Рамочная модель причинного обнаружения и вывода для задержек в доставке еды по требованию

Почему ваш заказ на вынос иногда приходит с опозданием

Тот, кто голодал и ждал опаздывающей доставки еды, знает, насколько раздражающими могут быть эти лишние минуты. За этим опозданием стоит неожиданно сложная система, включающая рестораны, курьеров, алгоритмы, дорожное движение и даже время оформления заказа. В этом исследовании заглядывают «под капот» крупной китайской платформы доставки еды, чтобы задать простой, но мощный вопрос: какие части системы действительно вызывают задержки, а какие просто сопутствуют им?

От нажатия на заказ до порога двери

Исследователи проанализировали более 400 000 заказов из большого города на севере Китая, обработанных одной из крупнейших национальных платформ доставки. Они разделили каждую доставку на три основных этапа: обработка (когда платформа назначает курьера), забор (когда курьер едет в ресторан и забирает еду) и транспортировка (поездка от ресторана до клиента). В среднем транспортировка занимала чуть более половины общего времени, забор — примерно треть, а на обработку приходилась оставшаяся часть. Примерно один из шести заказов приходил позже обещанного времени, что отражает масштаб проблемы для платформ, курьеров и клиентов.

Ищем причины, а не только закономерности

Большинство прежних работ пытались предсказывать время доставки с помощью продвинутого машинного обучения, ранжируя переменные по важности. Но эти инструменты в основном выявляют корреляции. Длинное расстояние и поздний заказ, например, часто идут вместе, не говоря нам, является ли именно расстояние первопричиной или оно связано с какой‑то более глубокой проблемой. В этом исследовании используется двухэтапная каузальная схема. Сначала байесовская модель «каузального обнаружения» строит ориентированный граф, показывающий, какие факторы, по-видимому, прямо влияют на другие. Затем техника, называемая двойным машинным обучением, оценивает, насколько изменение каждого фактора в среднем сдвинет задержку, контролируя все остальные. Такой подход направлен на отделение истинных драйверов от простых сопутствующих факторов.

Что действительно замедляет доставки

Каузальный граф показывает, что несколько элементов рабочего процесса прямо повышают вероятность опоздания заказа. Более длительные времена обработки, забора и транспортировки увеличивают риск задержки, как и более длительная подготовка блюда в ресторане и наличие многих заказов, объединённых в одну «волну» курьера. Выдающийся результат — то, что время забора (период от принятия курьером заказа до выезда из ресторана) оказывает наибольшее каузальное влияние. Минуту за минутой удлинение времени забора добавляет к итоговой задержке больше, чем аналогичное удлинение дорожной части пути. Транспортировка — второй по силе фактор, что отражает пробки, выбор маршрута и расстояние. Исследование также показывает, что дневной пик обеда каузально повышает задержки, тогда как вечерний час пик и выходные в основном действуют косвенно, увеличивая загрузку курьеров.

Как один опоздавший заказ делает следующим опоздавшим

Особо важным открытием является распространение задержек: «эффект домино», при котором опоздание по одному заказу делает более вероятными опоздания по следующим заказам того же курьера. Модель показывает, что как то, насколько опоздал предыдущий заказ, так и длительность его внутренних этапов прямо влияют на задержку следующего заказа в той же волне. Если курьер завершает одну доставку с опозданием, временной запас для следующей сокращается, и небольшие сбои могут привести к опозданию. Последующие анализы выделяют критические пороги. Времена забора свыше примерно 10 минут и транспортировки более примерно 17 минут резко повышают риск не успеть в обещанное окно. Для предыдущих заказов завершение примерно за 10 минут до срока в среднем достаточно, чтобы не переносить задержку на следующую задачу.

Превращение выводов в лучшее обслуживание

Сравнивая свои каузальные результаты с популярной моделью на основе корреляций, авторы показывают, что традиционные методы могут недооценивать важность некоторых факторов, таких как время приготовления в ресторане, или даже неверно определять знак некоторых эффектов. Опираясь на более надежную каузальную картину, они предлагают несколько практических стратегий: лучше синхронизировать прибытие курьера с готовностью еды, ограничивать число заказов в одной волне курьера в условиях высокого риска, добавлять «буферное время», когда у курьера слишком мало запаса, и перерабатывать маршрутизацию так, чтобы добавление дополнительных заказов не чрезмерно удлиняло ожидание первых клиентов. Для обычных пользователей главный вывод таков: опоздавшие доставки — это не просто медленный гонщик или плохой трафик; они возникают из того, как система в целом планирует, объединяет и упорядочивает заказы. Настройка этих скрытых правил могла бы повысить вероятность того, что ваша следующая еда прибудет горячей и вовремя.

Цитирование: Lu, M., Liu, R., Jin, Z. et al. A causal discovery and inference framework for on-demand food delivery delays. npj. Sustain. Mobil. Transp. 3, 22 (2026). https://doi.org/10.1038/s44333-026-00097-1

Ключевые слова: задержки доставки еды, каузальный вывод, локальная логистика, платформы по требованию, операции курьеров