配車エンジンとは？

輸配送管理システム（TMS）の中核を担う配車エンジンは、カーナビゲーションのような単一ルート探索とは異なり、「複数台の車両」に対して「大量の配送先」をいかに効率よく割り振るかという車両配送計画問題（VRP: Vehicle Routing Problem）を解くための計算アルゴリズムです。配送先の巡回順序や積載効率、ドライバーの労働時間規制、納品時間指定などの複雑な制約条件を数理最適化技術によって同時に満たす計画を瞬時に導き出します。本稿では、配車エンジンの基本構造から計算ロジック、外部システム連携、導入時の選定・運用の要点を体系的に解説します。

配車エンジンの基本構造｜AI・組み合わせ最適化とルールベースの決定的な違い

カーナビは訪問順序が固定された単一車両の経路探索（ダイクストラ法など）を行うのに対し、配車計画エンジンは「複数台の車両」と「大量の配送先」が存在する状況下で、「どの荷物をどの車両に積み、どの順序で配送するか」という配分と順序を同時に決定します。ベテラン担当者の経験則に依存していた配車業務を数理モデルによって標準化し、積載効率と稼働率を最大化する中核技術です。

数万通りの配送パターンを数分で算出する「組み合わせ最適化」の仕組み

配送先がわずか10拠点・車両1台の場合でも、巡回順序の組み合わせは約360万通り（10の階乗）に達します。これが車両10台・配送先100件となると、計算可能な組み合わせは天文学的な数値（NP困難と呼ばれる計算複雑性）となり、すべてのパターンをしらみつぶしに計算する全探索はスーパーコンピューターを用いても現実的な時間内で完了しません。

この計算爆発を処理するのが「組み合わせ最適化」アルゴリズムです。実務ではメタヒューリスティクス（遺伝的アルゴリズム、タブーサーチ、局所探索法など）を活用し、数分間で実用的な「準最適解」を導き出します。

• 目的関数の設定: 総走行距離の最小化、稼働車両数の削減、拘束時間の平準化、積載効率の最大化など、優先したい指標を数式化して評価基準を定めます。
• 探索と改善の反復: 初期解を生成した後、近隣の配送先を入れ替えたり（2-opt法など）、異なる車両間で荷物を交換したりしながら、目的関数のスコアが最も高くなる解へ収束させます。
• 制約条件の同時充足: 改善基準告示に基づく拘束時間の上限、車両ごとの積載重量・容積制限などの厳しい境界条件を逸脱しない解のみを抽出します。

1日あたり200件の納品先と20台のトラックを抱える物流拠点の場合、組み合わせ最適化型エンジンを用いれば、WMSから取り込んだ出荷指示データをもとに5〜10分程度で全車両の運行計画を算出できます。配車計画にかかる時間を従来の数時間から数十分単位へと短縮可能です。

ルールベース型とAI搭載型エンジンの機能比較と適した配送モデル

配車エンジンの計算アプローチは、事前に定義した条件式に従う「ルールベース型」と、数理モデルが解を探索する「AI・数理最適化型」の2つに大別されます。

比較項目	ルールベース型	AI・数理最適化型	ハイブリッド型
基本アプローチ	事前に定義したIF-THEN条件（エリア固定・優先順位など）に従い割り当て	メタヒューリスティクスや機械学習を用い、目的関数を最大化する解を探索	業務ルールで大枠を絞り込み、詳細ルートを数理最適化で計算
計算速度	極めて高速（数秒〜数十秒）	条件の複雑さに応じて数分〜十数分	高速かつ高精度（数分程度）
変動への適応力	突発的なオーダー変更や当日の動的配車には再設定が必要	日々の物量変動、動態管理データと連携した動的な再計算に強い	定期配送とスポット便・求車マッチングを組み合わせた柔軟な運用が可能
適した配送モデル	ルート配送、エリア専属配送、固定コースの定期便	当日・前日の物量変動が大きい地場配送、共同配送、幹線輸送	定期便をベースとしつつ物量増減や緊急便が発生する3PL・運送事業

自社の配送網が「決まったコースを効率よく巡るモデル」であればルールベース型で素早く安定した処理が可能です。一方、「日々の物量や納品先が大きく変動するモデル」や「求車マッチング等で帰り便を確保するモデル」では、全体最適の観点から自律的にルートを再構成できるAI・数理最適化型が適しています。

