カーゴバイク vs. バン：都市配送の研究

軽貨物車（LGV）は都市の大きな汚染源で、特にラストマイルの配送サービスに影響を与えてるんだ。Eコマースの成長で、より早い配送が求められるけど、その需要が汚染を増やす原因にもなってる。LGVの代わりに、貨物自転車や軽電動車両（LEV）があって、これは炭素排出を減らしたり、交通渋滞を緩和したりできる可能性がある。研究によると、都市部でのバンの配送の半分以上が、貨物自転車に置き換えられる可能性があるんだって。なぜなら、貨物自転車は交通をうまく避けて、すぐに駐車できるから。

残念ながら、貨物自転車の利点の理解は、配送に関する公のデータが不足してるために限られてる。配送時間の研究でしばしば無視される重要な側面は、駐車を見つけたり、配送先まで歩いたりするサービス時間なんだ。この研究は、配送車両のパフォーマンスを測る枠組みを作ることを目的としていて、バンと貨物自転車のサービス時間をさまざまな都市環境で比較することに焦点を当ててる。

サービス時間を分析するために、2つのデータセットを集めた。一つはバンを使ってる大手物流業者からのもので、もう一つはロンドンとブリュッセルの貨物自転車オペレーターからのもの。これらのデータセットを調べて、都市環境が配送パフォーマンスにどう影響するかを理解したいと考えてる。

#都市配送の課題

都市には配送に関する複雑な課題がいくつもある。都市交通は都市の炭素排出の約30%を占めてて、この数字は増える見込み。Eコマースの急成長が、この増加に寄与してるんだ。2025年までに、世界中で約2000億個のパッケージが配送されると予測されていて、2018年の90億個未満から急増するって。

配送オペレーターはラストマイルの配送に苦労してて、これは全体の配送コストの40〜60%を占めることがあるから。だから、貨物自転車の物流がLGVの効果的で持続可能な代替手段として浮上してきてる。

#データ収集と方法論

配送パフォーマンスに関するデータを集めるのは色々と課題がある。多くの物流会社は自社のデータを公にするのをためらってる。これに対処するために、新しいデータセットを2つ導入して、既存のものと一緒に使って、バンと貨物自転車のサービス時間を効果的に比較する予定。

最初のデータセットは、アメリカの5つの都市（オースティン、ボストン、シカゴ、ロサンゼルス、シアトル）でのアマゾンのバン配送から得たもので、配送ルートや時間の詳細な記録が含まれてる。2番目と3番目のデータセットは、ロンドンのPedal MeとブリュッセルのUrbikeからのペダル駆動の貨物自転車に関するもので、それぞれタイムスタンプとGPSデータを記録してる。

私たちのアプローチは、UberのH3インデックスを利用して、都市を六角形のグリッドに整理してる。このグリッドを使って、データを集約し、さまざまな都市環境に応じたサービス時間を分析できる。OpenStreetMapのタグを使って、道路の種類や建物の密度など、配送時間に影響を与える可能性のある都市の特徴を評価してる。

#研究結果

#都市コンテキストが配送パフォーマンスに与える影響

私たちの分析によると、都市コンテキストが配送車両のパフォーマンスに大きな影響を与えることが分かった。バンの場合、密集した都市エリアではサービス時間が長くなることが多い。一方で、貨物自転車は小型で障害物を回避できるため、こうした変化にあまり影響されず、混雑したエリアでも効率的に動ける。

理論的には貨物自転車に潜在的な利点があるけど、私たちの分析は、類似の環境で働くバンと貨物自転車に関するデータの量に限られてる。初期の結果は、私たちのモデルが新しい都市コンテキストに適応できる可能性を示していて、将来の研究に期待が持てる。

#ラストマイル配送に関する洞察

配送プロセスのラストマイル、つまり顧客へのパッケージの最終輸送部分は、全体の効率性に大きな役割を果たす。研究によれば、配送ドライバーは駐車場を探したり、配送先まで歩いたりするのにかなりの時間を費やすことが多く、これはサービス時間の重要な側面なんだ。

アマゾンのバン配送のデータセットでは、ドライバーは平均で停止間の時間が2.5時間で、さらにサービス時間に5時間を費やしていて、結果的に8.4時間の労働日になってる。この発見は、運転以外のタスクにどれだけ時間がかかってるかを強調してる。

