基于預測倉庫收發量的貪心策略員工排班問題探究

文/李曉莉高天浩彭佳麗

從某物流倉庫裝卸員工排班現狀出發，對目前員工排班的狀況進行分析，剖析了造成員工工作飽和度不穩定的因素。圍繞員工排班策略，從倉庫收發量預測、員工排班方面進行研究，致力于提升員工排班準確性，提升員工工作飽和度的穩定性，提高物流倉庫的服務水平，提高員工福利等。提出了基于收發量預測的員工排班解決方案，對于保證服務水平的前提下降低成本的員工配置具有重要意義。

1.引言

在人口紅利消失，勞動力供給資源減少，勞動力成本上升的背景下，爭取銷售部門提高銷售額獲取第一利潤的空間越來越小，爭取降低人工和材料成本所獲取的第二利潤又有一定的空間限制。物流費用被稱為企業第三利潤源泉，如果能有效降低物流費用，不僅對企業利潤的提高很關鍵，對降低人工和材料成本獲取第二利潤也至關重要。運輸和倉儲共同構成物流運行體系，在龐大的物流運行成本中，保管貨物期間即倉儲環節支出費用占總費用的50%[1]，員工薪資又是倉儲成本的重要組成部分，因此倉儲員工的管理顯得尤為重要。倉儲員工的管理的目的應是不斷提高員工工作效率，不斷降低倉儲成本中單位貨物消耗的人力成本；對員工配置進行有效管理，避免人浮于事，出工不出力或效率低下的情況；將重點放在穩定員工工作飽和度，不穩定的工作飽和度勢必造成不必要的人工成本費用支出。而員工排班[2]的合理與否極大地影響了倉儲員工作效率、倉儲運營效率、員工工作飽和度及顧客服務滿意度。通過合理的員工排班可以提高倉儲的運行效率，降低倉儲環節的成本，為企業創造更多的利潤，有利于提升企業核心競爭力，實現可持續發展戰略。在倉儲作業全面實現自動化與當下倉儲作業中人工作業占比較高之間的交接時期，裝卸搬運活動要耗費大量的人力物力，裝卸搬運費用在整個倉儲成本中占比很高。因此要想提高企業第三利潤，就必須降低倉儲作業成本，更細一點來講就是降低裝卸成本。為降低裝卸工的成本，諸多學者進行了相關研究，任云霞[3]利用成本倒推方法證明裝卸人員調配不合理將直接導致物流企業的虧損。張曉林[4]指出鄉村物流人才需求缺口巨大，因此需要更加注重員工工作效率的調節。解進強等[5]認為工作負荷、工作時間、單調重復等挑戰性工作會提高員工的離職傾向。然而，王新田等[6]有不一樣的見解，他們認為在某個班次配置過多裝卸工會降低員工的工作飽和度，造成人力資源的浪費，同時員工數量的過多也容易發生安全事故；裝卸工配置過少會影響倉庫的運作效率，造成貨物處理效率降低，影響服務水平，同時也增加裝卸工工作強度，長期高強度工作會使員工流失率升高。由此可見合理的員工配置至關重要。在實際的倉儲作業中與員工配置尤為相關的就是員工排班問題，但在以上幾位學者的研究中并未明確論述如何才能合理的優化員工排班問題。針對員工配置問題朱文香[7]提出校企合作、構建培訓體系、引進人才等解決方案。馮麗帆[8]提出標準化工作流程、建立考核體制、高效進行員工培訓的解決方案。這些文獻將視角集中在整個物流行業的引進、培訓、標準作業流程等方面提出解決方案，論述觀點較為宏觀未涉及通過合理排班減低員工的工作強度的方法提升員工福利、減少員工流失、降低成本。本文在以上研究的基礎上，基于實際案例，以某物流倉庫為研究對象，對其歷史有效訂單進行預測，以預測貨物收發量進行裝卸工的員工排班[6]。

2.問題描述

該物流倉庫由于倉庫自動化水平較低，分揀、搬運裝卸、流通制造等勞動密集工作都需要人工完成。表1所示為該物流倉庫員工單個班次人均處理量。

表1 裝卸工單個班次人均處理量

由上表可知，倉庫收發量波動明顯，不靈活的員工配置導致裝卸員工工作飽和度波動較高，如在4月22日收發量較高，裝卸員工配備不充足人均貨物處理量達到71立方米；在4月25日收發量明顯下降，裝卸員工明顯過剩人均處理量為16立方米。物流倉庫收發量的不確定性和員工配置不合理造成該物流倉庫員工工作飽和度波動較大，因此設計一種科學高效的員工排班方案迫在眉睫。

