2024年（第二十三次）中国物流学术年会物流与供应链运筹学创新应用专题分论坛于2024年11月17日在廊坊举行。论坛由清华大学工业工程系教授赵磊主持，邀请了 清华大学工业工程系教授 赵磊、同济大学教授梁哲、北航交通学院研究员李红启、联想研究院人工智能实验室博士欧阳文理、悠桦林信息科技（上海）有限公司算法负责人丁伟军、顺丰科技营运模式算法总监黄一潇等6位嘉宾进行了主题演讲。主要内容如下：

一、赵磊 清华大学工业工程系教授

演讲题目：物流管理中的序贯决策问题建模、仿真与策略设计

仿真模型用于评估特定系统参数下的系统表现。例如，在库存管理中，我们可以使用仿真模型评估不同库存策略下的系统表现（如顾客满意度和存货成本）。实际应用中，系统表现的真实函数通常没有闭环表达式。因此，我们依赖于仿真模型进行近似统计评估。

在构建仿真模型时，“真”是关键，即模型应尽可能准确地刻画现实世界的关键特征。这需要我们深入理解所研究领域的专业知识。例如，在多年前的一个项目中，我们为从盐田港到鹿特丹港的集装箱运输构建了仿真模型，详细调研和模拟了港口和海关流程的各个环节。

在能够评估给定系统参数的系统表现的基础上，可以尝试对系统参数进行优化。但值得注意的是，所优化的系统参数不仅限于决策本身，也包括优化策略的参数。例如，在库存管理中，我们可能优化的是（s, S）策略中的s和S库存阈值，而不是具体的补货决策（补货时间及补货量）。

序贯决策问题是仿真优化的重要应用场景。这类问题的本质特征是：决策者需要在信息不完全的情况下做出一系列动态决策，并根据新的信息动态调整决策。围棋就是一个典型的序贯决策问题，棋手需要不断根据棋盘状态和对手的反应来做出决策。在物流行业，AGV调度、平台派单、库存补货等都是典型的贯决策问题。

解决序贯决策问题可以应用马可夫决策过程模型进行刻画。这个模型包括状态、决策、外生信息、状态转移函数、成本函数和目标函数等要素。其中，构建外生信息的模型（即模拟对手或系统反馈的模型）、状态转移函数和成本函数的建模至关重要，因为错误的模型会导致学习/训练策略出现偏差。这些模型也通常采用广义的仿真模型。

然而，构建和求解这样的模型并非易事。我们会面临维数灾难和建模挑战。维数灾难是指状态空间、决策空间和外生信息空间可能非常大，导致计算复杂度爆炸性增长。建模挑战则指上述模型在准确刻画现实世界关键特征中的挑战。二者均影响学习/训练策略的有效性。

为了克服这些挑战，美国普林斯顿大学Warren Powell教授总结了四类策略方法。包括：策略函数近似、成本函数近似、价值函数近似和直接前瞻策略。这些方法各有优缺点，适用于不同的场景，也可以设计混合策略。

最后，我想强调的是，解决序贯决策问题既需要通用性的建模框架和策略设计框架来结构化地描述和分析问题，也需要针对具体问题的特征进行灵活的建模和策略设计。同时，为了提高效率，我们可以在仿真优化方法、优化求解算法或策略训练过程中设计和应用模块化、标准化的算子和优化工具。

二、梁哲 同济大学教授

演讲题目：数智化航空货运运营管理

近年来，航空货运已成为我国发展的重要领域。波音公司预测，未来20年全球航空货运增长率将达到4%。尽管航空货运在四种货运模式中所占的运货比重不到1%，但价值却超过了35%。这主要得益于它所承运的高价值货物，如电子产品、电器元器件、鲜花以及赛马等。

在“十三五”期间，我国航空货运量年均增长为6.7%，显示出中国航空货运的蓬勃发展。目前，中国民航的飞机总数超过4000架，但货运飞机仅有200多架，占总飞机数的5.4%。与欧美等发达国家相比，我国的货运机队占比仅为10%-15%。商飞预计，在2020-2039年间，中国的货机数量将达到491架。特别是经过疫情的冲击后，各航空公司都意识到了航空货运的重要性。

按货运承运人分类，航空货运主要分为利用客机腹舱和全货机两种。承运人又包括纯客机航司、纯货机航司以及同时运营客机、货机的复合航司。从货运收入的组成来看，复合航空公司承担了41%的货运量，而快递公司（如顺丰、圆通、京东）则占据了38%的市场份额。

