一家咖啡店能不能活，三分看产品，七分看位置。
那两千家呢？位置之外，还多了一个更贵的问题：每天 450 吨物料，从中心仓送到 2500 家门店，这条配送网络该怎么织？
前者是选址问题，后者是网络设计问题。两件事在传统连锁企业里通常由两套人马、两摊经验分别解决——选址团队看人流、看竞品、看租金；物流团队凭经验设仓、派车、划片区。规模到几百上千家店时，经验就会同时碰到两堵墙：选址靠感觉，对错要一年后才知道；配网靠经验，成本却每天都在发生。
我们最近做了一套系统，把这两件事放进同一个优化框架里一次算清。下面先用一个模拟案例看结果，再简单聊聊背后的技术思路。
先看结果：一座"合成城市"里的 2500 家店
为了验证系统，我们生成了一个可复现的模拟城市：由若干高斯"商圈中心"与主干道走廊构成的人群密度场，叠加 400 家竞争门店，然后让系统回答两个问题——
问题一：门店开在哪、分几档、各自能挣多少钱？
系统在密度场上完成了 S/A/B/C 四级门店布局：
- 共 2500 家门店：S 级 500 家、A 级 750 家、B 级 750 家、C 级 500 家；
- 全网日营收合计 3071 万元；
- 等级之间的营收差距清晰反映了"位置即定价"：S 级店平均日营收 25,629 元，最好的单店做到 53,407 元/天，是 C 级店平均水平的 5 倍多。
每一家店的营收都不是拍出来的，而是基于 Huff 重力模型测算：顾客选哪家店，取决于这家店的"吸引力"（面积、品牌、可见度）除以距离衰减，再和周边所有竞争者（包括那 400 家竞对门店）瓜分同一块人流。也就是说，这个营收预测从第一天就把"隔壁开了家竞品"算进去了。
问题二：货从哪来、经过谁、走哪条路？
系统给出了 16 个卫星仓的两级配送方案——中心仓用卡车跑一级干线，卫星仓用厢货做二级短驳：
- 16 个卫星仓（全部为 L 档，单仓容量 40 吨/天），合计吞吐 450 吨/天，恰好等于 2500 家门店的配送总需求；
- 每个仓平均服务 156 家门店，仓间负载高度均衡，6 个仓被压到接近满载——没有闲置的仓，也没有过载的仓；
- 全网配送总成本 137,751 元/天，仅占全网日营收的 0.45%。
把选址和配送叠在一张图上看，是这样的：
紫色虚线是卡车干线（中心仓→卫星仓），浅色细线是厢货短驳（卫星仓→门店）。人群密度高的地方，门店密、卫星仓也密；密度低的外围，靠少量仓辐射大片区域。仓的位置不是行政区拍的，是需求喂出来的。
这套东西还能用在哪？
方法本身与咖啡无关——任何"前端密集布点 + 后端多级配送"的生意，都踩在同一个问题上。几个典型的应用场景：
- 连锁餐饮 / 咖啡茶饮的扩张规划。 这是最直接的场景。每年开多少店、开在哪个商圈、旗舰店（S 级）与档口店（C 级）怎么配比、竞对在旁边开店时营收会被分流多少——这些过去靠加盟商经验和层层汇报的决定，可以变成一张带营收预测的排序清单。
- 即时零售与前置仓网络。 生鲜、日百前置仓的"选址 + 大仓→前置仓→用户"结构，与本案例的"中心仓→卫星仓→门店"几乎同构。区别在于配送对象从门店变成网格，但覆盖模型（MCLP）和两级网络优化的骨架可以原样复用。
- 连锁药店的分级布点 + 共同配送。 药店有明确的社区覆盖逻辑，且对配送时效敏感。覆盖模型保证服务半径，网络层决定区域仓数量与配送线路，特别适合"多而散"的县域市场。
- 社区团购 / 快消品经销商的片区重构。 传统经销商划片区往往沿历史边界，系统可以按真实需求重新切分：哪些片区该设共配中心、中心开什么档位、每条线路用什么车型，直接给出成本可比的方案。
