UPTEC STS 16039
Examensarbete 30 hp
September 2016
Samordning av transporter inom
Uppsala Kommun och Landsting
Teknisk- naturvetenskaplig fakultet UTH-enheten Besöksadress: Ångströmlaboratoriet Lägerhyddsvägen 1 Hus 4, Plan 0 Postadress: Box 536 751 21 Uppsala Telefon: 018 – 471 30 03 Telefax: 018 – 471 30 00 Hemsida: http://www.teknat.uu.se/student
Abstract
Coordination of Transports within the Municipality of
Uppsala and the County Council of Uppsala
Martin Berg
The municipality and county administrations of Uppsala are planning a project for coordination of transports to their institutions and services across Uppsala County, which are today done separately. This report aims to analyze what the profits of such coordination might be, in terms of environmental care, economic and social aspects, given the Resources available today. This is done by creating optimization models for both separate and coordinated transports, based on previously completed order tables, and comparing the results. The final results show at best a 13% improvement in driving distance and a 7% improvement in driver work time, which transfers into 172 000 SEK savings yearly and significant reductions in CO2-emissions while easing workload during high intensity days. Changes in the transport fleet might increase this to up to 272 000 SEK while possibly further reducing emissions but without creating significant increase in workload for drivers.
Keywords: public sector, optimization, route analysis, transport
ISSN: 1650-8319, UPTEC STS 16039 Examinator: Elísabet Andrésdóttir Ämnesgranskare: Girma Gebresenbet Handledare: David Ljungberg
Sammanfattning
Sedan tidigt 2000-tal har utvecklingen gått snabbt framåt vad gäller automatiska system för framställning av optimala körrutter vid varutransporter. Parallellt med detta har även diskussioner om lokal produktion och koldioxidutsläpp gjort att större krav ställs på hur varuleveranser går till. På grund av detta har flera svenska kommuner gjort ansträngningar att satsa på optimeringar av varudistributionen, ibland i samarbete med andra kommuner. Vad som däremot har varit mer ovanligt är försök att samordna leveranserna mellan kommun och
landsting. Uppsala Kommun och Landsting har därmed vänt sig till Sveriges
Lantbruksuniversitet med en förfrågan om att göra en studie av vilka möjliga vinster som finns att göra med en transportsamordning mellan dessa parter, vilket har mynnat ut i den här
rapporten.
Genom redan existerande data i form av GPS-loggar och leveranstabeller från Uppsala Kommun och leveranstabell från Uppsala Landsting har en beräkningsmodell för hur leveranserna kan göras optimalt skapats. Resultatet från denna har sedan jämförts med en ny, liknande modell där leveranserna istället görs optimalt men gemensamt. Modellskapande av den här typen är i grunden inte speciellt avancerat. I stora drag bygger det på att leveranspunkterna delas in i grupper som kan hanteras av en lastbil under ett arbetspass och sedan försöker man göra det med så få lastbilar och korta arbetspass som möjligt. För ett litet antal leveranser kan detta göras med stor säkerhet av en människa, men behovet av en datoriserad modell uppstår när det rör sig om hundratals leveranser. Oavsett om det görs av en människa eller en dator är det dock svårt att veta om den lösning man får fram verkligen är optimal sett till sträcka och körtid. Datorn här har ytterligare en fördel på så vis att den har uthållighet att göra om beräkningen många gånger med små variationer av parametrar och därefter välja den bästa lösningen.
Resultatet av dessa beräkningar visar att man sett till körd sträcka per vecka kan vinna 16 % på ensamordning medan det sett till körtid blir en besparing på ca 7 %. Den sparade sträckan leder även till en kostnadsbesparing på upp till 10 % eller 272 000 kr och i bästa fall en
utsläppsbesparing i koldioxidekvivalenter på 16 %. Tidigare erfarenheter från
samordningsprojekt i kommuner visar att dessa resultat från beräkningsmodellen ofta speglas med marginal i de verkliga resultat man får när samordningen utförs i praktiken. Vad som också har visat sig vid tidigare samordningsprojekt är att den riktiga vinsten snarare är den flexibilitet i strategiska val som uppstår när leveranserna samordnas. I Uppsalas fall skulle den sparade tiden kunna utnyttjas genom till exempel avyttring av en lastbil och att en annan lastbil byttes mot ett mindre leveransfordon. Detta skulle visserligen inte vara det ekonomiskt mest lönsamma alternativet, men det positionerar kommun och landsting bra för framtida koldioxidneutrala transporter.
1
Innehållsförteckning
1. Inledning ... 3
1.1. Syfte och Avgränsningar ... 3
2. Bakgrund... 3
2.1. Optimeringsproblem ... 4
2.1.1. Ruttoptimering som praktiskt verktyg ... 5
2.2. Tidigare erfarenheter av IT-baserad transportsamordning i svenska kommuner ... 5
2.2.1. Borlänge ... 6
2.2.2. Halmstads kommun ... 6
2.2.2. Österlenkommunerna ... 7
2.3. Tidigare erfarenheter från andra studier ... 7
2.4. Alternativa fordon ... 8 3. Metod ... 9 3.1. Studerade system... 9 3.2. Datakällor ... 11 3.2.1. Landstinget ... 11 3.2.2. Kommunen ... 11 3.3. Intervjuer ... 11 3.4. Avstämningsmöten ... 12 3.5. Optimeringsprocessen ... 12
3.5.1. Val av parametrar som styr beräkning ... 12
3.5.2. Val av optimeringsmål ... 13
3.6. Utformande av referensmodellen ... 13
3.6.1. Leveransorder ... 13
3.6.2. Lastenheter och fordon... 14
3.6.3. Lokalisering av depå ... 14
3.6.4. Vägdatabas ... 15
3.7. Utformning av modell för samordning ... 15
3.7.1. Scenario 1: Samma returtider ... 15
3.7.2. Scenario 2: Returtid kl 13:00 ... 16
3.7.3. Scenario 3: Returtid kl 12:00 ... 16
3.7.4. Scenario 4: En lastbil borttagen ... 16
2
3.7.6. Scenario 6: En lastbil borrtagen, en lastbil ersatt av mindre, eldriven lastbil ... 16
3.8. Utsläppsberäkning ... 17
3.9. Kostnadsberäkning ... 17
3.10. Utvärdering av modellens användbarhet... 19
4. Resultat ... 19
4.1. Referensmodellen ... 20
4.2. Modell för samordning ... 20
4.3. Lokalisering av depå... 22
5. Diskussion ... 22
5.1. Metoderna och modellernas relevans ... 22
5.1.1. Avyttring av lastbilar ... 23
5.1.2. Stopptider ... 23
5.1.3. Alternativ depå ... 23
5.1.4. Alternativa lastbilar ... 23
5.1.5. Taktiskt fokus ... 24
5.2. Absoluta och relativa effekter ... 24
5.2.1. Ekonomiska effekter ... 24
5.2.2. Miljömässiga effekter ... 24
5.2.3. Sammanfattad värdering av scenarierna ... 25
5.3. Utmaningar ... 25
6. Slutsatser ... 26
Referenser ... 27
Appendix ... 29
A Kostnadskalkyl för samordning ... 29
B Alla leveranspunkter Landsting ... 32
3
1. Inledning
Samordning och optimering av transporter är ett sätt att både minska kostnader och miljöbelastning. I takt med att datorkraft och optimeringsalgoritmer blivit allt bättre har möjligheterna att finna effektiva lösningar för olika typer av transportproblem ökat. Inom svensk kommunal verksamhet har ett flertal försök gjorts att samordna de interna transporterna, ofta med god framgång. Vad som dock inte har gjorts är samordningar av transporter mellan kommun och landsting. I Uppsala finns dock anledning att undersöka sådana möjligheter. Uppsala Kommun och Landstinget i Uppsala län kommer båda vara tvungna att se över sina distributionslösningar. I kommunens fall beror detta främst på att den gamla depån måste flytta, i landstingets fall handlar det främst om att ändra rutinerna kring avemballeringen av inkommande varor vilket även det kan kräva en ny depå.
Uppsala Kommun och Landsting har därför beslutat att undersöka möjligheten att genomföra en samordning av vissa av de varutransporter som sker från respektive distributionscentral till deras verksamheter ute i länet och kommunen. En sådan samordning skulle kunna ge positiva effekter på så väl körsträcka som arbetstid för de lastbilar och förare som utför leveranserna. Den här studien är en förstudie som syftar till att ta reda på om en samordning är möjlig och vilken storlek på effekterna som kan väntas.
Baserat på detta kan vissa vetenskapliga frågor formuleras: Hur kan kommun och landsting samordna sina transporter i ett taktiskt perspektiv för att optimera
resursutnyttjandet i form av arbetstid, bränsle och underhåll? Vad motsvarar detta i kronor och koldioxidekvivalenter? Vilka andra sociala vinster och kostnader uppnås med ett sådant transportsystem? Vilka möjligheter kan en samordning skapa i det strategiska perspektivet?
