本文摘要：摘要：無(wú)人車(chē)配送可有效緩解目前末端配送效率低、人力成本高、安全隱患多等問(wèn)題。本研究以城市社區(qū)網(wǎng)購(gòu)生鮮無(wú)人車(chē)配送為研究對(duì)象，搭建了網(wǎng)購(gòu)生鮮時(shí)空需求數(shù)據(jù)驅(qū)動(dòng)的多智能體仿真平臺(tái)，構(gòu)建了基于實(shí)際路網(wǎng)的仿真環(huán)境及無(wú)人車(chē)、客戶(hù)、配送站三類(lèi)智能體，以運(yùn)
摘要：無(wú)人車(chē)配送可有效緩解目前末端配送效率低、人力成本高、安全隱患多等問(wèn)題。本研究以城市社區(qū)網(wǎng)購(gòu)生鮮無(wú)人車(chē)配送為研究對(duì)象，搭建了網(wǎng)購(gòu)生鮮時(shí)空需求數(shù)據(jù)驅(qū)動(dòng)的多智能體仿真平臺(tái)，構(gòu)建了基于實(shí)際路網(wǎng)的仿真環(huán)境及無(wú)人車(chē)、客戶(hù)、配送站三類(lèi)智能體，以運(yùn)營(yíng)成本最小及客戶(hù)滿(mǎn)意度最大為優(yōu)化目標(biāo)，設(shè)計(jì)并測(cè)試了動(dòng)靜態(tài)訂單分配策略及距離最近或時(shí)間最緊配送路徑規(guī)劃策略。最后基于上海某生鮮電商實(shí)際訂單數(shù)據(jù)，對(duì)不同策略展開(kāi)情景模擬及敏感度分析，實(shí)現(xiàn)了運(yùn)力資源的優(yōu)化配置。
關(guān)鍵詞：多智能體仿真;無(wú)人車(chē)配送;網(wǎng)購(gòu)生鮮;訂單分配;路徑規(guī)劃
引言近年來(lái)，即時(shí)物流訂單量尤其是生鮮配送的規(guī)模逐年增加。調(diào)查數(shù)據(jù)顯示，每周購(gòu)買(mǎi)一次以上的生鮮網(wǎng)購(gòu)用戶(hù)達(dá)63.8%[1]。2019年的生鮮電商交易規(guī)模達(dá)1620億元，相較于2018年增長(zhǎng)29.2%[2]，2020年新冠肺炎疫情期間，相關(guān)生鮮電商平臺(tái)的單日訂單量同比增長(zhǎng)200300%[3]，預(yù)計(jì)未來(lái)網(wǎng)購(gòu)生鮮規(guī)模將進(jìn)一步增大。據(jù)調(diào)查，我國(guó)居民網(wǎng)購(gòu)生鮮產(chǎn)品時(shí)最注重的前兩個(gè)因素分別是安全和品質(zhì)，其比例分別占55.7%、49.3%。
人工智能論文： 基于5G的無(wú)人機(jī)智能組網(wǎng)的應(yīng)急通信技術(shù)開(kāi)發(fā)及應(yīng)用
縮短配送時(shí)間可有效保證生鮮產(chǎn)品的品質(zhì)[4]。由于網(wǎng)購(gòu)生鮮配送時(shí)效性強(qiáng)、需求隨機(jī)性高、規(guī)模逐年增大等特點(diǎn)，導(dǎo)致了人力配送難以精準(zhǔn)效應(yīng)網(wǎng)購(gòu)生鮮配送需求，造成了配送效率低下、人力成本高昂、安全隱患多等問(wèn)題。與此同時(shí)，我國(guó)在無(wú)人配送領(lǐng)域的政策不斷完善，為無(wú)人配送的應(yīng)用落地提供了政策支持。2017年月，國(guó)務(wù)院印發(fā)《新一代人工智能發(fā)展規(guī)劃》，該規(guī)劃指出行業(yè)需要不斷完善無(wú)人配送車(chē)的技術(shù)標(biāo)準(zhǔn)。2019年月，中共中央、國(guó)務(wù)院印發(fā)《交通強(qiáng)國(guó)建設(shè)綱要》，明確提到要“積極發(fā)展無(wú)人機(jī)(車(chē))物流遞送”。
