公路整车货物运输车货匹配探讨

导语：公路整车货物运输车货匹配探讨一文来源于网友上传，不代表本站观点，若需要原创文章可咨询客服老师，欢迎参考。

[摘要]货车司机找货难、货主找车难、货车空驶率高、货车运输资源闲置等问题是造成我国公路物流运输成本居高不下的重要因素。为提高车货匹配效率，降低物流运输成本，对公路整车型货物运输的车货匹配问题进行研究，提出了一种双边匹配决策方法。首先，从现实公路货物运输中提炼了整车型车货匹配问题，给出了考虑货源属性、货车属性、货主和货车司机偏好等信息的车货匹配问题数学描述。然后，构建了适应现实车货匹配需求的车货匹配指标体系。在此基础上，以货主和货车司机满意度最大为优化目标构建了双目标优化模型，并采用基于隶属函数的加权和方法将其转化为单目标优化模型。最后，通过从互联网货运中介平台上采集到的车源和货源数据验证了所提方法的实用性和有效性。

[关键词]公路运输；整车运输；车货匹配；双边匹配；优化模型

货物运输业在国民经济中占有举足轻重的地位，是支撑国民经济发展的基础性和战略性产业。伴随着我国经济的健康、持续快速发展以及公路交通网络的不断完善，特别是高速公路通车里程的大幅度增加，我国公路货物运输业也取得了长足的发展。在我国公路货物运输业的发展过程中，由于公路货物运输市场的参与主体多、物流企业规模小、货车司机和货主地域分散、信息不对称等因素，长期以来一直存在着货车和货源得不到高效整合与匹配的问题，具体体现在货车司机找货源难、货主找货车难、货车空驶率高、车辆资源闲置等方面，并由此导致公路物流运输成本高、物流运输效率低下、大量物流资源浪费等[1-2]。车货匹配问题已经成为制约我国公路货物运输业快速发展的重要因素，是当前公路货物运输业亟需解决的关键问题，已引起国家的高度重视。在2014年国务院印发的《物流业发展中长期规划(2014-2020)》中明确提出，鼓励龙头物流企业搭建面向中小物流企业的物流信息平台，促进货源、车源和物流服务等信息的高效匹配，有效降低货车空驶率。2015年国务院又在《国务院关于积极推进“互联网+”行动的指导意见》中强调，发挥互联网信息集聚优势，聚合各类物流信息资源，鼓励骨干物流企业和第三方机构搭建面向社会的物流信息服务平台。2016年国家发展改革委为深入贯彻落实《国务院关于积极推进“互联网+”行动的指导意见》，印发了《“互联网+”高效物流实施意见》，并将“发展公路港等物流信息平台，整合线下物流资源，打造线上线下联动公路港网络，促进车货高效匹配”作为实施“互联网+”高效物流的一项主要任务[3-4]。因此，如何为货车快速找到货源，为货源快速找到合适的货车，实现车货的合理有效匹配，提高车货匹配效率，减少货车司机的等待时间，降低货车空驶率，降低运输成本，对于促进我国公路货物运输业的健康发展具有重要的现实意义。

