ビエンチャンから昆明まで1,035km——中国ラオス鉄道の開通は、ラオスの物流環境を根本から変えた。従来、中国向けの陸送は国道13号線を北上し、ボーテンの国境でトラックを乗り換え、中国側の道路網に接続する必要があった。片道5〜7日、コストは1コンテナあたり$2,000〜3,000。

鉄道開通後、同じルートが2〜3日、$800〜1,200に短縮された。しかし、この劇的な改善を「使いこなしている」ラオス企業はまだ少ない。鉄道と陸送のどちらが最適か、荷量に応じてどう組み合わせるか——こうした判断を経験則ではなくデータで行うのがAI物流最適化だ。

本記事では、AIによる配車ルート最適化と需要予測ベースの在庫管理を組み合わせ、ラオスの物流企業がコスト削減とリードタイム短縮を同時に実現する方法を解説する。

中国ラオス鉄道は単なる輸送手段の追加ではない。ラオスの物流構造そのものを変える転換点だ。

特筆すべきは、鉄道がタイ向け物流には直接的なインパクトを与えていない点だ。タイ向けは従来通り友好橋経由のトラック輸送が最速・最安であり、鉄道のメリットは中国向け・ASEAN北部向けに集中している。

つまり、ラオスの物流企業は「タイ向けは陸送、中国向けは鉄道」というマルチモーダル物流を最適に組み合わせる判断力が求められるようになった。

マルチモーダル物流とは、鉄道・トラック・船舶・航空など複数の輸送手段を1つの物流チェーンの中で組み合わせる方式だ。

ラオスの文脈では、以下の組み合わせが現実的な選択肢になる。

• 鉄道＋トラック（Rail-Truck）： ビエンチャン駅までトラックで集荷→鉄道で昆明→中国国内配送網
• トラック＋トラック（Truck-Truck）： ビエンチャン→友好橋→タイ国内3PL
• 鉄道＋船舶（Rail-Sea）： 鉄道で昆明→昆明港→長江水運→上海

どの組み合わせが最適かは、荷物の種類（温度管理の要否）、量（コンテナ単位か小口か）、納期（緊急度）、コスト上限によって変わる。この多変量の最適化問題を、AIが人間の経験則より高速かつ正確に解く。

ラオスの物流企業が抱える課題は大きく3つに集約される。いずれもAIで改善可能だ。

ラオスの物流企業の多くは、配車を「ベテランのディスパッチャーの勘」に頼っている。国道13号線は南北に長く、ルアンパバーン〜ビエンチャン〜サワンナケートを結ぶ幹線だが、雨季の道路状況や国境の混雑具合はリアルタイムで変化する。

具体的な非効率の例：

• トラックの積載率が50%を下回る「空気を運ぶ」便が全体の30%以上
• 帰り便の荷物がなく、空車で戻るデッドヘッドが日常的に発生
• 鉄道の貨物枠予約が「とりあえず確保」で実際の利用率が60%程度

AIルーティングは、これらの非効率を荷物のマッチングと動的ルート計算で解消する。

サワンナケートSEZの製造業が中国から原材料を輸入し、完成品をタイに出荷するケースを考える。従来は「来たら倉庫に入れ、注文が来たら出す」というプッシュ型在庫管理だった。

この方式では：

• 原材料が鉄道で到着しても、倉庫に空きがなくてデマレージ（滞留料）が発生
• 完成品の出荷タイミングと原材料の到着タイミングがずれ、生産ラインが止まる
• 倉庫の固定費が月額$3,000〜5,000と、中小企業には重い負担

