智慧物流运营管理：综述及未来研究

原文引用：Bo FENG (冯博), Qiwen YE (叶绮文). Operations management of smart logistics: A literature review and future research. Frontiers of Engineering Management, 2021, 8(3): 344‒355. https://doi.org/10.1007/s42524-021-0156-2
作者单位：苏州大学，华南师范大学

1、引言

由于商品经济的快速发展，物流在供应链运营中变得越来越重要。2019年，全球物流总额达6.6万亿美元，增长9.1%。其中，受中国经济快速发展的需求所推动，亚太地区拥有最大的物流市场份额。然而，零售和电子商务的蓬勃发展也给全球物流业带来了挑战。例如，2020年3月，全球物流包裹数量达到4360万件，同比增长8.7%，其中60.75%的包裹来自中国。在物流总额激增的压力下，2019年中国物流成本为14.1万亿元，比2018年增长6%。同时，高额的物流支出也伴随着资源利用率低的问题。据报道，中国物流业的物流空置率为12.6%，仓库闲置率为15%，物流劳动力缺口为20%。

与世界范围内的情况类似，“智慧物流”时代的来临促进了物流服务的能力和效率。通过大力推广射频识别设备（RFID）标签、区块链、大数据分析、人工智能（AI）、无人机等新兴智能信息技术，物流行业正致力于实现物流自动化、可视化、可追溯和物流过程的智能决策（Barreto et al., 2017; Liu et al., 2018）。例如，物流公司UPS近年已投资10亿美元用于开发物流技术，特别是专注于无人机交付领域。电子商务巨头之一的亚马逊以77.5亿美元收购了机器人制造商Kiva Systems，用于建立自己的智慧物流系统。在中国市场，开发智慧物流系统已成为阿里巴巴、顺丰、京东等中国主要物流及电子商务企业的首要战略。

智慧物流的发展也得到了各国政府的大力支持，陆续出台了如表1所示的各类促进政策与专项项目。其中，发达国家，如美国、英国和法国，更加重视智慧物流的基础设施建设，除了推进多式联运的实施（如欧洲的跨欧洲运输网络计划），信息基础设施和公共信息平台的建设也引起了各国政府的关注。例如，美国交通统计局进行了商品流向调查，并将数据应用于城市交通走廊的规划；与IBM、AT&T、Cisco等信息技术企业建立联盟，共同开发信息化平台，实现物流信息化。德国政府与知名物流企业建立了物流联盟，重点发展物流园区之间的信息网络。在中国，政府出台了一系列产业层面的战略规划，涵盖相关技术研发（R&D）、专项资金、行业标准等方面。这些举措都证明了各国推进智慧物流建设的决心。

智慧物流虽然是物流变革的必然趋势，但总体仍处于起步阶段。技术不成熟、实施成本高、功能模块不规范、缺乏通用的运营框架是智慧物流发展的主要障碍。这些问题也引起了学术界的关注。工程、物流、运输、管理等领域的学者主要关注底层技术的研发应用、业务逻辑和运营框架、相关管理系统、以及智慧物流情景下的特定优化问题（Chu et al., 2018; Sarkar et al., 2018; Sarkar et al. al., 2019; Ma et al., 2020）。相关研究旨在推动智慧物流发展、提高物流运营效率，进一步满足经济发展与行业变革的需要（Yang et al., 2018; Feng et al., 2019）。在下文中，本研究将回顾智慧物流的相关文献，并结合现代物流实践分析未来的研究方向。

2、智慧物流的发展历程

2.1 智慧物流

智慧物流，也被称为“智能物流”或“物流4.0”，来自于IBM提出的“智能物流系统”的概念。目前，智慧物流还没有统一的定义，它通常被认为是一种利用智能技术对物流活动进行更为智能和高效的规划，管理和控制的新方式（Zhang, 2015; Barreto et al., 2017; He, 2017）。如图1所示，智慧物流所应用的技术，如物联网、大数据分析和人工智能技术，使得其具有区别于传统物流的四个特点。

（1）智能化：智能技术，如人工智能，自动化技术、信息和通信技术等，将应用于整个物流过程，以提高物流运营的自动化水平，实现一般物流管理问题的智能化决策。

（2）柔性化：由于智慧物流能够进行更准确的需求预测，更好的库存优化和更高效的运输路线规划，使得其具更快的反应速度和更高的运作灵活性，增强其对未知问题的解决能力，从而提高了顾客满意度。

