2015B「互联网+」物流：分拣中心选址与配送路径优化（范文三·稳健性、灵敏度与应用）
承接范文二：范文二在确定性参数下得到最优选址 、年成本 546.157 万元。但现实中的需求量、建设费、运输单价均有波动。本篇用蒙特卡洛与灵敏度分析，评估方案的稳健性并给出落地建议。
一、蒙特卡洛不确定性分析
需求量是最易波动的因子。固定最优选址 不变，对每个需求点的日需求量叠加 水平的高斯扰动（截断为正），重算运输费与车辆费（建设费固定），重复 次，得到总成本的抽样分布（图 1）。
抽样结果：期望成本 545.428 万元，标准差 6.090 万元；按正态近似，95% 置信区间为 [533.493, 557.364] 万元（图 2）。区间宽度约 ±12 万，相对期望仅 ±2.2%，说明在需求 ±15% 波动下，方案成本高度集中、稳健可靠。
二、灵敏度之一：运输单价
单位运输成本 直接放大干线运输费。把 在 元/(吨·km) 间扫描（图 3），年总成本由 470.181 万（c=0.3）单调升至 698.108 万（c=1.2）。在基准 处为 546.157 万。斜率约 万/(元/吨·km)，意味着运输单价每上涨 0.1 元，年成本约增 25 万。
三、灵敏度之二：需求量
将全部需求量按倍数 缩放（图 4），成本由 484.727 万（0.7×）升至 602.084 万（1.3×）。基准 1.0× 为 546.157 万。曲线近似线性，弹性约 万——需求每增减 10%，成本约波动 19.25 万。这验证了容量留有裕度（两仓负荷 114/147 吨，容量 202/214 吨）时，需求波动主要推高运输与车辆费，而非迫使重建。
四、灵敏度之三：建设费
建设费倍数 扫描（图 5）显示，成本由 419.277 万（0.6×）升至 704.757 万（1.5×），基准 1.0× 为 546.157 万。其斜率恰为被选两仓的建设费之和（约 317 万）乘以倍数变化，符合"建设费是占比最大的固定项"的判断。
五、方案稳健性对比
把最优方案与朴素方案放在稳健性语境下对比（图 6）：无论参数如何波动，最优 （546.157 万）始终低于全选 5 仓（938.687 万）与贪婪 （580.490 万）。全选方案因建设费过高，对建设费倍数极为敏感，波动时劣势最明显；最优方案则兼顾三项成本，抗扰动能力最好。
六、需求情景分析
针对典型经营情景——需求萎缩至 0.7×、基准 1.0×、需求扩张至 1.3×——直接给出成本（图 7）：484.727 / 546.157 / 602.084 万元。即使需求扩张 30%，现有两仓容量仍够（总负荷约 339 吨 < 两仓容量 416 吨），无需新建仓，成本仅温和上升。只有当需求逼近容量上限时，才需重新优化增仓。
七、成本风险汇总与落地建议
图 8 汇总成本风险：期望 545.428 万、下界 533.493 万、上界 557.364 万，以及三项构成（建设 317.2 / 运输 151.95 / 车辆 77.0 万）。基于此，给出工程落地建议：
- 锁定最优选址 ：在确定性参数与扰动下均最优，可直接作为建设依据；
- 优先管控运输单价：其弹性最大（约 25 万/0.1 元），谈判运力或优化装载率的增益最高；
- 容量留裕度：当前两仓负荷不到容量七成，可吸收约 30% 需求增长而免重建；
- 监测建设费：虽占比大但是一次性投入，决策时需用年化口径（本题 ）而非单纯比价。
八、小结
三篇合起来，2015B 物流选址问题被完整地解答：范文一建立 LRP 模型与初步选址直觉；范文二用"枚举+分配+路径"得到全局最优 （546.157 万）；本篇证明该方案在需求 ±15%、运输单价与建设费波动下均稳健（MC 95% CI [533.5, 557.4] 万），并给出敏感度排序与落地建议。核心纪律始终是：拒绝黑箱拟合，让每一步估计都可追溯、可复现、可质疑——这正是科学计算与赛题求解的通用准则。
八、为什么稳健性比点估计更重要
赛题所给的建设费、运输单价、需求量，本质上都是估计值：建设费来自投资概算，运输单价随油价与运力市场波动，需求量随促销与季节变化。若最优方案只在"教科书参数"下最优、稍有波动就劣化，则它只是数学玩具；只有经得起扰动，方案才具备落地价值。因此本篇把范文二的"点估计 546.157 万"扩展为"分布估计"——均值、置信区间与敏感性曲线，让决策者知道"最坏会怎样、最受哪个因子影响"。
九、敏感性排序与资源投放优先级
把三条灵敏度曲线放在一起比较，可排出资源投放的优先级：
- 运输单价弹性最大（约 25 万 / 0.1 元），是最该管控的因子——谈判运力价格、提升装载率、拼车配送的增益最高；
- 建设费虽占比最大但是一次性投入，决策时只需确保年化口径正确，运行期不可调；
