队伍简介
我们队伍的成员包括：罗吉钦、陈锦锋、陈峻铭、陈文洲、吴泉东、郑均杰、陈敏、梁彩晶、廖银妮，其中组长罗吉钦，工作安排如下表所示：
姓名 |
学号 |
文案负责内容 |
其他工作 |
罗吉钦 |
3115003839 |
案例选址分析（4.2,25%） |
制作问卷、联系企业 |
陈锦锋 |
3115003826 |
京东概况（2.1,2.2，2.3.1，75%） |
数据整理 |
陈峻铭 |
3115003827 |
中转站选址分析（3.3，35%）案例选址分析（4.1,50%） |
数据整理 |
陈文洲 |
3115003828 |
总结（100%） |
数据整理 |
吴泉东 |
3115003843 |
京东概况（2.3.3，10%） |
数据整理 |
郑均杰 |
3115003849 |
中转站选址分析（3.1，30%） |
数据整理 |
陈敏 |
3215003851 |
绪论（100%）案例选址分析（4.2,25%） |
论文整合、排版 |
梁彩晶 |
3215003853 |
中转站选址分析（3.2，35%） |
发布并收集问卷 |
廖银妮 |
3215003854 |
京东概况（2.3.2，15%） |
发布并收集问卷 |
摘要
本文选取京东广州中转站作为研究对象，介绍京东与其快递业务的发展概况及趋势，分析其自建物流的问题，在预测未来快递单量增加超出现有快递站点的负荷情况下，利用层次分析法及灰色关联法，对中转站的建设选址作出分析与规划。
关键词：京东快递，层次分析法，灰色关联法
目录
1 绪论 5
1.1 项目背景 5
1.2 研究方法 9
1.3 项目研究计划 9
2 京东概况 10
2.1 企业基本概况 10
2.2 京东的商业模式 12
2.3 京东快递配送 13
3 中转站选址分析 19
3.1 层次分析法 19
3.2 灰色关联分析法 21
3.3 K-means算法简介 23
4 案例选址分析 24
4.1 使用K-means计算京东新中转站坐标 24
4.2 运用层次分析和灰色关联进行选址分析 30
5 总结 35
1 绪论
1.1 项目背景
随着互联网的传播、发展与利用的加深，互联网产业已经呈现出蓬勃发展的态势，网民规模不断扩大，与经济社会深度融合的基础也更加坚实。据前瞻产业的数据显示，截至2017年上半年，我国网民数量规模已达7.51亿人，互联网普及率达到54.3%。庞大的用户基础为电商发展以及网络购物的高速增长提供了强劲动力。根据国家统计局电子商务交易平台调查显示，2017年全国电子商务交易额达到29.16万亿元，同比增长11.7%。目前，电商行业已进入全面纵深发展阶段。随着国家对于电子商务的多项支持政策的出台，物流、支付形式等配套设施的不断完善以及互联网金融的开发利用，电商行业的规模仍会不断扩大。
据前瞻数据库的最新整理信息显示，2015年我国网购市场交易规模达到3.02万亿元，较2014年增长23.3%；2016年我国网络市场交易规模达到3.6万亿元，增长19.2%；到2017年，我国网络市场交易规模达到6.295万亿元，增长22%。预计2018年将突破7万亿元，具体如图1-1所示。
图1-1 中国网络市场交易规模
从网络购物市场交易规模结构来看，2015年中国网络购物市场中B2C市场交易规模为2.0万亿元，在整体中占比51.9%，较2014年的45.2%提升6.7个百分点，年度占比首次超过C2C。并且此后，B2C市场占比仍持续增加。据艾瑞网最新相关数据，2017年Q3中国网络购物市场中B2C市场交易规模约为0.9万亿元，在中国整体网络购物市场交易规模中的占比达到61.1%，较去年同期提高5.8个百分点；从增速来看，2017Q3期间B2C网络购物市场同比增长43.7%，C2C市场同比增长13.5%，从整体来看，B2C仍是网络购物市场的主流模式。2016Q1~2017Q3中国网络购物市场交易规模结构如图1-2所示。
图1-2 2016Q1-2017Q3中国网络购物市场交易规模结构
B2C网络购物市场中，一直有京东、天猫等企业领跑。从市场份额来看，2017年Q3中国B2C市场中，京东的市场份额位列第二，仅次于天猫。两家占比超过80%，同比增长平均近40%，“高基数+高增长”拉动B2C市场的持续扩大。此外，苏宁易购等同比增速也均高于B2C行业的整体水平。2015Q4中国 B2C购物各网站交易规模市场份额如图1-3所示。
图1-3 2017Q4中国B2C购物各网站交易规模市场份额
以上数据说明中国经济增长与消费结构的变化引发的电子商务的井喷式的发展，消费者在网络消费商有着更大的选择空间。在此背景下，自然对物流行业提出更高的要求。物流业是连接电商企业与客户的服务型产业，其所带来的服务是“可视化”的，特别是最后一公里配送，服务水平高低直接影响客户对电商企业的评价。但随着电商交易规模的不断扩大，快递业务量也在高速增长。据国家邮政局统计，2016年，我国快递业务总量达313亿件，同比增长51.3%；快递业务收入完成3974亿元，同比增长43.5%。同时，预计2017年及2018将分别完成401亿件与490亿件。具体信息如图1-4所示。
图1-4 2011-2018年中国快递行业务总量趋势图（单位：亿件，%）
现有的社会化快递物流的供给能力已经不能契合消费者的需要，越来越大的水平落差暴露出越来越多的问题，也导致大量的客户投诉。根据国家邮政局的数据显示，消费者申诉快递服务的主要问题仍是投递服务及延误。因此，优化快递配送网络、提高配送效率成为了亟待解决的问题。2018年3月消费者申诉快递服务的主要问题及所占比例如表1-1所示。
表1-1 2018年3月消费者申诉快递服务的主要问题及所占比例统计表
优化快递服务水平的重要途径之一是完善配送网络中物流设施的选址布局。快递配送中转站在整个配送网络中占据着重要作用，作为承上启下的连接点，其选址是否恰当直接关系到快递配送的成本和效率。一个好的选址方案能够促进配送效率的提高，反之，不但会降低配送效率，更难以满足日益增长的网购快递配送需求。此外，中转站的建设与运营需要一定的投资，中转站一旦建成便不会轻易改变，因此我们要求中转站的选址必须考虑周全、长远。
因此，本文我们针对京东在广州地区的发展及快递服务的需求，结合其快递中转站的分布现状，依据我们对其未来的发展预估，分析并规划合适的中转站建设方案。
1.2 研究方法
1.2.1 文献研读
本文我们首先通过查阅相关网站数据，推测京东未来的几年的线上交易额度及将产生的快递单量。再者，在翻阅文献的基础上，采用定性及定量分析相结合的方式，对比所得数据，对广州京东中转站设立的决策作出深入研究。
1.2.2 问卷调查
在采用定性分析与定量分析的过程中，通过设计调查问卷，向包括老师，同学在内的群体发放填写，再利用已有数据结合模型进行分析，从而得出更加科学的中转站设置方案。具体问卷及问卷分析结果见附录。
1.3 项目研究计划
根据确定的课题，我们作出以下计划：
计划起始时间 |
研究计划 |
2018年3月5日~3月10日 |
