物流業的「搶單」與「派單」，真正差別是訂單如何分配，不是哪一種價格一定比較低。尤其夜間訂單密度低、可用司機少，如果只比較表面接受率，很容易把價格、曝光方式與履約能力混在一起。
先分清楚搶單、派單與市場模式
搶單是把訂單放進訂單池，或同時展示給多名司機，由司機自行選擇，通常由第一位成功接受者取得。搶單不等於競價；如果價格已由平台計算，司機爭取的是承運資格，不是競相報低價。
派單則由平台按照距離、車型、容量、路線、歷史可靠度及即時供需，依序、平行或自動指派給候選司機。派單後仍可讓司機確認，也可以設計為自動接受。
這與單邊、雙邊市場是兩套概念。OECD將線上平台描述為促進兩個或更多相互依賴使用者群體互動的數位服務。但自有車隊也能讓員工搶單，媒合平台同樣可以集中派單，不能從分單方式直接判定商業模式。
價格差別：不是搶單便宜、派單昂貴
搶單與派單都能搭配固定報價、里程計價、夜間加價或動態價格。真正要觀察的是：報酬能否吸引足夠供給，以及加價後是否仍有合理的單位經濟。
搶單模式會直接顯示司機意願：報酬偏低、取件地偏遠、回程不佳或夜間風險較高的訂單，可能長時間無人承接。派單則可透過候選人排序、個別加成或供需價格調整提高接受機率，但也要處理分配公平及演算法透明度。
以Lalamove台灣為例，官方說明司機可以自由挑選訂單，並在接單前查看收入與運送資訊；其條款同時載明22:00至06:59按1.2倍計價。這表示夜間加價可以與搶單並存，不能把「夜間較貴」視為派單特徵。價格與條款查閱日期為2026年7月27日，發布前仍應再次確認。
取消率必須按照階段拆分
平台若只公布一個總取消率，通常不足以判斷機制好壞。建議至少區分：
- 媒合前客戶取消率：媒合前由客戶取消的訂單／有效送單數。
- 無人搶單率：限時內未被承接的訂單／進入訂單池的訂單。
- 派單拒絕率：遭拒或逾時的邀請／有效派單邀請。
- 接單後司機取消率：司機接受後取消／已接受訂單。
- 媒合後客戶取消率：媒合後由客戶取消／已媒合訂單。
- 重新媒合率：需要再次尋找司機的訂單／已媒合訂單。
搶單可利用司機對路況、回程及裝卸條件的在地判斷，因此已被搶走的訂單可能更符合司機偏好；代價是條件差的訂單可能完全無人接。派單能加強整體調度，但單一派單遭拒或逾時後必須重派。叫車研究亦指出，取件距離過遠會提高司機前往期間的顧客取消風險，不過叫車與包裹物流的車型、裝卸及回程條件不同，只能作方向性參考。
轉換率應以完成配送為共同分母
搶單可能讓一張訂單同時被許多司機看見；派單則可能只依序通知少數候選人。因此，搶單的點擊率與派單的單次接受率不能直接比較。
較可靠的共同漏斗是：
完成報價 → 客戶送單 → 限時內媒合 → 司機抵達 → 完成取件 → 完成配送
核心指標應採：
端到端履約轉換率＝完成配送訂單／有效送單數
再搭配5分鐘媒合率、P50與P95媒合時間、平均派單次數、重新媒合率、準時率及各階段取消率。如此才能辨別「接受得快」是否真的轉化為「送得完」。目前沒有台灣物流平台公開可在同期間、同價格下直接比較兩種機制的取消率與轉換率，因此不能斷言哪一種必然較佳。
AI派單要連回收益與成本
AI媒合速度變快，不等於營運成果一定改善。管理上可拆成：
- 完成交易額＝有效訂單數 × 履約完成率 × 平均客單價
- 單筆貢獻利益＝平台營運收入－司機補貼－支付成本－客服、取消補償及理賠等變動成本
自有車隊應特別看載運率、空駛成本、司機工時與每單毛利；雙邊平台則要同步檢查完成交易額、抽成率、補貼、完成率與每單貢獻利益。
AI確實可能創造可量化成果。例如美團的智慧派單研究報告平均配送時間降低20.96%、每單移動距離降低23.77%；Lyft的強化學習媒合研究則估計每年帶來超過3,000萬美元增量營收。但這些外送與叫車案例不能直接當成包裹物流的預期成效。
夜間物流可先測試混合制
夜間低密度市場不必急著在純搶單與純派單之間二選一。可先測試：**演算法篩選小型候選池、平行通知多名司機，逾時後再由人工或保底車隊接手。**這能保留司機選擇權，也降低依序派單造成的等待。
第一階段應固定客戶價格與司機報酬，只比較搶單、單一派單、平行派單及混合制；第二階段再測夜間加價、保底報酬或取消費。由於司機會跨區移動，訂單之間也可能互相排擠，宜按區域與時段進行switchback實驗。
最終決策不能只看接受率。搶單偏向利用司機自主判斷，派單偏向平台整體最佳化；夜間物流真正要找的，是在完成率、取消責任、顧客等待、司機有效時薪、公平性與每單貢獻利益之間表現最好的配置。
來源
- SMEs in the Online Platform Economy（OECD，查閱於2026-07-27）
- 快遞平台服務條款及守則（Lalamove Taiwan，查閱於2026-07-27）
- 司機夥伴接單流程大公開（Lalamove Taiwan，查閱於2026-07-27）
- Satisficing Approach to On-Demand Ride Matching（INFORMS Journal on Computing，查閱於2026-07-27）
- Meituan’s Real-Time Intelligent Dispatching Algorithms（INFORMS Journal on Applied Analytics，查閱於2026-07-27）
- A Better Match for Drivers and Riders: Reinforcement Learning at Lyft（INFORMS Journal on Applied Analytics，查閱於2026-07-27）