#貨物自転車のパフォーマンス

貨物自転車のパフォーマンスを調べると、配送ポイントに近くに駐車できることが分かった。これがバンに比べてサービス時間が短くなる要因なんだ。例えば、ロンドンとブリュッセルのデータセットでは、貨物自転車の中央値サービス時間が常にバンの報告された時間を下回ってた。

私たちの分析は、貨物自転車のライダーが駐車場を探すのにあまり時間をかけず、交通の中をうまく移動できることを明らかにした。この作業上のアドバンテージにより、特に密集した都市エリアでパッケージをより早く配送できる。

#データセットの比較分析

アマゾンのデータセットはバン配送の物流に関する洞察を提供する一方で、Pedal MeとUrbikeのデータセットはより小型の、機敏な配送方法に光を当ててる。運用パターンの違いは、一般的に貨物自転車が短いサービス時間を達成してることを示してる。

各データセットは、それぞれの配送モードの強みと弱みを理解するための重要な運用特性を明らかにする。例えば、ロンドンとブリュッセルでの貨物自転車の配送は、停止あたり平均して3分を少し超えた時間で、アマゾンのバン配送はより変動があったんだ。これは、異なる要求や環境を反映してる。

#駐車行動とその影響

駐車行動を分析することは、都市配送を理解する上で重要だ。過去の研究によれば、配送ドライバーは駐車スポットを探すのに数分以上かかることがあり、これは配送プロセスの非効率につながるんだ。私たちのデータセットは、バンと貨物自転車の間で駐車の期待に明確な対照を示してる。

貨物自転車の配送ライダーは、配送ポイントから平均20メートル程度の距離で駐車を見つけることができたが、バンドライバーは都市部の駐車制限から長い距離を強いられた。この差は、都市空間のデザインがサービス効率に大きな影響を与えられることを浮き彫りにしてる。

#サービス時間のモデリング

サービス時間をモデリングするために、異なる配送車両を考慮しながら都市のマイクロリージョンを取り入れた枠組みを作った。データセットを活用して、都市の特性や配送業務を考慮したモデルを開発してる。

#予測モデリングアプローチ

二つの主要な予測アプローチを実装した：コンフォーマル予測システムと自然勾配ブースティングを使った確率的モデリング。私たちの目標は、各配送の都市コンテキストに基づいてサービス時間を予測するモデルを確立すること。

このモデルは、都市コンテキストが配送パフォーマンスに与える影響を捉えるために、地理空間の埋め込みを活用してる。さらに、これらのモデルを単純なベースラインモデルと比較して、その精度と信頼性を評価したんだ。

#都市エリア全体での一般化可能性

私たちの研究の一つの重要な側面は、異なる都市コンテキスト全体でモデルを一般化できること。さまざまな都市での配送課題に取り組む必要がある中で、私たちの発見は、よく設計されたモデルが新しい環境に適応でき、異なる設定での配送業務を利することを示唆してる。

今後の研究は、物流業界全体でデータ収集プロセスを改善しつつ、これらのモデルをさらに洗練させることを目指す。配送のダイナミクスを理解することで、より持続可能で効率的な都市物流ソリューションを促進できるんだ。

#結論と今後の作業

この分析は、都市コンテキストでのサービス時間や配送行動に関する詳細なデータが必要であることを強調してる。排出量を減らし、配送効率を向上させるプレッシャーが高まる中、貨物自転車や軽電動車両の効果を理解することが重要なんだ。

私たちの研究は、配送パフォーマンスを評価するための枠組みを確立して、将来の都市物流の決定に役立つ。都市環境と配送業務の微妙な相互作用に注目することで、ラストマイル配送の景観における持続可能な解決策を目指していける。今後の作業では、車両特有のナビゲーションや移動時間など、他の要素も考慮に入れて、都市配送システムをさらに最適化していくつもり。

#データの可用性と倫理

この研究で使用したデータセットは公開リポジトリを通じて入手可能。データ収集がGDPR規則に準拠していることを確認し、データ使用のために貨物自転車オペレーターから同意を得てる。

#OpenStreetMapデータの完全性

OpenStreetMap（OSM）は豊富な地理情報源を提供しているけど、データの完全性や正確性に関する限界も認識することが重要だ。ボランティアの関与や地理の動的な性質など、さまざまな要因がOSMデータの質に影響を及ぼすことがある。

それでも、OSMは都市研究において貴重なデータセットであり続ける。さらなる研究が、データが都市物流や配送パフォーマンスを評価する方法を改善し、分野の発展を促進するのに役立つだろう。