導(dǎo)語:卡車司機(jī)短缺問題已經(jīng)成為制約全球供應(yīng)鏈運(yùn)轉(zhuǎn)的重大瓶頸。然而,這是真正的“人手不夠",還是卡車司機(jī)的利用效率有待提高?麻省理工學(xué)院(MIT)FreightLab的最新研究給出了令人意外的答案。

一、卡車司機(jī)短缺:一個全球性的難題

近年來,卡車司機(jī)短缺已成為困擾全球物流業(yè)的一大難題。在美國,卡車運(yùn)輸占據(jù)了國內(nèi)貨運(yùn)總量的70%以上。然而,美國勞工統(tǒng)計局的數(shù)據(jù)顯示,2018年美國卡車司機(jī)的缺口已達(dá)到6萬人,預(yù)計到2026年,這一數(shù)字將進(jìn)一步攀升至17.5萬人。

《華爾街日報》在2021年的報道中指出,美國供應(yīng)鏈的運(yùn)轉(zhuǎn)正受到卡車司機(jī)短缺問題的困擾。從工廠到倉庫,再到門店,每一個環(huán)節(jié)都離不開卡車司機(jī)的辛勤付出。當(dāng)卡車司機(jī)數(shù)量無法滿足運(yùn)輸需求時,供應(yīng)鏈的時效性和穩(wěn)定性就難以保證。

《彭博社》在2020年預(yù)測,未來十年內(nèi),美國卡車司機(jī)的短缺將加劇一倍。這主要是因為卡車司機(jī)行業(yè)從業(yè)人員正迅速老齡化,而年輕人對這一職業(yè)興趣寥寥。如果這一趨勢無法扭轉(zhuǎn),卡車司機(jī)短缺將給美國經(jīng)濟(jì)帶來沉重打擊。

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

二、MIT FreightLab的新思路:招募更多,還是留住現(xiàn)有?

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

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

FreightLab把研究重點放在了卡車司機(jī)離職這個“老大難"問題上。研究人員希望找出卡車司機(jī)頻繁跳槽的深層次原因,并據(jù)此提出切實可行的留人策略。但要洞察卡車司機(jī)的真實訴求,僅靠問卷調(diào)查、座談訪談等傳統(tǒng)方式遠(yuǎn)遠(yuǎn)不夠。FreightLab另辟蹊徑,把目光投向了一個新的數(shù)據(jù)源——電子駕駛?cè)罩?ELD)。

2017年,美國正式要求所有商用卡車安裝ELD設(shè)備。通過GPS、傳感器等手段,ELD可以詳細(xì)記錄卡車司機(jī)的駕駛時長、路線、休息時間等信息。這些數(shù)據(jù)以數(shù)字化的形式實時傳輸?shù)皆贫?為管理者實時監(jiān)控司機(jī)行為提供了可能。

FreightLab敏銳地意識到,ELD數(shù)據(jù)是一座蘊(yùn)藏著巨大價值的“富礦"。這些數(shù)據(jù)真實、客觀、全面地還原了卡車司機(jī)的工作狀態(tài),能夠幫助管理者發(fā)現(xiàn)司機(jī)行為背后隱藏的規(guī)律。更重要的是,當(dāng)積累了大量不同司機(jī)長期連續(xù)的工作記錄后,就可以利用大數(shù)據(jù)分析和機(jī)器學(xué)習(xí)技術(shù),從海量信息中捕捉到人眼難以察覺的關(guān)聯(lián)。

FreightLab通過與多家物流公司合作,獲取了大量卡車司機(jī)的匿名ELD數(shù)據(jù)。這其中既有跨州長途運(yùn)輸?shù)摹伴L途司機(jī)",也有專注于城市配送的“短途司機(jī)";既有從業(yè)多年的老司機(jī),也有剛?cè)胄械男率?。樣本的多樣性有助于提高研究結(jié)論的普適性。

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

FreightLab的研究人員首先對原始ELD數(shù)據(jù)進(jìn)行了大量的清洗和預(yù)處理工作。由于不同物流公司所使用的ELD設(shè)備和數(shù)據(jù)格式并不統(tǒng)一,研究人員不得不花費大量時間進(jìn)行數(shù)據(jù)標(biāo)準(zhǔn)化,將來自不同來源的數(shù)據(jù)轉(zhuǎn)換為統(tǒng)一的結(jié)構(gòu)化形式。同時,研究人員還剔除了部分?jǐn)?shù)據(jù)不完整或連續(xù)性差的司機(jī)樣本,以確保數(shù)據(jù)質(zhì)量。

