読了目安 8分

配車の最適化は、アルゴリズムより「制約」で決まる

輸送力不足を前に配車・庫内計画へのAI導入が語られるが、非効率の多くは計画の外にある制約から生まれている。予測・計画・調整の3層で最適化とAIの役割を分け、荷主と一体で制約を設計し直す道筋を示す。

  • 荷待ち・荷役時間の短縮と積載効率の向上に国が数値目標を置いた一方、配車計画の最適化に取り組む荷主は半数に満たない。
  • 配車と庫内計画では、予測は機械学習、計画は数理最適化、例外と取引先との調整は人と生成AIが担う。3層を混同しない。
  • 計画の質を決めるのは、受渡し時刻や出荷準備といった計画の外の制約である。制約をデータにし、荷主と一体で設計し直す。

輸送力の不足は、もはや将来の懸念ではなく、経営計画の前提です。国土交通省の検討会の提言骨子(案)は、2024年度には約14%、2030年度には約34%の輸送能力が不足すると推計されたことを受けて官民の取組が進められ、2024年度の不足は概ね解消できたものの、2030年度の不足を乗り越えるには更なる対策が必要だとしています。[4] 同じ資料は、デジタル技術を活用した業務効率化の施策として「AI等を活用した配車・運行計画の最適化」を挙げています。[4]

国は数値目標も置きました。改正物流効率化法の概要は、施行後3年で(2019年度比)荷待ち・荷役時間を年間125時間/人削減し、積載率の向上によって輸送能力を16パーセント増加させることをKPIとしています。[1] 荷主向けの判断基準の解説書は、近年40パーセント以下の水準で推移してきた積載効率を、令和10年度までに全体の車両で44パーセントへ引き上げることを目標に掲げ、荷主等は1回の受渡しごとの荷待ち時間等を原則1時間以内に設定し、やむを得ない場合を除き2時間を超えないよう短縮するものとしています。[2]

こうした目標を前に、配車システムやAIの導入を検討する企業は増えています。しかし、ツールを入れれば配車が良くなるという前提は疑うべきです。配車と庫内計画の質を決めているのは、アルゴリズムの性能よりも、計画に与えられる「制約」の質です。 本稿では、最適化とAIの役割を整理したうえで、経営が制約そのものを設計し直すべき理由を論じます。

非効率の多くは、計画の外で生まれている

配車担当者が毎朝向き合っているのは、純粋な計算問題ではありません。どの車両に何を積み、どの順に回るかを決める前に、受渡しの時刻、出荷準備の完了時刻、荷姿、バースの空き、ドライバーの拘束時間といった条件がすでに決まっています。計画の余地は、その残りの部分にしかありません。

判断基準の解説書が、荷待ち時間の短縮で重点的に改善すべき例として挙げるものを見ると、その多くは配車の計算ではなく、計画の外にある運用の問題です。トラックの到着時刻に出荷準備が終わらないことが多い運行、先着順で積卸しを行っているために受付開始前にトラックの到着が集中しがちな施設、荷役場所や作業順が明示されていない施設などです。[2] 解説書は、こうした例の一部は従来の運用の見直しによっても改善が期待されるとしています。[2]

取組の実態も、この見立てと整合します。国土交通省・経済産業省・農林水産省が令和7年度に実施した調査(荷主・連鎖化事業者約1,600社、トラック事業者約6,300社、倉庫業者約1,000社が回答)によれば、荷主が判断基準を踏まえて実施している取組のうち、「リードタイムの確保」は85%、「関係部門間の連携の促進」は83%に達しました。[3] 一方で、「配車計画・運行経路の最適化」は44%、「バース予約システムの導入」は24%と、実施率が5割以下の取組に挙げられています。[3]

判断基準を踏まえた取組主体実施している割合
リードタイムの確保荷主85%
関係部門間の連携の促進荷主83%
配車計画・運行経路の最適化荷主44%
配車システムの導入等による配車計画・運行経路の最適化トラック事業者46%
荷主等との協議による配送の共同化トラック事業者48%
バース予約システムの導入荷主24%
バース予約システムの導入倉庫業者17%

出典:国土交通省・経済産業省・農林水産省「物流効率化に向けた荷主・物流事業者の取組状況の調査結果について」をもとにDeer作成。一部の施設・発注で実施している場合を含む [3]

同じ調査は、物流事業者は単独で取り組める項目の実施率が高い一方、関係者との連携を要する取組や設備投資を伴う取組の実施率は低い水準にとどまるとまとめています。[3] 配車の最適化が進まない理由は、計算手法の不足ではなく、計画の前提となる条件を複数の主体で動かせていないことにあります。