（3）物流整合：通过物联网和信息通讯技术，实现了物流过程中各主体之间的信息共享，相关业务流程能够进行集中管理，从而加强不同流程之间的协调性。

（4）自组织：实时监控和智能决策使物流系统能够在没有人为干预的情况下运行，从提高物流运作的效率。

2.2 智慧物流的发展阶段

智慧物流是利用物联网和智能信息技术，实现对物流全过程的实时监测、全方位控制、智能优化和自动化，以进行物流价值链整合和延伸的一种新模式。根据相关技术成熟度和物流运作模式的不同，智慧物流可分为四个发展阶段。

智慧物流的第一阶段关注各个物流功能的智能化，如运输路线优化、仓库选址、基于智能算法的设施规划和实时数据驱动预测。沃尔玛和Codelong Technologies共同开发的零售AI生鲜系统就是第一阶段的典型案例之一。在这个案例中，中国沃尔玛所有门店的商品实时数据都是通过货架扫描机器人和RFID技术收集。该系统具备弱监督的属性，能够自动识别各类商品，即使是存放在包装袋里的商品。有了这个智能系统，沃尔玛的补货、分拣和库存监控等功能变得越来越智能和自动化。

智慧物流的第二阶段强调整个物流运作过程的智能化。跨流程的资源分配对于实现每个物流职能的最大协同至关重要。因此，在此阶段需要对每个物流过程进行实时监控，并进行与集成智能系统相协调的管理模式创新。其中，全球自主移动机器人（AMR）企业Geek+与上海西门子共同开发的“智能工厂”属于这一阶段的典型案例。在工厂中，大部分操作都是由物流机器人和人工智能调度系统完成。该系统实现了从收货、质检、入库到仓库搬运、出库收集、生产线进料的全天候自动化操作。正如预测的那样，该智能工厂的库存效率提高了2.5倍，出库效率提高2.15倍，存储面积减少50%。

智慧物流第三阶段旨在从供应链的角度实现物流过程的全面优化。这一阶段的智慧物流通过创新与新兴技术和运营模式相适应的新型业务流程、管理体系和综合物流平台，在供应链参与者之间获得更有效和高效的协作。这一阶段的智能物流应用于一些大型跨国制造企业，如业务范围涵盖大部分供应链环节的西门子和海尔。其中，海尔互联工厂实现了所有运作职能、海尔与供应商、分销商、客户之间的数字化连接，从设备、控制、车间、企业、协同五个层次构建了管理架构，加强了供应链伙伴之间的互联互通和信息共享。

智慧物流的第四阶段尝试以智能技术和创新协作模式实现跨供应链的物流整合。在这一阶段，并行的同质和异质供应链之间的资源配置优化成为物流管理的主要任务。在中国，阿里巴巴、京东等电商巨头纷纷启动智慧物流项目，大力投资自动化和智能化技术，并规划建设具备冷链网络、B2B协同物流网络、众包网络和跨境网络的城市物流枢纽。

2.3 智慧物流的研究分类

为了促进智慧物流的发展，管理领域的学者对其进行了两个方向的研究。第一个方向是赋能技术应用的研究，主要对应智慧物流的第一、二阶段（见图2）。根据Porter and Heppelmann (2014) 的讨论，智能物流具有四个渐进的功能，包括监控、控制、优化和自动化。为了实现上述四大功能的智能化和提高整个物流过程的灵活性，这一方向的研究主要探索了应用人工智能、物联网和信息通讯等新兴物流技术的情景与方法（(Lee et al., 2018; Sarkar et al., 2019）。第二个研究方向则是基于海量数据的物流优化问题研究，致力于实现物流过程的整合和自组织。智慧物流能够提供全面的实时数据支持，使得传统的优化模型难以匹配新的物流情景，导致优化效率下降。因此，学者们开始关注新数据环境下的路径、调度、规划和网络等方面的优化问题（Li et al., 2019b; Wang et al., 2020）。

3、智慧物流的运营管理研究

人工智能、物联网、信息通讯技术的发展和应用，赋予了物流行业实时追踪、智能优化、自动化运作等新属性和新功能。这些新特性从根本上颠覆了物流运营模式和管理框架，受到了学术界和工业界的关注。本小节主要对智慧物流中的新运营管理问题研究进行梳理分析，为未来的研究提供思路，为产业发展提供理论指导。

3.1 智能技术对智慧物流的影响研究

本小节回顾了新兴技术对智慧物流影响的研究，相关研究主要侧重于实现物流功能智能化的途径。

首先，智能监控的实现是物流优化和自动化的基础，其在很大程度上依赖于智能技术的应用。以往文献中提到的智能技术可以分为物联网、信息通讯和人工智能技术。这些技术的应用情景和特定的物流功能如表2所示。

