Опубликовано  №6 (77) декабрь 2016 г.

АВТОРЫ:  

Куренков П.В.

Сечкарёв А.А. - Старший преподаватель, Кафедра управления эксплуатационной работой, Российская открытая академия транспорта Московский государственный университет путей сообщения (МИИТ) Императора Николая II (Россия,  Москва)

РУБРИКА  Имитационное моделирование Логистическая инфраструктура Транспортировка в логистике

Аннотация 

Уже давно ведутся работы по прогнозированию зарождения грузопотоков на станциях. Рассмотрена возможность использования имитационного моделирования станционных процессов. Определены основные структурные объекты необходимые для создания модели и их технические параметры. Разработана структура необходимая для работы в программе «Anylogic». Программа настроена на прогнозирование различных ситуаций с возможностью выбора наилучшего результата. Для этого в систему вводятся входные параметры: подход составов, время прибытия составов, график движения, технология работы и последовательность выполнения операций, план погрузки и выгрузки, и т.д. Проводится анализ полученных результатов с последующим принятием решения, о дальнейшим моделировании процессов для получения необходимых результатов. Модель эффективно использует технологическое развитие станции, определяет поэлементную загрузку системы, выявляет узкие места в работе. Позволяет осуществлять регулирование скорости рассматриваемых процессов и временных периодов работы. Служит элементом системы сценарного прогнозирования работы целого региона. Оптимизирует сбор информации, регулирует необходимые ресурсы (количество задействованных для работы путей, число локомотивов, необходимый парк вагонов и т.д.), проводит расчет показателей работы станции. Использование программы «Anylogic» позволит прогнозировать работы на ближайшие сутки и более с возможностью корректировки и оперативного влияния на ситуацию, до тех пор, пока не будет достигнут необходимый результат 

Ключевые слова: 

 

Опубликовано  №5 (76) октябрь 2016 г.

АВТОР:  Соколов А.А. - тренинг-менеджер, направление Управление изменениями, X5 Retail Group (Россия,  Москва) 

РУБРИКА  Информационные технологии в логистике и SCM Корпоративная логистика розничных компаний Современные концепции и технологии в логистике и управлении цепями поставок Управление запасами Имитационное моделирование Планирование в цепях поставок

Аннотация 

Проведен анализ возможностей оптимизации логистических процессов в сфере сетевой розничной торговли на российском рынке. Для оптимизации была выбрана область управления товарным запасом в цепи поставок компании X5 Retail Group. Приведено обоснование выбора информационного решения для поддержки методологии S&OP.  На базе технологии компании JDA из трёх стандартных модулей JDA Demand, JDA Promotions Management & Optimization, JDA Fulfillment была сконфигурирована имитационная модель. В исследовании приведены результаты работы имитационной модели, которые доказывают достижимость целей по снижению уровня товарных запасов в цепи поставок и показателя out-of-stock

Ключевые слова: 

Опубликовано в Управление запасами

Опубликовано №5 (70) октябрь 2015 г.

АВТОРЫ:  

Куренков П.В.

Стеблецов Д.Е. - аспирант,  кафедра «Транспортный бизнес», Московский государственный университет путей сообщения (Россия, Москва)

РУБРИКА  Имитационное моделирование Логистическая инфраструктура Контейнерные перевозки

Аннотация

Описаны инструментальные средства, присутствующие на рынке программных продуктов для моделирования транспортных систем. В качестве программного обеспечения для имитационного моделирования терминально-логистического центра выбран пакет AnyLogic. Описаны структура и функции построенной модели.  

Ключевые слова:  

 


Дополнительные материалы: 

Таблица 1.Модельные параметры и ограничения

Зона

Параметр

Ед. изм.

Min

Max

По умолч.

Общие модельные

Время работы терминала:

 

в сутки

час

1

24

22

в год

сутки

1

365

355

Загрузка контейнера:

 

20F

т

10

22

Random

40F

т

10

24

Random

Загрузка машины:

 

фура

т

10

18

Random

газель

т

4

7

Random

тонар

т

20

30

random

автовоз

авто

5

10

random

Грузо-место

т

1

Загрузка вагона:

 

склад сыпучих грузов

т

60

70

random

склад авто-жд

т

30

64

random

склад автомобилей

авто

5

12

random

Количество легковых машин:

 

Бизнес-зона

шт.