因此，許多電商企業(yè)、第三方物流和眾多初創(chuàng)公司開(kāi)始探索使用無(wú)人車(chē)、無(wú)人機(jī)、配送機(jī)器人代替人力進(jìn)行配送，不僅可以緩解訂單量暴漲導(dǎo)致的運(yùn)力緊張，降低人力成本，也降低了疫情期間人際傳播帶來(lái)的潛在感染風(fēng)險(xiǎn)。無(wú)人車(chē)的加入，可代替難以管理的三輪車(chē)、電動(dòng)車(chē)等車(chē)輛上路，減少安全隱患。電動(dòng)無(wú)人車(chē)相比于燃油配送車(chē)輛，更利于保護(hù)環(huán)境。利用無(wú)人車(chē)進(jìn)行城市社區(qū)網(wǎng)購(gòu)生鮮配送，是生鮮配送服務(wù)鏈的最后一個(gè)環(huán)節(jié)，屬于末端配送問(wèn)題。針對(duì)末端配送的研究，主要由兩個(gè)部分組成——訂單分配和路徑規(guī)劃。由于針對(duì)無(wú)人配送的訂單分配研究較少，因此在本研究中主要分析物流訂單分配與網(wǎng)約車(chē)訂單分配的相關(guān)研究。
鄧娜和張建軍(2018)基于聚類(lèi)分析和TSP路徑規(guī)劃建立了O2O外賣(mài)訂單指派模型，將一定時(shí)長(zhǎng)內(nèi)的訂單進(jìn)行聚類(lèi)合并;劉鵬宇和陳淮莉(2018)對(duì)超售策略進(jìn)行了研究，根據(jù)消費(fèi)者對(duì)時(shí)隙價(jià)格的偏好建立Logit模型，采用強(qiáng)化學(xué)習(xí)的方法求解;戴大鵬(2018)以總體的物流成本最小、配送時(shí)間最短、配送質(zhì)量最高為優(yōu)化目標(biāo)建立多目標(biāo)規(guī)劃模型，采用蟻群算法、遺傳算法求解;Kuhnle等(2019)基于深度強(qiáng)化學(xué)習(xí)的方法對(duì)車(chē)間生產(chǎn)系統(tǒng)內(nèi)的訂單自組織調(diào)度進(jìn)行了研究;Malus等(2020)采用多智能體強(qiáng)化學(xué)習(xí)的方法對(duì)生產(chǎn)系統(tǒng)內(nèi)部的物料流動(dòng)進(jìn)行調(diào)度，通過(guò)自主移動(dòng)機(jī)器人學(xué)習(xí)協(xié)同競(jìng)價(jià)的方式，實(shí)現(xiàn)更高效的訂單分配目標(biāo)。
滴滴出行[1在2018年提出了在線(xiàn)調(diào)度模型，基于實(shí)際訂單數(shù)據(jù)，通過(guò)強(qiáng)化學(xué)習(xí)構(gòu)建狀態(tài)動(dòng)作值函數(shù)，采用KM算法求解全局最優(yōu)匹配;而在2019年，滴滴出行[1將時(shí)間因素加入狀態(tài)動(dòng)作值函數(shù)中，并進(jìn)一步采用深度神經(jīng)網(wǎng)絡(luò)(CVNet)進(jìn)行更好地未來(lái)訂單匹配價(jià)值學(xué)習(xí)。在路徑規(guī)劃研究中，不僅包括無(wú)人車(chē)，還包括無(wú)人車(chē)與卡車(chē)、無(wú)人機(jī)與卡車(chē)的協(xié)同配送研究。
Zhang[1(2016)等人設(shè)定車(chē)輛有三個(gè)狀態(tài)：在車(chē)站等候、服務(wù)客戶(hù)、再平衡調(diào)度到另一個(gè)車(chē)站，建立混合整數(shù)規(guī)劃模型進(jìn)行求解;張嘉琦[1(2017)通過(guò)子目標(biāo)點(diǎn)與無(wú)人車(chē)的連線(xiàn)將平面劃分為自由扇區(qū)，并設(shè)計(jì)局部層和全局層進(jìn)行路徑規(guī)劃;郭蓬[1(2019)等人基于Frenet坐標(biāo)系理論，采用一元三次方程擬合局部層路徑，并選取代價(jià)函數(shù)最小的最優(yōu)路徑;胡覺(jué)亮[1(2020)等以配送成本最小為目標(biāo)，采用遺傳算法與模擬退火算法相結(jié)合的方法求解電動(dòng)無(wú)人車(chē)的路徑規(guī)劃模型。
