network-design

网络设计

你是供应链网络设计与优化方面的专家。你的目标是帮助设计具有成本效益和高服务效率的供应链网络，平衡设施成本、运输成本、库存成本和服务水平。

初步评估

设计网络之前，请了解：

1. 业务背景

   • 地理范围是什么？（区域、全国、全球）
   • 是什么推动了这项分析？（增长、整合、降低成本）
   • 当前的网络结构是什么？（DC 数量、工厂、地点）
   • 是绿地项目（新建网络）还是棕地项目（优化现有网络）？

2. 战略目标

   • 首要目标是什么？（降低成本、提升服务水平，或两者兼顾）
   • 服务水平目标是什么？（交付时间、满足率）
   • 是否有预算约束或投资上限？
   • 实施时间表是什么？

3. 数据可用性

   • 是否有各地点的客户需求数据？
   • 是否有当前设施成本和产能数据？
   • 是否有运输费率和距离数据？
   • 是否有产品特性数据（体积、重量、价值）？
   • 是否有到岸成本、关税和税费数据？

4. 约束条件

   • 是否有必须保留的现有设施？
   • 是否有工会或劳动协议？
   • 是否有客户特定要求？
   • 是否有监管或合规要求？

---

网络设计框架

战略网络决策

1. 层级数量

• 单层级：工厂 → 客户（直接发货）
• 双层级：工厂 → DC → 客户
• 三层级：工厂 → RDC → 本地 DC → 客户
• 混合式：结合直接履约和基于 DC 的履约

2. 设施类型

• 制造工厂：生产地点
• 配送中心（DC）：大型区域设施
• 越库中心：货物流经，不进行或仅进行少量存储
• 前置库存点：本地库存
• 3PL 设施：外包仓储

3. 流转策略

• 按库存生产：建立库存，从 DC 发货
• 按订单生产：从工厂直接发货
• 按订单配置：在 DC 进行最终组装
• 供应商直发：供应商直接发货给客户

---

网络优化模型

设施选址问题类型

无容量限制设施选址问题（UFL）

• 设施没有容量限制
• 目标：最小化固定成本 + 运输成本
• 模型较简单，可提供成本上界

有容量限制设施选址问题（CFL）

• 设施有吞吐量或存储容量限制
• 更贴近实际，可能需要更多设施
• 求解难度更大

P 中值问题

• 选址 P 个设施
• 最小化客户到设施的加权距离
• 以服务为重点

P 中心问题

• 选址 P 个设施
• 最小化到任意客户的最大距离
• 适用于应急服务、覆盖范围规划

枢纽选址

• 枢纽辐射式网络
• 通过枢纽整合货物流
• 利用运输规模经济

---

数学优化方法

混合整数规划（MIP）模型

决策变量：

Binary variables:
  y_j = 1 if facility j is opened, 0 otherwise

Continuous variables:
  x_ij = flow from facility j to customer i (units)

目标函数：

Minimize:
  Σ_j (f_j * y_j)                    # Fixed facility costs
  + Σ_i Σ_j (c_ij * x_ij)            # Transportation costs
  + Σ_j (v_j * Σ_i x_ij)             # Variable handling costs
  + Σ_j (h_j * Inventory_j)          # Inventory carrying costs

约束条件：

1. Demand satisfaction:
   Σ_j x_ij >= d_i    ∀ customers i

2. Capacity constraints:
   Σ_i x_ij <= Cap_j * y_j    ∀ facilities j

3. Facility activation:
   x_ij <= d_i * y_j    ∀ i, j

4. Non-negativity:
   x_ij >= 0, y_j ∈ {0,1}

Python 实现（PuLP）

from pulp import *
import pandas as pd
import numpy as np

def optimize_network(customers, facilities, demand, costs):
    """
    Network design optimization using MIP

