Conference PaperPDF Available

Konsolidierte Disposition von Eigentransport und Fremdvergabe in Distributionskooperationen komplementärer Lieferanten.

Authors:
  • Bundesbank University of Applied Sciences

Abstract and Figures

This contribution addresses the problem of consolidated transpor- tation operations planning within a cooperation of small and medium-sized en- terprises in the food&beverages industry. As a distinctive feature of this pro- blem, the employment of vehicles owned by the individual partners on the one hand and the outsourcing of orders to freight carriers on the other hand has to be planned simultaneously. In order to assess the savings potential of the coope- ration, a Greedy First-Fit procedure and a Threshold Accepting metaheuristic have been developed to solve the problem at hand. Computational Experiments with a set of 30 realistic problem instances show that both of the heuristics are able to find plans of 23 to 25 percent lower cost as compared to the situation without cooperation.
Content may be subject to copyright.
Konsolidierte Disposition von Eigentransport und
Fremdvergabe in Distributionskooperationen
komplementärer Lieferanten
Giselher Pankratz, Julian Steinlein
FernUniversität in Hagen, Profilstraße 8, 58084 Hagen
giselher.pankratz@fernuni-hagen.de,
julian.steinlein@fernuni-hagen.de
Abstract. This contribution addresses the problem of consolidated transpor-
tation operations planning within a cooperation of small and medium-sized en-
terprises in the food&beverages industry. As a distinctive feature of this pro-
blem, the employment of vehicles owned by the individual partners on the one
hand and the outsourcing of orders to freight carriers on the other hand has to
be planned simultaneously. In order to assess the savings potential of the coope-
ration, a Greedy First-Fit procedure and a Threshold Accepting metaheuristic
have been developed to solve the problem at hand. Computational Experiments
with a set of 30 realistic problem instances show that both of the heuristics are
able to find plans of 23 to 25 percent lower cost as compared to the situation
without cooperation.
Keywords: Collaborative transportation planning, decision support, metaheu-
ristics, threshold accepting, make-or-buy
1 Einleitung
Die Qualität der Distributionslogistik stellt für viele Zulieferunternehmen in hart
umkämpften Märkten einen wichtigen strategischen Erfolgsfaktor dar. Gleichzeitig
zwingen beständig steigende Logistikkosten und ein scharfer Preiswettbewerb diese
Unternehmen dazu, alle Möglichkeiten zur Effizienzsteigerung in der Distributions-
logistik zu nutzen. Gerade für kleine und mittlere Unternehmen (KMU) ergeben sich
jedoch häufig erst durch den Aufbau intelligenter Lösungen für eine unternehmens-
übergreifende Konsolidierung und Koordination der Transportaktivitäten Möglichkei-
ten zu einer deutlichen Effizienzverbesserung.
In diesem Zusammenhang betrachtet der vorliegende Beitrag den realen Fall einer
geplanten Distributionskooperation zwischen vier kleinen und mittleren Unternehmen
der Lebensmittel- und Getränkebranche. Diese Unternehmen – im Folgenden als Lie-
feranten bezeichnet – verfügen über ein komplementäres Produktangebot (Fleisch-
und Wurstwaren, Fisch, Obstsalate bzw. Frischsäfte), mit dem sie unabhängig vonein-
ander Hotel- und Gaststättenbetriebe des Premium-Segments (im Folgenden als Ab-
nehmer bezeichnet) täglich und deutschlandweit beliefern. Jeder Lieferant beliefert
Pankratz, Giselher; Steinlein, Julian: Konsolidierte Disposition von Eigentransport und Fremdvergabe
in Distributionskooperationen komplementärer Lieferanten. In: Mönch, L.; Pankratz, G. (Hrsg.):
Intelligente Systeme zur Entscheidungsunterstützung, SCS Publishing House, San Diego/Erlangen 2008, S. 163-178.
164 G. Pankratz und J. Steinlein
pro Region mehrere Abnehmerbetriebe; dabei bestehen zwischen den vier Lieferanten
deutliche Überschneidungen bezüglich des Kundenkreises.
Im Rahmen einer bestandsarmen Beschaffungskonzeption stellen die Abnehmer
hohe Anforderungen an eine tagesaktuell-bedarfsgerechte Belieferung in Bezug auf
Lieferzeit, Liefermenge und Konfektionierung der Vorprodukte. Zur Erfüllung dieser
Anforderungen bieten die Lieferanten jeweils einen in Eigenregie organisierten Frei-
Haus-Lieferservice an. Zum Teil unterhalten die Lieferanten in wichtigen Ballungs-
zentren jeweils eigene Fahrzeuge mit angestellten Fahrern, welche die Auslieferung
vor Ort besorgen. Zur Abdeckung von Bedarfsspitzen und in Regionen, in denen bis-
lang keine eigenen Fahrzeuge zur Verfügung stehen, wird auf externe, auf Lebensmit-
teltransporte spezialisierte Logistikdienstleister zurückgegriffen, welche die Ware
beim Werk des Lieferanten abholen und direkt an den Abnehmer ausliefern.
Die derzeitige Situation der Distributionsabwicklung wird bei den betrachteten
Lieferanten in mehrfacher Hinsicht als unbefriedigend angesehen. Die manuelle täg-
liche Disposition der Distributionsaktivitäten stößt an ihre Grenzen; insbesondere
wegen der z.T. erheblichen täglichen Bedarfsschwankungen und bei der Ad-hoc-Ein-
planung kurzfristig eintreffender Bestellungen werden wirtschaftlich sinnvollere Ein-
planungsvarianten häufig verfehlt. Als Folge können die vor Ort eingesetzten eigenen
Fahrzeuge oft nicht zufriedenstellend ausgelastet werden. Auch der häufige Rückgriff
auf externe Logistik-Dienstleister wird zunehmend als nachteilig empfunden. Aus-
schlaggebend hierfür sind neben den hohen Kosten, die eine speditionelle Frei-Haus-
Belieferung zum Wunschtermin bei den relativ kleinen Sendungsgrößen verursacht,
vor allem die fehlende Kundennähe und die geringere Flexibilität der Dienstleister bei
kurzfristig auftretendem Bedarf. Darüber hinaus verstärkt sich auf Abnehmerseite der
Trend weg von einer Einzelbelieferung durch spezialisierte Hersteller hin zu einer
Versorgung aus einer Hand, vor allem, um den Mehraufwand für eine Vielzahl von
Abfertigungsvorgängen pro Tag zu vermeiden. Aufgrund dieser Situation erwächst
den Lieferanten ernstzunehmende Konkurrenz durch etablierte Lebensmittel-Einzel-
handelsketten, die mit einem weitgehend standardisierten Vollsortiment in den Markt
drängen.
Der Versuch, eine maßgebliche Verbesserung der beschriebenen Situation aus-
schließlich durch Optimierung auf unternehmensindividueller Basis zu erreichen,
erscheint schon allein wegen der vergleichsweise geringen einzelwirtschaftlichen
„Dispositionsmasse“ wenig aussichtsreich. Daher beabsichtigen die Lieferanten, in
Zukunft bei der operativen Abwicklung des Lieferservice eng zu kooperieren. Auf-
grund des komplementären Produktprogramms besteht keine unmittelbare Konkur-
renzbeziehung zwischen den Kooperationspartnern. Das Konfliktpotential der Koope-
ration ist daher gering, die Aussichten auf Erfolg, Stabilität und Nachhaltigkeit der
Zusammenarbeit werden von den Partnern somit als vergleichsweise hoch einge-
schätzt.
Das Ziel besteht darin, durch eine unternehmensübergreifende Transportdisposition
eine deutlich verbesserte Auslastung der Transportkapazitäten und eine signifikante
Reduktion der individuellen Transportkostenbelastung der einzelnen Partner zu errei-
chen. Dazu sollen die bei den Partnern vorhandenen Ressourcen sowie die täglich
eintreffenden Aufträge zu virtuellen Pools zusammengefasst und auf dieser Basis eine
Konsolidierte Disposition von Eigentransport und Fremdvergabe 165
DV-gestützte, konsolidierte Disposition der eigenen und fremdvergebenen Transporte
vorgenommen werden. Die anfallenden gesamten Transportkosten sollen transparent
und fair auf die beteiligten Partner umgelegt werden. Gleichzeitig soll die Koopera-
tion es den beteiligten Unternehmen ermöglichen, gemeinsam als „virtueller Vollsor-
timenter“ aufzutreten und damit ihre Wettbewerbsposition zu stärken.
