INSTITUTIONEN FÖR TEKNIKENS EKONOMI OCH ORGANISATION AVDELNINGEN FÖR SUPPLY AND OPERATIONS MANAGEMENT CHALMERS TEKNISKA HÖGSKOLA Göteborg, 2025 www.chalmers.se Fyllnadsgrad och transporteffektivitet: En analys av DHL Supply Chain och cross-dock- samarbetet med Volvo Examensarbete inom högskoleingenjörsprogrammet ekonomi och produktionsteknik Adnan Kapasi Agon Recica Fyllnadsgrad och transporteffektivitet: En analys av DHL Supply Chain och cross-dock- samarbetet med Volvo Adnan Kapasi Agon Recica TEKNIKENS EKONOMI OCH ORGANISATION Avdelning för SUPPLY AND OPERATIONS MANAGEMENT CHALMERS TEKNISKA HÖGSKOLA Göteborg, Sverige 2025 Fyllnadsgrad och transporteffektivitet: En analys av DHL Supply Chain och cross-dock-samarbetet med Volvo Adnan Kapasi Agon Recica © Adnan Kapasi, 2025 © Agon Recica, 2025 Teknikens ekonomi och organisation Chalmers tekniska högskola 412 96 Göteborg Sverige Telefon + 46 (0)31-772 1000 Göteborg, Sverige 2025 Göteborg, Sverige 2025 Fyllnadsgrad och transporteffektivitet: En analys av DHL Supply Chain och cross-dock-samarbetet med Volvo Adnan Kapasi Agon Recica Institutionen för Teknikens ekonomi och organisation Chalmers tekniska högskola Förord Detta examensarbete har genomförts under våren 2025 vid avdelningen Supply and Operations management på institutionen för teknikens ekonomi och organisation vid Chalmers Tekniska Högskola. Arbetet har utförts av studenter på högskoleingenjörsprogrammet Ekonomi och Produktionsteknik. Vi vill uttrycka stort tack till Volvo och DHL Supply Chain vid cross-docken på Bulyckevägen 25 i Torslanda, för möjligheten att genomföra detta examensarbete. Ert engagemang att ta emot oss som studenter och er tillgänglighet samt insynen i era processer har varit avgörande för arbetets framgång och genomförande. Vi uppskattar också det stöd vi har fått under skrivprocessen och vill särskilt tacka alla respondenter som deltog i våra intervjuer. Deras insikter har varit en viktig del i att öka både vår förståelse och vårt lärande. Slutligen vill vi rikta ett stort tack till vår handledare, Violeta Roso, docent vid Chalmers Tekniska Högskola, för hennes värdefulla vägledning och ständiga stöd under hela arbetets gång. Hennes insikter och engagemang har haft en stor betydelse för arbetets kvalitet och för vår egen utveckling. Abstract This bachelor’s thesis aims to analyze how the efficiency of truck transports between the cross-dock facility in Torslanda and Volvo’s factories can be improved. Despite the well- established collaboration between the parties and a clear structure for inbound and outbound flows, transport data reveals that the fill rate in some cases is below 50%. Such inefficiency not only results in higher costs but also contributes to a more vulnerable logistics structure. The study has been conducted as a qualitative case study, supplemented by elements of quantitative data analysis. Data was collected through semi-structured interviews with key personnel from both DHL and Volvo, on-site observations at the cross-dock facility, and analysis of available transport statistics. The frame of reference is based on logistics research focusing on fill rate, transport optimization, information sharing and digitalization within supply chains. The results show that several factors can negatively affect the fill rate. One of the most prominent causes is structural imbalance between incoming goods flow from suppliers and the static departure schedule toward Volvo, leading to uneven load distribution and planning challenges. A lack of effective information exchange between DHL and Volvo, limited scheduling flexibility and time-consuming manual processes during sorting and loading are identified as barriers to improved efficiency. It also became evident that there are no digital tools in place to support optimized real-time load planning. To improve the fill rate, a few measures are recommended. These include introducing more flexible departure times, enhancing coordination and information sharing between the actors, and investing in digital tools that enable load capacity visualization and more efficient planning. The standardization of pallet types was also identified as a value adding initiative. In conclusion, the study demonstrates that there are several clear opportunities for improvement in increasing the fill rate of JIT transports between DHL and Volvo. By combining organizational, technical and communicative changes both economic and sustainability related benefits can be achieved. This can be done while making the transport flow more resilient and future proof. Keywords: fill rate, cross-dock, transport efficiency, just-in-time, logistics optimization, digitalization Sammanfattning Detta examensarbete har som mål att analysera hur effektiviteten i lastbilstransporter mellan cross-docken i Torslanda och Volvos produktionsanläggningar kan förbättras. Trots det etablerade samarbetet mellan parterna och en klar struktur för in- och utflöden visar transportdata att fyllnadsgraden i vissa fall är lägre än 60%. En sådan ineffektivitet leder inte endast till högre kostnader utan bidrar även till en mer sårbar logistikstruktur. Studien har genomförts som en kvalitativ fallstudie med inslag av kvantitativ dataanalys. Datainsamlingen har genomförts med semistrukturerade intervjuer med nyckelpersoner hos både DHL och Volvo, observationer på plats vid cross-docken samt analys av tillgänglig transportstatistik. Teoretiska utgångspunkter har hämtats från logistikforskning med fokus på fyllnadsgrad, optimering av transporter, delning av information samt digitalisering inom försörjningskedjor. Resultaten visar att flera olika faktorer kan påverka fyllnadsgraden negativt. En av de mest framträdande orsakerna är en strukturell obalans mellan inkommande godsflöden från leverantörer och det statiska avgångsschemat mot Volvo, vilket leder till en ojämn belastning och svårigheter att planera. Vidare identifieras bristande informationsbyte mellan DHL och Volvo, begränsad flexibilitet i avgångarna samt manuella och tidskrävande arbetsmoment vid sortering och lastning som hinder för ökad effektivitet. Det framkommer också att det inte finns några digitala verktyg som kan stödja optimerad lastplanering i realtid. För att öka fyllnadsgraden rekommenderas ett antal åtgärder. Dessa omfattar introduktionen av mer flexibla avgångstider, förbättrad samordning och delning av information mellan aktörerna, samt investeringar i digitala verktyg som möjliggör visualisering av lastkapacitet och mer effektiv planering. Standardisering av palltyper identifierades även som en värdeskapande insats. Sammanfattningsvis visar studien att det finns flera tydliga möjligheter till förbättring för att höja fyllnadsgraden i just-in-time-transporter mellan DHL och Volvo. Genom att kombinera organisatoriska, tekniska och kommunikativa förändringar kan både ekonomiska och hållbarhetsrelaterade vinster uppnås, samtidigt som transportflödet blir mer motståndskraftigt och säkert för framtiden. Nyckelord: fyllnadsgrad, cross-dock, transporteffektivitet, just-in-time, logistikoptimering, digitalisering Innehållsförteckning 1. Inledning ......................................................................................................................................................... 1 1.1 Bakgrund och casebeskrivning ................................................................................................................. 1 1.1.1 Logistikflödet mellan aktörerna .......................................................................................................... 1 1.1.2 Processflödet på cross-docken .......................................................................................................... 3 1.1.3 Antal destinationer och fyllnadsgrad .................................................................................................. 3 1.2 Problembeskrivning ................................................................................................................................... 4 1.2.1 Utmaningar med nuvarande fyllnadsgrad .......................................................................................... 4 1.3 Syfte .......................................................................................................................................................... 5 1.4 Frågeställningar ......................................................................................................................................... 5 1.5 Avgränsningar ........................................................................................................................................... 6 2. Litteraturgenomgång .................................................................................................................................... 7 2.1 Cross-docking och dess roll i logistiksystem ............................................................................................. 7 2.2 Fyllnadsgrad i lastbilstransporter .............................................................................................................. 7 2.2.1 Lastningens påverkan på fyllnadsgraden .......................................................................................... 8 2.3 Strategier för att optimera lastningsprocesser .......................................................................................... 8 2.4 Just-in-time och dess påverkan på transporteffektivitet .......................................................................... 10 2.5 Teknologiska lösningar och digitalisering inom transportlogistik ............................................................ 11 2.6 Planering, informationsflöde och TMS i cross-docking ........................................................................... 12 2.7 Sammanfattning och forskningsluckor .................................................................................................... 13 3. Metod ............................................................................................................................................................ 15 3.1 Forskningsmetod ..................................................................................................................................... 15 3.1.1 Fallstudie .......................................................................................................................................... 15 3.2 Datainsamlingsmetoder........................................................................................................................... 15 3.2.1 Primärdata ....................................................................................................................................... 16 3.2.2 Sekundärdata ................................................................................................................................... 17 3.3 Urval ........................................................................................................................................................ 19 3.4 Dataanalys .............................................................................................................................................. 19 3.5 Forskningskvalitet .................................................................................................................................... 20 3.5.1 Validitet och reliabilitet ..................................................................................................................... 20 3.5.2 Metoddiskussion .............................................................................................................................. 20 3.5.3 Källkritik ............................................................................................................................................ 21 3.5.4 Användning av AI-verktyg ................................................................................................................ 