1.1. Syfte och avgränsningar
Syftet med den här rapporten är att utreda möjligheterna att samordna Uppsala Kommun och Landstings transporter så att ekonomiska, miljömässiga och sociala vinster uppstår. Utgångspunkten är att detta skall ske främst ur ett taktiskt perspektiv, fokus ligger alltså på att med de fysiska resurser som kommunen och landstinget idag har tillgång till optimera transporterna. I den mån det strategiska perspektivet tas upp sker det i form av att möjliga alternativ lyfts fram, snarare än djupare analys av effekterna av dessa
alternativ.
2. Bakgrund
Inom logistiken brukar man prata om definierade nivåer av planeringsperspektiv. Den högsta nivån kallas strategisk och syftar på långsiktig planering i form av till exempel
4
terminaler och köp av lastbilar. Beslut på den här nivån är breda och svepande och blickar flera år in i framtiden. Under detta finner man den taktiska nivån, som handlar mer om de fysiska resurser man redan har och hur dessa generellt ska användas. Här studeras till exempel säsongsvariationer, men enstaka dagar tas ej upp. På den operativa nivån handlar det om hur den kommande veckan ska hanteras [1].
I dessa tre nivåer flödar informationen från den operativa nivån till den taktiska och vidare mot den strategiska, samtidigt som den strategiska styr ageranden på den taktiska nivån, och den taktiska nivån styr i sin tur den operativa. Beslutsfattande på den taktiska nivån måste därmed ta hänsyn till den information som kommer från den operativa nivån, samtidigt som den följer de riktlinjer skapade på den strategiska nivån. Den här rapporten använder sig av informationsflödet från den operativa nivån och är i sig en del av informationsflödet från den taktiska nivån till den strategiska.
Således bör en studie på den taktiska nivån ta information från den operativa
verksamheten, samtidigt som den ligger till grund för beslut på den strategiska nivån.
2.1. Optimeringsproblem
Det finns ett antal olika sätt att lösa logistiska optimeringsproblem, där det enklaste brukar kallas ”Handelsresandeproblemet” och beskriver hur en handelsresande kan med minsta möjliga kostnad (oavsett om kostnaden är i tid, pengar eller något annat) besöka ett antal punkter som alla har ett värde kopplat till avståndet mot varandra. Detta kan såväl en människa som en dator ganska enkelt lösa, så länge antalet punkter är litet. Det blir dock snabbt mer svårlösligt när antalet punkter ökar. I praktiken, åtminstone vad gäller den här rapporten, är dock ofta problemet lite mer komplicerat än så. Man inför då vissa begränsningar, till exempel kan man säga att en leverans bara får vara en viss längd, att varje punkt ska få ett visst antal varor, varje leverans har begränsad kapacitet, att vissa vägar bara får användas vissa tider, och så vidare. På så vis kan man lösa ett problem som liknar verkligheten, men samtidigt blir det allt svårare att både lösa problemet och att vara säker på att den lösningen man har verkligen är den bästa [2]. När dessa metoder utvecklades på 60- och 70-talen var beräkningskraft ett mycket stort hinder och var antalet leveranspunkter stort valde man måttliga begränsningar, med resultatet att man mycket väl kunde få svar som rent matematiskt stämde, men som i praktiken var ogenomförbara. Det fanns också en risk att man "målade in sig i hörn", så att metoden i slutändan lämnar någon eller några leveranspunkter kvar som då måste göras med separat leverans. 1981 presenterar Fisher och Jaikumar en tvåfasmetod som visar sig mycket effektiv då den bland annat tillåter avancerade
kapacitetsbegränsningar, är beräkningseffektiv och alltid ger ett giltigt svar, om ett sådant finns [3].
Metoden bygger på att man för varje lastbil tillordnar en "seed-kund". Denna bör vara en punkt som är strategiskt viktigt, alltså att den är långt ifrån distributionscentralen, har stor efterfrågan och helst vara lokaliserad nära stora genomfartsleder. Punkterna som
5
väljs bör även ha stor geografisk spridning. Därifrån beräknar man kostnaden för varje lastbil att lägga till varje kvarvarande kund, och på så sätt får man ut kluster som varje lastbil arbetar i. Fisher och Jaikumar rekomenderar att seed-kunder väljs manuellt, men det kan även beräknas automatiskt [3].
2.1.1 Ruttoptimering som praktiskt verktyg
Enligt Moen [4, sid 328-334] har det funnits en vedertagen uppfattning bland
transportledare och chaufförer att ruttoptimering inte ger de effektiviseringsvinster som transportkonsulter hävdat varit möjligt. Detta menar Moen [4, sid 328-334] beror på att optimeringen kräver organisationsförändringar och IT-integration som
transportaktörerna inte har varit beredda att genomföra. I Sverige har därmed programvaror för ruttoptimering ofta använts för att ge kostnadsindikationer för
specifika rutter snarare än för resursoptimering av en fordonsflotta som betjänar en stor mängd leveranspunkter. Dessa specifika rutter väljs, på grund av mänskliga
begränsningar, ofta på rent geografiska grunder. Det vill säga, man delar in kartan i områden och låter en viss lastbil hantera ett visst område varje dag. Detta leder till suboptimala rutter.
Moen lyfter vidare fram ett antal fördelar med ett helautomatiskt system för
ruttplanering, bland annat att beställaren av varor kan få ett automatiskt genererat email om när exakt varan väntas levereras. Det är också en förutsättning för ett fortsatt
utvecklingsarbete av den modell man skapar, där till exempel stopptider automatiskt kan loggas och jämföras med den planerade stopptiden för att på så sätt skapa ännu bättre rutter [4, sid 328-334].
Detta är i viss mån i kontrast med tidigare beskrivningar av ruttoptimering som ett praktiskt verktyg, där det istället beskrivs som ett komplement till förarens egen ruttplanering [5, 6].
Det som pekas ut som det största hindret för praktisk användning av ruttoptimering av Moen med flera [4, sid 334, 6, 7] är bristande transparens och fritt informationsflöde i olika aktörers IT-system.
2.2. Tidigare erfarenheter av IT-baserad transportsamordning i
svenska kommuner
Flera svenska samordningsprojekt har gjorts mellan och inom svenska kommuner. Det går att se genomgående arv av erfarenheter, där samarbetet mellan Simrishamn, Ystad och Tomelilla (här kallade Österlenkommunerna) är det senaste. Här kommer även erfarenheter från Borlänge och Halmstad beskrivas, för att skapa ett perspektiv på den utveckling som skett.
6
2.2.1. Borlänge
Fallet Borlänge handlar mycket om logistik och IT-integration, när projektet startade 1999 var många av de tekniska verktyg som finns idag inte tillgängliga. Projektet bestod av ett samarbete mellan Borlänge och de betydligt mindre Säter och Gagnefs kommuner och gällde distribution av livsmedel, som vid projektets start skedde med många olika typer av leveranser. Eftersom Borlänge var tidigt ute med den här typen av IT-baserad samordning kom det att kallas Borlängemodellen och blev en viktig förebild för
kommande liknande projekt. Ett av de större misstagen som begicks enligt Moen [4] var att man tog hjälp av ett enda företag som skötte såväl utförande som planering av
logistiken, vilket sedermera ledde till att de vann senare upphandlingar eftersom konkurrens saknades [4, sid 150-155].
När man 2001 utredde de miljömässiga effekterna av projektet visade det sig att
lastgraden i lastbilarna sett till vikt faktiskt minskade. Detta berodde på att man använde rullburar som fyllde lastutrymmet trots att själva buren i sig inte var fullastad. Orsaken till det spekuleras i sin tur hänga ihop med att det är mattransporter som måste ske vid väldigt specifika tider och vissa dagar, utan undantag. I slutändan leder det till att utsläppen fick en mycket liten, kanske försumbar skillnad. Vad som däremot blev bättre var trafiken kring känsliga verksamheter, som minskade med 45 %, räknat i antal stopp och fler leveranser kunde dessutom göras tidiga morgonar, innan trafiken tilltog. Detta var dock innan IT-integrationen var fullt utbyggd [7, sid 12-18].
I en senare studie av Nordmark [8] gjord 2012 blev resultaten tydligare. Nu var IT-integrationen högre och utsläppen minskade med 68-75% räknat i
koldioxidekvivalenter. Det ska dock noteras att utgångsläget i det här fallet var leveranser direkt från producent till konsument, dvs utan någon form av
distributionscentral. Intervallet består av skillnaden mellan olika samordningslösningar med distributionscentraler, varpå man kan se att den stora effekten kommer av övergång från direktleveranser till centralleveranser, snarare än optimeringen i sig.
2.2.2. Halmstads kommun
Parallellt men med start 2005 initierade Halmstad ett projekt för att internt samordna sina egna transporter, som sköttes av många olika transportföretag. Även här täckte upphandlingen såväl transporter, distributions central som logistisk planering, med det slutliga resultatet att kommunen sakande insyn och kontroll över planering och
uppföljning. Vidare är Moen kritisk mot hur förstudien genomfördes. Två externa konsultbolag anlitades för att dels samla in data, dels för att med dessa data simulera och analysera uppgifterna. Insamlingen av dessa data byggde på enkäter utskickade till samtliga av kommunens leveransställen, där enkäten bestod av en manuellt förd loggbok över ankomsttider, volymer och leverantör. Svarsfrekvensen var dock bara 71 %, så de svar som hade inkommit fick antas vara representativa för alla leveransställen av konsultbolaget. Enligt Moen är detta inte nödvändigtvis en dålig metodik, men resultaten kan då inte presenteras i absoluta tal, utan i procentuella förändringar.