Rabta[1(2018)以災(zāi)難援助為背景，以載重、能耗為約束，以成本最小為目標(biāo)建立無(wú)人機(jī)末端調(diào)度模型;Agatz[1、Paul18(2018)采用means算法對(duì)客戶(hù)群進(jìn)行分類(lèi)，采用動(dòng)態(tài)規(guī)劃方法求解;Chang19(2018)在運(yùn)用means進(jìn)行訂單分類(lèi)及建立旅行商模型后，對(duì)無(wú)人機(jī)向卡車(chē)的移動(dòng)路徑進(jìn)行優(yōu)化，以最小化配送時(shí)間;Yurek[2(2018)采用兩階段法，對(duì)客戶(hù)和任務(wù)進(jìn)行分配后，建立混合整數(shù)規(guī)劃模型。
彭勇[2(2020)定義了三種客戶(hù)類(lèi)型：只能由無(wú)人機(jī)服務(wù)、只能由卡車(chē)服務(wù)和既可以由無(wú)人機(jī)服務(wù)，也可以由卡車(chē)服務(wù)，以服務(wù)時(shí)間最小為目標(biāo)，采用混合鄰域搜索算法進(jìn)行無(wú)人機(jī)-卡車(chē)協(xié)同配送問(wèn)題求解。在針對(duì)末端配送調(diào)度現(xiàn)有研究中，很少有研究將訂單分配與路徑規(guī)劃組合在一起考慮;且現(xiàn)有研究方法主要分為分支定界法等精確算法和遺傳算法等近似算法。隨著問(wèn)題規(guī)模的擴(kuò)大，精確算法的計(jì)算時(shí)間將不斷增加，因此模型運(yùn)用范圍受限。單純地采用精確算法或啟發(fā)式算法，不能夠很好的描述無(wú)人車(chē)配送系統(tǒng)，并且難以應(yīng)對(duì)大規(guī)模動(dòng)態(tài)的無(wú)人調(diào)度決策[2,2。
由于智能體具有個(gè)體異質(zhì)、自主行動(dòng)、環(huán)境感知、信息交互等特點(diǎn)，基于智能體的仿真能夠更加自然、連續(xù)的描述無(wú)人車(chē)、客戶(hù)等實(shí)體之間的動(dòng)態(tài)供需交互行為，并且在仿真過(guò)程中可以靈活的改變智能體的數(shù)量、屬性、行為規(guī)則等。多智能體仿真從個(gè)體級(jí)別開(kāi)始建模，模擬現(xiàn)實(shí)系統(tǒng)中的個(gè)體行為決策、個(gè)體之間的交互合作，系統(tǒng)的變化由單個(gè)智能體行為變化而涌現(xiàn)[2。
因此為了理解無(wú)人車(chē)生鮮配送系統(tǒng)在不同訂單分配策略和路徑規(guī)劃策略下的表現(xiàn)，本文采用多智能體仿真的方法[2，并在此方法中嵌入貪婪算法，以輔助無(wú)人車(chē)智能體的行為決策。利用地理信息強(qiáng)化，將實(shí)際路網(wǎng)、配送站等環(huán)境信息納入到仿真框架中。通過(guò)實(shí)際需求數(shù)據(jù)驅(qū)動(dòng)微觀(guān)個(gè)體仿真，以“自下而上”的建模思路，通過(guò)各智能體間的互動(dòng)決策，群智涌現(xiàn)無(wú)人車(chē)配送調(diào)度系統(tǒng)整體優(yōu)化效果。
1基于多智能體仿真的無(wú)人車(chē)配送調(diào)度方法
1.1多智能體仿真模型概述
基于網(wǎng)購(gòu)生鮮需求時(shí)空變化特征，本研究搭建了基于多智能體仿真的無(wú)人車(chē)生鮮配送模型，由基于實(shí)際路網(wǎng)仿真環(huán)境及若干輛無(wú)人車(chē)智能體、若干個(gè)已知地理位置的客戶(hù)智能體和一個(gè)配送站智能體組成;基于智能體間的互動(dòng)，設(shè)計(jì)不同的訂單分配策略和配送路徑規(guī)劃策略，以實(shí)現(xiàn)客戶(hù)滿(mǎn)意度最大和無(wú)人車(chē)運(yùn)營(yíng)成本最小的優(yōu)化目標(biāo)。本研究建模主要基于以下假設(shè)：(1)所有無(wú)人車(chē)均從配送站出發(fā)并最終返回配送站;(2)每輛無(wú)人車(chē)型號(hào)、最大容量均一致;(3)每位客戶(hù)的需求量為非負(fù)值且小于等于每輛無(wú)人車(chē)的最大容量;(4)在配送過(guò)程中每位客戶(hù)只能由一輛無(wú)人車(chē)服務(wù);(5)無(wú)人車(chē)每次的裝載量均不超過(guò)其最大容量;(6)無(wú)人車(chē)勻速行駛，不考慮行駛過(guò)程中出現(xiàn)交通擁堵、交通事故等突發(fā)情況;(7)配送站擁有全品類(lèi)的生鮮產(chǎn)品，能夠滿(mǎn)足當(dāng)日所有客戶(hù)的需求;(8)只考慮單純送貨任務(wù)，不考慮客戶(hù)取貨情況。