3.時間序列分解模型進行收發量預測

SPSS軟件建立時間序列分解模型的步驟可以分為以下幾步：定義日期表示變量、了解序列發展的趨勢、進行季節因素分解、建模、分析結果解讀、預測。

3.1 定義日期表示變量

利用SPSS進行日期變量定義，以便進行時間序列分析[9]。

3.2 了解序列發展的趨勢

在對數據進行時間變量標記之后，要了解數據對時間序列的變化趨勢，選擇合適的模型。通過序列圖來確定模型選擇乘性還是加性。如圖1所示。

圖1 數據變化趨勢

經過實驗發現本數據波動較小，所以使用加法模型，結果如表2：

表2 模型描述

3.3 季節因素分解

季節因素[10]的分解有以下目的：克服其他因素的影響，僅僅考慮一種因素對時間序列的影響；分析數據之間的相互作用，以及數據對時間序列的綜合影響；當去掉這些因素后，就可以更好地進行時間序列之間的比較，從而更加客觀地反映事物變化發展規律；分解之后的序列可以用來建立回歸模型，從而提高預測精度。本數據的季節因子如表3所示。

表3 季節因子

3.4 專家建模法

根據時間序列圖觀察趨勢、序列平穩性并進行平穩化、時間序列建模分析、模型評估與預測。經過專家建模法最終得出的模型類型是為簡單季節性，如表4所示。

表4 模型描述

由于歷史收發量具有季節性變動因素，所以平穩的R方更具有參考意義，平穩的R方屬于0.4~0.8則表現良好，大于0.9則表現優異。如表5模型統計，所示平穩的R方等于0.759擬合效果良好。

表5 模型統計

3.5 預測結果

如圖2為SPSS專家建模法預測的結果。

圖2 預測結果

以上數據為一天內（兩個班次）的工作量。將預測數據按照白夜班到達比率不同進行數據處理：白班收發量平均占一天工作量的42%、夜班收發量平均占一天工作量的58%，結果如表6所示：

表6 預測數據

4.1 裝卸員工工作規則

排班規則是指在排班時應遵守的規定，如國家的法律、法規、行業規定、公司制度、工作時間限制等。在物流中心員工連續上班的天數、班次之間的間隔、最大工作時間限制等等；具體規則為：（1）正常月工作總時長不超過：177小時；（2）最長連續工作時間不超過：8.25小時/天;（3）最短連續工作時間不低于：4小時/天；（4）從每日08:00時至22：00時為白班；（5）從每日22：00時至次日：08:00時為夜班；（6）物流中心員工連續上班不能超過9天。

4.2 裝卸工排班

4.2.1 裝卸工排班模型

上述的員工排班規劃，可以將其簡化為以下幾點：（1）每人每天只能參與一個班次的工作；（2）配置員工人數至少能夠處理完當天工作；（3）兩個班次人數要小與總人數。（4）員工每月休息時間至少要大于四天。設該物流倉庫排班兩個班次，第i個人第j天的班次為Xij，第i個人第j天第2個班次為Yij。Xij+Yij≤1

第i個人在第j天，只能上一個班次，其中X為白班、Y為夜班，i、j為正整數。

其中，ξx是第j天第一個班次需要的人數；ξy是第j天第二個班次需要的人數，并且ξx+ξy≥M

兩個班次人數小于總人數，M為該倉庫總員工人數。

一個月三十天最多上26個班次休息4天。

4.2.2 裝卸工排班模型實現

使用C++創建員工對象并設置三個屬性，分別是員工編號、工作狀態和連續工作時間。員工編號用于辨識員工，工作狀態是保證一個員工一個班次只能做一次。設定每個員工的工作效率為51.5立方米每人每班次且保證不能連續工作9天。由于員工排班不能超過9天，這樣的排班規則會使結果出現周期性，從總體看編號靠前的員工排班工作較滿，后面的員工排班較為松散，這是因為一個月可能包含多個周期，排班較為松散的員工將在下一周期優先排班。

4.3 裝卸工排班結果

保證參加工作的員工排班按照上文排班規則，將上文得到的預測值輸入進行員工排班，排班結果如圖3所示。

圖3 排班結果

上圖中數字1代表白班、數字2代表夜班、數字0代表休息。第一行為白班每天需要的員工數量、第二行為夜班每天需要的員工數量、第三行代表第一位員工接下來一個月的排班、第四行為第二位員工接下來一個月的排班。

4.4 排班結果分析

根據每日具體工作量進行人員排班，白班參與人次達到456，夜班參與人次達到317；其中約占36.8%的員工的在一個月內的員工排班為26天；約有68.4%的員工在2021年5月24日至2021年6月22日的工作班次為25以上天。符合員工以上排班規則，并且保證員工的薪資。因此可以設定該物流倉庫長期員工有27名。而有8位員工工作日在10天以下，因此將這8位員工劃分為臨時工。針對該排班安排，通過計算出的人員需求，按照輪班的形式進行排班，這樣的排班有如下優勢：完成了對現有來訂單的最大覆蓋；工作效率的極大提高；可以提供充裕的培訓時間；滿足了大家對公平性的要求；與相應的考核制度結合體現制度的透明；促進了物流中心整體服務品質的提升。通過以上方法，在物流中心進行科學合理的人員排班，不僅可以提高現有人員的利用率，而且有利于物流中心成本的有效控制；在合理的成本下，確保該物流倉庫優質服務的實現。

