Escolar Documentos
Profissional Documentos
Cultura Documentos
Household Based E Commerce Demand Modeling For An Agent Based Urban Transportation Simulation Platform
Household Based E Commerce Demand Modeling For An Agent Based Urban Transportation Simulation Platform
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
https://www.tandfonline.com/action/journalInformation?journalCode=gtpt20
Machine Translated by Google
ARTIGO DE PESQUISA
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
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
3.2. Modelos de adoção e pedido (valor total, valor do pedido, modo de entrega,
opção de entrega)
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
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)
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
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:
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:
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:
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
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.
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:
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,
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:
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:
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
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.
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).
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
2 Um dia 12 15 17 20
3 Mesmo dia 18 20 22 27
Na loja/
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
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.
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
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.
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
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
Tabela 3. Resumo dos parâmetros do modelo (Opção de Entrega, Modo de Entrega, Valor do Pedido e Valor
Total).
Parâmetro Valor Parâmetro Valor
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
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
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
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
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
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.
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
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.
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
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.
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
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.
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
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.
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.