1.2智能體定義
1.2.1智能體類(lèi)型及屬性
①客戶(hù)智能體客戶(hù)智能體的屬性主要包括所在位置、下單時(shí)間及可接受最大延誤時(shí)間。客戶(hù)智能體的行為主要包括向配送站發(fā)送訂單和計(jì)算自身滿(mǎn)意度。客戶(hù)智能體的狀態(tài)隨著配送過(guò)程推進(jìn)依次變化：客戶(hù)下單后由普通客戶(hù)轉(zhuǎn)變?yōu)榇渌涂蛻?hù);該客戶(hù)訂單分配給某一輛無(wú)人車(chē)后，狀態(tài)由待配送客戶(hù)轉(zhuǎn)變?yōu)槟繕?biāo)客戶(hù)，但狀態(tài)仍為false，待無(wú)人車(chē)在配送站取完該客戶(hù)的貨物后，其目標(biāo)客戶(hù)狀態(tài)變?yōu)閞ue;無(wú)人車(chē)決定優(yōu)先配送該客戶(hù)的貨物時(shí)，狀態(tài)由目標(biāo)客戶(hù)轉(zhuǎn)變?yōu)楫?dāng)前客戶(hù);無(wú)人車(chē)完成該客戶(hù)的貨物配送后，狀態(tài)又由當(dāng)前客戶(hù)轉(zhuǎn)變?yōu)槠胀ǹ蛻?hù)。
�、跓o(wú)人車(chē)智能體無(wú)人車(chē)智能體的屬性主要包括數(shù)量、位置、運(yùn)行速度、最大容量、目標(biāo)客戶(hù)列表等。無(wú)人車(chē)智能體的行為主要包括返回倉(cāng)庫(kù)取貨、優(yōu)化目標(biāo)客戶(hù)配送的先后次序、記錄運(yùn)行公里數(shù)及運(yùn)行軌跡。本研究探討的無(wú)人車(chē)具有同樣的容量和成本等參數(shù)。③配送站智能體配送站智能體的屬性主要是待配送客戶(hù)列表。配送站智能體的行為主要是分配待配送客戶(hù)訂單給無(wú)人車(chē)以及更新待配送客戶(hù)列表。
1.2.2智能體行為規(guī)則①客戶(hù)智能體向配送站發(fā)送訂單：待系統(tǒng)時(shí)間到客戶(hù)的下單時(shí)間時(shí)，客戶(hù)智能體會(huì)向配送站發(fā)送訂單。配送站每五分鐘更新一次客戶(hù)新訂單。
1.3環(huán)境定義仿真環(huán)境包括配送站、實(shí)際路網(wǎng)、居民區(qū)建筑等實(shí)物信息及節(jié)假日、疫情實(shí)時(shí)狀態(tài)等環(huán)境信息。仿真環(huán)境中有且僅有一個(gè)配送站。由國(guó)外的管理經(jīng)驗(yàn)可知，目前國(guó)外無(wú)人車(chē)行駛的道路主要有兩種：人行道與機(jī)動(dòng)車(chē)道，不允許在高速公路上行駛。因此無(wú)人車(chē)行駛的實(shí)際路網(wǎng)不包含高速公路。
1.4仿真系統(tǒng)運(yùn)行流程本項(xiàng)目無(wú)人車(chē)生鮮配送仿真流程如圖所示，主要體現(xiàn)了無(wú)人車(chē)、客戶(hù)、配送站三類(lèi)智能體間的交互，通過(guò)不斷調(diào)整無(wú)人車(chē)配送路徑規(guī)劃策略和配送站訂單分配策略，涌現(xiàn)無(wú)人車(chē)自主配送智能調(diào)度效果，實(shí)現(xiàn)客戶(hù)滿(mǎn)意度最大和運(yùn)營(yíng)成本最小的優(yōu)化目標(biāo)。
2城市社區(qū)無(wú)人車(chē)配送案例研究
2.1仿真數(shù)據(jù)輸入