7
Simuleringen kan inte heller praktiskt användas till planering. Ett annat problem är att metoden kräver en stor arbetsinsats men ändå ger ganska osäkra svar. [4, sid 160-162]. De anlitade konsulterna var kritiska angående svårigheten att få information om
eventuella leveranspunkter utanför kommunens regi. Eftersom logistiken i det här läget sköttes av många olika aktörer som sannolikt gjorde många andra leveranser på samma rutter så målas inte en klar helhetsbild upp för att skapa ett realistiskt nuläge. Därmed kan inget sägas med säkerhet om eventuella vinster [4, sid 160-162].
I slutändan beräknades samordningen här ge 60 % minskade fordonskilometer och en besparing på 1,8-3,0 miljoner kronor. Det ska dock igen noteras att detta utöver
ruttoptimering innefattade samordning av transporter som sköttes på många olika sätt av externa leverantörer [9].
2.2.3. Österlenkommunerna
Transportsamordningen mellan Österlenkommunerna är det samordningsprojekt på senare tid som påminner mest om den utmaning Uppsala står inför. Tomelilla och Simrishamn är mindre tätorter medan Ystad är betydligt större, samtidigt som Ystad kommun till ytan är den minsta av de tre. Detta är inte olikt Uppsala kommun med en stor tätort och det omgivande landstingsområdet med dess mindre orter. Skalan är dock mycket mindre än i fallet Uppsala, Uppsala Län är nästan 10 gånger större än
Österlenkommunerna tillsammans. Det som också skiljer Österlenkommunerna från Uppsala län är att utgångsläget i Österlenkommunerna var att leveranserna till stor del skedde via många olika leverantörer beroende på varornas ursprung. I Uppsala har man redan hög grad av samordning inom de två aktörerna. I Österlenkommunerna kunde man därför använda sig av en mycket förenklad förstudie där man beräknade till vilken grad man skulle kunna minska antalet stopp till varje leveranspunkt och göra antagandet att fordonskilometer och kostnader minskade proportionerligt. Denna förenklade
undersökning visade på 63,1 % vinst [4].
Senare gjorde man en mer detaljerad studie baserad på ruttoptimering, alltså mer lik denna studie. Den utfördes genom enkätundersökningar till varje mottagande enhet, som inkluderade varumängd och stopptid. Denna visade på 70 % vinst jämfört med utgångsläget, eller ca 7 procentenheter bättre än den tidigare analysen, där den senare siffran således representerar den förändring Uppsala står inför [4].
2.5. Tidigare erfarenheter från andra studier
Gebresenbet och Ljungberg [6] lyfte tidigt fram betydelsen av IT-system i en studie av transporter mellan gårdar och leverans/inköpspunkter utanför Uppsala. Problematiken är liknande de kommunala fallen med samordning av flera aktörers leveranser. En
effektivisering på upp till 29 % sett till tid och distans noterades, speciellt när många leveranspunkter var inblandade. Här föreslås dock IT-systemet som ett komplement snarare än det allena styrande verktyget för ruttplaneringen. Samma författare studerade
8
senare [5] transporter till affärer i centrala Uppsala genom observation av leveranser till vissa punkter. Även detta påminner om till exempel Halmstadsfallet, där många olika leverantörer sköter leveranserna. Här visade det sig att stopptiderna visserligen beror på mängden varor i någon mån, men att avlastning står för den mindre delen av tiden vid varje stopp, mycket på grund av köer som skapas när många leverantörer levererar små mängder. Man gjorde även en enkät till mottagarna som tog upp bland annat när
leveranser föredras, vilket visade att olika butiker föredrar olika tider, men ingen vill ha leveranser över lunch. Liknande resultat har publicerats av Arivdsson et al. [10], där samordningsprojekt begränsas av antalet stopp och leveransfönste snarare än volym eller vikt på leveranserna.
I Göteborg har liknande forskning gjorts av Olsson och Woxenius [11], där
uppsamlingscentraler för leveranser från små företag studeras via en enkätundersökning riktad mot småföretagen. Resultaten visar att stora hinder för samordning inkluderar invanda beteenden hos leverantörer, konkurrans mellan producenter, svårigheter att matcha leveransfönster, osäkerhet om leveranser kommer fram vid rätt tid och relativt små besparingar för producenterna.
Parallellt studeras detta även utanför Sverige. Dablanc och Ross [12] beskriver hur logistik inom Atlantas storstadsområde ges specifik uppmärksamhet av den offentliga sektorn men att samarbetet fungerar dåligt mellan städernas och kommunernas styrelser, ett mer regionalt perspektiv anses behövas. Lindholm och Browne [13] tar i en vidare metaanalys upp ämnet privat-offentliga samarbeten i urbana logistiksituationer i Paris, Utrecht, Lidköping, Göteborg och London. Här blir en viktig gemensam nämnare hur det kan uppstå oväntade konflikter om det finns en historia av dåligt samarbete mellan offentliga och privata aktörer i området. Detta kan till exempel leda till att kunskap och information inte rör sig fritt mellan verksamheterna. Det verkar alltså som att mycket de centrala problemen som beskrivits i Svenska kommuners samordningsförsök går igen utländska försöka av mer eller mindre liknande karaktär.
Eftersom den här studien bygger på ett samarbete mellan kommun och landsting hade det varit relevant med tidigare studier där landsting är inblandade. Något sådant tycks dock ej ha publicerats.
2.8. Alternativa fordon
På grund av de långsiktiga mål som EU har satt upp angående varutransporter med lastbil kommer det behövas flera olika typer av drivmedel för lastbilar i framtiden. Enligt en expertgrupp skapad av europakommissionen kan det se ut så här [14]:
Batteridrivna ellastbilar för korta distanser. Vätgas och metan för medeldistanser.
Flytande biobränslen, syntetiska bränslen och flytande metan för långa distanser och tunga fordon.
9
Där batterier, flytande biobränslen och vätgas anses vara de primära alternativen. Utöver detta har Sverige ett eget mål satt till 2030 att ha en "fossiloberoende
fordonsflotta" [15]. Slutligen har Uppsala Kommun antagit ett mål om fossilbränslefri fordonspark till 2020 [16].
Enligt en metastudie från KTH som undersöker energieffektiviteten i ovanstående alternativa bränslen i Sverige är batteridrivna fordon fördelaktigt i alla lägen där de är praktiskt möjliga att använda och bränsleceller drivna med vätgas på andra plats. Vätgas producerad med hjälp av metan ger högre energieffektivitet än att driva fordon direkt med metan. Det noteras dock att flytande biobränslen och metan ofta kan ha praktiska fördelar [18]. Vidare har beräkningar visat att det är avgörande för batteridrivna lastbilars effektivitet sett till både kostnad och växthusgaser att de får arbeta med leveransområden som är till deras fördel [19].
3. Metod
Målet med metoden som beskrivs i följande delkapitel är att skapa två
optimeringsmodeller: En där Landstingets och Kommunens transporter görs var för sig, en där de görs gemensamt. Syftet med den första modellen, referensmodellen, är att till så hög grad som möjligt skapa en modell som liknar verkligheten så som den såg ut under den studerade veckan, med antagandet att den veckan var en genomsnittlig vecka det året. På grund av brister i GPS-loggarna är det dock, som ovan nämnd, mycket svårt att verkligen validera denna modell, även om en kort ansats görs. Modellen för
gemensamma transporter presenteras i form av några olika scenarier som definieras av hur denna modell skiljer sig från ursprungsmodellen. Dessa scenarier har som syfte dels fungera som något av känslighetsanalyser som indikerar hur variationer i returtider påverkar slutresultatet och som exempel på hur förändringar av fordonsflotta och depå kan öppna upp för ytterligare besparingar. Valideringen av denna modell är, som beskrivs i kaptiel 2.4, en stor del av arbetet som görs när samordningen implementeras och ligger därmed till största del utanför den här rapporten.
3.1. Studerade system
Landstinget har en depå i Gluntenområdet, som är i direkt kulvertanslutning till Akademiska Sjukhuset. En majoritet av den varumängd Landstinget hanterar går till Akademiska Sjukhuset. I övrigt går transporterna till Ulleråkerområdet, mot Enköpings sjukhus och mot mindre vårdcentraler och folktandvårdsenheter i länet. Landstinget har i dagsläget en lastbil som kör ut i länet, en annan, lite mindre, som kör inne i Uppsala och använder en tredje lastbil som dels sköter en stor del av transporterna mot Enköping och dels används till matleveranser i fall när kylaggregat ej krävs. Även förarna har ofta andra arbetsuppgifter än de kopplade till den här studien.
