不被数据"窥伺",只被算法"理解"-MIT用数字 技术为卡车司机"代言",重塑劳资关系新样本

导语:卡车司机短缺问题已经成为制约全球供应链运转的重大瓶颈。然而,这是真正的“人手不够",还是卡车司机的利用效率有待提高?麻省理工学院(MIT)FreightLab的最新研究给出了令人意外的答案。

一、卡车司机短缺:一个全球性的难题

近年来,卡车司机短缺已成为困扰全球物流业的一大难题。在美国,卡车运输占据了国内货运总量的70%以上。然而,美国劳工统计局的数据显示,2018年美国卡车司机的缺口已达到6万人,预计到2026年,这一数字将进一步攀升至17.5万人。

《华尔街日报》在2021年的报道中指出,美国供应链的运转正受到卡车司机短缺问题的困扰。从工厂到仓库,再到门店,每一个环节都离不开卡车司机的辛勤付出。当卡车司机数量无法满足运输需求时,供应链的时效性和稳定性就难以保证。

《彭博社》在2020年预测,未来十年内,美国卡车司机的短缺将加剧一倍。这主要是因为卡车司机行业从业人员正迅速老龄化,而年轻人对这一职业兴趣寥寥。如果这一趋势无法扭转,卡车司机短缺将给美国经济带来沉重打击。

卡车司机短缺绝非美国独有。日本、欧洲、南美等地同样面临着卡车司机“青黄不接"的窘境。国际货币基金组织的一项调查显示,墨西哥、阿根廷、欧洲多国的卡车司机缺口率都在10%以上。这一问题正成为制约全球供应链发展的普遍性难题。

二、MIT FreightLab的新思路:招募更多,还是留住现有?

面对“用工荒",业界最常见的对策是扩大招募。提高工资待遇、改善工作条件、加大培训力度,希望吸引更多人加入卡车司机的行列。然而,在MIT FreightLab主任Yossi Sheffi教授看来,单纯靠“添丁"来缓解卡车司机短缺,治标不治本。

Sheffi教授指出,卡车司机的年均离职率高达90%以上。换言之,每招募100名司机,一年后就可能有90人离职。频繁的人员更替不仅加重了企业的招聘和培训成本,也给运力稳定性带来隐患。与其总想着“扩军",不如花力气提高现有司机的留存率。

FreightLab把研究重点放在了卡车司机离职这个“老大难"问题上。研究人员希望找出卡车司机频繁跳槽的深层次原因,并据此提出切实可行的留人策略。但要洞察卡车司机的真实诉求,仅靠问卷调查、座谈访谈等传统方式远远不够。FreightLab另辟蹊径,把目光投向了一个新的数据源——电子驾驶日志(ELD)。

2017年,美国正式要求所有商用卡车安装ELD设备。通过GPS、传感器等手段,ELD可以详细记录卡车司机的驾驶时长、路线、休息时间等信息。这些数据以数字化的形式实时传输到云端,为管理者实时监控司机行为提供了可能。

FreightLab敏锐地意识到,ELD数据是一座蕴藏着巨大价值的“富矿"。这些数据真实、客观、全面地还原了卡车司机的工作状态,能够帮助管理者发现司机行为背后隐藏的规律。更重要的是,当积累了大量不同司机长期连续的工作记录后,就可以利用大数据分析和机器学习技术,从海量信息中捕捉到人眼难以察觉的关联。

FreightLab通过与多家物流公司合作,获取了大量卡车司机的匿名ELD数据。这其中既有跨州长途运输的“长途司机",也有专注于城市配送的“短途司机";既有从业多年的老司机,也有刚入行的新手。样本的多样性有助于提高研究结论的普适性。

研究人员获得的原始ELD数据规模庞大、形式复杂。仅以某家大型物流公司为例,一年时间里累积的ELD数据就超过了10 TB。这些数据以JSON、CSV等格式存储,详细记录了数千名司机每天24小时、每周7天的工作状态。面对如此海量的数据,传统的人工处理方式显然不可行,必须借助大数据处理平台和算法,才能快速提取有价值的信息。

FreightLab的研究人员首先对原始ELD数据进行了大量的清洗和预处理工作。由于不同物流公司所使用的ELD设备和数据格式并不统一,研究人员不得不花费大量时间进行数据标准化,将来自不同来源的数据转换为统一的结构化形式。同时,研究人员还剔除了部分数据不完整或连续性差的司机样本,以确保数据质量。