配車エンジンが自動処理する現場制約条件と計算ロジック

配車組みを自動化する上での最大の課題は、現場に存在する多種多様な物理的・法的制約をどのように計算式へ落とし込むかという点にあります。配車エンジンが同時並行で処理している主要な制約ロジックを整理します。

積載効率を最大化する荷物特性・積載順・車両スペックの同期

積載管理では、重量（kg/t）と容積（m³）の「重量・容積勝ち」判定に加え、形状、荷姿（パレット、通い箱、段ボール等）、段積み制限を三次元で照合します。WMS連携によって取り込んだSKU単位データから、以下の制約を多重評価します。

• 積み合わせ禁忌制約：食品と危険物・化学品の混載不可、臭気移りのある品目の分離、冷凍・冷蔵・常温の3温度帯管理（2層式車両の間仕切り位置変更を含む）。
• 車両スペックとの整合：パワーゲートの有無、低床・高床の別、ウィング車指定、エアサス車の要否、進入路の車高制限。
• 荷崩れ防止とLIFO（後入れ先出し）ロジック：複数拠点への配送時、手前に降ろす荷物を奥に積み込まないよう、配送順序の逆順で積載シミュレーションを実施。

日配品の店舗配送（1日40件程度）を例にとると、車両ごとの許容パレット数、各店舗の納品ケース数、荷台内の軸重バランス（過積載防止）を同時に満たす積載パターンを算出し、荷積みのやり直しによる出荷遅延を防ぎます。

改善基準告示（拘束時間・連続運転）とドライバー資格の自動照合

TMSに搭載される配車エンジンは、自動車運転者の労働時間等の改善のための基準（改善基準告示）をハード制約（違反を許容しない絶対条件）として処理します。

規制項目	法令基準（原則）	配車エンジンでの処理ロジック
1日の拘束時間	13時間以内（最大15時間、14時間超は週2回まで）	出勤・点呼・走行・荷役・休憩・退勤の累積時間を予測し、13時間超過ルートを自動分割。
連続運転時間	4時間以内（4時間経過直後または4時間以内に合計30分以上の運転中断）	走行予測に基づき、4時間を超える前に30分以上の休憩または1回10分以上の荷役・待機をルート上に強制挿入。
休息期間	勤務終了後、継続11時間以上（最低9時間）	前日退勤時刻と翌日出勤時刻を動態管理データから逆算し、インターバル不足のドライバーを割当対象から除外。
運転時間	2日平均1日あたり9時間以内	前日実績と当日予定、または当日予定と翌日予定の移動時間を合算し、平均9時間を超えない配車枠を設定。

ドライバーの免許区分（中型・大型・牽引）、危険物取扱者資格、特定荷主の入門許可証の有無もドライバーマスタと自動照合され、法令違反や入場トラブルを防ぎます。

指定時間枠（タイムウィンドウ）と荷待ち・荷役時間の計算ロジック

指定時間枠（タイムウィンドウ）の計算において、配車エンジンは直線距離ではなく、道路ネットワークデータや過去のプローブ交通情報に基づく「時間帯別走行速度」を用いて所要時間を算出します。

• 荷待ち時間（待機時間）：納品先ごとの混雑傾向（朝ピーク・午後ピーク）を考慮した到着予測バッファを付与。
• 荷役・検品時間：納品個数・パレット数に比例する作業時間と、検品等の固定時間を合算。
• 進入規制・バース枠：特定バースの予約枠（例：14:00〜14:30）や大型車通行禁止時間帯を条件判定。

午前指定（09:00〜12:00）が複数近接しているエリアでは、荷役時間30分と移動時間15分をタイムラインに展開し、09:00着、09:45着、10:30着といった成立可能な立ち寄り順を自動計算します。時間内に収まらない案件は別便への自動振り分け候補としてアラートを出力します。

輸配送DXを加速させる外部システム（WMS・動態管理・求車）との連携機能

配車エンジンは、単独の計算ツールではなく輸配送全体のデータ連携基盤として機能します。倉庫側の作業進捗や当日の運行状況、外部の車両リソースとリアルタイムに通信することで、当日の変更に強い動的配車を実現します。