10
Uppsala Kommun har tidigare haft en depå vid Verkstadsgatan 26 i Boländerna, men denna riskerar att behöva flyttas på grund av ett utbyggt värmekraftverk. Den planerade ersättningen ligger vid Nymansgatan 8, också i Boländerna, men det bedöms inte vara ett långsiktigt alternativ. Det finns alltså anledning att förbereda omlokalisering de kommande åren. Denna studie bygger dock, om inte annat nämns, på antagandet att depån ligger vid Nymansgatan 8. Kommunens transporter går främst till Uppsalas tätort, men en hel del även utanför stadens gränser men inom kommunen. Sammantaget skapar på så vis Kommunen och Landstinget ett ganska jämt mönster av leveranspunkter, med högst densitet nära Uppsala centrum och minskande ju längre ut mot länets kanter man kommer. Kommunens transporter sker med två lastbilar, de är av samma typ som Landstinget använder.
Karaktären på leveranspunkterna skiljer sig ofta markant. Landstinget har dryg 150 leveranspunkter och de allra flesta kör man till en gång i veckan, med några undantag som man besöker varje dag. Kommunen har drygt 800 leveranspunkter, en mycket stor del av dessa besöks inte varje vecka, vissa inte ens en gång i månaden, enligt
kommunens lastbilsförare. Många av kommunens leveranspunkter är mot egna hem eller andra platser som vanligtvis inte får varuleveranser, med resultatet att leveranserna kräver en viss nivå av erfarenhet för att göras effektivt, något som belyses nyligen då kommunen anställt två nya förare som upplever att de kanske inte kan utföra jobbet tillräckligt effektivt när leveransmängderna är som störst. Landstingets leveranser är å andra sidan ofta större, men går då till platser som har lastkaj eller någon annan form av praktisk avlastningsplats.
Vidare använder kommunen och landstinget två olika system för hantering av varor på lager och i lastbilar. Kommunen använder vanliga EUR-pallar (eller europapallar) som flyttas med en pallyft kombinerat med en mindre paketvagn för mindre leveranser. Landstinget använder istället en sorts vagnar. Dessa vagnar har liknande volym som EUR-pallarna men eftersom de har hjul är de något smidigare att hantera, speciellt när det finns lastkaj. Nackdelen är att medan tomma pallar kan staplas i ett hörn i
lastutrymmet så tar vagnarna lika stort utrymme vare sig de är fulla eller tomma. Eftersom tomma pallar och vagnar hämtas upp i samband med att nya leveranser lastas av så kan faktiskt landstingets lastbilar komma tillbaka med högre lastgrad än de åkte ut med.
Behoven av leveranser varierar under året för båda verksamheterna, med ett generellt lågt behov under sommaren. Åtminstone kommunen upplever även en ökning av leveranserna i samband med skolstarten. Sett till veckodagarna är varumängder i mitten av veckan är större, speciellt jämfört med fredagen.
I dagsläget är både kommunen och landstingets leveranser indelade i geografiska områden som hanteras på olika veckodagar. Inom dessa områden delas leveranserna manuellt upp mellan lastbilarna så att rutter skapas.
11
3.2. Datakällor
Vägledande för insamlingen och hanteringen av data har varit Moens uppmaning att göra förenklade förstudier [4]. Datakällorna från kommun respektive landsting skiljer sig mycket, men de anpassas så att de är kompatibla med varandra.
3.2.1. Landstinget
Leveranser från Landstinget består av en lista på leveranspunkter med tillhörande varumängd och adresser, se Appendix B. Den innehåller dock ett antal problem. För det första är varumängden för de flesta punkter inte definierad närmare än att det väntas komma ett okänt antal ”paket”. Det enda som är känt där är att mängden sannolikt inte motsvarar en av landstingets vagnar, eftersom det då rimligtvis skulle vara listat som en vagn. I detta fall antas mängden paket här vara motsvarande mängd som kommunen i genomsnitt levererar när denna levererar paket och inte pallar, vilket är 3 paket.
3.2.2 Kommunen
Kommunen bistod med dokumenterade körningar för arbetsveckan 10:e februari till 14:e februari 2014, inkluderade i form av Appendix C. Varje leverans hade ett namn för mottagande enhet, men ingen adress, och när adresser skulle associeras till dessa namn var det ett fåtal som inte kunde finnas. Varumängderna här ses som helt säkra, men kan tänkas avvika mycket från det normala genomsnittet för vissa punkter.
Utöver det hade man även GPS-loggar för denna vecka. Det är därför denna vecka utgör grunden för undersökningen. GPS-loggarna säger en del om hur körningarna ser ut, men en del frågor förblir obesvarade. En körning avslutas plötsligt i Sävjatrakten efter 1,5 timmar. Vid de flesta körningar väljer föraren rutter som verkar omständliga mellan två leveranspunkter. Vid något tillfälle besöks samma leveranspunkt två gånger och ibland stannar lastbilen på platser som ej får leveranser. Det är också svårt att koppla alla leveranser som enligt tidigare dokumentation ska ha gjorts till loggarna. Utöver detta saknas körningar för måndag, tisdag och onsdag för lastbil A. Det kan vara så att dessa dagar ej krävde två lastbilar, men med tanke på den plötsligt avslutade GPS-loggningen så har antagandet gjorts att GPS-loggningen ej startades eller ej fungerade dessa dagar. Det skall också noteras att både onsdagen och tisdagen innefattar stora varumängder – det är därför osannolikt att just dessa dagar skulle ha gjorts med en enda lastbil.
3.3. Intervjuer
Intervjuer med 4 olika förare har gjorts, varav alla kan beskrivas som semistrukturerade, de hade alltså informell karaktär och den intervjuade hade möjlighet att styra intervjun. Intervjuerna med lastbilsförarna skedde i samband med en körning och de intervjuade valdes därmed baserat på vilka som körde lastbilarna den dagen. Intervjuerna med förarna har legat till grund för antaganden vad gäller praktiska arbetsmetoder, men också för att utforma resultaten så att de ligger i linje med hur förarna önskar att arbeta.
12
Frågeområdena berörde förarnas erfarenhet, arbetsbelastning, detaljer i körningarna och egna tankar om effektiviseringar. Exempel på frågor finns i appendix.
3.4. Avstämningsmöten
Tre möten med representanter från kommun och landsting hölls, ett i början av projektet, ett ungefär vid halvtid och ett i slutet, som även fungerade som resultatredovisning. Dessa hade som funktion att stämma av utgångspunkter, antaganden och preliminära resultat. Närvarande var bland annat ansvariga för
avdelningar som hanterar transporter/logistik, miljö och livsmedel inom kommun och landsting.
3.5. Optimeringsprocessen
DPS Internationals Route Optimiser (RO) valdes eftersom det är den typ av
kommersiell programvara som kan tänkas användas av Kommun och Landsting i ett verkligt optimeringsprojekt. Det finns sannolikt hundratals1 program som i någon mån gör liknande saker. Det ligger inte i den här rapportens syfte att ta reda på eventuella skillnader i dessa, utan det antas att RO leverar resultat som är representativa för branschen som helhet. Enligt tillverkaren kan RO fungera som ett redskap på såväl taktisk som strategisk eller operativ nivå och har således många funktioner som inte är relevanta för den här rapporten. Kärnan är dock dess optimeringsmetod, som bygger på teorin som presenteras ovan, men med vissa detaljer som är värda att speciellt nämnas.
3.5.1. Val parametrar som styr beräkning
Route Optimiser tillåter inte dess operatör att rakt av välja seed-kunder så som Fisher och Jaikumar [10] föreslår, däremot tillåter den justeringar av parametrar som sannolikt har funktionen att styra hur dessa väljs. Som tidigare nämnts har valet av seed-kunder stor betydelse för utfallet och även fast det i princip går att helt datorisera beräkningen av seed-kunder så skulle det kräva större beräkningskapacitet. Det är nämligen så att för en viss uppsättning leveranspunkter kommer ungefär samma seed-kunder ge optimala eller nästintill optimala resultat. Detta gör att en operatör kan lära sig vilka parametrar som brukar ge bra resultat för dennes ansvarsområde så länge förändringarna är ganska små, utan att ens behöva veta att det existerar något som heter seed-kunder. Detta ger alltså det bästa mellan de två världarna av automatiska och manuella val av seed-kunder.
Exakt vad dessa parametrar betyder och vad de styr är affärshemligheter (Thomas Rickne, personlig kommunikation, 11:e augusti 2015), men det är icke desto mindre en
1 På www.captera.com listas ”Top Transportation Dispatch Software Products”
13
del av optimeringsprocessen att ta reda på deras optimala värden för en viss
datauppsättning. Det rör sig om tre olika parametrar, och dessa optimeras genom att de en efter en justeras upp eller ner till den bästa lösningen har funnits. Detta gjordes alltid två omgångar för att undvika att tidigare optimerat värde påverkades av senare värdens ändringar.