Innerhalb des geschilderten Kooperationsszenarios lassen sich zwei Teilprobleme
identifizieren, die im Rahmen einer DV-basierten Dispositionsunterstützung zu lösen
sind:
Minimierung der Gesamtkosten der Distributionslogistik durch eine konsolidier-
te Disposition aller Aufträge und Transportmittel innerhalb der Kooperation,
sowie
Bestimmung einer fairen Allokation der anfallenden Kosten auf die Koopera-
tionsteilnehmer.
Dem frühen Stadium des geschilderten Vorhabens entsprechend besteht das Ziel
des vorliegenden Beitrags darin, zunächst das durch den Einsatz DV-gestützter Dis-
positionsverfahren innerhalb der Kooperation erzielbare Einsparungspotential abzu-
schätzen. Dazu widmet sich die vorliegende Untersuchung vorrangig dem erstgenann-
ten Problem; das Problem der Kostenallokation ist Gegenstand zukünftiger For-
schungsarbeiten. Der Beitrag ist wie folgt aufgebaut: Nach dieser Einleitung gibt der
folgende Abschnitt 2 einen kurzen Überblick über den Stand der Diskussion in der
einschlägigen Literatur. Das betrachtete Problem der konsolidierten Transportdisposi-
tion wird anschließend in Abschnitt 3 abgegrenzt und näher beschrieben. Abschnitt 4
stellt zwei einfache Heuristiken zur Lösung des beschriebenen Problems vor, welche
die Grundlage für die experimentelle Ermittlung des Einsparungspotentials bilden,
deren Ergebnisse in Kap. 5 präsentiert und diskutiert werden. Ein kurzer Ausblick auf
laufende und zukünftige Forschungsarbeiten schließt den Beitrag ab.
2 Verwandte Ansätze in der Literatur
In der Literatur stellen unternehmensübergreifende Distributionslogistik-Lösungen für
kleine und mittlere Unternehmen der Nahrungs- und Genussmittelindustrie ein bis-
lang wenig beachtetes Forschungsfeld dar. Insbesondere finden sich nur sehr verein-
zelt Untersuchungen oder Beschreibungen, die dem hier untersuchten Szenario ver-
wandte Problemstellungen zum Gegenstand haben. Zudem handelt es sich dabei häu-
fig um relativ knappe Darstellungen im Rahmen journalistischer oder marketingorien-
tierter Berichterstattung, die nur wenig konkrete Informationen über Einzelheiten der
Problemstellung und die zu ihrer Lösung eingesetzten Planungsinstrumente liefern.
Beispiele hierfür sind Berichte über die das „Münchener Modell“ zur konsolidierten
Belieferung des Handels im Ballungsraum durch kooperierende Verlader der Nah-
rungs- und Genussmittelindustrie [2], über die Distributionskooperation unter dem
Dach der HEMA Herstellermarken GmbH [9] oder über die Initiative norddeutscher
Lebensmittelhersteller FoodRegio [5].
Zu den wenigen Analysen in der wissenschaftlichen Literatur, die einen Bezug zur
hier betrachteten Problemstellung aufweisen, zählt der Beitrag von Fleischmann über
166 G. Pankratz und J. Steinlein
Distributionslogistik-Kooperationen zwischen Herstellern der Konsumgüterindustrie
[4]. Während Fleischmann jedoch die strategische Planung für den Aufbau kooperati-
ver Distributionsnetzwerke fokussiert, konzentriert sich der vorliegende Beitrag auf
die Ermittlung des potentiellen Beitrags DV-gestützter Planungsansätze im Rahmen
der (operativen) Disposition des Ressourceneinsatzes im Unternehmensverbund. Ins-
besondere berücksichtigt der in diesem Beitrag vorgeschlagene Ansatz explizit die
simultane Planung des Einsatzes sowohl von Logistikdienstleistern als auch von eige-
nen Fahrzeugen der kooperierenden Lieferanten. Eine weitere relevante Arbeit befasst
sich mit der Identifikation von Synergiepotenzialen in horizontalen Transportlogistik-
Kooperationen zwischen Herstellern kurzlebiger Konsumgüter [1]. Im Mittelpunkt
steht das Ziel, Entscheidern in der Zielbranche Entscheidungshilfen für die strategi-
sche Wahl einer profitablen Kooperationsalternative an die Hand zu geben; eine DV-
Unterstützung der täglichen Disposition innerhalb einer solchen Kooperation wird
hier ebenfalls nicht betrachtet.
Neben den genannten Arbeiten finden sich in der Literatur Publikationen, welche
wichtige Teilaspekte des geschilderten Dispositionsproblems isoliert behandeln, z.B.
zur dynamischen Tourenplanung (z.B. [11], [12]), zur simultanen Disposition von
Eigen- und Fremdtransporten (z.B. [10], [13]) sowie zur kooperativen Transportdis-
position (z.B. [6], [7]). Eine Integration aller dieser Teilprobleme im Sinne der hier
betrachteten Planungssituation hat bislang jedoch nicht stattgefunden.
Als Fazit aus der Analyse der Literatursituation lassen sich folgende Erkenntnisse
gewinnen: Einerseits belegen verschiedene Berichte über entsprechende Projekte in
Praktiker-Organen, dass Distributionskooperationen im Bereich der Nahrungs- und
Genussmittelindustrie sowie angrenzender Branchen erhebliche praktische Relevanz
besitzen. Andererseits wird deutlich, dass Kooperationen kleiner und mittlerer Unter-
nehmen in diesem Umfeld bislang keine nennenswerte Aufmerksamkeit erhalten.
Auch findet eine wissenschaftliche Auseinandersetzung mit diesem Anwendungsfeld
bislang nur in geringem Umfang statt.
3 Problemstellung
3.1 Überblick über die Distributionsstruktur
Wegen der großen Distanzen führen die betrachteten Unternehmen den Lieferservice
meist im gebrochenen Verkehr durch, d.h. die Ware wird im Fernverkehr via Spediti-
on bis zum Abhollager in der Zielregion befördert und von dort mit eigenen Fahrzeu-
gen „ausgerollt“. Eine direkte (d.h. ungebrochene) Zustellung mit eigenem Fahrzeug
ist möglich, sofern ein Kunde in der Nähe des Unternehmensstandorts liegt und der
Unternehmensstandort zugleich Fahrzeugstandort ist. Eine weitere Dispositionsalter-
native besteht in der kompletten Vergabe eines Transports an einen externen Lo-
gistikdienstleister, welcher die Ware vom Unternehmensstandort des Lieferanten
abholt und an den Standort des Kunden liefert (Haus-zu-Haus-Zustellung). Da im
letzteren Fall die tatsächliche Abwicklung des Transports für den auftraggebenden
Lieferanten nicht von Interesse ist und sich aus dessen Sicht als („virtuell“) direkter
Konsolidierte Disposition von Eigentransport und Fremdvergabe 167
Transport darstellt, soll in diesem Fall von einer direkten Belieferung durch einen
externen Dienstleister gesprochen werden.
Abb. 1 veranschaulicht am Bespiel zweier Lieferanten die Distributionsstruktur in-
nerhalb der angestrebten Kooperation. Anhand dieser Struktur lassen sich die oben
genannten Möglichkeiten der Kunden-Belieferung aus Sicht von Lieferant 1 bzw.