連携対象システム	連携データ	配車エンジンの処理内容	実務上の効果
WMS・バース予約	出荷進捗、荷揃え時刻、バース空き枠	荷積み待機を最小化する出発時刻・便の再計算	荷待ち時間削減、拘束時間の短縮
GPS動態管理	リアルタイム位置情報、走行実績、渋滞情報	遅延検知時のルート再生成、追加オーダーの割付	当日トラブルへの自動対応、積載率向上
求車マッチング基盤	求荷求車市場の空車情報、運賃相場	自社便・傭車のコスト比較による自動発注	繁忙期の車両調達自動化、調達コスト最適化

WMS・バース予約システム連携による倉庫作業と車両到着の同期

WMS連携により、荷物の実容積・重量データが配車エンジンに直接取り込まれ、荷崩れや過積載を防ぐ積載計画が瞬時に立案されます。さらにトラックバース予約受付システムと連携することで、算出された到着予定時刻（ETA）に合わせてバース枠を自動確保します。倉庫側の仕分け作業に遅れが生じた場合でも、出発時刻と配送順序を再計算して配送ルートを組み替えるため、ドライバーの無駄な荷待ちを排除できます。

GPS動態管理連携による運行中の突発オーダー・遅延への動的再計算

運行中の車両位置データをフィードバックすることで、突発的な道路渋滞や遅延を検知した際に、後続の納品先への影響を予測して迂回ルートや立ち寄り順の変更を自動提示します。

また、運行中の全車両の現在地、荷台の空き容積、ドライバーの残存拘束時間を照合し、当日に発生した緊急集荷オーダーに対して輸送コストが最も低くスケジュールに余裕のある車両を瞬時に特定して集荷指示を送信します。電話確認の工数をかけることなく、実車率の向上を図れます。

求車マッチング基盤との連携による協力会社・非稼働車両の最適アサイン

荷物量に対して自社便のリソースが不足する場合、エンジンは超過分のオーダーを自動抽出し、車種・発着地・時間指定などの条件を外部の求荷求車プラットフォームへ送信します。自社便で運行した場合の限界費用と外部委託運賃を比較し、トータル輸送コストが最小となる割り振りを決定します。自社の非稼働車両が存在する場合は、求荷情報を取り込んで帰り便をマッチングさせ、幹線輸送における空車回送を削減します。

自社に最適な配車エンジンを見極める3つの選定比較基準

配車エンジンの選定では、機能の網羅性だけでなく、自社の運行形態、UIの操作性、投資回収期間の3点から評価を行う必要があります。

「事前計画型」か「リアルタイム動的配車型」かの業務適合性

配車エンジンは設計思想によって大きく2系統に分かれます。

比較項目	事前計画型	リアルタイム動的配車型
主な適用業務	定期ルート配送、店舗配送、拠点間輸送	当日集荷、スポット配送、オンデマンド配送
データ連携起点	WMS・基幹システム（バッチ処理）	動態管理システム・ドライバー用端末
最適化の主目的	積載効率の最大化、必要車両台数の最小化	当日発生オーダーへの即時対応、走行距離短縮
再計算の頻度	1日数回（オーダー締め時間ごと）	運行中にリアルタイムで常時再計算

前日夕方に翌日配送分が確定するBtoB配送では「事前計画型」、当日集荷や緊急配送が頻発する産業廃棄物回収やオンデマンド集荷では「動的配車型」が適合します。自社の運行サイクルに合致しないエンジンを選択すると、不要な通信コストの発生や計算精度の低下を招く要因となります。

現場の配車マンが迷わず微調整できるUI・直感的操作性

どれほど計算アルゴリズムが優れていても、現場の配車担当者が手動で微調整できないシステムは定着しません。荷主固有の納品ルールやドライバーの習熟度といった暗黙知を完全に自動計算へ反映させることは困難であるため、以下の操作性をデモ環境等で確認します。

• ドラッグ＆ドロップ操作: ガントチャートや地図上で配送先を別の車両へ直感的に移し替え、即座にルートと所要時間が再描画されるか。
• 制約違反の視覚的アラート: 時間指定違反、進入制限違反、拘束時間超過が発生した際、色分けや警告アイコンで即時に判別できるか。
• 指標の即時連動: 配送先を入れ替えた瞬間に、積載率、総走行距離、想定原価が連動して再集計されるか。