①确定选题及研究对象企业，联系相关人员，获取有效数据及信息； ②制作第一次汇报材料 |
2018年3月11日~3月14日 |
查找相关资料，讨论确定论文提纲（初稿） |
2018年3月15日~3月17日 |
数据整理与分析，编制调查问卷 |
2018年3月18日~3月20日 |
修改并确定最终提纲，组内任务分配 |
2018年3月21日~4月15日 |
撰写论文（初稿） |
2018年4月16日~4月25日 |
①发布调查问卷，问卷结果整理与分析； ②中检论文整理，制作汇报PPT，中检汇报 |
2018年4月26日~5月10日 |
论文内容调整、补充、排版 |
2018年5月11日~5月21日 |
终检汇报PPT制作，课程项目汇报 |
2 京东概况
2.1 企业基本概况
京东于1998年6月18日，由刘强东在北京中关村创立。2004 年 1 月，京东公司以京东多媒体网为起点，开始正式涉足电商。自 2004年至 2006 年，京东商城的年销售额分别为1000万元、3000万元、8000万元。2007年京东以B2C 模式为切入点，以3C为销售重点，开始在电商领域发力。在2007年当年实现了销售额3.6亿元，并在次年2008年实现13.2亿元的销售额。
京东2013 年商品销售总额突破千亿元，2014 年商品销售总额达 2602亿元，同比增长 107%，达到行业平均增速的2倍多。2014年中国网络购物交易规模同比增长了48.7%。2015年全年，京东全市场交易额己经达到将近3000亿元，京东市场交易额达到3173亿元，同比增长82%；净收入达到1266亿元，同比增长58%。2016年前三个季度营收己达到将近1800亿元。截止到2016年12月，京东己经占据我国一半以上的电子商务交易份额，并且拥有遍及全国各地的约1.269亿活跃用户。2017年全年交易总额接近1.3万亿元人民币；2017年全年服务业务收入和其他收入同比增长49.9%，2017年第四季度同比增长54.7%；年度活跃用户数达2.925亿，同比增长29.1%；截至2017年12月31日，京东物流运营486个大型仓库，总面积约1000万平方米。
图2-1 京东14-15年的交易数据（亿元）
2014年京东集团（JD.COM,INC.）在美国纳斯达克上市，当前市值约400亿美元，跻身全球前十大互联网公司，自营 B2C 市场规模国内占比超过 50%，全球自营营收规模仅次于亚马逊。
图2-2 京东14-17年交易总额（亿元）
京东目前全面布局三大业务板块：电商、物流和金融。其一，致力于打造一站式综合购物平台的京东商城，通过组建大快消、电子文娱、时尚生活三大事业群，完成包括3C、家电、生鲜、、家居家装等全品类覆盖，满足消费者日益多元的消费需求。
其二，于2013年10月开始独立运营的京东金融集团，致力于利用大数据、人工智能、云计算、区块链、物联网等新兴科技，为金融机构提供人、货、场的数字化、线上线下全场景化服务，助力金融机构在场景拓展、获客、运营、风控、研发等核心价值环节提升效率、降低成本、增加收入。截至目前，京东金融已建立起11大业务板块——企业金融、消费金融、财富管理、支付、众筹众创、保险、证券、农村金融、金融科技、海外事业、城市计算。2017年6月，京东金融重组完成交割。
其三，于2017年4月25日宣布成立京东物流集团，通过智能化布局的仓配物流网络，为商家提供正逆向一体化供应链解决方案服务、快递、快运、大件、冷链、跨境、客服、售后等全方位的物流产品和服务以及物流云、物流科技、物流数据、云仓等物流科技产品。目前，京东拥有中小件、大件、冷链、B2B、跨境和众包（达达）六大物流网络，拟凭借这六大网络在全球范围内的覆盖以及大数据、云计算、智能设备的引入应用，打造一个从产品销量分析预测，到入库出库、再到运输配送各个环节无所不包，综合效率、算法的智慧供应链服务系统。
2.2 京东的商业模式
京东的商业模式可以简单描述为：以电商为核心，重点发展技术和金融，最终形成电商为核心，技术为驱动，金融为特色的互联网公司。电商是京东业务的核心，是京东公司的骨架，其信息流、资金流、物流都将成为京东未来重点进行价值挖掘的领域。依靠京东的资金流，京东金融开发出消费金融（京东白条）、产业链金融（京保贝）等产品。消费者凭借之前的消费记录，可以通过手机验证的方式，迅速开通京东白条，获得一定的授信，做到了操作方便，安全可靠。京保贝是供应商凭借采购，销售等数据获得京东的贷款，贷款审批周期缩短到 3分钟。近年来，京东不断加大对技术的投入力度，在满足自用的前提下，开始开发出自己的技术产品对外输出。比如京东云服务就是现有京东打造出来的技术服务产品，现在京东可提供园区云（为园区提供一整套管理方案），电商云（为政府采购、企业电商化）等服务。未来京东仓储对外开放后，京东的大数据可以用来指导第三方客户的备货等工作，从而实现京东最核心技术的输出。
图2-3 京东集团业务板块
2.3 京东快递配送
2.3.1 业务概况
为了破解电商平台纵深发展的瓶颈制约，提高物流配送体验，京东开始自建其物流体系。而这些年逐渐发展完善，作为目前国内数一数二的电子商务运营企业，京东已经拥有一套较为成熟的电商物流系统。
2007年，京东在得到融资1000万美元后，开始建设自营物流体系，2007年7月，京东建成北京、上海、广州兰大物流体系，总物流面积超过5万平方米。2009年斥资2000 万元在上海设立上海圆迈物流快递公司，此后覆盖全国的物流配送体系陆续建立。2010年6月，京东商城开通全国上口取件服务，彻底解决网购的售后之忧。2010年9月底，京东获得了国家邮政局颁发的快递业务经营许可证。同年，京东在上海投资建设到现在为止最大的仓储中心--“华东物流仓储中心”。
截至目前，京东物流在全国范围内拥有263个大型仓库，运营了9个大型智能化物流中心“亚洲一号”，自营配送覆盖了全国98%的人口。京东物流配送系统和设施不断完善，配送速度和质量也在不断提高。京东专业的配送队伍能够为消费者提供一系列专业服务，如：211限时达、次日达、夜间配和极速达，GIS包裹实时追踪、售后100分、快速退换货以及家电上口安装等。其中“211限时达”是京东自营配送在2010年4月推出的服务。消费者当日上午11：00前提交的现货订单（部分城市为上午10点前），以订单出库完成拣货时间点开始计算，当日送达；夜里11：00前提交的现货订单（以订单出库后完成拣货时间点开始计算），次日15：00前送达。此外，北京、上海、广州、成都等部分城市的部分派送区域消费者可以通过付费的方式要求京东在服务时间内，2小时将商品送至目的地，此为极速达服务。高效的配送让消费者得到优质的购物体验，以下是京东在北京、上海、广州、成都、武汉、沈阳、西安等地的快递时效表。
表2-1 快递时效表
2.3.2 业务流程
京东已在全国建立起高效的自营物流配送网络并为消费者提供优质的配送服务，出于对城市发展水平、消费者满意度、自身配送资源限制和配送成本等因素的考虑，京东在不同城市采取不同的配送频率，即每天对消费者所下的订单商品按时间节点进行配送时所分的批次。通过观察图2-4京东配送业务流程图，配送的各个环节从正向货物的送达到逆向货物的回收，环环相扣，井然有序。
