台灣冷鏈Taiwan News
AI 應用系列報導-智慧選址與減碳計畫

  物流系統要減碳,一開始多會從車隊電氣化,或是物流中心加裝太陽能電板開始,不過,單純從硬體的角度思考減碳,效果仍然有限,大幅度的減碳還是得從供應鏈網路結構來看,透過智慧調度、併車,以及調整物流中心的地理位置,可以讓減碳效果大幅增加。一個好的物流據點,在減碳問題上已先成功了一半!

        選址(site selection)是物流業長期以來相當注重的議題,以往物流業的選址都是希望鄰近客戶,或是位於交通便利的地點,以便縮短配送時間。

        然而如果再加上溫室氣體這件事,選址問題就會變得很複雜,必須重新建構選址的思維模式。對客戶來說,委託物流業的倉儲配送,都需要計入客戶的範疇三(SCOPE3)溫室氣體排放內。

        當製造業陸續減碳有成後,下一個壓力將會落到倉儲物流業身上,雖說是壓力,卻也是物流業新的機會,因為有很多做法可節省運輸、倉儲過程的溫室氣體排放,併箱、併車、直飛、車隊電氣化、配送路線優化,或是燃油車改用生質柴油,都可達到減碳效果,每一個環節的減碳累積到供應鏈上面,可能就是最終產品碳足跡(carbon footprint)是否勝出的關鍵。

  

        要在整個物流體系內做到大規模減碳基本上有三大策略,而且光是單打獨鬥決無法達成,必須靠整個供應鏈體系一起努力。

策略一:網路結構調整

        首先我們看以下案例,如果客戶、供應商每週都需配送一次,假設每次都只配送一材積,假設每個點之間的距離都是1公里。很明顯的,在這個簡單的物流系統內,物流中心設置於供應商、客戶的中間點,會是比較好的選擇,例如下圖的C點。

        這就好像客戶在台北、供應商在高雄,假設每週都只配送一次,那麼最佳的物流據點應該是台中或彰化附近。

        然而,如果稍微改變運輸頻率,變成物流中心每週得配送客戶二次,供應商每週只配送一次到物流中心,那麼物流中心需要稍微偏北設置,例如設置於苗栗附近,可使整體溫室氣體維持在最低位置。如果以上圖來看,因為需要配送客戶二次,物流中心如果稍微偏往B點設置,可使供應鏈的整體溫室氣體排放降低。

        從溫室氣體管理的角度,配送次數、配送距離、每次配送材積、排放係數,這四個變數相乘後,就會決定了運輸溫室氣體的排放量。不論使用的是電動車或是燃油車,計算方式都是一樣的,畢竟電動車充電,一樣會有溫室氣體排放,除非該電動車的電源完全來自綠電(例如太陽能),可使得排放係數為0。

        這樣的概念並不難懂,因為物流業必須維持以下X與Y的結果盡量相等,如果不相等,將會造成溫室氣體增加。其中:

        X = 客戶端:配送次數*配送距離*配送材積*排放係數
        Y = 供應商端:配送次數*配送距離*配送材積*排放係數

        我們試想一個情境,假設設置一個物流中心在台南,供應商在高雄、客人都分布於林口、台北,如果物流中心每週需配送三次到北部,而供應商卻每週只配送一次到物流中心,可想而知,這樣的物流系統,其整體的溫室氣體排放會被客戶端長距離配送而拉高許多。

        更何況,一個物流中心不是只有一個供應商或一家客戶,如果不靠AI輔助計算,很難找出較佳的據點決策。幸運的是,ChatGPT已經可以做到這件事。但是要ChatGPT做出好的決策品質,就需要清楚告訴它計算邏輯為何,以及提供正確的原始資料。

        給定以下ChatGPT的提示內容,ChatGPT確實可推估出可行的物流中心據點:

文章出處

15 Aug 2024