Lieferant 2 wie folgt verdeutlichen (vgl. Fälle a bis e in Abb. 1):
a) Direkte Lieferung an den Kunden mit eigenem Fahrzeug vom eigenen Unter-
nehmensstandort aus (Fall a aus Sicht des Lieferanten 1);
b) „Direkte“ Lieferung an den Kunden mit externem Logistikdienstleister vom
eigenen Unternehmensstandort aus (Fall b aus Sicht des Lieferanten 1);
c) Indirekte Lieferung mit einem externen Logistikdienstleister an ein Abhollager
in der Zielregion, anschließend Auslieferung von dort mit eigenem Fahrzeug an
den Kunden (Fall c aus Sicht des Lieferanten 1);
d) Indirekte Lieferung mit einem externen Logistikdienstleister an ein Abhollager
oder an den Standort eines kooperierenden Unternehmens in der Zielregion,
anschließend Auslieferung von dort mit einem Fahrzeug eines Kooperations-
partners (Fälle d bzw. e aus Sicht von Lieferant 2).
Abb. 1. Distributionsstruktur am Beispiel zweier kooperierender Lieferanten (schematisch).
In den folgenden Abschnitten wird eine weitere Konkretisierung der Problemstel-
lung vorgenommen.
168 G. Pankratz und J. Steinlein
3.2 Repräsentation der Problemdaten
Die räumlichen Gegebenheiten der betrachteten Problemstellung lassen sich durch
einen gewichteten Digraphen (V,E,d) mit der Knotenmenge V und der Pfeilmenge E
beschreiben. Die Knotenmenge V repräsentiert alle für eine gegebene Planungssitua-
tion relevanten geografischen Orte und umfasst als Teilmengen die Menge aller Un-
ternehmensstandorte (Quellen) Vo, die Menge aller Kundenstandorte (Senken) Vd, die
Menge aller Fahrzeugstandorte Vh sowie die Menge aller Abholläger (Umschlagpunk-
te) Vu. Die Pfeile in E zeigen die Möglichkeit an, von einem Knoten v1 zu einem
anderen Knoten v2 zu gelangen. In Bezug auf das zu Grunde liegende reale Verkehrs-
wegenetz repräsentieren sie die kürzesten Wege zwischen beiden Knoten. In diesem
Sinne gibt das Gewicht d(v1,v2) Auskunft über die Länge des kürzesten Weges von v1
nach v2. In der Praxis ist diese z.B. durch ein (meist nicht-symmetrisches) Entfer-
nungswerk auf der Basis realer Straßennetz-Daten definiert.
Im Verlauf eines Tages treffen Bestellungen der Kunden bei den Lieferanten ein,
die unmittelbar zu Transportaufträgen führen. Diese werden derzeit bis zu einem
bestimmten Planungszeitpunkt gesammelt und dann als Gesamtheit disponiert. Die
Menge aller zum Planungszeitpunkt vorliegenden Transportaufträge sei R. Ein Trans-
portauftrag rR kann als 5-Tupel (o,vs,vd,q,τ) beschrieben werden. Dabei bezeichnen
oO das Kooperationsunternehmen, bei dem der Auftrag eingegangen ist, vsVo den
Unternehmensstandort als Ort der ersten Güterbereitstellung, vdVd den Standort des
zu beliefernden Kunden, q den Kapazitätsbedarf des Auftrags und τ den spätesten
Zeitpunkt der Anlieferung beim Kunden.
Als Transportmittel steht eine Menge A von Auslieferungsfahrzeugen der Koope-
rationspartner zur Verfügung, die an unterschiedlichen Standorten – entweder am
Unternehmensstandort eines Kooperationspartners oder dezentral in Ballungszentren
– stationiert sind. Jedes Fahrzeug ist fest einem bestimmten Umschlagpunkt (meist
ein Abhollager) zugeordnet, von welchem es Aufträge zur Auslieferung aufnimmt.
Ein solches Fahrzeug aA lässt sich durch ein 6-Tupel (o,vh,vu,qmax,tmax,croute) be-
schreiben. Dabei bezeichnen oO den Kooperationspartner, der das Fahrzeug besitzt,
vh den Fahrzeugstandort, vu das dem Fahrzeug zugeordnete Abhollager, qmax die ma-
ximal zulässige Zuladung, tmax die maximale Einsatzdauer des Fahrzeugs während
eines Tages sowie croute eine noch näher zu bestimmende Funktion zur Berechnung
der durch den Fahrzeugeinsatz entstehenden Kosten. Sofern innerhalb der Kooperati-
on Einschränkungen bezüglich der gegenseitigen Zurverfügungstellung von Auslie-
ferungsfahrzeugen bestehen, kann dies durch eine Funktion z:O×O→{true, false}
zum Ausdruck gebracht werden, die für Paare (o1,o2) mit o1,o2O angibt, ob Fahr-
zeuge des Kooperationspartners o1 zur Beförderung von Aufträgen des Unternehmens
o2 verwendet werden können. Für die Durchführung von Transporten zwischen Un-
ternehmensstandorten und Umschlagpunkten bzw. für Direktbelieferungen vom Un-
ternehmensstandort aus stehen ggf. mehrere externe Logistikdienstleister L zur Aus-
wahl. Das 2-Tupel (vu,cfreight) beschreibt einen Logistikdienstleister lL anhand seiner
mit Blick auf die vorliegende Problemstellung relevanten Merkmale, nämlich das von
ihm betriebene Abhollager vu sowie seine spezifische Frachtfunktion cfreight. In Über-
einstimmung mit der derzeitigen Praxis wird angenommen, dass die Zuordnung eines
Konsolidierte Disposition von Eigentransport und Fremdvergabe 169
Logistikdienstleisters zu einem Abhollager eineindeutig ist. Daraus folgt insbesonde-
re, dass mit der Zuordnung eines Auftrags zu einem Auslieferungsfahrzeug (aufgrund
der Bindung jedes Fahrzeugs an ein bestimmtes Abhollager) gleichzeitig der externe
Logistik-Dienstleister feststeht, über den der Transport zum Abhollager abgewickelt
wird. Die Fremdvergabe von Aufträgen erfolgt in Form so genannter Sendungen. Eine
Sendung s ist definiert als 4-Tupel (v+,v,Y,l) und bezeichnet eine Menge von Auf-
trägen Y, die durch den Logistik-Dienstleister lL gemeinsam von v+ nach v beför-
dert werden. Dabei gilt v+Vo; handelt es sich um eine Direktbelieferung, gilt außer-
dem vVu, ansonsten gilt vVd.
3.3 Definition der Planungsaufgabe
Auf Basis der vorgenannten Vereinbarungen lassen sich nun folgende interdependente
Teilaufgaben beschreiben, welche im Rahmen der konsolidierten Transportdisposition
simultan zu lösen sind:
Aus der Menge R der vorliegenden Aufträge ist die Teilmenge Rown derjenigen
Aufträge zu bestimmen, die – sei es direkt oder indirekt – unter Verwendung ei-
gener Fahrzeuge ausgeliefert werden sollen. Die Restmenge Rsub=R\Rown ent-
hält somit alle Aufträge, die von externen Dienstleistern vom Unternehmens-
standort abgeholt und ohne Beteiligung eigener Fahrzeuge „direkt“ zum Kunden
befördert werden.
Jeder Auftrag rRown ist genau einem Fahrzeug aA zuzuordnen. Für die Men-
ge XaRown der einem Fahrzeug a zugeordneten Aufträge ist ein Traveling-
Salesman-Problem (TSP) zu lösen, d.h. es ist eine Fahrzeugroute π durch alle
Kundenstandorte von Xa zu bestimmen. Ein Tripel (X,a,π), mit XRown, aA
sowie einer Route π wird als Tour bezeichnet. Eine Tour t ist zulässig, falls
z(oa,or)=true für alle Aufträge rXt und die Route πt zulässig ist. Letzteres
gilt, falls πt die Zustellung jedes Auftrags rXt vor seinem spätesten Lieferzeit-
punkt τr sowie die Einhaltung der maximalen Fahrzeugeinsatzdauer tmax(a) und
der maximalen Fahrzeugkapazität qmax(a) sicherstellt. Eine Menge T zulässiger
Touren mit own
tT t
XR
=
und tT t
X
=∅
heißt Tourenplan zur Menge
Rown.
