓库的安全库存时，要尽量的设置低一些，如对于一般 A 类、 B 类产品来说，可以设置 2 一 3 天的安全库存，对于 C 类产品，可以设置 一周左右 的安全库存。 但同时，安全库存又不能设置的太低。 如果设置 太低的话，如 C 类产品设置 1 天的安全库存，就会造成几乎每一天的补货需求 (即转仓运输 )，但这样物流成本就会高的很多，显然不是一个好的设置。 所以，在设置区域仓库的安全库存时，既不能太高，以免造成库存积压和仓库面积租用过多，这些都是造成仓储费用提高。 但又不能太低，以免造成频繁的转仓补货，造成运输费用提高。 这两部分费用都是物流费用的一部分，也就是说，如果安全库存设置不当，物流费用就会提高。 [2] （ 2） 计算成品所需库存面积 计算原理 :通过预测的销量和产品码放的规则，来计算出需要的仓库面积。 公式 : A=W/C/L （ ） 其中， A 一成品所占仓库面积 W— 库存量 C 一每托盘堆放箱数 L 一托盘堆放层数 在这里，托盘面积为 1M2，托盘堆放层数为 1 层。 （ 3） 估算其他产品所需占用仓库面积 一个区域仓库不仅仅要存放产品，而且还会有其他非产品的存储。 根据仓库的实际情况，估算非产品所需面积。 估算的依据是要考虑预测时间段内的市场活动涉及的市场物品、冷饮设备以及管理需要的其他辅料、包装物及其他办公劳保物品等的数量。 C 公司区域物流网络模式设计 —— 以 M6 装瓶厂之 SC1 为例 17 如果该仓库较大 ，我们一般取 70%的仓库利用率。 运输 /配送模式的设计 运输 /配送模式的设计的目 的，是 在 保证 满足客户服务需求、完成预测销量的前提下，尽可能的节省物流成本，提高自 有车 的车辆利用率。 需要确定每一步的配销过程采用下列 物流模式 中的其中一种 ： A 自建物流自营运作：即由自有车完成全部的送货 B 第三方物流外包运作：将送货全部外包给专业的物流公司 C 自建物流为主，外租车辆为辅：以自有车辆送货为主，外租车辆送货为辅 所谓配销过程是指在运输送货全过程中，可以分为 几个 不同的 分过程： 图 物 流的三种配销过程 从上图我们可以得出 C 公司 在 该 省各地区的配销过程主要有 以下 3 种配销过程： （ 1） 转仓：从装瓶厂仓库发货到各营业所的仓库 18 （ 2） 直送货：从装瓶厂直接发货到各营业所 所辖地区 的 经销商 （ 3） 市内配送：从当地营业所仓库发货到当地的分销商 其中，转仓和直送货一起被称为长途运输。 本方案中，长途运输 是指产品从装瓶厂仓库向各地区分公司或营业所 的仓库调拨的过程。 C 公司下属的 M6 装瓶厂地处 Z 省省会 南部地区，负责整个 Z 省 的市场销售。 SC1 至 Z 省省会 的装瓶厂 300 公里，从 M6 装瓶厂走高速公路可直达 SC1 的仓库。 图 从装瓶厂至 SC1的路线 市内配送是指从当地营业所仓库发货到当地的分销商。 SC1 每天每次的送货里程为30 公里，一天可以配送两次。 本模型具体的设计步骤和计算方法见“ 运输 /配送模式设计”一节。 算法说明 线性回归 线性回归分析是在一个因变量与一个或者多个自变量之间建立相关关系的预测模型。 我们运用相关性以及自变量未来值的知识信息，预测因变量的未来值。 在简单线性回归分析中，只有一个自变量。 本案中我们采用的自变量是气温，因变量是销售量。 表 列出了变量、变量 定义和简单线性回归分析公式。 模型公式是 Y=a+bX。 表 变量、变量定义和简单线性回归分析公式 C 公司区域物流网络模式设计 —— 以 M6 装瓶厂之 SC1 为例 19 x=自变量值 Y位于趋势线的 y的值 Y=a+bx X位于趋势线的 x的值 r=相关系数 2r =相关强度 y=因变量值 n=观察数 a=纵轴截距 b=回归线斜率 y =因变量的平均值 a=      222)( xxn xyxyx （ ） Y=a+bX （ ） b=     22 )( xxn yxxyn （ ） r=      ])(][)([ 2222 yynxxnyxxyn （ ） 求得常量以后，将 X的 未来值代入线性回归方程就可以得到 Y 的未来值。 [4] 马尔可夫决策 一次转移概率是指系统又状态 i（ i=1， 2，„„， n）经过一次转移达到状态 j（ j=1，2，„„， n）的概率，设 ijP。 系统全部一次转移概率的集合所组成的矩阵就称为一次转移概率矩阵，设为 P（ 1） [ 5]，则有 表 转移概率矩阵 P（ 1） P（ 1） = ijP =nnn2n12n2221n11211PPPPPPPPP 20 k次转移概率是指系统又状态 i（ i=1， 2，„„ ， n）经过 k次转移达到状态 j（ j=1， 2，„„，n）的概率，设 ）（ kijP。 表 K次转移后的矩阵 P(k)= ）（ kijP = k[P(1)] =knnn2n12n2221n11211PPPPPPPPP 所谓的状态概率就是指系统在某一时期处在某一状态的概率。 设初始状态为 S0,则之后一个时间段的状态 S1=S0*P 由此可知，之后 k 个时间段的状态为 Sk=S0* kP 在本案中， 我们通过去年同月的 P矩阵和今年某一天的状态来对后面几天的销售量进行预测。 Dijkstra 算法 Dijkstra 的基本思想是从 sv 出发，逐步地向外探寻最短路。 执行的过程中与每个点对应，记录下一个数（称为这个点的标号），它或者表示从 sv 到该点的最短路的权（称为 P 标号），或者是从 sv 到该点的最短路的权的上界（称为 T 标号），方法的每一步是去修改 T 标号并且把某一个具 T标号的点改变为 具 P 标号的点，从而使 D中具 P标号的顶点数多一个，这样，至多经过 p1步就可以求出从 sv 到各点的最短路 [6]。 节约法 节约法的目标是使所有车辆的行驶总里程最短，并且服务的车辆数最小。 1. 首先假设每个站点都有一辆虚拟的卡车提供服务，随后返回仓库； 2. 将两个站点合并到同一线路上，缩短了路线里程，减少了一辆车； C 公司区域物流网络模式设计 —— 以 M6 装瓶厂之 SC1 为例 21 图 节约法 节约的里程为 dOA+ dAO + dOB + dBO –( dOA + dAB + dBO)= dAO + dOB– dAB 22 第 3 章 区域物流网络方案 （以 M6 下 SC1 为例） 本方案设计的对象为 M6 下 SC1， SC1 的基本情况介绍见本文“ 区域物流网络模型”一节。 设计的主要内容包括需求预测、库存设计、运输配送模式设计以及物流信息系统的设计。 需求 预测 C 公司现存在 库存数据的时效性和准确性差导致 Damp。 OP 项目预测精度不高。 为了解决该问题， 在 2020 年 预测中，我们使用了马尔可夫法和一元线性回归相结合的 预测 手段。 我们以 11 月份 16 号的销量预测为例，在 2020 年 11 月销量预测中，假设已知该月1 日 — 15 日的日销量。 其他月 份可以依照 11 月 16 日的预测方法进行。 马尔可夫 法 ： 通过 统计 2020 年 SC1 地区的日销售量 （见附录一），对其进行 数据分析 （见附录二） ，利用马尔可夫法，对每日的数据进行了处理。 以下是对 2020 年 11 月份该地区销量进行的数据分析 ： 首先对每日的数据进行统计，并根据数值高低分为以下五类： 表 2020年 11月该地区日销售量分类统计 评价系数 A B C D E 区间 〉 12999 1000012999 70009999 40006999 3999 个数 3 5 12 8 2 以下是求得的 2020 年 11 月 马尔可夫 P 矩阵： 表 马尔可夫法求得的该地区 2020年 11月日销量 P矩阵 11P = C 公司区域物流网络模式设计 —— 以 M6 装瓶厂之 SC1 为例 23 假设已知 2020 的销量为 6234。 则 根据 2020 年 11 月的评价系数表相关数据分析可得 15 日该天 的状态 S0= 01000 . 利用 Matlab 软件，根据 马尔可夫法预测的 16 日的状态 S1，并再次利用去年同月的P 矩阵。 公式为： S1=S0*P （ ） 图 利用 Matlab软件 求出的 16日状态 根据 上图得到： S1=| 0 0 |。