Machine Translated by Google

Planejamento e Tecnologia de Transportes

ISSN: (Impresso) (Online) Homepage da revista: https://www.tandfonline.com/loi/gtpt20

Modelagem de demanda de comércio eletrônico doméstico para uma

plataforma de simulação de transporte urbano baseada em agentes

Takanori Sakai, Yusuke Hara, Ravi Seshadri, André Romano Alho, Md Sami
Hasnine, Peiyu Jing, ZhiYuan Chua e Moshe Ben-Akiva

Para citar este artigo: Takanori Sakai, Yusuke Hara, Ravi Seshadri, André Romano Alho, Md Sami
Hasnine, Peiyu Jing, ZhiYuan Chua & Moshe Ben-Akiva (2022) Modelagem de demanda de comércio
eletrônico doméstico para um transporte urbano baseado em agente plataforma de simulação,
Transportation Planning and Technology, 45:2, 179-201, DOI: 10.1080/03081060.2022.2084397

Para acessar este artigo: https://doi.org/10.1080/03081060.2022.2084397

Publicado online: 06 de junho de 2022.

Envie seu artigo para esta revista

Visualizações do artigo: 310

Ver artigos relacionados

Exibir dados de marca cruzada

Os Termos e Condições completos de acesso e uso podem ser encontrados em

https://www.tandfonline.com/action/journalInformation?journalCode=gtpt20
Machine Translated by Google

PLANEJAMENTO E TECNOLOGIA DE TRANSPORTE

2022, VOL. 45, Nº. 2, 179–201 https://doi.org/
10.1080/03081060.2022.2084397

ARTIGO DE PESQUISA

Modelagem de demanda de comércio eletrônico doméstico para uma

plataforma de simulação de transporte urbano baseada em agentes
a b c d
Takanori Sakai , Yusuke Hara , Ravi Seshadri , André Romano Alho ,
e d d
Médico Sami Hasnine , Peiyu Jing , Zhi Yuan Chuaf e Moshe Ben-Akiva
a
Departamento de Logística e Engenharia da Informação, Universidade de Ciência e Tecnologia Marinha de Tóquio,
b c
Tóquio, Japão; Escola
Departamento
de Pós-Graduação
de Tecnologia,
em Ciências
Gestãoda
e Economia,
Informação, Universidade
Tohoku University,
TécnicaSendai,
da Dinamarca, Transporte
Japão; Divisão,
Kgs., Dinamarca;
Instituto de Tecnologia de Massachusetts, Cambridge, MA, EUA; Engenharia, Howard University, Washington, DC, EUA;
d
Singapura, Singapura
Laboratório de Sistemas Inteligentes de Transporte, Departamento de Engenharia Civil e Ambiental,
e
Departamento de Civil e Meio Ambiente
f
NUS Business School, Universidade Nacional de

ABSTRATO HISTORIA DO ARTIGO

Recebido em 16 de dezembro de 2021
O mercado de comércio eletrônico cresceu rapidamente nas últimas duas décadas.
Aceito em 25 de maio de 2022
A necessidade de prever a demanda de comércio eletrônico e avaliar políticas e
soluções relevantes está aumentando. No entanto, os modelos de simulação
PALAVRAS-CHAVE
existentes para a demanda do e-commerce ainda são limitados e não consideram
Modelagem de demanda de frete;
os impactos das opções de entrega e seus atributos que os compradores enfrentam comércio eletrônico; simulação
nas múltiplas dimensões da demanda do e-commerce. Propomos uma nova baseada em agente; entrega de
estrutura envolvendo modelos comportamentais desagregados que prevêem mercadorias; frete urbano
conjuntamente os gastos com comércio eletrônico, o valor da compra por transação,
o modo de entrega e as opções de escolha. A estrutura proposta pode simular as
mudanças na demanda de comércio eletrônico e ser usada para avaliar os impactos
de uma série de políticas e soluções. Especificamos os parâmetros do modelo com
base em várias fontes de informações relevantes, integramos o modelo em um
simulador de frete urbano e conduzimos uma simulação demonstrativa para uma
cidade norte-americana prototípica. Os resultados da análise destacam a
capacidade e aplicabilidade da estrutura de modelagem proposta.

1. Introdução

O mercado de comércio eletrônico vem crescendo em todo o mundo nas últimas duas décadas.
Nos Estados Unidos, a participação das vendas de comércio eletrônico no quarto trimestre de
2019 foi de 11,4%, em comparação com apenas cerca de 4% em 2009 (US Department of
Commerce 2020). Além disso, a pandemia de coronavírus em 2020 provocou um aumento
significativo na demanda por entregas de comércio eletrônico. Juntamente com o crescimento da
demanda, tem havido discussões crescentes entre pesquisadores e profissionais de transporte
sobre as medidas para lidar com o número crescente de entregas de encomendas em locais
residenciais. Soluções de logística, como consolidações de última milha, pontos de coleta/zonas
de entrega, ciclos de carga, transporte coletivo, drones e robôs de entrega foram propostas e discutidas (por exem

CONTATO Takanori Sakai tsakai2@kaiyodai.ac.jp Departamento de Logística e Engenharia da Informação, Universidade de Ciência e Tecnologia Marinha de

Tóquio, Tóquio, Japão © 2022 Informa UK Limited, comercial como Taylor & Francis Group
Machine Translated by Google

180 T. SAKAI ET AL.

Allen et ai. 2018a). Vale ressaltar que as opções de entrega a serem oferecidas aos consumidores
do e-commerce dependem de redes/sistemas de transporte e devem evoluir ainda mais rapidamente
do que antes, devido às mudanças nas preferências dos compradores em relação ao e-commerce
desencadeadas pela pandemia. Observe que as 'opções de entrega' neste documento incluem as
opções de entrega em domicílio e retirada.
Apesar de sua importância para avaliar os impactos das soluções logísticas na demanda do e-
commerce, falta um framework de modelagem que considere a sensibilidade da demanda de
entrega às opções de entrega. Essa estrutura também deve ser capaz de medir os impactos das
políticas dos fornecedores, como frete grátis. Estudos anteriores sobre modelos de demanda de e-
commerce focam principalmente nas características de indivíduos e domicílios como variáveis
explicativas, mas não nas opções de entrega. Essa é uma lacuna crítica de pesquisa, pois, por
exemplo, sabe-se que a taxa de entrega tem uma influência significativa nas despesas de comércio
eletrônico, tamanhos de pedidos e frequência (Lewis, Singh e Fay 2006; Lepthien e Clement 2019).
Propomos uma estrutura teórica de modelagem de demanda que prevê a demanda de comércio
eletrônico dadas as características do domicílio e os modos/opções de entrega oferecidos.
A estrutura proposta é capaz de simular a demanda de entrega de e-commerce para avaliar os
impactos de, por exemplo, o aumento da parcela de compra de compras online versus compras na
loja, novas opções de entrega disponibilizadas por novos modos de transporte e o aumento /
redução nas taxas de entrega. Integramos o modelo em um simulador de frete urbano baseado em
agente, SimMobility Freight (Sakai et al. 2020a), e demonstramos a capacidade da estrutura
simulando pedidos e remessas de comércio eletrônico e demanda de transporte associada em
escala metropolitana sob o pré Cenários Covid-19 e pós-pandemia. Nas simulações demonstrativas,
propomos uma aplicação com dados limitados, que podem ser aprimorados dependendo da
quantidade de dados desagregados adicionais disponíveis.

2. Revisão da literatura

Em um dos primeiros estudos com foco na previsão da demanda de transporte de carga, Wang e
Zhou (2015) desenvolveram um modelo de escolha binária e um modelo binomial negativo
censurado à direita para prever a frequência de entrega, usando características individuais,
domésticas e urbanas como variáveis independentes. Seu modelo foi estimado usando os dados
do US National Household Travel Survey (NHTS). Stinson e outros. (2019) desenvolvem um modelo
de e-commerce em nível doméstico, que prevê a participação no e-commerce e a proporção de
entrega para compras no local. Stinson, Auld e Mohammadian (2020), usando o modelo em Stinson
et al. (2019), estimam os percursos de caminhões de entrega de encomendas no POLARIS, um
modelo de transporte baseado em agentes (Auld et al. 2016). Jaller e Pahwa (2020) desenvolvem
um modelo logit multinomial que prevê uma decisão de compra a cada dia. As alternativas incluem
'sem compras', 'na loja', 'online' e 'ambos'. O American Time Use Survey (ATUS) de 2016 foi usado
para a estimativa do modelo. Comi e Nuzzolo (2016) propõem um modelo de escolha considerando
as quatro alternativas para compras semanais semelhantes aos de Jaller e Pahwa. Apenas alguns
estudos integram modelos de demanda de e-commerce com simulações de frete urbano. Além
disso, nos modelos de demanda de comércio eletrônico existentes para análise de transporte de
carga, as opções de entrega apresentadas pelos fornecedores de comércio eletrônico não são consideradas.
Por outro lado, a preferência do consumidor por opções de entrega tem sido estudada
principalmente em pesquisas de mercado. Nguyen et ai. (2019) realizam uma análise conjunta com foco
Machine Translated by Google

