En ram för kausal upptäckt och inferens för försenade leveranser inom on-demand-mat

Varför din hämtmat ibland kommer för sent

Den som hungrigt väntat på en försenad matkörning vet hur frustrerande de extra minuterna kan vara. Bakom förseningen ligger ett överraskande komplext system som involverar restauranger, bud, algoritmer, trafik och till och med tidpunkten för din beställning. Denna studie skruvar upp huven på en stor kinesisk leveransplattform för att ställa en enkel men kraftfull fråga: vilka delar av systemet orsakar faktiskt förseningar, och vilka följer bara med på resan?

Från knapptryckning till dörr

Forskarna analyserade mer än 400 000 beställningar från en stor stad i norra Kina, betjänad av en av landets största leveransplattformar. De delade upp varje leverans i tre huvudskeden: processhantering (när plattformen tilldelar ett bud), upphämtning (när budet åker till restaurangen och hämtar maten) och transport (sträckan från restaurang till kund). I genomsnitt stod transport för lite mer än hälften av den totala tiden, upphämtning för ungefär en tredjedel och processhantering för resten. Ungefär en av sex beställningar anlände senare än den tid som utlovats till kunden, vilket visar problemets omfattning för plattformar, bud och kunder.

Söker orsaker, inte bara mönster

De flesta tidigare studier försökte förutsäga leveranstider med avancerad maskininlärning och rangordnade vilka variabler som verkade viktigast. Men de verktygen visar mest korrelationer. En lång sträcka och en sen beställning tenderar att förekomma tillsammans, till exempel, utan att säga om avståndet i sig är den grundläggande orsaken eller bara kopplat till något djupare. Denna studie använder istället en tvåstegs kausal ram. Först bygger en bayesiansk "causal discovery"-modell en riktad graf som visar vilka faktorer som verkar påverka andra direkt. Därefter skattar en teknik kallad double machine learning hur mycket en förändring i varje faktor i genomsnitt skulle flytta förseningen, samtidigt som den kontrollerar för alla andra faktorer. Detta tillvägagångssätt syftar till att skilja verkliga drivkrafter från blotta åskådliga samband.

Vad som verkligen bromsar leveranser

Den kausala grafen visar att flera delar av arbetsflödet direkt skjuter beställningar mot att bli försenade. Längre tider för processhantering, upphämtning och transport ökar alla risken för försening, liksom längre tillagningstid på restaurangen och många ihopslagna beställningar i ett buds leveransvåg. Den mest framträdande upptäckten är att upphämtningstiden—perioden från att ett bud accepterar en beställning till att de lämnar restaurangen—har störst kausal påverkan. Minut för minut lägger en förlängd upphämtning mer på slutlig försening än en lika lång förlängning av transportdelen. Transporttiden är den näst starkaste faktorn och speglar trängsel, ruttval och avstånd. Studien finner också att lunchens mitt på dagen kausalt ökar förseningar, medan kvällsrusning och helger främst verkar indirekt genom att öka budens arbetsbelastning.

Hur en sen beställning gör nästa sen

En särskilt viktig upptäckt är spridning av förseningar: en "dominoeffekt" där det att vara sen på en beställning gör nästa beställningar av samma bud mer benägna att bli försenade. Modellen visar att både hur sen föregående beställning var och hur långa dess interna skeden tog påverkar förseningen för nästa beställning i samma våg direkt. Om ett bud avslutar en leverans efter tidsschemat krymper tidsbufferten för följande leverans, och små störningar kan skjuta den över i försenad. Uppföljande analyser framhäver kritiska trösklar. Upphämtningstider som överstiger ungefär 10 minuter och transporttider bortom kring 17 minuter ökar kraftigt risken att missa det utlovade fönstret. För tidigare beställningar räcker det i genomsnitt att bli färdig ungefär 10 minuter tidigt för att undvika att föra över försening till nästa jobb.

Omvandla insikter till bättre service

Genom att jämföra sina kausala resultat med en populär korrelationsbaserad modell visar författarna att traditionella metoder kan underskatta betydelsen av vissa faktorer, såsom restaurangernas förberedelsetider, eller till och med misstolka tecknet på vissa effekter. Byggt på den mer tillförlitliga kausala bilden föreslår de flera praktiska strategier: bättre synkronisering av budets ankomst med när maten blir klar, begränsning av hur många beställningar ett bud hanterar i en enda våg när risken är hög, att lägga in "marginaltid" när ett bud är på väg att avsluta en beställning med för liten buffert, och att omdesigna rutter så att tillägg av extra beställningar inte oproportionerligt förlänger väntetiden för de första kunderna. För vanliga användare är slutsatsen att försenade leveranser inte bara handlar om en långsam cyklist eller dålig trafik; de uppstår ur hur hela systemet schemalägger, slår ihop och sekvenserar beställningar. Justering av dessa dolda regler kan göra det mer sannolikt att din nästa måltid anländer varm och i tid.

Citering: 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

Nyckelord: förseningar i matkörning, kausal inferens, last-mile-logistik, on-demand-plattformar, budverksamhet