3.5.2. Val av optimeringsmål
Det värde som styr optimeringen är ett sammanvägt ekonomiskt värde. Detta betyder att sträcka och tid viktas baserat på deras kostnader. Utöver detta finns även en fast kostnad för varje lastbil, men optimering i det perspektivet får göras genom att olika
uppsättningar av lastbilar testas. De uppsättningar som ej gav giltiga resultat (alltså att alla varor ej levereras) presenteras ej.
3.6. Utformande av referensmodell
3.6.1. Leveransorder
Leveranspunkter för kommun och landsting analyserades och i de fall adresserna för två punkter var identiska slogs de ihop eftersom det är så programmet ändå kommer
behandla dem, och i praktiken är de då ett stopp för lastbilen. Till varje stopp kopplades den associerade varumängden och från denna beräknades en stopptid. Beräkningen bygger på att varje kollienhet (se nedan för definition) tar föraren 30 sekunder att
leverera samtidigt som varje stopp har en grundtid på 3 minuter. Enligt GPS-loggarna är kommunens stopptider i genomsnitt 7-8 minuter, med 2-3 stopp som är 20 minuter eller längre per dag. Enligt den metod som användes för att uppskatta stopptider baserat på last blir också stopptiderna i genomsnitt ca 7 minuter med ett fåtal stopp på 20 minuter eller längre per dag. I ett övergripande perspektiv stämmer alltså metoden bra, men när man ser till enstaka stopp kan modellen inte förutse hur länge lastbilen står stilla. Ett fåtal leveranspunkter har tidsbegränsningar. Det är KMB (klinisk mikrobiologi och vårdhygien) som tar emot kl 15 och Enköpings lasarett som kräver leverans före 10.00. I fallet KMB tillåts en marginal på +/- 30 minuter, i fallet Enköping måste leveransen kompromisslöst komma före 10.00. I vissa av fallen begränsas körtiderna för lastbilarna så att de är tillbaka vid depån innan de kan leverera till KMB. I dessa fall sätts
leveransen till KMB inom fönstret för körningen. Detta är möjligtvis inte praktiskt genomförbart, men eftersom det handlar om en enda leverans borde det inte påverka slutresultatet nämnvärt.
Utöver leveransorder skapades även en depå vid Nymansgatan 8, vilket är den
kommunen använder i dagsläget. För att utreda betydelsen av dess läge utnyttjades även en funktion där RO fick beräkna ett optimalt läge för en depå, givet de leveranspunkter som var inmatade, varpå eventuell besparing i avstånd och tid undersöktes.
14
3.6.2. Lastenheter och fordon
För inmatning i RO har varorna delats in i tre grupper, som räknas i enheten ”kolli”. Först har vi ”pallar”, som kommer av att kommunen ofta levererar på europallar. Dessa antas ha plats för 12 kollienheter, vilket bygger på antaganden från tidigare
undersökning, men ej vetenskaplig grund, enligt uppgifter från ansvrig på kommunen. Sedan har vi ”vagnar”, som kommer av att landstinget ofta levererar på en viss sorts vagnar. Även dessa antas ha plats för 12 kollienheter. Slutligen har vi ”paket”, som har plats för 1 kollienheter, som alltså är grunden för detta system.
Kommunens två lastbilar beräknas ha plats för 12 x 12 kollienheter, alltså 144. Två av landstingets lastbilar likaså, medan den tredje är något mindre och beräknas ha plats för 10 x 12, alltså 120. Enligt uppgifter från förarna är det dock inte helt tydligt hur mycket som får plats i en fullastad lastbil. Detta beror på att ett halvlastat flak är lättare att organisera under leveransens gång, så det blir eftersträvansvärt att inte utnyttja
kapaciteten maximalt. Därför minskas kapaciteten på lastbilarna i beräkningen med två pallar, så att vi får 120 respektive 96 kollienheter.
I de fall en lastbil återvänder till depån för att hämta upp mer varor finns en
omlastningstid, alltså tiden för att lasta av vagnar/pallar och lasta på nya varor. Denna omlastningstid beräknas till 60 minuter för landstinget och 45 för kommunen. Att den är kortare för kommunen beror på att kommunens längre körningstid (se nedan) gör att den kommer innefatta en lunch på 45 minuter. I praktiken är det rimligt att anta att den lunchen sker i samband med att lastbilen kommer tillbaka till depån och lastar om, vilket sparar tid. Utöver detta görs ett tillägg för varje dag i den samordnade modellen på 1 timma i tid och 1 mil i distans. Detta för att representera en lastbil kör mellan landstingets och kommunens depå för att leverera de landstingsvaror som ska köras ut med kommunens lastbilar och vice versa.
Förarna börjar vanligtvis körningarna klockan 07.00 på morgonen och önskar vara tillbaka "före lunch". GPS-loggar från kommunen visar dock att detta i praktiken är omöjligt, man kommer ofta tillbaka efter 14.00. Därför sätts körtiden mellan 07.00 och 14.30 för kommunen och mellan 07.00 och 13.00 för landstinget. Ett undantag är den lastbil som för landstinget några dagar per vecka kör till Enköping på morgonen, denna antas köra mellan 06.00 och 10.00. Vidare visar det sig att i beräkningsmodellen kan ej kommunen utföra alla leveranser med de resurser som finns till förfogande. Därför sätts körtiden denna dag för kommunen mellan 06.00 och 15.00 så att alla leveranser klaras.
3.6.3. Lokalisering av Depå
Eftersom Landstingets lastbilar startar i Gluntenområdet och kommunens depå ligger på Nymansgatan 8 så krävs en metod för att se till att rätt varor kommer till rätt lastbil. Eftersom depåplacering är relevant för resultatet i en ruttoptimeringsanalys och
15
placering av depå räknades ut av RO. Från denna depå gjordes ett försök med returtid för lastbilarna kl 13.00. Detta gjordes med dagens lastbilsuppsättning.
3.6.4. Vägdatabas
RO delar in vägar i 8 olika typer: ”Lantlig motorväg”, ”Lantlig motortrafikled”, ”Lantlig primär väg”, ”Övrigt på landet”, ”Motorväg i stad”, ”Motortrafikled i stad”, ”Primär väg i stad” och ”Övrigt i stad” och vägar på kartan är klassificerade enligt detta system. Till varje typ av väg finns en genomsnittshastighet. För att utreda vad som var rimliga parametrar där testades programmet att simulera mellan vissa kända punkter och jämfördes sedan med körtider som förarna vittnar om. Värdet 81 är kopplat till
lastbilarnas farthållare och ses således som en fysisk begränsning. Värdena som användes var således:
Tabell 1: Snitthastigheter för olika vägtyper
Landsbyggd Stadstrafik Motorväg 81 km/h 70 km/h Motortrafikled 81 km/h 50 km/h Primär 75 km/h 20 km/h Övrig 50 km/h 15 km/h Stadskärna 10 km/h
Funktionen att minska hastigheterna under vissa tider på dygnet användes ej då det inte fanns någon möjlighet att avgöra till vilken grad den i så fall skulle påverka.
3.7. Utformning av modell för samordning
Det finns några gemensamma skillnader mellan ursprungsmodellen och de samordnade scenarierna. För det första är att det är fritt fram för RO att göra alla leveranser på vilken dag som helst, med undantag för de landstingsleveranser som måste ske just en gång om dagen. Den andra skillnaden är kommunen måste få tillgång till landstingsvaror vid sin depå och vice versa vid landstingets depå. Det mest effektiva sättet att göra det antas vara att en lastbil kör från landstingets depå med landstingsvaror till kommunens depå, lastar kommunvaror och kör tillbaka till landstingets depå, varefter den kör sin vanliga runda. Detta ger ett tidspåslag på 150 minuter och 45 km varje vecka.
3.7.1. Scenario 1: Oförändrade returtider
Det första scenariot för samordnade transporter har identiska parametrar med de
separata leveranserna, förutom det undantag som görs på onsdagen för transport som nu inte behövs.
16
Således har vi två lastbilar som åker ut 07:00 och återvänder 14:30, och två som åker ut 07:00 och återvänder 13:00. Den femte lastbilen åker ut 06:00 och återvänder 10:00.
3.7.2. Scenario 2: Returtid kl 13:00
Därefter görs försök på de samordnade transporterna där kommunens lastbilar också återvänder till 13.00.
Således har vi fyra lastbilar som åker ut 07:00 och återvänder 13:00 och en femte lastbil som åker ut 06:00 och återvänder 10:00.
3.7.3. Scenario 3: Returtid kl 12:00
Sedan ett scenario där alla lastbilar, utom den som kör tidigt på morgonen, kommer tillbaka före 12.00.
Således har vi fyra lastbilar som åker ut 07:00 och återvänder 12:00 och en femte lastbil som åker ut 06:00 och återvänder 10:00.
3.7.4. Scenario 4: En lastbil borttagen
I detta scenario är parametrarna desamma som i Scenario 2, med den skillnaden att den lastbil från landstinget som kör mellan 06:00 och 10:00 är borttagen.
Således har vi fyra lastbilar som åker ut 07:00 och återvänder 12:00.