图2-4 京东快递配送业务流程图
图2-5 京东配送系统的构成
图2-5是京东配送系统的构成，展示了系统中具体作业流程及各环节间的配送资源数量对应关系。，配送系统目前每天会依据制定的配送时效对不同时间段内的订单分批次配送，每批次订单配送作业包含仓储、摆渡、分拣、运输和终端配送等环节，一般运作流程为多个仓库中的商品出库后由车辆摆渡至对应一个分拣中心进行分拣，分拣中心分拣好后由运输车辆将商品运输至对应的多个配送站，再由配送站中的配送人员将商品送至负责区域内各个消费者手中。
伴随着城市所需配送订单量的上升和消费者对快捷配送服务的追求，企业迫切希望通过提升配送频率以更加有效疏解订单高峰期的配送压力和满足消费者快捷性需求，因此，在各快递站点之间建立一个中转站是目前我们做出的一个决策。通过建立中转站智能化布局仓配物流网络，提供仓储、运输、配送、客服、售后的正逆向一体化供应链，提升物流效率，降低物流成本，达到消费者满意度强和保持配送系统低成本水平运行。
2.3.3 京东自建物流问题分析
据统计，京东在2017年第一季度平均日单量达到了160万件，同比增长41%，同时2017年第一季度也是京东扭亏为盈的标志性的一个季度。那么该如何来解读期亏损的京东是如何扭亏为盈的？
首先，京东营收的增长得益于消费升级的变化和良好的用户体验，在基本生活需求得以满足的前提下，人们开始追求更高的生活品质例如从购物品类上来看，空气净化器、洗碗机受到青睐，扫地机器人近5年的销售金额增长超过30倍。剁手党们购物从单纯的看重价格向追求更高品质、更高颜值、更高性价比的产品组合转型。其次，移动App降低购物技术门槛，随时随地买买买成为常态，去年提出的新零售概念在今年持续升温，“无处不在的消费场景”是新零售的一个重要特征上述购物行为均有助于增加网购频次、增加电商平台的订单量，是京东总订单量提升的技术因素。最后，京东良好的购物体验带来新增客户。京东提升用户体验的靠的是是高时效、满足多种场景的仓配体系和京东的正品保障。
其中我觉得最重要的是京东的效率保证。时效的突出表现离不开京东仓储和配送网络体系的搭建。商家将货品储备在京东的263个仓库中，通过分布式仓储布局将货品前置，提前将货品储备在京东的263个仓库中，一旦消费者下单便能以同城配送的时效送货上门，节省了干线运输的时间。六大物流网络，如大件网、冷链网、众包网，则满足了多场景下的用户物流需求。
面对日益增长的用户量和订单量，对于京东的自建物流体系带来的压力是立竿见影的。现有的运营体系能不能够支撑出这个海量订单带来的压力，配送站的运作效率能否跟上订单的增长速度，各种物流设施的建设和配送站的规划能不能满足京东迅速发展的需要。这些都给京东的自建物流提出新的要求。目前京东拥有7个智能物流中心、254个仓库，京东在物流领域的投入占据了京东相当大的成本投入支出，后续建设还需要继续投入资金以维持物流系统的运转。这也是京东的财报不好看的原因之一。
在互联网的浪潮下，京东物流在B2C已经取得领先的优势，但随着传统快递企业在资本市场推动下，入顺丰和“四通一达”通过融资进一步完善自己的服务能力，加大末端市场的基础设施建设，京东想要从这些巨头中取得一块蛋糕并不容易。如何在分析京东现有的物流中心运行效果和对未来市场的预测，优化京东的物流，特别是全国物流中心和配送站的规划。
面对自建物流如此高额的的运营建设成本，在未来京东必须降低运输成本，但是前期的物流成本使京东的资金压力，管理压力运营风险加大。短期内完成中国全面覆盖是非常不容易的，在建物流中心和数以千计的配送站和仓库时，一旦资金量断裂会给企业带来难以想象的后果。
在订单量增长的同时，售后退换的库存也在增长。据了解带处理的售后退换占了整个京东仓库的25%。一旦退换货的商品处理不及时产生的订单堆积会导致仓储压力变大。
在这样的背景下，如何通过对广州京东的配送站，自提点进行优化和新的配送站及自提点进行规划，是本次课题的研究方向。因此，本文从物流管理相关理论出发，结合未来广州京东物流快递中转站设置可能出现的问题，寻求设置京东快递中转站的最有决策和方案。
3 中转站选址分析
科学、合理、系统地进行快递配送中转站选址对于提高快递物流服务水平，控制快递配送成本，提高效率有着重要作用。目前在物流选址决策中，使用的方法主要分为两类：定量分析方法及定性分析方法。定量分析方法中比较典型的主要有重心法、物流作业量法、启发式算法、线性整数规划等；而定性分析方法又称为“综合因素评价”，根据选址时考虑的各项因素或准则，进行综合的定性分析，从而建立评价指标体系。综合因素评价法在选址决策中较为常见，主要包括层次分析法、灰色关联法、模糊综合评价法、数据包络法及德尔菲法等。
本文研究中，考虑到单一综合评价法在确定指标权重、评价打分备选方案等方面受评价个人主观影响较大。同时结合案例本身的情况，计划采用层次分析与灰色关联分析相结合的综合评价方法对广州京东快递中转站的选址进行研究。
3.1 层次分析法
层次分析法（Analytic Hierarchy Process，简写AHP）是美国学者于20 世纪70 年代提出的一种新的系统分析方法，适用于决策结构较为复杂、决策准则较多而且不易量化的决策问题。该方法是一种定性与定量相结合的决策分析方法，主要是将复杂问题中的各指标通过划分为相互关联的有序层级，根据客观判断和专家意见进行指标间重要性比较而得出分析结果。它紧密联系决策者的主观判断和推理分析，对决策者的推理过程进行量化的描述，可以避免决策者在结构复杂和方案较多时逻辑推理上的失误。但层次分析法缺乏评价指标之间的相关性分析能力。其具体的实验步骤包括：①建立层次结构模型；②构建判断矩阵；③一致性检验。
3.1.1 建立层次结构模型
在本文所研究的问题中，构建层次结构模型，建立选址评价指标体系，需要结合规划快递中转站的几项影响因素：适应性、协调性、经济性以及可持续发展。在此基础上，结合物流设施选址评价指标体系的共性：基础条件及成本等。因此，针对京东广州快递中转站选址问题，本文建立了包含经济效益、社会环境、基础设施三大类共九项指标的评价体系。其中，经济效益包括站点区域单量、运营成本、场地租赁成本。社会环境包括人口密度、消费水平及与城市规划总体协调性；最后该指标考虑中转站运营的基础设施，包括交通运输条件、地理位置、空间场所拓展条件，这是中转站运作和发展的基础条件。本文所构建的快递中转站选址评价指标体系如表3-1所示：
表3-1 中转站选址评价指标体系表
一级指标 |
二级指标 |
经济效益A1 |
站点区域单量C1 |
运营成本C2 |
场地租赁成本C3 |
社会环境A2 |
人口密度C4 |
消费水平C5 |
与城市规划总体协调性C6 |
基础设施A3 |
交通运输条件C7 |
地理位置C8 |
空间场所拓展条件C9 |
3.1.2 构建判断矩阵