- 需求量弹性居中（约 19.25 万 / 10%），且当前两仓容量留有约三成裕度，短期波动不触发重建。
这一排序直接指导管理动作：与其纠结"再多建一个仓"，不如先把手头的运输单价压下来——后者边际增益更大、且无需资本开支。
十、方法局限与改进方向
本文的稳健性分析仍有两个可改进之处，诚实地指出它们是严谨建模的一部分：
- 扰动结构：蒙特卡洛仅对需求量加独立高斯扰动，未建模需求间的空间相关性（相邻门店可能同涨同落）。更真实的做法是用空间相关场或多变量分布重抽样。
- 路径近似：车辆费基于极角排序近似，灵敏度中的"车辆费"随之近似。若改用精确 VRP，车辆费数值会微调，但敏感性结论的单调趋势不变。
指出局限，不是削弱结论，而是划清结论的适用边界，并给后续研究者留出清晰的改进入口。
十一、从分析到决策的落地路线图
把三篇范文串起来，可以得到一套可直接复用于真实仓网规划的标准动作，也恰好对应竞赛论文的推荐结构：
- 圈定候选（范文一）：用重心法找需求重心、用覆盖模型评估服务半径，快速判断"至少建几个仓、大致落在哪个象限"，给出直觉基线；
- 精确求解（范文二）：建立 LRP 模型，用"枚举选址 + 容量分配 + 路径近似"求全局最优，并与全选、贪婪等朴素方案量化对比，证明优化的增量价值；
- 稳健校验（本文）：用蒙特卡洛给出成本分布与置信区间，用灵敏度排出因子优先级，用情景分析确认容量裕度，回答"参数波动时方案是否仍稳"；
- 落地动作：锁定最优选址 ，优先压降运输单价（弹性最大），保持两仓容量裕度以吸收需求增长，仅在需求逼近容量上限时才重新优化增仓。
这四步的递进，本质上是"直觉 → 精确 → 稳健 → 决策"的闭环。竞赛评审最看重的，往往不是某一个惊艳的公式，而是这种问题被层层剥开、每一步都有据可查的论证链条。本文所做的 MC 与灵敏度，正是为链条最后一环——"方案敢不敢用"——提供量化支撑。
十二、对赛题要求的完整回应
回到赛题原意——"优化分拣中心选址与配送路径，使总成本最低"。三篇范文各自回答了问题的一个侧面，又共同构成完整闭环：范文一回答"问题怎么翻译成模型"，范文二回答"模型怎么求最优"，本文回答"最优在不确定下是否可信"。若只交范文二，评审会问"参数变了还最优吗"；若只交本文，则缺少被检验的对象。三者并陈，才是一个经得起追问的解法。
特别要强调，本文的稳健性结论并非否定确定性最优，而是给它加上"置信区间"与"敏感因子"两道保险：均值 545.4 万、95% 区间 [533.5, 557.4] 万，说明方案风险可控；运输单价弹性最大，指明后续降本的抓手。把"一个数"变成"一个数加它的不确定性与杠杆点"，正是从学生作业走向工程决策的质变。三篇读罢，读者带走的不应只是 这一个答案，而是一套遇到任何"在哪里建、怎么送、稳不稳"类问题时都能复用的分析框架。
十三、一个容易踩的成本口径陷阱
本文所有成本都统一到"万元/年"口径：建设费本就是年度化投入，运输费与车辆费则由"日发生额 × 365"折算。若不小心把建设费按"一次性万元"、运输费按"日万元"直接相加，会得到量级错乱的目标，最优解随之失真。这是选址类题目最常见的低级坑——单位与周期不一致。本文在生成器里显式引入年化因子 并贯穿始终，从数据源头杜绝该问题。把这个坑写进论文，既展示了对问题尺度的理解，也提醒后续读者：优化之前，先统一量纲。同理，需求量的单位若用"吨"还是"万件"也必须前后一致，否则灵敏度曲线会整体平移、置信区间随之失真——量纲这件小事，往往在赛题里悄悄决定成败。
附录：稳健性分析复现（可运行）
import sys, os
sys.path.insert(0, os.path.join("..", "..", "..", "tools"))
import gen_data as GD
D = GD.gen_2015b()
mc = D["mc"]
print("蒙特卡洛 N=%d: 期望=%.3f 万, 标准差=%.3f 万" % (len(mc["samples"]), mc["mean"], mc["std"]))
print("95%% 置信区间 = [%.3f, %.3f] 万元" % (mc["lo"], mc["hi"]))
print("运输单价灵敏度:", D["sens_cline"])
print("需求量灵敏度 :", D["sens_demand"])
print("建设费灵敏度 :", D["sens_build"])
print("方案对比: 最优%.3f / 全选%.3f / 贪婪%s=%.3f 万"
% (D["best"]["total"], D["full_total"], D["greedy"]["subset"], D["greedy"]["total"]))