在智能监控的支持下，在集成系统中充分利用监控所获数据实现物流优化和自动化是下一个研究重点。因此，部分学者将研究重点放在了网络物理系统（Cyber-physical System，CPS）的架构框架设计上。CPS是一个基于物联网技术的智能物流系统，能够将可感知的真实物流问题导入数字虚拟系统（Trab et al., 2017）。根据应用场景的差异，CPS将侧重于不同的物流运作流程。已有文献提出了针对生产、仓储、越库运输路径、调度、冷链和碳交易等物流流程管理的CPS系统框架（如表3所示）。CPS的典型例子之一是数字孪生（Digital Twin），即使用物联网技术（例如传感器和RFID）捕获的物理信息对产品的生命周期状态进行建模和仿真，提供物理系统的镜像反射（Weyer et al., 2016; Tao et al., 2019）。通过基于各种计算智能技术（如Dijkstra算法、蚁群算法和云计算）的高保真虚拟模型，数字孪生能够实现更准确的预测和更高效的优化（Alam and El Saddik, 2017; Schluse et al., 2018）。

物流流程监测、控制和优化的实现为物流自动化提供了所需的数据和决策支持。因此，物流情景识别、异构设备和系统之间的协同运作成为了物流自动化研究的焦点（Breivold and Sandström, 2015）。由于智慧物流的研究是由现实需求所驱动的，因此大部分研究所提出的系统框架都基于现实案例并已投入使用（Levina et al., 2017; Trappey et al., 2017; Lee et al., 2018）。例如，Trappey et al. (2017) 结合UPS和IBM的案例提出了专利路线图，将相关技术在感知（传感器、GPS、RFID）和网络（云计算）层面进行区分，提高了实体物流服务、相关增值服务和销售服务的智能化水平。

然而，智慧物流的高效伴随着系统的安全问题，具体包括了硬件安全问题和信息安全问题。硬件安全主要指物联网设备、黑客攻击和系统网关的安全；而信息安全主要是指数据存储、传输和访问的安全（Kim et al., 2018; Fu and Zhu, 2019）。为了解决上述安全问题，不同接口设备之间的认证机制和数据共享机制设计成为物流运营管理的新兴研究课题。

3.2 智慧物流的优化问题研究

3.1节中提到的新兴物流技术为物流管理带来了海量实时的数据，并能够及时监测到不同物流单元之间复杂的瞬时交互，这为物流优化问题带来了新的优化情景。因此，学者们开始关注新物流情景下的传统优化问题，以寻求充分利用数据支持并适应新物流机制的优化方案。

3.2.1 智慧物流中的车辆路径问题研究

在物联网、信息通讯等智能技术的推动下，智慧物流情景下的车辆路径问题（Vehicle routing problem，VRP）研究出现了两个新方向。

第一个新兴焦点是处理动态优化问题的多目标模型和改进的智能算法。在模型类型方面，数据驱动模型和多目标动态学模型受到了越来越多学者的关注，因为这些模型能够处理数据的实时更新和多个运输代理之间的协调问题。例如，Katsuma and Yoshida (2018), Wang et al. (2019)和Yao et al. (2019)开发了实时道路交通和联网车辆状况驱动的优化模型。车辆的连接也给VRP 带来了复杂的协调问题。Eitzen et al. (2017) 和Anderluh et al. (2021)均为VRP建立了多目标双梯队模型，以提高智慧城市物流的灵活性。两个模型的目标函数都考虑了企业、居民、政府等利益相关者的需求；后者还考虑了车辆同步的情景。同时，智慧物流的VRP出现了对新模型优化算法改进的需求。已有研究通常引入启发式算法和智能优化算法提高算法处理海量实时数据和复杂物流机制的效率（如表4所示）。例如，Chen et al. (2016)提出的多目标识别改进算法将时隙防碰撞算法与RFID冲突仿真结果相结合，以处理标签的动态扫描数据。Lin et al. (2019)研究了物联网中有能力约束的VRP，这是智慧物流中被广泛研究的组合优化问题。该研究提出了一种新颖的顺序感知混合遗传算法，由改进的初始化策略和基于特定问题的交叉算子组成（Lin et al., 2019）。

