链上镖师 / Chain Biaoshi
EJOR|在线零售订单分配：履约决策分类与研究框架
从61篇文献梳理OAOR问题边界、联合决策扩展与求解策略图谱
这篇EJOR综述把线上零售订单分配问题统一为订单行到履约节点库存的动态匹配，并用61篇文献建立问题维度和求解策略分类。
- 01：研究对象是Online Order Allocation in Online Retail，简称OAOR，关注真实订单到达后如何把每个订单行分配给有库存的履约节点。
- 02：作者从Scopus、Web of Science、Google Scholar等来源筛选文献，最终纳入61篇文章，检索范围截至2024年4月11日。
- 03：论文给出基准模型、扩展决策版图和策略分类，强调未来研究需要更清晰的策略基准测试和更丰富的动态场景比较。
研究背景
线上零售正在改变配送网络的运行方式。论文开头指出，零售电商近期约占全球零售销售额20%，预计到2026年约达24%，规模超过8万亿美元。对零售商而言，订单不再只由单一仓库处理，门店、线上仓和全渠道配送中心都可能成为履约节点。
OAOR的核心场景来自这种全渠道履约网络：客户下单后，系统需要根据各节点库存、履约成本、时效和后续订单影响，把订单行分配给一个或多个可履约节点。该决策会影响库存状态、配送路径、客户等待时间和后续需求承接能力。
文献收集与筛选流程，来源：Fig. 1。作者用数据库检索、补充检索和资格审查确定综述样本，最终纳入61篇OAOR相关文献。
这篇综述的价值在于统一命名和分类。已有论文使用fulfillment optimization、source assignment、order routing等不同叫法，研究对象和约束也不完全一致，导致管理问题、模型边界和方法贡献难以横向比较。
核心问题
作者把OAOR界定为运营层面的已实现需求分配问题。纳入研究必须优化真实订单的分配，并确保被选中的履约节点拥有相应库存。战略选址、基于预测需求的分配、没有跟踪库存状态的供应商选择或多智能体匹配问题，均被排除在本文综述之外。
01订单到达方式：逐单决策、单周期批量决策、多周期批量决策。
02订单结构：单商品、多商品、单件、多件等不同订单组成。
03履约节点：线上配送中心、门店、全渠道配送中心可能共同参与。
04目标函数：常见目标包括履约成本、运输成本、等待成本、库存持有成本和客户商誉损失。
环境、决策与目标维度汇总，来源：Table 2。表中把未履约、延迟分配、库存补货、定价、订单拣选、装箱、合单、路径和履约模式选择纳入同一问题版图。
论文强调，订单分配经常与其他运营决策耦合。例如，平台可能同时决定价格和履约节点，门店库存既服务线下顾客也服务线上订单，订单合单和配送方式会改变运输成本。OAOR因此成为库存、需求和履约流程之间的连接决策。
方法框架
在基准模型中，时间被划分为若干周期，每个周期有一批订单到达。模型决策变量表示订单o中商品i的需求量分配给履约节点j的数量，库存状态变量记录每个商品在每个节点、每个周期结束时的剩余库存，目标是最小化给定履约成本函数。
OAOR基准模型的索引、变量与参数，来源：Table 1。符号表把订单、商品、履约节点、到达周期、库存状态和履约成本统一到一个可扩展的优化语言中。
1订单在周期t到达，系统识别每个订单行的商品需求。
2模型筛选能够履约该商品或订单的节点集合，并检查对应库存。
3分配变量决定需求量进入哪个履约节点，库存约束保证库存不为负。
4目标函数汇总履约成本，也可叠加延迟、库存、定价、合单和退货等扩展成本。
该基准模型只处理订单行到库存节点的分配。论文随后通过删除或扩展基准假设，引入延迟分配、虚拟履约节点、主动补货、库存调拨、产品定价、订单拒绝、替代、拣选、装箱、合单、路径和履约模式选择等更复杂场景。
案例或实验设置
这篇文章是系统综述，案例设置体现为文献样本和分类口径。作者设置六条纳入标准，包括研究必须处理线上零售或全渠道零售订单，必须是运营层面的实际需求分配，必须保证分配节点有库存，文献语言为英文，检索范围截至2024年4月11日。
检索阶段覆盖Scopus和Web of Science，检索式同时包含online、omnichannel、multichannel、retail、order、fulfil、allocate、assign、route等术语。Google Scholar用于补充2020年及之后的近期论文，帮助纳入尚未进入主流索引的相关研究。
OAOR文献按问题维度分类，来源：Table 3。该表展示不同研究在逐单、单周期批量、多周期批量，以及库存、需求和履约流程扩展上的覆盖情况。
最终样本为61篇文章。作者在结论中指出，其中超过75%的文献发表于2020年以后，说明线上与全渠道订单分配已经成为近年运筹与运营管理研究中的活跃议题。
结果分析
综述结果显示，OAOR研究已经形成多个分支。逐单决策研究常处理实时到达订单和动态库存状态，批量决策研究常用于拣货波次或装箱、合单、运输等联合优化。多商品订单、门店发货、全渠道配送中心和主动拒单等设置会显著增加问题复杂度。
纳入文献
61篇
系统筛选后构成OAOR综述样本
近期文献占比
超过75%
发表于2020年以后
OAOR文献按策略类型分类，来源：Table 4。作者按直接决策近似、价值函数近似、成本函数近似、策略函数近似和学习方法整理求解路线。
在策略层面，作者指出DLA、VFA、CFA、PFA等方法各有适用场景，已有研究的比较经常局限在作者自建的简单策略或上下界策略之间。论文特别强调，现有证据尚不足以说明哪些问题特征会让某类策略稳定优于其他策略。
✓动态逐单和多周期批量场景需要判断短视策略与非短视策略的差距。
✓论文建议未来研究把新策略同既有代表性方法比较，而非只同简单启发式比较。
✓价值函数难估、前瞻近似误差大、订单多商品耦合强等因素，可能决定策略选择。
管理启示
对线上零售和全渠道零售企业而言，订单分配不应只看当前订单的最低配送成本。每次分配都会改变网络库存状态，影响后续订单可用库存、门店服务能力、配送承诺和客户等待体验，因此需要把库存状态作为实时决策的关键输入。
论文的扩展维度提示企业梳理自身履约边界：是否允许延迟分配，是否使用虚拟节点承接缺货订单，是否把定价、展示排序、订单拒绝、替代、装箱、合单和履约模式选择一起优化。这些选择决定模型复杂度和可实施策略。
这篇综述给管理者的直接启发是：先用统一框架确认订单、库存、节点和履约目标，再选择策略复杂度。简单规则适合稳定且低耦合场景，动态库存、多商品订单和多履约节点并存时，需要更强的前瞻或学习型策略评估。
作者提出的未来研究方向包括订单特定的分配延迟、更多强化学习和深度强化学习方法、以及系统化策略基准测试。对企业试点来说，这意味着算法上线前需要建立可复用的场景集、对照策略和绩效指标，才能判断方法提升来自模型能力还是特定样本设置。
论文：Order allocation in online retail: Classification and literature review
作者：Sérgio Vasconcelos，Gonçalo Figueira，Bernardo Almada-Lobo
期刊：European Journal of Operational Research
链上镖师、先卜交通、先卜运筹通用论文ID
保存此推文 ID，可在粉丝群内获取相关材料，未来更多功能敬请期待
先卜科技团队：常文婕、张巧巧、王一航、夏子帆、张晓乐、祁园园、张仁义