近年来，受疫情影响，后疫情时代的航空客运虽有增长，但票价逐渐下降。随着全球物流需求的不断增加，货运收入的增长却十分显著。例如，国航、东航、南航等复合航空公司的货运收入在2022年占到了总体营收的20%，远超疫情前的比例。

截止2023年1月，我国承揽货运业务的航司中，顺丰是最大的货运航司，其次是邮政。此外，还有一些复合航空公司，如南航、东航、国航等，它们既有客机也有货机。

在解决货运业务编排时，不同的承运人延续了客运业务编排的过程。纯客机航司会先根据旅客需求和客运航线网络规划进行安排，剩余的腹舱运力再用于货运。纯货机公司则根据货物需求安排货运航运网络，再解决飞机的路径和货物的路径。复合航空公司则总体以客为主，先客机再货机，同时先管理飞机再管理旅客和货物。在规划阶段，会先按照旅客需求编排客运航空网络，再安排客机、旅客以及剩余的腹舱和纯货机的货运航线网络。

总的来说，航空货运在优化过程中需要遵循先客后货、先飞机后旅客再货物的原则。

通过分析货运航空公司和客运航空公司之间的业务差异，可以发现，货运航空公司的决策更加复杂。主要存在以下差异：

1.运营飞机差异。旅客的运载工具为客机，货物的运载工具为客机腹舱和纯货机。

2.需求差异。客运需求基本上是对称的，来回程较多。货运需求不对称，导致在航线网络设计的时候有所不同。

3.行程差异。客运是航司根据旅客购票情况获得旅客行程。货运的行程由航司制定，决策的因素更加复杂。

4.成本差异。客运成本主要为航班运行成本，包括燃油、机组、起降费等。货运成本除了客运所包括的航班运行成本之外，还包括库存、装卸、运输成本等。

现有研究主要关注客运航司的运营管理，而专注于货航的研究较少。此外，纯货机货运航空公司的运营决策过程也更为复杂。它们需要在航班起飞前的7-30天制定航班计划和机型分配，以匹配需求；在起飞前3-7天安排具体的飞行路径；然后再安排货物的路由路径。这个过程可能导致在安排货机飞行路径时未能充分考虑货物的需求和波动，从而导致决策不合理。

针对复合航空公司的运营问题，我们进行了系统性的研究，特别是针对客运与货运业务分离可能导致的效率损失。

我们观察到货运航空公司通常先规划飞机路径，再安排货物路径，这种做法可能未能充分考虑货物的需求。我们对比了客运与货运的路径规划，发现货运存在三种主要路径：直达、下机中转和非下机中转（直通联接）。直通联接可以大大减少货物下机及地面中转的时间成本和人力成本。在直通联接中，我们还特别区分了一种特殊情况——短连接，即航班衔接时间小于货物地面中转时间，此时货物必须保持在飞机上才能完成中转。

然而，传统规划方式往往先确定飞机路径，再依据既定路径安排货物，这限制了短连接的充分利用。我们提出了一种创新性的规划方法：先根据货物需求，识别并安排所有可行的短连接和直通连接，再以此为基础规划飞机路径。这一方法颠覆了传统“先飞机、后货物”的规划顺序，实现了飞机与货物的一体化编排。

为确保规划的可行性和高效性，我们构建了一套包含飞机路径变量、货物路径变量以及直通连接、短连接约束条件的数学模型。同时，考虑了短连接运输成本和航班运输成本，以求解该大规模组合规划问题，通过算法实现了模型的求解。

与分阶段规划相比，我们的新方法在顺丰航空的实际应用中取得了显著成效，总体收益提升了7%。这一成果不仅验证了方法的可行性和有效性，也为复合航空公司优化运营策略提供了有力支持。

在完成初步规划后，我们转向了恢复策略的探索。传统观念中，航空公司恢复运营时往往遵循先航班后货物的顺序。我们则提出了一种创新思路：将货物与航班恢复紧密结合。与客运恢复相比，货运在延误后具有更大的灵活性，航空公司可根据实际情况调整货物路径，以减少赔付并提升效率。