Aus der Zuordnung eines Auftrags r zu einem Fahrzeug a ergibt sich zwangs-
läufig die Notwendigkeit, einen Fremdtransport für die Beförderung vom Unter-
nehmensstandort vo(r) zum Umschlagpunkt vu(a) zu planen. Ausgenommen da-
von sind alle Aufträge RdirRown, für die vo(r)=vu(a) gilt, da sie einem Fahr-
zeug am Unternehmensstandort des Auftragnehmers selbst zugeordnet sind und
von dort direkt ausgeliefert werden (Fall a in Abb. 1). Sei Rind=Rown\Rdir, so
bilden alle Aufträge YRind mit übereinstimmendem Bereitstellungsort vo, die
für dasselbe Abhollager vu bestimmt sind, gemeinsam eine Sendung
s=(vo,vu,Y,l(vu)). Man beachte, dass sich die Menge Sind aller Sendungen zur
Menge Rind unmittelbar aus einem gegebenen Tourenplan T ableitet. Es gilt:
ind ind
sS s
YR
=
und ind
sS s
Y
=∅
.
Die verbleibenden Aufträge rRsub werden jeweils als Einzelsendungen
(vo(r),vd(r),{r},l) an einen der Logistikdienstleister lL zur Direktbelieferung
170 G. Pankratz und J. Steinlein
vergeben. Die Menge aller Einzelsendungen aus der Fremdvergabe von Rsub sei
im Weiteren als Sdir bezeichnet. Im Unterschied zu den Sendungen in Sind, deren
Zuordnung zu einem Dienstleister bereits aufgrund der Zuweisung der enthalte-
nen Aufträge zu einem bestimmten Kooperationsfahrzeug festgelegt ist, besteht
in Bezug auf die Sendungen in Sdir Freiheit bei der Wahl des Logistikdienstleis-
ters.
3.4 Kostenfunktionen
Bezüglich des Einsatzes von Kooperationsfahrzeugen sind die während der Routen-
ausführung entstehenden variablen Fahrzeugeinzelkosten entscheidungsrelevant, die
sich additiv aus einer zeit- und einer entfernungsabhängigen Komponente zusammen-
setzen. Für ein Fahrzeug a berechnen sich diese Kostenkomponenten durch Anwen-
dung fahrzeugspezifischer Kostensätze auf die Gesamtdauer τ(πt) bzw. die Ge-
samtstrecke d(πt) der dem Fahrzeug mit einer Tour tT zugewiesenen Route πt.
Entsprechend ergeben sich die Gesamtkosten Cown des Einsatzes von Kooperations-
fahrzeugen zu
(
)
()
()
own route
at t
tT
CT c π
=.
Die Kosten eines Fremdtransports richten sich nach den mit den externen Logistik-
dienstleistern für die jeweilige Leistung vereinbarten Tarifen. Die Frachtkosten cl(s)
werden sendungsbezogen berechnet und hängen im wesentlichen vom Sendungsge-
wicht, teilweise zusätzlich von der Sendungsrelation (v+,v) ab. Die Tarife sind
frachtsatzdegressiv in Bezug auf steigende Sendungsgewichte, was im Fall der indi-
rekten Belieferung über ein Abhollager die Möglichkeit eröffnet, durch Bündelung
der für eine bestimmte Region bestimmten Aufträge erhebliche Kostenvorteile gegen-
über einer Einzelabrechnung zu erzielen. Mit S=SdirSind gilt für die gesamten Kosten
Csub der Fremdvergabe
()
()
()
sub freight
ls
sS
CS c s
=.
3.5 Suchraum und Zielfunktion
Gegeben seien ein Digraph D zur Repräsentation der Standorte und Verkehrsverbin-
dungen, eine Menge kooperierender Unternehmen O, eine Menge von Transportauf-
trägen R, eine Menge von Auslieferungsfahrzeugen A, eine Menge von Logistik-
dienstleistern L sowie eine Funktion z zur Festlegung der wechselseitigen Bereitstel-
lung von Auslieferungsfahrzeugen zwischen den Unternehmen. Dann bildet das Tupel
P=(D,O,R,A,L,z) eine konkrete Instanz des betrachteten konsolidierten Transport-
dispositionsproblems. Ein Tupel λ=(T,S) stellt eine zulässige Lösung von P dar,
sofern T ein zulässiger Tourenplan zur Auftragsmenge R und S=SindSdir eine zu T
kompatible Menge von Sendungen im Sinne der in Kap. 3.2 getroffenen Festlegungen
ist.
Konsolidierte Disposition von Eigentransport und Fremdvergabe 171
Der Lösungsraum des Problems wird durch die Menge Λ aller zulässigen Lösun-
gen gebildet. Die Zielfunktion für die Suche innerhalb des Lösungsraums entspricht
der Gesamtkostenfunktion, bestehend aus den Kosten des Einsatzes von kooperati-
onseigenen Fahrzeugen und den Fremdvergabekosten:
(
)
(
)
(
)
own sub
CCTCS
λλ
λ=+.
Gesucht ist nun die Lösung λ*, die zu minimalen Gesamtkosten führt:
(
)
(
)
{}
minCCλλλ
=∈Λ.
4 Verfahrensansätze zur Abschätzung des Einsparpotentials
Um das im Rahmen der Kooperation erzielbare Einsparpotential abzuschätzen, wur-
den zwei alternative heuristische Verfahren zur Lösung des im vorangehenden Kapi-
tel beschriebenen Transportdispositionsproblems entwickelt. Beide Verfahren beste-
hen aus zwei Phasen. In Phase I, dem Eröffnungsverfahren, wird mit Hilfe eines ein-
fachen Konstruktionsverfahrens eine erste zulässige Lösung erzeugt. In Phase II wird
anschließend mittels einer Nachbarschaftssuche eine schrittweise Verbesserung der
Ausgangslösung vorgenommen. Die beiden entwickelten Verfahren unterscheiden
sich lediglich in Bezug auf die Gestaltung der Nachbarschaftssuche. Während das
erste Verfahren (V1) ein reines Verbesserungsverfahren zum Einsatz bringt, verwen-
det das zweite Verfahren (V2) eine Threshold-Accepting-Metaheuristik. Beide Heu-
ristiken basieren auf demselben Nachbarschaftsoperator. Im Folgenden werden die
Verfahrenskomponenten jeweils kurz beschrieben.
Konstruktionsverfahren. Dieses Verfahren implementiert Phase I des Lösungs-
verfahrens und dient der Erzeugung einer zulässigen Ausgangslösung. Zunächst wird
ein Transportplan mit leeren Touren angelegt. In zufälliger Reihenfolge werden die
anstehenden Aufträge anschließend in den Plan eingefügt. Für jeden Auftrag wird die
kostengünstigste Einfügemöglichkeit in den Touren der eigenen Auslieferungsfahr-
zeuge bestimmt. Ist eine solche Einplanung möglich, muss anschließend überprüft
werden, ob der Ausgangsort des Auftrags mit dem entsprechenden Tourdepot iden-
tisch ist. Falls dies nicht der Fall ist, wird zusätzlich ein fremdvergebener Transport
zum jeweiligen Abhollager geplant. Kann ein Auftrag überhaupt nicht in eine eigene
Tour eingeplant werden, wird der komplette Auftrag als Direktlieferung fremdverge-
ben.
Erzeugung einer Nachbarschaftslösung. Eine benachbarte Lösung wird erzeugt,
indem ein zufällig bestimmter Teil der aktuellen Lösung zerstört und anschließend
wieder neu aufgebaut wird (Destruktions-/Rekonstruktionsnachbarschaft). Das Ver-
fahren geht so vor, dass sowohl aus den Touren der eigenen Auslieferungsfahrzeuge
als auch aus den fremdvergebenen Transporten eine vorzugebende Anzahl von Auf-
trägen herausgenommen wird, die unmittelbar danach wieder in zufälliger Reihenfol-
ge eingeplant werden. Im Gegensatz zum Konstruktionsverfahren wird bei der Neu-
einplanung der Aufträge ermittelt, ob die Direktlieferung durch Fremdvergabe günsti-
172 G. Pankratz und J. Steinlein
ger ist als die Auslieferung durch ein eigenes Fahrzeug einschließlich des Fremd-
transports zum Abhollager.