21 3.6 Etiska överväganden ............................................................................................................................... 22 4. Resultat och analys ..................................................................................................................................... 23 4.1 Resultat från observationer ..................................................................................................................... 23 4.2 Resultat från intervjuer ............................................................................................................................ 24 4.2.1 Informationsbrist och planeringsutmaningar .................................................................................... 24 4.2.2 Asymmetri mellan inflöde och utflöde .............................................................................................. 24 4.2.3 Kommunikationsbrister och samordningsproblem ........................................................................... 25 4.2.4 Standardiserings- och sorteringsproblem ........................................................................................ 25 4.2.5 Digitala verktyg ................................................................................................................................ 26 4.2.6 Potential till förbättring ..................................................................................................................... 26 4.2.7 Översikt av identifierade problemområden ...................................................................................... 27 4.3 Kvantitativ data ........................................................................................................................................ 28 4.3.1 Fyllnadsgrad - genomsnitt och variationer ....................................................................................... 28 4.3.2 Lastningstider och påverkan på processflödet ................................................................................ 29 4.3.3 Avvikelser från schema .................................................................................................................... 30 4.3.4 Sammanvägd tolkning ..................................................................................................................... 30 4.4 Sammanställning av resultat ................................................................................................................... 30 4.4.1 Obalans mellan inflöde och utflöde .................................................................................................. 30 4.4.2 Bristande realtidsinformation och systemintegration ....................................................................... 31 4.4.3 Tids- och resurskrävande sorteringsmoment .................................................................................. 31 4.4.4 Brist på digitalt beslutsstöd i lastningen ........................................................................................... 31 4.4.5 Engagemang och vilja till förbättring ................................................................................................ 31 5. Diskussion .................................................................................................................................................... 33 5.1 Målkonflikten mellan leveransprecision och kapacitetsutnyttjande ......................................................... 33 5.2 Informationsbrist som hinder för optimering ............................................................................................ 33 5.3 Det organisatoriska glappet mellan vilja och förmåga ............................................................................ 34 5.4 Förbättringsförslag .................................................................................................................................. 35 5.5 Implementeringens förutsättningar .......................................................................................................... 37 6. Slutsats & reflektion .................................................................................................................................... 39 6.1 Koppling till syfte ..................................................................................................................................... 39 6.2 Svar på frågeställningar .......................................................................................................................... 39 6.3 Praktiska implikationer ............................................................................................................................ 40 6.4 Metodologisk reflektion............................................................................................................................ 41 6.5 Egen reflektion ........................................................................................................................................ 41 7. Framtida studier........................................................................................................................................... 43 7.1 Pilotstudier med flexibla avgångstider ..................................................................................................... 43 7.2 Utvärdering av digitala planeringsverktyg ............................................................................................... 43 7.3 Ekonomiska och miljömässiga effekter av ökad fyllnadsgrad ................................................................. 43 7.4 Jämförande studier av andra cross-dock lösningar ................................................................................ 44 Referenser ........................................................................................................................................................ 45 Bilaga 1 - Intervjumallar .................................................................................................................................. 49 Bilaga 2 – Excel data och beräkningar .......................................................................................................... 51 1 1. Inledning I detta kapitel presenteras bakgrunden till studien, det logistiska samarbetet mellan DHL Supply Chain och Volvo, samt de utmaningar som ligger till grund för det valda problemområdet. 1.1 Bakgrund och casebeskrivning Logistikbranschen spelar en avgörande roll i dagens globala försörjningskedjor och präglas av ett kontinuerligt krav på ökad effektivitet och hållbarhet (Christopher, 2016). Ett växande tryck från både kunder och samhälle innebär att logistikföretag måste hitta nya sätt att maximera nyttjandet av sina resurser utan att kompromissa med leveranssäkerhet eller flexibilitet. Inom denna bransch är transportsektorn särskilt central, där ett välfungerande samspel mellan leverantörer, tredjepartslogistikaktörer och tillverkande företag är avgörande för att säkerställa snabba, kostnadseffektiva och miljömässigt hållbara materialflöden (Grant et al., 2017). I detta sammanhang blir samarbetet mellan DHL Supply Chain och Volvo ett intressant fall att studera, då det kombinerar en komplex leveranskedja med höga krav på precision och flödesoptimering. En fördjupad analys av processerna i cross-docken på Bulyckevägen i Torslanda, där Volvo samarbetar med DHL, kan ligga till grund för att identifiera förbättringsåtgärder som bidrar till en ökad fyllnadsgrad. I dagsläget är fyllnadsgraden i transporterna mellan cross-docken i Torslanda och Volvos fabriker i snitt cirka 59 procent, vilket innebär att en stor del av lastbilarnas kapacitet inte utnyttjas. En sådan optimering har potential att främja både ekonomiska och miljömässiga mål på lång sikt. Detta utgör därmed utgångspunkten för denna studie. Samarbetet mellan DHL och Volvo utgör en central del av ett större logistiksystem där ett effektivt och välkoordinerat materialflöde är avgörande. Cross-docken i Torslanda möjliggör snabb och effektiv omlastning av gods vilket innebär att mellanlagring inte är nödvändigt (Jonsson & Mattsson, 2016). Godset sorteras direkt och dirigeras sedan vidare till utgående transporter. Detta kan därmed bidra till kortare ledtider och minskad lagringskostnad (Rushton et al., 2017). Samtidigt ställer denna flödesorienterade modell höga krav på planering, samordning och kapacitetsutnyttjande (Boysen et al., 2010). Effektiv cross-docking förutsätter en tät koordination mellan ankomsttider för gods, interna sorteringsprocesser och avgående transporter. Avvikelser i detta flöde kan orsaka förseningar, låg fyllnadsgrad och ineffektiv resursanvändning (Van Belle et al., 2012). Det är därför nödvändigt att vidare analysera kritiska faktorer som påverkar fyllnadsgraden som exempelvis schemaläggning, godsvolymer, transportfrekvens och tekniska hjälpmedel. 1.1.1 Logistikflödet mellan aktörerna Logistikflödet mellan DHL Supply Chain och Volvo är uppbyggt kring en struktur bestående av ett inflöde, en cross-dock och ett utflöde. Inflödet karaktäriseras av att vara dynamiskt vilket innebär att leveranser från olika leverantörer kommer in med varierande volymer, gods och tidpunkter. Utflödet är däremot statiskt och planeras med fasta tidpunkter till Volvos fabriker. I figur 1 illustreras detta logistiska flöde mellan Volvos leverantörer, cross- docken i Torslanda och Volvos fabriker. 2 Figur 1. Illustration av logistikflödet Ansvar för planeringen av leveranser ligger hos en schemaläggare som verkar i rollen som operations support. Denna funktion får dagligen tillgång till information från Volvos interna system, där det framgår vilka leverantörer som är schemalagda att leverera gods under den aktuella dagen. Därefter sker en manuell planering där schemaläggaren koordinerar med leverantörerna, oftast via mejl, för att bestämma och bekräfta exakta ankomsttider till cross- docken. Transporterna schemaläggs dagligen för att hantera den dynamiska karaktären i inflödet samtidigt som det statiska utflödet upprätthålls. I figur 2 illustreras hur ett schema kan se ut, med betoning på det dynamiska inflödet och det statiska utflödet. Figur 2. Illustration av schemaläggningen Jonsson och Mattsson (2016) poängterar att en sådan struktur kräver hög koordineringsförmåga och kapacitetsutnyttjande inom logistiksystemet. Brister i synkronisering eller ineffektiv hantering kan leda till förseningar, ökad belastning på 3 resurser samt reducerad fyllnadsgrad i transporterna. Detta innebär inte bara ökad risk för störningar i produktionen utan även ökade kostnader för logistiken som helhet (Jonsson & Mattsson, 2016). 1.1.2 Processflödet på cross-docken På cross-docken i Torslanda föreligger ett tydligt definierat processflöde för hantering av inkommande lastbilar och dess gods. När lastbilarna anländer utförs lossningen av gods och därefter sorteras godset på cross-docken, som till slut lastas i andra lastbilar. Truckförarna ansvarar för både lossning, sortering och lastning. Parallellt med denna hantering sker en löpande kommunikation mellan truckförarna och en gruppledare på golvet vars uppgift är att säkerställa att varje inkommande pall placeras inom rätt ruta på cross-docken. Därefter lagras godset på respektive ruta tills det är dags för omlastning och vidare distribution till Volvos olika destinationer. För att upprätthålla en effektiv och tillförlitligt processflöde får godset maximalt ligga kvar en skiftperiod på varje lagringsruta innan det transporteras vidare. Denna tidsbegränsning är en konsekvens av Volvos känsliga just-in-time leveranssystem, där komponenter och delar ofta behövs på en specifik tidpunkt i produktionsprocessen. Just-in-time strukturen syftar till att minimera lagerhållning och därigenom sänka kostnader, men ställer höga krav på precision och punktlighet i hela försörjningskedjan (Liker, 2004). Förseningar eller felaktig hantering i cross-dockprocessen kan därför få stora negativa konsekvenser för produktionsflödet och riskerar att orsaka produktionstopp eller försening vid Volvos fabriker. En schematisk illustration av detta processflöde återfinns i figur 3. Figur 3. Illustration av processflödet på cross-docken Enligt Liker (2004) innebär just-in-time-principen att endast det som behövs produceras, när det behövs, och i den mängd som behövs. Detta kräver en noggrant synkroniserad och pålitlig leveranskedja där varje länk är beroende av de andra för att upprätthålla ett jämnt och effektivt flöde. Vid störningar i denna kedja såsom förseningar vid cross-docken kan hela flödet, från början till slutet, påverkas negativt. 