- 城市物流与"最后一公里"政策评估。 两级网络（大车进城难→卫星仓换小车）正是很多城市共同配送试点的结构。这套模型可以用来评估"设多少个转运节点、设在哪儿、能省多少车公里"。
共同点是：点上的决策（开不开、开哪儿）和线上的决策（仓、车、路）在同一个成本口径下一起算，避免"选址赢了营收、配送却吃掉了毛利"。
技术方案：一句话版 + 三层拆解（不感兴趣可跳过）
选址用"覆盖 + 营收"双模型打分，配送用"选址-路径分解迭代"，全部用成熟的运筹优化求解器在分钟级完成。
具体来说：
|
层 |
干什么 |
用的模型 |
|
选址层（L1） |
从候选点中选点，最大化人群覆盖，并用 Huff 模型预测每个点的期望营收、考虑竞争分流，输出排序清单 |
最大覆盖选址模型（MCLP，1974 年的经典模型）+ Huff 重力模型 + 贪心序贯选址 |
|
网络层（L2） |
决定卫星仓的数量、位置、容量档位，以及"中心仓→卫星仓→门店"两级路径 |
带容量约束的仓库选址问题（CWLP）+ 两级车辆路径问题（2E-VRP） |
|
耦合层 |
L2 算出的真实路径成本反馈回 L1 的选址打分，迭代到总成本收敛 |
类似 Benders 分解的主-子问题迭代 |
工程上有几个值得说的选择：
- 不求花哨，求可复现。 求解器用的是 Google 开源的 OR-Tools（CP-SAT + Routing），选型结论很明确：这个规模（候选点几百、门店几千）用精确 MIP + 启发式已经足够，不碰深度学习。所有测试实例带固定随机种子，任何人重跑结果逐点一致；
- 两级 VRP 没有现成模型（OR-Tools 不内置两级问题），我们把"卫星仓选址分配（MIP）"和"两级路径（分别解 CVRP）"拆开交替求解，用真实路径成本不断修正主问题——这是学术界 2E-LRP 问题的主流工程化解法；
- 运输方式可选。 仓有小/中/大三档（固定成本↑、单位成本↓），车有卡车/厢货/新能源等车型，求解器自动为每条线路选成本最低的合规组合；
- 距离可升级。 当前 demo 用欧氏距离×1.3 绕行系数，接口预留了 OpenStreetMap 真实路网（OSMnx），换真实城市数据时无需改模型。
技术调研的完整脉络（从 Church & ReVelle 1974 到 2025 年的大规模 2E-LRP）另有专文，这里不展开。
从 Demo 到落地，差三份数据
这个 demo 用的是合成数据，换到真实业务只需要替换三个输入：
- 人群密度（GeoJSON）：手机信令、外卖订单热力、POI 客流均可；
- 候选点清单（CSV）：租金、面积、可见度、竞品标记；
- 成本参数（JSON）：仓的固定成本与档位、车型与里程成本、单店日配送量。
输出是两张清单：一张排序的选址推荐表（每个候选点的覆盖量、期望营收、竞争分流比例），一张配送网络方案（卫星仓位置+档位、每仓服务哪些店、两级路径明细、成本构成）。从数据进去到地图报告出来，标准规模 5 分钟内跑完。
写在最后
连锁扩张的竞争，表面是门店数量的竞争，背后是决策质量的竞争。同样 2500 家店，选址清单多覆盖几个高价值商圈、配送网络少开两个不必要的仓，一年省下的成本和改善的营收，可能就是利润表上最实在的那几行。
经验仍然重要——但经验最好的用法，是教会模型，然后让模型在凌晨四点把全城 2500 个点的方案算完。
本文转载自久章智能微信公众号（原文发布于 2026-10-16），内容保持原貌。扫码关注公众号「久章智能」，第一时间获取智能决策系列文章。阅读原文 ↗