在数据清洗的基础上,研究人员对ELD数据进行了深入的统计分析。一个惊人的发现是,卡车司机的实际工作时长远低于法定标准。美国法律规定,卡车司机每天驾驶时长不得超过11小时,平均每天工作不超过14小时。但ELD数据显示,卡车司机平均每天的驾驶时间仅为6.8小时,不到法定上限的2/3。

这个发现令人震惊却又发人深省。当整个行业都在呼吁卡车司机短缺的时候,现有司机的工作时间却没有得到充分利用。按照研究人员的估算,如果每位现有司机每天多工作1小时,就相当于增加了40多万名全职司机。如果平均每天的驾驶时间能从6.8小时提高到8.5小时(接近法定上限的80%),更是相当于新增了100多万名全职司机。

除了驾驶时长总量不足外,研究人员还发现,卡车司机的驾驶时间存在很大的波动性。周一至周五,司机的平均驾驶时长为7.1小时,而周末骤降至5.2小时。许多司机经常面临平时“闲得无聊",周末反而“忙到不可开交"的尴尬局面。导致驾驶时长波动的因素很多,装卸货效率低下、路况拥堵、缺乏合理调度等都是常见原因。

驾驶时长的闲置和波动不仅造成了运力浪费,也直接影响了卡车司机的收入。在美国,卡车司机大多实行计件工资,即根据驾驶里程获得报酬。驾驶时间的减少意味着收入的减少。相比之下,那些等待装卸货、暴雨停驶的时间,司机却往往得不到任何补偿。

基于ELD数据的统计分析,FreightLab的研究人员提出了一个颇具颠覆性的观点:物流行业面临的可能并非“司机短缺",而是"司机利用率低下"。如果能想办法提高卡车司机的驾驶时间利用率,将比单纯扩大招募更有助于缓解“用工荒"。这一观点得到了学术界和业界的广泛关注。

三、机器学习预测司机离职:数据会“说话"

在ELD数据分析的基础上,FreightLab的研究人员进一步尝试利用机器学习算法,建立司机离职预测模型。通过分析司机工作时长、日常作息等信息,研究人员希望找出影响司机离职的关键因素,从而帮助企业提早预警、及时采取挽留措施。

要建立司机离职预测模型,首先需要对ELD数据进行特征工程。研究人员从海量数据中提取了一系列反映司机工作状态的关键指标,包括:

• 司机每天的平均驾驶时长、休息时长等,刻画了其总体工作强度;

• 司机在不同时段(如凌晨、白天、夜间)驾驶的时长占比,反映了其作息规律;

• 司机连续驾驶、连续休息的最长时间,体现了其工作节奏;

• 司机在不同区域、不同路况下行驶的时间占比,代表了其驾驶环境复杂度;

• 司机驾驶时长、休息时长等指标的波动性,反映了其工作的稳定性;

  .....

基于这些特征,研究人员构建了三类常用的机器学习模型:逻辑回归、随机森林和支持向量机。逻辑回归假设样本特征与类别标签之间存在线性关系,通过Logistic函数拟合样本分布,得到样本属于某个类别的概率。随机森林则采用集成学习的思路,通过bootstrap抽样和特征随机组合,构建多棵决策树,并通过“投票"的方式做出最终判断。支持向量机则试图在特征空间中寻找一个超平面,使得不同类别的样本被超平面分割,且各类样本到超平面的距离尽可能大。

为充分利用有限的司机样本,研究人员采用了k折交叉验证的方式对模型进行训练和测试。具体而言,研究人员将所有样本划分为k个大小相似的子集,每次选择其中1个子集作为测试集,其余k-1个子集作为训练集,重复k次实验并取平均值,以此减少样本划分的随机性。同时,研究人员还对模型超参数进行了grid search,穷举各参数的不同组合,找出性能最优的参数设置。

功夫不负有心人,FreightLab的研究人员最终得到了令人振奋的结果。在测试集上,三类模型的预测准确率均在60%~70%之间,大大高于随机猜测(50%)。这表明,机器学习算法能够从ELD数据中自动学习到司机离职的内在规律,具有实际应用价值。

研究人员进一步分析了不同特征对模型预测结果的贡献。结果显示,日均驾驶时长、驾驶时长波动等指标与司机离职高度相关。日均驾驶时长越长、波动性越小的司机,留任的可能性越大;反之,日均驾驶时长越短、波动性越大的司机,更可能在未来离职。这一发现与多数人的直觉一致:驾驶时间更长意味着收入更高,司机自然更愿意留下;驾驶时间波动则意味着收入不稳定,司机面临更大的生计压力,离职冲动自然更强。