1.1.3 Antal destinationer och fyllnadsgrad DHL Supply Chain ansvarar för transport av gods till 8 olika destinationer och det angivna målet för en godkänd fyllnadsgrad från DHL ligger omkring 65 procent. Dessa, tillsammans med antalet avgångar samt den genomsnittliga fyllnadsgraden för respektive destination, 4 redovisas i tabell 1. Det insamlade datamaterialet avser perioden från den 2 januari 2025 till den 31 mars 2025 och omfattar därmed samtliga registrerade transporter under det första kvartalet. Mer detaljerad information avseende fyllnadsgrad per enskild avgång återfinns i bilaga 2. Destination Antal avgångar Fyllnadsgrad (%) 1 71 48,08% 2 62 36,51% 3 202 68,12% 4 399 73,12% 5 274 58,77% 6 119 51,34% 7 399 61,88% 8 399 71,67% Tabell 1. DHL Supply Chains olika utkörningsdestinationer 1.2 Problembeskrivning Det identifierade problemet i samarbetet mellan DHL och Volvo är en låg fyllnadsgrad i de lastbilar som transporterar gods mellan cross-docken och Volvos fabriker. Två primära orsaker har identifierats är: • Schemaläggningen, där inflödet är dynamiskt medan utflödet är statiskt. Denna asymmetri innebär att gods anländer vid varierande tidpunkter, medan utflödet är låst vid fasta avgångstider. Detta kan skapa en obalans i flödet och kan leda till låg fyllnadsgrad i lastbilarna eftersom lastbilar kan behöva avgå trots att de inte är fulla. Detta problemområde blir relevant för studien eftersom en låg fyllnadsgrad innebär inte bara en ökad kostnad per transportenhet utan leder även till en högre miljöpåverkan per levererad volym, vilket är särskilt problematiskt i en tid där hållbar logistik blivit en konkurrensfaktor (Piecyk & McKinnon, 2010; Santén, 2016). • Lastningsprocessen, som påverkar hur effektivt transportkapaciteten utnyttjas både volym- och viktmässigt. Om lastningen inte är optimerad riskerar utrymme i lastbilarna att lämnas oanvänt antingen genom att tillgänglig volym inte har fyllts ut på ett effektivt sätt, eller att viktgränsen uppnås innan hela lastutrymmet är nyttjat. Ineffektiv lastning kan bero på bristande planering, otillräcklig information om godsets dimensioner och vikt, eller tidsbrist vid omlastningen i cross-docken och är därför ett särskilt relevant problemområde för denna studie. 1.2.1 Utmaningar med nuvarande fyllnadsgrad Fyllnadsgraden påverkas starkt av lastmönster, vilket innebär hur och när lastbilar fylls med gods. Ojämna inflöden och suboptimala lastningsstrategier leder till att lastutrymmet ofta inte utnyttjas maximalt. Detta fenomen är vanligt förekommande inom transportintensiva logistiksystem och har identifierats som en av de största orsakerna till ineffektivitet inom vägtransporter (Allen et al., 2012). Dessutom kan brist på realtidsdata eller begränsningar i samordningen mellan olika enheter inom systemet göra det svårt att justera planeringen för att öka fyllnadsgraden på kort varsel. 5 1.3 Syfte Trots att fyllnadsgrad i lastbilstransporter och cross-docking är områden med tidigare forskning visar litteraturen att det finns en tydlig forskningslucka när det gäller hur digitala verktyg samt realtidsinformation kan användas för att förbättra fyllnadsgraden i just-in-time baserade cross-docking miljöer. Tidigare studier visar att fyllnadsgraden i lastbilstransporter har identifierats som en nyckelfaktor för att uppnå ökad effektivitet och hållbarhet i logistikkedjor (Allen et al., 2012; Piecyk & McKinnon, 2010). Forskningen visar att låg fyllnadsgrad inte bara driver upp transportkostnader utan också ökar miljöpåverkan, speciellt i system med höga krav på precision som just-in-time (Liker, 2004; Jonsson & Mattsson, 2016). Cross-docking har i detta sammanhang lyfts fram som en strategi för att minska ledtider och lagerkostnader (Rushton et al., 2017), men samtidigt kräver den hög koordinering och synkronisering av flöden för att fungera optimalt (Boysen et al., 2010; Van Belle et al., 2012). Trots den omfattande forskningen kring både fyllnadsgrad och cross- docking är det förhållandevis få studier som empiriskt undersöker hur digitalisering, i form av digitala hjälpmedel och realtidsdata, konkret påverkar fyllnadsgraden i just-in-time- miljöer. Tidigare studier har ofta behandlat dessa områden var för sig utan att utforska deras relation i praktiken (Santén, 2016). Det finns därmed ett behov av fallstudier som kan visa hur digitala verktyg, schemaläggning och operativa processer samverkar i komplexa logistiksystem. Därmed syftar denna studie till att bidra möjliga lösningsförslag till DHL Supply Chain genom att belysa hur digitalisering och schemaläggningsstrategier påverkar fyllnadsgraden inom ramen för detta specifika fall. Vidare är det huvudsakliga syftet med denna studie att undersöka möjligheterna för en ökad fyllnadsgrad i lastbilstransporter inom det logistiska samarbetet mellan DHL Supply Chain och Volvo. Studien avser att genom en systematisk kartläggning och analys av nuvarande transporter samt lastnings- och lossningsprocesser identifiera potentiella flaskhalsar, ineffektiviteter och begränsningar som påverkar fyllnadsgraden negativt. Baserat på analysen är målsättningen att formulera konkreta och teoretiskt förankrade förbättringsförslag som kan bidra till en mer resurseffektiv logistiklösning med ökad fyllnadsgrad. 1.4 Frågeställningar För att möjliggöra en systematisk analys av problemområdet har följande forskningsfrågor formulerats. Dessa frågor utgår från syftesformuleringen och bidrar till att definiera studiens struktur och fokus. Frågorna är följande: • Hur kan processerna i cross-docken effektiviseras för att öka lastbilarnas fyllnadsgrad? Syftet med denna fråga är att undersöka vilka möjligheter som finns för att förbättra de operativa processerna vid cross-docken för att optimera resursutnyttjandet och därigenom öka lastbilarnas fyllnadsgrad. • På vilket eller vilka sätt kan lastbilarna lastas mer effektivt för att optimera utnyttjandet av tillgängligt transportutrymme? Frågan avser att analysera lastningsmetoder och strategier för att undersöka förbättringar som kan bidra till en mer effektiv lastning och ökad fyllnadsgrad. 6 1.5 Avgränsningar Denna studie är avgränsad till att undersöka de interna processerna vid cross-docken, med särskilt fokus på lastbilstransporterna som genomförs mellan cross-docken och Volvos fabriker. Studien fokuserar således på aktiviteter kopplade till lastnings- och lossningsprocesserna inom cross-docken, kapacitetsutnyttjandet i form av fyllnadsgrad samt identifiering av potentiella interna flaskhalsar inom den avgränsade delen av logistikkedjan. Inflödet från Volvos leverantörer till cross-docken inkluderas inte i studiens empiriska undersökningsområde utan endast schemaläggningen av inflödet beaktas som en del av analysen. Avgränsningen motiveras av inflödets höga komplexitet, där ett stort antal parter och aktörer är involverade, vilket skulle riskera att bredda studiens omfattning bortom hanterbar nivå. Efterföljande moment såsom transporterna från cross-docken till Volvos fabriker samt lastnings- och lossningsaktiviteter vid Volvos anläggningar ingår inte i studiens forskningsområde. Dessa processer betraktas som externa i förhållande till det avgränsade analysobjektet och faller därmed utanför det valda empiriska och analytiska ramverket. De transportdata som studien utgår ifrån omfattar perioden från den 2 januari till den 31 mars 2025, vilket avser kvartal 1 år 2025 i enlighet med vad som tidigare redovisats i kapitel 1.1.3. 7 2. Litteraturgenomgång Syftet med litteraturgenomgången är att skapa en teoretisk referensram för studien genom att sammanställa och analysera tidigare forskning som är relevant för att förstå de faktorer som påverkar fyllnadsgraden i lastbilstransporter. De områden som behandlas inkluderar logistikstrategin cross-docking, fyllnadsgrad, lastningsoptimering, just-in-time, samt teknologiska lösningar inom transportlogistik. Dessa forskningsområden är centrala för att kunna identifiera faktorer som påverkar effektiviteten i transportkedjan och för att skapa en analytisk grund för att identifiera förbättringsmöjligheter i arbetet. 2.1 Cross-docking och dess roll i logistiksystem Cross-docking är en strategi inom logistik som syftar till att eliminera eller minimera lagringstiden för gods genom att varor snabbt överförs från inkommande till utgående transporter (Jonsson & Mattsson, 2016). Detta sker ofta inom loppet av ett arbetsskift, men kan även vara kortare än det. Detta innebär att en hög grad av synkronisering av flöden och system är grundläggande för cross-docking (Van Belle et al, 2012). För företag som DHL och Volvo som arbetar enligt just-in-time-principer är cross-docking avgörande för att hålla nere ledtider och hantera variationer i efterfrågan utan att behöva bygga upp stora buffertlager och flera studier lyfter cross-docking som ett alternativ till traditionella lagerlösningar. Cross-docking kan minska både lagerkostnader och den totala ledtiden i försörjningskedjan (Rushton et al., 2017). Men effektiviteten är beroende av effektiva planeringssystem som kan hantera komplexitet i flödena. Det krävs också tillgång till realtidsinformation som kan möjliggöra kontinuerlig uppdatering av ankomsttider och godsvolymer. Om någon av dessa komponenter brister kan det leda till förseningar eller felprioriterad hantering, som i sin tur kan leda till lägre fyllnadsgrad. Just-in-time flöden ställer även krav på att gods ska hanteras snabbt och i rätt ordning och detta kräver smidig och tillförlitlig datadelning mellan olika aktörer (Rushton et al., 2017). Eshtehadi et al. (2019) identifierar i en systematisk litteraturöversikt flera osäkerhetsfaktorer som påverkar cross-docking, däribland variationer i ankomsttider, godsets beskaffenhet och brister i informationsutbyte. Författarna betonar att dessa osäkerheter kan leda till suboptimering i godshanteringen, vilket påverkar fyllnadsgraden negativt. Det är extremt viktigt med avancerad informationshantering för att möjliggöra effektiv cross-docking. Detta är något som är tydligt inom DHL och hur deras cross-dock anläggning funktionerar. Enligt Abed och Obradovac (2023) är fördelen med en cross-dock att de har potential att förbättra prestandan i flerdelade distributionsnätverk, specifikt när det gäller ledtider och lageromsättning. 2.2 Fyllnadsgrad i lastbilstransporter Fyllnadsgrad är ett nyckeltal inom transportlogistik och avser i vilken utsträckning lastutrymmet i ett fordon utnyttjas. Det mäts ofta i volym, vikt, eller flakmeter. Hög fyllnadsgrad är en indikator på effektiv resursanvändning, medan låg fyllnadsgrad signalerar ett ineffektivt transportsystem där kostnader och miljöpåverkan per enhet ökar (Armö & Gustafsson, 2013; Hosseini & Shirani, 2012). 