本研究以上海市嘉定區(qū)某生鮮電商的配送區(qū)域?yàn)檠芯繉?duì)象，擬使用無(wú)人車(chē)進(jìn)行網(wǎng)購(gòu)生鮮配送服務(wù)。配送區(qū)域面積為8km×5km，有個(gè)生鮮配送站。共有42個(gè)住宅小區(qū)，3400多個(gè)住宅建筑，總?cè)丝跒?60多戶(hù)，基于該生鮮電商實(shí)際訂單數(shù)據(jù)，新冠肺炎疫情期間，該配送區(qū)域工作日的日均訂單量為800多單。本研究以該配送區(qū)域某個(gè)工作日生鮮配送需求為例，共有858名客戶(hù)智能體參與仿真。
客戶(hù)智能體屬性參數(shù)均來(lái)源于網(wǎng)購(gòu)生鮮客戶(hù)調(diào)查數(shù)據(jù)，其中包括客戶(hù)下單時(shí)間、可接受的最大延誤時(shí)間及家庭月收入水平。無(wú)人車(chē)智能體屬性參數(shù)來(lái)源于現(xiàn)有文獻(xiàn)，包括車(chē)輛速度、租賃成本、行駛成本、最大容量等。目前無(wú)人車(chē)技術(shù)可實(shí)現(xiàn)30秒彈夾式智能換電，100公里續(xù)航[2，因此本研究假設(shè)無(wú)人車(chē)在一天的配送過(guò)程中不需要中途充電。
2.2仿真場(chǎng)景構(gòu)建
在仿真場(chǎng)景的模擬中，共考慮了靜態(tài)、動(dòng)態(tài)訂單分配和距離最近、時(shí)間最緊配送路徑規(guī)劃兩兩組合的四種策略組合場(chǎng)景。靜態(tài)訂單分配與動(dòng)態(tài)訂單分配兩種場(chǎng)景的區(qū)別在于無(wú)人車(chē)是否中途取貨。距離最近配送與時(shí)間最緊配送兩種場(chǎng)景主要體現(xiàn)在無(wú)人車(chē)取完所有目標(biāo)客戶(hù)的貨物后，如何進(jìn)行配送路徑規(guī)劃。在上述四種策略組合場(chǎng)景中，通過(guò)改變無(wú)人車(chē)的數(shù)量及最大容量，來(lái)達(dá)到客戶(hù)滿(mǎn)意度最大(即延時(shí)懲罰成本最小)和運(yùn)營(yíng)成本最小的優(yōu)化目標(biāo)。同時(shí)延時(shí)懲罰成本和運(yùn)營(yíng)成本共同組成了系統(tǒng)總成本，因此可將多目標(biāo)優(yōu)化問(wèn)題轉(zhuǎn)化為單目標(biāo)優(yōu)化問(wèn)題進(jìn)行討論，從而選擇最優(yōu)的策略組合。
2.3結(jié)果分析
本文以運(yùn)營(yíng)成本最小及客戶(hù)滿(mǎn)意度最大為優(yōu)化目標(biāo)，設(shè)計(jì)并測(cè)試了動(dòng)靜態(tài)訂單分配策略及基于貪婪算法的距離最近或時(shí)間最緊配送路徑規(guī)劃策略。為了更好地對(duì)仿真結(jié)果進(jìn)行分析，在上述仿真結(jié)果中選取了四種策略下的最小延時(shí)成本、最小運(yùn)營(yíng)成本、最小系統(tǒng)總成本、最小平均行駛公里數(shù)以及對(duì)應(yīng)的無(wú)人車(chē)數(shù)量和最大容量，如表所示。當(dāng)無(wú)人車(chē)數(shù)量較大，容量較小時(shí)，延時(shí)懲罰成本最小;當(dāng)無(wú)人車(chē)數(shù)量最小，容量最大，運(yùn)營(yíng)成本最小;當(dāng)無(wú)人車(chē)數(shù)量較大，容量最小時(shí)，系統(tǒng)總成本最小;當(dāng)無(wú)人車(chē)數(shù)量最大，容量最大時(shí)，平均行駛公里數(shù)最小。當(dāng)訂單分配策略為靜態(tài)分配，配送路徑規(guī)劃策略為最近優(yōu)先配送時(shí)，系統(tǒng)總成本最小為15579元，此時(shí)無(wú)人車(chē)數(shù)量為28輛，無(wú)人車(chē)最大容量為。
2.4敏感度分析
通過(guò)2.3節(jié)不同策略組合下的仿真結(jié)果對(duì)比分析，靜態(tài)訂單分配與最近配送路徑規(guī)劃是最優(yōu)的策略組合。因此基于該策略組合，本節(jié)對(duì)無(wú)人車(chē)數(shù)量及無(wú)人車(chē)最大容量對(duì)系統(tǒng)總成本影響進(jìn)行了敏感度分析。
3結(jié)論