ビッグデータ不要の需要予測で紹介した手法を物流に適用すれば、「必要なものを、必要なときに、必要な量だけ」倉庫に保管するプル型の在庫管理に移行できる。

農産物の輸出は季節変動が大きい。ボラヴェン高原のコーヒー収穫期（10月〜3月）は出荷量が通常の3〜5倍に跳ね上がるが、鉄道の貨物枠は一定だ。

ピーク時に貨物枠を確保できず、トラック輸送に切り替えるとコストが2倍になる。逆にオフシーズンに確保した枠が空くと、キャンセル料が発生する。

需要変動を事前に予測し、鉄道枠の予約を最適化すれば、この「ピーク時の割高輸送コスト」と「オフシーズンの空枠ロス」を同時に削減できる。

鉄道と陸送の組み合わせ最適化には、コスト・時間・制約条件を変数とした数理最適化が有効だ。

AIルーティングの基本は、以下の変数を入力として最適な輸送手段とルートを出力することだ。

入力変数：

• 出発地（集荷先の住所）
• 目的地（配送先の住所）
• 荷物の属性（重量、容積、温度管理の要否、危険物区分）
• 納期（最短 or コスト優先）
• 鉄道の空き枠（ビエンチャン駅の貨物スケジュール）
• 道路状況（雨季の通行制限、国境の混雑状況）

出力：

• 推奨ルート（鉄道 or トラック or 組み合わせ）
• 推定コスト
• 推定所要日数
• リスク要因（天候、国境混雑の確率）

このロジックは、最初はExcelの判定テーブル（if-then ルール）で実装し、データが蓄積されたら機械学習モデルに移行するのが現実的だ。

物流の最適化には常に「コスト vs リードタイム」のトレードオフがある。

AIは荷主の「今回はコスト優先」「今回は納期優先」という指示に応じて、最適ルートを動的に切り替える。さらに、複数荷主の荷物を1つのコンテナに混載する「コンソリデーション」の最適化も行える。混載率が上がれば、1荷主あたりの輸送コストは30〜50%下がる。

配車の最適化と並んで重要なのが、倉庫に保管する在庫量の最適化だ。

ビッグデータ不要の需要予測で解説した手法は、物流の在庫管理にそのまま適用できる。

物流における需要予測の対象は「自社の倉庫に保管すべき在庫量」だ。必要なデータは：

• 過去6〜12ヶ月の月次出荷量（品目別）
• 季節要因（農産物の収穫期、ソンクラーン等の祝日）
• リードタイム（発注から入荷までの日数）
• 特殊要因（プロモーション、新規取引先の追加）

これらのデータがExcelに蓄積されていれば、線形回帰や移動平均で十分に実用的な予測が可能だ。月間出荷量の予測誤差がプラスマイナス20%以内に収まれば、安全在庫の適正化でコスト削減効果が出る。

ラオスの物流で重要なのはリードタイムの変動だ。雨季にはトラック輸送のリードタイムが1.5〜2倍に伸びる。

安全在庫の基本式は「サービス率に応じた安全係数 × 需要の標準偏差 × リードタイムの平方根」だ。この計算を品目別に行い、需要の変動が大きい品目は安全在庫を厚く、安定している品目は薄くする。

AIはこの季節変動をモデルに組み込み、雨季は自動的に安全在庫を増やし、乾季は減らすという動的調整を行う。固定的な安全在庫から動的安全在庫に移行するだけで、倉庫コストを15〜25%削減できるケースが多い。

AI物流最適化は、一度にすべてを導入するのではなく、3ヶ月で段階的に立ち上げる。

最初の1ヶ月は、既存の物流データを集約して「見える化」する段階だ。

• 過去12ヶ月の出荷記録（日付、品目、重量、目的地、コスト）をExcelに整理
• 配送ルート別のリードタイムとコストを集計
• 倉庫の在庫回転率を計算
• 鉄道利用率と陸送利用率の比率を把握

この時点ではAIは不要だ。Excelのピボットテーブルとグラフで、自社の物流の「現在地」を把握する。多くの企業がこのステップで「空車率が想像以上に高い」「特定の品目の在庫回転率が極端に低い」といった発見をする。

Step 1で集めたデータを基に、品目別の需要予測モデルを構築する。

• 主要品目（出荷量上位10品目）に絞ってモデルを構築
• Excelの移動平均から始め、精度が出なければPythonの Prophet や statsmodels に移行
• 月次ベースの予測から始め、十分なデータが溜まったら週次に細分化
• 予測精度の評価指標はMAPE（平均絶対パーセント誤差）。30%以下なら実用レベル