8 Enligt Armö och Gustafsson (2013) är intresset för att öka fyllnadsgraden stort bland logistikaktörer, men insatser för att mäta och följa upp fyllnadsgrad är ofta bristfälliga. Det saknas standardiserade rutiner för uppföljning vilket gör det svårt att genomföra riktade förbättringar. Samtidigt är fyllnadsgraden inte en isolerad parameter utan påverkas av en mängd faktorer såsom orderstruktur, godsvariation, tidsfönster, fordonskapacitet, samt planerings- och lastningsstrategier. Forskning från Trafikverket (Swahn, 2022) visar att fyllnadsgraden i svenska vägtransporter i snitt ligger runt 50–60 procent vilket innebär att en betydande del av den tillgängliga transportkapaciteten inte nyttjas. Denna nivå innebär att varje andra pallplats i praktiken går förlorad vid varje avgång. Låg fyllnadsgrad uppstår ofta som en konsekvens av godsflöden som inte är synkroniserade (Eshtehadi et al., 2019). Exempel på detta är där inflödet är varierande och utflödet är styrt av fasta scheman. I praktiken kan detta innebära att en lastbil avgår med halvfull last, inte för att det saknas gods, utan för att godset som skulle fyllt resterande volym ännu inte har anlänt. Det är alltså en fråga om timing och planeringsprecision, snarare än bara fysisk kapacitet. I DHL:s fall är dessa utmaningar tydliga. Cross-docken hanterar ett stort antal godstyper med olika lastkrav. Brister i prognoser och synkronisering med Volvo kan leda till att kapacitet lämnas outnyttjad trots att det rent tekniskt hade varit möjligt att uppnå högre fyllnadsgrad med bättre planeringsstöd eller information om inkommande gods. Det är därför centralt att förstå fyllnadsgrad inte bara som en fråga om att "fylla bilarna mer", utan som ett resultat av samverkande faktorer som planeringssystem, schemaläggning, transportstruktur, IT-stöd och mänsklig hantering. I litteraturen finns enighet om att fyllnadsgrad kan förbättras genom ett systematiskt angreppssätt där mätning, analys och åtgärder sker kontinuerligt och i nära koppling till övriga logistikfunktioner (Swahn, 2022; Armö & Gustafsson, 2013). 2.2.1 Lastningens påverkan på fyllnadsgraden Fyllnadsgraden kan också påverkas av lastningsrelaterade faktorer. Hur lastningen genomförs, inklusive val av emballage, palltyper, staplingsstrategier och hänsyn till viktbegränsningar påverkar i hög grad den faktiska fyllnadsgraden i lastbilarna. McKinnon et al. (2015) visar att det i många fall är godsets vikt och inte volym som begränsar fyllnadsgraden. I andra fall handlar handlar det om lastbärarnas egenskaper. Till exempel att vissa pallar inte är staplingsbara eller att olika godstyper inte kan samlastas och begränsar möjligheten till optimal packning (McKinnon et al., 2015). Suboptimal lastning kan därmed resultera i att lastbilar avgår med till synes tomma volymer, trots att viktkapaciteten är nådd (McKinnon et al., 2015). Alternativt att volymen är fylld men att betydande viktkapacitet förblir outnyttjad. Brister i informationshantering, exempelvis om lastbärarens mått, staplingsmöjligheter och vikt, kan därmed få direkt inverkan på transportens effektivitet och fyllnadsgraden. 2.3 Strategier för att optimera lastningsprocesser Effektiv lastning kräver planering, standardisering och anpassade tekniska lösningar. Lastningsprocessen spelar en viktig roll i strävan efter hög fyllnadsgrad och effektiv transportlogistik. Hur gods planeras, packas och placeras i transportfordon påverkar 9 kapacitetsutnyttjandet, transportkostnader, skaderisker och tidsåtgång vid omlastning. Enligt Armö och Gustafsson (2013) finns det ett direkt samband mellan förbättrade lastningsrutiner och ökad fyllnadsgrad. De menar att arbete ska ske med packningsstrategier, standardiserade lastbärare och tydliga riktlinjer för stapling samt viktfördelning för att utrymmet i lastbilar ska kunna nyttjas mer effektivt. I praktiken innebär detta ofta att företag utvecklar egna riktlinjer för hur gods ska placeras beroende på dess egenskaper. Det kan handla om att optimera staplingsordning, att använda volymberäknande algoritmer, eller att segmentera lastbilar efter destinationszoner. Hosseini och Shirani (2012) menar att företag som lyckas med detta ofta har ett tydligt informationsflöde kring varje lastbärare: mått, vikt, staplingsmöjlighet, känslighet och prioritet. I cross-dockingmiljöer, som hos DHL i Torslanda, är tidsfaktorn avgörande. Gods ska lastas om inom ett skift vilket sätter press på snabb hantering. Samtidigt måste det ske med precision och felplacerade eller obalanserade laster kan leda till både skador och ineffektiv kapacitetsanvändning. Här uppstår ofta en målkonflikt mellan snabbhet och optimering. Enligt McKinnon et al. (2015) är det vanligt att lastningen prioriterar hastighet framför fyllnadsgrad, särskilt i högvolymflöden där tempot är högt. Studier visar att det är viktigt att ha standardiserade palltyper och klar märkning för att uppnå effektiv hantering cross-docking miljöer. Enligt Molina Montoya (2017) kan rätt staplingsmönster reducera böjningen av pallen med upp till 53%, vilket möjliggör en säkrare och mer utrymmeseffektiv stapling. Detta är särkskilt viktigt i situationer där lasning sker snabbt och med olika typer av emballage. Detta stöds även av Vargas-Osorio och Zuñiga (2016), vilka visar att en förbättrad pallpackning kan sänka fraktkostnaderna med så mycket som 30%. Gnoni et al. (2010) lyfter att användning av standardpallar inom exempelvis EPAL-systemet förenklar hantering, minskar omlastningstider och förbättrar fyllnadsgrad genom enhetliga mått och egenskaper. EPAL-systemet innebär de standardiserade träpallarna som många fabriker använder för lastning och lossning. Vidare framhäver Woodroffe (2016) betydelsen av märkning enligt ISPM 15, där uppgifter om ursprung och behandling skapar spårbarhet och effektivitet i internationella flöden. Dessa insikter betonar vikten av att identifiera problematiska palltyper, införa en enhetlig pallpolicy och använda märkning som grund för avvikelserapportering. Simuleringsstudier av Abed och Obradovac (2023) visar att användning av digitala verktyg för lastplanering kan ge betydande förbättringar. Genom att modellera olika lastningsalternativ i förväg kan man förutse var det finns outnyttjat utrymme och hur gods bör placeras för att både fylla lastutrymmet och minimera hanteringstid. Deras studie visar att simuleringar kan minska "dead space" med upp till 20–30 %, särskilt när godset varierar i storlek och vikt. Ett relaterat område är användning av AI och machine learning i lastplanering. Forskning inom detta område, till exempel Al Chall (2020), tyder på att prediktiva modeller som tränas på historiska data kan föreslå optimerade lastningsstrategier för specifika rutter och lasttyper. Något som kan vara mycket relevant i ett återkommande flöde som mellan DHL och Volvos fabriker. För DHL i Torslanda innebär detta att en mer strukturerad lastningsprocess, kanske baserad på digitala verktyg eller checklistor kan vara ett steg mot ökad fyllnadsgrad. Det 10 kräver dock att rätt information finns tillgänglig vid lastningstillfället, exempelvis om vilken pall som ska till vilken fabrik, vilka som kan staplas, och vilka som måste hanteras varsamt. Denna typ av datadriven lastningsplanering kan också minska behovet av att fatta ad hoc- beslut i omlastningsfasen, vilket i sin tur ökar kvaliteten i utförandet. För att summera pekar litteraturen på att optimering av lastningsprocessen kräver en balans mellan teknik, standardisering och operativt genomförande. Med stöd av digitala verktyg och god informationsstruktur kan företag som DHL skapa mer förutsägbara och effektiva lastningsflöden som i sin tur direkt kan påverka fyllnadsgrad, transportkostnad och miljöpåverkan. 2.4 Just-in-time och dess påverkan på transporteffektivitet Just-in-time är en logistikstrategi som syftar till att leverera rätt mängd material till rätt plats vid rätt tidpunkt, utan att bygga upp lager. Ursprungligen utvecklad inom japansk bilindustri, har just-in-time sedan dess blivit en grundpelare i moderna, flödesorienterade produktions- och distributionssystem (Christopher, 2016). Fördelarna med just-in-time är tydliga. Strategin medför lägre lagerkostnader, snabbare kapitalomsättning och förbättrad synkronisering i värdekedjan. Men just-in-time bygger på extremt exakt planering och en hög grad av pålitlighet i leveranserna. Enligt Choi et al., (2023) innebär detta att även små störningar, exempelvis trafikförseningar, felaktigt lastade transporter eller variationer i inflödet kan få stora konsekvenser i system som saknar buffertar. Därför är just-in-time system ofta känsliga och ställer höga krav på både transportörens förmåga att leverera i tid och på kundens flexibilitet att ta emot leveransen exakt när det behövs. För DHL:s cross-dock i Torslanda innebär detta att varje försening eller fel i omlastning kan leda till att Volvos produktionsflöden påverkas negativt. Det förklarar varför transporterna måste avgå enligt fasta scheman, även om fordonen inte är fullt lastade. I sådana fall uppstår direkt en konflikt mellan just-in-time kraven och målet att uppnå hög fyllnadsgrad. Kros et al., (2006) visar i sin studie att företag som använder just-in-time tenderar att ha en lägre genomsnittlig fyllnadsgrad i sina vägtransporter jämfört med företag med mer flexibla leveransfönster. För att hantera detta använder vissa företag dynamiska ruttplaneringssystem och digitalt stöd för att justera lastinnehållet i sista stund, men dessa lösningar är långt ifrån universellt implementerade. Abed och Obradovac (2023) betonar att den största utmaningen i just-in-time distribution är att få transportplaneringen att harmonisera med produktions- och leveransbehoven. Deras modellering visar att kombinationen av cross-docking och just-in-time ofta ger bäst effekt när det finns ett prediktivt system som styr in- och utflöden baserat på efterfrågeprognoser och tillgång på gods. Flera tidigare studier visar att en stegvis övergång från fasta avgångsscheman till mer flexibla, dynamiska avgångar kan vara en realistisk och effektiv strategi inom cross-docking och just-in-time baserad transportlogistik. Van Belle et al. (2012) lyfter fram att implementeringen av dynamiska scheman med fördel bör inledas genom pilotprojekt i mindre skala, till exempel på utvalda destinationer eller specifika skift. Detta begränsar de operativa riskerna och möjliggör en gradvis anpassning av både processer och personal. På samma sätt argumenterar Boysen och Fliedner (2010) för att en kombination av fasta och flytande avgångar kan förbättra fyllnadsgraden och ge mer flexibilitet inom systemet. De betonar också vikten av tydliga beslutsregler, till exempel att avgångar sker först när en 11 viss fyllnadsgrad har uppnåtts eller efter en definierad väntetid. Kros et al. (2006) lyfter vidare fram betydelsen av att involvera både planering- och golvpersonal i utformningen och utvärdering av dynamiska scheman, eftersom lokal kunskap ofta är avgörande för att identifiera vilka rutter som bäst möjliggör flexibilitet. Dessa studier visar gemensamt att en stegvis implementering, uppföljning med kvantitativa nyckeltal och en aktiv förankring i organisationen är avgörande för att lyckas med övergången till dynamiska övergångar i praktiken. I fallet med DHL och Volvo är detta särskilt relevant eftersom flödet bygger på att gods ska lämna cross-docken senast nästa skift oavsett om det inkommande inflödet är fullt optimerat eller inte. Det innebär att lastbilar ibland avgår med låg fyllnadsgrad, trots att högre fyllnadsgrad vore möjlig med bättre tajmning eller planering. Det är därför viktigt att förstå att just-in-time i sig inte nödvändigtvis orsakar låg fyllnadsgrad, men att dess implementering kräver kompromisser, ofta mellan ledtid och kapacitetsutnyttjande. För att maximera effektiviteten i ett just-in-time system krävs därför inte bara snabbhet, utan även ett sofistikerat system för realtidsplanering och beslutsstöd. 