時間外労働の上限規制は始まりにすぎず、ドライバー不足は2030年に向けてさらに構造的に深まると考えられています。荷主に「運んでもらう力」が希少資源になる時代に、構内で何を短縮し、何を省人化できるのか。社会課題の側から考えます。
トラックドライバーの時間外労働に上限が設けられたいわゆる物流2024年問題は、しばしば「乗り越えた／乗り越えていない」という単年のイベントとして語られがちです。しかし現場の実感としては、これは一度きりの規制対応ではなく、輸送力という前提そのものが揺らいでいく構造変化の入口だったと考えられます。規制は運べる量の天井を下げる方向に働き、その下げられた天井が年々の人手不足と重なっていく、という見方が現実に近いと考えます。
時間外規制が現場にどう効いてくるかの全体像は、別稿の物流2024年問題と検査・荷役の自動化でも整理しています。本稿ではその先、2030年に向けて何が起きうるのかを、荷主の立場から見ていきます。
2030年が一つの節目として語られるのは、規制の影響が一巡した後も、就業人口の高齢化と若年層の入職減という人口動態が静かに進行し続けると見込まれているためです。ドライバー職は他産業と比べて平均年齢が高い傾向が指摘されており、ベテランの退職と新規入職の細さが同時に進むと、規制とは別の経路でも供給が細っていくと考えられます。具体的な不足量の試算は各種公表資料で数値が示されていますが、前提条件で大きく変わるため、最新の所管省庁・業界団体の公表資料でご確認いただくことをおすすめします。
荷主にとっての本質は、不足量が何%かという数字そのものよりも、「運んでもらう力」が希少資源に変わりつつあるという構造の変化です。これまで価格交渉で確保できていた輸送が、価格だけでは確保しきれない局面が増えていく可能性があります。
輸送力不足という言葉は大きすぎて、荷主が自分で動かせる部分が見えにくくなりがちです。整理のために、輸送力を「車両（アセット）」「人（ドライバー）」「時間（拘束時間の使われ方）」の三つに分けて考えると、荷主が手を付けられる領域が浮かび上がってきます。
車両台数とドライバーの絶対数は、原則として運送事業者側の経営資源であり、荷主が直接増やせるものではありません。この部分に対して荷主ができるのは、適正な運賃や複数年の安定した取引で「選ばれる荷主」になることが中心で、即効性のある自助努力にはなりにくいと考えられます。ここを主戦場にしてしまうと、打ち手が交渉と価格に偏り、現場改善の余地を見落としやすくなります。
一方で「時間」、とくにドライバーが荷主の構内で消費している時間は、荷主側の運用に大きく依存します。拘束時間の上限規制のもとでは、構内での荷待ちや荷役に費やされる時間がそのままドライバーの稼働可能距離を削る形になります。ドライバー時間外960時間規制の現場インパクトでも触れているように、拘束時間の管理が厳しくなるほど、荷待ちの1時間が持つ意味は重くなっていくと考えられます。
つまり、荷主が2030年に向けて最も自助努力を効かせやすいのは、「自社の構内でドライバーと自社人員の時間をどれだけ無駄に使っているか」という領域だと整理できます。ここを起点にすると、車両を増やせない前提のままでも、実質的な輸送効率を底上げできる可能性が見えてきます。
前節の整理から、荷主が短期〜中期で動かせる現実的なレバーは大きく二つに絞られると考えます。一つはドライバーを待たせている時間の短縮、もう一つは自社人員を貼り付けている検品・照合工程の省人化です。前者はドライバー1人あたりの実働を増やし、後者は減っていく自社現場の人手を本来必要な作業に振り向ける効果が期待できると考えられます。
荷待ちは、トラックが到着してから荷役を開始するまでの待ち時間と、荷役そのものに要する時間に分けられます。多くの現場で、この待ち時間は「だいたいこのくらい」という体感では把握されていても、いつ・どのバースで・どの品種のときに長くなるのかが数値で残っていないことが少なくありません。ヤード滞在時間の削減の考え方を構内に持ち込み、まず滞留がどこで発生しているかを見えるようにすることが起点になりうると考えます。
入出荷の検品は、人手の制約が強まる物流現場でとくに負荷が集中しやすい工程です。品番・ロット・数量・送り状の突合は神経を使う割に付加価値が見えにくく、人を増やせない前提では真っ先にボトルネックになりやすい部分だと考えられます。この領域は物流の人手不足と検査・荷役の省人化で扱っているテーマと重なり、画像AIや物流OCRによる照合の自動化が解の一つになりうる領域です。
ただし、どちらのレバーも「導入すれば効く」という性質のものではありません。自社の構内のどこに時間と人手が消えているかを把握しないまま施策を選ぶと、効きの薄いところに投資してしまう危険があります。次節では、その把握の設計から考えます。
改善の優先順位を誤らないために、最初にやるべきは施策の選定ではなく、現状の可視化だと考えます。構内のどのバースで、何時台に、どの品種・どの取引先のトラックが、何分待っているのか。荷役は何分かかっているのか。検品でどこに時間が溜まっているのか。これらが時系列のデータとして残って初めて、限られた投資をどこに向けるべきかの議論ができます。
