0 引言

配送中心的仓储承担着商品入库、出库、盘点、存储、分拣、理货、包装以及信息处理等活动，在整个物流网络和供应链网络起着至关重要的作用。随着配送中心订单量的增加，出库订单向小批量、高频率、多品种方向的发展，订单商品数量和品项的差异化愈加明显，合理的库区分配，对缩短拣货路径，提高仓储分拣作业效率和配送中心整体服务水平的意义重大。本文基于EIQ(Orerentry,Item,Quantity）分析，通过线性规划构建数学模型，对仓储库区的合理性提出了分析、思考与优化，以期提高分拣作业效率和仓储整体服务水平。

1 EIQ分析的应用

1.1 EIQ分析法

EIQ分析法是日本铃木震先生倡导的一种关于配送商品出货特性的分析方法。通过利用“Entry”“Item”“Quantity”三个物流关键要素，进行EQ、EN、IQ、IK等各类数据分析，来研究仓库的商品需求特性，为仓库基础规划等提供依据。其中：（1）订单量（EQ）分析是对单张订单出货数量的分析；（2）订单品规数（EN）分析是对单张订单出货品规数的分析；（3）品规数量（IQ）分析是对每单一品规出货总数量的分析；（4）品规受定次数（IK）分析是对每单一品规出货次数的分析。

本文主要进行IQ与IK分析，主要了解各种品项出货总量的分布状况，结合ABC分析法分析各品项的重要程度与数量规模，为仓储的库区规划提供数据依据。

1.2 EIQ分析的应用现状

EIQ分析在实际工作中的应用越来越广泛，随着国内外诸多学者的研究，目前已在物流系统的基础规划，物流系统的模块构建等方面已取得行之有效的突破。陈诚等人[1]，针对钢铁物流园区存在的仓位、堆场布局不合理，车辆在库流转时间长等一系列常见问题，提出利用EIQ-ABC-SLP方法合理改进仓储布局，以实现改善仓位、堆场布局合理性，减少车辆流转时间，提高仓储效率。刘倩等人[2]，通过收集配送中心的订单数量，建立EIQ分析模型，结合ABC分析和交叉分析，得出数据变动规律，为F公司的配送中心成品仓提出规划布局建议。刘军[3]，针对烟草这类少品种、大批量特点的商品，收集卷烟配送中心的订单数据，通过EIQ分析法寻求合理的分拣策略，最后提出分拣单位分区和订单分割策略来对烟草进行分拣作业。通过总结目前的参考文献，发现在EIQ分析的应用中，大部分学者采用将其与ABC分析法相结合进行数据模型构建，主要用于探索实践过程中分拣策略的确定和库位布局的规划等研究。

2 基于EIQ分析的仓储库区优化

2.1 项目简介

某配送中心的商品储存仓，主要为客户提供仓储与配送服务，该仓库的面积有3000平方米，共划分为八大区域，收货区、退货处理区、储存分拣区、异常处理区、复核出货区、设备放置区、待上架区、用料放置区、办公区，目前在储存分拣区存放了A、B、C、D、E、F和G共7家客户的商品，该商品储存仓平面位置图如图1所示：

图1 商品储存仓平面位置图   

Fig.1 Commodity storage warehouse plan location map

2.2 EIQ数据分析

收集客户四月份订单出库情况，具体相关数据如表1所示：

通过抽取四月份七位客户的出货情况，将客户假设为品项（I），每个客户的订单量作为出货频率（K），每个客户的出货量作为该品项的出货量（Q），周平均出货次数和出货量如表2所示：

表1 各客户订单量和出货量

Tab.1 Order volume and shipment volume of each customer

表2 周平均出货次数和出货量

Tab.2 Weekly average number of shipments and shipments

2.2.1 品项出货量（IQ）分析

品项量（IQ）分析一般结合ABC分析法，实现对重要品项的重点管理。ABC分析法是分析物流系统数据常用的分析方法，在结合IQ分析法时，即对不同品项根据数据特征把它们分为A、B、C三类来考虑。下面依据品项（I）的数量（Q）的大小进行排序，I1为C,I2为E,I3为B,I4为G,I5为F,I6为A,I7为D。得如下表3:

表3 IQ排序表  

Tab.3 IQ sorting table

根据表2、根据表3，对各品项进行ABC分类，如表4所示：

从图1所示和表1上可以得出各个品项的发货量，产品I1、I2的出货总量占52.27%，根据ABC分类法C和E可以归为A类客户做重点管理；I3、I4的出货总量占31.21%，故B和G客户归为B类客户；I5、I6、I7的出货总量占16.52%，所以F、A和D客户归为C类客户。

表4 ABC分类表

Tab.4 ABC classifi cation table

图2 IQ分布图   

Fig.2 IQ distribution chart

2.2.2 品项受订次数（IK）分析

品项受订次数（IK）分析的是不同品项的出货频率分布，结合ABC分析法，同时配合IQ分析，能进行仓储以及拣货系统的规划设计，提供对不同客户储区布置的决策依据。下面依据品项（I）的出货频率（Q),I1为C,I2为E,I3为B,I4为G,I5为F,I6为A,I7为D，如表5所示：

表5 IK分析表 

Tab.5 IK Analysis Form

根据表5得IK分布图，如图3所示：

图3 IK分布图  

Fig.3 IK distribution map

由IK分布图可以看到，该仓库内各个客户的出货量与其出货频率并不成正比，所以需要综合考虑两者对储区规划的影响程度，并根据大小进行优先级排列，从而做出储区布置的优化决策。

