Informationsteknologi har skapat nya möjligheter för en mer effektiv transport-planering med möjlighet att optimera godsflöden. Transportmodellering är i likhet med verktyg för inköpsprocessen i ett företag, relaterad till tidshorisonten för en transporttjänst med strategiska, taktiska och operativa beslut (jmfr. diskussionen i Kapitel 2.1). Den strategiska nivån fastställer allmänna riktlinjer för transportens utförande, medan den taktiska nivå bestämmer målsättning och begränsningar för den operativa beslutsnivån som styr den daglig driften (Crainic & Laporte 1997). Konkret innebär det att beslut som rör typ av transporttjänst fattas på en strategisk nivå kopplat till befintlig affärsmodell, upphandling av transportföretag sker på taktisk ledningsnivå med en genomsnittlig tidshorisont på två till tre år, medan transportplanering och operativa driftsbeslut sker löpande via en tranportlednings- funktion (Haugland et al., 2007).
Bakgrunden till ett nytt koncept med en förändrad upphandlingsmodell av trans-porttjänster hämtas från kommunal samordnad varudistribution och Ystad-Öster-lenmodellen. Upphandlingsprocessen rör i första hand den taktiska nivån, som utgår från ett digitalt underlag baserat på ruttoptimering för upphandling av transporttjänster. I den inledande problembilden kännetecknas transportbran-schen av låg datamognad i jämförelse med andra näringslivssektorer. Det är först på 2000-talet som IT-verktyg introduceras inom transportsektorn och då genom GPS-positionering och mobil kommunikation som alstrar data och föder en digi- taliserad affärsprocess med order, fraktsedlar och fordonsövervakning (Sternberg
et al., 2014a). Men fortfarande ligger transportplanering och
upphandlingsunder-lag i de flesta fall utanför det digitala informationsflödet och utförs med manuella arbetsrutiner och analog information (Perego et al., 2011; Moen, 2013). Som på- talades i problembilden är det betydande skillnader i utväxling i transporteffektivi-tet mellan olika ITK-lösningar. Fordonsdatorer och mobil kommunikation effekti-viserar endast manuella arbetsrutiner, medan digital planering med ruttoptimering generar betydande vinster genom att fordonskilometer, resursbehov och CO2-utsläpp minskar substantiellt.
Ruttoptimering som verktyg har underskattats i Sverige, framförallt har det funnits tveksamheter från transportbranschen med en allt som ofta negativ inställning till applicerbarhet och eventuella förtjänster (Arvidsson et al., 2013). En förklaring kan sannolikt härledas till maktfrågan, vem skall ha makt över planering och upp- följning när ruttoptimering ger ett transparent underlag med en kontrollfunktion av utfört trafikarbete. En förändrad upphandlingsmodell blir till en affärsstrategisk fråga för en transportköpare, där man i gängse affärsmodell genom avtal friskriver sig ansvar från logistikuppgiften och istället förlitar sig på transportbranschens expertis. Branschföreträdare och transportföretag har i sin tur hävdat att de äger frågan och sitter på kunskap över logistik och transportplanering. Men att betona, för att transportsektorn skall kunna tillgodogöra sig tekniska innovationer som grund för effektiviseringar i hela transportsystemet krävs strategiska förändringar med fokus på nya affärsmodeller, det vill säga potentialen ligger i organisatoriska innovationer som bygger på transparens och samarbete mellan aktörer.
Hur kan en förändrad affärsmodell med ruttoptimering generera 15 till 25 procents reduktion i resursbehov? Svaret kommer från ett antal studier där ett statistiskt säkerställt nuläge med manuell planering har ställts mot en förändrad digital planering med ruttoptimering. Generellt finns det få vetenskapliga studier som analyserar implementering av ruttoptimering (Laporte, 2009). Från den kommer-siella sidan saknas också exempel på systematiska studier före och efter digital
planering, där ett skäl utgör att nya systemlösningar baseras på konfidentiell information som inte avslöjas av konkurrensskäl. Det är också ett tidskrävande arbete att skapa ett nuläge som i många fall kräver manuell datafångst, men utan ett jämförande nuläge går det inte att fastställa optimeringspotentialen för en ny affärsmodell. Resultaten från ett antal implementeringar, pilotprojekt och FoU-studier har sammanfattats inom ramen för Trafikverkets projekt DOTEK, en akro- nym för ”Digital operativ transportplanering för ökad effektivisering och minskade
klimatutsläpp: Fallstudier och metodutveckling av begreppet transporteffektivitet med avseende på ruttoptimering” (Moen, 2010). Metoder och förändrade
affärs-modeller har använts sedan slutet av 1990-talet, men det har funnits trösklar att övervinna.