Verbesserungsverfahren (First Fit Greedy). Bei diesem Verfahren handelt es sich
um ein reines Verbesserungsverfahren (Greedy-Verfahren) nach dem Prinzip der
ersten Verbesserung (First Fit, vgl. Algorithmus 1). In einer Schleife produziert das
Verfahren fortwährend Lösungen aus der Nachbarschaft einer Ausgangslösung. So-
bald eine Lösung gefunden wird, deren Kosten die Kosten der zuletzt aufgefundenen
Lösung unterschreiten, wird die neue Lösung zur Ausgangslösung für die nachfolgen-
den Iterationen. Als Terminationskriterium kann z.B. eine bestimmte Rechenzeit oder
einer Anzahl von Iterationen vorgegeben werden.
Algorithmus 1. Verbesserungsverfahren (First Fit Greedy)
Eingabe: Ausgangslösung lsg
alt_Lösung := lsg
best_Lösung := alt_Lösung
Wiederhole, bis Terminationskriterium erfüllt
neu_Lösung := Erzeuge_Nachbarschaftslösung(alt_Lösung)
Falls Kosten(neu_Lösung) < Kosten(alt_Lösung)
alt_Lösung := neu_Lösung
Falls Kosten(neu_Lösung) < Kosten(best_Lösung)
best_Lösung := neu_Lösung
Ausgabe: best_Lösung
Metaheuristik (Threshold Accepting). Das im Folgenden beschriebene alternative
Verfahren lehnt sich an den Threshold Accepting Standard Algorithm [3] an und
beruht damit auf der Idee, kurzfristig auch Lösungsverschlechterungen zuzulassen,
deren Ausmaß allerdings im Laufe des Verfahrens zu variieren (meist: zu verringern).
Zu diesem Zweck benötigt der Algorithmus eine Threshold-Liste der Form
T(1), …, T(max_T), welche die in jeder Hauptiteration des Verfahrens gültigen
Schwellenwerte für die Akzeptanz bzw. Nichtakzeptanz einer neuen Lösung vorgibt
(vgl. Algorithmus 2).
Algorithmus 2. Metaheuristik (Threshold Accepting)
Eingabe: Ausgangslösung lsg; Thresholds (T(1),...,T(max_T));
alt_Lösung := lsg
best_Lösung := lsg
Für t = 1 bis max_T
Wiederhole n mal:
neu_Lösung := Erzeuge_Nachbarschaftslösung(alt_Lösung)
Falls Kosten(neu_Lösung) < Kosten(alt_Lösung)*(1+T(t))
alteLösung := neueLösung
Falls Kosten(neu_Lösung) < Kosten(best_Lösung)
best_Lösung := neu_Lösung
Ausgabe: best_Lösung
Anders als im Verbesserungsverfahren wird hier eine Nachbarschaftslösung auch
dann als neue Ausgangslösung akzeptiert, wenn sie die Kosten der vorangehenden
Ausgangslösung um nicht mehr als einen vorgegebenen Schwellenwert überschreitet.
Konsolidierte Disposition von Eigentransport und Fremdvergabe 173
Nach jeweils n Iterationen – ein vorzugebender Verfahrensparameter – wird der
Schwellenwert gemäß der Threshold-Liste angepasst. Die insgesamt kostengünstigste
unter allen bislang gefundenen Lösungen wird festgehalten und am Ende des Verfah-
rens zurückgegeben.
5 Rechnergestützte Experimente
Zur Ermittlung des durch eine konsolidierte Transportdisposition zu erwartenden
Transportkosten-Einsparpotentials wurde auf Basis realistischer Auftragsdaten eine
Serie von Testrechnungen sowohl unter den Bedingungen eines kooperativen Vorge-
hens (kooperatives Szenario) als auch unter der Annahme einer isolierten Transport-
planung (isoliertes Szenario) durchgeführt. Das Einsparpotential wurde als Mittelwert
der Differenzen der pro Testdatensatz unter beiden Szenarios erzielten Gesamt-
Transportkosten berechnet.
Die Bestimmung der Gesamt-Transportkosten wiederum erfolgte auf der Grundla-
ge der Transportpläne, die für jeden Testdatensatz mit Hilfe der im vorangehenden
Abschnitt skizzierten Heuristiken ermittelt wurden. Um die Aussagekraft der Ergeb-
nisse zu steigern, wurden die Testrechnungen mit beiden Lösungsverfahren durchge-
führt und miteinander verglichen. Gewissermaßen als „Nebenprodukt“ der Abschät-
zung des Konsolidierungspotentials wurde auf Basis der Testergebnisse zudem noch
ein erster Vergleich der Leistungsfähigkeit beider Verfahren möglich. Die folgenden
Abschnitte liefern eine nähere Beschreibung der einzelnen Schritte des geschilderten
Ablaufs.
5.1 Test-Problemdaten
Aufgrund der stark beleggebundenen und überwiegend handschriftlich-manuellen
Dispositionsabwicklung bei den kooperierenden Unternehmen erwies sich die Zu-
sammenstellung repräsentativer Problemdatensätze aus „echten“ Vergangenheitsdaten
als sehr aufwendig. Zudem ließ sich die tatsächliche Transportabwicklung wegen der
lückenhaften Dokumentation zu weiten Teilen nicht mehr zweifelsfrei rekonstruieren,
so dass auf dieser Datengrundlage ein seriöser Vergleich zwischen rechnergestützter
und herkömmlicher manueller Disposition nicht möglich erschien.
Da auch aus sonstigen Quellen keine Benchmark-Testinstanzen für das beschrie-
bene Problem verfügbar waren, mussten Test-Problemdaten für die Zwecke der vor-
liegenden Untersuchung eigens generiert werden. Dies geschah auf der Basis eines
eng an die reale Situation in der betrachteten Kooperation angelehnten Szenarios.
Analog zur Realsituation werden vier Unternehmen betrachtet, die hier als A, B, C
und D bezeichnet werden. Eine Konsolidierung der Kundendatenbanken der koope-
rierenden Unternehmen führte zu einem bereinigten Gesamtbestand von 523 ver-
schiedenen Kundenstandorten, von denen etwa 42 Prozent als gemeinsame Kunden
mindestens zweier Lieferanten identifiziert werden konnten. Insgesamt wurden 30
Test-Instanzen mit jeweils 185 Transportaufträgen generiert, was einem als realistisch
angenommenen Bestellaufkommen pro Liefertag entspricht. Jede Instanz repräsentiert
somit das Transportaufkommen eines durchschnittlichen Liefertages. Als vereinfa-
174 G. Pankratz und J. Steinlein
chende Annahme wird für die Zwecke der vorliegenden Untersuchung davon ausge-
gangen, dass alle Aufträge einheitlich bis zwölf Uhr mittags zugestellt werden müs-
sen. Die folgenden Abschnitte informieren über weitere Einzelheiten der Problem-
instanzerzeugung.
Bestimmung von Auftragsgewichten. Die Grundlage für die Bestimmung von Auf-
tragsgewichten bildeten die für jedes Unternehmen individuell ermittelten empiri-
schen Häufigkeitsverteilungen der Auftragsgewichte. Die verteilungsgerechte Erzeu-
gung von Auftragsgewichten aus den empirischen Verteilungsdaten erfolgte mit Hilfe
eines Pseudozufallszahlengenerators nach dem in der Literatur als Table-Lookup-
Methode bezeichneten Verfahren [8]. Bedingt durch die Verwendung branchentypi-
scher Lademittel (normierte, desinfizierbare Kunststoff-Gitterboxen mit einer übli-
chen Warenbelastung von ca. 12 kg), lässt sich bei Bedarf das Sendungsvolumen un-
mittelbar aus dem Auftragsgewicht ableiten.