为实现这一目标，我们构建了飞机与货物路径共同恢复的模型。通过引入机器学习算法，我们优化了求解过程，相较于分阶段求解，一体化求解的平均成本降低了13%，且求解时间显著缩短。这一成果在顺丰航空的实际应用中取得了良好效果，提升了运营效率。

接下来，我们进一步探讨了航空客货一体化的路径规划问题。当前，旅客与货物的决策是分开的，且以旅客为主，这导致在旅客需求较高时，大量货物无法搭载飞机，造成航空公司损失。为解决这一问题，我们提出了同时考虑货物与旅客的决策方法。

在客货一体化的路径规划中，主要挑战在于旅客行李的不确定性。我们利用组合优化的方法，结合行李与货物的重量限制，构建了优化模型。通过设定不同的超重概率和赔付成本，我们分析了不同策略下的期望利润，并找到了最优解。与东方航空公司的合作研究表明，采用我们的方法可使总收益增加2.75%。虽然客运净收益略有下降，但货运收益显著增长。

综上所述，我们的研究涵盖了三个主要问题：一是纯货机航空公司的一体化规划；二是纯货机航空公司的一体化恢复；复合航空公司的一体化路径规划。相关研究成果已发表在《TRB》期刊上。

三、李红启 北航交通学院研究员

演讲题目：地面车辆及车载无人机路径问题——建模与算法

无人机并非新鲜事物，无人机技术经历了较长时期的发展演进，无人机技术的落地运用特别表现在两次世界大战期间。一战期间，无人机被用于航空测绘和无人炸弹；二战期间，美国更是将其在一定范围内应用。此后，无人机技术逐渐从军事领域向民用领域扩展。特别是在2006年，美国联邦航空局允许民营无人机飞行后，无人机技术更是得到了加快发展和使用。如今，无人机已经广泛应用于物流配送等多个场景，为我们的生活带来了诸多便利。

VRP（车辆路径问题）是一类经典的优化问题，自1959年第一篇VRP论文正式发表以来，学术研究已经历了六七十年的发展。近年来，随着人工智能技术的不断进步，以及无人化装备、车路协同、智能网联等新技术的融合，VRP也呈现出了新的变形形式和对应的数学模型。

如果并行观察VRP和交通运输发展历程，可以发现，VRP始终与交通运输装备的发展紧密相连。从最早的船舶，到后来的飞机、汽车，再到如今的各种新型交通运输装备，如带无人机的卡车等，都为我们研究VRP提供了新的视角、思路和运用情景。

随着城际网络的不断完善和物流配送需求的日益多样化，VRP问题也呈现出了多种变形形式。如2E-VRP、TTRP等。这些问题都涉及到不同层级、不同类型的车辆路径规划和协同问题。

在2E-VRP中，不同层级网络的车辆路径需要在合适的节点实现交互，以实施货物换装，由此带来不同车辆路径协同的要求，但这种协同要求并没有体现出不同车辆之间的耦合关系。有观点认为TTRP是2E-VRP的一类特殊形式。TTRP（汽车列车路径问题）与传统的单体卡车路径不同，汽车列车由卡车和全挂车组成，通过甩挂运输这种运输组织模式来提高运输效率。然而，由于全挂车没有动力，需要依靠卡车牵引，因此两者之间存在紧密的耦合关系。这种耦合关系使得TTRP的求解变得更加复杂和具有挑战性。

在研究2E-VRP基础上，我们进一步研究了卡车+无人机的路径问题。这种新型的组合运输组织模式不仅延长了无人机的服务范围，还提高了物流配送的灵活性和效率。然而，这也带来了新的问题和挑战。如无人机与卡车的路径协同、无人机的起降点选择、飞行高度层的决策等。

为了求解卡车+无人机的路径问题的几类数学规划模型，我们尝试了几种不同的求解方法。包括启发式算法、精确算法以及强化学习等。然而，每种方法都有其优缺点和适用范围。启发式算法是实现难度最低的，但其中涉及到路径之间在时间层面的协同时也存在一些较为繁琐的处理细节。精确算法有较高的理论难度和较大的理论创新空间，特别是在应对维数爆炸方面。机器学习和强化学习是近年来的一个热点，特别是在将其运用于优化领域。我们的初步探索显示，将强化学习与VRP求解算法相结合时，还有很多值得探讨的问题，至少我们目前版本的算法和运算实验的效果并不理想。看来，我们需要根据具体问题的特点和需求选择合适的求解方法或组合多种方法进行求解。