PLANEJAMENTO E TECNOLOGIA DE TRANSPORTE 181

em três tipos de produtos e estimar um modelo de escolha discreta considerando os atributos da

opção de entrega, incluindo velocidade de entrega, intervalo de tempo, entrega diurna/noturna,
data de entrega e taxa de entrega. Gawor e Hoberg (2019) também conduzem uma análise conjunta
baseada em escolha, perguntando aos compradores online as preferências de entrega de uma
câmera digital, um laptop e um smartphone nos EUA. Da mesma forma, Garver et al. (2012)
conduzem uma análise conjunta baseada em escolha adaptativa usando os dados dos alunos em
uma aula de pesquisa de mercado da universidade. Recentemente, Grashuis, Skevas e Segovia
(2020) analisaram as preferências dos consumidores de comércio eletrônico para métodos de
compra, janelas de tempo, requisitos mínimos de pedido e taxas, dados diferentes cenários de
pandemia do COVID-19. Lewis, Singh e Fay (2006) desenvolveram um modelo logit ordenado para
o valor do pedido em compras online, considerando as variáveis como mercado e variáveis de nível
familiar e a taxa de entrega, usando dados de um varejista online. Lepthien e Clement (2019)
desenvolveram outro modelo de regressão OLS do tamanho do pedido considerando as taxas de
entrega. Eles usam dados de um varejista on-line de streetwear e sportswear com interesse em
pesquisar o comportamento de retorno. Os estudos discutidos acima enfocam apenas um único
aspecto da demanda de e-commerce, independente de outras considerações. Por exemplo, um
modelo de seleção de opção de entrega não considera as decisões de tamanho do pedido.
Considerando o fato de que o serviço de 'ping grátis' é amplamente oferecido no momento e que o
tamanho do pedido é muitas vezes influente na taxa de entrega, essas duas decisões ('seleção da
opção de entrega' e 'seleção do tamanho do pedido') estão relacionadas cada uma outro no mundo real.

3. Modelo de demanda de comércio eletrônico

3.1. Simulação de embarques de e-commerce

O modelo de demanda de comércio eletrônico que propomos é domiciliar. Um quase tomador de

decisão no modelo representa seu domicílio, e as características do domicílio são as entradas para
a simulação. Usamos um modelo baseado na família em vez de um baseado no indivíduo porque
considerar as necessidades de compras de uma família em conjunto elimina a necessidade de lidar
com as complexas interações das necessidades de compras dos indivíduos dentro de cada família.
A Figura 1 representa o fluxo de simulação da demanda do e-commerce. Primeiro, a adoção do
comércio eletrônico é determinada. 'Adoção' é definida aqui como a colocação de pelo menos um
pedido em um determinado mês. Em seguida, (i) o gasto total do comércio eletrônico em um mês
('valor total'), (ii) o valor da compra por transação ('valor do pedido'), (iii) modo de entrega (entrega
em domicílio ou retirada) (' modo de entrega') e (iv) opção de entrega ('opção de entrega') são
simulados para os domicílios que adotam o comércio eletrônico. As simulações acima são
executadas de forma independente em três categorias de itens: mantimentos, utensílios domésticos
(ou seja, bens de consumo diário, como detergentes e papel higiênico) e outros (como roupas,
livros e eletrodomésticos), e reconhecemos que há espaço para melhoria futura, considerando as
interações entre essas categorias. Os pedidos de entrega em domicílio são convertidos em pacotes
e, para cada pacote, é atribuído um centro de distribuição (origem da entrega do pacote). A saída,
remessas de comércio eletrônico (ou seja, entregas de pacotes com origens e destinos), é
combinada com remessas business to business (B2B) e usada como entrada para o modelo de
planejamento logístico pré-dia que gera planos de operação de veículos de mercadorias (ou seja,
horários de coleta e entrega (ou passeios) para veículos de mercadorias em um determinado dia).
As atribuições de instalações de distribuição, o
Machine Translated by Google

182 T. SAKAI ET AL.

Figura 1. Fluxo da simulação de demanda do e-commerce.

a simulação de embarques B2B e o planejamento logístico pré-dia dependem do

SimMobility Freight (Sakai et al. 2020a), um simulador de frete urbano, descrito na Seção 4.

3.2. Modelos de adoção e pedido (valor total, valor do pedido, modo de entrega,
opção de entrega)

3.2.1. Adoção de comércio

eletrônico Usamos um modelo logit binário (BL) para adoção de comércio eletrônico para cada
categoria de item. A parte sistemática da utilidade da adoção de e-commerce
n,adotar
Vitem para item
categoria de
de item
(mantimentos, utensílios domésticos ou outros) para uma família n é: Vitem = ASCitem + n,adoptadote
item item
b numadultoslog (numadultosn) + b criança
renda item
+ b do item, eu rendai,n + b hbsdistlog(hbsdistancen) (1)
eu

onde
numadultsn: Número de adultos no agregado
familiar n. childn: Variável para filho(s) no domicílio n. 1 se houver alguma criança (menor de 18
anos) no domicílio n; 0 caso contrário.
Machine Translated by Google

PLANEJAMENTO E TECNOLOGIA DE TRANSPORTE 183

rendai,n: Variável para a categoria de renda anual i (1: menos de US$ 10 mil, 2: US$ 10 mil–15 mil, 3: US$
15 mil–25 mil, 4: US$ 25 mil–35 mil, 5: US$ 35 mil– 50 mil, 6: US$ 50 mil a 75 mil, 7: US$ 75 mil a 100 mil,
8: US$ 100 mil a 125 mil, 9: US$ 125 mil a 150 mil, 10: US$ 150 mil a 200 mil, 11: US$ 200 mil ou mais) . 1
se a categoria de rendimento do agregado familiar n for i; 0 caso contrário. hbsdistancen: A distância média
(km) das idas às compras feitas em casa pelos membros da família n.

item item
ASCitem
adota,
b numadultos, b criança item,
b receita do item,b ihbsdist:
, Parâmetros do modelo. Definimos o 'non-adop
ção' como a categoria-base (isto é , Vitem n,não adota Pitem = 0); portanto, a probabilidade
de adoção de e-commerce é: n,adota

Pitem
n,adotar = exp (Vitem n,adota)/(1 + exp (Vitem n,adota))
(2)

3.2.2 Valor total, valor do pedido, modo de entrega e opção de entrega A

relação entre modos/opções de entrega e valor do pedido e total é bidirecional. Especificamente,

. As características dos modos/opções de entrega, especialmente as taxas, afetam o valor total e

valor do pedido; e
. As características dos modelos/opções de entrega dependem normalmente do valor da encomenda, devido à
serviços de remessa ou outras ofertas de marketing.

Portanto, é fundamental considerar as decisões sobre valor total, valor do pedido, forma de
entrega e opção de entrega de forma conjunta. Propomos uma especificação de modelo multinível
que considera as inter-relações entre essas decisões usando uma estrutura aninhada; o primeiro
nível é a opção de entrega, o segundo nível é o modo de entrega, o terceiro nível é o valor do
pedido e o quarto nível é o valor total. Nesta configuração, todos os níveis, exceto o primeiro,
consideram a utilidade esperada do nível inferior por meio de medidas de soma logarítmica
(Figura 2). O modo de entrega/opção de entrega são definidos nos níveis mais baixos porque um
consumidor enfrenta tal decisão após selecionar o item a ser comprado na plataforma online de
um fornecedor de comércio eletrônico. O valor do pedido está no terceiro nível porque é
diretamente impactado pelas características da opção de entrega (por exemplo, frete grátis). Em
cada nível, o modelo é especificado como um modelo logit multinomial (MNL). O valor total e o
valor do pedido são discretizados, pois permite associar cada valor às medidas de soma
logarítmica do nível inferior. Deve-se notar que, ao contrário do modelo de adoção, quase nenhuma variável socio

Figura 2. Uma estrutura de modelo multinível.

Machine Translated by Google

184 T. SAKAI ET AL.

consideradas nas especificações do modelo apresentadas a seguir. Isso se deve à limitação dos
dados assumidos para a estimação do modelo (que é detalhada na aplicação demonstrativa na
seção 5). Para simplificar, a notação para o item de categoria de item é omitida.
Valor total. Valores inteiros em US$ são considerados como alternativas para a escolha do valor
total. Neste artigo, usamos o intervalo de 5 a 1.000 por mês, embora esse intervalo seja ajustável
dependendo dos casos de simulação. A utilidade Un,tv do valor total tv para o domicílio n e sua
parte sistemática Vn,tv são definidos como segue:

Un,tv = Vn,tv + 1n,tv (3)

2
Vn,tv = b logsumov · ln exp (Vˆ n,ov|tv) + b hhs ( a · hsn ÿ tv) (4)
ov

onde
Vˆn,ov|tv: A parte sistemática da utilidade do valor do pedido v do valor total dado tv para o
domicílio n (definido posteriormente nesta seção)
hsn: Número de pessoas no agregado familiar n.
1n,televisão: Componente aleatório distribuído de forma idêntica e independente Gumbel.
b b hhs, a : Parâmetros do modelo.
logsumov, O primeiro termo na Equação (4) é o efeito da medida log-sum da seleção do valor do
pedido. O segundo termo ajusta a utilidade do valor total com base na 'lacuna' entre o tamanho da
família e o valor total. Este termo assume que uma necessidade de compras com base no tamanho
a · éhhsn,
do domicílio ( · hhsn) maiormaior
quando o tamanho
a utilidade do domicílio
associada. é maior, e quealternativa
é A especificação quanto mais próximo tv
da Equação
a
de item de
(4) destino,
usa a despesa
em veztotal
do tamanho
(combinando
da família:
comércio eletrônico e não-comércio) para a categoria

