摘要：订单履行体系的发展并非依赖单一蓝图，而是随着技术进步与市场需求自然演化的结果。电子商务的兴起让履约环节不再局限于“厂—仓—店”的传统模式，生产加工、仓储配送和零售终端逐渐交织融合，形成跨地域、多层级的动态网络。与此同时，工业软件与自动化技术重塑了信息流与实物流
订单履行体系的发展并非依赖单一蓝图，而是随着技术进步与市场需求自然演化的结果。电子商务的兴起让履约环节不再局限于“厂—仓—店”的传统模式，生产加工、仓储配送和零售终端逐渐交织融合，形成跨地域、多层级的动态网络。与此同时，工业软件与自动化技术重塑了信息流与实物流的边界，推动企业在分工、协同与竞争中不断寻求平衡。面对促销高峰与需求波动，体系必须在成本控制与柔性产能之间找到弹性解法。而在优化层面，局部最优与全局协调的冲突揭示了多方博弈下的隐性成本。整体来看，订单履行体系像一个不断进化的生命体，在边界重构、潮汐波动与优化困境中孕育出新的秩序，未来仍将在不确定性中继续探索与演化。
韩昊
中机数科人工智能专家
德国斯图加特大学硕士研究生。十年工业机器人、工业软件从业经验，长期致力于推动制造业自动化、数字化与人工智能的深度融合，涵盖运筹优化、数字孪生、数据语义等核心技术。将AI算法与工业场景结合，实现生产流程智能优化与决策自动化，提升企业效率与成本竞争力，推动传统制造体系向智能制造生态转型。
系统的演化往往并非源自某个预设的蓝图，而是个体与环境不断适应、相互改造的自然结果。系统的形态既是系统自身需求的表达，也是其生长环境的一种映射。这一演进现象在过去十余年的订单履行体系中体现得淋漓尽致。随着电子商务高速发展与消费习惯快速变化，订单履行已不再是单一的仓储与运输问题，而是演变为一个横跨生产、存储、销售、配送等多环节的复杂体系。它像一个不断演化的生命体，在竞争与协同、约束与突破中寻找新的平衡。
图1 订单履行沙箱模型
订单履行体系的决策执行目标，表面上是实现全链路的最低成本，让消费者以更低代价享受更快捷的服务。但现实中，往往需要在多重约束中寻找平衡：消费者追求更快的体验、企业追求更低的成本，而供应链上下游各方又各自有着不同的“最优解”。理想中的“最低成本+最佳体验”常常被迫让位于“多目标优化”，最终的结果更像是在服务质量、成本控制、可持续性、韧性之间的一种动态平衡。图1是一个简化版的订单履行沙箱模型，沙箱中上部侧重实物流、下部侧重信息流。尽管模型与真实的复杂情况相比并不精确，但本文希望通过一个相对宏观的沙箱模型来帮助厘清上述难题。
边界重构：厂、仓、店的演化与融合
1.厂、仓、店变革融合
系统像生命一样，会伴随时间生长、枯萎、繁衍、复制。命名是定义一个系统最有仪式感的事，但伴随系统自身的发展，系统定义逐渐发生改变和偏离。而对于现代订单履行的供应链体系，“厂”“仓”“店”就是典型例子：存储、加工、运输三道工序在厂仓店中均有体现，产品的流转不再是单一的厂—仓—店—家；伴随生产工艺逐步解耦，即使一个简易玩具所需的物料源头，也能追溯到十几家厂/仓节点，最终汇为一个整体，这就是工业体系自身发展的必然趋势。
（1）“厂不再厂”：生产已不再局限于围墙之内。一个产品的最终加工环节，可能发生在数千公里外的外协工厂，也可能在零售终端上架前的临时处理环节，甚至是餐厅附近“中央厨房”的一道烹饪工序。工厂的边界逐渐外延，演化为跨地域、跨场景的动态网络。
（2）“仓不再仓”：仓不再是一个具象的建筑，可以通过嵌套自行组织成各级形态，小到流水线工位旁的线边料位，大到城市仓群，都可以定义为一个广义仓。靠近生产端的区域有配送中心、靠近消费端的有电商履约仓。仓库的生产模式也自然伴随其定位而差异化，靠近生产端的更倾向于toB类型的整托拣选，靠近消费端的更倾向于toC类型的拆零拣选，而具体的作业模式与商品类型同样强相关，进而涌现出更多的仓库—生产模式组合（如图2所示）。
图2 与位置高度关联的体系节点模式差异
（3）“店不再店”：传统商业区门店受制于房租影响，逐渐倾向于低库存化，甚至成为只有展品没有商品的体验店；大型商超则伴随迁离市中心而逐步承载起“仓”的职能，“店仓一体”“前店后仓”的模式让购物如同进仓；而更多的消费转移到线上的虚拟店，可能某个用户选购的多种虚拟店铺的商品其实都发货于自家小区的地下室“前置仓”。
2.订单履行体系产业链版图的演化与融合