构造多层次结构模型，其中一级指标作为层次分析法的一级准则层，二级指标作为二级准则层。在建立多层次结构模型后，上下级指标之间的隶属关系也随之确定，即可分别比较经济效益、社会环境、基础设施三个一级指标之间的相对重要程度关系以及各一级指标所隶属的二级指标之间的相对重要程度。在层次分析法中，相对重要程度的判断是通过指标间的两两对比来确定的，所构建判断矩阵如下:
3.1.3 一致性检验
在本文中，进行一致性检验之前，需要完成层次单排序。层次单排序，即计算同一层次内指标相对上一级的重要程度所确定的权重。它可以归结为计算各判断矩阵的最大特征值和对应的特征向量的问题。本文中，我们采用和根法进行层次单排序计算判断矩阵的最大特征根λmax。在此之后，利用矩阵的最大特征值以及一致性指标进行一致性检验。具体表现为取一致性指标CI和随机一致性指标值RI之比CR为一致性检验判别式CR=CI/RI。当CR=0时，判断矩阵完全一致;当CR＜0.1时，判断矩阵具有满意的一致性;当CR＞0.1时，判断矩阵不具有一致性，则需要重新调整判断矩阵指标之间的重要程度。再根据一级指标和二级指标之间的隶属关系，确立各个评价指标的权重分配向量为 Wj =［w1， w2，…， wn］。一致性指标值RI如表3-2所示:
表3-2 随机一致性指标
维数n |
1 |
2 |
3 |
4 |
5 |
6 |
7 |
8 |
9 |
RI |
0.00 |
0.00 |
0.58 |
0.96 |
1.12 |
1.24 |
1.32 |
1.41 |
1.45 |
3.2 灰色关联分析法
灰色关联分析是由著名学者邓聚龙教授首创的一种系统科学理论(Grey Theory)，指对一个系统发展变化态势的定量描述和比较的方法，其基本思想是通过确定参考数据列和若干个比较数据列的几何形状相似程度来判断其联系是否紧密。该方法通过求得各方案与理想方案的关联系数矩阵，利用关联系数矩阵得到关联度，再根据关联度大小和评语集进行排序和分析而得出结论。该方法通常适用于利用已知信息来确定系统内的未知信息的情况，却不能区分评价指标之间的权重关系且评价打分具有一定主观性。灰色关联分析的步骤主要包括：①确定分析数列；②变量的无量纲化；③计算关联系数；④计算关联度；⑤关联度排序。结合前面的层次分析法及案例需要，具体分析步骤如下：
3.2.1 构建灰色原始评价矩阵
设中转站备选点有m个，评价指标为n个，采用专家打分法为总共m个备选点构建原始评价矩阵如下所示:
取每个指标下的最大值，设定为最优指标集设X0k =［X01， X02，…， X0n］。由于备选点的评价指标通常具有不同的数量级和量纲，难以直接进行衡量，因此要对原始评价指标进行规范化处理，本文采用均值化算子对评价指标进行无量纲化处理，以经过均值化算子处理后的最优指标集 X'0k =［X'01， X'02，…，X'0n］。
3.2.2 计算灰色关联系数
采用如下公式分别计算第 i个方案中第k个指标与对应的最优指标的关联系数:
3.2.3 计算加权灰色关联度
根据所求的各灰色关联系数构建如下灰色关联系数矩阵:
其中，εik( i=1， 2，…，m; k= 1， 2，…， n) 表示第 i个备选点的第k个指标与相对应的最优指标之间的灰色关联系数。根据层次分析法所确立的各指标权重和灰色关联分析所确定的各备选点与理想方案指标之间的灰色关联系数，计算得出各备选点方案的加权灰色关联度。结合层次分析法所求的各指标权重 W=［w1， w2，…， wn］，则备选点 i 的最终加权灰色关联度为:
当各个中转站的加权灰色关联度确定后，即可结合实际情况，根据灰色关联度的大小对中转站进行排序，完成中转站的选址过程。
3.3 K-means算法简介
K-means算法，也称K-均值，是使用广泛的最基础的聚类算法。
3.3.1 算法步骤
假设输入样本为T=X1, X2, …, Xm：
①选择初始化的k个类别中心a1, a2, …, ak；
②对于每个样本Xi，将其标记为距离类别中心ai最近的类别j；
③更新每个类别的中心点aj为隶属该类别的所有样本的均值；
④重复上面两个步骤，直到达到某个中止条件。
3.3.2 中止条件：迭代次数、最小平方误差MSE、簇中心点变化率
4 案例选址分析
4.1 使用K-means计算京东新中转站坐标
我们查询了京东在天河区的所有站点坐标，然后使用计算机进行新建中转站位置聚类计算。整个过程使用python语言，以及python的numpy、matplotlib、scikit-learn与scipy库。其中numpy是矩阵计算库，matplotlib是作图库，scikit-learn（sklearn）是通用的机器学习库，还有scipy是数学工具包。
4.1.1 代码实现：
导入站点坐标：
#coding:utf-8 import csv import numpy as np import matplotlib as mb import matplotlib.pyplot as plt plt.rcParams['font.sans-serif']=['SimHei'] #用来正常显示中文标签 def fileload(filename): csvfile = open(filename) data = csv.reader(csvfile) x, y= [], [] for line in data: x.append(line[3])# 读取经纬度 y.append(line[4]) csvfile.close() x , y= x[1:], y[1:] x = [float(i) for i in x] y = [float(i) for i in y] return x, y x, y = fileload('Sites.csv') print(x,'\n',y) |
[113.350743, 113.324964, 113.337669, 113.417976, 113.365066, 113.406818, 113.362538, 113.337634, 113.328752, 113.37097, 113.381365, 113.376935, 113.434061, 113.384611, 113.335754, 113.33578] [23.187018, 23.13214, 23.13497, 23.134165, 23.157009, 23.137072, 23.121101, 23.134713, 23.159066, 23.11824, 23.159145, 23.202541, 23.126634, 23.139654, 23.158434, 23.158574] |
|
画站点分布图：
plt.figure(figsize=(14,8)) plt.plot(x, y, 'ro') plt.axis([113.3, 113.46, 23.1, 23.21]) plt.xlabel('经度', size='24', color='#00FFFF') plt.ylabel('纬度', size='24', color='#00FFFF') plt.title('天河区京东站点分布图', size='40', color='#FF00FF') plt.grid(True) plt.show() |