ÿ 2
Vn,tv = b logsumov · ln exp (Vˆ n,ov|tv) + b hhs ( a · epdtn ÿ tv) (4' )
ov

onde epdtn é o gasto mensal total da família n para a categoria de item de interesse; e é a fração da
ÿ
a total (um parâmetro do modelo).
despesa
A probabilidade Pn,tvÿ do valor total tv' para o domicílio n é dada pela seguinte equação:

Pn,tvÿ = exp (Vn,tvÿ)/ exp(Vn,tv) (5)

televisão

Valor do pedido. Semelhante ao modelo de valor total, o conjunto de alternativas de valor de pedido
consiste em valores inteiros em US$. Neste artigo, usamos o intervalo de 5 a 300. A utilidade Un,ov|tv
do valor de ordem (ov) dado o valor total (tv) para o domicílio n e sua parte sistemática Vn,ov|tv são:

Un,ov|tv = Vn,ov|tv + 1n,ov (6)

televisão

· · ÿb ÿ + intervalo
Vn,ov|tv = b logsumdm ref + ln exp(V˜ n,dm|ov) b
ov
dm[DMn|ov
ÿ ÿ
ov
· 2 + b armazenar · ov (7)
televisão

onde
Machine Translated by Google

PLANEJAMENTO E TECNOLOGIA DE TRANSPORTE 185

V˜ n,dm|ov: A parte sistemática da utilidade do modo de entrega dm dado o valor do pedido ov para
agregado familiar n (definido posteriormente nesta
seção) 1n,ov: Componente aleatório distribuído de Gumbel de forma idêntica e independente.
b logsumdm, b ref , b intervalo, b storage: Parâmetros do modelo.

O primeiro termo na Equação (7) captura o efeito da utilidade total esperada do modo de entrega
(entrega em domicílio/retirada). A medida log-sum da escolha do modo de entrega é ajustada com o
b ref log-sum)
intercepto (que define o ponto de referência para a medida por mês.e O
então
segundo
multiplicada
termo captura
pela frequência
o efeito
do intervalo entre as ordens (ou seja, a penalidade por longos intervalos de ordem); supõe-se que o
maior intervalo esteja associado à maior depreciação e ao descompasso entre os itens adquiridos e as
necessidades futuras de consumo. O terceiro termo captura o efeito do custo de estocagem, que é
linear com o valor do pedido.

Modo de entrega. Consideramos como alternativas duas modalidades de entrega: entrega ao

domicílio e recolha. A utilidade Vn,dm|ov do modo de entrega (dm) dado o valor do pedido (ov) para a família
n é:

Un,dm|ov = Vn,dm|ov + 1n,dm (8)

onde
1n,dm: Componente aleatório distribuído de Gumbel de forma idêntica e independente.
As partes sistemáticas das utilidades de entrega e retirada em domicílio, Vn,dm=hd|ov e Vn,dm=pu|
ov respectivamente, dado o valor do pedido (ov) para o domicílio n, são:

Entrega em casa :Vn,dm=hd|ov = b logsumhd · Em exp(V˜ n,do|ov) (9)

fazer[DOn,ov

b logsumpu · Em (10)
Pickup :Vn,dm=pu|ov = ASCpu + exp(Vˆ n,po|ov)
po[POn,ov

onde
V˜ n,do|ov , Vˆ n,po|ov: As partes sistemáticas das utilidades da opção de entrega em domicílio do e da opção
de retirada po, respectivamente, dado o valor do pedido ov para o domicílio n (definido
posteriormente).
DOn,ov: O conjunto de opções de entrega em domicílio (do) disponível para a família n determinado valor do pedido
ov.
POn,ov: O conjunto de opções de coleta (po) disponíveis para a família n determinado valor do pedido v.
b logsumhd , b
ASCpu, logsumpu : Parâmetros do modelo.
As funções de
utilidade para as opções de entrega no modo de entrega em domicílio e aquelas no modo de coleta são definidas de forma diferente,

conforme descrito abaixo.

Opção de entrega em modo de entrega ao domicílio. O modelo considera a situação em que um

tomador de decisão é solicitado a selecionar uma opção de entrega em domicílio entre várias opções
de entrega que diferem em termos de velocidade, horário, horário, dia e taxa, dado o valor do pedido.
Um exemplo das alternativas é mostrado na Tabela 1. O conjunto de alternativas DOn,ov(]do) é
condicional a ov (por exemplo, frete grátis para entrega padrão).
Machine Translated by Google

186 T. SAKAI ET AL.

Tabela 1. Exemplo de opções de entrega (modalidade de entrega em domicílio).

Velocidade da opção intervalo de tempo Tempo Data Taxa

2–5 dias Sem intervalo de tempo Dia apenas durante a semana US$ 0
1 Um dia Sem horário 4h Dia apenas durante a semana US$ 12
23 Mesmo dia diurno e noturno Dia da semana e sábado US$ 18

Fonte: Adaptado de Nguyen et al. (2019) ('Taxa' é diferente das apresentadas em Nguyen et al.)

A utilidade Un,do|ov da opção de entrega (do) dado o valor do pedido (ov) para um tomador de decisão n
e sua utilidade sistemática Vn,do|ov são:

Un,do|ov = Vn,do|ov + 1n,do (11)

slot tempo
Vn,do|ov = b velocidade
i speedi,do + bj slotj,do + b k timek, faça
eu
j k

data
+ bl encontro,faço + b delivfeefeedo,ov (12)
eu

onde:
speedi,do: Variável para velocidade i (1: 2–5 dias, 2: um dia, 3: mesmo dia). 1 se categoria de velocidade
de fazer é i; 0 caso contrário.

slotj,do: Variável para intervalo de tempo (largura) j (1: sem intervalo de tempo, 2: duas horas, 3: quatro horas). 1 se
a categoria do intervalo de tempo de do é j; 0 caso contrário.

timek,do: Variável para o tempo k (1: dia, 2: dia e noite). 1 se a categoria de tempo de do for k; 0 caso
contrário. datel,do: Variável para a data l (1: dia da semana, 2: dia da semana e sábado, 3: todos os dias).
1 se a categoria de data de do for l; 0 caso contrário. feedo,ov: Taxa de fazer determinado valor do
pedido ov. 1n,do: Componente aleatório distribuído Gumbel de forma idêntica e independente. delivfee:
Parâmetros do modelo.

slot data
b
velocidade

eu
, bj , b tempo kb, l ,b

A equação (12) é a mesma da especificação do modelo proposto por Nguyen et al. (2019) ,
exceto que a taxa de entrega é considerada uma variável contínua, em vez de uma variável dummy.
Opção de entrega no modo retirada. Para o modelo de coleta, três opções principais são
consideradas: na loja, na calçada e no armário. A utilidade Un,po|ov da opção de retirada (po)
dado o valor da ordem (ov) para um tomador de decisão n e sua parte sistemática Vn,po|ov são:

Un,po|ov = Vn,po|ov + 1n,po (13)

Vn,po|ov = b meio-fio meio-fio po + b armário po + bpickfeefee po,ov (14)

onde:

curbside po: Variável para retirada na calçada. 1 se po for coleta na calçada; 0 caso contrário.
locker po: Variável para retirada do armário. 1 se po for retirada do armário; 0 caso contrário.
fee po,ov: Taxa de po dado o valor do pedido ov. 1n,po: Componente aleatório distribuído de
Gumbel de forma idêntica e independente.
b calçada, b armário, b pickfee: Parâmetros do modelo.

A estrutura de modelagem geral proposta que consiste nos quatro níveis acima permite que a
previsão de demanda de comércio eletrônico seja sensível aos atributos das opções de entrega em vários
Machine Translated by Google

PLANEJAMENTO E TECNOLOGIA DE TRANSPORTE 187

dimensões. O modelo também pode levar em consideração taxas variáveis dependendo do tamanho do pedido
para cada opção. Um exemplo de configuração de taxa é mostrado na Tabela 2.

3.3. Modelos subsequentes para converter pedidos de comércio eletrônico em remessas de

comércio eletrônico

A saída do modelo descrito acima são pedidos de e-commerce com informações sobre a categoria do item,
valor e opção de entrega. Esses pedidos de comércio eletrônico são convertidos em remessas de comércio
eletrônico com processos adicionais. O primeiro processo é a conversão de valor em peso e a atribuição do
número de embalagens de entrega a cada pedido. Usamos atribuições aleatórias simples de peso por valor e
o número de pacotes para cada pedido de comércio eletrônico usando distribuições calibradas com base em
dados empíricos. O segundo processo é a atribuição da instalação de distribuição para cada pacote. Para isso,
é utilizado o modelo de seleção de fornecedores do SimMobility Freight (descrito na Seção 4) (Sakai et al.
2020b).