2.5 Teknologiska lösningar och digitalisering inom transportlogistik Digitalisering och IT-system är avgörande för att hantera komplexiteten i moderna logistiksystem. Enligt en studie av Deneux och Vlieger (2000) krävs system som möjliggör realtidsinformation, streckkodning och elektroniskt datautbyte för effektiv cross-docking. Teknik som används för att hantera produktinformation vid terminaler är exempelvis automatiserad sortering och digitala plattformar för godsuppföljning, vilket förbättrar beslutsfattande och effektiviserar logistikflödet. Digitala verktyg för planering av laster har bevisat sin förmåga att öka fyllnadsgraden och effektivisera hanteringen inom transportlogistik, särskilt i samband med cross-docking och just-in-time flöden. Enligt Hansson et al. (2021) kan beslutstöd för sekventiell lastning, där olika godstyper planeras in i optimal ordning, minska sorteringstiden och öka utnyttjandet av tillgängligt lastutrymme. Visualisering av lastfördelning, särskilt genom 3D-simuleringar, lyfts också fram som ett verktyg för att minska risken för felpackning och identifiera outnyttjade ytor. Detta bidrar till högre fyllnadsgrad och minskat antal transporter (Freight Logistics Online, 2023). Flera fallstudier visar att digitala lastplaneringssystem fungerar optimalt när de är kopplade till befintliga transportsystem och ordersystem (TMS/OMS), och används som flexibla verktyg för beslutsfattande snarare än som strikta regler. Digitalisering är en avgörande möjliggörare för effektiv och hållbar logistik. I takt med att försörjningskedjor blir alltmer komplexa och beroende av snabba flöden har behovet av teknikstöd för planering, uppföljning och beslut ökat markant (Montreuil, 2011). För att uppnå hög fyllnadsgrad och förbättra samordningen krävs verktyg som ger överblick över hela logistikflödet i realtid. Enligt Deneux och Vlieger (2000) spelar system som EDI (Electronic Data Interchange), streckkodning och RFID en central roll för att effektivisera informationsflöden i cross-dock- system. Detta är en teknik som använder radiovågor för att identifiera och spåra objekt. Dessa teknologier minskar risken för fel vid godsmottagning och lastning, samtidigt som de möjliggör snabba beslut i pressade tidsfönster. 12 En studie har visat att företag som kombinerar teknologier som realtidsövervakning, AI- baserad prognostisering och automatiserad ruttoptimering tenderar att ha både högre fyllnadsgrad och lägre avvikelsefrekvens i sina transporter (Abed & Obradovac, 2023). Detta beror på att dessa verktyg gör det möjligt att kontinuerligt justera lastplaner, omfördela resurser och förutse problem innan de uppstår. I praktiken innebär detta att exempelvis ett försenat inkommande gods inte behöver påverka fyllnadsgraden negativt om systemet snabbt kan föreslå en alternativ lastningskombination eller skjuta upp avgången inom toleransen. Men om dessa verktyg saknas, eller om data inte delas sömlöst mellan aktörer, blir beslut i omlastningsfasen i stället beroende av erfarenhet, magkänsla och tillfälliga lösningar vilket är något som ökar risken för suboptimerade avgångar. Enligt Trafikverket (Swahn, 2022) finns det i Sverige fortfarande ett glapp mellan den tekniska potentialen och den faktiska användningen av digitala system inom transportlogistik. Många aktörer har infört grundläggande systemstöd, men arbetar fortfarande i silos där information inte delas fullt ut mellan avdelningar och med externa partners. Detta kan vara en möjlig förklaring till varför DHL:s fyllnadsgrad i Torslanda inte är högre, trots att det finns tekniska system tillgängliga. I det längre perspektivet lyfter Montreuil (2011) idén om ett “Physical Internet”, där godstransporter organiseras i standardiserade, digitalt uppkopplade enheter som automatiskt matchas mot tillgänglig kapacitet i realtid. Även om detta fortfarande är en vision, ger det en tydlig riktning för hur framtidens logistik kan se ut, särskilt inom samarbeten mellan stora aktörer som DHL och Volvo. 2.6 Planering, informationsflöde och TMS i cross-docking Effektiv planering i just-in-time och cross-docking-system bygger på att gods, kapacitet och tid synkroniseras på ett tillförlitligt sätt. I praktiken är det ofta brister i denna planering som leder till låg fyllnadsgrad, särskilt när inleveranser sker oregelbundet medan utleveranser följer fasta scheman (Eshtehadi et al., 2019; Swahn, 2022). Effektiv informationsdelning är avgörande för att skapa smidiga och resurseffektiva cross- docking flöden, särskilt i just-in-time situationer där precision är centralt. Van Belle et al. (2012) påpekar i sin översikt att tillgången till realtidsinformation om varor och orderprioriteringar är en avgörande faktor för att minska flaskhalsar och sammanföra in- och utflöden effektivt. Boysen och Fliedner (2010) understryker betydelsen av att tillämpa gemensamma digitala system samt standardiserade informationsprotokoll, till exempel EDI, för att säkerställa att aktörer får korrekt uppdaterad information i rätt tid. Detta minskar risken för felprioriteringar vid lastning och lossning. En systematisk översikt av Kiani Mavi et al. (2020) bekräftar att bristande informationsflöden ofta är en central anledning till osäkerheter i cross-docking-operationer och föreslår standardiserade riktlinjer för informationbyte, automatiserade gränssnitt och regelbundna samordningsmöten som nödvändiga åtgärder. Samtidigt borde dessa vara understödda via digitala system och organisatoriska rutiner. Sammanfattningsvis visar litteraturen att realtidsdata och enhetliga informationsprotokoll är centrala för att förbättra fyllnadsgrad, punktlighet och resursutnyttjande i transportflöden. 13 Ett av de viktigaste verktygen för att hantera denna komplexitet är ett Transportation Management System (TMS). TMS är ett digitalt planerings- och optimeringssystem som används för att administrera och effektivisera transporter. Funktioner som ruttoptimering, kapacitetsplanering, realtidsuppföljning och lastbalansering är centrala för att minska tomkörningar och öka fyllnadsgraden (Kros et al., 2006). Enligt Deneux och Vlieger (2000) kräver effektiv cross-docking att all relevant transportinformation finns tillgänglig i realtid och är integrerad mellan aktörer. Ett välfungerande TMS kan därmed förbättra beslutsfattandet i pressade situationer och minska risken för att lastbilar avgår med delvis fyllda flak. I en studie av Hosseini och Shirani (2012) betonas att TMS-systemens effektivitet inte enbart avgörs av dess tekniska kapacitet utan även av hur väl de är integrerade med övriga affärssystem, som exempelvis ERP eller WMS samt hur de används av operativ personal. ERP är ett system som hanterar hela företagets processer som till exempel ekonomi, HR, supply chain och mer. WMS system är mer specialiserat och fokuserar på att hantera lagerverksamheter som plockning, packning och leverans. Det finns även forskning som visar att användning av AI-baserad prediktion i TMS kan förbättra planeringens precision, vilket i sin tur påverkar fyllnadsgraden positivt (Abed & Obradovac, 2023). Detta antyder att nästa steg för företag som DHL och Volvo kan vara att satsa på mer avancerade digitala stödsystem som proaktivt optimerar transporter snarare än att endast reaktivt följa dem. Litteraturen visar att ett väl implementerat TMS i kombination med god samordning mellan system och människor kan vara en nyckel till att förbättra fyllnadsgraden i lastbilstransporter inom just-in-time- och cross-dockingmiljöer. 2.7 Sammanfattning och forskningsluckor Denna litteraturöversikt visar att fyllnadsgraden i lastbilstransporter påverkas av ett komplext samspel mellan logistikstrategier, teknologiska lösningar, planering och operativa rutiner. Viktiga faktorer som har identifierats är koordinering vid cross-docking, lastningens kvalitet och precision, implementering av just-in-time samt tillgången till information i realtid och digitalt beslutsstöd. Cross-docking framstår som en effektiv strategi för att minska lagringstid och ledtider i distributionskedjan. Samtidigt beror dess effektivitet i hög grad på synkroniserade flöden, tillgång till realtidsdata och bra informationshantering. Flera studier visar att osäkerhet kring ankomsttider, brist på informationsutbyte samt avsaknad av flexibel planering kan resultera i suboptimering, vilket i sin tur kan leda till en minskad fyllnadsgrad. Detta är särskilt uppenbart i system som är baserade på just-in-time, där fasta avgångstider ofta krockar med varierande inflöden. Lastningsprocessen är en annan viktig faktor. Ineffektiv användning av emballage, pallar, staplingstekniker och bristande informationsflöden om godsets egenskaper påverkar fyllnadsgraden på ett negativt sätt. Här framhålls behovet av standardisering, digitala lastplaneringsverktyg och AI-baserade optimeringsmodeller som kan minska “dead space” och skapa mer precisa lastningsstrategier. 14 Digitalisering i form av TMS, övervakning i realtid, automatisering och AI har visat sig vara grundläggande för att förbättra både planering och genomförande. Det finns fortfarande en skillnad mellan den teknologiska kapaciteten och den verkliga tillämpningen, särskilt i system där olika aktörer arbetar separat och delning av data är bristfällig. Detta framgår även i det studerade fallet med DHL:s cross-dock i Torslanda, där trots tillgång till tekniska verktyg, fyllnadsgraden ofta ligger på en relativt låg nivå. Ett framträdande tema i litteraturen är att förbättring av fyllnadsgraden behöver en övergripande syn där tekniska lösningar kombineras med operativa rutiner, organisatoriska strukturer och mänskliga beslut. Samarbete mellan system, människor och processer är avgörande, särskilt i situationer med stor volym och korta tidsramar. Även med tydlig forskning framkommer flera brister inom forskningen: 1. Det finns begränsat med studier som praktiskt analyserar hur kombinationen av cross-docking och just-in-time påverkar fyllnadsgraden i specifika, verkliga flöden. Särskilt inom svenska sammanhang. 2. Flera källor understryker vikten av realtidsinformation och förutsägbara verktyg, men det finns en brist på forskning som bedömer hur införandet av sådana system faktiskt påverkar fyllnadsgraden över tid. 3. De flesta studier fokuserar på teknik. Detta innebär att den operativa synvinkeln, som inkluderar personalens erfarenheter och beslutsfattande, ofta inte uppmärksammas trots att den är mycket viktig vid lastning och planering. 4. Det finns också få studier som undersöker från ett systemperspektiv hur informationsdelning mellan aktörer påverkar hela kedjans fyllnadsgrad, speciellt i dynamiska miljöer med skiftande inflöden. Denna forskning syftar därför till att bidra till forskningen genom att analysera vilka faktorer som i praktiken påverkar fyllnadsgraden i just-in-time baserade cross-dockingflöden. Detta är med särskild betoning på interaktionen mellan teknik, planering och informationsflöde i det specifika fallet mellan DHL och Volvo. 15 3. Metod En grundläggande del av detta examensarbete är att fastställa en lämplig metod för att undersöka hur fyllnadsgraden på DHL Supply Chains lastbilar kan optimeras. Metodvalet grundar sig i detta fall på problemformuleringen, syftet och forskningsfrågorna. Det säkerställer att studiens resultat och tolkningar genomförs på ett systematiskt och vetenskapligt rimligt sätt (Patel & Davidsson 2019). Kapitel 3 redogörs därför för de metodologiska val som gjorts för detta arbete. 3.1 Forskningsmetod Detta kapitel redogör för studiens valda forskningsmetod. Syftet är att förklara hur undersökningen är designad för att svara på forskningsfrågorna samt att ge en översikt över den teoretiska grund som styr arbetet. Studien kombinerar en kvalitativ fallstudie med kvantitativa analyser, vilket möjliggör både djupgående insikter i logistikkedjans praktiska processer och en statistisk bedömning av nyckeltal som fyllnadsgrad. Detaljerad beskrivning av fallstudiedesignen följer i underkapitel 3.1.1. 3.1.1 Fallstudie En fallstudie är en forskningsmetod som kännetecknas av en djupgående och omfattande undersökning av ett specifikt avgränsat område och används främst för att utforska komplexa problemställningar i deras verkliga kontext och syftar till att skapa en detaljerad förståelse av det studerade objektet (Yin, 2018). Fallstudier är vanligtvis kvalitativa, men kan inkludera kvantitativa metoder för att komplettera analysen och ge en mer heltäckande bild (Creswell & Poth, 2018). Detta innebär att fallstudier är särskilt lämpliga för undersökningar där både de djupare bakomliggande orsakerna och deras praktiska konsekvenser kan förstås. Detta examensarbete bygger på en fallstudie där cross-docken utgör studieobjektet. Studien kombinerar både kvalitativa och kvantitativa metoder för att ge en nyanserad bild av nuläget, samtidigt som den utvärderar potentiella förbättringsåtgärder. Den kvalitativa delen bidrar med djupare insikter om processernas karaktär, medan den kvantitativa delen tillför objektiva data som kan mäta och styrka effekten av föreslagna förändringar (Patel & Davidson, 2019). Denna metod ser till att identifierade förbättringsförslag är både praktiskt genomförbara och mätbart effektiva och är av central betydelse för att kunna implementera hållbara förändringar i en komplex logistisk miljö som cross-docken i Torslanda. 