1.1 无车承运人内涵及发展优势
无车承运人是舶来语，源自美国货车经纪人 Truck Broker 这个名词，是海上业务中无船承运人概念在道路运输业务中的念移植和演变。即指承运人没有实际运输车辆，但接受了货主运输事件的委托，同时向货主开具运输单据、收取运输费用等业务[1]，同
时无车承运人需要与实际的运输人或者单位进行合作，完成整个运输业务。在运输的过程中，无车承运人具有两个身份：一是，相对于货主来说，无车承运人主旨是承运人；二是，相对于现实的承运方，无车承运人是托运人[2]。 无车承运人的业务特点主要包括： （1）整个业务流程涉及的集合所有运输业务主体角色，例如货主、无车承运人、承运方、实际收货人； （2）业务流程清晰，链条短，主要包括：货主下订单、生产订单、驾驶员装车、运输、签收回单等； （3）运作关键集中于在途运输监控、服务质量保证与运费结算； （4）无车承运人信息平台的支撑作用涵盖委托受理、业务流程追溯、在途运输监控、诚信保障与运费结算等一系列环节，单据执行状态成为货主对业务的关注点。 无车承运人的商业模式特点是将运输市场经营主体、运力资源、信息资源等进行全面整合，利用互联网开放运营平台，与实体运营商合作，充分实现业务拆分、合并，社会分工协作，运作平台共享以及利益共赢[3]，可以有效促进物流行业市场资源的整合、规范各项业务标准和实现信息流智能化追溯，对于促进物流行业整体的转型升级具有重要意义。随着“互联网+”无车承运人运营模式的推行，无车承运人不需要再购买车辆也能以轻资产方式实现高效运营[4]，也将促进中国物流行业向智能化、服务化发展的方向，是在物流行业发展的新趋势[5]。
..........
1.2 无车承运人国内外发展现状
世界经济发达地区的物流发展水平是不均衡的，美国前十名物流企业的收入占了全球物流市场份额的 70%，中国前十名的物流企业所占份额仅为 1.8%[22]。这些数据表明，欧洲和美国的零担物流市场的集中程度、占额度、专业水平三项指标均较高，物流行业发展水平十分发达，相比之下，规模较大的代表性零担运输企业以德邦物流为首，中国的零担物流市场表现为集中程度低、占额度小、专业水平低[23]。 美国的物流市场经过很长的一段时间演变形成如今的模样，而关键的演变时间节点是美国 20 世纪 80 年代，时值美国运输政策开放，或者又称美国运输业大解禁。期间，美国开放了很多的运输方面的法律法规，这些法律法规包括降低了运营商市场的准入门槛，允许运输价格由市场调控而定价（在 1980 年之前，公路的运输价格是被政府严格控制的），支持了无车承运人的新型业务形式。从运输政策开放后，短短的15 年内，美国的无车承运人运营商迅速发展到了 15000 家。
...........
第2章 无车承运人运力资源优化配置模型
发展无车承运人运作模式，最核心问题是如何针对差异化的、庞大的、分散的运力资源和货物需求进行高效、科学、经济地车货匹配，既能极大地满足货主需求，提高服务水平，又能为无车承运人及其合作承运商实现利益共赢。可见，合理的车货优化配置是无车承运人运营成功与否的关键所在，也是无车承运人运营平台的核心决策问题。
2.1 问题分析
近年来，面向资源优化配置的车辆路径优化和运输车辆调度等方面的同类研究取得了较为丰富的研究成果。Lin 建立了基于物流资源与服务相互匹配的多目标决策模型，为面向服务的物流资源配置问题提供了参考，无车承运人信息服务平台本质上就是通过共享信息服务，面向社会开放服务，配置物流资源[42]。类似的研究，诸如王旭面向物流任务建立跨组织边界物流资源的组织选择模型，以时间、成本、质量和服务为目标函数，提出了物流资源优化组织策略[43]。彭大衡、房巧红等人针对车辆调度的合乘匹配问题，建立了机会约束多目标规划模型，通过案例对目标结构下的最优决策进行求解[44]。 无车承运人以多货主为主体，多车场不同车辆在线调度问题是其日常运营的主要管理活动。Alireza 针对车场、周期、车辆容量、运行时间等因素条件下，建立了最小总运输成本车辆路径优化模型[45]。侯爽提出“先分配，后优化”的策略，通过多级启发式算法，针对多车场任务调度问题，提出了多车场车辆路径最合理费用模型，所提出的模型和算法能够有效提高运输效率[46]。Repoussis 在运输需求已知的条件下，构建了车辆最优运输路线模型，优化了迭代禁忌搜索算法，以降低运输总成本[47]。
..........
