導語:卡車司機短缺問題已經成為制約全球供應鏈運轉的重大瓶頸。然而,這是真正的“人手不夠",還是卡車司機的利用效率有待提高?麻省理工學院(MIT)FreightLab的最新研究給出了令人意外的答案。

一、卡車司機短缺:一個全球性的難題

近年來,卡車司機短缺已成為困擾全球物流業的一大難題。在美國,卡車運輸占據了國內貨運總量的70%以上。然而,美國勞工統計局的數據顯示,2018年美國卡車司機的缺口已達到6萬人,預計到2026年,這一數字將進一步攀升至17.5萬人。

《華爾街日報》在2021年的報道中指出,美國供應鏈的運轉正受到卡車司機短缺問題的困擾。從工廠到倉庫,再到門店,每一個環節都離不開卡車司機的辛勤付出。當卡車司機數量無法滿足運輸需求時,供應鏈的時效性和穩定性就難以保證。

《彭博社》在2020年預測,未來十年內,美國卡車司機的短缺將加劇一倍。這主要是因為卡車司機行業從業人員正迅速老齡化,而年輕人對這一職業興趣寥寥。如果這一趨勢無法扭轉,卡車司機短缺將給美國經濟帶來沉重打擊。

卡車司機短缺絕非美國獨有。日本、歐洲、南美等地同樣面臨著卡車司機“青黃不接"的窘境。國際貨幣基金組織的一項調查顯示,墨西哥、阿根廷、歐洲多國的卡車司機缺口率都在10%以上。這一問題正成為制約全球供應鏈發展的普遍性難題。

二、MIT FreightLab的新思路:招募更多,還是留住現有?

面對“用工荒",業界最常見的對策是擴大招募。提高工資待遇、改善工作條件、加大培訓力度,希望吸引更多人加入卡車司機的行列。然而,在MIT FreightLab主任Yossi Sheffi教授看來,單純靠“添丁"來緩解卡車司機短缺,治標不治本。

Sheffi教授指出,卡車司機的年均離職率高達90%以上。換言之,每招募100名司機,一年后就可能有90人離職。頻繁的人員更替不僅加重了企業的招聘和培訓成本,也給運力穩定性帶來隱患。與其總想著“擴軍",不如花力氣提高現有司機的留存率。

FreightLab把研究重點放在了卡車司機離職這個“老大難"問題上。研究人員希望找出卡車司機頻繁跳槽的深層次原因,并據此提出切實可行的留人策略。但要洞察卡車司機的真實訴求,僅靠問卷調查、座談訪談等傳統方式遠遠不夠。FreightLab另辟蹊徑,把目光投向了一個新的數據源——電子駕駛日志(ELD)。

2017年,美國正式要求所有商用卡車安裝ELD設備。通過GPS、傳感器等手段,ELD可以詳細記錄卡車司機的駕駛時長、路線、休息時間等信息。這些數據以數字化的形式實時傳輸到云端,為管理者實時監控司機行為提供了可能。

FreightLab敏銳地意識到,ELD數據是一座蘊藏著巨大價值的“富礦"。這些數據真實、客觀、全面地還原了卡車司機的工作狀態,能夠幫助管理者發現司機行為背后隱藏的規律。更重要的是,當積累了大量不同司機長期連續的工作記錄后,就可以利用大數據分析和機器學習技術,從海量信息中捕捉到人眼難以察覺的關聯。

FreightLab通過與多家物流公司合作,獲取了大量卡車司機的匿名ELD數據。這其中既有跨州長途運輸的“長途司機",也有專注于城市配送的“短途司機";既有從業多年的老司機,也有剛入行的新手。樣本的多樣性有助于提高研究結論的普適性。

研究人員獲得的原始ELD數據規模龐大、形式復雜。僅以某家大型物流公司為例,一年時間里累積的ELD數據就超過了10 TB。這些數據以JSON、CSV等格式存儲,詳細記錄了數千名司機每天24小時、每周7天的工作狀態。面對如此海量的數據,傳統的人工處理方式顯然不可行,必須借助大數據處理平臺和算法,才能快速提取有價值的信息。

FreightLab的研究人員首先對原始ELD數據進行了大量的清洗和預處理工作。由于不同物流公司所使用的ELD設備和數據格式并不統一,研究人員不得不花費大量時間進行數據標準化,將來自不同來源的數據轉換為統一的結構化形式。同時,研究人員還剔除了部分數據不完整或連續性差的司機樣本,以確保數據質量。

在數據清洗的基礎上,研究人員對ELD數據進行了深入的統計分析。一個驚人的發現是,卡車司機的實際工作時長遠低于法定標準。美國法律規定,卡車司機每天駕駛時長不得超過11小時,平均每天工作不超過14小時。但ELD數據顯示,卡車司機平均每天的駕駛時間僅為6.8小時,不到法定上限的2/3。