有意思的是,研究人员发现,工作日驾驶时长的重要性显著高于周末。这可能是因为工作日是司机创收的主要时间,驾驶时长的长短直接关系到收入水平;而周末多是休整时间,即便驾驶时长波动较大,也不会对收入产生实质影响。这一发现对于物流企业合理调度运力具有重要启示。

四、听司机倾诉:不只是时间和金钱

ELD数据揭示,影响卡车司机离职的主要因素是驾驶时长及其稳定性。这固然与收入高低直接相关,但并非问题的全部。大量的司机访谈表明,除了加班费,工作生活的不确定性、精神压力,以及职业尊严感的缺失,也是导致司机离职的重要原因。

许多卡车司机反映,货物装卸、路况堵塞等因素使得其每天的驾驶时间难以预计。这直接影响了司机对家庭生活的参与。“最让人泄气的是,'啥时候能回家'老是个未知数。"一位资深卡车司机抱怨道,“出发时信誓旦旦要赶回来参加孩子的生日会,结果半路就因为装货延迟而泡汤了。家里人前两次还能谅解,时间一长,你在家里就跟'空气'似的。"

不确定的行程安排也让司机备感无助。“活儿啥时候来,啥时候走,说了不算。真不知道这日子怎么过。"一位司机无奈地说。频繁变更的运输计划,让司机难以掌控自己的时间, 无法对家人做出承诺。“公司的电脑说我这个点必须到某某城市,不管路上遇到啥情况,我必须在规定时间内赶到,不然就是我的责任。"面对算法制定的“死任务",司机只能选择妥协。

工作时间的不规律也严重影响了卡车司机的生活作息。“夜里开车,白天睡觉,把生物钟都搅乱了。"长此以往,许多司机难免产生情绪问题。“开久了就觉得自己是台机器,想家的时候连个倾诉的人都没有。"在家庭关系疏离、情感需求得不到满足的背景下,一些司机甚至出现了抑郁、酗酒等心理问题,进一步加剧了离职倾向。

除了时间成本,卡车司机的职业尊严感缺失也是导致其离职的一大原因。许多司机反映,尽管他们的工作对整个经济和社会正常运转至关重要,但社会各界对卡车司机的辛劳和贡献缺乏应有的理解和尊重。“提起卡车司机,总觉得我们是粗人,开卡车不就图个力气活吗!"司机们普遍感到,自己在外人眼中是“二等公民",得不到尊重。

负面的职业形象,加上媒体的妖魔化报道,使得卡车司机的自我认同感越来越低。“电视上老爱说我们违章超载、疲劳驾驶,把我们说得跟十恶不赦似的。殊不知货物能准时送到,全靠我们起早贪黑。“久而久之,许多司机产生了严重的自我怀疑,"干脆换个'体面'点的工作算了"。

综合以上分析可以看出,解决卡车司机离职问题,单靠涨工资是不够的。货主、物流企业还需要从根本上优化运力调度,为司机营造相对稳定、可预期的工作环境。同时,还要关注卡车司机的职业尊严和精神需求。只有多方共同努力,营造尊重卡车司机的社会氛围,这个群体的获得感、幸福感才能真正提升。

五、人性化的网络布局:不以效率论英雄

运筹优化技术的进步,为物流企业提高运输组织效率、降低成本开辟了新的可能。许多企业开始借助物流软件的力量,对运输线路、配送时间等进行集中调度、动态优化,力求实现各类资源的最佳配置。然而,在追求效率的过程中,卡车司机的主体感受常常被忽视。

传统的车辆路径(VRP)优化模型,追求系统层面的路径最短、成本最小,却很少考虑司机利益相关的因素。ELD数据揭示,过于频繁的线路变动,过于随机的任务指派,都可能加剧司机的职业倦怠。以往VRP模型普遍存在这样一个假设:所有线路、客户对所有司机而言都是“均质"的。然而, ELD数据分析表明,熟悉的线路、熟悉的客户,恰恰是提升司机工作体验的关键因素。

如何在追求效率的同时,也为一线员工营造相对友好、可预期的工作环境?这需要在网络优化中引入更多人性化考量。比如,与其频繁更换线路,不如尽量固定司机和线路,减少“陌生"带来的适应成本;与其一味压缩非驾驶时长,不如适当保留熟悉区域的休息时间,让司机有机会吃顿热饭、伸伸腿脚。毕竟,司机也不是机器,适度的喘息有助于保持专注力和工作热情。