4. Frete SimMobility: visão geral

O SimMobility Freight é um modelo de frete urbano e parte do SimMobility, uma plataforma de simulação de
transporte urbano baseada em agentes (Adnan et al. 2016). O SimMobility/SimMobility Freight simula decisões
relacionadas ao transporte em três diferentes dimensões temporais, ou seja, longo prazo (LT), médio prazo
(MT) e curto prazo (ST) (Figura 3). Em relação ao SimMobility Freight, o modelo LT simula as decisões dos
estabelecimentos comerciais, incluindo contratos de commodities (que definem remessas B2B) e locais de
estacionamento noturno. O modelo MT simula o planejamento logístico pré-dia (seleção da transportadora e
planejamento da operação do veículo) e as operações do veículo durante o dia (escolha da rota e escolha do
estacionamento de coleta/entrega). Além disso, o simulador de tráfego mesoscópico, um modelo de
abastecimento, funciona em conjunto com modelos 'dentro do dia' e calcula o desempenho da rede.

O modelo ST é um simulador microscópico do comportamento dos veículos na rede viária (Azevedo et al.
2017). Os simuladores de tráfego nos modelos MT e ST são comuns para análises de carga e passageiros,
movimentando conjuntamente mercadorias e veículos de passageiros. O

Tabela 2. Exemplo de taxas por opção de entrega (entrega em domicílio e retirada).

Opção (entrega em
Taxa (US$)
domicílio) Velocidade Outras características (mesmas para todas as opções)
Tamanho do pedido (US$)

0– 25– 50– 100–

25 50 100
1 2–5 dias 6 0 0 0 Sem intervalo de tempo, entrega durante o dia e todos os dias

2 Um dia 12 15 17 20
3 Mesmo dia 18 20 22 27

Na loja/

Opção (retirada) Curbside Taxa (US$)

Tamanho do pedido (US$)

0– 25– 50–
25 50 100 100-

Na loja 6 0 0 0

1 Curbside 6 2 2 2

23 Armário 6 2 2 2
Machine Translated by Google

188 T. SAKAI ET AL.

Figura 3. Principais componentes do SimMobility.

detalhes do SimMobility Freight estão disponíveis em Sakai et al. (2020a). O modelo de demanda do e-
commerce que propomos neste artigo está posicionado antes do planejamento logístico pré-dia. Na
simulação demonstrativa na próxima seção, usamos o modelo de contrato de mercadoria LT e o modelo
de demanda de comércio eletrônico proposto para simular remessas B2B e remessas de comércio
eletrônico, respectivamente, e usamos o modelo de planejamento logístico pré-dia para simular veículos
de mercadorias passeios.

5. Aplicação demonstrativa usando cidade auto-inovadora

5.1. Visão geral

Apesar do rápido aumento nas entregas de comércio eletrônico nos últimos anos, o impacto das entregas
de comércio eletrônico B2C no tráfego urbano, em comparação com outros tráfegos de carga, não é
bem conhecido. Uma das razões para isso é que as pesquisas amplamente utilizadas para contagem de
tráfego classificado não diferenciam entre veículos de mercadorias para entregas de comércio eletrônico
e aqueles para outros fins. Usamos o SimMobility Freight aprimorado com o modelo de comércio eletrônico
proposto para estimar a demanda de transporte derivada do comércio eletrônico em escala metropolitana.
Além disso, usamos essa análise para obter insights sobre como o crescimento de dois fatores-chave na
situação pós-pandêmica, especificamente a adaptação do comércio eletrônico e a disponibilidade de
opções de entrega com retirada, podem impactar a demanda de transporte. Para a análise,
Machine Translated by Google

PLANEJAMENTO E TECNOLOGIA DE TRANSPORTE 189

Figura 4. Rede na cidade Auto Inovadora.

geramos e simulamos um protótipo de cidade auto-inovadora, que usa Boston como arquétipo (Figura 4).
Cidades protótipo é uma tipologia gerada usando dados de 331 áreas metropolitanas (Oke et al. 2019;
Oke et al. 2020). As cidades do mesmo 'prototipo' compartilham características em vários fatores urbanos
(como mobilidade, desenvolvimento, sustentabilidade, população, congestionamento, expansão e
densidade da rede). A motivação para usar a cidade protótipo é obter insights de simulações aplicáveis a
cidades da mesma tipologia. Os dados sintéticos de residências e estabelecimentos, bem como a rede
de transporte, foram desenvolvidos para a cidade protótipo Auto-Inovadora (com base nos dados de
Boston), e os usamos como entradas. Os estabelecimentos sintéticos incluem 58 pontos de distribuição
de e-commerce, dos quais 4 são de mercearia. Também assumimos que 348 estabelecimentos varejistas
de grande porte (> 3.000 m2 ) podem servir como origem das entregas de alimentos. Nesta demonstração,
não consideramos a opção de coleta usando um armário distintamente das coletas na loja e na calçada
devido à limitação de dados para definir os parâmetros relevantes do modelo.

5.2. Especificação do parâmetro do modelo

Idealmente, os parâmetros do modelo devem ser calibrados para os quatro níveis usando uma única
fonte de dados de forma conjunta. No entanto, não há dados do mundo real disponíveis para estimar
completamente os parâmetros do modelo. Em vez disso, especificamos os parâmetros do modelo estimando e/ou
Machine Translated by Google

190 T. SAKAI ET AL.

calibrando-os com base em dados sintéticos ou usando parâmetros de estudos anteriores.

Reconhecemos que, embora tentemos usar parâmetros de modelo realistas tanto quanto possível,
as sensibilidades do modelo não são baseadas em dados empíricos de Boston ou outras cidades
autoinovativas. Abaixo, descrevemos os métodos para definir os parâmetros do modelo na ordem de
(1) modelo de opção de entrega, (2) modelo de modo de entrega, (3) modelo de valor do pedido, (4)
modelo de valor total e (5) adoção de comércio eletrônico modelo.
Opção de entrega: Os parâmetros do modelo de opção de entrega (modo: entrega em
domicílio) (Equação (12)) são obtidos a partir do modelo estimado em Nguyen et al.
(2019). Eles conduziram uma análise conjunta para estimar as utilidades parciais para a
escolha da opção de entrega. A análise deles usou dados de 1.012 entrevistados na Holanda,
que expressaram preferências de opção de entrega para a compra de três itens diferentes.
Utilizamos os parâmetros estimados para itens de higiene pessoal enquanto fazemos
alterações no prazo da taxa de entrega. No modelo original, a taxa de entrega era tratada
como uma variável categórica. Substituímos isso por uma função que trata a taxa de entrega
como uma variável contínua (em US$) conforme a Equação (12). Da mesma forma, os
parâmetros do modelo de opção de entrega (modo: retirada) (Equação (14)) são obtidos de
Grashuis, Skevas e Segovia (2020). Eles estimaram um modelo de escolha de opção de
entrega que abrange as opções de retirada na loja e na calçada usando dados de pesquisa
de preferência declarada coletados de 900 entrevistados nos EUA durante 2020.
Modo de entrega: Para estimar os parâmetros do modelo para o modelo de escolha do
modo de entrega (Equação (9–10)), dados sintéticos foram gerados usando o modelo
apresentado em Grashuis, Skevas e Segovia (2020). Primeiro, geramos 240 perfis de opções
de entrega, seguindo o projeto de pesquisa de Grashuis et al. dos três, e repetiu o processo.
Em seguida, aplicamos o modelo MNL de Grashuis et al. para replicar as escolhas, e os
dados sintéticos gerados foram usados para estimar os parâmetros do modelo. A medida da
soma logarítmica das opções de entrega em domicílio e das opções de retirada foi calculada
com base na Equação (12) e na Equação (14), respectivamente, com os parâmetros do
modelo mencionados acima. Uma vez que Grashuis et al. não consideram/assumem os
detalhes das opções de entrega no modo de entrega ao domicílio, como a velocidade de
entrega e a taxa associada, no seu levantamento e modelo, assumimos a disponibilidade de
três opções de entrega ao domicílio (2–5 dias, um dia, ou no mesmo dia). A taxa de entrega
em domicílio nos dados sintéticos foi considerada para entrega de 2 a 5 dias. A taxa de
entrega em domicílio para um dia foi fixada em duas vezes a taxa de entrega de 2 a 5 dias, e
a taxa para o mesmo dia foi fixada em triplo.
Valor do pedido: Contamos com Lewis, Singh e Fay (2006) para gerar dados sintéticos e
parâmetros de estimativa do modelo de valor de pedido (Equação (7)), especificamenteb logsumdo
b ref . Lewis e outros. estimou um modelo logit ordenado para prever o tamanho do pedido usando
dados de um varejista online. O ano e o local da coleta de dados não são divulgados, mas
supostamente os dados são dos EUA em 2003 ou anteriores. Geramos os dados sintéticos usando o
modelo deles, que considera a relação entre taxa de entrega e tamanho do pedido. Para calcular a
medida da soma logarítmica do nível inferior, usamos os parâmetros do modelo da opção de entrega
e dos modelos de modo mencionados acima, enquanto as opções de modo de coleta/entrega de
coleta foram consideradas indisponíveis para as amostras sintéticas. A disponibilidade de opções de
entrega expressa em domicílio (um dia ou no mesmo dia) foi assumida de forma semelhante à
estimativa de parâmetros para o modelo de escolha do modo de entrega.
Machine Translated by Google

PLANEJAMENTO E TECNOLOGIA DE TRANSPORTE 191

blogsumdoe bref , que capturam a influência da soma logarítmica do nível inferior e foram
estimados usando o método acima, são usados para todas as três categorias de itens. Por
bintervalorecalibrados
outro lado, e foram dadosbarmazenar
sintético
para
sãogerado
cada categoria
usandoNacional
da Pesquisa fusão
de item.
dede
Geramos
dados. Asoutro
Viagens amostras
conjunto
Familiaresbásicas
de
de 2017
(2017 NHTS) (Administração Federal de Rodovias dos EUA). O NHTS 2017 inclui a contagem
de vezes comprada online para entrega. Uma limitação é que os dados de contagem não
incluem informações como categoria do item e valor do pedido.