3.2 Datainsamlingsmetoder Studien bygger på flera kompletterande datainsamlingsmetoder för att skapa en så heltäckande och nyanserad bild som möjligt av logistikkedjans processer och utmaningar. Det teoretiska ramverket utgörs av en omfattande litteraturgenomgång som ger studien en stabil förankring i befintlig forskning. Den empiriska datainsamlingen omfattar observationer av processerna på cross-dockingen, intervjuer med nyckelpersoner inom organisationen samt kvantitativ insamling av interna transportdata. Genom att kombinera dessa kvalitativa och kvantitativa metoder möjliggörs triangulering av data, vilket enligt Patel och Davidsson 16 (2019) stärker studiens validitet och underlättar identifieringen av potentiella problem som påverkar flera områden inom logistikkedjan. En utförlig beskrivning av respektive datainsamlingsmetod följer, med fokus på metodernas genomförande samt deras koppling till studiens syfte. 3.2.1 Primärdata Primärdata utgör studiens egeninsamlade information och är avgörande för att få insikt i den specifika kontext som undersöks (Bryman & Bell, 2015). I detta sammanhang möjliggör insamlingen av intervjuerna och observationerna en djupare förståelse för de praktiska och organisatoriska aspekterna inom cross-docken, vilket är nödvändigt för att identifiera förbättringspotentialer i logistikkedjan Att använda primärdata är särskilt värdefullt när befintliga sekundärdata är otillräcklig för att belysa komplexa och dynamiska processer i en specifik verksamhetsmiljö (Saunders et al, 2019). 3.2.1.1 Intervjuer I denna studie har semistrukturerade intervjuer varit en väsentlig metod för insamling av kvalitativa data. Den semistrukturerade formen valdes för att möjliggöra en strukturerad men ändå flexibel dialog, där intervjufrågorna följde förutbestämda mallar beroende på yrkesroll (se bilaga 1), men gav utrymme för fördjupning och följdfrågor utifrån deltagarnas svar (Patel & Davidsson, 2019; Kvale & Brinkmann, 2015). Detta upplägg var särskilt lämpligt då intervjupersonerna hade olika roller och ansvar inom logistikkedjan och det krävde en anpassning av frågorna för att fånga deras unika perspektiv och erfarenheter. Intervjufrågorna utformades med utgångspunkt i studiens syfte och fokuserade på fyra huvudområden. Dessa var nuvarande arbetsrutiner, upplevda begränsningar, samordningsproblem samt förslag på förbättringar. Under intervjuprocessen utvecklades och justerades frågorna successivt för att bättre fånga framväxande teman och nyanser (Rubin & Rubin, 2012). Urvalet av intervjupersoner genomfördes strategiskt med syftet att täcka olika nivåer och funktioner i transportkedjan, från stragetiskt till operativt genomförande. Ett målstyrt sekventiellt urval tillämpades, vilket innebar att urvalet breddades successivt i takt med att ny kunskap tillfördes (Bryman, 2018; Creswell & Poth, 2018). Totalt genomfördes intervjuer med 7 nyckelpersoner. Detta urval möjliggjorde en nyanserad bild av verksamheten och bidrog till att analysera samspelet mellan strategiska beslut och operativt arbete. Intervjuerna genomfördes på avskilda platser i närheten av arbetsytorna för att minimera störningar i den dagliga driften. Intervjuer med ledande funktioner varade i cirka 20–30 minuter, medan kortare intervjuer med truckförare anpassades till 5–10 minuter för att undvika negativ påverkan på produktionen. Samtliga intervjuer spelades in efter informerat samtycke från deltagarna och kompletterades vid behov med fältanteckningar för att bevara nyanser och kontextuell information (Seidman, 2013). Intervjuerna spelades in och transkriberades ordagrant och analysen av intervjumaterialet följde en tematisk kodningsprocess. Denna process innebar att centrala teman och mönster identifierades och organiserades i kategorier. Kodningen skedde manuellt i flera steg, där preliminära kategorier förfinades och reducerades för att tydligt avspegla de mest återkommande och relevanta mönstren i materialet. Kodningsarbetet genomfördes med 17 diskussioner kring tolkningar och kopplingar till studiens syfte och tidigare forskning, vilket säkerställde analysens validitet och logik (Braun & Clarke, 2006; Bryman, 2018). Resultatet av detta bidrog till en djupare förståelse av de organisatoriska och processuella faktorer som påverkade fyllnadsgraden inom cross-docksn och utgjorde en viktig grund för studiens slutsatser och rekommendationer. 3.2.1.2 Observationer Observationer har använts som en kompletterande kvalitativ datainsamlingsmetod för att få en direkt inblick i arbetsprocesserna. Syftet med observationerna var att identifiera praktiska och operativa faktorer som påverkar fyllnadsgraden i lastbilstransporterna. Genom att observera lastnings- och lossningsprocesserna i realtid kunde flaskhalsar, ineffektiviteter, avvikelser och möjligheter till förbättring dokumenteras direkt i verksamheten. Detta gjorde det möjligt att fånga viktiga detaljer som ofta inte framkommer i intervjuer, såsom tidspressade beslut, oväntade problem och spontana lösningar som inte alltid reflekteras i formaliserade rutiner. Observationerna fokuserade på hur truckar och personal rör sig i lokalen, hur gods placeras i cross-docken och i lastbilarna samt förekomsten av outnyttjat lastutrymme. Även interaktioner mellan olika roller som truckförare och arbetsledare dokumenterades. Det observerades hur rutiner följs, såsom lastordning och användning av hjälpmedel samt hur kommunikationen sker vid förändrade omständigheter. Realtidsobservationer möjliggjorde att studien kunde identifiera och dokumentera både planerade och oplanerade händelser som påverkade fyllnadsgradens effektivitet. Observationerna möjliggjorde insamling av data i den naturliga arbetsmiljön, vilket ofta ger en mer realistisk bild av praktiken än vad som kan uppnås genom enbart intervjuer (Patton, 2015). För att inte störa den pågående verksamheten och för att säkerställa objektivitet genomfördes observationerna i en icke-deltagande roll, där det enbart observerades och noterades utan att interagera direkt i arbetsprocesserna (Gold, 1958). Anteckningar användes för att noggrant dokumentera de observerade händelserna. Observationer bidrar därmed till triangulering av empiriska data och stärker validiteten genom att ge en konkret bild av de processer och interaktioner som diskuteras i intervjuer (Flick, 2018). Kombinationen av observationer och intervjuer gör det möjligt för studien att fånga både de formella arbetsflödena och de praktiska utmaningar som kan uppstå i den operativa miljön. 3.2.2 Sekundärdata Utöver primärdata har studien även använt sekundärdata som en viktig källa för att komplettera och fördjupa förståelsen av logistikkedjans utmaningar. Sekundärdata bestod i detta sammanhang av kvantitativ information samt litteratur och tidigare forskning som ligger till grund för det teoretiska ramverket. De kvantitativa data hämtades från DHL Supply Chains interna system och analysen av detta material möjliggjorde identifiering av avvikelser som kan vara svåra att fånga enbart med kvalitativa metoder (Saunders et al, 2019). Användningen av sekundärdata möjliggjorde också triangulering av resultatet, vilket bidrog till att stärka studiens validitet och tillförlitlighet (Yin, 2018). Den befintliga litteraturen och 18 tidigare empiriska studier gav en teoretisk och kontextuell bakgrund som hjälpte till att tolka och analysera de insamlade primärdata i relation till etablerade begrepp och modeller inom logistik och transportoptimering (Creswell & Poth, 2018). 3.2.2.1 Kvantitativa data och beräkningar Data om fyllnadsgrad samlades in från DHL:s interna system, där information av varje transports fyllnadsgrad och dess destination registreras. Detta utfördes genom att ta ett utdrag för en period på 89 dagar för att få ett representativt underlag. Data bearbetades därefter i Excel där genomsnittlig fyllnadsgrad, variation och standardavvikelse beräknades. För att analysera variationen i fyllnadsgraden mellan åtta olika destinationer har statiska spridningsmått använts, dessa var varians och standardavvikelse. Beräkningen baserades på uträkningar som finns i Probability & Statistics for Engineers and Scientists (Walpole et al., 2012). Utgångspunkten var andelen transporter per destination som hade en fyllnadsgrad under 65 procent, då detta var det givna målet. För varje destination beräknades denna andel som kvoten mellan antalet transporter under 65 procent och det totala antalet transporter till destinationen, multiplicerat med 100 för att uttryckas som en procent. Detta uttrycks i ekvation 1. 𝐴𝑛𝑡𝑎𝑙𝑒𝑡 𝑡𝑟𝑎𝑛𝑠𝑝𝑜𝑟𝑡𝑒𝑟 𝑢𝑛𝑑𝑒𝑟 65% 𝑇𝑜𝑡𝑎𝑙𝑎 𝑎𝑛𝑡𝑎𝑙𝑒𝑡 𝑡𝑟𝑎𝑛𝑠𝑝𝑜𝑟𝑡𝑒𝑟 × 100 Ekvation 1. Andel under målvärde (%) Medelvärdet för andelen transporter som hade fyllnadsgrad under 65 procent beräknades för att användas i vidare uträkningar. Den delas sedan på åtta, då det är antalet destinationer. Detta visas i ekvation 2. 𝑆𝑢𝑚𝑚𝑎(𝐴𝑛𝑑𝑒𝑙 𝑢𝑛𝑑𝑒𝑟 𝑚å𝑙𝑣ä𝑟𝑑𝑒) 8 Ekvation 2. Medelvärde (Andel under målvärde) (%) För att mäta hur mycket andelarna för respektive destination avvek från detta medelvärde beräknades avvikelse från medelvärdet för varje destination. Detta visas i ekvation 3. 𝐴𝑛𝑑𝑒𝑙 𝑢𝑛𝑑𝑒𝑟 𝑚å𝑙𝑣ä𝑟𝑑𝑒 𝑑𝑒𝑠𝑡𝑖𝑛𝑎𝑡𝑖𝑜𝑛 𝑥 − 𝑀𝑒𝑑𝑒𝑙𝑣ä𝑟𝑑𝑒(𝐴𝑛𝑑𝑒𝑙 𝑢𝑛𝑑𝑒𝑟 𝑚å𝑙𝑣ä𝑟𝑑𝑒) Ekvation 3. Avvikelse från medelvärde destination x (%) Efter detta beräknades variansen på varje destination för att sedan kunna beräkna medelvärdet och på så sätt få den totala variansen. Detta visas i ekvation 4 och 5. (𝐴𝑣𝑣𝑖𝑘𝑒𝑙𝑠𝑒 𝑓𝑟å𝑛 𝑚𝑒𝑑𝑒𝑙𝑣ä𝑟𝑑𝑒 𝑑𝑒𝑠𝑡𝑖𝑛𝑎𝑡𝑖𝑜𝑛 𝑥)2 Ekvation 4. Varians destination x (%2) 𝑆𝑢𝑚𝑚𝑎(𝑉𝑎𝑟𝑖𝑎𝑛𝑠) 8 Ekvation 5. Medelvärde varians (%2) 19 Avslutningsvis beräknades standardavvikelsen genom at ta kvadratroten ur variansen, vilket ger ett mått på den genomsnittliga spridningen i samma enhet som ursprunglig data. √𝑀𝑒𝑑𝑒𝑙𝑣ä𝑟𝑑𝑒 𝑣𝑎𝑟𝑖𝑎𝑛𝑠 Ekvation 6. Standardavvikelse (%) Ekvationer 4, 5 och 6 användes även för att beräkna standardavvikelse och varians på den totala fyllnadsgraden av den tillgängliga data för varje destination. 3.3 Urval Urvalet av intervjupersonerna har genomförts med syftet att få en bred och djup förståelse för de faktorer som påverkar fyllnadsgraden på cross-docken. Ett strategiskt urval användes för att inkludera nyckelpersoner med direkt insyn i verksamheten och ansvar för olika delar av logistikflödet. Totalt intervjuades sju personer och en översikt över intervjupersonerna presenteras i tabell 2. Företag Position DHL Supply Chain Supervisor DHL Supply Chain Operation Support DHL Supply Chain Team Leader Volvo Supervisor DHL Supply Chain och bemanningsföretag Truckförare (3 respondenter) Tabell 2. Intervjupersonerna Respondenterna representerar olika funktioner inom det dagliga arbetet med transportplanering, samordning och utförande. Inkluderingen av både operativa roller (till exempel truckförare) och koordinerande roller (till exempel supervisor och operation support) har möjliggjort att studien kunnat fånga olika perspektiv på de praktiska och organisatoriska utmaningar som påverkar fyllnadsgraden. Detta urval möjliggjorde en kontextuell förståelse för både strukturella och vardagliga aspekter av fyllnadsgradsproblematiken, vilket anses viktigt i en kvalitativ fallstudieansats (Bryman, 2018). Valet att inkludera flera respondenter från olika positioner inom samma organisation, samt från både DHL och Volvo, stärker vidare möjligheten till datatriangulering och nyanserad analys (Yin, 2018) 3.4 Dataanalys För att analysera det empiriska materialet i denna studie har en tematisk analys genomförts med utgångspunkt i kvalitativ forskningsmetodik. Metoden valdes eftersom den möjliggör en systematisk bearbetning av intervjumaterial med syfte att identifiera mönster, återkommande teman och meningsbärande enheter relaterade till studiens forskningsfrågor (Braun & Clarke, 2006). Tematisk analys är särskilt lämplig i fallstudier där kontextuell förståelse och tolkning av respondenternas erfarenheter står i centrum. 