Berechnung der Distanzmatrix. Die alle Standorte umfassende Distanzmatrix wurde
mit Hilfe des kartographischen Visualisierungswerkzeugs Microsoft MapPoint in der
Version 2006 berechnet, das neben der Komponente für die geographische Aufberei-
tung von Geschäftsdaten auch über einen Algorithmus zur Berechnung von kürzesten
Wegen verfügt. Aufgrund der rechenintensiven Wegebestimmung auf der Grundlage
des tatsächlichen Straßennetzes wurde lediglich eine symmetrische Entfernungsmatrix
berechnet. Aus der Verwendung realer Daten, die aus den ERP-Systemen der beteilig-
ten Unternehmen exportiert wurden, ergaben sich vereinzelt Datenqualitätsprobleme
aufgrund nicht korrekt hinterlegter Ortsbestimmungsmerkmale. Insbesondere Kun-
denstandorte auf Flughafen-Arealen (z.B. Catering-Betriebe der Luftfahrtgesellschaf-
ten) bereiteten Schwierigkeiten, da solche Adressen dem Verwendungszweck entspre-
chend (Lokalisierung durch Auslieferungsfahrer) häufig nicht im Standard-Adressen-
schema hinterlegt, sondern durch die Angabe eines Gebäudekomplexes gekennzeich-
net waren. In den meisten Fällen konnten diese Probleme durch eine manuelle Kor-
rektur behoben werden.
Transportmittel. Im betrachteten Szenario unterhalten zwei Unternehmen (A und B)
eigene Auslieferungsfahrzeuge (10 bzw. 3 Fahrzeuge), die jeweils über eine maxima-
le Nutzlast von ca. 1 t und je nach Fahrzeugtyp über ein Laderaumvolumen von ca.
150 bis 200 Gitterboxen verfügen. Da sämtliche Fahrer festangestellt sind, konnten
die regelmäßigen Personalaufwendungen aufgrund der in kurzfristiger Sichtweise
weitestgehend unveränderlichen Höhe unberücksichtigt bleiben; neben den kilometer-
abhängigen Kosten fanden daher lediglich mögliche Überstundenvergütungen als
zeitabhängige Kostenkomponente Eingang in die Kostenbewertung. Bezüglich der
gegenseitigen Bereitstellung der Fahrzeuge werden zwei Teilszenarien unterschieden:
Als „isoliertes Szenario“ wird der gegenwärtige Zustand ohne Kooperation be-
zeichnet, in dem sich die Unternehmen A und B ihre Transport-Ressourcen weder
gegenseitig noch den übrigen Unternehmen zur Verfügung stellen. Das isolierte Sze-
Konsolidierte Disposition von Eigentransport und Fremdvergabe 175
nario dient als Referenz-Szenario zur Ermittlung des kooperationsbedingten Einspar-
potentials.
Zu einer ersten Abschätzung des Einsparpotentials wird angenommen, dass zu-
nächst nur das Unternehmen mit dem größten eigenen Fuhrpark (Unternehmen A) sei-
ne Ressourcen vollständig in den Dienst der gesamten Kooperation stellt. Dieser Zu-
stand wird im Folgenden als „kooperatives Szenario“ bezeichnet. Bezüglich der
Fremdvergabe der direkten Haus-zu-Haus-Sendungen wurde vereinfachend angenom-
men, dass nur ein Logistikdienstleister mit einem nach Sendungsgewichten gestaffel-
ten Tarif zur Verfügung stand.
5.2 Verfahrensparametrisierung
Der Operator zur Erzeugung einer Nachbarschaftslösung wurde so eingestellt, dass
bei jeder Anwendung 25 Prozent der in eigene Fahrzeuge und 75 Prozent der in
fremdvergebene Direktsendungen verplanten Aufträge aus der Ausgangslösung ent-
fernt werden. Hinter der vergleichsweise hohen Zerstörungsrate für die fremdverge-
benen Aufträge steht die Absicht, zur Vermeidung unnötiger Direktsendungen die
beständige Prüfung der Eigentransport-Alternative für diese Aufträge zu forcieren.
Einziger Parameter für das Verbesserungsverfahren ist das Terminationskriterium,
für das die jeweils gültige Laufzeitschranke (60, 260 oder 600 Sekunden) gewählt
wurde. Um geeignete Parameter für die Metaheuristik zu finden, wurde eine Reihe
von Pilotläufen mit einer Auswahl der erzeugten Probleminstanzen durchgeführt. In
diesem Zusammenhang wurde auch mit verschiedenen Alternativen zur herkömmli-
chen, streng-monotonen Absenkung der Schwellenwerte experimentiert. Dabei erwies
sich ein sägezahnartiger Threshold-Verlauf als vorteilhaft, dem zur beschleunigten
Verbesserung der Startlösung eine kurze Phase mit negativen Thresholds vorange-
stellt wurde. Die Anzahl der Threshold-Stufen und die Anzahl der Iterationen pro
Threshold-Stufe wurden so gewählt, dass die jeweils geforderten Laufzeitschranken
eingehalten wurden.
5.3 Diskussion der Ergebnisse
Im Folgenden wird die Kombination aus einem bestimmten Teilszenario (isoliert oder
kooperativ) und einer bestimmten Laufzeitschranke (60, 260 oder 600 Sekunden) als
Testkonfiguration, die Kombination einer Testkonfiguration mit einer bestimmten
Probleminstanz wiederum als Testfall bezeichnet. Ein Testlauf ist dann die einmalige
Anwendung eines bestimmten Verfahrens (V1 oder V2, vgl. Kap. 4) auf einen be-
stimmten Testfall. Insgesamt ergibt sich somit eine Anzahl von sechs Testkonfigura-
tionen, 180 Testfällen und 360 Testläufen. Alle Testläufe wurden auf einem PC mit
Intel® Core™ Duo CPU (2.33 GHz) und 2 GB RAM durchgeführt, wobei ein Test-
lauf immer nur einen Prozessorkern belegte.
Für jedes der beiden Verfahren und pro Testfall wurden die unter den Annahmen
des kooperativen Szenarios erzielten Ergebnisse den korrespondierenden Ergebnissen
des isolierten Szenarios gegenübergestellt. Aus den instanzenweise berechneten Dif-
176 G. Pankratz und J. Steinlein
ferenzen wurde die bei Verwendung von V1 bzw. V2 erzielbare durchschnittliche
kooperationsbedingte Einsparung ermittelt.
Zum Zweck einer ersten Leistungsbeurteilung der entwickelten Heuristiken wurde
darüber hinaus für jeden Testfall durch direkten Vergleich der beiden zugehörigen
Testläufe (mit V1 bzw. V2) die beste gefundene Lösung ermittelt und anschließend
für jedes Verfahren die Abweichung des jeweiligen Zielfunktionswertes vom Ziel-
funktionswert dieser Bestlösung bestimmt.
Tabelle 1 zeigt eine Zusammenfassung der Ergebnisse. Jeder Eintrag in einer Ta-
bellenzelle der ersten vier Wertspalten gibt den über alle Testfälle einer bestimmten
Testkonfiguration berechneten Mittelwert der Abweichungen des betrachteten Ver-
fahrens von der jeweiligen Bestlösung wieder (in Prozent). Die beiden letzten Spalten
geben für jedes der beiden Verfahren Auskunft über die jeweils erzielte mittlere ko-
operationsbedingte Einsparung (in Prozent).
Wie die Werte der beiden letzten Spalten zeigen, konnten im kooperativen Szena-
rio erhebliche Gesamt-Kosteneinsparungen (zwischen etwa 23 und etwa 25 Prozent
gegenüber dem isolierten Vorgehen) erzielt werden. Die Ursache hierfür ist vor allem
in einer erheblichen Verbesserung der durchschnittlichen Kapazitätsauslastung der
nunmehr gemeinsam genutzten Auslieferungsfahrzeuge zu sehen. Zahlreiche Fremd-
transporte, die im isolierten Szenario insbesondere bei den Partnern ohne eigenen
Fuhrpark (C und D) beträchtliche Kosten verursachen, lassen sich einsparen – einer-
seits durch Verlagerung auf die vorhandenen Auslieferungsfahrzeuge, andererseits
aufgrund der in der Kooperation erweiterten Möglichkeit, Sendungen in dieselbe
Zielregion zu bündeln und auf diese Weise die Degression in den Tarifen der Fernver-
kehrsspediteure auszunutzen. Weiterhin wird deutlich, dass die erzielte relative Ein-
sparung weitgehend unabhängig von dem verwendeten Lösungsverfahren ist.
