Detailansicht
Combinatorial auction-based collaborative transportation for last-mile delivery
Steffen Elting
Art der Arbeit
Dissertation
Universität
Universität Wien
Fakultät
Fakultät für Wirtschaftswissenschaften
Studiumsbezeichnung bzw. Universitätlehrgang (ULG)
Doctor of Philosophy-Doktoratsstudium Wirtschaftswissenschaften: Business Analytics, Logistics and Operations Research
Betreuer*innen
Margaretha Gansterer ,
Jan Fabian Ehmke
DOI
10.25365/thesis.79520
URN
urn:nbn:at:at-ubw:1-28677.35410.266312-0
Link zu u:search
(Print-Exemplar eventuell in Bibliothek verfügbar)
Abstracts
Abstract
(Deutsch)
Die letzte Meile gilt als der teuerste und umweltschädlichste Abschnitt der Lieferkette. Durch die gemeinsame Nutzung von Informationen und Ressourcen können Spediteure für die letzte Meile sowohl ihre Betriebskosten als auch die Treibhausgasemissionen senken. Die kombinatorische Auktion ermöglicht eine kollaborative Routenplanung, indem Aufträge, welche die Spediteure jeweils zu verkaufen bereit sind, untereinander neu zugeordnet werden. Im Vergleich zu anderen Mechanismen der horizontalen Kollaboration hat die kombinatorische Auktion mehrere Vorteile, unter anderem die Möglichkeit, Kombinationen von Aufträgen zu berücksichtigen, die einen höheren oder niedrigeren Wert haben als die Summe der entsprechenden Einzelwerte, sowie das geringe notwendige gegenseitige Vertrauen der Transportunternehmen. Diese kumulative Dissertation untersucht die Chancen und Risiken, die mit diesem auf kombinatorischen Auktionen basierenden Mechanismus zur Auftragsreallokation für städtische Letzte-Meile-Zustellungen verbunden sind. Methoden des Operations Research und des maschinellen Lernens werden zur Modellierung und Lösung der relevanten präskriptiven und prädiktiven Analyseprobleme eingesetzt. Untersucht wurden (1) die Auswirkungen von Lieferzeitfenstern auf das Kollaborationsergebnis, (2) die Möglichkeit, die Effizienz des Auktionsmechanismus durch die Integration von zwei Prozessschritten mittels maschinellem Lernen zu verbessern, und (3) die Frage, ob aus den Gebotsdaten aus der Auktion auf die vermeintlich privaten Lieferkoordinaten von nicht zur Auktion freigegebenen Aufträgen geschlossen werden kann. Der auf kombinatorischen Auktionen basierende Mechanismus bietet für die Zusammenarbeit von Transportunternehmen in einem städtischen Umfeld das Potenzial, bis zu 10 % der gesamten Fahrzeit einzusparen. Die ausschöpfende Verwertung der durch die Gebote übermittelten Informationen kann die durch die Kollaboration erreichbaren Einsparungen zudem weiter erhöhen. Gleichzeitig bergen diese Informationen das Risiko, dass sensible Geschäftsdaten zum Auktionär durchsickern. Insgesamt ist dies ein attraktiver und vielversprechender Ansatz, um die Kosten und Externalitäten der letzten Meile zu reduzieren. Diese Arbeit leistet einen Beitrag zu den Bereichen der kooperativen Transportplanung und der datengetriebenen Entscheidungsfindung, indem sie Forschern und Praktikern neue Erkenntnisse und Methoden liefert. Zukünftige Forschungsarbeiten könnten neue Transport-Konfigurationen untersuchen, sowie weitere Möglichkeiten zur Verbesserung der Entscheidungsprozesse durch maschinelles Lernen erforschen und könnte den Reallokationsmechanismus auf weitere Schwachstellen testen.
Abstract
(Englisch)
The last mile is considered the most expensive and polluting leg of the supply chain. By sharing information and resources, carriers in the last-mile delivery market can decrease both their operational costs and greenhouse gas emissions. Collaborative vehicle routing can be facilitated through a combinatorial auction mechanism that orchestrates the reallocation of orders that the carriers are willing to sell. Compared to other horizontal collaboration mechanisms, the combinatorial auction has several advantages, including the ability to account for combinations of orders with valuations higher or lower than the sum of their respective individual order valuations, as well as a low level of required mutual trust between the carriers. This cumulative PhD thesis examines the opportunities and risks associated with this combinatorial auction-based order reallocation mechanism for urban last-mile deliveries. Methods of operations research and machine learning are applied to model and solve the relevant prescriptive and predictive analytics problems. The research was conducted (1) on the effects of delivery time windows on the collaboration result, (2) on the opportunity to improve the efficiency of the auction mechanism by integrating two process steps through machine learning, and (3) on whether the supposedly private delivery coordinates of orders that have not been submitted for auction can be inferred from the bidding data. The combinatorial auction-based carrier collaboration mechanism offers the potential to save up to 10 % of the total travel time in an urban setting. Tapping out the potential of the information communicated through the bids can further increase the collaboration savings. At the same time, it bears the risk of leaking sensitive business data to the auctioneer. Overall, it is an appealing and promising approach to reduce the costs and externalities of the last mile. This work contributes to the field of collaborative transportation planning and data-driven decision-making by providing new insights and methods for researchers and practitioners. Future research could explore new transportation settings, as well as opportunities to enhance decision-making processes through machine learning, and test the reallocation mechanism for other vulnerabilities.
Schlagwörter
Schlagwörter
(Deutsch)
Kollaboration Transportlogistik Kombinatorische Auktion Optimierung Maschinelles Lernen Letzte Meile Tourenplanung
Schlagwörter
(Englisch)
Collaboration Vehicle Routing Transportation Combinatorial auction Optimization Machine Learning Last-Mile Delivery
Autor*innen
Steffen Elting 
Haupttitel (Englisch)
Combinatorial auction-based collaborative transportation for last-mile delivery
Publikationsjahr
2025
Umfangsangabe
xviii, 143 Seiten : Illustrationen
Sprache
Englisch
Beurteiler*innen
Niels Agatz ,
Julia Rieck
AC Nummer
AC17687848
Utheses ID
76792
Studienkennzahl
UA | 794 | 370 | 403 |