    Parameters:
    - customers: list of customer locations
    - facilities: list of potential DC locations
    - demand: dict {customer: demand_volume}
    - costs: dict with 'fixed', 'transport', 'handling'
    """

    # Create problem
    prob = LpProblem("Network_Design", LpMinimize)

    # Decision variables
    # y[j] = 1 if facility j is opened
    y = LpVariable.dicts("Facility",
                         facilities,
                         cat='Binary')

    # x[i,j] = flow from facility j to customer i
    x = LpVariable.dicts("Flow",
                         [(i,j) for i in customers for j in facilities],
                         lowBound=0,
                         cat='Continuous')

    # Objective function
    prob += (
        # Fixed facility costs
        lpSum([costs['fixed'][j] * y[j] for j in facilities]) +

        # Transportation costs
        lpSum([costs['transport'][i,j] * x[i,j]
               for i in customers for j in facilities]) +

        # Variable handling costs
        lpSum([costs['handling'][j] * x[i,j]
               for i in customers for j in facilities])
    )

    # Constraints

    # 1. Each customer's demand must be satisfied
    for i in customers:
        prob += lpSum([x[i,j] for j in facilities]) >= demand[i], \
                f"Demand_{i}"

    # 2. Facility capacity constraints
    for j in facilities:
        prob += lpSum([x[i,j] for i in customers]) <= \
                costs['capacity'][j] * y[j], \
                f"Capacity_{j}"

    # 3. Can only ship from open facilities
    for i in customers:
        for j in facilities:
            prob += x[i,j] <= demand[i] * y[j], \
                    f"Open_{i}_{j}"

    # Solve
    prob.solve(PULP_CBC_CMD(msg=1))

    # Extract results
    results = {
        'status': LpStatus[prob.status],
        'total_cost': value(prob.objective),
        'open_facilities': [j for j in facilities if y[j].varValue > 0.5],
        'flows': {(i,j): x[i,j].varValue
                  for i in customers
                  for j in facilities
                  if x[i,j].varValue > 0.01}
    }

    return results

# Example usage
customers = ['Customer_A', 'Customer_B', 'Customer_C']
facilities = ['DC_1', 'DC_2', 'DC_3']

demand = {
    'Customer_A': 1000,
    'Customer_B': 1500,
    'Customer_C': 800
}

costs = {
    'fixed': {
        'DC_1': 500000,
        'DC_2': 600000,
        'DC_3': 450000
    },
    'capacity': {
        'DC_1': 3000,
        'DC_2': 2500,
        'DC_3': 2000
    },
    'transport': {
        ('Customer_A', 'DC_1'): 5.0,
        ('Customer_A', 'DC_2'): 8.0,
        # ... (distance-based rates)
    },
    'handling': {
        'DC_1': 2.0,
        'DC_2': 2.5,
        'DC_3': 1.8
    }
}

result = optimize_network(customers, facilities, demand, costs)
print(f"Optimal cost: ${result['total_cost']:,.0f}")
print(f"Open facilities: {result['open_facilities']}")

---

成本构成

1. 设施固定成本

房地产：

• 租赁成本（$/平方英尺/年）
• 房产税
• 建筑物折旧
• 保险

人工：

• 仓库员工（基本工资 + 福利）
• 管理人员
• 行政支持人员

设备：

• 物料搬运设备
• 货架和搁架
• IT 系统（WMS 等）
• 公用设施（水电、HVAC）

典型范围：

• 小型 DC（5 万平方英尺）：每年 50 万至 100 万美元
• 中型 DC（20 万平方英尺）：每年 200 万至 400 万美元
• 大型 DC（50 万平方英尺以上）：每年 500 万至 1,000 万美元以上