<Figure size 1008x576 with 0 Axes> Out[2]: [<matplotlib.lines.Line2D at 0x1ced5b835f8>] Out[2]: [113.3, 113.46, 23.1, 23.21] Out[2]: Text(0.5,0,'经度') Out[2]: Text(0,0.5,'纬度') Out[2]: Text(0.5,1,'天河区京东站点分布图')
 |
生成聚类矩阵：
import numpy #两列数据生成二维数据 T = dict(zip(x, y)) #dict类型转换为list data_list = list(map(lambda x, y: (x, y), T.keys(), T.values())) #list类型转换为np.array data_array = numpy.array(data_list) print(data_array) |
[[113.350743 23.187018] [113.324964 23.13214 ] [113.337669 23.13497 ] [113.417976 23.134165] [113.365066 23.157009] [113.406818 23.137072] [113.362538 23.121101] [113.337634 23.134713] [113.328752 23.159066] [113.37097 23.11824 ] [113.381365 23.159145] [113.376935 23.202541] [113.434061 23.126634] [113.384611 23.139654] [113.335754 23.158434] [113.33578 23.158574]] |
传入K-means参数k=1：
kmeans = KMeans(n_clusters=1) kmeans.fit(data_array) centroids = kmeans.cluster_centers_# 获取聚类中心 print(centroids) |
KMeans(algorithm='auto', copy_x=True, init='k-means++', max_iter=300,n_clusters=1,n_init=10,n_jobs=1,precompute_distances='auto',random_state=None, tol=0.0001, verbose=0) [[113.36572725 23.14752975]] |
画出新中转站：
plt.figure(figsize=(14,8)) plt.plot(x, y, 'ro') plt.plot(centroids[:,0], centroids[:,1], 'bx') plt.axis([113.3, 113.46, 23.1, 23.21]) plt.xlabel('经度', size='20', color='#00FFFF') plt.ylabel('纬度', size='20', color='#00FFFF') plt.title('中转站及站点分布图', size='40', color='#FF00FF') plt.grid(True) plt.show() |
|
<Figure size 1008x576 with 0 Axes> Out[7]: [<matplotlib.lines.Line2D at 0x1ced80be390>] Out[7]: [<matplotlib.lines.Line2D at 0x1ceb4ba3668>] Out[7]: [113.3, 113.46, 23.1, 23.21] Out[7]: Text(0.5,0,'经度') Out[7]: Text(0,0.5,'纬度') Out[7]: Text(0.5,1,'中转站及站点分布图')
 |
坐标反查可知新建中转站预设点：
4.2 运用层次分析和灰色关联进行选址分析
中转站作为连接集散中心和末端网点的重要节点，在整个配送网络中占据重要作用，中转站选址的恰当与否直接关系到快递配送的成本和效率，因此进行合理的评价选择非常重要。
要完成京东在天河区的快递中转站选址，有两个基本途径：1、新设地点，建立一个中转站；2、改造已有配送站点，完成中转站的设立。回顾第X章内容，我们已通过运用K-means算法得出一个理想的新快递中转站预设点。以下，结合天河区已有的17个配送站点信息，我们将采取本文提出的层次分析和灰色关联相结合的方法进行中转站选址分析。
4.2.1 计算指标权重
根据表4-1的评价指标体系，利用专家打分法并结合问卷调查的数据，分别构建中转站选址评价的一级指标之间以及二级指标相对各一级指标之间的判断矩阵，并计算得到各矩阵的一致性检验参数值和指标的权重，如表4-1~4-4所示：
表4-1 准则层评价指标权重
|
A1 |
A2 |
A3 |
W |
一致性检验指标 |
A1 |
1 |
2 |
5 |
0.5816 |
λmax=3.0037 |
A2 |
1/2 |
1 |
3 |
0.3090 |
CI=0.0018 |
A3 |
1/5 |
1/3 |
1 |
0.1095 |
CR=0.0032 |
表4-2 经济效益准则层评价指标权重
A1 |
C1 |
C2 |
C3 |
W |
一致性检验指标 |
C1 |
1 |
3 |
5 |
0.6267 |
λmax=3.0858 |
C2 |
1/3 |
1 |
4 |
0.2797 |
CI=0.0429 |
C3 |
1/5 |
1/4 |
1 |
0.0936 |
CR=0.0739 |
表4-3 社会环境准则层评价指标权重
A2 |
C4 |
C5 |
C6 |
W |
一致性检验指标 |
C4 |
1 |
3 |
5 |
0.6267 |
λmax=3.0858 |
C5 |
1/3 |
1 |
4 |
0.2797 |
CI=0.0429 |
C6 |
1/5 |
1/4 |
1 |
0.0936 |
CR=0.0739 |
表4-4 基础设施准则层评价指标权重
A3 |
C7 |
C8 |
C9 |
W |
一致性检验指标 |
C7 |
1 |
2 |
4 |
0.5584 |
λmax=3.0183 |
C8 |
1/2 |
1 |
3 |
0.3196 |
CI=0.0091 |
C9 |
1/4 |
1/3 |
1 |
0.1220 |
CR=0.0158 |
经过检验，各矩阵判断结果一致性指标CR均符合小于0.1的要求，所以判断矩阵的构建具有可靠性。根据一级指标和二级指标的隶属关系，最终确定备选中转站评价指标权重如表4-5所示：