. Para enriquecer esses dados, primeiro atribuímos uma das três categorias de itens (mantimentos,
produtos domésticos ou outros) a cada pedido. Esta atribuição foi aleatória mas orientada para
atingir os dois objetivos seguintes: (a) a percentagem de agregados familiares que têm pelo
menos uma encomenda de mercearia é de cerca de 16% (esses 16% foram definidos com
referência a Etumnu e Widmar (2020), que realizaram um estudo pesquisa de compras de
supermercado online em 2019); e (b) a razão das contagens de pedidos entre bens de
consumo e outros é de 0,39 (esse 0,39 foi definido com referência a Holguin-Veras e Wang
(2020), que estima a frequência mensal de entrega antes da pandemia).
. Em seguida, um valor de pedido foi atribuído a cada um dos pedidos. Para isso, utilizamos os
dados sintéticos mencionados anteriormente, gerados a partir do modelo de Lewis et al. e gerou
o valor do pedido - amostras do par de frequência do pedido. Um valor de pedido foi selecionado
aleatoriamente para cada amostra NHTS do grupo de valores de pedido - pares de frequência de
pedido, onde a frequência de pedido corresponde à amostra NHTS. Em seguida, os valores dos
pedidos atribuídos foram multiplicados por um fator de ajuste definido para cada categoria de
item, de modo que o valor total médio (ou seja, gastos mensais com comércio eletrônico) por
família correspondesse aos valores de referência. Definimos o valor total mensal de referência
por família para cada categoria de item da seguinte forma: US$ 16,7 para mantimentos, US$
38,5 para utensílios domésticos e US$ 62,3 para outros, com base no Digital Commerce 360
(2020a), The Atlantic (2019) e Bureau de Estatísticas do Trabalho dos EUA (2020).

Esses dados sintéticos baseados no NHTS foram usados para reestimar bintervalo e barmazenamento
para cada

b
categoria do item, com a ref fixa . Além e b
disso, presume-se que três opções de entrega em domicílio (2
logsumdo
a 5 dias, um dia e no mesmo dia) estejam disponíveis, enquanto as opções de retirada (na loja e na
calçada) estão disponíveis apenas para 7%1 dos pedidos, independentemente da categoria do item.

Valor total: Os parâmetros do modelo de valor total (Equação (4)) foram estimados para cada
categoria de item usando os dados sintéticos baseados no NHTS com os parâmetros do modelo
definidos para os níveis mais baixos e as opções de entrega disponíveis assumidas anteriormente (três
opções de entrega ao domicílio (sempre disponível) e duas opções de levantamento (disponível apenas para 7%)).
Adoção: Da mesma forma, os parâmetros do modelo de adoção do e-commerce foram estimados
combinados para cada categoria de item usando os dados sintéticos baseados no NHTS.
Os parâmetros do modelo utilizado para a simulação estão resumidos nas Tabelas 3 e 4.
A comparação entre a referência relacionada à demanda do e-commerce e os valores
simulados (usando os parâmetros determinados pelo método acima mencionado) está
resumida na Tabela 5. Além disso, Figuras 5 e 6 comparam dados sintéticos baseados em
NHTS de 2017 (usados para calibração) e resultados de simulação para valor do pedido e
valor total. As figuras mostram que os modelos podem replicar de perto as distribuições desses valores.
Machine Translated by Google

192 T. SAKAI ET AL.

Tabela 3. Resumo dos parâmetros do modelo (Opção de Entrega, Modo de Entrega, Valor do Pedido e Valor
Total).
Parâmetro Valor Parâmetro Valor

Escolha da opção de entrega Escolha do valor do pedido

modo de entrega em domicílio 0,471

logsumdm ref
velocidade i
b ÿ0,550
- no mesmo 0,177 intervalo [mercearia] [mercearia]
ÿ0,970
dia - no dia 0,082 armazenamento ÿ0,00504
[bens domésticos] intervalo

seguinte - 2 a 5 dias úteis ÿ0,259 [bens [outros]

[outros] intervalo domésticos] armazenamento
armazenamento
ÿ0,467
b ÿ0,0709 0
intervalo j - sem ÿ0,157 ÿ0,226
intervalo de tempo - 2 0,113 bbbbbbbb
h-4h 0,040
tempo
bk Escolha do valor total
- diurno - ÿ0,090 bblogsumov [mercearia] 501 × 103
diurno e noturno 0,090 hhs [mercearia] ÿ44,7
data l
b a [mercearia] [bens 0
- dia da ÿ0,063 bb[bens domésticos]
domésticos]
hhslogsumov 1300 × 103
semana - dia da semana e 0,054 ÿ14,6
sábado - todos os dias 0,009 a [bens domésticos] 56,4
b taxa de entrega
(US$) ÿ0,183 bblogsumov[outros]
[outros] hhs 298 × 103
modo de captação ÿ18,1
calçada 0,532 a [outros] 36,3
armário n/a
bbb
de seleção
(US$) taxa ÿ0,110

Escolha do modo de entrega

ÿ0,461
ASCpu
0,407
logsumpu
bbb 0,930
logsumhd

5.3. Calibração de outros modelos

As principais informações sobre a calibração do modelo para outros modelos são as seguintes:
Peso por valor: Para a distribuição do peso por valor, usamos as amostras da Pesquisa de Fluxo de
Commodities do US Census Bureau de 2012 – Microdados de Uso Público (2012 PUM).
Nº de pacotes por pedido: Como não há dados disponíveis para estimar o nº. de pacotes para cada
pedido com base nas características do pedido, definimos, para a simulação, a probabilidade

Tabela 4. Resumo dos parâmetros do modelo (Adoção).

Valor
Parâmetro
Mantimentos Bens domésticos Outros

ASCitem ÿ3,02 ÿ1,67 ÿ1,17

adotar
item
numadults
0,725 0,711 0,669
item hbsdist
item filho
ÿ0,00405 0,00494 0,0153
item renda, i
0,348 0,512 0,648
bbbb
- 0–10k US$ - ÿ0,00585 0,00268 0,130
10k–15k US$ - 0,180 0,361 0,418
15k–25k US$ - 0,450 0,582 0,764
25k–35k US$ - 0,681 0,874 1,18
35k–50k US$ - 0,908 1,21 1,52 1,58
50k–75k US$ - 1,15 1,30 1,75 1,90 1,98
100k–125k US$ - 1,44 1,59 2,11 2,37 2,29
125k–150k US$ - 1,75 2,57
150k –200k US$ - 2,80
200k–US$ 2,93
Machine Translated by Google

PLANEJAMENTO E TECNOLOGIA DE TRANSPORTE 193

Tabela 5. Comparação entre os valores de referência e simulados da demanda do e-commerce.

Valor simulado (Auto
Indicador Fonte Valor de referência Cidade Inovadora)

Pedidos por dia 2017 NHTS (Administração Federal de 0,155 [todos] 0,152 [todos]
doméstico Rodovias dos EUA 2018).
Taxa de adoção Etumnu e Widmar (2020). 16% [mercearia]; n/a 16,6% [mercearia]; 45,8%
[produtos domésticos]; n/ [domésticos]; 60,9%
a [outros] [outros] $ 17,5 [mercearia];
Despesas Digital Commerce 360 (2020a), $ 16,7 [mantimentos] a); $ US$ 39,2 [produtos
(comércio The Atlantic (2019) e US Bureau 38,5 [produtos domésticos] domésticos]; $ 64,8
eletrônico) por domicílio-mês
of Labor Statistics (2020) b); $62,3 [outros] c) $72 [outros] $ 70,5
Despesas por pedido Brick Meets Click (2020) [mercearia]; n/a [produtos [mantimentos]; $ 31,7
domésticos]; n/a [outros] [produtos domésticos]; $
20,7 [outros]
Observação:
a
4,3% da despesa total com mantimentos é assumida como despesa de comércio eletrônico.
b
26% da despesa total com bens domésticos é assumida como despesa de comércio eletrônico
c
26% da despesa total para outros é assumida como despesa de comércio eletrônico.

distribuições do número de pacotes por pedido (Tabela 6) de forma que o número de entregas de e-commerce por
família-dia seja 0,226.2 Planejamento da operação do veículo: O modelo de planejamento da operação do veículo
no modelo MT do SimMobility Freight é uma heurística que atribui remessas a veículos e gera programações
diárias de operação de veículos (consulte Sakai et al. (2020a) para obter detalhes). As duas configurações principais
foram calibradas para entregas de comércio eletrônico:

. Tempo de permanência: O tempo de permanência é gerado aleatoriamente a partir de uma distribuição log-normal.
O tempo médio de espera por entrega de encomendas foi fixado em 2,3 min. (Allen et al. (2018b) relatam que o
tempo médio de estacionamento por parcela é de 2,3 minutos com base em uma pesquisa em Londres.)
. Capacidade do veículo: As capacidades de volume do veículo são consideradas lineares nas capacidades de peso
do veículo, e as taxas de conversão de peso para volume foram consideradas para mantimentos e não
mantimentos direcionados ao comércio eletrônico, separadamente. As taxas de conversão de peso para volume
foram ajustadas para fazer com que o resultado da simulação estivesse de acordo com as evidências anedóticas existentes.
A Figura 7 mostra o número simulado de entregas por motorista-dia após a calibração. Como uma indicação
aproximada, Kuo (2018) relatou que um motorista médio da FedEx pode entregar cerca de 75 a 125 pacotes por
dia, enquanto a média para o setor de entrega em domicílio é de 15 a 35 pacotes por dia (Jaller e Pahwa 2020).
O número médio de entregas simuladas por passeio é de cerca de 11 para mantimentos e 37 para itens não
mercearias.

