按需外卖延误的因果发现与推断框架

为什么你的外卖有时会晚到

任何为迟到的外卖焦急等待过的人都知道那些额外的几分钟有多令人沮丧。延误背后是一个出人意料的复杂系统，涉及餐厅、骑手、算法、交通，甚至你的下单时间。本研究深入中国一家大型外卖平台的运作，提出一个既简单又有力的问题：系统的哪些部分实际上导致了延误，哪些只是随行因素？

从下单到上门的过程

研究者分析了来自中国北方一座大城市的 40 万多份订单，这些订单由国内最大的外卖平台之一服务。他们将每次配送拆分为三个主要阶段：处理（平台派单时）、取餐（骑手前往餐厅并取走食物时）和运送（从餐厅到顾客的行程）。平均来看，运送占总时间的略多于一半，取餐约占三分之一，处理占剩余部分。大约每六单就有一单比承诺时间晚到，这反映出对于平台、骑手和食客而言问题的广泛性。

寻找原因，而不仅是模式

以往多数研究使用先进的机器学习来预测配送时间，并对看似重要的变量进行排序。但这些工具主要揭示相关性。例如，距离长与下单晚常常同时出现，却无法说明距离本身是否为根本原因，还是与某些更深层问题相关。本研究采用一个两步的因果框架。首先，贝叶斯“因果发现”模型构建出一个有向图，显示哪些因素似乎直接影响其他因素。然后，使用称为双重机器学习的技术估计在控制其他变量情况下，改变某一因素会对延误产生多大平均影响。该方法旨在把真正的驱动因素与仅是旁观者的变量区分开来。

真正造成配送变慢的因素

因果图显示，工作流中的若干环节会直接增加订单迟到的可能性。处理、取餐和运送时间越长，迟到风险越高；餐厅的备餐时间过长以及骑手“波次”中捆绑了大量订单也会增加风险。最突出的一点是，取餐时间——从骑手接单到离开餐厅的这段时间——具有最大的因果影响。就分钟效应而言，取餐时间每延长一分，对最终延误的贡献超过路程部分的同等延长。运送时间是第二大驱动因素，反映了拥堵、路线选择和距离的影响。研究还发现，中午午餐高峰会因果性地提高延误率，而晚高峰和周末主要通过增加骑手工作量来间接起作用。

一单延误如何导致下一单也晚到

一个特别重要的发现是延误传播：一种“多米诺效应”，即一单迟到会增大同一骑手后续订单也迟到的概率。模型显示，前一单的迟到程度以及其内部各阶段的时长都会直接影响同一波次中下一单的延误。如果骑手在一单上完工晚于计划，随后的配送时间缓冲就会缩小，稍有波动就可能使下一单变成迟到。后续分析指出了关键阈值：取餐时间超过约 10 分钟、运送时间超过大约 17 分钟时，错过承诺时窗的风险显著上升。对于前一单而言，平均提前约 10 分钟完成通常足以避免将延误传给下一单。

把见解转化为更好的服务

通过将因果结果与一种流行的基于相关性的模型进行比较，作者证明了传统方法可能低估某些因素的重要性，例如餐厅的备餐时间，甚至可能错误判断某些效应的方向。基于更可靠的因果图景，他们提出了若干务实策略：更好地将骑手到达时间与食物准备好时间对齐；当风险高时限制骑手在单个波次中处理的订单数；当骑手预计完成订单时缓冲过小，则添加“冗余时间”；以及重新设计路线，使增加额外订单不会不成比例地延长第一位顾客的等待时间。对普通用户而言，结论是：外卖晚到并非仅因为骑手慢或交通差，而是源自整个系统如何安排、捆绑和排序订单。调整这些隐性规则可以让你下一餐更有可能热乎且准时送达。

引用: 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

关键词: 外卖延误, 因果推断, 末端物流, 按需平台, 骑手运营