体系布局的调整并不是孤立自发完成的，而是伴随更多的履约合作分工模式同步产生的，二者相互影响，协同进化。从最初企业包办“采产存销运”的1PL模式，到企业外包运输的2PL模式，再到中间仓储发货运输全部委外的3PL，甚至还衍生出协助企业管理多头3PL的4PL模式以及仍在探索的5PL模式。整个产业体系已经高度分工，且存在由多个分工组合而成的多类型企业。某些知名品牌厂商由于物流能力出色，反而会弱化自身生产，靠品牌、物流体系和贴牌供应商来支撑业务版图。同样还有自建物流体系的电商平台，其物流业务还可以提供对外服务。另外，伴随前置仓向社区的进一步前置，外卖配送开始渗入电商平台和快递业务。当供货体系和物流体系都建立起完善便捷的服务后，还催生了以自媒体品牌为主导的销售链路，自媒体网络达人直播带货，短期内就能产生大批消费，而自媒体方几乎不用管理任何制造和物流。以上种种变化的涌现，并非一方催生了另一方，而是二者共同发展，相互影响的结果（如图3所示）。
图3 订单履行体系中的分工差异
3.工业软件功能边界的演化与融合
在整个订单履行体系中，有物理世界中的生产园区、物流园区、纵横交错的路网和五花八门的交通载具，更有成千上万的从业人员。驱动这一宏大体系的，是幕后的各类工业软件，作为分布式的大脑辅助参与决策着体系的运转；无数布设在建筑内、设备中的各类传感器，在实时检测着这套体系的运转，为决策提供信息支撑。伴随体系的演化、边界的消失与重建，除了实物体系的变化，还有一整套软件体系也在伴随履约需求的变革，同步发生着模式的重组。大部分生产制造、仓储管理、物流配送软件在早期均只是单一流程、基于规则的业务实现，传统制造企业基本按照ERP—MES—WMS—TMS逐步驱动的模式进行。然而，随着产业结构变化，软件体系的边界也逐渐模糊，对于大部分中小型企业，起步阶段基本只会围绕几个功能点建立数字化体系，伴随业务扩张的过程，也更倾向于扩充已有的独立软件业务。这就导致很多企业的软件实际早已超出其原有定义的职能范围。另一层面，业务本身的边界扩展，或是新自动化方案的出现，也对原有的工业软件定义提出了更高要求。
这一过程中既有需求又有阻力：系统为了支撑更多业务，就需要获取其他系统的数据，除了数据安全性，实时性也会影响最终的决策效果。如果A系统不仅要获取B的数据，还要输出决策给B执行（比如订单中心基于各仓的库存来决策各仓生产），这种场景下A与B原有的功能就产生了部分重合。如何使B既能保障自身独立业务运转，又能动态兼容A的适配就成为双方最大的难点。按传统软件设计规范，这类耦合是要坚决杜绝的，但出于企业沿革的沉没成本或是工期问题，实际应用中这类问题经常发生。
当现象成为常态，就是规则被改写的时刻。以先进规划与排程系统APS为例，大部分企业的生产决策依赖于少量规则（如各维FIFO），决策过程中也几乎不会考虑参与设备、人员、生产的全局即时状态，因此寄希望于追加APS解决方案来降本增效。然而，APS在落地过程中经常会遇到基础数据不全、计划执行率低等普遍问题，因此催生了整体MOM方案建设需求。再如传统WMS，为实现对自动化生产更强的掌控与兼容，催生了WES理念。对于这一理念，部分观点认为是WMS向执行设备管控的延伸，主体仍为WMS；另一方的观点则认为，WES是配合WMS进行生产执行的适配方，主体为仓储生产执行管理。
这种定义的模糊与边界的碰撞，在发展尚未趋于平缓前频繁发生在任何两个系统对接的地方，主要体现在系统间在数据、功能上的责权模糊。然而，对于很多企业而言，“适合”的意义要远大于“标准”。而真正的“标准”，还需要市场和技术进一步的碰撞和沉淀。
潮汐波动：时间与空间上的负载挑战
1.时间潮汐
以“双11”为代表的各类大促，曾是电商平台和物流市场的狂欢。就物流体系的负载来看，大促可称为是“一场负载的灾难”，如同夏季的用电高峰之于电网体系。在网购刚崛起时，曾经有个粗略的估计方法：当年“双11”快递业务量的峰值，几乎是次年全年业务量的均值。这种增长对行业来讲是难得的爆发期，但对于物流体系则是一种灾难。先不谈每年绞尽脑汁的产能扩张，一个生产体系从规划、建设、具备战斗力到优化至最优态，由按年计算被迫变为按月规划。另一方面，如果以大促为目标规划，日常就会产生大量设备、人员闲置浪费；但如果只考虑均值产能，大促时不光接不到“泼天富贵”，还面临爆仓、延期罚款、客户流失等等种种后果。潮汐产能带来的不仅是简单的取舍问题，而是深层次的结构性矛盾。
为应对这种波动，企业往往将部分产能设计为“柔性产能”：通过多功能设备实现快速换产、利用模块化仓储降低改造成本，或依赖临时租赁与劳动力调配提升交付弹性。这些方式虽然无法完全消解潮汐效应，却能在一定程度上缓冲高峰冲击。在市场高速发展阶段，解决明年不被淘汰的优先级要远远高于其他长期考量。