20 Efter att intervjuerna transkriberats i sin helhet lästes materialet igenom flera gånger för att skapa en helhetsbild. Därefter kodades materialet induktivt, vilket innebär att koder och teman inte bestämdes i förväg utan växte fram ur innehållet (Kvale & Brinkmann, 2015). För att säkerställa att analysen förblev trogen empirin arbetade vi kontinuerligt med att jämföra citat från olika respondenter inom liknande roller samt mellan olika roller. Detta för att upptäcka gemensamma uppfattningar såväl som potentiella skillnader. Därigenom kunde både återkommande teman och mer unika perspektiv lyftas fram. Särskild vikt lades vid att identifiera samband mellan organisatoriska strukturer, digitala stödresurser och praktiska utmaningar i det dagliga arbetet. Parallellt med detta användes observationerna som ett komplement för att kontextualisera och validera de teman som framkom i intervjuerna. Genom att observera miljön och arbetssituationerna kunde vissa beskrivningar från intervjuerna konkretiseras eller nyanseras, vilket stärkte analysens trovärdighet. 3.5 Forskningskvalitet För att bedöma studiens vetenskapliga hållbarhet är det centralt att reflektera över forskningskvalitetens olika dimensioner. I det följande avsnitt diskuteras därför aspekter som validitet, reliabilitet och metoddiskussion. Det går även in på forskningsetiska överväganden, källkritik och användningen av digitala verktyg. Dessa komponenter bidrar sammantaget till att värdera studiens trovärdighet och transparens. 3.5.1 Validitet och reliabilitet För att stärka studiens trovärdighet har flera åtgärder vidtagits med avseende på validitet och reliabilitet. Intern validitetsäkerställdes genom metodtriangulering, det vill säga att kvalitativa intervjuer, observationer och kvantitativa transportdata användes parallellt för att verifiera och komplettera varandra. Transparens i hur data samlas in, hanteras och analyseras underlättar granskning och ökar resultatens tillförlitlighet i logistikmiljöer (Çemberci & Vural, 2024). Extern validitet, det vill säga överförbarhet till andra liknande logistikmiljöer, är begränsad eftersom studien genomfördes vid en specifik anläggning med unika förutsättningar. Resultaten bör därför tolkas som kontextspecifika, men kan ändå inspirera förbättringsarbete i liknande miljöer. Reliabiliteten har stärkts genom att datainsamlingen följt strukturerade rutiner där samma observationsprotokoll användes vid samtliga tillfällen och intervjuerna dokumenterades noggrant via ljudinspelning och transkription. Detta möjliggör en viss grad av upprepbarhet även om kontexten är specifik. 3.5.2 Metoddiskussion Studien har tillämpat en kvalitativ fallstudiedesign tillsammans med kvantitativ datainsamling och har resulterat i en omfattande och detaljerad förståelse av det aktuella problemet. En fördel med studien är att den omfattar flera perspektiv, från truckförare till strategisk ledning och bidrar till resultatens trovärdighet. Semistrukturerade intervjuer möjliggjorde både djup och flexibilitet i samtalen med de olika positionerna. De genomförda observationerna bidrog till en betydelsefull kontextuell förståelse som inte hade kunnat uppnås endast med intervjuer. 21 Studiens huvudsakliga begränsning är att förbättringsåtgärderna inte kunde testas i praktiken och innebär att resultat och slutsatser till viss del bygger på antaganden. Att genomföra experimentella förändringar i logistiken hade inneburit operativa risker och ekonomiska konsekvenser för verksamheten. Den empiriska basen är dock omfattande och stärker slutsatsernas relevans. Studien genomfördes endast på en specifik anläggning, vilket kan begränsa möjligheten att generalisera användning av resultatet. En ytterligare svaghet är att specifika tekniska uppgifter som exakt volym av gods eller detaljerade tidmätningar, inte har varit tillgängliga. Det skulle ha gjort det möjligt att genomföra mer precisa beräkningar av förbättringspotentialen. Studien har dock försökt kompensera för detta genom val av metod och en systematisk analys av den insamlade kvalitativa data. 3.5.3 Källkritik I studien har både akademiska och praktiskt orienterade källor använts för att skapa en teoretisk grund och ett kontextuellt sammanhang för analysen. De akademiska källorna har i huvudsak hämtats från vetenskapligt granskad litteratur inom logistik, supply chain management och operations management. Detta säkerställer en hög grad av tillförlitlighet och teoretisk relevans (Bryman, 2018). Dessa källor har bidragit med begreppsliga ramar för att förstå exempelvis målkonflikter i just-in-time-system, vikten av informationsintegration och betydelsen av standardisering i logistikflöden. En ytterligare aspekt gäller källornas aktualitet. Eftersom logistikområdet påverkas starkt av teknologisk utveckling och förändrade affärsmodeller har särskild vikt lagts vid att använda nyare publikationer. Majoriteten av de vetenskapliga artiklar som refereras är publicerade efter 2010, vilket stärker relevansen i dagens kontext. Äldre källor har inkluderats när de anses vara teoretiskt grundläggande eller ofta återkommande inom fältet. 3.5.4 Användning av AI-verktyg I arbetet med denna studie har digitala verktyg, bland annat AI-verktyg såsom ChatGPT och Research Rabbit använts som stöd i processen för språkhantering och litteratursökning. Dessa verktyg har bidragit till att förbättra textens språkliga kvalitet genom att exempelvis förtydliga meningsbyggnader och förbättra grammatiken, samt strukturen av studien. Det har även underlättat och effektiviserat sökandet efter relevant vetenskaplig litteratur. Användningen av dessa verktyg har skett med ett kritiskt förhållningssätt, där målet har varit att förstärka kvaliteten i det akademiska skrivandet och underlätta vissa moment i forskningsprocessen. Transkriberingen av intervjuerna har genomförts med stöd av AI-baserade verktyg. Det är viktigt att poängtera att transkriberingen uteslutande bygger på det ljudmaterial som spelades in under intervjuerna och inga ytterligare tillägg eller tolkningar har gjorts utöver det som faktiskt uttrycktes av deltagarna Det är dock viktigt att tydligt betona att vi som författare bär det fulla ansvaret för studiens innehåll, analys och slutsatser. Den huvudsakliga textproduktionen har genomförts självständigt och AI-verktygen har enbart fungerat som ett kompletterande stöd, inte som en ersättning för vårt eget arbete. Deras roll har varit begränsad till att bistå i vissa delar av processen och inte påverkat den vetenskapliga integriteten i studien. 22 3.6 Etiska överväganden För att säkerställa en etiskt hållbar forskningsprocess har ett antal viktiga överväganden gjorts i samband med insamling, hantering och analys av empiri, samt hantering av personuppgifter och samtycke vid intervjutillfällena. Dessa utgår från såväl gällande lagstiftning som etablerade forskningsetiska principer (Vetenskapsrådet, 2017). All datainsamling har genomförts med respekt för deltagarnas integritet och självbestämmande. Samtliga respondenter tillfrågas i förväg om deltagande och informerades muntligen om studiens syfte samt hur deras data skulle behandlas. Ett informerat samtycke inhämtades innan intervjuerna genomfördes. Vid hanteringen av personuppgifter har riktlinjerna i EU:s dataskyddsförordning (GDPR, 2016/679) följts. Detta inkluderar att all insamlade data har lagrats på lösenordsskyddade enheter med begränsad åtkomst, i enlighet med DHL Supply Chains interna sekretesspolicy. Inga uppgifter har överförts till externa enheter eller delats med obehöriga. För att skydda deltagarnas anonymitet har allt insamlat material avidentifierats. Det innebär att namn eller annan potentiellt identifierbar information har ersatts eller utelämnats vid transkribering och analys. Publicerat material har granskats med särskilt fokus på att ingen enskild individ eller medarbetare ska kunna identifieras utifrån de resultat som presenteras. Dessa etiska ställningstaganden syftar till att säkerställa att forskningen bedrivs med respekt för individens rättigheter och är i enlighet med god forskningssed (Vetenskapsrådet, 2017). 23 4. Resultat och analys Detta kapitel presenterar resultatet från de datainsamlingsmetoder som använts i studien, dessa inkluderar observationer, semistrukturerade intervjuer och insamlad kvantitativa data. 4.1 Resultat från observationer Observationerna visade att det operativa arbetet på golvet i cross-docken i stor utsträckning följer etablerade och återkommande rutiner. Trots denna strukturella stabilitet uppstår regelbundet variationer och avvikelser som påverkar arbetsflödet negativt. Exempelvis kunde arbetsmoment förskjutas eller avbrytas till följd av att inkommande trailers var trasiga, felparkerade eller ankom tidigare utan förvarning. Sådana händelser krävde att personalen omfördelade resurser och agerade reaktivt snarare än enligt plan och detta skapade fördröjningar i både lossning och efterföljande sortering. Ytterligare försvårande faktorer observerades i samband med emballagets utformning samt palltypernas variation. Inkommande gods anlände ofta i olika former av emballage och på pallar med varierande staplingsbarhet, vilket i praktiken omöjliggjorde en enhetlig hantering. Denna brist på standardisering ledde till att den initiala sorteringen drog ut på tiden, särskilt när gods saknade tydlig märkning, etiketter eller när flaggorna på pallarna var felvända. Sådana brister i förberedelse tvingade truckförare att lägga tid på manuell inspektion och omplacering och detta skapade köer och minskade takten i det totala flödet. Vid lastning noterades att truckförarna har en hög praktisk kompetens vad gäller viktfördelning, pallplacering och utnyttjande av tillgängligt utrymme. Detta är en avgörande resurs i den dagliga driften. Samtidigt saknas tekniska stödverktyg för att stötta dessa beslut, exempelvis system som kan föreslå lastmönster eller ge visuell återkoppling om fyllnadsgraden i realtid. Den nuvarande planeringen sker till stor del baserat på erfarenhet och ögonmått, vilket riskerar att skapa variationer i resultat beroende på individ. Kommunikationen på golvet sker huvudsakligen via radio, vilket i de flesta fall fungerade effektivt och möjliggjorde snabba beslut. Däremot är hela processen starkt beroende av muntlig koordinering och manuella listor. Detta skapar en sårbarhet vid exempelvis personalfrånvaro, missförstånd eller vid förändringar i sista minuten. Observationerna visar att arbetsflödet i cross-docken är funktionellt men saknar robusthet och skalbarhet. De många manuella inslagen och frånvaron av digitalt beslutsstöd gör att små störningar i inflödet snabbt kan påverka fyllnadsgraden negativt genom förseningar eller suboptimerad lastning. Område Observerat problem Orsak Konsekvens Inkommande trailers Trasiga, felparkerade eller anländer utan förvarning Bristande kommunikation och koordinering mellan aktörer Förskjutna arbetsmoment, omfördelning av resurser, förseningar i lossning och sortering Emballage och pallvariation Olika emballagetyper, dåligt staplingsbara pallar, felvända flaggor Avsaknad av standardiserade riktlinjer för emballage Tidskrävande manuell hantering, köbildning, reducerad flödeshastighet 24 Sortering av gods Gods saknar tydlig märkning eller etiketter Bristande förberedelse från avsändare Fördröjning i sortering, ökad risk för fel Lastningsprocess Inget digitalt stöd för lastningsbeslut All planering sker manuellt och baserat på erfarenhet Variation i fyllnadsgrad och risk för suboptimering Kommunikation och koordination Manuell och muntlig koordinering via radio och listor Saknas digital samordning och automatiserade stödsystem Risk för felkommunikation, ökad känslighet vid personalfrånvaro eller förändringar i sista minuten Tabell 3. Observerade problemområden 4.2 Resultat från intervjuer För att få en djupare förståelse för de faktorer som påverkar fyllnadsgraden i transporter mellan cross-docken i Torslanda och Volvos fabriker genomfördes semistrukturerade intervjuer som beskrivits tidigare i kapitel 3.2.1.1. I de följande avsnitten presenteras resultaten tematiskt. 