このモデルの出力を基に、安全在庫の適正水準と発注タイミングを自動計算する仕組みを、n8nまたはスプレッドシートで構築する。

需要予測が安定したら、配車のルート最適化を自動化する。

• 日次の出荷リストを入力として、最適なルート（鉄道 or トラック or 混載）を自動判定
• コンテナの混載計画を自動生成し、積載率を80%以上に維持
• 鉄道の貨物枠予約を、需要予測に基づいて2週間先まで自動確保
• 緊急便（翌日配送）のコスト増を可視化し、営業部門にフィードバック

この段階でGoogle OR-ToolsやPython PuLPなどのオープンソース最適化ライブラリを導入する。自社で構築が難しい場合は、PoC開発でパートナーと協力して構築するアプローチを推奨する。

AI物流の導入で見落としがちなポイントを2つ紹介する。

出荷データが6ヶ月分しかない段階で高度な機械学習モデルを導入しても、精度は出ない。AIは「過去のパターンから未来を予測する」技術であり、パターンを学習するには最低12ヶ月分のデータが必要だ。

データが不足している段階では、ルールベースの判定（if-then）から始める。例えば「雨季（5〜10月）はトラックのリードタイムを1.5倍で計算する」「コーヒー収穫期（10〜3月）は倉庫容量を30%増で確保する」といったシンプルなルールでも、勘に頼る判断より大幅に改善する。

データが12ヶ月以上蓄積されてから、機械学習モデルに移行する。最初から「AIで全自動化」を目指すと、精度不良で現場の信頼を失い、結局は手動に戻ることになる。

AIが「このルートが最適」と判定しても、現場のドライバーが「この道は雨季に通れない」と知っている場合がある。AIの判定と現場の知見が矛盾したとき、どちらを優先するかのルールを事前に決めておく必要がある。

推奨はHITL設計の適用だ。AIが提案したルートをディスパッチャーが確認・修正するフローを構築し、修正内容をAIの学習データにフィードバックする。3〜6ヶ月でAIの判定精度が上がり、人間の修正頻度は徐々に減少する。

最終的には「95%はAIの判定通り、5%は人間が修正」という状態が理想だ。100%自動化を目指すと、例外的なケースで大きなトラブルが発生するリスクがある。

Q1: 小規模な物流企業でもAI導入は可能ですか？

トラック5台以下の小規模企業でも、Step 1（データ可視化）とStep 2（需要予測）は十分に実行可能だ。Excelとスプレッドシートだけで始められる。Step 3の配車最適化は、月間出荷件数が100件を超える段階から効果が出やすい。それ以下の規模では、シンプルなルールベースの判定テーブルで十分だ。

Q2: 鉄道の貨物枠はどのように予約しますか？

中国ラオス鉄道の貨物予約は、ラオス鉄道公社（Lao-China Railway Co., Ltd.）のビエンチャン駅貨物ターミナルで行う。現時点では電話・メール予約が主流だが、オンライン予約システムの導入が進んでいる。定期的な大量出荷がある場合は、月次の枠確保契約を結ぶことで単価を10〜15%下げられる。

Q3: 冷蔵が必要な農産品も鉄道で輸送できますか？

中国ラオス鉄道はリーファーコンテナ（冷蔵コンテナ）に対応している。ただし、枠が限られているため2〜3週間前の予約が必要だ。温度管理が必要な場合は、鉄道+コールドチェーン対応トラックの組み合わせで、集荷から配送先までの温度を一貫管理する設計が重要になる。

中国ラオス鉄道の開通で、ラオスは「内陸国」から「内陸連結国」への転換を迎えている。しかし、インフラが整っても物流オペレーションが旧来のままでは、そのポテンシャルを活かしきれない。

3つのアクション：

1. まずはExcelで自社の物流データを可視化する——空車率、積載率、ルート別コストを把握するだけで改善の糸口が見える
2. ビッグデータ不要の需要予測のアプローチで、品目別の出荷量予測を始める
3. 鉄道と陸送の使い分けをルール化し、コスト削減効果を月次で測定する

AI物流最適化は、完璧なシステムを一度に構築するものではない。データの蓄積→ルールの精緻化→AIモデルの導入という段階的なアプローチが、ラオスの物流企業にとって最も現実的な道筋だ。