60

100

60

Стоянка легковых машин:

 

до 2х часов

%

1

100

20

12 часов

%

1

100

80

Хранение контейнеров

 

КД (груженые):

 

–  до 3х суток

%

1

100

85

–  до max срока хранения

%

1

100

15

–  max срок хранения

сутки

1

100

30

КД (порожние):

 

–  до 3х суток

%

1

100

85

–  до 6ти суток

%

1

100

10

–  до max срока хранения

%

1

100

5

–  max срок хранения

сутки

1

100

45

ЗТК:

 

–  до 12 часов

%

1

100

100

Депо B17 (порожние):

 

–  до 3х суток

%

1

100

85

–  до 6ти суток

%

1

100

10

–  до max срока хранения

%

1

100

5

–  max срок хранения

сутки

1

100

45

Ремонтная зона:

 

–  сутки

%

1

100

50

–  до 3х суток

%

1

100

50

Зона СВХ:

 

–  до 3х суток

%

1

100

100

Время досмотра в ЗТК:

 

без досмотра

%

1

100

55

25 мин

%

1

100

30

45 мин

%

1

100

10

2 ч

%

1

100

5

Задержка на воротах

 

КТ:

 

–  свои тягачи

мин.

1

3

2

–  автовозы с контейнерами

мин.

1

3

2

–  автовозы порожние

мин.

1

3

2

–  фура (контрейлер)

мин.

1

3

2

ЗТК:

 

 

 

 

–  свои тягачи

мин.

1

3

2

–  загруженная фура

мин.

1

3

2

–  пустая фура

мин.

1

3

2

–  пустая газель

мин.

1

3

2

Въезд (1):

 

 

 

 

–  пустая газель

мин.

1

3

2

–  груженая газель

мин.

1

3

2

Въезд (2):

 

 

 

 

–  фура (контрейлер)

мин.

1

3

2

–  легковой автомобиль

мин.

1

3

2

–  автовозы с контейнерами

мин.

1

3

2

–  автовозы порожние

мин.

1

3

2

Склад сыпучих грузов:

 

 

 

 

–  пустой тонар

мин.

1

3

2

–  груженый тонар

мин.

1

3

2

Склад автомобилей:

 

 

 

 

–  пустой автовоз

мин.

1

3

2

–  груженый автовоз

мин.

1

3

2

Время обработки поезда

час

1

6

2

Контейнерный терминал (оперативная зона)

Длина

м

1050

Ширина

м

24

Длина секции

м

63

Количество секций

шт.

15

Ярусность

ярус

1

4

3

Вместимость секции (1 ярус)

TEU

90

Ёмкость секции

TEU

90

90 х ярус.

203

Количество кранов

шт.

5

Производительность кранов

операций в час

10

25

20

Количество тягачей

шт.

1

50

30

Расчетная загрузка поездов

%

1

100

93

Количество поездов в сутки

 

с TEU:

 

–  прямых

шт.

1

6

5

–  транзитных

шт.

1

6

1

смешанных 1

шт.

1

4

1

смешанных 2

шт.

1

4

1

блок-поезд

шт.

1

4

2

Количество вагонов

 

поезд с TEU:

 

–  платформа на 2 TEU

шт.

1

74

34

–  платформа на 3 TEU

шт.

1

50

13

–  платформа на 2 40F (4 TEU)

шт.

1

38

11

смешанный 1:

 

–  платформа с авто

шт.

1

44

44

смешанный 2:

 

–  платформа с авто

шт.

1

44

22

–  платформа на 1 40F (2 TEU)

шт.

1

44

22

блок-поезд:

 

 

 

 

–  платформа на 3 TEU

шт.

1

50

25

Количество машин в сутки:

 

 

порожний контейнер

шт.

1

50

40

загруженный контейнер

шт.

1

50

40

контрейлер

шт.

1

50

40

Погрузка-разгрузка вагонов

 

поезд с TEU:

 

–  транзитный

%

1

100

30

–  прямой

%

1

100

98

смешанный

%

1

100

97

блок-поезд

%

1

100

100

Назначение контейнеров поезда:

 

ЗТК

%

1

100

70

КТ

%

1

100

30

Назначение контейнеров ЗТК:

 

досмотр

%

1

100

80

зона СВХ

%

1

100

20

Назначение контейнеров СВХ:

 

хранение в зоне

%

1

100

70

отправка на склад

%

1

100

30

Назначение контейнеров КТ:

 

автовозы (вывоз в течение суток)

%

1

100

30

склад кросс-докинга (перетарка)

%

1

100

10

склад дл.хр. (вывоз в течение суток)

%

1

100

30

КД (хранение)

%

1

100

15

блок-поезд (вывоз в течение суток)

%

1

100

15

Наполнение поездов (TEU)

 

поезд с TEU:

 

прибытие:

 

–  груженые

%

1

100

100

–  порожние

%

1

100

0

отправка:

 

–  груженые

%

1

100

80

–  порожние

%

1

100

20

смешанный 2:

 

прибытие:

 

–  груженые

%

1

100

100

–  порожние

%

1

100

0

отправка:

 

–  груженые

%

1

100

80

–  порожние

%

1

100

20

блок-поезд:

 

прибытие:

 

–  груженые

%

1

100

5

–  порожние

%

1

100

95

отправка:

 

–  груженые

%

1

100

100

–  порожние

%

1

100

0

Контейнерное депо B14

Количество площадок

шт.