表4-5 中转站评价指标权重
评价指标 |
C1 |
C2 |
C3 |
C4 |
C5 |
C6 |
C7 |
C8 |
C9 |
指标权重 |
0.36 |
0.16 |
0.05 |
0.07 |
0.03 |
0.01 |
0.17 |
0.10 |
0.04 |
4.2.2 计算加权灰色关联度
为避免专家打分法的主观性因素影响，我们通过前期调研及文献阅览等方式获取相关数据，并对数据进行处理，从而对中转站每一评价指标进行打分。相关数据来源如表4-6所示：
表4-6 相关数据来源
经济效益-A1 |
站点区域单量-C1 |
前期企业调研数据 |
运营成本-C2 |
快递员平均工资及设备运营费用 |
场地租赁成本-C3 |
地段租金 |
社会环境-A2 |
人口密度-C4 |
学校、住宅密度及相应的平均人口密度 |
消费水平-C5 |
该地区餐馆人均消费水平 |
与城市规划总体协调性-C6 |
该地区住宅比例 |
基础设施-A3 |
交通运输条件-C7 |
早晚两次交通拥堵情况--车辆行进时速 |
地理位置-C8 |
与各配送站距离的平均值 |
空间场所拓展条件-C9 |
该站点场地面积大小及运营水平 |
依据所得数据，我们对各备选中转站的站点区域单量、消费水平、空间场所拓展条件等九个指标进行打分评价，原始灰色打分信息如表4-7所示：
表4-7 原始打分信息表
指标 备选点 |
C1 |
C2 |
C3 |
C4 |
C5 |
C6 |
C7 |
C8 |
C9 |
广州千禧站 |
359.62 |
4 |
14 |
6 |
4 |
15 |
0.72 |
35.20 |
29.26 |
广州体育站 |
199.52 |
2 |
1 |
14 |
16 |
5 |
0.71 |
45.58 |
29.90 |
天河站 |
240.14 |
3 |
4 |
17 |
12 |
8 |
0.72 |
27.63 |
20.09 |
广州黄村站 |
236.14 |
3 |
13 |
14 |
1 |
12 |
0.75 |
41.22 |
34.85 |
广州五山站 |
207.33 |
3 |
5 |
13 |
5 |
10 |
0.76 |
37.03 |
28.74 |
广州车陂中心站 |
187.29 |
2 |
11 |
16 |
1 |
9 |
0.71 |
16.17 |
15.08 |
广州员村站 |
562.62 |
6 |
2 |
17 |
8 |
13 |
0.75 |
20.54 |
19.58 |
新塘站 |
340.71 |
4 |
18 |
8 |
1 |
10 |
0.79 |
33.31 |
30.27 |
广州冼村中心站 |
252.24 |
3 |
8 |
16 |
16 |
12 |
0.52 |
21.42 |
20.49 |
广州天河北中心站 |
218.43 |
3 |
2 |
11 |
10 |
7 |
0.46 |
26.59 |
21.82 |
广州骏景中心站 |
439.48 |
5 |
7 |
11 |
8 |
11 |
0.72 |
16.70 |
17.20 |
龙洞站 |
175.90 |
2 |
16 |
17 |
3 |
16 |
0.81 |
22.94 |
16.00 |
广州天源站 |
196.71 |
2 |
16 |
16 |
2 |
14 |
0.81 |
53.06 |
34.12 |
广州吉山站 |
168.48 |
2 |
15 |
8 |
4 |
14 |
0.75 |
51.92 |
32.34 |
广州东圃中心站 |
298.19 |
3 |
10 |
20 |
5 |
13 |
0.63 |
47.44 |
30.83 |
广州燕岭站 |
93.38 |
1 |
8 |
10 |
5 |
12 |
0.66 |
39.60 |
27.30 |
广州粤垦中心站 |
267.57 |
3 |
5 |
13 |
5 |
12 |
0.73 |
22.32 |
20.90 |
预设点 |
500 |
4 |
12 |
15 |
4 |
15 |
1 |
44 |
13.58 |
经过无量纲化处理并计算灰色关联系数，得到各中转站的灰色关联系数矩阵，如表4-8所示：
表4-8 灰色关联系数信息表
指标 备选点 |
C1 |
C2 |
C3 |
C4 |
C5 |
C6 |
C7 |
C8 |
C9 |
广州千禧站 |
0.07 |
0.93 |
0.92 |
0.03 |
0.04 |
0.07 |
0.06 |
0.06 |
0.93 |
广州体育站 |
0.04 |
0.96 |
0.99 |
0.06 |
0.15 |
0.02 |
0.06 |
0.08 |
0.93 |
天河站 |
0.05 |
0.95 |
0.98 |
0.07 |
0.11 |
0.04 |
0.06 |
0.05 |
0.96 |
广州黄村站 |
0.05 |
0.96 |
0.92 |
0.06 |
0.01 |
0.06 |
0.06 |
0.07 |
0.92 |
广州五山站 |
0.04 |
0.95 |
0.97 |
0.05 |
0.05 |
0.05 |
0.06 |
0.06 |
0.94 |
广州车陂中心站 |
0.04 |
0.96 |
0.93 |
0.07 |
0.01 |
0.04 |
0.05 |
0.03 |
0.97 |
广州员村站 |
0.11 |
0.89 |
0.99 |
0.07 |
0.07 |
0.06 |
0.06 |
0.03 |
0.96 |
新塘站 |
0.07 |
0.93 |
0.89 |
0.03 |
0.01 |
0.05 |
0.06 |
0.06 |
0.93 |
广州冼村中心站 |
0.05 |
0.95 |
0.95 |
0.07 |
0.15 |
0.06 |
0.04 |
0.04 |
0.95 |
广州天河北中心站 |
0.04 |
0.95 |
0.99 |
0.05 |
0.09 |
0.03 |
0.04 |
0.04 |
0.95 |
广州骏景中心站 |
0.09 |
0.91 |
0.96 |
0.05 |
0.07 |
0.05 |
0.06 |
0.03 |
0.96 |
龙洞站 |
0.04 |
0.96 |
0.90 |
0.07 |
0.03 |
0.08 |
0.06 |
0.04 |
0.96 |
广州天源站 |
0.04 |
0.96 |
0.90 |
0.07 |
0.02 |
0.07 |
0.06 |
0.09 |
0.92 |
广州吉山站 |
0.03 |
0.96 |
0.91 |
0.03 |
0.04 |
0.07 |
0.06 |
0.09 |
0.93 |
广州东圃中心站 |
0.06 |
0.95 |
0.94 |
0.08 |
0.05 |
0.06 |
0.05 |
0.08 |
0.93 |
广州燕岭站 |
0.02 |