4.5 排班結果優化

對以上排班結果進行分析發現員工排班結果中存在數字1（白班）和數字2（夜班）相鄰，即員工的工作安排為當日的白班與次日的夜班相鄰，或則當日夜班和次日的白班相鄰，該決策不符合實際工作要求。經過調試最終結果如圖4所示。

圖4 優化后的排班結果

根據每日具體工作量進行人員排班，白班參與人次達到456次，夜班參與人次達到317次；約占47.3%的員工的在一個月內的員工排班為大于23天；約有76.3%的員工在2021年5月24日至2021年6月22日的工作班次為18以上。符合排班規則，并且保證了員工的薪資。因此可以設定該物流倉庫長期員工為29名。而有5位員工工作日在10天以下，因此將這5位員工劃分為臨時工。由于排班條件限制其周期為9天，而排班是以月為單位，導致部分員工排班較為松散，因此針對在2021年5月24日至2021年6月22日中排班班次在23~10的員工，在下個月的工作中優先進行排班。

5.員工配置前后的對比

表7所示為2021年5月24日~2021年5月30日實際的出入量以及員工的安排情況。

表7 優化前員工配置情況

由上表不難發現不合理的裝卸配置導致員工的工作飽和度過高，該物流倉庫的運作速度必將減慢，其中超過國家規定（每天8小時）班次工作時間的有4天，而又有2天的員工配置太低，每人每天的工作時間遠低于倉庫規定工作時間，造成資源的浪費。

表8所示為2021年5月24日~2021年5月30日優化后員工配置情況。

表8 優化后員工配置情況

經過預測和合理排班之后，可以發現員工的工作飽和度在80%左右，既符合國家規定，又提升該物流倉庫的資源利用率。但在5月28日這天的工作量較大，應適當招聘臨時工，及時處理貨物。由以上兩表可以看出2021年5月24日~2021年5月30日期間如果按照上述方法及進行排班可節約30個班次的人力成本。

6.結論

隨著物流倉庫自動化時代的來臨，提高員工工作效率與保證員工福利的融合已經成必然需求。針對該物流倉庫的裝卸工配置中出現工作飽和度較大波動的情況，首先使用時間序列分解模型通過SPSS對倉庫未來一個月的收發量進行預測；再使用C++編寫應用了貪心策略的員工排班算法，尋找適合每天預測收發量的最佳員工排班方案。這種先預測再排班的解決方案使得該物流倉庫在2021年5月24日~2021年5月30日可以節約30個班次的人力成本。該方法不僅能夠保證工作配置的合理性，提升工作效率的同時還能有效地減少人力資源的投放，給企業節省一定的成本，實現企業效益最優化。本文提出的員工排班解決方案，不僅可以優化該物流倉庫的員工排班問題，對于勞動密集型的企業的員工排班均有指導意義，對企業降低人力成本、提高員工工作飽和度、減少員工流失都有積極意義。不同行業的服務對象不同，員工的工作效率不同，具體的排班問題還應具體分析。

引用出處

[1]中國物流與采購聯合會.物流環節最易降低的一環——倉儲成本[EB/OL].http://www.chinawuliu.com.cn/zixun/201802/11/328667.shtml,2018-02-11.

[2]姚建園.酒店客房部員工排班研究[J].價值工程,2016,35(32):54-55.

[3]任云霞.物流企業裝卸工問題研究[D].中原工學院,2012.

[4]張曉林.鄉村振興戰略下的農村物流發展路徑研究[J].當代經濟管理,2019,41(04):46-51.

[5]解進強,付麗茹.工作要求對中小型物流企業一線員工離職傾向的影響——基于京津冀35家企業的調查[J].中國流通經濟,2019,33(12):95-106.

[6]王新田,尹樹華,李江紅,孫巖清.維修員工數量配置的優化模型[J].電子設計工程,2010,18(05):12-13+18.

[7]朱文香.鄭州市鄉村物流業發展需求分析及對策研究[J].現代商貿工業,2020,41(30):30-32.

[8]馮麗帆.基于實際案例的勞動密集型倉庫人員管理改進方法研究[J].企業改革與管理,2019(15):101+108.

[9]楊海民,潘志松,白瑋.時間序列預測方法綜述[J].計算機科學,2019,46(01):21-28.

[10]桂文林.月度數據季節因素調整和預測[J].統計研究,2011,28(06):79-85.