Canada Dataset

麻省理工学院可持续物流研究人员利用机器学习算法和基于地理空间数据的道路状况模型解决了这个问题。在初步研究中，研究人员研究了大约 160 辆卡车的运输情况。

第一阶段研究了哪些路况组合对燃油消耗的影响最大。考虑了坡度变化（道路的山丘程度）、车辆的平均速度、车辆行驶的平均海拔或高度以及配送路段长度等因素。这些因素被分成几组，以描绘不同的道路概况和相关的燃油消耗。例如，A 组路线的海拔较高、地形丘陵密布、平均速度相对较低且路段长度较短（主要描述墨西哥城的高海拔城市地区）。

在第二阶段，。研究人员根据车辆满载程度和车辆重量汇总路线。路线分为四组：卡车利用率低、中、高和超载。对于每个组，卡车类型根据燃料消耗进行排序，以确定哪种车型表现最佳。

研究的第三阶段涉及实地研究，以验证分析结果如何准确反映现实世界的最后一英里运输。来自墨西哥蒙特雷理工大学的本科生跟踪了大约 160 辆 Coppel 送货车。他们完成了大约 1000 份客户调查，涵盖了大约 3000 次送货上门。实地研究 Iceland电子邮件列表 还包括为墨西哥十个地区服务的九个配送中心。

在现场验证地理空间研究之后，下一步任务是如何利用研究结果帮助 Coppel 改善其最后一英里车队的环境性能。

后续步骤Next steps
首先，这项研究得出了关于 Coppel 配送业务的几项深刻见解。例如，集群 A（如上所述）是对二氧化碳排放影响最大的集群。车辆利用率高甚至超载似乎不会对燃料消耗产生重大影响。然而，卡车类型和车龄对柴油燃烧率有显著影响；平均而言，车龄超过 8 年的车辆的排放因子最大。

如果某些车型在特定路线上表现更好，那么减少燃料消耗和二氧化碳排放的一种方法就是根据这些性能变化重新分配车辆。研究人员估计，以这种方式分配卡车可以减少 7.2% 的燃料消耗和二氧化碳排放。

2018 年 10 月，Coppel 实施了为期一个月的试点，以测试这一论点。零售商使用了十辆具有不同操作特性的车辆（四辆在墨西哥库利亚坎地区，六辆在墨西哥城），根据卡车对不同路线的适用性重新分配卡车。这种转变将燃油效率提高了约 8%。在某些情况下，车辆交换可节省高达 20% 的燃油成本；相当于分别减少约 2,200 升燃油和 5,200 公斤二氧化碳排放量。

该零售商目前正计划全面实施覆盖其整个最后一英里车队的试点，并估计每年将节省大量成本。

寻找内部绿色解决方案
交通运输是温室气体排放增长的主要因素，货运约占交通运输碳足迹的 40%。电子商务交易量的持续增长可能会使这一数字进一步上升。