這個發現令人震驚卻又發人深省。當整個行業都在呼吁卡車司機短缺的時候,現有司機的工作時間卻沒有得到充分利用。按照研究人員的估算,如果每位現有司機每天多工作1小時,就相當于增加了40多萬名全職司機。如果平均每天的駕駛時間能從6.8小時提高到8.5小時(接近法定上限的80%),更是相當于新增了100多萬名全職司機。

除了駕駛時長總量不足外,研究人員還發現,卡車司機的駕駛時間存在很大的波動性。周一至周五,司機的平均駕駛時長為7.1小時,而周末驟降至5.2小時。許多司機經常面臨平時“閑得無聊",周末反而“忙到不可開交"的尷尬局面。導致駕駛時長波動的因素很多,裝卸貨效率低下、路況擁堵、缺乏合理調度等都是常見原因。

駕駛時長的閑置和波動不僅造成了運力浪費,也直接影響了卡車司機的收入。在美國,卡車司機大多實行計件工資,即根據駕駛里程獲得報酬。駕駛時間的減少意味著收入的減少。相比之下,那些等待裝卸貨、暴雨停駛的時間,司機卻往往得不到任何補償。

基于ELD數據的統計分析,FreightLab的研究人員提出了一個頗具顛覆性的觀點:物流行業面臨的可能并非“司機短缺",而是"司機利用率低下"。如果能想辦法提高卡車司機的駕駛時間利用率,將比單純擴大招募更有助于緩解“用工荒"。這一觀點得到了學術界和業界的廣泛關注。

三、機器學習預測司機離職:數據會“說話"

在ELD數據分析的基礎上,FreightLab的研究人員進一步嘗試利用機器學習算法,建立司機離職預測模型。通過分析司機工作時長、日常作息等信息,研究人員希望找出影響司機離職的關鍵因素,從而幫助企業提早預警、及時采取挽留措施。

要建立司機離職預測模型,首先需要對ELD數據進行特征工程。研究人員從海量數據中提取了一系列反映司機工作狀態的關鍵指標,包括:

• 司機每天的平均駕駛時長、休息時長等,刻畫了其總體工作強度;

• 司機在不同時段(如凌晨、白天、夜間)駕駛的時長占比,反映了其作息規律;

• 司機連續駕駛、連續休息的最長時間,體現了其工作節奏;

• 司機在不同區域、不同路況下行駛的時間占比,代表了其駕駛環境復雜度;

• 司機駕駛時長、休息時長等指標的波動性,反映了其工作的穩定性;

  .....

基于這些特征,研究人員構建了三類常用的機器學習模型:邏輯回歸、隨機森林和支持向量機。邏輯回歸假設樣本特征與類別標簽之間存在線性關系,通過Logistic函數擬合樣本分布,得到樣本屬于某個類別的概率。隨機森林則采用集成學習的思路,通過bootstrap抽樣和特征隨機組合,構建多棵決策樹,并通過“投票"的方式做出最終判斷。支持向量機則試圖在特征空間中尋找一個超平面,使得不同類別的樣本被超平面分割,且各類樣本到超平面的距離盡可能大。

為充分利用有限的司機樣本,研究人員采用了k折交叉驗證的方式對模型進行訓練和測試。具體而言,研究人員將所有樣本劃分為k個大小相似的子集,每次選擇其中1個子集作為測試集,其余k-1個子集作為訓練集,重復k次實驗并取平均值,以此減少樣本劃分的隨機性。同時,研究人員還對模型超參數進行了grid search,窮舉各參數的不同組合,找出性能最優的參數設置。

功夫不負有心人,FreightLab的研究人員最終得到了令人振奮的結果。在測試集上,三類模型的預測準確率均在60%~70%之間,大大高于隨機猜測(50%)。這表明,機器學習算法能夠從ELD數據中自動學習到司機離職的內在規律,具有實際應用價值。

研究人員進一步分析了不同特征對模型預測結果的貢獻。結果顯示,日均駕駛時長、駕駛時長波動等指標與司機離職高度相關。日均駕駛時長越長、波動性越小的司機,留任的可能性越大;反之,日均駕駛時長越短、波動性越大的司機,更可能在未來離職。這一發現與多數人的直覺一致:駕駛時間更長意味著收入更高,司機自然更愿意留下;駕駛時間波動則意味著收入不穩定,司機面臨更大的生計壓力,離職沖動自然更強。