5

Количество секций

шт.

7

Длина секции

м

43

Ширина секции

м

25

Ярусность

ярус

1

4

3

Вместимость секции (1 ярус)

TEU

40

Ёмкость секции

TEU

40

40 х ярус.

120

Количество кранов на площадку

шт.

1

Производительность кранов

операций в час

10

25

20

Контейнерное депо B15

Количество площадок

шт.

1

Количество секций

шт.

5

Длина секции

м

43

Ширина секции

м

25

Ярусность

ярус

1

4

3

Вместимость секции (1 ярус)

TEU

40

Ёмкость секции

TEU

40

40 х ярус.

120

Количество кранов на площадку

шт.

1

Производительность кранов

операций в час

10

25

20

Контейнерное депо B16

Количество площадок

шт.

1

Количество секций

шт.

5

Длина секции

м

43

Ширина секции

м

25

Ярусность

ярус

1

4

3

Вместимость секции (1 ярус)

TEU

40

Ёмкость секции

TEU

40

40 х ярус.

120

Количество кранов на площадку

шт.

1

Производительность кранов

операций в час

10

25

20

Контейнерное депо B17 (порожних контейнеров)

Вместимость площадки (1 ярус)

шт.

64

Ярусность

ярус

1

5

4

Ёмкость площадки

TEU

1

64 х ярус.

192

Количество погрузчиков

шт.

1

5

1

Производительность погрузчиков

операций в час

10

25

20

Зона СВХ

Вместимость площадки (1 ярус)

шт.

200

Ярусность

ярус

1

Ёмкость площадки

TEU

200

Количество погрузчиков

шт.

1

1

1

Производительность погрузчиков

операций в час

10

25

20

Ремонтная зона

Вместимость площадки (1 ярус)

шт.

32

Ярусность

ярус

1

Ёмкость площадки

TEU

32

Количество погрузчиков

шт.

1

1

1

Производительность погрузчиков

операций в час

10

25

20

Склад кросс-докинга

Емкость склада

т

40425

Площадь склада

м2

41472

Количество ворот

шт.

52

Макс. время хранения груза

сутки

2

Хранение груза:

 

до суток

%

1

100

50

до max срока хранения

%

1

100

50

Количество погрузчиков

шт.

25

Грузоподъемность погрузчиков

т

2

Количество машин в сутки:

 

загруженная фура

шт.

1144

пустая фура

шт.

711

пустая газель

шт.

975

Генерация контейнеров в сутки:

 

20F

шт.

60

40F

шт.

60

Склад длительного хранения

Емкость склада

т

78750

Площадь склада

м2

62208

Количество ворот

шт.

78

Макс. время хранения груза

сутки

14

Хранение груза:

 

до 3х суток

%

1

100

30

от 3х до 7 суток

%

1

100

55

до max срока хранения

%

1

100

15

Количество погрузчиков

шт.

35

Грузоподъемность погрузчиков

т

2

Количество машин в сутки:

 

загруженная фура

шт.

672

пустая фура

шт.

650

пустая газель

шт.

892

Генерация контейнеров в сутки:

 

20F

шт.

1

40F

шт.

1

Склад авто-жд опасные грузы

Емкость склада

т

54750

Площадь склада

м2

41040

Количество ворот

шт.

43

Макс. время хранения груза

сутки

7

Хранение груза:

 

до 5 суток

%

1

100

90

до max срока хранения

%

1

100

10

Количество погрузчиков

шт.

20

Грузоподъемность погрузчиков

т

2

Количество поездов в сутки

шт.

1

15

10

Количество вагонов в поезде

шт.

1

5

3

Обратная загрузка вагонов

%

1

100

30

Количество машин в сутки:

 

загруженная фура

шт.

571

пустая фура

шт.

444

пустая газель

шт.

608

Генерация контейнеров в сутки:

 

20F

шт.

1

40F

шт.