Tillämpningsområden av ruttoptimering i Sverige ligger betydligt efter USA och BeNeLux-länderna där användningen är utbredd bland logistik- och transportföre-tag. Det kan till del förklaras med att Sverige hämmades av bristen på nationellt täckande digitala kartdatabaser där utvecklingen släpade efter Nordamerika och det tätbefolkade Västeuropa med fem till tio år. För att en digital karta skall vara användbar som underlag vid ruttoptimering krävs en digital vägdatabas med hastighetsbegränsningar och körrestriktioner som matchas mot ett textbaserat adressregister med mottagares och avsändares koordinater, en procedur som be- nämns för geokodning. Först vid mitten av 2000-talet var den svenska marknaden i kapp genom lanseringen av kommersiella produkter från Navigation Technology (sedermera NavTeq) och Teleatlas, med bilindustrins behov som katalysator. Privata företag förbigick därmed den stora satsningen från svenska myndigheter med en Nationell Vägdatabas (NVDB), ett samarbete mellan dåvarande Vägverket, Lantmäteriet, Sveriges kommuner och landsting, Skogsnäringen och Transport-styrelsen (www.nvdb2012.trafikverket.se). NVDB var ett regeringsuppdrag med höga ambitioner vid starten 1996 men försenades i omgångar, främst till följd av en decentraliserad datafångst där kommuner skulle bidra med underlagsmaterial till kartdatabasen.
Framförallt adressmatchning i den digitala kartan utgör ett kritiskt moment där adresser och affärsinformation behöver ”tvättas” (kontrolleras och korrigeras) eftersom indatat som regel kommer från olika datakällor med diskrepanser och redundans, exempelvis felstavade adresser. Risken finns att information saknas eller är direkt felaktig som gör att körrutter blir inkompletta och därmed påverkas resultatet negativt. Information i databaser som kopplas mot geokodade adresser – såsom kundregister, godsvolymer, leveranstidsfönster eller annan register- information – benämns i ruttoptimeringstermer för attributdata. Ett villkorslöst krav vid ruttoptimering utgör att attributdata som föder systemet är kvalitetssäk-rat med digital information i alla led av en transportkedja. Utan tillförlitlig informa- tion blir resultatet aldrig bättre än förutsättningarna. ”Garbage In, Garbage Out” (GIGO) är en term som används inom IT och syftar på att undermåliga dataunder-lag inte bara raderar ut förväntade effektiviseringsvinster, utan ger även direkt felaktiga resultat i en i övrigt fungerande IT-process.
Som innovation inom transportsektorn utgör digital transportplanering med rutt- optimering ett expertsystem med rötter inom akademisk forskning baserad på matematisk modellering och Operational Research (OR). Ruttoptimering utgör ett samlingsnamn för algoritmer och datorsimuleringar som ersätter manuell plane-ring inom transportbranschen, men som också ställer krav på organisationsutveck-ling och nya affärsmodeller. Algoritm eller fritt översatt räknemodul definieras som en avgränsad mängd väldefinierade instruktioner för att på matematisk eller datoriserad väg lösa en specifik uppgift. Algoritmer arbetar i olika steg där beräk-ningar upprepas som en iterativ process eller utgör ett val enligt ett fördefinierat regelverk, där båda aspekter kännetecknar algoritmer för ruttoptimering. Trans-portsektorn var ett av de första områdena inom OR som skapade praktisk nytta med digital transportplanering och bättre resursutnyttjande av fordon (Bodin et al.