在數(shù)據(jù)清洗的基礎(chǔ)上,研究人員對ELD數(shù)據(jù)進(jìn)行了深入的統(tǒng)計分析。一個驚人的發(fā)現(xiàn)是,卡車司機(jī)的實際工作時長遠(yuǎn)低于法定標(biāo)準(zhǔn)。美國法律規(guī)定,卡車司機(jī)每天駕駛時長不得超過11小時,平均每天工作不超過14小時。但ELD數(shù)據(jù)顯示,卡車司機(jī)平均每天的駕駛時間僅為6.8小時,不到法定上限的2/3。

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

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

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

基于ELD數(shù)據(jù)的統(tǒng)計分析,FreightLab的研究人員提出了一個頗具顛覆性的觀點:物流行業(yè)面臨的可能并非“司機(jī)短缺",而是"司機(jī)利用率低下"。如果能想辦法提高卡車司機(jī)的駕駛時間利用率,將比單純擴(kuò)大招募更有助于緩解“用工荒"。這一觀點得到了學(xué)術(shù)界和業(yè)界的廣泛關(guān)注。

三、機(jī)器學(xué)習(xí)預(yù)測司機(jī)離職:數(shù)據(jù)會“說話"

在ELD數(shù)據(jù)分析的基礎(chǔ)上,FreightLab的研究人員進(jìn)一步嘗試?yán)脵C(jī)器學(xué)習(xí)算法,建立司機(jī)離職預(yù)測模型。通過分析司機(jī)工作時長、日常作息等信息,研究人員希望找出影響司機(jī)離職的關(guān)鍵因素,從而幫助企業(yè)提早預(yù)警、及時采取挽留措施。

要建立司機(jī)離職預(yù)測模型,首先需要對ELD數(shù)據(jù)進(jìn)行特征工程。研究人員從海量數(shù)據(jù)中提取了一系列反映司機(jī)工作狀態(tài)的關(guān)鍵指標(biāo),包括:

• 司機(jī)每天的平均駕駛時長、休息時長等,刻畫了其總體工作強(qiáng)度;

• 司機(jī)在不同時段(如凌晨、白天、夜間)駕駛的時長占比,反映了其作息規(guī)律;

• 司機(jī)連續(xù)駕駛、連續(xù)休息的最長時間,體現(xiàn)了其工作節(jié)奏;

• 司機(jī)在不同區(qū)域、不同路況下行駛的時間占比,代表了其駕駛環(huán)境復(fù)雜度;

• 司機(jī)駕駛時長、休息時長等指標(biāo)的波動性,反映了其工作的穩(wěn)定性;

  .....

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

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

功夫不負(fù)有心人,FreightLab的研究人員最終得到了令人振奮的結(jié)果。在測試集上,三類模型的預(yù)測準(zhǔn)確率均在60%~70%之間,大大高于隨機(jī)猜測(50%)。這表明,機(jī)器學(xué)習(xí)算法能夠從ELD數(shù)據(jù)中自動學(xué)習(xí)到司機(jī)離職的內(nèi)在規(guī)律,具有實際應(yīng)用價值。

研究人員進(jìn)一步分析了不同特征對模型預(yù)測結(jié)果的貢獻(xiàn)。結(jié)果顯示,日均駕駛時長、駕駛時長波動等指標(biāo)與司機(jī)離職高度相關(guān)。日均駕駛時長越長、波動性越小的司機(jī),留任的可能性越大;反之,日均駕駛時長越短、波動性越大的司機(jī),更可能在未來離職。這一發(fā)現(xiàn)與多數(shù)人的直覺一致:駕駛時間更長意味著收入更高,司機(jī)自然更愿意留下;駕駛時間波動則意味著收入不穩(wěn)定,司機(jī)面臨更大的生計壓力,離職沖動自然更強(qiáng)。

有意思的是,研究人員發(fā)現(xiàn),工作日駕駛時長的重要性顯著高于周末。這可能是因為工作日是司機(jī)創(chuàng)收的主要時間,駕駛時長的長短直接關(guān)系到收入水平;而周末多是休整時間,即便駕駛時長波動較大,也不會對收入產(chǎn)生實質(zhì)影響。這一發(fā)現(xiàn)對于物流企業(yè)合理調(diào)度運(yùn)力具有重要啟示。

四、聽司機(jī)傾訴:不只是時間和金錢

ELD數(shù)據(jù)揭示,影響卡車司機(jī)離職的主要因素是駕駛時長及其穩(wěn)定性。這固然與收入高低直接相關(guān),但并非問題的全部。大量的司機(jī)訪談表明,除了加班費,工作生活的不確定性、精神壓力,以及職業(yè)尊嚴(yán)感的缺失,也是導(dǎo)致司機(jī)離職的重要原因。