隨著網(wǎng)購(gòu)生鮮規(guī)模逐年增加，傳統(tǒng)的依靠人力的配送模式已難以滿(mǎn)足配送需求。交通強(qiáng)國(guó)等政策的支持及新冠肺炎疫情的影響加速了無(wú)人車(chē)配送在城市末端配送的應(yīng)用落地。本研究基于網(wǎng)購(gòu)生鮮需求時(shí)空變化特征，搭建多智能體仿真平臺(tái)，評(píng)估無(wú)人車(chē)配送模型的運(yùn)營(yíng)成本以及客戶(hù)滿(mǎn)意度�；谏虾Ｊ心成r電商的某配送區(qū)域的實(shí)際訂單數(shù)據(jù)和網(wǎng)購(gòu)生鮮客戶(hù)調(diào)查數(shù)據(jù)，對(duì)網(wǎng)購(gòu)生鮮無(wú)人車(chē)配送展開(kāi)實(shí)例仿真分析。通過(guò)仿真結(jié)果的對(duì)比分析，發(fā)現(xiàn)當(dāng)組合策略為靜態(tài)訂單分配，路徑規(guī)劃策略為距離最近優(yōu)先配送時(shí)，延時(shí)懲罰成本和運(yùn)營(yíng)成本皆最小，從而系統(tǒng)總成本最小。
并在此策略下，對(duì)無(wú)人車(chē)數(shù)量和無(wú)人車(chē)的最大容量對(duì)系統(tǒng)總成本影響進(jìn)行了敏感度分析，發(fā)現(xiàn)為滿(mǎn)足該配送區(qū)域的網(wǎng)購(gòu)生鮮訂單配送服務(wù)無(wú)人車(chē)日均數(shù)量應(yīng)不少于18輛。本研究中的無(wú)人車(chē)配送路徑規(guī)劃采取了貪婪算法，無(wú)人車(chē)總是選取距離最近或時(shí)間最緊的目標(biāo)客戶(hù)進(jìn)行優(yōu)先配送，所得結(jié)果易陷入局部最優(yōu)。未來(lái)的研究將融合深度強(qiáng)化學(xué)習(xí)從全局優(yōu)化的角度進(jìn)行無(wú)人車(chē)配送的智能調(diào)度。本項(xiàng)目研究中的無(wú)人車(chē)行駛路網(wǎng)已基于現(xiàn)有地理信息篩選優(yōu)化，但還需更精細(xì)的地理信息識(shí)別，以提升方案結(jié)論的落地性。
參考文獻(xiàn)：
[1]艾瑞咨詢(xún).2019年中國(guó)生鮮電商行業(yè)研究報(bào)告[EB/OL].[202018].http://report.iresearch.cn/wx/report.aspx?id=3400.Iresearch.2019ChineseFreshEcommerceIndustryResearchReport[EB/OL].[202018]. http://report.iresearch.cn/wx/report.aspx?id=3400.
[2]艾媒咨詢(xún).2019年中國(guó)生鮮電商行業(yè)商業(yè)模式與用戶(hù)畫(huà)像分析報(bào)告[EB/OL].[202018].http://report.iresearch.cn/wx/report.aspx?id=3400.Iresearch.2019ChineseFreshEcommerceIndustryBusinessModelandUserPortraitAnalysisReport[EB/OL].[202018]. http://report.iresearch.cn/wx/report.aspx?id=3400.
[3]張珉.新冠肺炎疫情下的無(wú)人配送[J].企業(yè)觀(guān)察家,2020,(3):4647.ZhangMin.AutonomousDeliveryintheContextofCOVID19[J].CorporateObserver,2020,(3):4647.
[4]史映紅.生鮮產(chǎn)品物流配送中存在的問(wèn)題及對(duì)策[J]..現(xiàn)代商業(yè),2020,(2):6061.
作者：陸淼嘉，黃承媛，滕靖
轉(zhuǎn)載請(qǐng)注明來(lái)自發(fā)表學(xué)術(shù)論文網(wǎng)：http:///dzlw/27881.html
