The rapid growth of e-commerce has led to an increase of home delivery requests. Providing efficient distribution systems for services on the last mile has become a challenging issue for logistics companies, where a trade-off between the classical approaches, attended home delivery (AHD) and usage of shared delivery locations (SDLs) has been identified. AHD provides a higher quality of service but implies very high costs for the company, while usage of SDL requires customers to perform the very last mile by themselves. For companies, this bears the risk of a decrease in the perceived service quality. However, due to consolidation effects, transportation costs can be considerably mitigated. We propose a mixed delivery approach, which combines AHD and SDL usage in an innovative way. Customers can either be served at home during their preferred time window, or they can be asked to pick up their parcel at one of the SDLs. For each customer served using an SDL, the company pays a compensation price in order to reduce the perceived decrease in service quality. The newly introduced decision problem is formulated mathematically. We propose two matheuristics to efficiently solve large instances. In an extensive numerical study, we show that the new approach clearly outperforms standard ones. We observe an increase in solution quality of up to 40%, while customers’ perceived quality of service is not affected. Additionally, the results reveal that the obtained improvements are robust for different customer-specific time-window preferences, accepted travel times needed to reach an SDL, and different compensation schemes.

电子商务的快速发展导致送货上门的需求增加。对于物流公司而言，为最后一英里的服务提供有效的分配系统已成为一个挑战性的问题，在经典方法，有人上门送货（AHD）和共享送货地点（SDL）的使用之间已经找到了一个折衷方案。AHD可提供更高的服务质量，但对公司而言意味着很高的成本，而使用SDL则要求客户自己执行最后一英里。对于公司而言，这承担着降低感知服务质量的风险。但是，由于合并的影响，运输成本可以大大降低。我们提出了一种混合交付方法，该方法以创新的方式结合了AHD和SDL的使用。可以在首选时间段内为客户提供服务，也可以要求他们在其中一个SDL处提货。对于使用SDL服务的每个客户，公司将支付补偿价格，以减少感知到的服务质量下降。新引入的决策问题是数学公式化的。我们提出两种数学方法来有效地解决大型实例。在广泛的数值研究中，我们表明新方法明显优于标准方法。我们发现解决方案质量提高了40％，而客户感知的服务质量并未受到影响。此外，结果表明，对于不同的客户特定的时间窗偏好，达到SDL所需的可接受的旅行时间以及不同的补偿方案，所获得的改进是健壮的。或者可以要求他们在其中一个SDL处提货。对于使用SDL服务的每个客户，公司将支付补偿价格，以减少感知到的服务质量下降。新引入的决策问题是数学公式化的。我们提出两种数学方法来有效地解决大型实例。在广泛的数值研究中，我们表明新方法明显优于标准方法。我们发现解决方案质量提高了40％，而客户感知的服务质量并未受到影响。此外，结果表明，对于不同的客户特定的时间窗偏好，达到SDL所需的可接受的旅行时间以及不同的补偿方案，所获得的改进是健壮的。或者可以要求他们在其中一个SDL处提货。对于使用SDL服务的每个客户，公司将支付补偿价格，以减少感知到的服务质量下降。新引入的决策问题是数学公式化的。我们提出两种数学方法来有效地解决大型实例。在广泛的数值研究中，我们表明，新方法明显优于标准方法。我们发现解决方案质量提高了40％，而客户感知的服务质量并未受到影响。此外，结果表明，对于不同的客户特定的时间窗偏好，达到SDL所需的可接受的旅行时间以及不同的补偿方案，所获得的改进是健壮的。对于使用SDL服务的每个客户，公司将支付补偿价格，以减少感知到的服务质量下降。新引入的决策问题是数学公式化的。我们提出两种数学方法来有效地解决大型实例。在广泛的数值研究中，我们表明，新方法明显优于标准方法。我们发现解决方案质量提高了40％，而客户感知的服务质量并未受到影响。此外，结果表明，对于不同的客户特定的时间窗偏好，达到SDL所需的可接受的旅行时间以及不同的补偿方案，所获得的改进是健壮的。对于使用SDL服务的每个客户，公司将支付补偿价格，以减少感知到的服务质量下降。新引入的决策问题是数学公式化的。我们提出两种数学方法来有效地解决大型实例。在广泛的数值研究中，我们表明新方法明显优于标准方法。我们发现解决方案质量提高了40％，而客户感知的服务质量并未受到影响。此外，结果表明，对于不同的客户特定的时间窗偏好，达到SDL所需的可接受的旅行时间以及不同的补偿方案，所获得的改进是健壮的。新引入的决策问题是数学公式化的。我们提出两种数学方法来有效地解决大型实例。在广泛的数值研究中，我们表明新方法明显优于标准方法。我们发现解决方案质量提高了40％，而客户感知的服务质量并未受到影响。此外，结果表明，对于不同的客户特定的时间窗偏好，达到SDL所需的可接受的旅行时间以及不同的补偿方案，所获得的改进是健壮的。新引入的决策问题是数学公式化的。我们提出两种数学方法来有效地解决大型实例。在广泛的数值研究中，我们表明新方法明显优于标准方法。我们发现解决方案质量提高了40％，而客户感知的服务质量并未受到影响。此外，结果表明，对于不同的客户特定的时间窗偏好，达到SDL所需的可接受的旅行时间以及不同的补偿方案，所获得的改进是健壮的。而客户的感知服务质量不会受到影响。此外，结果表明，对于不同的客户特定的时间窗偏好，达到SDL所需的可接受的旅行时间以及不同的补偿方案，所获得的改进是健壮的。而客户的感知服务质量不会受到影响。此外，结果表明，对于不同的客户特定的时间窗偏好，达到SDL所需的可接受的旅行时间以及不同的补偿方案，所获得的改进是健壮的。