許多卡車司機(jī)反映,貨物裝卸、路況堵塞等因素使得其每天的駕駛時間難以預(yù)計。這直接影響了司機(jī)對家庭生活的參與?！白钭屓诵箽獾氖?'啥時候能回家'老是個未知數(shù)。"一位資深卡車司機(jī)抱怨道,“出發(fā)時信誓旦旦要趕回來參加孩子的生日會,結(jié)果半路就因為裝貨延遲而泡湯了。家里人前兩次還能諒解,時間一長,你在家里就跟'空氣'似的。"

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

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

除了時間成本,卡車司機(jī)的職業(yè)尊嚴(yán)感缺失也是導(dǎo)致其離職的一大原因。許多司機(jī)反映,盡管他們的工作對整個經(jīng)濟(jì)和社會正常運(yùn)轉(zhuǎn)至關(guān)重要,但社會各界對卡車司機(jī)的辛勞和貢獻(xiàn)缺乏應(yīng)有的理解和尊重。“提起卡車司機(jī),總覺得我們是粗人,開卡車不就圖個力氣活嗎!"司機(jī)們普遍感到,自己在外人眼中是“二等公民",得不到尊重。

負(fù)面的職業(yè)形象,加上媒體的妖魔化報道,使得卡車司機(jī)的自我認(rèn)同感越來越低?！半娨暽侠蠍壅f我們違章超載、疲勞駕駛,把我們說得跟十惡不赦似的。殊不知貨物能準(zhǔn)時送到,全靠我們起早貪黑。“久而久之,許多司機(jī)產(chǎn)生了嚴(yán)重的自我懷疑,"干脆換個'體面'點的工作算了"。

綜合以上分析可以看出,解決卡車司機(jī)離職問題,單靠漲工資是不夠的。貨主、物流企業(yè)還需要從根本上優(yōu)化運(yùn)力調(diào)度,為司機(jī)營造相對穩(wěn)定、可預(yù)期的工作環(huán)境。同時,還要關(guān)注卡車司機(jī)的職業(yè)尊嚴(yán)和精神需求。只有多方共同努力,營造尊重卡車司機(jī)的社會氛圍,這個群體的獲得感、幸福感才能真正提升。

五、人性化的網(wǎng)絡(luò)布局:不以效率論英雄

運(yùn)籌優(yōu)化技術(shù)的進(jìn)步,為物流企業(yè)提高運(yùn)輸組織效率、降低成本開辟了新的可能。許多企業(yè)開始借助物流軟件的力量,對運(yùn)輸線路、配送時間等進(jìn)行集中調(diào)度、動態(tài)優(yōu)化,力求實現(xiàn)各類資源的最佳配置。然而,在追求效率的過程中,卡車司機(jī)的主體感受常常被忽視。

傳統(tǒng)的車輛路徑(VRP)優(yōu)化模型,追求系統(tǒng)層面的路徑最短、成本最小,卻很少考慮司機(jī)利益相關(guān)的因素。ELD數(shù)據(jù)揭示,過于頻繁的線路變動,過于隨機(jī)的任務(wù)指派,都可能加劇司機(jī)的職業(yè)倦怠。以往VRP模型普遍存在這樣一個假設(shè):所有線路、客戶對所有司機(jī)而言都是“均質(zhì)"的。然而, ELD數(shù)據(jù)分析表明,熟悉的線路、熟悉的客戶,恰恰是提升司機(jī)工作體驗的關(guān)鍵因素。

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

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

總的來說,在物流網(wǎng)絡(luò)優(yōu)化中引入人性化考量,關(guān)鍵是樹立“以人為本"的理念。效率固然重要,但更重要的是一線員工的獲得感。畢竟,再完美的優(yōu)化方案,如果加劇了員工的疲憊和不安,最終也難以為企業(yè)創(chuàng)造價值。相反,設(shè)身處地為司機(jī)著想,哪怕在局部犧牲了一些效率,但從整體上提升了員工的忠誠度和敬業(yè)度,長遠(yuǎn)來看反而是“好買賣"。

六、無人駕駛的想象力:技術(shù)賦能還是顛覆?