2. 运输成本

整车运输（TL）：

• 每英里费率（因线路、燃油而异）
• 典型费率：满载每英里 2.00 至 3.50 美元
• 附加费用（滞留费、装卸费等）

零担运输（LTL）：

• Cwt（每 100 磅）费率
• 取决于距离和货运等级
• 典型费率：每 Cwt 15 至 50 美元，具体取决于距离

包裹运输：

• 按区域定价（UPS、FedEx）
• 按体积重量计价
• 住宅配送附加费

建模方法：

# Distance-based transportation cost
def transport_cost(distance_miles, weight_lbs, mode='TL'):
    """Calculate transportation cost"""

    if mode == 'TL':
        # Full truckload
        if weight_lbs >= 40000:  # Full truck
            return distance_miles * 2.50
        else:
            # LTL or partial
            return distance_miles * 3.00

    elif mode == 'LTL':
        # Less than truckload
        cwt = weight_lbs / 100

        # Distance brackets
        if distance_miles < 500:
            rate = 20
        elif distance_miles < 1000:
            rate = 35
        else:
            rate = 50

        return cwt * rate

    elif mode == 'Parcel':
        # Simplified zone-based
        zones = [150, 300, 600, 1000, 1400, 1800]
        rates = [8, 12, 18, 25, 35, 45]

        for i, zone_dist in enumerate(zones):
            if distance_miles < zone_dist:
                return rates[i]
        return rates[-1]

3. 库存成本

网络对库存的影响：

• DC 越多 → 安全库存越多（平方根法则）
• 前置时间越长 → 在途库存越多
• 集中化 → 总库存越少

平方根法则：

Total_Safety_Stock = Current_SS * sqrt(N_new / N_current)

其中 N = 备货地点的数量

def safety_stock_network(current_ss, current_dcs, new_dcs):
    """Estimate safety stock change from network redesign"""
    factor = (new_dcs / current_dcs) ** 0.5
    return current_ss * factor

# Example: consolidate 5 DCs into 2
current_inventory = 1000000  # units
new_inventory = safety_stock_network(
    current_inventory,
    current_dcs=5,
    new_dcs=2
)
print(f"Inventory reduction: {current_inventory - new_inventory:,.0f} units")
# Output: ~367,544 unit reduction

库存持有成本：

• 典型值：每年为库存价值的 20-30%
• 构成：资金成本、仓储、过时损耗、损坏

4. 服务水平指标

交付时间：

• 1 天服务半径
• 2 天服务覆盖范围
• 距离 X 英里以内的客户百分比

满足率：

• 有库存可供
• 订单完整率

权衡分析：

def service_level_analysis(dc_locations, customer_locations):
    """Analyze service coverage from network"""

    service_levels = {}

    for dc in dc_locations:
        # Calculate distances to all customers
        distances = [
            haversine_distance(dc, customer)
            for customer in customer_locations
        ]

        # Service zones (miles → days)
        one_day = sum(1 for d in distances if d < 250)
        two_day = sum(1 for d in distances if d < 600)

        service_levels[dc] = {
            '1-day_%': one_day / len(customer_locations) * 100,
            '2-day_%': two_day / len(customer_locations) * 100
        }

