バスダイヤ最適化を阻む4原因と最適化AIで実現する運行計画の作り方

なぜバスダイヤ最適化が経営課題になったのか

バスダイヤは、利用者の利便性、運転士の働き方、事業者の収支のすべてが交差する経営の中核計画です。一便を増減する判断が燃料費・人件費・運賃収入のすべてに同時に響くため、運行計画の精度がそのまま事業の継続可能性に直結する関係にあります。

利用者の流動変化と運行計画の硬直化

路線バスの利用構造は、ここ十数年で大きく変化しました。通学需要の集中時間帯はそのままに、通勤の分散化と在宅勤務の定着で日中の流動は薄くなり、買い物・通院の高齢者需要が午前10時台と午後2時台に二山できる地域も出てきました。一方で、ダイヤは過去の通勤需要をベースに「30分ヘッド」「15分ヘッド」のような均等運行で組まれていることが多く、需要側の変化に追従できていない事業者は少なくありません。

均等ヘッドの運行は計画の作りやすさという点では優れているものの、車両と運転士の稼働を需要に合わせて柔軟に振り分ける発想とは相容れない構造を持っています。空気輸送の時間帯と積み残しの時間帯が同じ路線で並存する状況は、需要曲線とダイヤが連動していない典型的な兆候です。

2024年問題と運転士不足が露呈させたダイヤの限界

2024年4月から、自動車運転業務に対する時間外労働の上限規制（年960時間）と改善基準告示の改正が同時に適用されました。バス運転者については1日の拘束時間や連続運転時間、休息期間に関するルールが従来より厳格化され、運行計画の作成段階でこれらのルールを満たさない仕業はそもそも組めなくなっています。

運転士不足はこの規制と組み合わさって、ダイヤ作成の自由度を一段と狭めました。仕業の組みやすさを優先して運転士に長い拘束を強いることはできず、かといって運転士を増やそうにも採用は思うように進まない事業者がほとんどでしょう。限られた人員で改善基準告示を遵守しつつ運行を成立させるには、ダイヤと仕業の両方を同時に設計する以外の道はなくなっています。

燃料費・人件費高騰が稼働率の数ポイントを左右する

経営面では、燃料費と人件費の上昇が事業者の体力を直接削っています。一台のバスを一日稼働させる固定費は車両償却・燃料・運転士人件費・整備費を含めて高く、稼働率が数ポイント変動するだけで年間の収支が大きく動く構造です。

折り返し時間の遊休、回送距離の浪費、営業所間の輸送、需要のない時間帯への過剰配車。これらは1便1便で見れば小さなロスですが、年間で積み上がると路線収支の黒字赤字を分ける規模になっていきます。同じ車両数・同じ運転士数のままでも、計画の組み方を変えるだけで稼働効率が改善できる余地は、ほとんどの事業者に残されています。

バスダイヤがうまく組めない4つの根本原因

ダイヤ作成が複雑化している原因は、現場の力量ではなく仕組み側にあります。多くの事業者で共通して見られる構造的な要因を、以下の4つに整理しました。

(1) 需要データと運行間隔が連動していない

第一の要因は、需要データとダイヤが切り離されたまま運用されている点です。ICカードの乗降データや系統別OD情報は近年蓄積が進んでいる一方、これらを運行間隔の設計に直接フィードバックしている事業者はまだ多くありません。

実際の利用パターンが大きく変わっても、ダイヤは前年踏襲で組まれることが多く、混雑時間帯の積み残しと閑散時間帯の空気輸送が同居する。データはあるのに使われていない構造です。需要曲線を踏まえて時間帯別に運行間隔を変える設計は、人手の作業では検証コストが高すぎて手が出ない領域でもあります。

(2) ダイヤ編成と乗務員仕業作成が分業で分断されている

第二の要因として、ダイヤ編成（運行ダイヤの作成）と乗務員仕業作成（運転士の勤務割付）が分業になっている点が挙げられます。先にダイヤを確定し、その後で乗務員を割り付ける順番が一般的ですが、これではダイヤ側で組みやすくても仕業側で破綻するパターンが頻発します。

たとえば早朝出庫の便と夕方終バスの便を同じ運転士に割り付けると、改善基準告示の拘束時間制限に抵触してしまい、結局ダイヤを組み直すことになる。両者を同時に設計しないと、最終的な実行可能解にたどり着くまでに何往復もの調整が必要です。

(3) 改善基準告示の制約が複雑で人手では同時に扱えない

第三の要因は、改善基準告示の制約条件が多重で人手の同時処理が難しいことです。バス運転者の拘束時間、連続運転時間、休息期間、隔日勤務時の特例、フェリー乗船時の取扱いなど、ルールは多岐にわたり、しかも例外条項が組み合わさります。