最后，我想谈谈后续研究的一些思考。我们认为协同路径问题是一个具有广阔前景的研究领域。它不仅涉及到不同类型的动力和路径协同问题，还与无人驾驶、自动化码头、空中加油等多个领域密切相关。因此，我们有理由相信这个领域将孕育出更多的创新和突破。

同时，我们也意识到这个领域的研究面临着诸多困难和挑战。如问题的复杂性、求解方法的局限性以及实际应用的可行性等。因此，建议更多的专家学者关注这个领域，共同推动其发展和进步。

四、欧阳文理 联想研究院人工智能实验室博士

演讲题目：智能优化技术驱动联想业务解决方案

当前，AI技术在工业界的影响深远。无论是在新闻报道中，还是在学术界的研究里，AI技术都无处不在。而在工业界，AI技术对运筹优化分析的解决方案产生了尤为显著的影响。因此，我今天想借此机会，与大家探讨一下AI技术与运筹优化相结合，在工业界能发挥出怎样的作用。

我带领的团队主要攻关的技术是运筹优化求解器。我们最初在解决一线问题时，常常依赖业界提供的商用求解器。但是，我们发现这些求解器在面对工业界大规模复杂变量时，往往不能满足。因此，我们决定自主研发一个真正能在自身问题上表现出色的求解器。

在研发过程中，我们感受到了AI对求解器的巨大影响。特别是Google DeepMind的相关研究，他们利用AI技术改进启发式算法、Branch&Bound和真值界定等方法，让我们深受启发。于是，我们下定决心，要研发一个人工智能求解器。

做这件事情的诉求有三个：一是实现自主可控，让中国人拥有自己的人工智能求解器；二是打造一个能真正满足业界大规模需求、可定制化修改的求解器；三是将AI技术深度融合到求解器中。

经过三年的努力，我们成功研发出了一套解决方案——Le-OPT Optimization Suite。它包含了线性求解模块、混合整数优化模块以及AI人工智能模型模块等多个部分。这些模块相互协作，能够针对具体问题持续进行调优，并迭代出基于AI训练的求解策略。例如，华为诺亚方舟实验室曾提出的Smart Basis方法，利用人工智能训练起始基，我们也将这一研究成果集成到了我们的求解器中。此外，我们还自主研发了具有自主知识产权的Branch&Bound、Node Selection等技术，以及模拟仿真技术用于超参数调优。

与传统求解器相比，我们的求解器在建模和求解之间增加了一个人工智能模块。用户可以用自己的实例调用这个模块去训练模型，然后再将模型与已有的求解器结合，以达到更好的求解效果。

当然，研发过程充满了挑战。例如，在求解器中实现切平面的方法，就需要找到相关论文并在求解器中实现，每个方法的实现都涉及大量的代码。但我们坚持不懈，最终取得了显著的成果。

与大家分享两个关键技术：一是创新性问题求解技术，我们采用了人工智能Branch&Bound方法，并发表了相关论文；二是问题生成技术，我们利用生成式AI生成Optimization Instance，并保证了生成问题的可行性和有界性。

我们的求解器在联想内部得到了广泛应用。在供应链的主机化（MRP）方面，我们成功替代了CPLEX的线性求解模块和混合整数求解模块，取得了显著的求解效果。

此外，我们还正在训练一个优化运筹领域的Foundation Model。我们希望通过合成高质量的数据来训练这个模型，以实现更全面的综合性表现。

最后，我想分享几个应用案例。案例一：智能物料需求计划。计划决定未来一年、半年或一个月内如何制定采购计划。与以往业界常用的Blue Yonder不同，我们的方案不依赖于产能信息，而是更侧重于物料需求。Blue Yonder基于规则运作，而我们则利用求解器进行了简化，并加入了一个优化模块。在处理过程中，我们面临的一个复杂问题是BOM（物料清单）的数量庞大且复杂。这些BOM不仅数量众多，而且零部件之间存在替换关系，组合起来形成的图异常复杂。因此，我们需要在有限的时间内找到一个接近最优解的次优解。尽管我们没有找到绝对的最优解，但相比Blue Yonder，我们的方案在性能和求解质量上都得到了显著提升，并在企业内部运行中获得了良好反馈。