第二个研究焦点来自于物理和地理空间定位技术的应用。已有研究指出这些技术带来的数据使智慧物流中的VRP具有可视化、可预测、可控制的特点（Su and Fan, 2020）。然而，从这些智能系统中收集到的各种格式或非格式数据也给VRP研究带来了新的挑战。为了充分利用这些数据，Borstell et al. (2013)提出了一种将光学车辆定位与物流VRP相结合的方法，该方法由平面标记检测系统驱动；考虑到用户需求覆盖范围、成本和准确性，这种方法的可行性已在三个内部物流场景中得到证明。Klumpp (2018) 使用地理空间数据通过概念框架和定量测试仿真来推进事前车辆路线规划，经验证，该方法可在经济（降低运输成本）、环境（减少运输排放）和社会（减少司机的工作量和工作时间）方面带来明显优势。

3.2.2 基于云计算的智慧物流调度研究

随着配送中心的普及和对物流快速响应要求的提高，物流配送调度变得越来越复杂，而智慧物流的发展也对调度算法和数据处理能力提出了更高的要求。相关研究主要从物流机制与数据处理两个方面对物流调度问题进行了探讨分析，以适应智慧物流带来的变化。在物流机制层面，在物联网技术的支持下，实时数据在物流流程中可随时被访问，同时，设备之间的瞬时交互带来了更为复杂的物流协调策略（Zhang et al., 2019b）。因此，相关研究构建了具有实时数据驱动参数和超连接物流机制的动态模型，以解决智慧物流中的调度问题。Kwak et al. (2014) 和Hasan and Al-Rizzo (2020) 提出的物流调度改进模型考虑了资源条件、情景信息等实时数据和传入任务的协调策略。Chen (2020) 进一步开发了与智能交互数据库对接的物流管道调度系统，能够同步所有在线连接设备的实时数据以及环境和人员信息。

为了使模型适应海量数据处理的工作量，基于云计算的物流调度研究受到了学者们的关注。通过这种方法，大数据任务在云端执行，为物流企业带来更高的计算效率和更低的成本（Rjoub et al., 2019）。为了实现基于云计算的物流调度，学者们提出了将云计算基础设施集成到物流系统的网络架构。例如，Nguyen et al. (2019)设计了一个三层架构，将调度对象、相关主体与云端连接起来。Tuli et al. (2020) 提出了具有递归残差神经网络的随机Edge-Cloud架构。此外，Liu et al. (2015) 和 Zhu (2018) 分别为智能港口物流、协同物流配送以及建筑用地物流开发了基于云计算的调度系统。对于基于云计算调度模型的具体算法，其中遗传算法、群优化算法和花授粉算法在相关研究中比较流行。例如，Al-Turjman et al. (2018) 和Sun et al. (2019) 改进了基于云计算的协同资源和物流配送路径调度系统的群优化算法，以提高调度效率和容错性。与此同时，Xu et al. (2019) 开发了智慧物流调度模型以及双层混合遗传算法，该算法在物流动态调度问题上被证明是优越和有效的。此外，Hu (2019) 提出了一种改进的花卉授粉算法，以在智能物流配送中心的选址问题中避免了传统优化的局部最优性缺陷。

3.2.3 智慧物流中的物流规划研究

近年来，智慧物流系统的规划问题也引起了学者们的关注，其中物联网技术所收集的数据成为了此方向研究的焦点。为了挖掘数据资源的用途，Andersson and Jonsson (2018) 进行了案例研究和文献回顾，探索需求规划中实时进程数据的应用，并将相关数据分为五个类别，对应八个应用领域。此外，Kovalský 和 Mičieta (2017) 的研究识别了必要的物流能力因素，并分析了使用跟踪数据进行自动化物流规划的静态和动态方法的优缺点，为解决智慧物流的规划问题提供了方法支持。

从技术层面上应用数据是智慧物流规划问题的另一个重点。Huang et al. (2019) 基于物联网技术为生产物流规划提出了实时数据驱动的动态优化方法，以便监控动态制造过程，获取实时信息。Li et al. (2019a) 将智慧食品物流系统中的集成规划问题建模为双目标混合整数线性规划模型，该模型通过新颖的基于S约束的两阶段迭代启发式算法和模糊逻辑模型进行求解。所提出的方法被证明在最小化总成本和最大化食品质量方面具有更高效率。考虑到产品放置规划中的安全问题，Trab et al. (2015) 提出了一种考虑监控环境数据的多代理模型，基于给定的协商和决策机制处理输入数据，在布局规划中通过减少浮动位置的大小来降低智慧仓库中发生危险事故的风险。