3.7.5. Scenario 5: En lastbil ersatt av mindre, eldriven lastbil
Även här är parametrarna desamma som i Scenario 2, med den skillnaden att en lastbil från kommunen är ersatt av en mindre eldriven lastbil. Denna lastbil har en kapacitet på motsvarande 4 pallar, alltså 48 kollienheter. Det antas att dess mindre storlek gör att omlastningsproblem vid maximalt utnyttjande inte är relevanta. Den begränsas den till 90% av de övriga lastbilarnas hastighet för att straffa långväga transporter med denna lastbil i modellen, så att den främst används i stan. Å andra sidan får den en leveranstid som är 115 % av övriga lastbilar för att simulera dess smidighet vid leveranser och dess omlastningstid sätts till 30 minuter eftersom den lastar en mindre mängd varor. Den här lastbilen ersätter en av kommunens lastbilar och dess körtider mellan 07:00 och 13:00. Därutöver har vi 3 lastbilar som åker ut 07:00 och återvänder 13:00 och en fjärde lastbil som åker ut 06:00 och återvänder 10:00.
3.7.6. Scenario 6: En lastbil borttagen, en lastbil ersatt av mindre, eldriven lastbil
Detta är en kombination av Scenario 5 och 6. Därmed har vi en liten, eldriven lastbil som kör mellan 07:00 och 13:00 och 3 andra lastbilar som kör mellan 07:00 och 13:00.
17
3.8. Utsläppsberäkning
Utsläppsberäkningen bygger i grunden på ett förbrukningsvärde som multipliceras med antalet kilometer och då ger oss både antal liter diesel och antal kg
koldioxidekvivalenter. Förbrukningsvärdet beräknas med en metod av NTM (Network for Transport Measures) som bygger last, vägtyp, bränsletyp, euroklass och gradient. För gradient, vägtyp och lastgrad används enkla schabloner baserade på svenska genomsnitt. Gradienten räknas då vara +/- 2 %, lastgraden 40 %, vägtypen 21 %
motorväg, 51,7 % landsväg och 22,3 % gator i stad. Bränsletypen antas vara diesel med 7 % biobränsle och lastbilarna är av klass Euro 6 enligt förare. Med dessa antaganden blir utsläppen ca 0,511 kg koldioxidekvivalenter per kilometer [20].
NTMs förbrukningsvärde syftar på "well to wheel", som står för de totala utsläppen skapas när råoljan kommer upp ur marken, raffineras till diesel, levereras till
leveransfordonet och sedan används för att skapa rörelseenergi [20].
För beräkningen av en mindre, eldriven lastbil i Scenario 5 och 6 antas att batteriet laddas nattetid när efterfrågan på el är låg och främst kommer från kärnkraft, vind och/eller vattenkraft. Dessa energislag har i Sverige utsläpp på 2,8, 0,3 respektive 3,3 kg koldioxidekvivalenter per MWh [21]. Med en förbrukning på 0,5 kWh per km blir utsläppen 0,00165 kg per km givet endast vattenkraft som källa, mindre än en procent av utsläppen med ovanstående dieselberäkning. På grund av svårigheten att säga exakt hur stora utsläppen är och att de ändå är försumbara jämfört med diesellastbilar så sätts de till 0 för den här beräkningen.
3.9. Kostnadsberäkning
Kostnadsberäkning görs med Åkeriförbundets kalkylark SÅcal[22]. Där används standardmallen för lokaldistribution, med följande grunduppgifter för Landstinget:
18
Tabell 2: Grunduppgifter och beräknade fasta och rörliga kostnader för lastbilstransporter
Grunduppgift Lastbil Värde Kommentar
Årlig användningstid 1 560 timmar Beräknas från 260
vardagar gånger 6 timmar Årlig körsträcka 2 500 mil Beräknas 50 mil gånger 50
veckor Effektiv ränta 4,5 %
Bränsleförbrukning 1,90 l/mil Från ovanstående förbrukningsberäkning Dieselkostnad per liter 13,05 Februari 2014, Svenska
Petroleum och
BiodrivmedelsInstitutet (SPBI)[23]
Försäkringspremie per år 20 000 kr Försäkring självrisk per år i
genomsnitt
7 000 kr Totalt anskaffningsvärde 913 400 kr Övriga fasta kostnader 28 700 kr Däckkostnad per mil 3 kr
Reparationskostnad per år 46 000 kr
Total fast kostnad per dag 678 kr Se Appendix för detaljer
Total rörlig kostnad per mil 46,78 kr Se Appendix för detaljer
För kommunen är kostnaden något högre vilket antas bero på en lägre körsträcka om 1500 mil per år. Det ger en rörlig kostnad på 59,04 kr per mil men samma fasta kostnad. För de samordnade värdena antas varje lastbil köra lika mycket i snitt per år, 2100 mil per år, vilket ger en rörlig kostnad på 50,28 kr per mil.
19
Tabell 3: Rörliga kostnader per timme för förare.
Grunduppgift förare Värde Kommentar
Faktiska arbetsdagar per år 213,5 dagar Semester, genomsnittlig sjukdom, helgdagar osv bordräknat
Lön per månad 26 000 Premielöntillägg 5 kr/h Måltidskuponger per dag 35 kr
Total kostnad per arbetad timme
261,95 kr Se appendix för detaljer
För kommunen angavs lönen per månad till 30500, vilket ger en kostnad per arbetad timme på 304,92 kr. För det samordnade värdet används en genomsnittlig månadslön på 28 250 kr, vilket ger en timkostnad på 283,43 kr. Detta härstammar från uppgifter om att kommunens förare har en högre totalkostnad än landstinget.
För beräkningen av en mindre, eldriven lastbil som ersätter en annan lastbil i Scenario 5 och 6 används samma fasta kostnader, men bränslekostnaden sätts till 2,5 kr per mil, vilket kommer av ett antagande på 5 kWh per mil och en kostnad på 0,5 kr per kWh, vilket ger en rörlig kostnad per mil på 22,00 kr.
3.10. Utvärdering av modellens användbarhet
Att utreda modellens användarhet i verkligheten är svårt så länge GPS-loggarna inte är helt kompletta och det är osäkert hur de skall tolkas. En viss jämförelse kommer dock göras och den bygger på antagandet att de körningar som görs representerar fulla arbetsdagar och att de dagar som inte är loggade för lastbil A ändå har gjorts och har en körtid som motsvarar den genomsnittliga körtiden för de övriga dagarna. Detta leder till att den genomsnittliga körtiden multipliceras med antalet arbetsdagar, alltså 10.
4. Resultat
Enligt GPS-loggarna är kommunens stopptider i genomsnitt 7-8 minuter, med 2-3 stopp som är 20 minuter eller längre per dag. Enligt den metod som användes för att uppskatta stopptider baserat på last mätt i kollienheter blir också stopptiderna i genomsnitt ca 7 minuter med ett fåtal stopp på 20 minuter eller längre per dag.
20
4.1. Referensmodellen
Tabell 4 redovisar de körtider som uppkom när Landstingets och Kommunens
transporter kördes separat. Således bör de kommande körningarnas fördelar vägas mot det adderade resultatet.
Tabell 4: Resultat av modell för separata transporter
Körsträcka Tid Bränsle Kostnad
CO^2-ekvivalenter Enbart Kommun 666 km 51 h, 36 min 126 l 26 442 kr 340 kg Enbart Landsting 1344 km 42 h, 24 min 255 l 27 558 kr 687 kg Kommun och Landsting Adderat 2010 km 94 h 381 l 54 000 kr 1027 kg
4.2. Modell för samordning
I tabell 5 presenteras resultaten av de olika scenarierna jämfört med resultatet av
referensmodellen. Figur 1 illustrerar även detta grafiskt, baserat på procentsatserna. Det visar sig att alla scenarierna ger förbättringar på alla mätta variabler. Mellan varandra skiljer sig scenarierna dock ganska lite åt. Sett till körsträcka är scenario 1 och 2 bra. Sett till CO2 är det scenario 1 och 6 bra. Sett till kostnad är scenario 4 och scenario 6 bra. Sett till körtid är scenario 3 och 2 bra.
Det ska noteras att bränsleanvändningen och utsläpp i CO2-ekvivalenter är direkt korrelerade i den här beräkningen och därmed är de procentuella besparingarna identiska.
21
Tabell 5: Resultat av modell med returtid på 14:30 för kommunlastbilar och 13:00 för landstingets lastbilar
Körsträcka, km Tid Bränsle,
liter (besparing i procent) Kostnad, sek (besparing I procent) CO2-ekvivalenter, kg (besparing i procent) Kommun och Landsting Adderat 2010 94 h 381 54 000 1027 Samordnat scenario 1 1697 (16%) 91 h, 5 min 322 (15%) 51 289 (5%) 867(15%) Samordnat scenario 2 1745 (13%) 89 h, 04 min 331 (13%) 50 939 (6%) 892(13%) Samordnat scenario 3 1780 (11%) 87 h, 34 min 338(11%) 50 685 (6%) 910(11%) Samordnat scenario 4 1802 (10%) 92h, 15 min 327(14%) 48 758 (10%) 880(14%) Samordnat scenario 5 17982 (10%) 90h, 54 min 334(12%) 51 728 (4%) 900(12%) Samordnat scenario 6 18613 (7%) 97h, 49 min 319(16%) 50 264 (7%) 858(16%) Samordnat scenario 2, Ny depå 1745 (13%) 85 h, 50 min 331(13%) 50 032 (7%) 892(13%)
2 Varav 41 km med eldriven lastbil. 3 Varav 184 km med eldriven lastbil.
22
Figur 1: Resultat av de beräknade scenarierna i relation till referensscnariot från Tabell 5.