最適化とAIは、解いている問題が違う

「AIで配車を最適化する」という言い方は、性格の異なる技術をひとまとめにしています。配車・庫内計画で使われる技術は、次の3つの層に分けて考えるべきです。

  • 予測の層:明日の物量、方面別の出荷量、作業にかかる時間、道路の混雑を見積もる。過去の実績からパターンを学ぶ機械学習が得意とする領域です。
  • 計画の層:予測と制約を入力に、車両の割当て、配送の順序、バースの割当て、庫内の人員配置を決める。条件を満たす解の中から最善を探す数理最適化の領域です。
  • 調整の層:急な追加注文、車両の故障、取引先との時刻の調整など、計画どおりに進まない事態に対応する。ここでは人の判断が中心で、生成AIは状況の要約、代替案の提示、連絡文の作成で人を支えます。

3つの層を混同すると、投資の判断を誤ります。たとえば、計画の層の課題に予測の精度向上で応えようとしても、受渡し時刻の制約が固定されたままなら、結果はほとんど変わりません。逆に、物量の予測が粗いまま最適化のエンジンだけを高度にしても、入力の誤差が計画の誤差としてそのまま現れます。

とくに注意すべきなのは、生成AIに計画の層を任せることです。配車には、拘束時間、車両の積載量、受渡しの時間帯といった、必ず守るべき条件があります。こうした条件を厳密に満たす解を探すのは最適化の役割であり、文章を生成するモデルに直接委ねる設計は、条件違反を見落とす危険を抱えます。生成AIは計画を作る主体ではなく、計画の前後にある調整と説明を担う位置に置くのが妥当です。

制約を「データ」にしなければ、最適化は働かない

数理最適化は、与えられた制約の範囲でしか最善を探せません。そして多くの現場では、その制約がデータになっていません。受渡し可能な時間帯は担当者の記憶にあり、荷姿は伝票の備考欄にあり、施設ごとの待機の実態は誰も測っていない。この状態で最適化のエンジンを導入しても、制約は配車担当者の頭の中で補われ続けます。

制度の側も、まず測ることを求めています。判断基準の解説書は、荷待ち時間と荷役等時間の算定方法を示したうえで、荷主自身がその時間を把握し、どの程度改善する必要があるかを認識することが重要だとしています。[2] 先の調査では、「物流効率化に向けた取組状況・効果の適切な把握」を実施している割合は荷主で78%、トラック事業者で86%、倉庫業者で83%でした。[3] 把握は進みつつあります。次の課題は、把握した実態を、配車と庫内計画が参照できる制約のデータとして持つことです。

制約をデータにする対象は、次の4つに整理できます。

  • 時刻の制約:受渡し可能な時間帯、出荷準備の完了時刻、ドライバーの拘束時間と休息。
  • 場所の制約:バースの数と予約の状況、施設ごとの待機と荷役の実績時間。
  • 荷の制約:荷姿、パレットの有無と規格、積み合わせの可否。
  • 取引の制約:受渡しの条件として契約で決まっていること、交渉で変えられること。

最後の「取引の制約」が要点です。制約の中には、物理的に動かせないものと、商慣行として固定されているだけで交渉次第で動かせるものが混在しています。両者を区別して記録しておかなければ、最適化は動かせる制約まで所与として扱い、改善の余地を見逃します。

荷の制約についても、標準化が進みつつあります。調査では、荷主の「パレットの使用」は74%、「標準仕様パレット(いわゆるT11型)の使用」は61%で、「物流データの標準化等による多様な主体との連携の円滑化」は荷主で66%、トラック事業者で57%、倉庫業者で64%でした。[3] 荷姿とデータの形式がそろうほど、制約は計画のエンジンが扱える形に近づきます。

庫内計画と配車は、ひとつの問題として解く

配車の計画と庫内の計画は、多くの企業で別々の部署、別々のシステムで立てられています。しかし、両者は同じ時刻の制約でつながっています。トラックの到着に出荷準備が間に合わなければ荷待ちが生まれ、準備を早めすぎれば庫内の作業が前倒しで詰まります。判断基準の解説書が、到着時刻の後ろ倒しか出荷準備の前倒しによる荷待ちの短縮を重点例に挙げているのは、まさにこの接点です。[2]