Tab. 1. Aggregierte Ergebnisse über alle 30 Testinstanzen.
mittlere Abweichung von der besten gefundenen
Lösung (in Prozent)
isoliertes Szenario kooperatives Szenario
mittlere durch Koopera-
tion erzielte Einsparung
ggü. isoliertem Szenario
(in Prozent)
Laufzeit V1 V2 V1 V2 V1 V2
max. 60 s 0,24 0,03 2,14 1,40 22,98 23,38
max. 260 s 0,09 0,06 0,46 1,52 24,98 24,17
max. 600 s 0,14 0,02 1,17 0,80 25,01 25,20
Den Werten der Tabelle ist außerdem zu entnehmen, dass beide Verfahren von
längeren Rechenzeiten im kooperativen Szenario stärker profitieren als im isolierten
Szenario, was sich in einer entsprechenden Erhöhung der mittleren Einsparungen
niederschlägt.
Im direkten Vergleich der mittleren Abweichungen von der besten gefundenen Lö-
sung schneidet V2 etwas besser ab als V1. Eine Ausnahme bilden die Ergebnisse der
Testläufe im kooperativen Fall bei 260 Sekunden Laufzeit. Eine statistische Signifi-
Konsolidierte Disposition von Eigentransport und Fremdvergabe 177
kanz dieser Beobachtungen konnte allerdings nur für die Ergebnisse nachgewiesen
werden, die bei einer Laufzeit von 60 und 600 Sekunden im isolierten Szenario erzielt
wurden (Vorzeichen-Rang-Test nach Wilcoxon; α=0,1). Die Ursache für die ver-
gleichsweise geringen Vorteile der anspruchsvolleren Heuristik V2 ist möglicherwei-
se in der Größe der Nachbarschaft zu suchen, die der Dekonstruktions-/Rekonstruk-
tions-Operator definiert. Offenbar bietet diese auch einem einfachen Abstiegsverfah-
ren wie der Heuristik V1 über lange Zeit noch Möglichkeiten, dem Festlaufen in ei-
nem lokalen Optimum auszuweichen.
6 Ausblick
Der Schwerpunkt laufender Arbeiten zur Weiterentwicklung des vorgestellten Ansat-
zes liegt derzeit auf der Gestaltung geeigneter Mechanismen zur Lösung des Kosten-
allokationsproblems unter Fairness-Gesichtspunkten. Für den nachhaltigen Erfolg der
Kooperation ist dieser Aspekt von besonders hoher Relevanz. Eine Besonderheit der
vorliegenden Situation, die in bisherigen (meist spieltheoretisch ausgerichteten) Ar-
beiten auf diesem Gebiet kaum Berücksichtigung findet, ist die asymmetrische Res-
sourcenausstattung der Kooperationsteilnehmer, die nach einer expliziten Einbezie-
hung des Fixkosten-Verteilungsproblems verlangt.
Darüber hinaus sind Arbeiten geplant, die eine weitere Annäherung der Planungs-
situation an die tatsächlichen betrieblichen Gegebenheiten zum Ziel haben. Von be-
sonderer Bedeutung sind in diesem Zusammenhang die Einbeziehung von Leergut-
Rücktransportaufträgen, die Berücksichtigung differenzierter Zeitfenster für den Wa-
renempfang sowie die Möglichkeit der Einplanung dynamisch eintreffender Aufträge
in Echtzeit.
Im Sinne eines langfristig angelegten, wertorientierten Managementverständnisses
sollte ein weiteres Ziel in der Etablierung einer koordinierten strategischen Planung in
Bezug auf die Fuhrparkkapazitäten der Kooperationspartner bestehen. Eine solche
Planung sollte sich auch auf die Standortwahl und die Auswahl geeigneter Logistik-
Dienstleister erstrecken.
Literaturverzeichnis
1. Bahrami, K.: Horizontale Transportlogistik-Kooperationen – Synergiepotenzial für
Hersteller kurzlebiger Konsumgüter. Deutscher Universitäts-Verlag, Wiesbaden 2003.
2. Berg, C.: Teile und herrsche. Logistik heute, Heft 10/1998, Seiten 102–106.
3. Dueck, G.; Scheuer, T.: Threshold Accepting: A General Purpose Optimization Algorithm
Appearing Superior to Simulated Annealing. Journal of Computational Physics, Band 90,
Heft 1, 1990, Seiten 161–175.
4. Fleischmann, B.: Kooperation von Herstellern in der Konsumgüterdistribution. In:
Engelhard, J.; Sinz, Elmar J. (Hrsg.): Kooperation im Wettbewerb – Neue Formen und
Gestaltungskonzepte im Zeichen von Globalisierung und Informationstechnologie. Gabler,
Wiesbaden 1999, S. 167–186.
5. http://www.foodregio.de
178 G. Pankratz und J. Steinlein
6. Kopfer, H.; Pankratz, G.: Das Groupage-Problem kooperierender Verkehrsträger. In: Kall,
P.; Lüthi, H.-J. (Hrsg.): Operations Research Proceedings 1998, Springer, Berlin u.a. 1999,
S. 453–462.
7. Krajewska, M.; Kopfer, H.; Laporte, G.; Ropke, S.; Zaccour, G.: Horizontal cooperation of
freight carriers: request allocation and profit sharing. Les Cahiers du GERAD G - 2007 - 6,
Montreal 2007.
8. Morgan, B.J.T.: Elements of Simulation. University of Kent, Canterbury (UK),
Mathematical Institute. Chapman & Hall, London 1984.
9. Müschen, J.; Schneider, P.: Die Herstellermarken GmbH (HEMA) –
Unternehmensübergreifende Distributionslogistik im Markenartikelbereich. Newsletter
Business Computing: Wirtschaftsinformatik in Forschung und Praxis, Nr. 7 (20.06.1994)
S. 4.
10. Pankratz, G.: Speditionelle Transportdisposition. Modell- und Verfahrensentwicklung unter
Berücksichtigung von Dynamik und Fremdvergabe. Deutscher Universitäts-Verlag,
Wiesbaden 2002.
11. Pankratz, G.: Dynamic vehicle routing by means of a genetic algorithm. International
Journal of Physical Distribution and Logistics Management (IJPDLM) Vol. 35 No. 5, 2005,
S. 362–383.
12. Potvin, J.-Y.; Xu, Y; Benyahia, I.: A Hybrid Ant Colony Optimisation Technique for
Dynamic Vehicle Routing. Lecture Notes in Computer Science, Springer, Berlin et al.
2004, S. 48–59.
13. Schönberger, J.: Operational Freight Carrier Planning - Investigations on Basic Concepts,
Optimization Models and Advanced Memetic Algorithms. Springer, Berlin u.a. 2005.
... We are interested in solving transportation planning problems for the food industry. Several manufacturers with same customers but complementary food products collaborate by jointly using their vehicle fleets to reduce delivery costs (Pankratz and Steinlein 2008). The different products are delivered to first-class hotels. ...
Conference Paper
Full-text available
In this paper, we suggest a framework that allows for the simulation-based performance assessment of algorithms for cooperative transportation planning. Therefore, we consider a coupling architecture that connects simulation models of the logistic system and the transportation planning algorithms. The center point of this architecture is a blackboard-type data layer between transportation planning system and the simulation engine. We provide detailed information on how the different subsystems communicate and how each system triggers events of the other systems. In a case study, we show how the suggested framework supports the required performance assessment.