4.3. Lokalisering av depå
När RO väljer ut en punkt som den optimala för de leveranser som undersöks hamnar den fortfarande inom Uppsala tätort, på adressen Skolgatan 2,3 km från den nuvarande depån. Det visar sig att körsträckan blir identisk, men att körtiden minskar med 3 %.
5. Diskussion
Principer om enkelhet och stora marginaler har styrt utvecklingen av metoden för den här rapporten. Enkelhet såtillvida att ingen djupdykning har gjorts i de brister som finns i datakällorna och stora marginaler i form av tidiga returtider för lastbilar och lågt räknade kapaciteter för lastbilarna. Trots detta visar det sig att alla scenarier i studien ger bättre resultat än det läge som gäller idag.
5.1. Metodernas och modellernas relevans
Modellens säkerhet är svår att avgöra på förhand och det kan finnas viss osäkerhet i uppskattningen av körtid baserat på last, men jämförelsen med GPS-loggar antyder ändå den i ett stort perspektiv fungerar, även om leveranstid vid enstaka leveranspunkter kanske inte kan förutsägas på detta vis. Utöver detta är det svårt att veta något om hur mycket tid Landstingets transporter tog denna vecka med tanke på andra rutiner och leveranser. Enligt principen om enkelhet i förstudien så bör detta ändå vara fullt tillräckligt för att säga något om de procentuella vinsterna av en optimering. Det ska
0 20 40 60 80 100 120 Körsträcka Tid Bränsle Kostnad
23
noteras att denna förstudie är betydligt mer omfattande än det Moen[4] pekar ut som tillräckligt för beslutsunderlag och tidigare erfarenheter tyder på vinsterna ofta lever upp till enkla förstudiers förväntningar. Valideringen är något som görs kontinuerligt när samordningen och ruttoptimeringen har implementerats.
5.1.1. Avyttring av lastbilar
I några av scenarierna har en av landstingets lastbilar tagits bort. Denna används dock även för annan verksamhet, så kan inte denna verksamhet avvara den så finns en risk att man endast för över kostnaden till ett annat verksamhetsområde. Den typen av effekter har dock inte behandlats i denna studie.
5.1.2. Stopptider
Att använda godsmängd för att förutse stopptid vid enstaka stopp är antagligen omöjligt. I praktiken är sambandet i vissa fall snarast inverterat – stora godsmängder går ofta till platser med god infrastruktur för avlossningen vilket gör den snabb och smidig.
Möjligtvis kan en gruppering av olika typer av leveranspunkter baserat på deras avlastningsmöjligheter göras och dessa grupper kan sedan få unika variabler för avlastningstid per godsenhet. Det kan dock vara så att det är smidigare och ger ett lika bra resultat om man till varje sådan grupp associerar en viss avlastningstid oberoende av godsmängd.
Stopptiderna som används i den här rapporten bygger på de GPS-loggar som visar kommunens körningar. Som noterats är kommunens leveranser ofta lite mer komplicerade än landstingets, med resultatet att de faktiska stopptiderna för de samordnade transporterna kan vara en aning kortare än beräknat.
5.1.3. Alternativ Depå
De 3 % i kortare arbetstid och en besparing på 907 kr per vecka vid en optimal depåplacering är uppenbarligen en liten förbättring jämfört med de betydligt större besparingar som fås av ruttoptimering och förändrad fordonsflotta. Resultatet i sig är dock inte lika viktigt som konstaterandet att det enkelt går att utreda alternativa depåplaceringar med hänsyn till de effekter de skulle ha på ekonomi, miljö och arbetsförhållanden.
5.1.4. Alternativa lastbilar
Icke-fossila drivmedel är på grund av politiska beslut något man inom så väl kommun som landsting måste arbeta för och denna studie ger viss vägledning och indikation på vilka möjligheter det skulle kunna innebära om transporterna kunde utföras med
förnybara drivmedel. Variationerna för kostnad och miljöeffekt av alternativa drivmedel är stor beroende på vilken typ av rutter man har. Batteridrivna fordon är sett till
24
men tätt placerade leveranspunkter. Genom samordnade och ruttoptimerade transporter kan man skapa rutter speciellt anpassade för att optimera varje fordonstyp och
därigenom lägga en grund för implementering av både miljömässigt effektiva och kostnadsminskande alternativa fordon. I någon mån är det möjligt att detta går att göra manuellt, men ju mer komplexiteten i ruttplaneringen ökar, desto större blir fördelarna med datoriserad ruttoptimering. Eftersom säsongsvariationerna är stora är det möjligt att man vissa veckor i högre grad kan använda sig av en alternativ lastbil än vad som framgår i rapporten.
5.1.5. Taktiskt fokus
Även om denna studie primärt har lagt tonvikten på en taktiskt planeringshorisont kan de strategiska besluten i form av alternativa fordon, avyttring av fordon och alternativ depålokalisering främst ses som strategiska möjligheter som kan öppnas upp om resultaten av en samordning och optimering med befintliga resurser visar sig stämma.
5.2. Absoluta och relativa effekter
Moen understryker att en förenklad metod endast ger relativa svar. Detta gäller även för den här rapporten, då metoden, om än inte så förenklad som Moen föreslår, bygger på en lång rad antaganden. Med detta sagt kommer här en analys presenteras med både absoluta och relativa värden. Den är till för att ge en uppfattning om resultatens betydelse i ett större sammanhang [4].
5.2.1. Ekonomiska effekter
Om det antas att den studerade veckan är genomsnittlig och gäller 52 veckor per år, alltså utan ta hänsyn till sommarens eventuella lågsäsong, får vi en besparing på mellan 141 000 kr och 172 000 kr per år eller 5-6%, med den variation av resultat som blev beroende på vilka tidsbegränsningar som sattes på lastbilarna. En stor del av lastbilarnas kostnader är fasta kostnader som beror på avskrivningar av lastbilarnas värde.
Med förändringar av fordonsflottan kan ytterligare besparingar göras. Med borttagning av en den tidiga landstingslastbilen kan man i bästa fall hamna på en årlig besparing av 273 000 kr eller ungefär 10 %. Att dessutom ersätta en kommunlastbil med en liten, eldriven lastbil ger en besparing på 194 000 kr per år eller 7 %, alltså lite sämre, men med vissa andra möjliga fördelar.
5.2.2. Miljömässiga effekter
Med samma antagande om genomsnittlig vecka över ett år med 52 veckor som gjordes för de ekonomiska besparingarna får vi ca 6 ton koldioxidekvivalenter eller 11 % utan några förändringar av fordonsflottan. Med förändringar av fordonsflottan kan man som bäst få 8,8 ton koldioxidekvivalenters besparing eller 17 %, i fallet där den tidiga landstingslastbilen tas bort och en kommunlastbil ersätts av en liten ellastbil. Med
25
endast borttagning av den tidiga landstingslastbilen når man utsläpp på totalt 7,6 ton koldioxidekvivalenter eller 14%. Utöver detta finns det sannolikt miljövinster i att minska trängseln, speciellt i innerstaden, eftersom tiden i trafiken minskar. Hur detta förhåller sig till de direkta utsläppsminskningarna är dock svårt att veta exakt.
5.2.3. Sammanfattad värdering av scenarierna
Mängden scenarier har i den här studien primärt som syfte att ge en uppfattning om hur stor variationen är när centrala variabler ändras. Ska ett bästa scenario pekas ut så tyder mycket på att scenario 4, med en lastbil borttagen, är det bästa. För det första ger det markant bättre ekonomiska besparingar än övriga scenarier. För det andra är avyttring av en lastbil rimligtvis en enklare åtgärd än att köpa in en eldriven lastbil. Det enda som talar emot är den lite högre risken att avyttra en lastbil – initialt bör modellen testas utifrån scenario 2 eller 3.
5.3. Utmaningar
Den totala körtiden att köra mellan landstingsdepån och kommundepån är relativt stor i förhållande till den totala optimeringsvinsten, samtidigt är depåplacering av liten betydelse. Detta kan tolkas som att en ny, gemensam depå kan ge stora vinster oavsett var i Uppsaladen placeras.