案例二：智能库存优化。这个问题相对常见，根据在库、在途物料确定新采购的物料，以便尽可能消耗现有的在库和在途物料，从而减少浪费。同样，我们也面临SKU数量众多等问题。通过使用求解器，我们成功地解决了这些问题，并取得了良好的效果。

案例三：智能排产助力企业提升交付。两三年前，我们为合肥联保生产工厂开发了一个基于强化学习的智能排产系统。使用指针网络（Pointer Network）进行训练，能够优化生产排序，相比基于启发式或其他方法的项目，该系统取得了更好的求解效果。案例还获得了相关领域的荣誉奖项。

五、丁伟军 悠桦林信息科技（上海）有限公司算法负责人

演讲题目：新能源供应链计划优化探讨

悠桦林是一家采用大数据分析、运筹学和人工智能技术帮企业解决智能决策问题的软件服务公司，专注于帮助企业解决供应链及优化方面的问题。在公司运营中，我们往往希望处理简单、重复的问题，以提高效率。但我们的优化工程师们却常常渴望解决具有创新性、挑战性的问题，这两者之间存在一定的矛盾。今天，我要介绍的是新能源行业。

大家如果最近乘坐过高铁，或者去过东部沿海或西部地区，可能会看到大片的光伏板，在沙漠、东部沿海的场区以及高速路两边都有铺设。从数据中可以看到，最近四五年我国光伏组件的产量增长非常迅速。这个行业的生产过程中，有一些与我们传统生产或供应链管理不同的特殊之处。

从制造过程来看，光伏组件的生产流程与一般产品相似，都是从一系列原材料经过一系列加工制成最终产品。比如晶体硅原料制成硅棒或硅锭，再制成单晶、多晶硅片、电池片，最后组成一些组件。光伏产业头部公司近几年形成一个趋势，就是向上下游发展逐步包含整个产业链。

光伏组件生产过程中有一个非常特殊的环节——功率预测。不过，这个词其实有些误导性。客户提到的预测问题，其实更多地是指预测的不确定性，而非准确性。光伏组件是由许多小电池片组成的，在组装过程中会发生光电化学反应，形成电池片的效率值。这个效率值决定了电池片能将多少光能转变成电能。然而，即使采用相同效率的电池片生产组件，最终组件的功率也不是确定的，而是有一个分布范围。这就是光伏组件生产过程中的不确定性。

对于光伏组件生产厂商来说，需要决定使用什么效率的电池片来生产以满足订单需求。因为最终客户需要的是组件，而组件的功率是客户最关心的指标之一。这里就存在一个博弈：一方面，客户希望获得尽可能高功率的组件；另一方面，组件生产者则希望避免“高档低投”的损失——即生产出的高功率组件只能以低功率组件的价格出售。据我们与国内前五的光伏企业合作了解，这种损失每年可能达到数亿元的规模。

那么，如何解决这个问题呢？一个直接的想法是按照客户的功率要求生产组件，并将同一批电池片生产出的不同功率的组件发给不同需求的客户。但光伏组件的特殊性在于，其功率和使用的辅材都决定了组件的专用性，很难将同一批组件发给不同客户。

还会有一些特殊案例，如某些订单中客户会指定多种功率，尽管计算方式或者核心概念相似：若未达到最低标准，则不能发货；若超出客户标准，超出部分也不会额外付费，仍按合同约定价格执行。

我们帮助光伏企业解决的关键在于如何优化电池片的投入，甚至包括在一定范围内材料的选择，以尽可能地满足客户需求。初接触这个问题时，我认为它与化工领域的成品油混合有些相似，都希望在满足质量标准的前提下，尽可能地降低成本。但从数学角度看，光伏行业的组件生产问题难度相对较低，因为其选择范围不如化工领域广泛，主要关注的是副产品和降档率等指标。

在计算过程中，核心问题是如何确保投入电池片后，生产出的组件如何满足合同中不同功率的订单要求。显然，高功率的组件应优先满足高功率的订单需求，这实际上是在基础模型上采用线性化模型解决。此外，组件生产商通常还会向上游发展，自己采购硅片，生产电池片，每月或每段周期内能生产出的电池片效率有一定的分布。结合收到的合同，可能存在供应与需求之间的不匹配。这时，紧急采购或销售自有电池片会带来额外的交易成本。

