基于優化蟻群算法的物流中心揀貨路徑優化研究

摘 要：為解決當前物流企業中普遍存在盈利能力差、利潤空間小等問題，以M物流公司為研究對象，在作業成本法與精準化成本管理的基礎上引入聚類蟻群算法優化X省的布局來降低成本，并實驗分析其有效性。實驗結果表明，b值為1時物流總成本最低，為1.759€？08元；而z值、€%j值以及a值分別取值1、0.48、2.3時物流總成本最低。在四個參數取值下利用聚類蟻群算法優化后的物流總成本降低至1.81€？08元，同時單個網點的平均利潤也優于對比算法。綜合來看，研究提出的省外成本管理改進策略具備有效性，可以有效管控物流成本支出。

關鍵詞：數字經濟；智能物流企業；成本管理；聚類蟻群算法

中圖分類號：F259.23" " " " " " 文獻標識碼：A文章編號：1009-3583（2024）-0059-03

Research on Cost Management of Intelligent Logistics

Enterprises Based on Digital Economy

HE Kun

（Business School， Chuzhou Vocational and Technical College， Chuzhou 239000， China）

Abstract： To solve the common problems of poor profitability and small profit margins in current logistics enterprises， Logistics Company M is taken as the research object. Based on activity-based costing and precision cost management， clustering ant colony algorithm is introduced to optimize its layout in X province to reduce costs， and its effectiveness is experimentally analyzed. The experimental results show that when the value of b is 1， the total logistics cost is the lowest， which is 1.759 €？108 yuan. And the Z value， €%j value and A value are 1，0.48 and 2.3 respectively. Therefore， the total logistics cost optimized using clustering ant colony algorithm with four parameter values was reduced to 1.81€？08 yuan， and the average profit of a single branch was also better than the comparative algorithm. Overall， the cost management improvement strategies proposed in the study are effective and can effectively control logistics cost expenditures.

Keywords： Digital economy; Intelligent logistics enterprises; Cost management; Clustering Ant Colony Algorithm

在數字化經濟時代，信息技術的發展推動了企業會計工作的信息化和數字化進程[1]。在此背景下，物流信息化和數字化逐漸成為現代物流發展的轉變方式，同時也成為智能物流企業成本管理的重要措施[2]。成本管理作為物流企業盈利的重要突破點，一直是當前國內外研究學者分析的重點，例如Kitsantas T等人利用區塊鏈技術提出了針對物流企業成本管理的三式會計概念模型[3]；黃肖玲等人利用前港后廠的相關模式提出了針對鐵礦石采購的物流成本管理優化方法[4]；李蕊利用新型物流管理模式提出了針對飼料業物流成本管理優化的相關策略[5]。然而，當前針對物流企業盈利能力差、利潤空間小等問題并沒有給出一個較為準確的成本管理措施，同時少有學者會將大數據同物流企業的實際物流成本管理進行有機結合[6]。在此背景下，研究以某智能物流公司（M）為研究對象，在對其當前的成本管理現狀進行剖析后利用數據倉庫技術（Extract-Transform-Load，ETL）工具來優化作業成本法，并利用聚類蟻群算法來實施省外物流成本管控。其目的是在加強企業內部財務成本管理的同時優化省外物流運輸、布局中的成本管控。同時，研究提出的方法從理論意義上來講可以改善物流企業的業務流程和決策效率，在實踐意義上來講，可以為大數據技術在物流企業成本管控中的應用提供數據支撐。

1" 數字經濟下智能物流企業成本管理現狀與改進策略

1.1" Z智能物流企業成本管理現狀分析

為解決當前物流企業中盈利能力差、利潤空間小等問題，研究以某智能物流公司（M）為研究對象，針對其成本管理現狀提出改進策略。數字經濟時代下物流企業逐漸朝著智能化、自動化發展，而M公司作為一家新成立的經營快遞服務的公司，主要服務范圍為J省及周邊省市。M公司作為第三方物流公司因為不涉及實際的生產與銷售，因此其內部的業務流程也比較簡單。依據M物流公司的成本構成得到的2019年的成本支出如圖1所示。