IT-systemets funktioner är mycket viktigt. Det är en nödvändighet att
ruttoptimeringsmjukvaran i tid får all data som krävs för att göra kommande dagars rutter. Ju tidigare data kommer, desto bättre kan arbetet fördelas jämt över dessa dagar med optimala rutter, och för att verkligen nå samma resultat som i den här rapporten måste all data för en viss vecka finnas tillgänglig i början av veckan. Detta kräver sannolikt en teknisk integration mot de ordersystem som verksamheterna använder. Det kräver också en breddning av de leveransfönster på en veckodag som de allra flesta leveranspunkter har idag. I tidigare forskning har det visat sig att butiker föredrar vissa (men olika) tider för leveranser [5], det är tänkbart att så även gäller för kommunens och landstingets leveranspunkter. En möjlighet att specificera detta skulle kanske kunna öka verksamheternas villighet att ha fler möjliga leveransdagar. I rapporten antas att
leverans får ske vilken dag som helst. Det ligger i ruttoptimeringens natur att klumpa ihop närliggande leveranspunkter, så att totalt frångå dagens system krävs dock sannolikt inte. De stora marginalerna vad gäller lastbilarnas returtider i den här
rapporten gör att även om IT-systemet inte riktigt lever upp till förväntningarna så bör det finnas utrymme att göra enstaka manuella tillägg. Om behovet av detta visar sig vara lågt kan marginalerna minskas, så att ytterligare besparingar kan uppnås än de som redovisas i denna rapport.
Lastpallar och rullvagnar har olika fördelar och nackdelar och speciellt rullvagnar har visat sig tidigare vara ett problemområde som underskattas. Erfarenheter från Borlänge tyder på att rullvagnar kan minska utnyttjandegraden sett till vikt i lastbilar. Det är dock uppenbart att de har vissa fördelar för speciellt landstingets leveranser, då de bidrar till
26
snabb avlastning, en viktig orsak till de ovan nämnda stopptidernas osäkerhet. Det är möjligt att ett blandat system av burar och pallar också skapar praktiska problem vid lastning och avlastning, vilket ytterligare minskar lastbilarnas användbara kapacitet. Det ingår inte i den här rapportens perspektiv att avgöra hur den här frågan ska lösas, men baserat på förarnas uppgifter, leveransplatsernas utformning och tidigare erfarenheter kan detta mycket väl bli ett av de större hindren för att nå de beräknade besparingarna.
6. Slutsatser
En sammanslagning av Uppsala kommuns och Landstinget i Upplands läns egna
transporter av rumstempererade varor har potential att minska körsträckan med ca 11-13 % och körtiden med ca 5-7 % med de lastbilar och arbetstider som finns tillgängliga idag, i pengar beräknas detta till mellan ca 141 000 och 172 000 kr eller 5-6 % per år. Vidare optimeringar kan göras via förändringar av fordonsflottan. En reduktion av antal lastbilar beräknas vara möjligt. Det kan också vara möjligt att införa mindre eldrivna fordon lämpade för små eller enstaka leveranser, vilket är speciellt användbart under sommarens lågsäsong och till leveranspunkter där man vill undvika lastbilstrafik. Detta kan bli speciellt intressant som ett sätt att bidra till att uppfylla mål om fossilbränslefria transporter. Den kombination av ovan nämnda åtgärder som gav störst ekonomiska besparingar är scenario 4, som minskade körsträckan med 15 %, körtiden med 7 % och i kronor räknat 273 000 eller 10 %.
De anställdas rutiner skulle påverkas så till vida att speciellt förare från landstinget skulle behöva lära sig de många små leveranser som idag görs av kommunen, samtidigt som marginalerna för att utföra varje dags leveranser ökar. Mindre risk för olyckor och mindre trafik i innerstaden är tänkbara resultat av kortare total körsträcka och mindre, lättare fordon.
En väl utförd IT-integration kan öppna upp möjligheter att förbättra servicen mot de enheter som tar emot leveranserna, till exempel genom att tidigt få information om exakt när en viss leverans kan väntas komma. Samtidigt ställer den krav på
verksamheterna i form av förlängda tidsfönster för varumottagning. Välfungerande IT-integration som kontinuerligt loggar körningar ligger till grund för validering och således utveckling av den ruttmodell som används för optimeringen. Detta är även en nödvändighet för att uppnå de resultat som framkommit i rapporten.
27
Referenser
[1] Crainic, T G., Laporte, G. (1997), "Planning models for freight transportation", European Journal of Operational Research, Vol. 97, nr. 3, ss. 409-438.
[2] Göthe Lundgren, M., Jörnsten, K O., Madsen, O B G. (1993), ”Handbok i Ruttplanering.” Transportforskningsberedningen: Stockholm.
[3] Fisher, M L., Ramchandran Jaikumar. (1981), "A generalized assignment heuristic for vehicle routing." Networks, vol. 11, nr. 2, ss. 109-124.
[4] Moen, O. (2013), ”Samordnad Varudistribution 2.0: Logistik i kommunens varförsörjningskedja”. Studentlitteratur AB: Lund.
[5] Gebresenbet, G., Ljungberg, D., (2001), “Coordination and Route Optimization of Agricultural Goods Transport to attenuate Enviromental Impact”, Journal of Agricultural Engineering, Vol 80, nr 4, ss. 329-342.
[6] Ljungberg, D., Gebresenbet, G., (2005), “Mapping out the potential for coordinated goods distribution in city centres: The case of Uppsala”,
International Journal of Transport Management 2, vol 2, nr 3-4, ss. 161-172. [7] Backman, H., Blinge, M., Hadenius, A., Wettervik, H. (2001), ”Miljöeffekter av
samordnad varudistribution i Borlänge, Gagnef och Säter”, TFK - Institutet för transportforskning, Publikation 2001:12, Vägverket, Borlänge, ss. 12-18.
[8] Nordmark, I. (2012), ”Optimisation and Integration in Local Food Distribution”, Swedish University of Agricultural Sciences, Uppsala.
[9] Halmstads Kommun (2007), ”Förbättrad kommunlogistik genom samordning”, Halmstads kommun Servicekontoret, 2007-01-23.
[10] Arvidsson, N., Woxenius, J., Lammgård, C., (2013), “Review of Road Hauliers' Measures for Increasing Transport Efficiency and Sustainability in Urban Freight Distribution”, Transport Reviews, vol 33, nr 1, ss. 107-127.
[11] Olsson, J., Woxenius, J., (2014), “Localisation of freight consolidation centres serving small road hauliers in a wider urban area: barriers for more efficient freight deliveries in Gothenburg”, Journal of Transport Geography, vol 34, ss. 25-33.
[12] Dablanc, L., Ross, C., (2012), “Atlanta: a mega logistics center in the Piedmont Atlantic Megaregion (PAM)”, Journal of Transport Geography, vol 24, ss. 432-442.
[13] Lindholm, M., Browne, M., (2013), “Local Authority Cooperation with Urban Freight Stakeholders: A Comparison of Partnership Approaches”, European Journal of Transport and Infrastructure Research, vol 13, nr 1, ss. 20-38. [14] European Expert Group on Future Transport Fuels, 2011, ”Future Transport
Fuels”, http://ec.europa.eu/transport/themes/urban/cts/doc/2011-01-25-future-transport-fuels-report.pdf, hämtad 2016-02-27.
28
[15] Statens Offentliga Utredningar, 2009, Fossilfrihet på väg: Betänkande av Utredningen om fossilfri fordonstrafik,
http://www.regeringen.se/contentassets/7bb237f0adf546daa36aaf044922f473/fo ssilfrihet-pa-vag-sou-201384-del-12, hämtad 2015-09-07.
[16] Uppsala Kommunfullmäktige, 2014, Miljö- och klimatprogram 2014-2023,
https://www.uppsala.se/contentassets/5d36faebce83404888c3a4677bad5584/Mil jo-och-klimatprogram-2014-2023.pdf, hämtad 2015-09-07.
[17] Ericsson, E., Larsson, H., Brundell-Freij, K., (2006), ”Optimizing route choise for lowest fuel consumption – Potential effects of a new driver support tool”, Transportation Research Part C: Emerging Technologies, vol 14, nr 6, ss. 369-383.
[18] Larsson, M., Mohseni, F., Wallmark, C., Grönkvist, S., Alvfors, P. (2015), “Energy system analysis of the implications of hydrogen fuel cell vehicles in the Swedish road transport system”, International Journal of Hydrogen Energy, Vol. 40, nr. 35, ss. 11722–11729.
[19] Lee, D. Y., Thomas, V. M., & Brown, M. A. (2013). Electric urban delivery trucks: Energy use, greenhouse gas emissions, and cost-effectiveness. Environmental science & technology, 47(14), ss. 8022–8030.
[20] NTM, (2015), ”Network for Transport Measures”, Tillgänglig online:
http://www.transportmeasures.org/sv/, hämtad 2015-09-10.
[21] Vattenfall (2012), Livscykelanalys, ”Vattenfalls elproduktion i Norden”, Vattenfall AB, Tillgänglig online:
https://www.vattenfall.com/en/file/Livscykelanalys_-_Vattenfalls_elproduktion_i_Norden_11336961.pdf, hämtad 2015-09-10
[22] Sveriges Åkeriföretag (2015), ”SåCalc”, Tillgänglig online:
http://www.akeri.se/transportekonomi/sa-calc-excel, hämtad 2015-07-01 [23] Svenska Petroleum och Biodrivmedelsinstitutet (2015), ”Priser och skatter”,
29
32
33
34
35
36