有意思的是,研究人員發現,工作日駕駛時長的重要性顯著高于周末。這可能是因為工作日是司機創收的主要時間,駕駛時長的長短直接關系到收入水平;而周末多是休整時間,即便駕駛時長波動較大,也不會對收入產生實質影響。這一發現對于物流企業合理調度運力具有重要啟示。

四、聽司機傾訴:不只是時間和金錢

ELD數據揭示,影響卡車司機離職的主要因素是駕駛時長及其穩定性。這固然與收入高低直接相關,但并非問題的全部。大量的司機訪談表明,除了加班費,工作生活的不確定性、精神壓力,以及職業尊嚴感的缺失,也是導致司機離職的重要原因。

許多卡車司機反映,貨物裝卸、路況堵塞等因素使得其每天的駕駛時間難以預計。這直接影響了司機對家庭生活的參與。“最讓人泄氣的是,'啥時候能回家'老是個未知數。"一位資深卡車司機抱怨道,“出發時信誓旦旦要趕回來參加孩子的生日會,結果半路就因為裝貨延遲而泡湯了。家里人前兩次還能諒解,時間一長,你在家里就跟'空氣'似的。"

不確定的行程安排也讓司機備感無助。“活兒啥時候來,啥時候走,說了不算。真不知道這日子怎么過。"一位司機無奈地說。頻繁變更的運輸計劃,讓司機難以掌控自己的時間, 無法對家人做出承諾。“公司的電腦說我這個點必須到某某城市,不管路上遇到啥情況,我必須在規定時間內趕到,不然就是我的責任。"面對算法制定的“死任務",司機只能選擇妥協。

工作時間的不規律也嚴重影響了卡車司機的生活作息。“夜里開車,白天睡覺,把生物鐘都攪亂了。"長此以往,許多司機難免產生情緒問題。“開久了就覺得自己是臺機器,想家的時候連個傾訴的人都沒有。"在家庭關系疏離、情感需求得不到滿足的背景下,一些司機甚至出現了抑郁、酗酒等心理問題,進一步加劇了離職傾向。

除了時間成本,卡車司機的職業尊嚴感缺失也是導致其離職的一大原因。許多司機反映,盡管他們的工作對整個經濟和社會正常運轉至關重要,但社會各界對卡車司機的辛勞和貢獻缺乏應有的理解和尊重。“提起卡車司機,總覺得我們是粗人,開卡車不就圖個力氣活嗎!"司機們普遍感到,自己在外人眼中是“二等公民",得不到尊重。

負面的職業形象,加上媒體的妖魔化報道,使得卡車司機的自我認同感越來越低。“電視上老愛說我們違章超載、疲勞駕駛,把我們說得跟十惡不赦似的。殊不知貨物能準時送到,全靠我們起早貪黑。“久而久之,許多司機產生了嚴重的自我懷疑,"干脆換個'體面'點的工作算了"。

綜合以上分析可以看出,解決卡車司機離職問題,單靠漲工資是不夠的。貨主、物流企業還需要從根本上優化運力調度,為司機營造相對穩定、可預期的工作環境。同時,還要關注卡車司機的職業尊嚴和精神需求。只有多方共同努力,營造尊重卡車司機的社會氛圍,這個群體的獲得感、幸福感才能真正提升。

五、人性化的網絡布局:不以效率論英雄

運籌優化技術的進步,為物流企業提高運輸組織效率、降低成本開辟了新的可能。許多企業開始借助物流軟件的力量,對運輸線路、配送時間等進行集中調度、動態優化,力求實現各類資源的最佳配置。然而,在追求效率的過程中,卡車司機的主體感受常常被忽視。

傳統的車輛路徑(VRP)優化模型,追求系統層面的路徑最短、成本最小,卻很少考慮司機利益相關的因素。ELD數據揭示,過于頻繁的線路變動,過于隨機的任務指派,都可能加劇司機的職業倦怠。以往VRP模型普遍存在這樣一個假設:所有線路、客戶對所有司機而言都是“均質"的。然而, ELD數據分析表明,熟悉的線路、熟悉的客戶,恰恰是提升司機工作體驗的關鍵因素。

如何在追求效率的同時,也為一線員工營造相對友好、可預期的工作環境?這需要在網絡優化中引入更多人性化考量。比如,與其頻繁更換線路,不如盡量固定司機和線路,減少“陌生"帶來的適應成本;與其一味壓縮非駕駛時長,不如適當保留熟悉區域的休息時間,讓司機有機會吃頓熱飯、伸伸腿腳。畢竟,司機也不是機器,適度的喘息有助于保持專注力和工作熱情。