0.98 |
0.95 |
0.04 |
0.05 |
0.06 |
0.05 |
0.07 |
0.94 |
广州粤垦中心站 |
0.05 |
0.95 |
0.97 |
0.05 |
0.05 |
0.06 |
0.06 |
0.04 |
0.95 |
预设点 |
0.10 |
0.93 |
0.93 |
0.06 |
0.04 |
0.07 |
0.08 |
0.07 |
0.97 |
结合表4-5备选点指标评价权重以及公式（5），计算得出各中转站的加权灰色关联度如表4-9所示。
表4-9 备选中转站加权灰色关联度
备选点 |
加权灰色关联度 |
排序（由大到小） |
广州千禧站 |
0.281799 |
7 |
广州体育站 |
0.286575 |
4 |
天河站 |
0.283615 |
6 |
广州黄村站 |
0.277973 |
13 |
广州五山站 |
0.279185 |
11 |
广州车陂中心站 |
0.275437 |
17 |
广州员村站 |
0.298052 |
1 |
新塘站 |
0.279089 |
12 |
广州冼村中心站 |
0.280487 |
10 |
广州天河北中心站 |
0.276543 |
14 |
广州骏景中心站 |
0.287459 |
3 |
龙洞站 |
0.276513 |
15 |
广州天源站 |
0.280810 |
9 |
广州吉山站 |
0.276468 |
16 |
广州东圃中心站 |
0.286240 |
5 |
广州燕岭站 |
0.273968 |
18 |
广州粤垦中心站 |
0.281669 |
8 |
预设点 |
0.294584 |
2 |
经过排序后可知，备选中转站“广州燕岭站”、“广州车陂中心站”、“广州吉山站”等加权灰色关联度相对较低。通过对成本及效益两个因素的综合考虑，为了使选出的中转站综合效益更好，我们选取位列加权灰色关联度数前三的“广州员村站”、“预设点”和“广州骏景中心站”作为较为理想的中转站选址方案。
5 总结
随着电商行业的蓬勃发展，网络购物逐渐填满人们生活的每个空间，同时，也带来了快递业务量的暴增。本文结合京东自建物流存在的问题，以寻求优化京东自建物流措施为主要目的，通过五个方面的分析确定了项目的最终方案。
首先通过查阅京东官方信息，了解京东公司概况，包括发展历史，公司商业模式以及公司发展规模现状等。了解了基本信息之后开始深入调查其业务流程，主要包括其配送流程以及配送系统。接着便是针对所得到的信息，对京东自建物流所存问题进行分析，从而得到了对自建物流配送点及自提点进行优化甚至新设的项目初步研究方向，在此方向下选择假定新设中转站为预想方案进行进一步研究 。确定研究方向之后，结合书本知识，运用K-means聚类算法，得出假想中转站坐标位置，之后建立评价指标体系，通过层次分析法以及灰色关联分析法，计算出目标坐标点附近备选点的加权灰色关联度。通过排序选取位列加权灰色关联度数前三的“广州员村站”、“预设点”和“广州骏景中心站”作为较为理想的中转站选址方案。
本次项目的研究在问卷调查和论文完成的方面也存在一些不足，具体如下：
（1）本文主要采用了问卷调查和文献研读的研究方法，不够全面深入。
（2）由于我们是企业的外部人员，不能够拿到较为精确的相关的数据进行有效的分析论证。另外，对京东中转站的现状无法了解得更为深入，使得我们的具体研究可能会有所不足。
但该项目的完成离不开成员之间的密切配合，从线上讨论，到线下总结分工，每一步的完成都需要小组成员共同努力。过程之中难免遇到问题，讨论之时分歧也在所难免。但只要目标一致，这些问题就能共同克服。这个项目的完成不仅让我们更加深入地理解运用了课本所学专业知识，同时锻炼了我们的自主创新性以及团队合作能力。最后更感谢老师在项目完成过程中对我们的指点，让我们保持在正确的方向上完成研究进度。
参考文献
[1] 基于层次分析和灰色关联的快递中转站选址研究. 陈昱汀
[2]层次分析法在配送中心选址中的研究与应用.王振中.物流工程与管理. 2010(01)
[3] 网络购物市场日益成熟 2018年交易规模将超7万亿. 杨帆. 前瞻数据库.2017
[4]大促“后影响” Q3网购环比增速略降.艾瑞咨询.2017Q3
[5]年中大促提振网购市场，Q2增速高达29.6%.艾瑞咨询.2017Q2
[6]中国网络购物行业监测报告—现状趋势篇. 艾瑞咨询.2016
[7] 电商交易额持续增长 2017年交易额达29.16万亿. 杨帆. 前瞻数据库.2018
附录1：调查问卷
层次分析法判断矩阵调查表（用于为京东广州中转站选址的指标确定权重）
Q1:比较两个指标的重要性（哪一个更重要）
Q2:以上两个指标的重要程度（从低到高）
|
同等重要 |
两者中间 |
稍微重要 |
两者中间 |
明显重要 |
两者中间 |
强烈重要 |
两者中间 |
极端重要 |
重要程度 |
0 |
1 |
1 |
0 |
2 |
0 |
0 |
0 |
0 |
Q3:比较两个指标的重要性（哪一个更重要）
Q4:以上两个指标的重要程度（从低到高）
|
同等重要 |
两者中间 |
稍微重要 |
两者中间 |
明显重要 |
两者中间 |
强烈重要 |
两者中间 |
极端重要 |
重要程度 |
0 |
0 |
1 |
0 |
3 |
0 |
0 |
0 |
0 |
Q5:比较两个指标的重要性（哪一个更重要）
Q6:以上两个指标的重要程度（从低到高）
|
同等重要 |
两者中间 |
稍微重要 |
两者中间 |
明显重要 |
两者中间 |
强烈重要 |
两者中间 |
极端重要 |
重要程度 |
0 |
0 |
2 |
0 |
2 |
0 |
0 |
0 |
0 |
Q7:比较两个指标的重要性（哪一个更重要）
Q8:以上两个指标的重要程度（从低到高）
|
同等重要 |
两者中间 |
稍微重要 |
两者中间 |
明显重要 |
两者中间 |
强烈重要 |
两者中间 |
极端重要 |
重要程度 |
0 |
0 |
2 |
0 |
2 |
0 |
0 |
0 |
0 |
Q9:比较两个指标的重要性（哪一个更重要）
选项 |
回复情况 |
站点区域单量 |
2 |
场地租赁成本 |
2 |
Q10:以上两个指标的重要程度（从低到高）
|
同等重要 |
两者中间 |
稍微重要 |
两者中间 |
明显重要 |
两者中间 |
强烈重要 |
两者中间 |
极端重要 |
重要程度 |
0 |
0 |
0 |
0 |
4 |
0 |
0 |
0 |
0 |
Q11:比较两个指标的重要性（哪一个更重要）
Q12:以上两个指标的重要程度（从低到高）
|
同等重要 |
两者中间 |
稍微重要 |
两者中间 |
明显重要 |
两者中间 |
强烈重要 |
两者中间 |
极端重要 |
重要程度 |
0 |
0 |
3 |
1 |
0 |
0 |
0 |
0 |
0 |
Q13:比较两个指标的重要性（哪一个更重要）
Q14:以上两个指标的重要程度（从低到高）
|
同等重要 |
两者中间 |
稍微重要 |