仕業1本ごとに紙の資料と表計算で確認していると、組み立てそのものは可能でも、複数路線・複数営業所にまたがる改正で全仕業を同時にチェックすることが現実的でなくなっていく。誰がやっても抜け漏れが発生しうる作業を人手で続けている状態こそが、改正の頻度を抑え込む見えない要因になっています。

(4) 改正・運休時の再計算スピードが遅い

第四の要因は、計画変更への対応速度です。年に1回の大規模改正だけでなく、道路工事、災害、感染症の流行、イベント開催など、ダイヤを部分的に組み替えるイベントは年に何度も発生します。

人手で全仕業を見直すと数日かかる作業を、運休発生当日や翌日に間に合わせるには、現場の応急対応に頼るしかなくなる。応急対応は事後の整合確認が後手に回り、二次的なトラブルの温床にもなっていきます。再計算スピードの遅さは、ダイヤを「変えにくいもの」にしてしまい、改善のサイクル自体を停滞させる悪循環を生むのです。

ダイヤ計画に組み込むべき計画要素

バスダイヤ最適化の計画では、次の6つの要素を同時に成立させなければなりません。1つや2つなら頭で扱えますが、6つ全てが絡むと、人間が一度に保持できる思考の範囲を超えていきます。

(1) 路線・時間帯別の需要曲線

最も土台になるのが需要側のデータです。系統別・停留所別・時間帯別の乗降人数を曜日・季節・天候・イベントの影響まで含めて整理し、何分間隔で運行すれば積み残しを防ぎ、空気輸送を抑えられるかという需要曲線を持つことから計画は始まります。

ICカードや車載機の自動旅客カウンタ、運賃箱データを統合し、路線単位ではなく停留所間ODで需要を把握できると、運行間隔だけでなく系統分割や急行設定の議論にも発展します。前提として、これら需要データの構造化と更新サイクルの整備は欠かせません。

(2) 走行時分と折り返し時間

なぜダイヤどおりにバスが走らないのか。停留所間の標準走行時分、信号や交差点での停車、利用者の乗降時間（とくに高齢者の多い路線）、ピーク時の渋滞影響など、時間帯ごとの所要時間が運行計画の前提になります。

折り返し時間は、運転士の小休憩、車両の整備状態の確認、遅延の吸収余裕という3つの役割を兼ねており、短すぎれば連鎖遅延、長すぎれば稼働率低下につながる関係です。区間ごとの実績走行時分を蓄積し、ばらつきを踏まえて計画上の所要時間と折り返し時間を設計する作業は、本来時間帯と路線ごとに別々に行うべき粒度のものになります。

(3) 車両運用の制約

たとえばA営業所から朝出庫した車両が、夕方B営業所に戻るような長距離ローテーションは、整備周期と燃料補給のタイミング次第で組めなくなります。何台のバスを、どの営業所から、どの順番で出し、どこに戻すか。出庫前点検と入庫後の整備時間、回送距離、燃料補給のタイミング、車両の整備周期などが計画に絡んできます。

複数営業所体制の場合は営業所間の融通も検討対象です。需要が偏った日に隣接営業所から応援車両を回送するか、自営業所内の車両運用で凌ぐかは、回送コストと運転士の拘束時間のトレードオフを孕みます。さらにEVバスやハイブリッド車を導入している事業者では充電・補給の制約が新たな変数として加わり、車両運用は年々複雑になる一方です。

(4) 乗務員仕業の制約

仕業の組みづらさは、ここから本格的に立ち上がります。改善基準告示の拘束時間・休息期間・連続運転時間に加え、運転士のスキル（路線習熟度・大型二種の習熟程度・車両タイプの限定）、希望休、固定運用、住所地と最初の出庫場所の関係、連勤の上限などが絡みます。

公平性の観点も無視できません。特定の運転士に深夜勤務や早朝勤務が偏れば離職リスクが上がり、結局運転士不足を加速させる。仕業1本ごとに改善基準告示を満たし、かつ運転士全体で勤務量を平準化する設計は、人手で同時に詰めるには変数が多すぎます。

(5) 営業所間・系統間の調整

ある事業者では、A営業所の運転士不足をB営業所の応援で補ったり、複数系統を跨ぐ仕業を組んで稼働率を上げたりする工夫を続けてきました。複数営業所を抱える事業者にとっては定番のやりくりであり、紙の調整表で運用が回っていた時代から続く慣行でもあります。

しかし営業所単位、系統単位での部分最適は、隣接領域に皺寄せを生むことが多いのが実情です。A営業所の効率化だけを追求すると、B営業所の遊休が増える、系統Xの利便性向上が系統Yの運転士不足を悪化させる、といった副作用が出てきます。事業者全体の運行計画を一つの問題として扱い、営業所と系統を横断した最適化を行う発想が必要になっていくでしょう。