1研究现状分析

目前关于公路货物运输车货匹配的研究主要包括车货匹配理论、平台和匹配方法的研究。Janssen和Verbraeck通过实证研究发现，当涉及多个货车司机和多个货主时，货车司机和货主更倾向于采用双边匹配机制，若由电子中介来运作交通运输市场将是最有效的方式。此外，他们还从货车司机和货主的角度采用基于agent模拟的方法，对交通运输市场中基于互联网的电子匹配机制和传统匹配机制进行了比较分析，研究表明电子匹配机制能够降低交易时间和交易成本，并且货车司机和货主都倾向于采用实时的电子匹配机制进行车货匹配[5]。Bǎdicǎ等提出了一个基于agent的货物中介系统，描述了multi-agent系统的架构及交互协议，在该系统中货运中介的角色是协调顾客与运输资源提供者之间的管理，为顾客找到可用的货车[6]。陈动福以货车帮平台为例，研究得出车货精准匹配效率可通过高效的数据处理、打破信息壁垒、完善信用体系等方面得到提高[7]。Silver将最优化技术在货运中介行业中进行了实际应用，并提出了向多个运输公司提供最佳的货车货运投标、优化零担型货运以及货物与货车之间的优化匹配三个工具[8]。Kim，等研究了基于配货中介的车货匹配问题，建立了以送货人利润最大为目标，以运载量和时间窗为约束条件的优化匹配模型，采用拉格朗日松弛方法将模型分解为一个问题和多个子问题，利用次梯度优化技术求解模型[9]。Zhang和Wang针对分布式物流中心的货车负载匹配优化问题，建立了包含8个指标的评价体系，并提出了基于灰色定权聚类模型的货车负载匹配优化选择方法[10]。Bǎdicǎ，等讨论了基于和约束的货运陈述式建模问题，该模型可用于货物从货源地运输到目的地的车辆分配，并且一辆车可以为运输路线上的多个客户提供服务，此外，该模型被映射到Eclipse约束逻辑编程系统，这样就可以采用可用的约束求解器自动计算最佳调度[11]。王蓓蓓，等针对具有不确定信息的车货匹配决策问题，利用灰色绝对关联度来测度匹配主体的满意度，构建了相应的多目标灰色双边匹配模型[12]。郭静妮构建了车源方和货源方的多指标语言评价体系，通过三角模糊数将语言信息进行量化，进而提出了模糊群决策方法[13]。胡觉亮，等针对公路干线货运平台车货匹配效率低下、匹配成功率不高等问题，提出了平台利用信用评价体系筛选高信用车主的匹配调度新模式，并建立了以最小匹配成本为目标的一对多车货匹配调度模型[14]。朱江洪，等为了解决车货匹配双方以不确定语言评价表征属性信息的最优匹配问题，利用WULBM算子集成多属性不确定语言关联信息以综合不确定语言信息，构建了体现公平性和满意度尽可能高的匹配优化模型[15]。杨滨舟，等以匹配主体需求为导向建立车货匹配指标体系，采用直觉模糊集来量化双方的满意度，并构建了优化模型[16]。上述相关学者的研究表明双边匹配机制在解决公路货物运输车货匹配问题中的重要性，如可以提高交易效率、降低交易成本等。此外，目前虽有部分学者对车货匹配问题进行了研究，给出了车源和货源的筛选方法或优化匹配方法。但已有的研究大多仅仅考虑了车源和货源的基本属性，对于同时考虑货主和货车司机双方偏好的研究还很缺乏，并且已有研究所考虑的车货匹配属性与现实情形不太相符。基于此，本文对同时考虑货源属性、货车属性、货主偏好和货车司机偏好的双边匹配问题进行了研究。

2整车型车货匹配问题描述

本文考虑的是公路货物运输中需要整辆汽车运输一批托运货物的整车型车货匹配问题。从双边匹配的角度来看，整车型车货匹配问题是一个一对一双边匹配问题，即一批货源需要一辆运输车辆来运输，一辆运输车辆一次只能运输一批货物。设货源的集合为C={C1,C2⋯,Cm},其中Ci为第i批货源，i=1,2,...,m;T={T1,T2⋯,Tn},其中Tj为第j辆货车，j=1,2,...,n。货源Ci的属性信息有车型要求Cci、车长要求Cli、货物重量Cwi、货物体积Cvi、货物发货地Csi、货物到达地Cdi、装货时间Cti等，i=1,2,...,m。其中，车型要求Cci是一个语言信息构成的集合，如Cci={厢式，高栏}；车长要求Cli、货物重量Cwi和货物体积Cvi都是数值型信息，货物发货地Csi和货物到达地Cdi是由城市地名形成的语言型信息，如北京、上海、南京等；装货时间Cti是时间型数据，如2020-10-12。本文所构建的货源匹配指标信息见表1。货车Tj属性信息包括车型Tcj、车长Tlj、车辆载重Twj、载货体积Tvj、车辆出发地Tsj、车辆到达地Tdj、车辆截止装货时间Ttj等，j=1,2,...,n。其中，车型Tcj是语言信息，车长Tlj、车重Twj和体积Tvj都是数值型信息，车辆出发地Tsj和车辆到达地Tdj都是语言型信息，货车最迟装货时间Ttj是时间型信息。本文所构建的车源匹配指标信息见表2。由于货源和货主是一一对应的，本文中Ci不仅表示第i批货源，也表示第i个货主，i=1,2,...,m；类似地，Tj不仅表示第j辆货车，也表示第j个货车司机，j=1,2,...,n。货主Ci通过驾驶经验、信誉度、运输时间等指标对货车司机Tj进行总体评价后给出一个1-10之间的打分α(i,j)。货车司机Tj根据货源的类型、运输价格等指标对货源Ci进行总体评价后给出一个1-10之间的打分β(i,j)。本文根据货源Ci的基本属性（Cci，Cli，Cwi，Cvi，Csi，Cdi，Cti）和货车的基本属性（Tcj，Tlj，Twj，Tvj，Tsj，Tdj，Ttj），以及货主打分α(i,j)、货车司机打分β(i,j)，通过一种有效的双边匹配决策方法，实现货源和货车的最优匹配，从而提高车货匹配效率。