從圖1中可以看出，M公司的運輸配送成本在總成本中占比較多，高達49.13%。綜合來看，M公司的物流成本管理有效與否完全取決于對運輸配送成本的實際管理優化。另外，當前的M智能物流企業成本管理問題有三個方面：成本核算不準確、作業成本法實施困難以及省外運輸成本控制不佳。

1.2" Z智能物流企業成本管理改進策略研究

針對Z智能物流企業的成本管理現狀與問題，考慮其實際的財力和物力，研究提出了利用大數據技術來對其成本管理進行優化。其中，針對成本核算不精確和實施困難的問題，研究引入ETL工具來輔助作業成本法的實施；針對省外運輸成本控制不佳的問題，研究在精細化管控的基礎上引入聚類蟻群算法來輔助相關網址的選定，以此降低成本。傳統的成本核算法已經難以適應M公司當前的成本管理需求，因此不得不引入作業成本法進行替換，然而M公司需要面對的是海量成本數據的增長，引入ETL工具來輔助作業成本法的實施。同時利用ETL對這些復雜的數據進行一定程度的清理，根據M公司財務人員執行作業成本法的要求，從中提取出數據，最終將所需的數據輸入到指定的位置。

ETL工具的使用不僅可以滿足M公司財務人員對于數據處理的需求，同時還能為后續作業成本法以及成本管理控制提供必要的數據支撐。在此基礎上，針對成本控制優化的需求，研究提出了運輸成本精細化管控的決策。在實際的物流運輸中，M公司的變動成本難以進行相應的成本分攤，因此需要設計詳細的變動成本管控考核指標以對其進行科學管理。在該精細化成本控制的基礎上，研究引入聚類蟻群算法來對其省外選址進行規劃。合理設計出的物流總成本的相關計算表達如式（1）所示。

2" 改進策略中省外物流管控方法性能驗證

由于作業成本法和ETL工具采集的數據比較大，因此在進行案例模擬時主要驗證聚類蟻群算法，分析在X省網點布局并降低其運輸成本的效果。運用作業成本法進行運算成本統計時，主要核算U、V兩家公司的運輸業務直接成本與間接成本。通過大量運算后得到的傳統成本法與運用ETL輔助作業成本法的運算結果對比如圖2所示。

從圖2可以看出，如果按照傳統的成本計算，兩家公司的直接成本和間接成本幾乎沒有任何區別。但是運用作業成本方法后，雖然兩家公司的直接成本沒有什么區別，但管理成本卻有相差6776元的區別。其原因是盡管雙方的運輸量和路程距離相差不大，但兩家都有特定的運輸需求，在入庫出庫環節的卡車、叉車的數量上存在著顯著的不同。這種差異導致了間接成本的不同，由此可以看出，在作業成本法下，獲得的成本計算數據更為準確。另外，實際的聚類蟻群算法涉及信息素因子（a）、啟發函數因子（b）、信息素揮發因子（ｐ）以及信息素常數（z）四個參數。其中，在設置最大循環次數為100次時，參數b和z的取值范圍如圖3所示。

根據圖 3 可以看出，當 b 值為 0 時的物流總成本最高，為 1.794×108 元，隨著 b 值的增大而呈現波動變化，在處于 0～3.5 之間時波動最為明顯，可以明顯地發現 b 值為 1 時物流總成本最低，為 1.759×108元，因此 b 取值為 1。另外，在 z 值處于 0～2.5 之間時物流總成本變化更為頻繁，并在處于 3.5～5 之間時達到最大值，為 1.732×108 元。z 的增大使得物流總成本的變動更加平穩，可以發現 z 值為 1 時物流總成本最低，因此 z 取值為 1。而參數 a 和 的取值范圍如圖 4 所示。