(6) 緊急対応の余白

事故、車両故障、急病による欠務、想定外の渋滞、悪天候。計画通りに進まない事態は日常的に発生し、これにどう備えるかも計画段階で組み込んでおくべき要素になります。

完全に詰めた計画は、1件の遅延が次便、その次便と連鎖していき、半日で営業所の運行が崩壊する脆さを抱えています。曜日・時間帯別に予備車両と予備運転士をどの程度確保するかは、過去のトラブル発生頻度と所要時間の分布から逆算する必要があり、過剰でも過少でも収支に響く論点です。余白の設計そのものが、最適化の対象になります。

なぜ人手のダイヤ作成では限界があるのか

ここまで挙げた6つの要素を同時に成立させるダイヤを、表計算と経験則だけで組むことは、規模が大きくなるほど現実的でなくなっていきます。理由は3つあります。

第一に、変数の多さです。需要、走行時分、車両、乗務員、営業所、緊急余白という6カテゴリの中に、それぞれ数十から数百の個別変数が含まれており、組合せの数は容易に数千万通りを超えていく規模になります。人間が頭で同時保持できる変数は7±2と言われる中で、6カテゴリの全要素を矛盾なく組み上げる作業は、原理的に難しい領域に入っているのです。

第二に、トレードオフの複雑さです。稼働率を上げれば運転士の負担が増え、運転士の負担を下げれば必要車両数が増え、車両を増やせば燃料費と整備費が上がる。さらに利用者利便を考えれば運行間隔は短くしたいが、それは仕業を増やすことを意味します。複数の指標が同時に絡み、どれか一つだけ最大化しても他で破綻するため、全体のバランスを取る判断が常に必要になっていきます。

第三に、見直しスピードです。改正のたびに数週間、運休のたびに数日かかる作業では、本来年に何度も実施したい運行計画の見直しが、年1回の大改正に集約されてしまう。データを取って分析しても、計画に反映するスピードが遅ければ、改善のサイクルそのものが回らなくなる悪循環に陥ります。人手の限界はスキル不足ではなく、構造として処理できる規模を超えている点にあるのです。

需要×乗務員を同時最適化する最適化AI

最適化AIは、現場のルールを守りながら、最も良い計画を自動で見つける仕組みです。生成AIが「それらしい文章を作る」のとは根本的に異なり、与えられた制約条件をすべて満たす解の中から、評価指標が最も良くなる組合せを探索します。バスダイヤの場合、需要曲線・車両運用・乗務員仕業・改善基準告示・利用者利便といった複数の要素を同時に変数として扱い、稼働率・残業時間・運転士間の負荷分散・運行コストといった複数の指標を同時にバランスする計画を探していきます。

バスダイヤは「配車計画」と「シフト計画」が同時に絡む領域です。配車側の車両運用と回送、シフト側の運転士仕業と公平性、それぞれを単独で最適化するのではなく、両者を一つの問題として解くところにバスダイヤ最適化の特徴があります。

制約条件をすべて満たす計画を自動で生成する精度

なぜ計画精度の改善が起点になるのか。改善基準告示の拘束時間、連続運転時間、休息期間、運転士のスキル制約、車両の運用制約、需要に対する運行間隔の妥当性といった条件を、すべて同時に満たす計画を生成できるかどうかが、現場で使えるかどうかを左右するからです。

人手では1つずつ確認していたチェック項目を、計算機が網羅的に検証する形になるため、見落としや矛盾が発生しません。とくに改正時には数千の仕業を同時に検証する必要がありますが、最適化AIは制約違反のない解だけを探索対象とするため、出力された計画は実行可能性が担保されています。多目的最適化の考え方を組み合わせれば、稼働率・残業・利用者利便といった複数指標のバランスも明示的に設計できます。

数日かかった改正作業を数分で再計算するスピード

配送・回収計画のように変数や制約が多い問題でも、最適化AIは勤務条件を満たしながら残業を抑える計画を、現実的な時間で生成できます。バスダイヤでも同様の構造で、数日かかっていた改正作業を数分から数十分の単位に圧縮できる可能性があります。

スピードの改善は、計画の質そのものにも影響します。検証に時間がかからないなら、複数のシナリオを比較できる。需要予測が外れた場合、運転士不足が深刻化した場合、燃料費がさらに上昇した場合といった「もしも」の検討が、現場のリソースを圧迫せずに行えるようになるのです。

評価指標と制約条件が見える化される透明性

最適化AIに渡す制約条件と評価指標は、すべて構造化データとして明示する形になります。誰が、どの制約を、なぜ重視しているのかが、設計時に文書化される副次効果が生まれるのです。