两者中间 |
明显重要 |
两者中间 |
强烈重要 |
两者中间 |
极端重要 |
重要程度 |
1 |
0 |
3 |
0 |
0 |
0 |
0 |
0 |
0 |
Q15:比较两个指标的重要性（哪一个更重要）
选项 |
回复情况 |
人口密度 |
3 |
与城市规划总体协调性 |
1 |
Q16:以上两个指标的重要程度（从低到高）
|
同等重要 |
两者中间 |
稍微重要 |
两者中间 |
明显重要 |
两者中间 |
强烈重要 |
两者中间 |
极端重要 |
重要程度 |
0 |
0 |
0 |
0 |
4 |
0 |
0 |
0 |
0 |
Q17:比较两个指标的重要性（哪一个更重要）
选项 |
回复情况 |
消费水平 |
4 |
与城市规划总体协调性 |
0 |
Q18:以上两个指标的重要程度（从低到高）
|
同等重要 |
两者中间 |
稍微重要 |
两者中间 |
明显重要 |
两者中间 |
强烈重要 |
两者中间 |
极端重要 |
重要程度 |
1 |
0 |
2 |
1 |
0 |
0 |
0 |
0 |
0 |
Q19:比较两个指标的重要性（哪一个更重要）
Q20:以上两个指标的重要程度（从低到高）
|
同等重要 |
两者中间 |
稍微重要 |
两者中间 |
明显重要 |
两者中间 |
强烈重要 |
两者中间 |
极端重要 |
重要程度 |
1 |
1 |
0 |
0 |
2 |
0 |
0 |
0 |
0 |
Q21:比较两个指标的重要性（哪一个更重要）
选项 |
回复情况 |
交通运输条件 |
3 |
空间场所拓展条件 |
1 |
Q22:以上两个指标的重要程度（从低到高）
|
同等重要 |
两者中间 |
稍微重要 |
两者中间 |
明显重要 |
两者中间 |
强烈重要 |
两者中间 |
极端重要 |
重要程度 |
0 |
0 |
0 |
1 |
3 |
0 |
0 |
0 |
0 |
Q23:比较两个指标的重要性（哪一个更重要）
选项 |
回复情况 |
地理位置 |
3 |
空间场所拓展条件 |
1 |
Q24:以上两个指标的重要程度（从低到高）
|
同等重要 |
两者中间 |
稍微重要 |
两者中间 |
明显重要 |
两者中间 |
强烈重要 |
两者中间 |
极端重要 |
重要程度 |
0 |
0 |
3 |
0 |
1 |
0 |
0 |
0 |
0 |
附录2：会议记录
第一次会议记录
时间 |
2018年3月 8日 |
地点 |
内饭一楼 |
出勤人员 |
小组全体成员 |
记录人 |
罗吉钦 |
会议内容： 工作安排 初步将课题定为711配送，顺丰绩效，京东网络优化 彩晶，陈敏，银妮负责ppt大纲 吉钦，均杰，泉东负责ppt志愿内容 峻铭，锦峰，文州负责ppt的小组讨论部分 吉钦负责ppt制作 陈敏负责演讲 |
 |
第二次会议记录
时间 |
2018年3月14日 |
地点 |
内饭一楼 |
出勤人员 |
小组全体成员 |
记录人 |
梁彩晶 |
会议内容： 1.预备调研——再次确定研究课题（目前是京东中转场建设） 2.探讨课题执行方式——了解一下相关知识（手中资料、选定区域，中转场建设选址，成本核算等） 3.制定较为详细的项目大纲（1.项目背景 2.京东概况 3.京东物流业务概述 4.问题分析 5.层次分析法概述 6.基于京东中转站的层次分析法实际应用 7.结语 8.附录 9.参考文献） 4.分配接下来的任务 分工完成广州市内的京东站点地址表格 查询某个站点过去几年的数据（包括618，双11）和快递员的处理量 了解层次分析法（考虑因素） 查询分拣中心的负荷量 |
 |
第三次会议记录
时间 |
2018年3月22日 |
地点 |
内饭一楼 |
出勤人员 |
小组全体成员 |
记录人 |
廖银妮 |
会议内容： 1) 会前回顾老师在课堂上的提问和建议 2) 工作分工 1、项目背景、公司简介、业务流程分析，1人，锦锋 2、问题分析（根据单量作出预测），1人，泉东 3、层次分析法模型，2人，俊铭和吉钦 4、重心法，1人，均杰 5、通过查找资料了解京东各环节的实际运营成本，1人，文洲 3) 截止日期：下周三前上交 |
 |
第四次会议记录
时间 |
2018年3月29日 |
地点 |
内饭一楼 |
出勤人员 |
小组全体成员 |
记录人 |
陈敏 |
会议内容： 1）上周工作汇报 1.钧杰：层次分析法的模型及算法的研究 2.峻铭：研究K-means聚类算法 3.锦锋：初步完成项目背景、公司简介及业务流程分析的论文书写 4.吉钦：完成层次分析法的模型建立，部分数据的代入计算 5.泉东：初步完成京东自建物流的问题分析 6.文洲：京东各环节的实际物流成本了解 2）本周任务分配（截止时间：下周一） 1.锦锋：继续细化京东概况 2.文洲：分析项目背景，论文结语的初步编写 3.银妮：细化业务流程 4.泉东：细化本项目的问题分析 5.钧杰：层次分析法概述 6.峻铭：选择潜在站点（预测点） 7.吉钦、陈敏：计算判断矩阵，得出决策 8.彩晶：完成灰色关联分析法的介绍 |
 |
第五次会议记录
时间 |
2018年4月2日 |
地点 |
内饭一楼 |
出勤人员 |
小组全体成员 |
记录人 |
郑钧杰 |
会议内容： 1）上周工作汇报 1.钧杰：层次分析法概述 2.锦锋：京东概况 3.吉钦、陈敏：计算判断矩阵，得出决策 4.彩晶：灰色关联分析法的介绍 5.银妮：业务流程 2）本周任务分配（开始准备中期论文与PPT的制作） 1.锦锋：继续细化京东概况、整理最终论文 2.文洲：分析项目背景，论文结语的初步编写 3.银妮：细化业务流程和负责PPT的制作 4.泉东：细化本项目的问题分析 5.钧杰：完善层次分析法概述 6.峻铭：选择潜在站点（预测点） 7.吉钦：完成判断矩阵的计算分析和负责PPT的制作 8.陈敏：计算判断矩阵，得出决策 9.彩晶：完成灰色关联分析法的介绍和负责PPT的制作 |
 |
第六次会议记录
时间 |
2018年4月12日 |
地点 |
内饭一楼 |
出勤人员 |
小组全体成员 |
记录人 |
吴泉东 |
会议内容： 锦锋: 完成京东京东概况 陈敏：计算判断矩阵部分的文字编辑，得出决策 彩晶：完成灰色关联分析法的介绍和负责PPT的制作 三、工作安排 彩晶，银妮负责找老师，师兄为层次分析法权重打分 锦锋，峻铭负责京东未来单量预测 吉钦负责京东分检中心的峰值统计以及中期PPT文案编写 钧杰负责PPT的演讲 |
（抱歉，照片遗失） |
第七次会议记录
时间 |
2018年4月19日 |
地点 |
内饭一楼 |
出勤人员 |
小组全体成员 |
记录人 |
陈锦锋 |
会议内容： 1.讨论并完善中期PPT 2.对论文进行初步的整合 |
（抱歉，照片遗失） |
第八次会议记录
时间 |
2018年5月15日 |
地点 |
内饭一楼 |
出勤人员 |
小组全体成员 |
记录人 |
陈峻铭 |
会议内容： 1.论文的改进与完善，5.20前必须完成终稿。 2.PPT制作、上台演讲的分工。 |
（抱歉，照片遗失） |