在评估路径方案时,企业还可以让司机参与进来,征求一线的意见。哪些休息区、加油站是司机的心头好?哪些配送点、客户让司机头疼不已?这些反馈若能纳入模型的约束条件,定能使优化方案更接地气。当然,要做到这一点并非易事,需要在优化目标中引入新的KPI(如“司机满意度"),并以更加弹性的模型框架予以呈现。这对算法的设计和实现提出了更高要求。

总的来说,在物流网络优化中引入人性化考量,关键是树立“以人为本"的理念。效率固然重要,但更重要的是一线员工的获得感。毕竟,再完美的优化方案,如果加剧了员工的疲惫和不安,最终也难以为企业创造价值。相反,设身处地为司机着想,哪怕在局部牺牲了一些效率,但从整体上提升了员工的忠诚度和敬业度,长远来看反而是“好买卖"。

六、无人驾驶的想象力:技术赋能还是颠覆?

近年来,随着人工智能技术的发展,无人驾驶卡车的话题备受关注。支持者认为,无人驾驶有望从根本上解决卡车司机短缺的问题。批评者则担心,无人驾驶会加剧卡车司机的失业风险。对物流企业而言,无人驾驶究竟意味着技术赋能,还是行业颠覆?这需要辩证地分析。

从生产力的角度看,无人驾驶卡车的出现,无疑将极大解放物流运输的劳动力瓶颈。由于不受驾驶员工时的限制,无人驾驶卡车可以实现24小时不间断行驶,大幅提升车辆利用率。同时,智能算法还可以实时优化路径规划、安全控制等,进一步提高物流时效和服务水平。从这个意义上说,无人驾驶将为物流企业插上腾飞的翅膀。

然而,每一次生产力的进步,往往也伴随着生产关系的调整。无人驾驶卡车取代人力驾驶,意味着大量卡车司机面临失业风险。对缺乏其他专业技能的中老年司机而言,转行谈何容易?同时,无人驾驶还可能加剧社会财富分配的不平等。资本密集型的无人驾驶技术,很可能把效率提升带来的红利集中在少数科技巨头手中,而中下阶层则面临收入减少、工作不稳定的困境。

无人驾驶时代,如何平衡效率与公平,技术进步与包容发展?这需要企业和社会形成共识。物流企业在大力投资无人驾驶的同时,也应重视现有司机队伍的培训和转岗。政府和社会组织则要完善再就业服务,为过渡期的从业者提供必要的职业指导和生活保障。只有技术发展与社会进步相互协调,无人驾驶才能成为造福多数人的创新成果。

小结:以科技之名,说人情之义

回顾FreightLab的研究发现,我们可以看到,现代信息技术正深刻重塑着传统的物流管理方式。ELD设备的普及,让企业第一次拥有了完整、准确的司机行为数据。大数据分析和机器学习工具,则让企业能够从海量数据中提炼关键规律,优化决策。这一切无不预示着,数据驱动的智慧物流时代已经来临。

然而,技术从来都是一把双刃剑。效率的提升,往往伴随着剧烈的阵痛。在物流领域,技术赋能的过程,也常常是一线员工焦虑加剧的过程。ELD数据分析固然能帮助企业留住优秀司机,但若用之不当,也可能成为压榨劳动的“监视器"。网络优化、智能调度等先进算法,若只顾KPI不顾人情,最终也会透支员工的信任。

技术向善的关键,在于以人为本。企业在引入新技术的同时,更要关注员工的感受。要用ELD数据去倾听司机的心声,而非单纯提升管控的力度;要让网络优化的成果惠及每一个司机,而非把责任都推给线路规划;要让智能调度成为司机的得力助手,而非冰冷的“号令员"。唯有让普通员工共享数字化转型的红利,让司机真切地感受到技术带来的便利,才能激发其内生动力,共创企业发展的美好未来。

FreightLab的研究表明,留住优秀司机,需要企业方方面面的努力。从经济层面,要让司机拿到与付出相匹配的薪酬,并保证其相对稳定;从工作层面,要最大限度减少司机的闲置时间,并为其提供灵活的休假安排;从精神层面,要给予司机更多的尊重和认可,并关注其情感诉求。这些举措虽然细微,但都饱含着“以人为本"的价值追求。唯有坚持以人为本,才能实现人与技术、人与组织的和谐共生。

卡车司机短缺绝非一日之寒,更非一己之力可解。货主、物流企业、卡车司机等各利益相关方,只有秉持互利共赢的理念,摒弃成见,携手应对,方能走出困局,开创供应链高质量发展的新局面。而FreightLab基于ELD数据和机器学习的研究,正是这一努力的生动实践。以科技之名,说人情之义。期待这种跨界融合的探索,能为intelligent supply chain management开辟更多想象力空间。