これは現場にとって大きな意味を持ちます。これまで「ベテランの担当者の頭の中にしかなかった」運用ルールが、数式と設定値の形で外に出てくる。引き継ぎが容易になり、新人が育つ前に担当者が異動しても運用が続けられる体制が整います。属人化していた業務知識が組織の資産として残るところに、最適化AI導入の本質的な価値があるのです。

汎用のスケジューラやダイヤ編成ソフトでは、制約条件のカスタマイズに限界があり、現場固有のローカルルール（特定路線の朝礼、地域行事への対応、車両整備の独自周期など）を完全には取り込めないことが多いのが実情です。OptHubでは現場ヒアリングを通してこれらの暗黙ルールを構造化し、問題特化のヒューリスティックと評価関数を設計することで、現場で実際に使える計画を生成しています。

業務整理から始めるバスダイヤ最適化の進め方

ここまで読むと、最適化AIをすぐに導入したくなるかもしれません。ただし実務では、ツール導入から入るのは適切ではない場合が多いのが実情です。需要データが系統別・停留所別に整理されていない、運転士のスキル定義が口頭で運用されている、改善基準告示の制約が文書化されていないといった状況だと、AIに渡す入力データそのものが揃わないからです。

制約条件と運用ルールを棚卸しする

最初の段階は、制約条件と運用ルールの棚卸しです。運行管理者・乗務員管理担当・運転士代表・整備担当への現場ヒアリングを通して、明文化されていない暗黙のルールを構造化していきます。

「この路線は朝礼前の出庫が認められている」「この営業所は月初の特定日に車両整備の集中枠を取る」「この運転士は地区Aの住所地のため出庫場所Bからの仕業に限定」といった条件を1件ずつ整理し、絶対に守るハード制約と、できる限り良くしたいソフト制約に分類していきます。この整理だけでも、現場の暗黙知が見える化され、引き継ぎや教育に効果が出てくるでしょう。

一部路線・営業所でスモールスタート

全路線・全営業所への一気導入は推奨できません。1〜2路線、または1営業所に絞ったスモールスタートから始めるのが王道です。

小規模で試すことで、データの不足、ルールの抜け、現場の受け入れ態勢といった課題を早期に発見できます。最適化AIの導入は本質的に不確実性を伴う取り組みで、試行錯誤を通して現場運用に近づけていくプロセスは避けられません。最初の対象路線は、需要変動が比較的わかりやすい都市部の幹線か、運転士不足が深刻でダイヤ改正の必要性が高い路線を選ぶと、効果が見えやすくなります。

効果を測定してから横展開する

スモールスタート後は、稼働率・運転士の残業時間・運転士間の負荷ばらつき・改正作業時間・利用者の積み残し件数といった指標で効果を測定します。導入前後の数字を比較し、改善幅と副作用（特定運転士への負担集中、特定時間帯のサービス低下など）を確認した上で、対象範囲を段階的に広げていく流れです。

OptHubでは、現場ヒアリングから始めて業務プロセスを可視化し、暗黙知を制約条件として整理し、その上で最適化AIを設計するという順番で支援を進めています。アルゴリズム単体ではなく、データ連携、可視化、複数案の比較、現場フィードバックを含む実運用システムとして構築する点を重視しているのが特徴です。業務整理の段階から相談できる体制があるかどうかが、最適化AI導入の成否を分ける重要なポイントになります。

まとめ

バスダイヤ最適化が難しいのは、運行管理者の調整能力の問題ではなく、需要データとダイヤの分断、ダイヤ編成と乗務員仕業の分業、改善基準告示の多重制約、改正・運休時の再計算スピードという4つの構造的要因に由来しています。これらは表計算と経験則だけでは同時に解けない複雑さで、複数路線・複数営業所を抱える事業者では、計画の質が頭打ちになる構造を持っています。

需要×乗務員を同時に最適化する最適化AIは、6つの計画要素を一つの問題として扱い、稼働率・残業・利用者利便を同時にバランスする計画を生成します。改善基準告示や運転士のスキル制約、現場固有の運用ルールをハード制約・ソフト制約として組み込めるため、汎用のスケジューラでは対応しきれない領域までカバーできるのが特徴です。改正作業のスピードが数週間から数分に変われば、運行計画の見直しサイクル自体が変わっていきます。

導入はツール選定ではなく業務整理から始めるのが王道です。制約条件の棚卸し、1〜2路線でのスモールスタート、効果測定と段階的拡張という順番で進めることで、ダイヤ最適化は「ベテラン担当者の頭の中」から「組織の仕組み」へと移行していきます。2024年問題と運転士不足が深刻化する中、バスダイヤ最適化は経営課題そのものになっています。