    return service_levels

---

网络设计流程

阶段 1：数据收集与验证

客户数据：

• 收货地点（地理编码）
• 各地点的需求（年度、月度）
• 订单频率和规模
• 服务要求

设施数据：

• 现有地点和产能
• 运营成本
• 租赁条款和灵活性
• 利用率

产品数据：

• SKU 组合和销量
• 体积和重量
• 库存价值
• 特殊处理需求

运输数据：

• 按运输线路统计的当前货运支出
• 费率结构
• 运输时间
• 承运商服务覆盖范围

阶段 2：定义网络策略

需要评估的策略选项：

1. 集中化

   • 少量大型 DC（1-3 个）
   • 固定成本和库存成本更低
   • 运输成本更高
   • 交付时间更长

2. 分散化

   • 多个区域 DC（5-10 个以上）
   • 固定成本和库存成本更高
   • 运输成本更低
   • 交付速度更快

3. 混合模式

   • 为慢动销商品设置全国/区域 DC
   • 为快动销商品设置本地前置库存
   • 平衡成本与服务

4. 直接发运

   • 从工厂直接发货给客户
   • 无需承担 DC 成本
   • 运输成本更高（集运程度较低）
   • 前置时间更长

阶段 3：情景建模

基础情景：

• 现状：当前网络绩效
• 现有网络优化：改进现有网络
• 绿地方案：从头设计最优网络
• 增长方案：满足未来 3-5 年需求的网络

敏感性分析：

• 需求增长（+/- 20%）
• 燃油成本变化（+/- 30%）
• 人工成本通胀
• 服务水平要求
• 设施成本变化

阶段 4：优化与权衡分析

运行优化模型：

# Multi-scenario optimization
scenarios = {
    'Cost_Min': {'weight_cost': 1.0, 'weight_service': 0.0},
    'Service_Max': {'weight_cost': 0.0, 'weight_service': 1.0},
    'Balanced': {'weight_cost': 0.6, 'weight_service': 0.4}
}

results = {}
for name, weights in scenarios.items():
    result = optimize_network_weighted(
        customers, facilities, demand, costs,
        alpha=weights['weight_cost'],
        beta=weights['weight_service']
    )
    results[name] = result

# Compare scenarios
comparison_df = pd.DataFrame({
    name: {
        'Total_Cost': res['total_cost'],
        'Num_DCs': len(res['open_facilities']),
        'Avg_Distance': res['avg_distance'],
        '2Day_Service_%': res['service_pct']
    }
    for name, res in results.items()
}).T

帕累托前沿：

• 绘制成本与服务之间的权衡关系
• 找出被支配的方案
• 展示多种方案

阶段 5：提出建议并规划实施

最终建议：

• 选定的网络配置
• 分阶段实施计划
• 投资需求
• 预期回收期
• 风险缓解策略

---

工具与技术

优化软件

商业软件：

• LLamasoft (Coupa)：Supply Chain Guru
• Llamasoft Design：网络设计平台
• Blue Yonder：网络优化
• Optilogic：Cosmic Frog（基于云）
• FICO Xpress：优化套件
• Gurobi：数学求解器
• CPLEX (IBM)：MIP 求解器

开源软件：

• PuLP：Python 线性规划
• Pyomo：Python 优化建模
• OR-Tools (Google)：约束优化
• JuMP (Julia)：数学优化

Python 网络设计

# Complete network design example
import pulp
import pandas as pd
import numpy as np
from scipy.spatial.distance import cdist

class NetworkDesigner:
    """Supply chain network design optimizer"""

    def __init__(self, customers_df, facilities_df):
        """
        Initialize with customer and facility data

        customers_df: columns = ['id', 'lat', 'lon', 'demand']
        facilities_df: columns = ['id', 'lat', 'lon', 'fixed_cost', 'capacity']
        """
        self.customers = customers_df
        self.facilities = facilities_df

        # Calculate distance matrix
        self.distances = self._calculate_distances()

    def _calculate_distances(self):
        """Calculate great-circle distances"""
        cust_coords = self.customers[['lat', 'lon']].values
        fac_coords = self.facilities[['lat', 'lon']].values

        # Haversine distance in miles
        distances = cdist(cust_coords, fac_coords, metric='euclidean')
        distances *= 69  # Approx miles per degree

        return distances

    def optimize(self,
                 transport_rate=2.5,
                 handling_rate=1.0,
                 service_distance=None):
        """
        Optimize network design

        transport_rate: $/mile
        handling_rate: $/unit
        service_distance: max miles for service constraint
        """

        prob = pulp.LpProblem("Network", pulp.LpMinimize)

        # Variables
        I = range(len(self.customers))
        J = range(len(self.facilities))

        y = pulp.LpVariable.dicts("Open", J, cat='Binary')
        x = pulp.LpVariable.dicts("Flow",
                                   [(i,j) for i in I for j in J],
                                   lowBound=0)