降档率、副产品率以及功率差距等指标，是许多组件厂商，尤其是大型厂商在优化时考虑的主要维度。从数学角度看，建立这样的模型相对简单。对于每个合同，我们可以知道有哪些材料可选，有哪些不同效率的电池片可用，以及不同组合生产出的组件功率分布。这些数据将成为模型的基础输入，核心决策是为每个订单选择适当效率的电池片和材料。在实现、测试和试运行过程中，我们发现，尽管现实中约束很多，但相比人工决策，模型能够更精细地考虑各种条件，从而显著降低降档率、副产品率和功率差距。

有了这样的模型后，整体效果是可观的。虽然由于数据保密性，我们无法获得具体的改进值，但用户会经常使用并根据需要进行小修改。此外，在实际应用中还需要对模型进行强化。因为日常运行中的模型都是基于一定基础的，如某些合同可能已经部分分配过电池片。这时，需要调整模型以吸收这些相对固定的约束，并生成更贴合实际的决策。

最后，我想强调的是在光伏行业中，供应链的优化是一个新的挑战。特别是当企业既生产电池片又生产组件时，如何协同两者之间的生产以降低成本是一个亟待解决的问题。同时，如何在销售过程中引导客户以降低成本也是一个重要的议题。

六、黄一潇 顺丰科技营运模式算法总监

演讲题目：运筹学在物流行业应用实践

顺丰不仅提供快递物流产品，还拥有包括同城即时配送、快递、快运、国际、仓配、医药、冷链以及供应链综合物流服务。

从网络规划的角度看，顺丰根据产品需求构建网络，以满足客户对时效和质量的要求，同时控制内部运营成本。积累了货量预测、选址、线路规划、车货匹配等工具，支持网络的规划和运营，并不断探索新技术和新方法以优化未来运营。

中国快递市场体量远超其他国家，市场分散，竞争激烈。从国家邮政局数据中可以发现，快递单票价格逐渐下降。国内全货机运营时间受限，主要夜间飞行，白天则依赖散航。

在对比顺丰与UPS的网络时，我们发现：UPS在美国有1400个配送中心，司机每天从配送中心出发，经停120-140个顾客点进行配送。而在中国，顺丰采用双层城市物流系统，有中转场和末端网点，件量密度大时具有优势。

UPS的网络体系中，一天通常只有一个收件班次和一个派件班次。而顺丰则对应有更密集的班次，服务水平高，对网络规划带来更大挑战。

在航空方面，UPS主要依赖全货机，晚上运营带次日达件，白天运营带隔日达件。顺丰则白天大量使用散航，晚上依赖全货机，且航班和货物流向灵活多变，规划复杂。例如：从上海寄往北京的航空快递，早寄和晚寄可能导致不同的物流路径。这种细致的班次规划和高时效操作，体现了我们在应对高密度件量和竞争压力时的策略。

在陆运方面，UPS的高时效产品也是纯陆运运输，但是产品比较单一。顺丰则将多种产品整合到一张网络中，以提高资源利用效率。这种整合带来了网络规划的复杂性。

随着运筹学模型的引入，顺丰能够更有效地规划全国网络。我们的逻辑基于货物量和时效要求，以及内部班次设定，优化整个网络。

顺丰网络规划过程中遇到的技术难点：一是规模大；二是公平性考虑：三是求解质量要求高：四是多个结构不同的（近似）最优解。为了应对这些挑战，我们做了以下尝试：一是设计了灵活的模型来体现业务的倾向性；二是强调灵敏度分析的重要性。这些结果支持了顺丰内部的很多工作，包括网络调整和中转场投入等。

最后，介绍一下鄂州枢纽的项目。项目从2013年开始规划，2015年明确选址鄂州，2019年机场主体建设启动，2022年建成投运，2023年开通首条国际货运航线。整个过程中，我们做了很多模型支持工作，包括航线规划、枢纽切换方案等。

通过这些年的努力，我们显著提升了顺丰在网络规划决策分析的效率，提升了运筹学方案在内部的接受度，提升了业务人员规划水平，减少了试错成本，持续产生实质性的经济和环境效益。

论坛期间，举行了2024年物流领域优秀博士学位论文颁奖仪式。中国物流学会副会长兼秘书长郭肇明、中国物流学会副会长杨国栋、清华大学工业工程系教授赵磊分别为获奖代表颁发证书。颁奖环节由上海海事大学研究生院院长、中国物流学会兼职副会长杨斌主持。

（根据速记整理，未经本人审阅，转载请注明作者和来源中国物流学会。）