保有台数・拠点規模に応じた課金体系とROI（投資回収期間）の試算法

料金体系は主に以下の3つに分かれます。

課金体系	費用の特徴	適した運用形態
車両台数課金	管理する車両1台ごとに月額費用が発生	稼働台数が年間を通じて安定している運送事業者
トランザクション課金	配車処理を行った伝票・件数に応じた従量課金	季節波動（繁忙期・閑散期）の差が大きい配送形態
拠点定額課金	1拠点・1サーバー単位の固定月額費用	1拠点あたりの管理台数が多く（80台以上等）、計算頻度が高い拠点

保有台数30台・月間配送1,000件のモデルケースにおける投資回収試算例：

• 導入コスト: 初期費用200万円、月額30万円（年間360万円）＝初年度総額560万円
• 実車率向上による車両削減効果: 30台のうち2台を削減（または増車を抑制）。車両維持費（償却費・人件費・燃料費等）月額50万円×2台×12カ月＝年間1,200万円削減。
• 残業時間削減効果: 配車作成時間を1日あたり3時間から1時間へ短縮。配車担当2名で月間80時間の残業削減＝年間240万円削減（時給換算2,500円）。
• 傭車費抑制効果: 求車マッチング連動による無駄な発注抑制＝年間100万円削減。

年間削減額の合計は1,540万円となり、初年度の総投資額560万円は約4.4カ月で回収できる計算となります。投資回収期間が2年以内に収まるかどうかが導入判断の一つの基準となります。

配車エンジン導入を成功に導く現場移行とパラメータ定義の実行手順

導入失敗の最大の要因は、現場の暗黙知がパラメータとして正しく設定されず、実務で走行不可能なルートが出力されて現場が手組みに戻ってしまうケースです。段階的な手順を踏んでマスタを精緻化する必要があります。

属人化した配車ノウハウ（暗黙知）を制約条件として抽出・データ化する手順

配車ノウハウを反映させる際は、業務ルールを「必須条件（ハード制約）」と「希望条件（ソフト制約）」に分類します。

制約分類	制約項目	パラメータ化の具体例	連携元データ
ハード制約（法令・物理）	改善基準告示・物理制限	1日の最大拘束時間（原則13時間）、納品先の車高制限、パワーゲート指定	TMS運行マスタ・配送先マスタ
ソフト制約（効率・慣行）	積載率目標・コース適性	容積充填率目標（85%以上）、特定ドライバーの納品先専任度、混雑時間帯の回避	WMSデータ・動態管理ログ

データ化の具体的な進め方：

1. 運行ログの突合：過去3か月分のGPS走行データと実績配車表を照合し、納品先ごとの実際の平均荷待ち時間・荷役時間を分単位で算出します。
2. 荷物マスタの精緻化：出荷データから総重量だけでなく、実容積（CBM）やパレット換算値、温度帯区分をWMS連携で取得し、混載ルールを定義します。
3. 目的関数の重み付け：AI配車エンジンにおいて、「総走行距離の最小化」「稼働車両台数の最小化」「拘束時間の均等化」のどれを最優先とするか係数を設定します。繁忙期は台数最小化、通常期は拘束時間最小化といった柔軟な切り替えを行います。

シミュレーション検証からパイロット運用、全社展開への3ステップ

ステップ1：過去実績データを用いた机上シミュレーション検証（期間：1〜2か月）
過去の出荷実績データを配車エンジンに投入し、担当者が手作業で組んだ実績ルートとエンジン算出ルートを比較検証します。総走行距離や稼働台数の削減率を確認するとともに、タイムウィンドウ違反や進入不可ルートなどの不整合を洗い出し、パラメータを再調整します。

ステップ2：特定拠点・限定車両でのパイロット運用（期間：2〜3か月）
1拠点または特定エリア（10〜15台規模）に限定して実運用を開始します。前日に配車エンジンが自動作成した計画を担当者が確認・微修正して運行指示を出します。手動修正が発生した場合はその理由（例：「朝の荷受けが混雑するため午後に回した」等）を記録し、不足していたソフト制約をエンジンへ再設定します。

ステップ3：全社展開と求車マッチング・動的配車への拡張（期間：4か月目以降）
手動修正率が全体の5%未満に収まった段階で、全拠点および傭車を含む運用へと展開します。自社便の積載可能枠を自動計算した後、超過分の荷物を外部求車マッチング基盤へ自動連携させるとともに、当日の運行遅延や突発オーダーに即応する動的配車へ移行します。

よくある質問（FAQ）