3.2.4 智慧物流整合中的网络优化研究

跨供应链物流整合是智慧物流的最终目标，也是物流自组织实现的基础（Chen, 2019）。通过物联网技术连接，物流成为了一个各类设备、各环节主体互联的复杂系统。已有研究指出，物流系统，尤其是智慧物流系统，应该是一个复杂的自适应系统（Complex Adaptive System，CAS）。在CAS中，内部单元可以在一定规则的控制下自行实现物流系统从无序到有序的演进（Gallay and Hongler, 2009）。为了识别这些规则，考虑基本系统元素的程式化模型被用于探索系统行为的内部机制和潜在影响（Hongler et al., 2010）。使用这种方法，Kim et al. (2017) 确定了两种不同的供应商合同库存策略的机制和应用环境。Hongler et al. (2010) 建立了一个可解的程式化模型来探索交通中自主交互主体的协调模式。此外，程式化模型还可以用于设计物流网络的框架，如Dong and Franklin (2020) 的物理互联网概念框架。

在这些系统机制和自组织模式的支持下，学者们开始关注智慧物流的网络优化，在优化研究中整合了智能技术和新兴运营模式带来的额外数据或鲜明特征。Liu and Wang (2016a; 2016b) 主要采用多层次物流供应网络优化模型和两阶段建模框架进行供应网络优化，前者基于顾客网页评分数据进行聚类分析，得到顾客的个性化需求，并将其与顾客潜在需求进行整合，验证了基于个性化需求的物流网络优化是提高顾客满意度和整体物流网络服务水平的可行解决方案（Liu and Wang, 2016a）；后者进一步考察了物流服务供应网络的订单分配问题，基于顾客位置和点击率大数据预测最佳交货时间和顾客需求，构建了一个多阶段（“大数据预测阶段”和“模型优化阶段”）的物流服务供应模型（Liu and Wang, 2016b）。Gan et al. (2018) 提出了一种考虑共享经济的新型集约销售物流网络模型，其中客户的物流偏好是利用大数据技术对客户购物行为进行分析所得；此外，该研究还提出了一种改进型区间Shapley值法，以在分销网络参与者之间进行利益分配，提高了利益相关者的满意度，促进了联盟的可持续发展。

4、未来研究方向

全球协同合作与线上线下渠道融合导致物流业务复杂度与数量不断增长，而发展智慧物流则成为了应对这一问题的可行方案。物联网、信息通讯和人工智能等技术不仅为物流带来了创新的功能，也改变了物流管理的模式。如何有效和高效地应用这些技术已成为了智慧物流研究的主要问题。以往的研究大多探索了这些技术在不同物流过程中的应用，如提出了实时监控、情境感知控制等新的物流功能，解决有效性问题；智慧物流优化研究则更多致力于提高仓储、配送、运输等物流运作环节的效率。然而，已有研究提出的相关优化算法和管理系统是针对不同行业的特定场景所开发的，但考虑到智能物流作为智能供应链的一部分，应兼容不同的流程和行业，因此，未来智慧物流的运营管理研究可以考虑以下几个方面（图3所示的蓝色部分）。

（1）智慧物流的通用管理框架：智慧物流不是简单的行业升级，而是物流行业的颠覆性创新。然而，大部分已有研究只是在原有管理系统的基础上应用相关技术来增强某些物流功能。唯有将相关技术应用到促进不同物流流程以及物流与其它供应链流程之间的协作时，才能真正发挥技术对行业颠覆的作用，而一个通用的智慧物流管理框架则是指导技术合理应用的基础。

（2）智慧物流的理论研究：缺乏通用的智慧物流管理框架是由于相关技术对当前物流运作的作用机制未被明晰。未来的研究可以理论层面分析某一类特定技术对物流运作的影响及机制。例如，学者们可以用信息系统理论分析内部物流信息共享如何影响物流运作绩效。此外，还可以关注智慧物流的独特属性及技术应用如何影响其执行者的利润和客户的期望。

（3）智慧物流的可视化研究：已有文献主要关注物流四大功能（监控、控制、优化、自动化）的智能化发展。物联网技术虽然为决策者带来海量多样的数据，但不恰当的数据展示可能会导致无关数据隐藏关键信息。合理的、人性化的物流信息数据可视化是提高决策准确性和运作效率的关键环节。此外，探索物流决策的关键要素和数据分析方法也能够为可视化设计及实现提供理论和方法支持。

（4）智慧物流与其他智能模块的协同研究：智慧物流是智慧供应链、智慧交通、智慧城市不可或缺的组成部分，在逻辑上和功能上应与不同的智能模块兼容（Chen, 2019）。因此，未来研究可以从不同智能模块主体视角出发，探索智能物流与其他智能模块的协作机制和方法路径。此外，在优化研究方面，相关行业也需要针对自身的应用场景进行算法和集成模型的研究。