綜合圖 4 可以看出，參數 a 的增大使得物流總成本的波動更為頻繁，其中，在a值處于 0～2 之間波動降低，并在超過 2.3 之后波動增長，其值為 2.3 時物流總成本最小，因此 a 取值為 2.3。另外，值的增大呈現明顯的波動降低和波動增長的趨勢，并且其值在為 0.48 時物流總成本達到最低，因此 取值為0.48。綜合圖 3 和圖 4 的參數取值，并利用矩陣實驗室（Matrix Laboratory，MATLAB）分析后給出四個成本最低的方案，分別為 ABCD、AECF、ABCF 以及AECD，A～F 分別為 X 省內 6 個城市。其中，各方案運輸量、占比以及優化對比結果如表 1 所示。

表 1 中 Y 和 Q 表示運輸量和占比。從表 1 中可以看出，按照實際的輸出兩個和比例來看，四個方案的方差分別為 0.011、0.001、0.004 以及 0.012，因此選擇方案 2 進行后續的網點鋪設。在選擇方案 2 后，M公司可以更好地對運輸路線和實際的倉儲計劃進行規劃，并對此對運輸配送的成本進行合理的管理控制。綜合來看，利用聚類蟻群算法優化后的物流總成本降低至 1.81×10⁸ 元，表明了算法的有效性。為了進一步驗證其優越性，研究引入遺傳算法（Gen etic Algorithm，GA）、粒子群算法（Particle SwarmOptimization，PSO）以及傳統的蟻群算法進行對比。其中，四種算法的物流平均總利潤、標準差、運行時間以及收斂速度對比結果如圖 5 所示。

根據圖5可以看出，聚類蟻群算法單個網點平均利潤達到32000元，大于其他三個算法的平均利潤，同時其運行時間最低，為0.06。另外，從收斂速度上來看，聚類蟻群算法在110輪左右收斂，而對比算法較早陷入局部最優。綜合來看，研究提出的聚類蟻群算法在物流利潤上優于對比算法，同時運行時間與收斂速度均優于對比算法，表明其具備更高的優越性。

3" 結論

為解決當前物流企業中普遍盈利能力差、利潤空間小等問題，研究以某智能物流公司（M）為研究對象，提出了相應的成本管理改進策略，并針對策略中省外物流成本管控的有效性進行了實驗驗證。實驗結果表明，當b值為1時物流總成本最低，為1.759€？08元；z取值為1時物流總成本最低，a值與€%j值分別為0.23和0.48時物流總成本最低。在四個參數設置下，利用聚類蟻群算法優化后的成本優化成果達到0.21€？08元。同時，在與其他算法對比中，聚類蟻群算法單個網點平均利潤達到32000元，大于其他三個算法的平均利潤。綜合來看，改進策略中省外物流總成本管理方法具備有效性。但是，研究并未就成本管控中公司內部的ETL工具進行詳細分析，因此后續需要整理相關數據進行深入研究。

參考文獻：

[1]高冬梅.基于電商發展的皮革企業物流成本控制研究[J].中 國皮革，2022，51（5）：39-41.

[2]Cherchata A， Popovychenko I， Andrusiv U， et al. Innovationsin logistics management as a direction for improving the lo- gistics activities of enterprises[J]. Management Systems inProduction Engineering， 2022，30（1）：9-17.

[3]Kitsantas T， Chytis E. Blockchain Technology as an Ecosys- tem： Trends and Perspectives in Accounting and Management[J]. Journal of Theoretical and Applied Electronic Commerce Re- search， 2022，17（3）：1143-1161.

[4]黃肖玲，代霞梅，紀國良，等.基于“前港后廠”模式的進口鐵 礦石采購物流成本優化[J].中國管理科學，2021，29（8）：218 -228.

[5]李蕊.電子商務環境下飼料業物流管理與優化策略[J].中國 飼料，2021，1（4）：84-87.

[6]周林榮，駱欣.基于DEA與灰色關聯模型的中西部18省物 流業效率研究[J].遵義師范學院學報.2022，24（3）：53-58.

（責任編輯：羅智文）