4.2.1 Informationsbrist och planeringsutmaningar Ett genomgående tema i intervjuerna är att arbetet med att planera, sortera och lasta gods försvåras av brist på realtidsinformation om inkommande gods och dess skick. Flera respondenter uttrycker en frustration över att de inte har tillgång till system som ger förhandsinformation om vilken trailer som anländer eller vilka palltyper som ingår. En truckförare beskrev följande: "Vi vet ju inte alltid vilken trailer det är som kommer eller om den är hel. Det gör det svårt att förbereda." Denna typ av informationsbrist har även belysts i litteraturen, där Deneux och Vlieger (2000) betonar att realtidsinformation och systemintegration mellan aktörer är avgörande för att undvika ineffektivitet i cross-dockingmiljöer. Operations support förstärker bilden av ett informationsmässigt glapp mellan inflöde och planering, då arbetet till stor del sker via manuell kommunikation och med hjälp av Excel- filer snarare än digitalt integrerade system: "Det saknas digitala verktyg för att integrera information om ekipagets typ, volym och status i planeringen. Vi har påbörjat lite analys, men det är långt ifrån tillräckligt." Denna informationsbrist påverkar inte bara möjligheten att optimera fyllnadsgraden, utan också hur väl resurserna på golvet kan fördelas i förväg. Det innebär att både sortering och lastning ofta sker ad hoc, vilket gör det svårt att arbeta proaktivt. 4.2.2 Asymmetri mellan inflöde och utflöde En av de mest centrala insikterna från intervjuerna är den obalans som finns mellan inflödet av gods till cross-docken och utflödet till Volvos fabriker. Flera respondenter beskriver hur inleveranser varierar stort från dag till dag, medan utleveranserna är strikt bundna till ett 25 förbestämt lastningsschema. Detta schemaläggningssystem, som i praktiken är oförändrat sedan flera år tillbaka, innebär att lastbilar avgår enligt plan oavsett hur mycket gods som finns att lasta vid tillfället. Operations support belyste detta och det framkom att systemets grundläggande upplägg har varit oförändrat över tid, vilket uttrycktes som: "Det är samma grund, vi har aldrig gjort något omtag på det direkt." Teamledaren på DHL illustrerade vidare en specifik situation med följande beskrivning: "Vi skickade en lastbil till Skövde med bara tolv pallar, det känns onödigt, men det var så schemat såg ut." Resultatet blir att lastbilar med låg fyllnadsgrad lämnar terminalen, trots att det i vissa fall hade räckt med några timmars flexibilitet för att vänta in ytterligare gods. Detta upplevs som slöseri med resurser och något som både golvpersonal och ledning efterfrågar förändring kring. En vanlig uppfattning är att ett mer dynamiskt utflöde, anpassat till dagens inflöde, skulle kunna leda till ett betydligt högre kapacitetsutnyttjande. Eshtehadi et al. (2019) lyfter just denna asymmetri som en källa till suboptimering, där fasta avgångstider i kombination med dynamiska inleveranser leder till låg fyllnadsgrad. 4.2.3 Kommunikationsbrister och samordningsproblem Utöver informationsbrist på systemnivå pekar flera intervjuer på brister i den praktiska kommunikationen mellan DHL och Volvo. Ett återkommande ämne är att DHL inte har insyn i vilka pallar som är kritiska för produktionen hos Volvo och vilka pallar som man kan vänta med att lasta. Detta leder till att DHL ofta väljer att inte riskera förseningar och därför skickar delvis tomma bilar för att säkra leveranserna. Supervisor på DHL beskrev situationen på följande sätt: "Vi vet inte när pallen måste vara framme och då vågar vi inte skjuta på avgången." Teamledaren framhåller att det emellanåt saknas en tydlig kontaktväg för att verifiera med Volvo huruvida en viss leverans är omedelbart nödvändig. Detta konkretiseras i följande citat: "Det är svårt att ringa någon på Volvo, man vet inte vem som har svaret. Så i stället lastar man bara." Dessa samordningsproblem skapar osäkerhet, vilket i sin tur leder till att planeringen ofta styrs av försiktighet snarare än optimering och detta illustrerar i sin tur den målkonflikt som finns mellan leveransprecision och kapacitetsutnyttjande som flera forskare, bland andra Choi et al. (2023), lyfter fram som en grundläggande utmaning i just-in-time-distribution. 4.2.4 Standardiserings- och sorteringsproblem Ett återkommande hinder för effektiv lastning är den stora variationen i pallformat, emballagetyper och staplingsbarhet och är något som skapar problem i själva sorteringsmomentet, vilket gör det svårt att planera hur godset ska lastas på ett sätt som maximerar utrymmet. Enligt Armö och Gustafsson (2013) kan en förbättrad standardisering 26 av emballage och lastbärare samt tydliga riktlinjer för stapling bidra till en avsevärt högre fyllnadsgrad. Flera truckförare påpekar att mycket tid går åt till att sortera gods manuellt eftersom det inte är färdigsorterat vid ankomst. Detta förstärks ytterligare om flaggorna på pallarna är felvända eller märkningen är otydlig. En truckförare beskrev följande: "Sortering är det som tar mest tid, ibland är det blandat överallt." Supervisor vid DHL bekräftar att vissa typer av gods inte får staplas och att lastmönstren därför ofta behöver anpassas utifrån föreskrivna regler. Detta uttrycks i följande citat: "Det är vissa grejer du inte får stapla alls och det förstör hela lastmönstret." Detta påverkar fyllnadsgraden både vikt- och volymmässigt. Även om det teoretiskt skulle finnas plats kvar i en trailer kan vissa pallar inte placeras ovanpå andra vilket lämnar utrymmet outnyttjat. 4.2.5 Digitala verktyg En tydlig slutsats från intervjuerna är att det finns ett uttalat behov av digitala hjälpmedel för att stötta planering, sortering och lastning. Alla respondenter uttrycker i någon form att arbetet idag sker till stor del manuellt och att det saknas digitala stödsystem. Det finns en önskan om system som kan visualisera lastutrymmet, föreslå placering baserat på palltyp och vikt, samt ge realtidsdata om inkommande trailers. En truckförare uttryckte det så här: "Om vi bara kunde se vad som kommer och i vilket skick så hade vi kunnat vara mycket mer effektiva." Flera hänvisar till tidigare försök att införa skanningssystem, men dessa har avbrutits på grund av tekniska problem. Samtidigt finns en bred vilja att prova nya lösningar under förutsättning att de fungerar i praktiken. Enligt teamledaren uttrycks detta på följande sätt: "Tidigare skanningssystem har inte fungerat, men det finns en tydlig vilja att effektivisera." Det efterfrågas framför allt enkla och robusta system, exempelvis RFID eller visualiseringsstöd, som skulle kunna minska behovet av ögonmått och minska beroendet av individuell erfarenhet. 4.2.6 Potential till förbättring Trots de utmaningar som lyfts i intervjuerna är det tydligt att det finns ett starkt förbättringsdriv i organisationen. Flera respondenter lyfter tidigare förbättringsinitiativ uttryckt genom ett tidigare kaizen-projekt mellan DHL och Volvo, vilket ledde till minskat behov av vissa lastbilssläp och förbättrad planering. Supervisor på DHL beskriver detta på följande sätt: "Vi har kunnat spara in på några shuttlar genom tidigare kaizenarbete." Volvos representant, beskrivs som positiv till förändringar så länge dessa kan motiveras med konkret affärsnytta och data. Litteraturen pekar på att förbättringspotential ofta frigörs 27 först när båda parter arbetar med gemensamma dataunderlag och samordnade beslut (Van Belle et al., 2012). Detta öppnar upp för framtida samarbetsprojekt där datadrivna beslutsunderlag kan ligga till grund för ökad flexibilitet i schemaläggningen, bättre kapacitetsutnyttjande och smartare lastning. En supervisor vid Volvo bekräftar denna inställning med följande uttalande "Volvo är öppna för förbättringar, om det finns data som stödjer det." 4.2.7 Översikt av identifierade problemområden Som en del av analysarbetet har intervjumaterialet tematiskt kodats för att identifiera återkommande problemområden relaterade till fyllnadsgrad, lastning och logistikstyrning. Den tematiska kodningen har resulterat i ett antal gemensamma teman som återkom i flera av intervjuerna, men som ibland uttrycktes på olika sätt beroende på respondentens roll. Tabell 5 visar vilka teman som lyftes av respektive respondent. Syftet med sammanställningen är att ge en överskådlig bild av problemområdenas spridning och att tydliggöra vilka frågor som var gemensamma. Exempelvis framgår det att digitalisering, fyllnadsgrad och lastningsstrategi återkommer hos flera respondenter, medan vissa utmaningar är mer specifika för enskilda roller. Översikten fungerar därmed som ett stöd för den vidare analysen och bidrar till att synliggöra både mönster och variation i hur olika aktörer upplever förutsättningarna i det studerade logistiska flödet. DHL Supervisor DHL Teamleader DHL Operation Support DHL Truckförare 1 DHL Truckförare 2 DHL Truckförare 3 Volvo Supervisor Flexibilitet i utkörningsschema x x x x Digitalisering av planering/kommunikation x x x x x Standardisering av pallar x x x Optimering av fyllnadsgrad x x x x x x x RFID eller skanning av gods x x x Problem med lastningsutrustning/trailers x x Kommunikation mellan aktörer x x x x Schemaläggningssystemets begränsningar x x Lastningsstrategi/lastmönster x x x x Tabell 5. Identifierade problemområden i de olika intervjuerna 28 4.3 Kvantitativ data För att komplettera de kvalitativa intervjuerna och observationerna samlades kvantitativa data in från DHL:s interna system. Denna data omfattade bland annat mätningar av fyllnadsgrad, lastningstider samt avvikelser från planerade avgångar under en period på 89 dagar. Syftet med den kvantitativa analysen var att identifiera mönster, variationer och eventuella samband som kan bidra till att förstå och förklara de kvalitativa fynden i studien. 4.3.1 Fyllnadsgrad - genomsnitt och variationer Fyllnadsgraden varierade emellertid kraftigt mellan olika dagar och destinationer. I vissa fall uppmättes fyllnadsgrader på så lågt som 1 procent, medan andra transporter nådde upp till 160 procent (se bilaga 2). Denna spridning speglar den obalans som tidigare beskrivits i intervjuerna mellan det dynamiska inflödet och det statiska utflödet. Särskilt problematiskt är de fall där fordon skickats med en fyllnadsgrad under 65 procent eller över 100 procent, ofta beroende på fasta avgångstider som inte tagit hänsyn till faktiska volymer. I ett fall observerades det att en trailer skickades med en fyllnadsgrad motsvarande ungefär 30–40 procent. För att få en djupare insikt om variationen i fyllnadsgraden mellan olika destinationer genomfördes en analys av andelen transporter som hade en fyllnadsgrad under 65 procent för åtta specifika destinationer under en mätperiod på 89 dagar. Resultaten visar tydligt att variationerna är betydande och att vissa destinationer konsekvent har en mycket låg fyllnadsgrad. Den genomsnittliga fyllnadsgraden under den perioden var 58,69 procent, detta innebär att över 40 procent av transporter som lämnar cross-docken gör det utan att använda mycket av sin tillgängliga kapacitet. Detta bekräftar indikationer på bristande kapacitetsutnyttjande och tydliggör vikten av målinriktade förbättringsinsatser. Spridningen i data analyserades vidare genom att beräkna variansen och standardavvikelsen. Alla beräkningar genomfördes i en Excel som visas i tabell 6. Standardavvikelsen var 11,91 procentenheter, vilket indikerar en mycket hög variation mellan destinationerna. Vissa destinationer, exempelvis destination 1, hade fyllnadsgrad på 36,51 procent. Detta innebär att nästan alla transporter går mer än halvtomma, medan till exempel destination 4 låg på en fyllnadsgrad av 73,12 procent. Detta indikerar att vissa rutter är mer struktu