Remessas B2B: O modelo LT no SimMobility Freight gera remessas B2B. Os parâmetros iniciais do modelo foram
estimados usando dados do Tokyo Metropolitan Freight Survey de 2013. Recalibramos os parâmetros do modelo
com base no PUM de 2012. Os registros de remessa com informações do tipo de indústria do remetente e do tipo de
mercadoria são

Tabela 6. Suposição em no. de pacotes por pedido.

Categoria do item
Nº de pacotes por pedido Total
1 23
Mantimentos 100% 100%
Bens domésticos 50% 0 0 100%
Outros 45% 38% 33% 12% 22% 100%
Machine Translated by Google

194 T. SAKAI ET AL.

Figura 5. A comparação entre os dados sintéticos baseados em NHTS e o resultado da simulação (valor
do pedido). Obs.: A descontinuidade do valor do pedido em US$ 25 no valor simulado se deve a assunção
de opções de entrega.

disponível a partir de 2012 PUM, mas os dados são principalmente para fabricantes e atacadistas;
portanto, usamos os dados do Freight Analysis Framework (FAF4), que fornecem o fluxo OD
agregado, para complementar o PUM de 2012. Os modelos foram calibrados para que a produção
e o consumo totais de commodities correspondam aos da área de Boston correspondente ao
protótipo da cidade auto-inovadora, que se baseia nos dados da pesquisa, para cada combinação
de tipo de indústria e tipo de commodity. Além disso, os parâmetros do modelo de tamanho de
remessa foram calibrados para remessas de indústrias manufatureiras e atacadistas para cada
tipo de mercadoria.

5.4. Cenários

Consideramos três cenários diferentes em termos de adaptação do e-commerce e disponibilidade

de opções de entrega com retirada.
Machine Translated by Google

PLANEJAMENTO E TECNOLOGIA DE TRANSPORTE 195

Figura 6. A comparação entre os dados sintéticos baseados no NHTS e o resultado da simulação (valor total).

. Cenário Base (Base): Este cenário utiliza o modelo e as entradas utilizadas para a calibração
mencionada na Seção 5.2.
. Cenário 1 (S1): Este cenário supõe um aumento de 70%, 50% e 20% na adoção do comércio
eletrônico para mantimentos, utensílios domésticos e outros, respectivamente. Essas taxas
de crescimento são determinadas considerando Holguin-Veras e Wang (2020). Eles
apresentam o crescimento esperado das frequências de entrega por indivíduo de mantimentos
(67%), utensílios domésticos (43%),pré-pandêmico
remédios (60%)3
paraeooutras embalagens
pós-pandêmico, (16%)
com doem
base período
uma
pesquisa por questionário nos EUA (938 amostras, incluindo usuários que não são de
comércio eletrônico). Reconhecemos que esses números de Holguin-Veras e Wang não são
especificamente para 'adoção' e que eles podem não levar em conta as coletas, embora nos
refiramos a eles para definir nossa suposição de taxas de adoção. Para aumentar a adoção
do e-commerce, multiplicamos as probabilidades de 'não adoção' calculadas pelo mesmo
modelo usado na Base por um fator (<1) e usamos
Machine Translated by Google

196 T. SAKAI ET AL.

Figura 7. Número de entregas por motorista dia (entregas de e-commerce).

essas probabilidades para simulações subseqüentes. Também assumimos que as opções de coleta
estão disponíveis para 40% dos pedidos de mercearia, 30% dos pedidos de utensílios domésticos e 20%
de outros pedidos.
. Cenário 2 (S2): Este cenário assume as mesmas taxas de adoção com Scn. 1 com maiores disponibilidades
de modo de coleta: 60%, 45% e 30% para mantimentos, utensílios domésticos e outros.

Embora as suposições para S1 e S2 não visem uma previsão altamente precisa da situação pós-
pandêmica devido às informações limitadas disponíveis neste momento, esta análise nos permite entender
o nível de sensibilidade da demanda de transporte em relação às principais mudanças na consumidores e
varejistas.

5.5 Resultados e discussão

O resultado das simulações usando o modelo de demanda do e-commerce é mostrado na Tabela 7.

Reconhecemos que algumas configurações de parâmetros do modelo dependem de estudos conduzidos
em um contexto fora dos EUA (Nguyen et al. 2019) ou há muito tempo (Lewis, Singh e Fay 2006). Por
exemplo, ao avaliar o impacto do aumento da taxa de entrega no valor do pedido, os parâmetros que se
baseiam em Lewis, Singh e Fay (2006) não são ideais. Ainda assim, outras sensibilidades importantes do
modelo são baseadas em um estudo recente nos EUA (ou seja, os parâmetros do modelo de escolha do
modo de entrega dependem amplamente de Grashuis, Skevas e Segovia (2020).) ou os dados coletados
recentemente (ou seja, valor do pedido, valor total e os parâmetros do modelo de adoção dependem
amplamente do NHTS de 2017).
Tanto para S1 quanto para S2, a variação do gasto por domicílio-mês é maior que a taxa de adoção de
qualquer categoria de item, pois o aumento da disponibilidade de coleta afeta o gasto positivamente ao
mesmo tempo. A influência da disponibilidade de coleta é
Machine Translated by Google

PLANEJAMENTO E TECNOLOGIA DE TRANSPORTE 197

Tabela 7. Demanda simulada do e-commerce.

Indicador Base S1 S2

Configuração do cenário (parênteses: mudança da Base)

Taxa de adoção (%) Mercearia 16,6 28,7 (+70%) 28,7 (+70%)
Bens domésticos 45,8 68,7 (+50%) 68,7 (+50%)
Outros 60,9 73,0 (+20%) 73,0 (+20%)
Disponibilidade de retirada (%) Mercearia 7 40 Bens domésticos 7 30 60 45 30
Outros 7 20

Demanda de comércio eletrônico (parênteses: alteração da Base)

Despesas (comércio eletrônico) por família-mês (US$) Mantimentos 17,5 30,0 (+71%) 30,1 (+72%)
Despesa por pedido
Número de partos ao domicílio (mil)
Número de pedidos de retirada (mil)
Bens domésticos 39,2 65,4 (+67%) 72,0 (+84%)
Outros 64,8 79,2 (+22%) 81,1 (+25%)
Total 121,5 174,6 (+44%) 183,2 (+51%)
Mantimentos 70,5 67,5 (-4,3%) 65,4 (-7,2%)
Bens domésticos 31,7 31,5 (-0,6%) 31,5 (-0,6%)
Outros 20,7 20,3 (-1,9%) 19,9 (-3,9%)
Mantimentos 15,4 22,6 (+47%) 20,1 (+31%)
Bens domésticos 107,4 155,4 (+45%) 153,7 (+43%)
Outros 271,4 312,9 (+15%) 304,2 (+12%)
Total 394,2 490,9 (+25%) 478,0 (+21%)
Mantimentos 0,7 7,0 (+900%) 11,2 (+1500%)
Bens domésticos 2,8 20,7 (+639%) 34,7 (+1139%)
Outros 6,7 24,5 (+266%) 38,9 (+481%)
Total 10,2 52,2 (+412%) 84,8 (+731%)