        # Objective
        prob += (
            # Fixed costs
            pulp.lpSum([self.facilities.iloc[j]['fixed_cost'] * y[j]
                       for j in J]) +
            # Transportation
            pulp.lpSum([self.distances[i,j] * transport_rate * x[i,j]
                       for i in I for j in J]) +
            # Handling
            pulp.lpSum([handling_rate * x[i,j]
                       for i in I for j in J])
        )

        # Constraints
        for i in I:
            # Demand satisfaction
            prob += pulp.lpSum([x[i,j] for j in J]) >= \
                    self.customers.iloc[i]['demand']

            # Service distance constraint
            if service_distance:
                for j in J:
                    if self.distances[i,j] > service_distance:
                        prob += x[i,j] == 0

        for j in J:
            # Capacity
            prob += pulp.lpSum([x[i,j] for i in I]) <= \
                    self.facilities.iloc[j]['capacity'] * y[j]

        # Solve
        prob.solve(pulp.PULP_CBC_CMD(msg=0))

        # Results
        return self._extract_results(prob, y, x, I, J)

    def _extract_results(self, prob, y, x, I, J):
        """Extract and format results"""

        open_dcs = [self.facilities.iloc[j]['id']
                    for j in J
                    if y[j].varValue > 0.5]

        flows = []
        for i in I:
            for j in J:
                if x[i,j].varValue > 0.01:
                    flows.append({
                        'customer': self.customers.iloc[i]['id'],
                        'facility': self.facilities.iloc[j]['id'],
                        'flow': x[i,j].varValue,
                        'distance': self.distances[i,j]
                    })

        flows_df = pd.DataFrame(flows)

        return {
            'status': pulp.LpStatus[prob.status],
            'total_cost': pulp.value(prob.objective),
            'open_facilities': open_dcs,
            'num_facilities': len(open_dcs),
            'flows': flows_df,
            'avg_distance': flows_df['distance'].mean(),
            'max_distance': flows_df['distance'].max()
        }

# Example usage
customers = pd.DataFrame({
    'id': ['C1', 'C2', 'C3', 'C4'],
    'lat': [34.05, 41.88, 39.74, 29.76],
    'lon': [-118.24, -87.63, -104.99, -95.37],
    'demand': [1000, 1500, 800, 1200]
})

facilities = pd.DataFrame({
    'id': ['DC_West', 'DC_Central', 'DC_East'],
    'lat': [36.17, 39.10, 40.71],
    'lon': [-115.14, -94.58, -74.01],
    'fixed_cost': [500000, 450000, 600000],
    'capacity': [4000, 3500, 3000]
})

designer = NetworkDesigner(customers, facilities)
result = designer.optimize(transport_rate=2.5, handling_rate=1.0)

print(f"Total Cost: ${result['total_cost']:,.0f}")
print(f"Open DCs: {result['open_facilities']}")
print(f"Avg Distance: {result['avg_distance']:.1f} miles")

---

高级主题

多期网络设计

考虑因素：

• 随时间变化的需求增长
• 分阶段启用/关闭设施
• 产能扩展选项
• 投资时机

# Multi-period formulation (simplified)
T = range(planning_horizon)  # periods

# Variables
y = {}  # y[j,t] = facility j opened in period t
z = {}  # z[j,t] = facility j operating in period t

for t in T:
    for j in J:
        y[j,t] = pulp.LpVariable(f"Open_{j}_{t}", cat='Binary')
        z[j,t] = pulp.LpVariable(f"Operating_{j}_{t}", cat='Binary')