2.2 运力资源优化配置模型的建立
论文针对无车承运人运力资源优化配置问题，以无车承运人总收益最大为目标函数，建立了具有机会约束条件的运力资源优化配置的数学模型，并结合鞍钢汽车运输有限责任公司德邻陆港分公司案例，利用神经网络混合算法和粒子群算法进行了模型求解，验证了该数学模型及其算法的实用性和有效性。鉴于神经网络混合算法具有可反映任意复杂的非线性关系、较强的非线性拟合能力、学习规则简单等优点，粒子群算法具有收敛速度快、求解质量高、鲁棒性好等优点[51]，论文为此采用神经网络混合算法和粒子群算法求解所建立的无车承运人运力资源优化配置模型,综上所述，2.2.4 节的算法应用步骤（7 步骤）通过 2.2.5 节的 JAVA 程序编程实现，在数据采集和优化求解之后，将产生推荐的车货匹配方案，如图 2.1 所示，供管理人员进行决策支持。
............
第 3 章 无车承运人运营方案设计与运营保障机制建立 ....... 25
3.1 现状分析与问题梳理........ 25
3.2 运营组织方案设计..... 27
3.3 盈利模式以及收入估算 .......... 31
3.4 运营保障机制的建立........ 32
3.5 本章小结 ....... 35
第 4 章 无车承运人信息平台总体架构设计和功能设计 ....... 37
4.1 总体架构设计 ...... 37
4.2 无车承运人平台（TMS）功能设计 .... 40
4.3 业务单据处理模块设计 .......... 41
4.4 用户注册模块设计..... 43
4.5 跨平台数据交换模型设计 ....... 44
4.6 本章小结 ....... 45
第 5 章 无车承运人信息平台（TMS）的功能实现 ........ 47
5.1 基础数据管理功能的实现 ....... 47
5.2 发货开单功能的实现 ........ 48
5.3 运输配载功能的实现 ........ 50
5.4 到货分流功能的实现 ........ 56
5.5 本章小结 ....... 63
第5章 无车承运人信息平台（TMS）的功能实现
德邻陆港分公司自主拥有企业级服务器，按照公司的实际情况，改造、升级现有服务器的硬件，提高 CPU 等硬件配置，提高硬盘容量大小，提高对外网速配置。当前企业服务器的操作系统采用 Microsoft Windows Sever 2008，并配置 ASP.NET+SQL 运行环境。同时，采用 Microsoft Visual 2010 C#.NET 调试 TMS 货主端程序，采用 Microsoft SQL Server 2012 Analysis services 进行数据开发。 本章重点对德邻陆港无车承运人信息平台（TMS）的核心功能模块予以实现，如图4.4 功能框架图中，着重阐明基础数据管理模块、发货开单模块、运输配载模块、到货分流模块的实现过程，限于论文研究重点，对于平台业务模块、回单管理模块以及财务对账模块，不再赘述。
5.1 基础数据管理功能的实现
无车承运人信息平台（TMS）的基础数据管理功能的核心是数据库。数据库的设计和系统的需求是相辅相成的，需要考虑主键生成策略、表之间的关联的合理性、效率和优化问题等[58]。TMS 采用的是 Microsoft SQL Server 2012 Analysis services 进行数据库开发。数据分为业务数据、金融数据和运输过程数据。以业务数据库为例，针对业务数据流设计的表样如图 5.1 所示，包括车辆的信息表、车队表、运单表、车辆的信息表、支付交易信息表等。
总结
论文面向问题提出从资源整合决策模型、运营方案到信息平台功能实现的系统化解决方案，为无车承运人试点和实际运营提供了案例参考，具有显著的现实意义。 论文主要研究成果总结如下：
（1）论文从无车承运人资源整合角度，针对无车承运人车货优化配置问题，进行了问题描述、基本假设、模型构建和算法设计，提出了有机会约束条件的无车承运人运力资源优化模型；并结合鞍钢汽运德邻陆港分公司案例，利用神经网络混合算法和粒子群算法进行了模型求解，结果分析表明：该数学模型及其算法具有实用性和有效性。
（2）鉴于无车承运人运营设计方案是成功实施无车承运人商业模式的根本保证，论文从无车承运人运营方案设计角度，为德邻陆港无车承运人项目，设计了一套内容全面的、有针对性的无车承运人运营设计方案。该方案立足于德