3车货匹配决策方法

3.1优化模型构建设

xij为0-1型决策变量，xij=1表示货源Ci与货车Tj形成匹配，否则xij=0。由此建立以货主和货车司机双方满意度最大为优化目标的双边匹配优化模型。式（1）-式（10）构成了整车型车货匹配的优化模型，其中，式（1）、式（2）为目标函数，分别表示货主和货车司机的满意度最大；式（3）和式（4）是车货匹配数量约束，式（3）表示一批货源最多只能由一辆货车运输，式（4）表示一辆货车最多只能运输一批货源；式（5）-式（9）是车源和货源属性匹配约束，式（5）表示货源所需的车型长度不能超过货车实际的长度，式（6）表示货源的重量不能超过货车载重，式（7）表示货源的体积不能超过货车载货体积，式（8）表示货源的出发地和到达地必须与货车运输路线的出发地和到达地相同，式（9）表示货车的车型必须是货源要求的某种车型。

3.2模型求解

模型式（1）-式（10）是一个双目标0-1型整数规划问题。本文采用基于隶属函数的加权和方法将其转化为单目标问题进行求解[17]。首先，定义两个目标函数的隶属函数如下：整车型车货匹配优化模型式（1）-式（10）通过隶属函数加权和方法转化为单目标优化模型式（13），式（3）-式（10）。货运中介可根据匹配时段内货源和车源数量动态选择单目标优化模型的求解方法，当货源和车源数量较少时，可采用优化软件包如Lingo、Cplex等进行求解，如果货源和车源规模较大时，则可设计智能优化算法如遗传算法、蚁群算法等进行求解，以提高求解效率。

4算例分析

国内某货运中介依托移动互联网、大数据和人工智能技术，为货车司机和货主搭建了“方便、快捷、可信”的移动互联网货运平台，致力于为公路运输物流行业提供高效的货运服务。货运平台通过共享模式整合社会运力资源，为车主找货、货主找车，提供全面的信息资源及车货匹配交易服务。货运平台根据车源和货源的数量可以动态确定匹配时间间隔，假设在某时间内的货源信息和车源信息，分别见表3、表4。货运平台通过数据挖掘方式来获取货主与货车司机的偏好与兴趣，获得的货主和货车司机打分见表5和表6。在此基础上，可以构建整车型车货匹配优化模型式（1）-式（10），进而采用Lingo12.0可以计算得到单独考虑目标函数Z1和Z2时的目标函数值Zmax1=80，Zmin1=45，Zmax2=65，Zmin2=47。为保证货主和货车司机匹配的公平性，货运平台通常将满意度协调系数w1,w2设置为w1=w2=0.5。通过求解单目标优化模型式（13）、式（3）-式（10）获得的最优匹配方案为：x11=x26=x37=x48=x59=x64=x73=x85=x92=1，即货源C1由货车司机T1运输，货源C2由货车司机T6运输，货源C3由货车司机T7运输，货源C4由货车司机T8运输，货源C5由货车司机T9运输，货源C6由货车司机T4运输，货源C7由货车司机T3运输，货源C8由货车司机T5运输，货源C9由货车司机T2运输。

5结语

公路货物运输行业中货车司机找货难、货主找车难的问题是长期以来制约我国物流行业发展的一大难题。本文针对整车型车货匹配问题，构建了基于现实车货匹配需求的车货匹配指标体系，并提出了一种基于双边匹配理论的车货匹配优化方法。该方法综合考虑了货源属性、货车属性、货主和货车司机偏好等四方面的信息，并将其融入车货匹配优化模型。本文所提决策方法弥补了已有车货匹配研究大多仅仅考虑货源和货车属性信息的不足，为解决现实车货匹配问题提供了一种理论指导。本文仅仅研究了整车型车货匹配问题，未来尚需对零担型车货匹配问题进行探索。此外，如何将大数据技术与双边匹配理论结合应用于车货匹配问题也是具有重要理论和现实价值的研究课题。

作者：孔德财 刘鹭 霍晋元 单位：淮阴工学院管理工程学院 江苏省智能工厂工程研究中心