2.空间潮汐
除了时间上的潮汐，还有空间上的潮汐：同一工序会存在多个“服务站”并行生产，如月台、工位、机台，同时进行某一批次生产作业。这些“服务站”彼此间的均衡也面临着平衡性的选择。在物流周转过程中，任何一次货物对接（落地）都会产生成本，“服务站”两侧的运输体同时抵达对接处的概率极低，因此要么产生等待成本，要么产生缓存成本。
极端的等待成本就是一侧始终提供一个对接资源，保障另一侧的运输可以被持续服务；而缓存成本除了体现在缓存空间的占用外，某些情况下缓存区的管理甚至会衍生临时微仓的场景。其中，等待成本就体现在“服务站”的潮汐现象上。底层原理上，离散产能的分配都无法逃离“排队论诅咒”，存在“等待—利用率—延迟”不可能三角。也因此，在抵达时间误差较大、运输任务路程差异较大的情况下，产能最大化注定无法与资源均衡利用划等号。对于设备来说，这种差异性可能导致损耗倾斜，而对于按件/里程计酬的岗位，人员管理则面临更高的要求。
以最为常见的人工快递分拣为例，线体上游人员相较于下游人员有更强的选件自由，可以优先挑选较轻的快递，那么在工资计算上就需要考虑重量的影响，而不能单纯以计件方式考核。正是因为所有企业都面临着相同的问题，能解决好潮汐问题就能占据更大的成本优势。而长周期的潮汐适配能力，更是需要时间才能验证，“潮水退去，才知道谁在裸泳”。
优化困境：局部利益与全局协调的博弈
优化问题是运筹学的重要分支之一，核心在于求解动态条件下的最优资源分配，以使成本最低。如订单落库、设备任务分配、货位空间分配、车辆和道路的路径路权分配，都是订单履行体系中必须面对的优化问题。前文提到的潮汐问题，更是综合了多种资源进行动态分配的高阶难题。解决好资源分配，就可以大幅提升资源利用率从而降低成本。在一个订单的完整履约链路中，可能面临数十次优化问题，即使每个环节仅仅优化1%，经历50次优化便会带来大约64%的提升。
然而，仓储物流体系中的优化问题，绝大部分是排列组合类的优化问题，比如：若干托盘的货物用有限的车辆，如何最快覆盖所有收货节点；几类不同产品的生产计划，如何分配产线及物料。这类问题的计算复杂度是阶乘级的，更精确的说法是“超指数级”的。举一个简单的例子，从1000个订单中选出10个，排列组合约2.63×1023种。求解10个订单终点连接的路径最短，仅能得出“局部最优”解，即便找到“全局最优解”，也无法证明这是“全局的”。因为这就要把所有组合都计算一次才有可能，而即使使用每秒万亿级算力的服务器也需要8000多年，这也是实际应用中只能大量依靠启发式算法和局部最优解来支撑决策的原因。而越是效果好的求解方式所需的求解时间越长，为保证生产稳定性与系统决策的响应速度，此类决策往往需要在百毫秒级别给出结果，也间接降低了决策实际可搜索的空间。
刨除计算量和优化效果，更大的困难在于不同体系进行优化决策时的囚徒困境上。如前文所述，整个体系中不同企业提供不同的服务，每个独立的服务都要求解各自的最优配置以实现自身的成本最低，上下游必然会产生明显的冲突。比如，一家连锁便利店与一家3PL服务商合作，为便于装卸，连锁便利店希望3PL服务商按卸货点次序将商品装车，这类需求对3PL服务商会产生大量额外的拣选成本，因为按序拣选必将造成拣选路径变长或是最终订单集货排序工作增加，甚至被迫影响自己其他客户的发货来满足这一诉求。在这类问题上，甲方往往掌握更强的话语权。但最终整体的物流成本上，节省的卸货成本未必高于因按序拣选而增加的成本。这种博弈反而会造成整个物流环节成本的上升。
图4 简化场景下博弈产生的隐性成本
同样的问题在路径规划层面更为明显，每个体系都只会在自身内部寻求最优，局限性限制了跨体系全局最优实现的难度，造成额外的“博弈隐性成本”（如图4）。体系越是割裂，这种隐性成本就越高。因此有些企业才会希望通过自建订单履行体系，掌握全局的运筹决策。又或是在此之上衍生出4PL甚至5PL模式，拉齐决策链路，从而实现决策的一致性。
小结
以上种种变革是整个工业体系伴随订单履行业务环境改变自发进化的过程。进化，就存在着优胜劣汰，过去十几年的发展过程中，很多设想被市场证明其适用性过窄或过于超前而昙花一现，如社区团购、大一统的机器人调度服务化、无人驾驶干线物流车队等理念。而当下的体系模式也注定不是终局，在瞬息万变的环境下，未来充满机遇与挑战，订单履行体系也将不断被重塑和优化。
来源：物流技术与应用杂志