Conference Paper
Full-text available
Die Planungssituation einer Distributionskooperation von vier mittelständischen Liefe- ranten hochwertiger Lebensmittel und Getränke bildete die Grundlage für die Analy- se eines komplexen Transportdispositionsproblems. Dieses Problem stellt sich, wenn die kooperierenden Lieferanten die tägliche Planung ihrer Distributionsaktivitäten un- ternehmensübergreifend koordinieren. Das Problem ist durch einen dynamischen Auftragseingang, individuelle Zeitfenster zur Auslieferung der Aufträge, einen hetero- genen Fuhrpark mit mehrdimensionalen Kapazitätsgrenzen der Lieferfahrzeuge und eine simultane Planung von Eigentransport und Fremdvergabe charakterisiert. Das zur Lösung dieses Problems entwickelte Verfahren kombiniert eine Large- Neighborhood-Suchstrategie zur Lösungsverbesserung mit einem Threshold- Accepting-Verfahren zur Überwindung lokaler Minima. Bisherige Tests ergaben bei Kooperation ein Einsparpotenzial von durchschnittlich 22% gegenüber der Situation ohne Kooperation.
Conference Paper
Full-text available
This paper is concerned with a dynamic vehicle routing problem. The problem is dynamic in the sense that the time it will take to traverse each edge is uncertain. The problem is expressed as a bi-criterion optimisation with the mutually exclusive aims of minimising both the total mean transit time and the total variance in transit time. In this paper we introduce a hybrid dynamic programming – ant colony optimisation technique to solve this problem. The hybrid technique uses the principles of dynamic programming to first solve simple problems using ACO (routing from each adjacent node to the end node), and then builds on this to eventually provide solutions (i.e. Pareto fronts) for routing between each node in the network and the destination node. However, the hybrid technique updates the pheromone concentrations only along the first edge visited by each ant. As a result it is shown to provide the overall solution in quicker time than an established bi-criterion ACO technique, that is concerned only with routing between the start and destination nodes. Moreover, we show that the new technique both determines more routes on the Pareto front, and results in a 20% increase in solution quality for both the total mean transit time and total variance in transit time criteria. However the main advantage of the technique is that it provides solutions in routing between each node to the destination node. Hence it allows “instantaneous” re-routing subject to dynamic changes within the road network.
Article
Full-text available
Infrastrukturelle Engpässe und verschärfter Wettbewerb im Transportsektor zwingen die Transportunternehmen zur Effizienzsteigerung bei der Erstellung von Verkehrsleistungen. Nicht allein eine Optimierung der individuellen Auftragsdisposition, sondern erst ein un-ternehmensöbergreifender Abgleich zwischen den verfügbaren und benötigten Kapazitävten kooperierender Transportunternehmen (Groupage) läßit eine deutliche Auslastungssteigerung der Produktionsfaktoren erwarten. Der Beitrag stellt das Groupage-Problem vor, das darin besteht, die sukzessive und unregelmäßig eintreffenden Transportaufträge möglichst günstig den freien Kapazitäten der Kooperationsteilnehmer zuzuordnen. Als einzelwirtschaftlicher Ausgangspunkt wird das speditionelle Dispositionsproblem identifiziert und auf Varianten des Pickup-and-Delivery-Problems (PDP) und des Frachtoptimierungsproblems (FOP) zurückgeführt. Bei Erweiterung dieser isolierten Betrach-tung um die Berücksichtigung zwischenbetrieblicher Kooperation ergibt sich das Groupage-Problem als offenes, kombiniertes Zuordnungs-, Reihenfolge-, Fluß- und Schedulingproblem. Eine Diskussion dezentraler Ansátze zur Lösung verwandter Problemstellungen schließt den Beitrag ab.
Article
Full-text available
In modern transportation systems, the potential for further decreasing the costs of fulfilling customer requests is severely limited while market competition is constantly reducing revenues. However, increased competitiveness through cost reductions can be achieved if freight carriers cooperate in order to balance their request portfolios. Participation in such coalitions can benefit the entire coalition, as well as each participant individually, thus reinforcing the market position of the partners. The work presented in this paper uniquely combines features of routing and scheduling problems and of cooperative game theory. In the first part, the profit margins resulting from horizontal cooperation among freight carriers are analysed. It is assumed that the structure of customer requests corresponds to that of a pickup and delivery problem with time windows for each freight carrier. In the second part, the possibilities of sharing these profit margins fairly among the partners are discussed. The Shapley value can be used to determine a fair allocation. Numerical results for real-life and artificial instances are presented.
Chapter
Aufgabe der Konsumgüterdistribution ist es, Fertigprodukte vom Produktionsstandort aus national oder Europa-weit flächendeckend an den Handel zu verteilen. Zwischen den Akteuren der Konsumgüterdistribution — industrielle Hersteller, Handel und Logistikdienstleister (LDL) — ist seit Beginn der neunziger Jahre eine verstärkte Tendenz zur Bildung von Kooperationen zu beobachten. Die Motivation dazu kommt aus einer ganzen Reihe von Trends in der Entwicklung des Konsumgütergeschäfts, die in diesem Abschnitt kurz dargestellt werden. Eine ähnliche Aufstellung dieser Trends mit ausführlichen Erläuterungen geben Berg (1998), Bretzke (1999) und Zentes (1998).
Book
Preface. Acknowledgments. List of Notation. Introduction. Some Probability and Statistics Revision. Generating Uniform Random Variables. Particular Methods of Non-Uniform Random Variables. General Methods for Non-Uniform Random Variables. Testing Random Numbers. Variance Reduction and Integral Estimation. Model Construction and Analysis. Further Examples and Applications. Appendices. Solutions and Comments for Selected Questions. Bibliography. Author Index. Subject Index.
Purpose To propose and to evaluate a new genetic algorithm (GA) for solving the dynamic pickup and delivery problem with time windows (DPDPTW). Design/methodology/approach First, a grouping genetic algorithm (GGA) for the (static) PDPTW is described. In order to solve the dynamic problem, the GGA then is embedded in a rolling horizon framework. Special updating mechanisms are provided which assure that reusable solution knowledge is preserved over the plan revisions. The approach is evaluated using a large number of test instances with varying degrees of dynamism. Findings The experimental results have demonstrated that the proposed approach is able to find high‐quality solutions when compared with two comparative heuristics. Research limitations/implications Future research will be dedicated to the following issues: testing the proposed method using larger problem instances, using more sophisticated objective functions in order to further improve and evaluate the approach, integrating fast local search techniques into the genetic search, speeding up the algorithm by optimizing its implementation. Practical implications In order to meet the increasing demands on the flexibility and the promptness of transportation services, algorithms are needed for dispatching transportation requests that arrive dynamically during the planning period. The findings of this contribution justify the employment of GAs in such dynamic transportation planning environments. Originality/value Although the application of GAs in dynamic environments attracts growing attention, up to now no such algorithm has been published for the DPDPTW. To the best of the author's knowledge, this is the first time a GA has been applied to the DPDPTW.
Article
A new general purpose algorithm for the solution of combinatorial optimization problems is presented. The new threshold accepting method is even simpler structured than the wellknown simulated annealing approach. The power of the new algorithm is demonstrated by computational results concerning the traveling salesman problem and the problem of the construction of error-correcting codes. Moreover, deterministic (!) versions of the new heuristic turn out to perform nearly equally well, consuming only a fraction of the computing time of the stochastic versions. As an example, the deterministic threshold accepting method yields very-near-to-optimum tours for the famous 442-cities traveling salesman problem of Grötschel within 1 to 2 s of CPU time.
Article
A new general purpose algorithm for the solution of combinatorial optimization problems is presented. The new threshold accepting method is even simpler structured than the wellknown simulated annealing approach. The power of the new algorithm is demonstrated by computational results concerning the traveling salesman problem and the problem of the construction of error-correcting codes. Moreover, deterministic (!) versions of the new heuristic turn out to perform nearly equally well, consuming only a fraction of the computing time of the stochastic versions. As an example, the deterministic threshold accepting method yields very-near-to-optimum tours for the famous 442-cities traveling salesman problem of Grötschel within 1 to 2 s of CPU time.