近年來,隨著人工智能技術(shù)的發(fā)展,無人駕駛卡車的話題備受關(guān)注。支持者認(rèn)為,無人駕駛有望從根本上解決卡車司機(jī)短缺的問題。批評者則擔(dān)心,無人駕駛會加劇卡車司機(jī)的失業(yè)風(fēng)險。對物流企業(yè)而言,無人駕駛究竟意味著技術(shù)賦能,還是行業(yè)顛覆?這需要辯證地分析。

從生產(chǎn)力的角度看,無人駕駛卡車的出現(xiàn),無疑將極大解放物流運(yùn)輸?shù)膭趧恿ζ款i。由于不受駕駛員工時的限制,無人駕駛卡車可以實現(xiàn)24小時不間斷行駛,大幅提升車輛利用率。同時,智能算法還可以實時優(yōu)化路徑規(guī)劃、安全控制等,進(jìn)一步提高物流時效和服務(wù)水平。從這個意義上說,無人駕駛將為物流企業(yè)插上騰飛的翅膀。

然而,每一次生產(chǎn)力的進(jìn)步,往往也伴隨著生產(chǎn)關(guān)系的調(diào)整。無人駕駛卡車取代人力駕駛,意味著大量卡車司機(jī)面臨失業(yè)風(fēng)險。對缺乏其他專業(yè)技能的中老年司機(jī)而言,轉(zhuǎn)行談何容易?同時,無人駕駛還可能加劇社會財富分配的不平等。資本密集型的無人駕駛技術(shù),很可能把效率提升帶來的紅利集中在少數(shù)科技巨頭手中,而中下階層則面臨收入減少、工作不穩(wěn)定的困境。

無人駕駛時代,如何平衡效率與公平,技術(shù)進(jìn)步與包容發(fā)展?這需要企業(yè)和社會形成共識。物流企業(yè)在大力投資無人駕駛的同時,也應(yīng)重視現(xiàn)有司機(jī)隊伍的培訓(xùn)和轉(zhuǎn)崗。政府和社會組織則要完善再就業(yè)服務(wù),為過渡期的從業(yè)者提供必要的職業(yè)指導(dǎo)和生活保障。只有技術(shù)發(fā)展與社會進(jìn)步相互協(xié)調(diào),無人駕駛才能成為造福多數(shù)人的創(chuàng)新成果。

小結(jié):以科技之名,說人情之義

回顧FreightLab的研究發(fā)現(xiàn),我們可以看到,現(xiàn)代信息技術(shù)正深刻重塑著傳統(tǒng)的物流管理方式。ELD設(shè)備的普及,讓企業(yè)第一次擁有了完整、準(zhǔn)確的司機(jī)行為數(shù)據(jù)。大數(shù)據(jù)分析和機(jī)器學(xué)習(xí)工具,則讓企業(yè)能夠從海量數(shù)據(jù)中提煉關(guān)鍵規(guī)律,優(yōu)化決策。這一切無不預(yù)示著,數(shù)據(jù)驅(qū)動的智慧物流時代已經(jīng)來臨。

然而,技術(shù)從來都是一把雙刃劍。效率的提升,往往伴隨著劇烈的陣痛。在物流領(lǐng)域,技術(shù)賦能的過程,也常常是一線員工焦慮加劇的過程。ELD數(shù)據(jù)分析固然能幫助企業(yè)留住優(yōu)秀司機(jī),但若用之不當(dāng),也可能成為壓榨勞動的“監(jiān)視器"。網(wǎng)絡(luò)優(yōu)化、智能調(diào)度等先進(jìn)算法,若只顧KPI不顧人情,最終也會透支員工的信任。

技術(shù)向善的關(guān)鍵,在于以人為本。企業(yè)在引入新技術(shù)的同時,更要關(guān)注員工的感受。要用ELD數(shù)據(jù)去傾聽司機(jī)的心聲,而非單純提升管控的力度;要讓網(wǎng)絡(luò)優(yōu)化的成果惠及每一個司機(jī),而非把責(zé)任都推給線路規(guī)劃;要讓智能調(diào)度成為司機(jī)的得力助手,而非冰冷的“號令員"。唯有讓普通員工共享數(shù)字化轉(zhuǎn)型的紅利,讓司機(jī)真切地感受到技術(shù)帶來的便利,才能激發(fā)其內(nèi)生動力,共創(chuàng)企業(yè)發(fā)展的美好未來。

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

卡車司機(jī)短缺絕非一日之寒,更非一己之力可解。貨主、物流企業(yè)、卡車司機(jī)等各利益相關(guān)方,只有秉持互利共贏的理念,摒棄成見,攜手應(yīng)對,方能走出困局,開創(chuàng)供應(yīng)鏈高質(zhì)量發(fā)展的新局面。而FreightLab基于ELD數(shù)據(jù)和機(jī)器學(xué)習(xí)的研究,正是這一努力的生動實踐。以科技之名,說人情之義。期待這種跨界融合的探索,能為intelligent supply chain management開辟更多想象力空間。