庫内の側は、まだ自動化と計画の余地を残しています。調査によれば、倉庫業者の「検品の効率化」の実施率は35%、「無人搬送車の導入等による作業の自動化」は12%でした。[3] 庫内の作業時間が読めなければ、出荷準備の完了時刻も読めず、配車の計画は安全側に余裕を取らざるを得ません。庫内の作業実績を計測し、作業時間の予測を配車の計画に渡すことが、両者を一体で解く第一歩になります。

一体で解くといっても、最初から大きなシステムを構築する必要はありません。たとえば、出荷の多い拠点に絞って、方面別の出荷準備の完了予定を配車側に共有し、到着の予約枠と結びつける。この接点を一つつくるだけでも、計画の前提は大きく変わります。

経営が決めるのは、最適化の「目的」である

最適化のエンジンは、何を良しとするかを与えられて初めて解を出します。輸送コストを最小にするのか、荷待ち時間を最小にするのか、積載効率を最大にするのか。これらは互いに衝突します。積載効率を上げるために積み合わせを待てば、リードタイムは延びます。荷待ちをなくすために車両を多めに手配すれば、コストは上がります。どの目的をどの重みで追うかは、配車担当者が決めるべきことではなく、経営の判断です。

制度は、この判断を経営の責任として位置づけました。改正物流効率化法は、一定規模以上の荷主を特定事業者として指定し、中長期計画の作成や定期報告を義務づけ、そのうち荷主には物流統括管理者の選任を義務づけています。[1] 物流は、現場の運用の問題から、役員が目標と手段に責任を持つ経営の問題になりました。

AIや最適化への投資も、この文脈で評価すべきです。システムの導入そのものではなく、荷待ち・荷役時間、積載効率、リードタイムといった国の目標とも重なる指標が、どれだけ動いたかで成果を測ります。

次の一手:取り組みの段階に応じて

  • これから配車・庫内計画の見直しに着手する企業:システムの選定より先に、主要な拠点で荷待ち・荷役時間と出荷準備の完了時刻を計測します。そのうえで、制約を時刻・場所・荷・取引の4つに分けて棚卸しし、交渉で動かせるものに印を付けます。
  • 配車システムを導入済みで、効果が頭打ちの企業:エンジンの性能を疑う前に、入力されている制約を見直します。担当者が手で補っている条件をデータにし、動かせる制約を取引先と協議の対象にします。予測の層と計画の層を分けて、どちらの誤差が結果を左右しているかを確かめます。
  • 全社で物流の最適化を進める段階にある企業:物流統括管理者のもとで、最適化の目的と指標の重みを経営として定めます。配車と庫内の計画を時刻の制約でつなぎ、調整の層では生成AIを使って例外対応と取引先への連絡を標準化し、人の判断を必要なところに集中させます。

配車と庫内計画の高度化は、アルゴリズムを選ぶ話から始まりがちです。しかし、成果を分けるのは、計画に何を与え、何を動かせるものとして扱うかです。制約を設計し直す力は、システムではなく、荷主と物流事業者をつなぐ経営の側にあります。

Deerは、配車・庫内計画の課題の整理から、予測・最適化・生成AIの役割分担の設計、システムの実装と定着までを支援しています。どの制約から見直すべきか、現状の棚卸しからご相談ください。

  1. [1]国土交通省『流通業務の総合化及び効率化の促進に関する法律及び貨物自動車運送事業法の一部を改正する法律(概要)』(2024年)
    https://www.mlit.go.jp/seisakutokatsu/freight/content/001984727.pdf(2026年11月18日閲覧)
  2. [2]国土交通省『荷主の貨物自動車運送役務の持続可能な提供の確保に資する運転者の運送及び荷役等の効率化に関する判断の基準の解説書』(2026年3月)
    https://www.mlit.go.jp/seisakutokatsu/freight/content/001984869.pdf(2026年11月18日閲覧)
  3. [3]国土交通省・経済産業省・農林水産省『物流効率化に向けた荷主・物流事業者の取組状況の調査結果について(令和7年度)』(2026年)
    https://www.mlit.go.jp/seisakutokatsu/freight/content/002011304.pdf(2026年11月18日閲覧)
  4. [4]国土交通省『2030年度に向けた総合物流施策大綱に関する検討会 提言骨子(案)』(2025年)
    https://www.mlit.go.jp/seisakutokatsu/freight/content/001985303.pdf(2026年11月18日閲覧)

まずは、経営課題をお聞かせください。

課題が整理されていない段階でも問題ありません。現状を伺ったうえで、診断の範囲と進め方をご提案します。

相談する

Cookie設定

利用目的ごとに、Cookieの使用を選べます。必須のCookieはサイトの動作に欠かせないため、無効にできません。