ここで重要なのは、可視化それ自体を目的化しないことです。ダッシュボードを作ること自体が目的になってしまい、誰も見ない指標が増えるだけ、という事態は珍しくありません。プロセス可視化（構内・工程の見える化）の発想は、見えなかった滞留を「次の一手の判断に使えるデータ」に変えることにあると考えます。測る対象は、改善のアクションに直結する最小限から始めるのが現実的です。
私たちは、元キーエンス画像処理事業部で現場の検査・計測に携わってきた知見をもとに、VLM（視覚言語モデル）とJetsonによるエッジ処理、産業用カメラ、そして現場のライティング設計を組み合わせて構内のオペレーションを観測する立場を取っています。クラウド前提ではなくエッジで処理する設計は、構内のネットワークやプライバシーの制約が強い現場でも回しやすいという観点から選んでいますが、どの構成が適するかは現場条件で変わるため、現物での検証を前提に考えるべきだと考えます。
検品の省人化は、技術が読めるかどうかだけでなく、現場の作業フローに溶け込むかどうかで成否が分かれると考えます。たとえば送り状や品番ラベルの読み取りをOCRで自動化する場合、印字のかすれ・ラベルの傾き・梱包フィルムの反射・結露といった、検証室ではきれいでも現場では崩れる条件をどう扱うかが運用の肝になります。
実運用で差が出るのは、うまく読めたケースよりも、読めなかった・自信が低かったケースの扱い方です。すべてを自動で通そうとすると誤照合のリスクが残り、逆にすべてを人が確認すると省人化になりません。読み取り確度が低いものだけを人に回す、といった「人とAIの役割分担」を最初から運用に織り込んでおくことが、現場で回る設計の条件になりうると考えます。
省人化でどれだけ工数が減るかは、対象の品種数・ラベルの状態・物量の波・既存システムとの連携範囲によって大きく変わります。一般論として「◯%削減」と語ることはできず、自社の現物・現場での試行を通じて、自社条件での効きを確かめる以外に確実な見積もり方法はないと考えます。私たちが数値を出す場合も、それはあくまでモデル前提の一例であり、現場検証が前提であることを前置きとしてお伝えしています。
2030年への備えを進めるうえで、現場でよく見られるつまずきを先回りで挙げておきます。いずれも「やってみないと分からない」部分を含みますが、知っておくだけで回避しやすくなると考えます。
最後に、荷主が今から段階的に取り組むとしたらどのような順序が現実的かを、あくまで一つの考え方として整理します。重要なのは大きな投資を先に決めることではなく、客観的な把握から始めて、効くところを見極めながら投資の幅を広げていく順序だと考えます。
まず構内の荷待ち・荷役・検品の時間を、体感ではなくデータで把握します。特別な大型投資の前に、どこで時間と人手が消えているかを数値にすることが、後の判断の精度を左右すると考えます。この段階の目的は改善ではなく、改善対象の特定です。
把握したボトルネックのうち、影響が大きく着手しやすいものを一つ選び、現物・現場で小さく検証します。荷待ちの見える化でも、検品照合の一部自動化でもよく、自社条件での効きと運用の回しやすさを確かめます。ここでうまくいかなかった部分こそ、本番設計の貴重な材料になります。
検証で効果と運用性が確認できた範囲を、他のバース・他の品種・他の拠点へ広げていきます。2030年に向けては、一度きりの導入ではなく、人口動態の変化に合わせて改善を継続できる体制そのものを残すことが、最も価値のある備えになりうると考えます。
2024年の時間外規制は輸送力の天井を下げる方向に働きますが、その後も就業人口の高齢化と若年層の入職減という人口動態が進行し続けると見込まれているためと考えられます。規制とは別の経路でも供給が細っていく可能性があります。具体的な不足量の試算は前提で大きく変わるため、最新の所管省庁・業界団体の公表資料でご確認ください。
車両やドライバーの絶対数は運送事業者側の資源で荷主が直接増やすのは難しいと考えられますが、自社構内でドライバーを待たせている時間や、自社人員を貼り付けている検品工程は荷主側の運用に依存します。この「時間」の領域に自助努力を効かせやすいと整理できます。まずは現状をデータで把握することが出発点になりうると考えます。
体感ではなく、いつ・どのバースで・どの品種のときに何分待っているかを時系列データとして残すことが起点になりうると考えます。プロセス可視化の発想で、改善の判断に直結する最小限の指標から測り始めるのが現実的です。可視化自体を目的化せず、次の一手に使えるデータにすることが重要だと考えます。
削減効果は品種数・ラベルの状態・物量の波・既存システム連携の範囲によって大きく変わるため、一般論として具体的な数値をお約束することはできません。自社の現物・現場での試行を通じて、自社条件での効きを確かめることが前提になると考えます。数値を示す場合もモデル前提の一例であり、現場検証が前提です。
完全な無人化を前提にすると、印字のかすれや反射、傾きなどで読めなかった場合に誤照合のリスクが残りやすいと考えられます。読み取り確度が低いものだけを人に回すといった人とAIの役割分担を運用に織り込む設計が現実的です。「読めなかったとき」の扱いを最初から決めておくことが、現場で回る条件になりうると考えます。
2030年に向けた備えは、施策の導入ではなく現状の客観把握から始まると考えます。元キーエンス画像処理事業部の現場知見をもとに、構内の滞留や検品工程をまず現物・現場で見える化するところからご一緒します。
構内オペレーションの見える化について相談する