1983). Matematisk modellering och algoritmutveckling har dominerat det veten-skapliga angrepssättet som genererat tusentals vetenveten-skapliga artiklar, däremot saknas i princip helt fallstudier med praktiska tillämpningar och implementerings-metoder baserade på ruttoptimering (Laporte, 2009).
Ett av få exempel redogör för den amerikanska detaljhandelsjätten Sears Roebuck optimering av det egna distributionsnätverket för hemleveranser av vitvaror. Sears kunddata integrerades med GIS-funktionalitet, gatunät och förutsättningar för simulering, där förändrad planering med ruttoptimering resulterade i betydande kostnadsbesparingar genom fler leveranser per timme, ökad fyllnadsgrad med färre kontrakterade fordon och minskad miljöbelastning genom färre körda fordons- kilometer (Weigel & Cao 1999). En annan studie som dokumenterats och som i grunden förändrade befintlig affärsmodell utgör optimeringen av Coca Cola Enterprises distributionsplanering och arbetsrutiner för transportledare (Kant et
al., 2008). I utgångsläget var den tekniska utmaningen att definiera arbetstider,
fordonskapacitet, omlastningsterminaler, varugrupper och specifika leverans- villkor utifrån en systemlösning baserad på ruttoptimering. Den tekniska lösning-en visade sig fungera och leva upp till förväntat resultat, där dlösning-en verkliga ut- maningen utgjordes av transportledares attityd till nya arbetsuppgifter. Framgångs- faktor var företagsledningens förmåga att sprida budskapet kring nyttan av
förändringsarbetet inom hela organisationen. Slutsatsen styrker tesen om vikten av beteendeförändringar på individnivå från alla aktörer som ingår i ett transport-nätverk (Forsberg & Gudmundson, 2008).
För att komma tillbaka till DOTEK innehåller projektet studier från skilda bransch- er som post- och tidningsutbärning, varudistribution i tätort, transporter inom B2B, intransport av slaktdjur, insamling av hushållsavfall, schemaläggning av hemtjänst-personal och kommunal samordnad varudistribution (Moen, 2010). Utgångspunkt var att skapa ett nuläge genom digitalisering av ett befintligt transportflöde, där sedan samma ingångsvärden användes vid ruttoptimering av nya körrutter. I samt- liga fall visade vetenskapligt säkerställda fallstudier på ett minskat trafikarbete och ett reducerat resursbehov på upp till 25 procent mellan nuläge och simuleringar. Fallstudierna visade tydligt att det inte var tekniken som utgjorde det stora hindret att övervinna, utan det var att skapa en centraliserad planeringsfunktion med insyn och transparens i informationsflödet internt såväl som externt gentemot sam-arbetspartners (Kohn & Huge-Brodin, 2009). Ruttoptimering innebär en föränd-ringsprocess från en manuell planering som utförts i flera led till en planering som styr hela verksamheten från en dator, det vill säga en förskjutning i makt från transportföretag till transportköpare.
En centraliserad planeringsfunktion innebär även att operatören sitter på makten över försörjningskedjan vilket givetvis inte går obemärkt förbi i den egna organisa-tionen. En slutsats i Coca Cola-studien var att individer är mer eller mindre för- ändringsbenägna, vilket därmed utgör tröskeln att övervinna när planeringen blir digital och centraliseras (Ferrucci, 2013). Ett förändringsarbete kräver individens ansvarstagande i planeringsprocessen, men en ännu viktigare fråga för företags- ledningen blir ett helhetsgrepp som involverar hela personalen för att driva igenom en ny affärsmodell. Digital transportplanering mäter tid och sträcka vilket som regel inte utförts tidigare på ett strukturerat sätt, likaså ger det helt andra möjligheter till styrning och kontroll med uppföljningssystem för utvärdering och förbättringar. Utvecklingsarbetet från Ystad-Österlenmodellen och erfarenheter från DOTEK-projektet, ligger till grund för Femstegsmodellen som baseras på en digital planeringsprocess med en kommersiellt utvecklad mjukvara för rutt- optimering.