在評估路徑方案時,企業還可以讓司機參與進來,征求一線的意見。哪些休息區、加油站是司機的心頭好?哪些配送點、客戶讓司機頭疼不已?這些反饋若能納入模型的約束條件,定能使優化方案更接地氣。當然,要做到這一點并非易事,需要在優化目標中引入新的KPI(如“司機滿意度"),并以更加彈性的模型框架予以呈現。這對算法的設計和實現提出了更高要求。

總的來說,在物流網絡優化中引入人性化考量,關鍵是樹立“以人為本"的理念。效率固然重要,但更重要的是一線員工的獲得感。畢竟,再完美的優化方案,如果加劇了員工的疲憊和不安,最終也難以為企業創造價值。相反,設身處地為司機著想,哪怕在局部犧牲了一些效率,但從整體上提升了員工的忠誠度和敬業度,長遠來看反而是“好買賣"。

六、無人駕駛的想象力:技術賦能還是顛覆?

近年來,隨著人工智能技術的發展,無人駕駛卡車的話題備受關注。支持者認為,無人駕駛有望從根本上解決卡車司機短缺的問題。批評者則擔心,無人駕駛會加劇卡車司機的失業風險。對物流企業而言,無人駕駛究竟意味著技術賦能,還是行業顛覆?這需要辯證地分析。

從生產力的角度看,無人駕駛卡車的出現,無疑將極大解放物流運輸的勞動力瓶頸。由于不受駕駛員工時的限制,無人駕駛卡車可以實現24小時不間斷行駛,大幅提升車輛利用率。同時,智能算法還可以實時優化路徑規劃、安全控制等,進一步提高物流時效和服務水平。從這個意義上說,無人駕駛將為物流企業插上騰飛的翅膀。

然而,每一次生產力的進步,往往也伴隨著生產關系的調整。無人駕駛卡車取代人力駕駛,意味著大量卡車司機面臨失業風險。對缺乏其他專業技能的中老年司機而言,轉行談何容易?同時,無人駕駛還可能加劇社會財富分配的不平等。資本密集型的無人駕駛技術,很可能把效率提升帶來的紅利集中在少數科技巨頭手中,而中下階層則面臨收入減少、工作不穩定的困境。

無人駕駛時代,如何平衡效率與公平,技術進步與包容發展?這需要企業和社會形成共識。物流企業在大力投資無人駕駛的同時,也應重視現有司機隊伍的培訓和轉崗。政府和社會組織則要完善再就業服務,為過渡期的從業者提供必要的職業指導和生活保障。只有技術發展與社會進步相互協調,無人駕駛才能成為造福多數人的創新成果。

小結:以科技之名,說人情之義

回顧FreightLab的研究發現,我們可以看到,現代信息技術正深刻重塑著傳統的物流管理方式。ELD設備的普及,讓企業第一次擁有了完整、準確的司機行為數據。大數據分析和機器學習工具,則讓企業能夠從海量數據中提煉關鍵規律,優化決策。這一切無不預示著,數據驅動的智慧物流時代已經來臨。

然而,技術從來都是一把雙刃劍。效率的提升,往往伴隨著劇烈的陣痛。在物流領域,技術賦能的過程,也常常是一線員工焦慮加劇的過程。ELD數據分析固然能幫助企業留住優秀司機,但若用之不當,也可能成為壓榨勞動的“監視器"。網絡優化、智能調度等先進算法,若只顧KPI不顧人情,最終也會透支員工的信任。

技術向善的關鍵,在于以人為本。企業在引入新技術的同時,更要關注員工的感受。要用ELD數據去傾聽司機的心聲,而非單純提升管控的力度;要讓網絡優化的成果惠及每一個司機,而非把責任都推給線路規劃;要讓智能調度成為司機的得力助手,而非冰冷的“號令員"。唯有讓普通員工共享數字化轉型的紅利,讓司機真切地感受到技術帶來的便利,才能激發其內生動力,共創企業發展的美好未來。

FreightLab的研究表明,留住優秀司機,需要企業方方面面的努力。從經濟層面,要讓司機拿到與付出相匹配的薪酬,并保證其相對穩定;從工作層面,要最大限度減少司機的閑置時間,并為其提供靈活的休假安排;從精神層面,要給予司機更多的尊重和認可,并關注其情感訴求。這些舉措雖然細微,但都飽含著“以人為本"的價值追求。唯有堅持以人為本,才能實現人與技術、人與組織的和諧共生。

卡車司機短缺絕非一日之寒,更非一己之力可解。貨主、物流企業、卡車司機等各利益相關方,只有秉持互利共贏的理念,摒棄成見,攜手應對,方能走出困局,開創供應鏈高質量發展的新局面。而FreightLab基于ELD數據和機器學習的研究,正是這一努力的生動實踐。以科技之名,說人情之義。期待這種跨界融合的探索,能為intelligent supply chain management開辟更多想象力空間。