2.3 库区优化数学模型

仓储库区分配是否合理，直接影响仓储系统的拣货效率。目前常见的库区分配原则基本就是在满足商品特性的情况下，最终使得拣货路径最短，例如相关性、同一性、类似性等原则。本文基于EIQ分析，通过进行IQ、IK分析，采用线性规划方式，建立数学模型，以求得出拣货路径最短的库区分配方式。

2.3.1 建立线性规划数学模型

无论采用何种库区分配原则，库区优化的目的就是将出货频率高，出货量大的商品靠近出口处摆放，以此减小拣货路径和搬运作业量。结合本文项目中商品储存仓的实际，需要结合同一性原则，将同一客户的商品统一安排集中放在一个库区，以便于集中拣货。所以就形成了一个库区对应一个客户，七个客户分别对应仓储仓的7个库区，每个库区到复合区的距离固定，区和区之间各自独立。基于此，对本案例的库区优化，其主要影响因素是路径、拣货频率和拣货难度。

本文中路径是指从商品库区到复核区的距离，用Li表示，实际测量可得，并且一个库区到复核区的距离是唯一的。

拣货频率是指客户商品的出库频率，用Ki表示，出货频率越大，路程往返次数就越多，行走的路径也就越长。则路径优化要达到的目的就是使得Li Ki最小，即F=MINLi Ki。拣货难度是指拣取商品的难易程度。不同的商品拣货难度是不同的，一般认为同重量下，体积大比体积小要难拣取。同等体积，重物比轻物费力，所以体积与重量的大小会直接影响到拣货作业的难度以及搬运作业难度。除此之外，拣货数量也是一个必须考虑的影响因素，还有仓储是人工作业还是机械化作业也会对拣货难度有影响。本文引入一个拣货难度系数A，对除路径和拣货频率以外的其它因素视作为影响拣货作业操作难度的集中要素。由于拣货难度系数A在使用时不容易进行量化处理，于是，将其定义为权重值以实现量化的效果。

本文的配送中心商品储存仓目前尚处于人工作业阶段，综合考虑影响拣货难度的三个因素：平均拣货数量、货品的体积和货品重量，确定将拣货难度系数定义为：A=a1+a2+a3,a1、a2、a3的量化数值如下定义：

a1=Q/K,Q为拣货总数量，K为拣货频率。

将定义的拣货难度系数A加入线性规划优化模型中，得到目标函数F=MINLi KiAi。所以库区优化就是使得目标函数Li KiAi解最优，确定目标函数后，还需要建立相关的约束条件，按照根据库位分配原则及影响因素重要程度，确定了四级约束条件。

一级约束条件是依照周转率高的靠近出口存储原则，按周转率大小对各类商品进行ABC分类，得到三个集合，记为I1、I2、I3，且∑i∈I1 Ki>∑i∈I2 Ki>i∈I3) Ki。

二级约束条件是拣货数量，按照拣货数量大小对各商品进行ABC分类，得到三个集合，记为J1、J2、J3，且∑j∈J1 Qj>∑j∈J2 Qj>∑j∈J3 Qj。

最后，将重量定为三级约束条件，体积定为四级约束条件。根据重量将商品分为两个集合，m1（重量小于5千克），m2（重量大于等于5千克）；根据体积将商品分为两个集合，v1（体积小于0.008立方米），v2（体积大于等于0.008立方米）。重的体积小的优先排位。

综上以上，得到目标函数以及约束条件如下：

目标函数：F=MIN∑i∈I∑j∈J∑m∈M∑v∈V Lijmv Kijmv Aijmv

约束条件：

根据优先级求解出函数的最优解。首先求解出在一级约束的条件下F=MINLi Ki Ai函数的最优解为：

其中I=(I1、I2、I3)

且KnAn>Kn+1An+1,Ln<Ln+1

如果存在KnAn值相同，则根据一级约束条件，根据拣货频率排序，如果拣货频率也在同一个级别，考虑二级约束排序，以此类推，直到区分出优先级别。

2.3.2 优化结果

七位客户的数据表如表6所示：

KiAi值的计算如下：

A客户KiAi值：38*(2045/38+0+0)=2025

B客户KiAi值：91*(7596/91+0+0)=7596

C客户KiAi值：675*(10646/675+0+0)=10646

D客户KiAi值：13*(241/13+0+0)=241

E客户KiAi值：300*(9217/300+0+0)=9217

F客户KiAi值：592*(3993/592+10+10)=15833

G客户KiAi值：200*(4260/200+0+10)=6260

表6 客户数据表  

Tab.6 Customer Data Sheet

按照KiAi值从大到小排序，如表7所示：

表7 KiAi排序表

Tab.7 KiAi sorting table

优先级排序如：F>C>E>B>G>A>D。按照优先级高靠近复核区储存，得出优化后得库位布局为如图4所示：

图4 优化后库位布局图 

Fig.4 Optimized location layout

3 结语

本文基于企业实际订单、出库量和出库频率的科学分析，运用EIQ分析法，结合ABC分析法和线性规划对企业库区规划进行优化分析，找到影响库区优化的主要因素，有效掌握商品出库拣选特征，提出库区布局规划方案，为配送中心仓库规划决策提供管理依据。