especialmente alto para bens domésticos, para os quais a medida logsum do nível inferior tem um
efeito mais forte na escolha do valor total do que as outras categorias de itens. Isso destaca a
vantagem da especificação do modelo em simular os vários efeitos das opções de entrega por
categoria de item. O aumento da disponibilidade de retirada, que torna mais conveniente o
recebimento dos itens, tem como efeito a redução do gasto por pedido. Esse efeito também varia
de acordo com a categoria do item. A comparação entre S1 e S2 indica que o tamanho do pedido
de bens domésticos é relativamente insensível à mudança na disponibilidade de retirada. A
comparação indica ainda que, embora o aumento da disponibilidade de recolha (em S2) conduza
a menos entregas ao domicílio (478,0 mil (S2) vs. 490,0 mil (S1)), a diferença não é tão significativa
como a do nº. de pedidos de recolha (84,8 mil (S2) vs. 52,2 mil (S1)). A especificação do modelo
permite replicar a demanda 'induzida' do e-commerce atribuível à maior conveniência devido à
disponibilidade da opção de entrega.
Os indicadores de demanda de transporte de carga - os resultados do planejamento logístico
'pré-dia' no SimMobility Freight - são mostrados na Tabela 8. Número de passeios, número de
entregas por passeio e quilômetros percorridos por veículo (VKT) são calculados para três passeios
tipos: (1) apenas remessas de comércio eletrônico, (2) mistas (envios de comércio eletrônico e
remessas B2B que são encomendas) e (3) outros (envios B2B que não são encomendas). Para
computar esses indicadores, a simulação foi rodada cinco vezes para cada cenário, e os valores
médios foram calculados. Deve-se observar que um tour pode ser gerado em conjunto para
remessas de e-commerce sem mercearia e remessas de encomendas B2B, enquanto essas
remessas não podem ser combinadas com outras remessas B2B (não encomendas) em uma excursão.
No cenário base, 9% (11,1 mil) dos passeios de veículos de mercadorias e 22% (1,86 milhão)
dos VKT são apenas para embarques de e-commerce. Embora a validação com dados do mundo
real seja necessária no futuro, o resultado indica que o tráfego de entrega em domicílio derivado
do comércio eletrônico cresceu a um nível que não é mais desprezível. Por outro lado, os resultados
de S1 e S2 indicam que o crescimento do tráfego de entrega em domicílio não seria proporcional ao
Machine Translated by Google

198 T. SAKAI ET AL.

de não. de entregas ao domicílio. Por exemplo, no S1, o número de entregas em domicílio aumentou em
25% (Tabela 7), mas o VKT de passeios dedicados a remessas de comércio eletrônico aumentou apenas em
18,5%.
Os resultados indicam a presença de um volume significativo de veículos de entrega direcionados ao
e-commerce. Por outro lado, o crescimento da adoção do e-commerce não é equivalente ao crescimento
do VKT associado às remessas do e-commerce. A disponibilidade de coleta pode desempenhar um papel
na redução do aumento nas entregas em domicílio e no tráfego de veículos de mercadorias associado, ao
mesmo tempo em que aumenta a demanda total do comércio eletrônico e gera viagens de coleta de
indivíduos. Além disso, pode-se esperar um aumento no fator de carga. Como resultado, apesar do alto
crescimento da taxa de adoção definida nos cenários, o aumento do VKT na rede é moderado. Deve-se
notar que, no entanto, o impacto do crescimento do comércio eletrônico no tráfego pode ser mais
problemático na parte central da cidade, especialmente devido aos maiores tempos de estacionamento
associados ao aumento das entregas.

6. conclusões
Esta pesquisa desenvolveu uma estrutura de modelagem de demanda de comércio eletrônico doméstico,
integrou os modelos de demanda de comércio eletrônico com o SimMobility Freight e conduziu uma
simulação demonstrativa de comércio eletrônico e demanda de transporte de carga associada para uma
cidade norte-americana protótipo. A estrutura proposta prevê em conjunto o gasto total de comércio
eletrônico, valor do pedido, modo de entrega e opções de escolha. Na estrutura, a demanda é sensível aos
atributos das opções de entrega, o que é de importância crítica na avaliação dos impactos das soluções de
logística urbana que afetam a velocidade e os custos de entrega. Usando os parâmetros do modelo
selecionados com base nos dados e conhecimentos disponíveis e reconhecendo suas limitações,
conduzimos a análise do cenário. O aplicativo demonstra que o modelo pode simular a cadeia de decisões,
desde a adoção do e-commerce até a operação do veículo.

Os resultados da simulação mostram os impactos potenciais da mudança na demanda do comércio

eletrônico e a disponibilidade de coleta no tráfego de veículos de mercadorias direcionados ao comércio
eletrônico. O VKT de veículos que entregam apenas remessas de comércio eletrônico pode representar
cerca de 20 a 25% dos veículos envolvidos no movimento de mercadorias. Deve-se notar que este resultado
é bastante diferente do de Stinson et al. (2019). Eles estimaram, em sua simulação de linha de base para
a região de Chicago em 2020, que os caminhões médios que atendem à demanda de comércio eletrônico
respondem por cerca de 7% da distância percorrida por veículos de mercadorias que atendem intra.

Tabela 8. Demanda simulada de transporte de carga (em um determinado dia).

Indicador Tipo de passeio Base S1 S2

Número de passeios (mil) Apenas remessas de comércio eletrônico 11,1 13,5 (+20,9%) 1,5 12,9 (+15,4%) 1,6
Misturado 1,4 (+7,7%) 110,9 (+9,0%) 112,3
Outros 111,3 (+0,5%) 125,9 (+1,8%) 126,7
Total 122,9 (+2,5%) 32,9 (+3,3%) (+3,1%) 33,4 (+4,9%)
Número de entregas por tour Somente remessas de e-commerce 31,9 23,2 (+4,4%) 1,7 23,5 (+5,6%) 1,7
Misturado 22,3 (-0,1%) 2,21 (-0,6%) 2,13
Outros 1,7 (+18,5%) 0,25 (+14,2%) 0,26
VKT (mil.) Apenas remessas de comércio eletrônico 1,86 ( +5,4%) 6,44 ( +10,8%) 6,44
Misto (e-commerce e outras parcelas) 0,24 (+0,0%) 8,90 (+4,2%) (+0,0%) 8,83 (+3,3%)
Outros 6,44
Total 8,54
Machine Translated by Google

PLANEJAMENTO E TECNOLOGIA DE TRANSPORTE 199

fluxos regionais de commodities. Parte da diferença vem das suposições do número de entregas de
encomendas por residência (cerca de 0,143 entregas por dia versus nossas 0,226 entregas por dia) e do
número de entregas por tour (pelo menos 120 versus as apresentadas na Figura 7). Ambos os resultados
não são validados por dados do mundo real e a validação é necessária no futuro.

Na aplicação demonstrativa, ajustamos as probabilidades de adoção como entradas do cenário. Para

isso, nos referimos aos resultados de uma pesquisa (Holguin-Veras e Wang 2020). Embora, idealmente,
os dados completos e consistentes de cada domicílio, desde as características do domicílio, pedidos de
comércio eletrônico até opções de opções de entrega, devam ser usados para calibrar os efeitos das
variáveis, a especificação do modelo proposto também permite que os analistas ajustem cada
componente do modelo incrementalmente usando novos dados disponíveis para isso.
Esta pesquisa contribui como um passo fundamental no desenvolvimento de um framework de
modelagem abrangente da demanda de e-commerce. No quadro proposto, há espaço para incorporar a
heterogeneidade atribuível às características do agregado familiar e às diferentes situações de
encomenda (por exemplo, um shopper que necessita de algum artigo específico de imediato vs. um
shopper que faz encomendas recorrentes). Além disso, desenvolvimentos em simulações do lado da
oferta, que simulam as características e decisões de fornecedores e transportadoras de comércio
eletrônico, são necessários para avaliar rigorosamente os impactos da melhoria da oferta. Além disso, a
interação entre pedidos de e-commerce e viagens de compras na loja é, conforme identificado em outros
estudos (Suel e Polak 2018), importante para avaliar de forma abrangente os impactos de transporte do crescimento do e-
Embora o modelo proposto preveja pedidos de coleta, a avaliação da mudança na demanda de transporte
de passageiros não está no escopo desta pesquisa.
Por fim, são necessárias melhorias na coleta de dados e nos métodos de fusão de dados para o
comércio eletrônico. A geração de dados, que abrangem as informações dos consumidores, opções de
entrega, recebimento de pacotes, compras e viagens de coleta, é necessária para entender com precisão
as características da demanda de transporte derivada do comércio eletrônico.

Notas

1. Como os dados sobre a disponibilidade da opção de retirada para pedidos de comércio eletrônico não estão
disponíveis, usamos esse valor aproximado com base em '% dos 500 principais varejistas com lojas que oferecem
retirada na calçada em dezembro de 2019' (6,9%) (Digital Commerce 360 2020b ).
2. Isso se baseia no número de entregas de encomendas de varejistas on-line (10,6 bilhões) e no número
de domicílios (128,58 milhões) nos EUA, 2019 (Barron's 2020).
3. Tratamos bens domésticos e medicamentos como uma categoria de item ('bens domésticos'), enquanto
Holguin-Veras e Wang (2020) os tratam separadamente.

Agradecimentos Esta

pesquisa é apoiada em parte pela Fundação Nacional de Pesquisa, Gabinete do Primeiro Ministro,
Cingapura, sob seu programa CREATE, Singapore-MIT Alliance for Research and Technology
(SMART) Future Urban Mobility (FM) IRG. Quaisquer opiniões, achados e conclusões ou
recomendações expressas neste material são de responsabilidade exclusiva dos autores.

declaração de divulgação

Nenhum potencial conflito de interesse foi relatado pelo(s) autor(es).