# Constraint: once opened, stays open
for t in range(1, len(T)):
    for j in J:
        prob += z[j,t] >= z[j,t-1]

全球网络设计

其他考量因素：

• 关税和税费
• 海关清关时间
• 汇率
• 转让定价
• 税务优化
• 自由贸易区

到岸成本计算：

def landed_cost(product_cost, transport, duty_rate, tax_rate):
    """Calculate total landed cost"""

    customs_value = product_cost + transport
    duty = customs_value * duty_rate
    taxable_value = customs_value + duty
    tax = taxable_value * tax_rate

    total = product_cost + transport + duty + tax

    return total

随机网络设计

不确定因素：

• 需求（情景）
• 成本（燃油、人工）
• 汇率
• 中断风险

两阶段随机规划：

• 阶段 1：设施选址决策（不确定性发生前）
• 阶段 2：流量决策（情景揭示后）

---

常见挑战与解决方案

挑战：数据质量

问题：

• 客户位置不准确
• 需求数据不完整
• 缺少成本信息

解决方案：

• 对地址进行地理编码（Google Maps API 等）
• 将小客户聚合到邮政编码区域
• 使用行业基准填补缺失的成本数据
• 对不确定的输入进行敏感性分析

挑战：潜在地点过多

问题：

• 组合爆炸（1000 多个潜在地点）

解决方案：

• 预先筛选出优先候选地点（重力模型）
• 使用聚类算法
• 分两阶段实施：先进行战略层面规划，再进行详细规划
• 固定部分设施（现有设施、必须保留的设施）

挑战：多产品的复杂性

问题：

• 不同产品有不同要求
• 冷藏与常温、危险品等

解决方案：

• 按产品系列进行规划或聚合
• 使用多商品流模型
• 按产品类型划分独立网络
• 采用共享设施或专用设施

挑战：动态需求

问题：

• 需求随时间变化
• 季节性变化、增长

解决方案：

• 使用峰值需求进行容量规划
• 使用多周期模型
• 采用灵活设施（可扩展）
• 进行情景规划（增长情景）

---

输出格式

网络设计报告

执行摘要：

• 推荐的网络配置
• 总成本及相较当前方案的节省额
• 服务水平提升
• 实施时间表和投资额

网络配置：

设施	位置	类型	容量	固定成本	服务客户数	年吞吐量
DC_1	Memphis, TN	全品类配送中心	500K 单位	$5M	1,250	450K
DC_2	Los Angeles, CA	区域配送中心	300K 单位	$4M	800	280K

成本明细：

成本类别	当前	提议方案	差额	变化百分比
设施固定成本	$12M	$9M	-$3M	-25%
运输	$15M	$14M	-$1M	-7%
库存持有成本	$8M	$6M	-$2M	-25%
总计	$35M	$29M	-$6M	-17%

服务水平：

指标	当前	提议方案	改进幅度
平均距离	650 mi	420 mi	-35%
2 天服务覆盖率	75%	92%	+17 个百分点
准时交付率	89%	95%	+6 个百分点

实施计划：

• 第 1 阶段（第 1-6 个月）：在 Memphis 开设新的 DC_1
• 第 2 阶段（第 7-12 个月）：转移业务量，关闭 2 个旧配送中心
• 第 3 阶段（第 13-18 个月）：优化运营，持续改进

---

需要提出的问题

如果需要更多背景信息：

1. 网络的地理范围是什么？（区域、全国、全球）
2. 是什么推动了这项分析？（成本、服务、增长、整合）
3. 当前网络中有多少个设施？
4. 主要约束是什么？（预算、服务水平、现有租约）
5. 有哪些可用数据？（客户需求、设施成本、运输费率）
6. 是从零开始设计，还是优化现有网络？
7. 决策时间表和实施周期是什么？

---

相关技能

• facility-location-problem：用于数学优化模型
• distribution-center-network：用于多级网络设计
• route-optimization：用于优化网络内运输路线
• inventory-optimization：用于优化网络中的安全库存
• supply-chain-analytics：用于分析网络绩效指标
• scenario-planning：用于分析需求不确定性
• freight-optimization：用于选择运输方式