Machine Translated by Google

200 T. SAKAI ET AL.

ORCID
Takanori Sakai http://orcid.org/0000-0002-8426-7452 Yusuke Hara
http://orcid.org/0000-0003-0268-9908 Ravi Seshadri http://orcid.org/
0000-0002-9327-9455 André Romano Alho http://orcid.org/
0000-0003-3275-7174 Peiyu Jing http://orcid.org/0000-0003-1179-6211
Moshe Ben-Akiva http://orcid.org/0000-0002-9635-9987 Médico Sami
Hasnine http://orcid.org/0000-0003-4110-5047

Referências
Adnan, M., FC Pereira, CML Azevedo, K. Basak, M. Lovric, SR Feliu e M. Ben-Akiva.
2016. SimMobility: uma plataforma de simulação baseada em agentes integrados em várias escalas. In: 95ª
Reunião Anual do Conselho de Pesquisa em Transporte, Washington, DC
Allen, J., T. Bektas, T. Cherrett, O. Bates, A. Friday, F. McLeod, M. Piecyk, M. Piotrowska, T.
Nguyen e S. Wise. 2018a. “The Scope for Pavement Porters: Addressing the Challenges of Last-Mile Parcel
Delivery in London.” Registro de pesquisa de transporte: Journal of the Transportation Research Board 2672 (9):
184–193.
Allen, J., M. Piecyk, M. Piotrowska, F. McLeod, T. Cherrett, K. Ghali, T. Nguyen, et al. 2018b.
“Entendendo o impacto do comércio eletrônico na atividade de veículos leves de mercadorias de última milha em
áreas urbanas: o caso de Londres.” Pesquisa de Transporte Parte D: Transporte e Meio Ambiente 61: 325–338.

O Atlantico. 2019. “Por que as pessoas ainda não compram mantimentos online”. https://www.theatlantic.com/
technology/archive/2019/02/online-grocery-shopping-has-been-slow-catch/581911/ . Acesso em 17 de agosto de
2020.
Auld, J., M. Hope, H. Ley, V. Sokolov, B. Xu e K. Zhang. 2016. “POLARIS: Desenvolvimento e Implementação de
Estrutura de Modelagem Baseada em Agente para Simulações Integradas de Demanda de Viagem e Rede e
Operações.” Pesquisa em Transporte Parte C: Tecnologias Emergentes 64: 101–116.

Azevedo, CL, NM Deshmukh, B. Marimuthu, S. Oh, K. Marczuk, H. Soh e ME Ben-Akiva.

2017. “Simmobility Short-Term: An Integrated Microscopic Mobility Simulator.”
Registro de Pesquisa de Transporte: Journal of the Transportation Research Board 2622: 13–23.
de Barron. 2020. “A Amazon está construindo uma potência de entrega. Cuidado, FedEx, UPS, USPS. https://
www.barrons.com/articles/amazon-is-a-delivery-powerhouse-look-out-fedex-ups-usps 51587403739, Acesso em
15 de outubro de 2020.
O tijolo encontra o clique. 2020. “Vendas de supermercado on-line em junho para entrega e retirada sobem para US $ 7,2 bilhões”.
https://www.brickmeetsclick.com/stuff/contentmgr/files/0/
b33b7d7f9604fb8a97b9678ec53165a0/files/bmc_mct_jun_2020_scorecard_press_release___ final.pdf,
Acesso em 1º de agosto de 2020.
Comi, A., and A. Nuzzolo. 2016. “Explorando as relações entre as atitudes de e-Shopping e
Transporte Urbano de Cargas”. Transportation Research Procedia 12: 399–412.
Comércio Digital 360. 2020a. “2020 mudou a cara do varejo de supermercado - provavelmente para sempre”. https://
www.digitalcommerce360.com/article/online-food-report/. Acesso em 1º de setembro de 2020.

Comércio Digital 360. 2020b. “Gráficos: como o Coronativus está mudando o comércio eletrônico” https://
www.digitalcommerce360.com/2020/08/25/ecommerce-during-coronavirus-pandemic-in-char ts /. Acesso em 5 de
outubro de 2020.
Etumnu, CE, e NO Widmar. 2020. “Compras de supermercado na era digital.” Escolhas: O
Magazine of Food, Farm, and Resource Issues 35 (2): 1–8.
Administração Rodoviária Federal. 2018. “Pesquisa Nacional de Viagens Familiares”. https://nhts.ornl.
gov/. Acesso em 2 de novembro de 2020.
Machine Translated by Google

PLANEJAMENTO E TECNOLOGIA DE TRANSPORTE 201

Garver, MS, Z. Williams, G. Stephen Taylor e WR Wynne. 2012. “Modelagem de Escolha em Logística: Um Guia
Gerencial e Aplicação.” International Journal of Physical Distribution & Logistics Management 42 (2): 128–151.

Gawor, T. e K. Hoberg. 2019. “Valorização do tempo e conveniência dos clientes no atendimento eletrônico.”
International Journal of Physical Distribution & Logistics Management 49 (1):
75–98.
Grashuis, J., T. Skevas e MS Segovia. 2020. “Preferências de compras de supermercado durante o
Pandemia do covid-19." Sustentabilidade 12 (13): 5369.
Holguin-Veras, J., e C. Wang. 2020. Impacto da Pandemia de COVID-19 em Viagens Pessoais e Tele-Atividades
(Parte 2). In: Série de webinars sobre os impactos do Covid-19 em teleatividades, viagens e comportamentos de
compra.
Jaller, M. e A. Pahwa. 2020. “Avaliando os impactos ambientais das compras online: uma abordagem comportamental
e de transporte.” Pesquisa de Transporte Parte D: Transporte e
Ambiente 80: 102223.
Kuo, M. 2018. “Como especialistas como a FedEx planejam suas rotas?” Rotific. https://blog.routific.com/ how-do-
experts-like-fedex-plan-delivery-routes, Acesso em 10 de julho de 2020.
Lepthien, A., e M. Clement. 2019. “Cronogramas de taxas de envio e comportamento de devolução.” Cartas de
marketing 30 (2): 151–165.
Lewis, M., V. Singh e S. Fay. 2006. “An Empirical Study of the Impact of Nonlinear Shipping and Handling Fees on
Purchase Incidence and Expenditure Decisions.” Marketing Science 25 (1): 51–64.

Nguyen, DH, S. de Leeuw, W. Dullaert e BP Foubert. 2019. “Qual é a opção de entrega certa para você? Preferências
do consumidor para atributos de entrega no varejo on-line.” Journal of Business Logística 40 (4): 299–321.

Oke, JB, YM Aboutaleb, A. Akkinepally, CL Azevedo, Y. Han, PC Zegras, J. Ferreira e M.

E. Ben-Akiva. 2019. “A Novel Global Urban Typology Framework for Sustainable Mobility Futures.” Cartas de
Pesquisa Ambiental 14 (9): 095006.
Oke, JB, AP Akkinepally, S. Chen, Y. Xie, YM Aboutaleb, CL Azevedo, PC Zegras, J.
Ferreira, e M. Ben-Akiva. 2020. “Avaliando os efeitos sistêmicos dos serviços automatizados de mobilidade sob
demanda por meio de simulação baseada em agente em larga escala de protótipos de cidades autodependentes.”
Pesquisa em Transporte Parte A: Política e Prática 140: 98–126.
Sakai, T., AR Alho, BK Bhavathrathan, G. Dalla Chiara, R. Gopalakrishnan, P. Jing, T. Hyodo, L. Cheah e M. Ben-
Akiva. 2020a. “Frete SimMobility: um simulador de frete urbano baseado em agente para avaliar soluções de
logística.” Pesquisa de Transporte Parte E: Revisão de Logística e Transporte 141: 102017.

Sakai, T., BK Bhavathrathan, A. Alho, T. Hyodo e M. Ben-Akiva. 2020b. “Estimativa de fluxo de commodities para
um sistema de modelagem de frete em escala metropolitana: seleção de fornecedores considerando o canal de
distribuição usando um modelo de mistura Logit de componente de erro.” Transporte 47 (2): 997–1025.

Stinson, M., J. Auld e AK Mohammadian. 2020. “Uma simulação em larga escala baseada em agentes de
movimentos de carga metropolitana com interações de mercado de passageiros e carga.” Procedia Computer
Science 170: 771–778.
Stinson, M., A. Enam, A. Moore e J. Auld. 2019. “Impactos do comércio eletrônico em toda a cidade: as viagens de
entrega de encomendas superam as reduções de viagens de compras domésticas?” In Proceedings of the 2nd
ACM/EIGSCC Symposium on Smart Cities and Communities, 1–7.
Suel, E., e JW Polak. 2018. “Incorporando compras online na modelagem de demanda de viagens:
Desafios, Progressos e Oportunidades.” Avaliações de transporte 38 (5): 576–601.
Escritório de Estatísticas Trabalhistas dos EUA. 2020. “Despesas do consumidor – 2019”, https://www.bls.gov/news.
release/pdf/cesan.pdf. Acesso em 15 de novembro de 2020.
Departamento de Comércio dos EUA. 2020. “Notícias do US Census Bureau - Vendas trimestrais de comércio
eletrônico no varejo - 19 de fevereiro de 2020”. https://www.census.gov/retail/mrts/www/data/pdf/ec_current.pdf.
Wang, XC e Y. Zhou. 2015. “Entregas para unidades residenciais: uma forma crescente de transporte de carga nos
EUA.” Pesquisa em Transporte Parte C: Tecnologias Emergentes 58: 46–55.