1

Склад авто-жд генеральные грузы

Емкость склада

т

87600

Площадь склада

м2

65664

Количество ворот

шт.

61

Макс. время хранения груза

сутки

5

Хранение груза:

 

до 3х суток

%

1

100

75

до max срока хранения

%

1

100

25

Количество погрузчиков

шт.

30

Грузоподъемность погрузчиков

т

2

Количество поездов в сутки

шт.

1

15

10

Количество вагонов в поезде

шт.

1

5

3

Обратная загрузка вагонов

%

1

100

30

Количество машин в сутки:

 

загруженная фура

шт.

1549

пустая фура

шт.

1128

пустая газель

шт.

1547

Генерация контейнеров в сутки:

 

20F

шт.

1

40F

шт.

1

Склад автомобилей

Емкость склада

авто

7000

Макс. время хранения авто

сутки

30

Хранение груза:

 

до 5 суток

%

1

100

20

от 5 до 20 суток

%

1

100

50

до max срока хранения

%

1

100

30

Количество поездов в сутки

шт.

1

5

1

Количество вагонов в поезде

шт.

1

30

25

Количество машин в сутки:

 

пустой автовоз

шт.

66

Склад сыпучих грузов

Емкость склада

т

70000

Площадь склада

м2

13440

Макс. время хранения груза

сутки

90

Хранение груза:

 

до 3х суток

%

1

100

65

от 3х до 5 суток

%

1

100

20

до max срока хранения

%

1

100

15

Количество погрузчиков

шт.

30

Грузоподъемность погрузчиков

т

6

Количество поездов в сутки:

 

поезд 1

шт.

1

10

2

поезд 2

шт.

1

10

2

Количество вагонов в поезде:

шт.

 

поезд 1

шт.

1

14

10

поезд 2

шт.

1

14

12

Количество машин в сутки: 

пустой тонар

шт.

210

Склад СВХ

Емкость склада

т

17520

Площадь склада

м2

10367

Количество ворот

шт.

10

Макс. время хранения груза

сутки

60

Хранение груза:

 

от 3х до 5 суток

%

1

100

50

до max срока хранения

%

1

100

50

Количество погрузчиков

шт.

5

Грузоподъемность погрузчиков

т

2

Количество машин в сутки:

 

загруженная фура

шт.

89

пустая фура

шт.

89

пустая газель

шт.

123

Опубликовано №2 (67) апрель 2015 г.

АВТОР: Валеева А.Ф., Валеев Р.С., Тарасова Т.Д., Газизова Э.И. 

РУБРИКА Аналитика в логистике и SCM Управление запасами  Оптимизация и экономико-математическое моделирование 

Аннотация

В статье рассматривается задача доставки однородного продукта различным клиентам во взаимосвязи  с задачами управления запасами, транспортировкой и складированием. Приведены математическая модель и общая схема алгоритма решения поставленной задачи. Особое внимание уделено задаче управления запасами. При этом предложено объединить в единую подсистему различные модели этой задачи:  детерминированные, вероятностные и имитационную, являющейся модификацией известной модели.

Ключевые слова: управление запасами маршрутизация складирование принятие решений граф детерминированная модель вероятностная модель имитационная модель

Опубликовано №6 (71) декабрь 2015 г.

АВТОРЫ: 

Куренков П. В.

Зайцев Т. А. - Аспирант,  Кафедра «Транспортный бизнес», Московский государственный университет путей сообщения (Россия, Москва)

 

РУБРИКА Имитационное моделирование Контейнерные перевозки Транспортировка в логистике

Аннотация

Рассматриваются 5 способов доставки груза: автомобильный – тягач с полуприцепом, на котором размещен стандартный (ISO) 40-футовый контейнер; железнодорожный – стандартный 40-футовый контейнер, следующий в составе регулярного поезда «Меркурий»; железнодорожный – «крытый» вагон в составе сборного поезда; контрейлерный – сопровождаемая перевозка (автопоезд следует на ж.-д. платформе, а водитель в пассажирском вагоне в составе поезда); контрейлерный – несопровождаемая перевозка (полуприцеп следует на ж.-д. платформе, а услуга доставки «последней мили» осуществляется силами терминального оператора). Контрейлерная технология оказывается наиболее быстрой и наименее затратной

Ключевые слова: 

 

Опубликовано №5 (46) октябрь 2011г.

АВТОРЫ: 

Трушкин Д.С. - Директор ООО «Научный консультационно-технологический центр «Пролог»

 

Пиастро Г.П. - к.т.н., доцент кафедры «Автоматизация технологических процессов и производств» Тольяттинский государственный университет

РУБРИКА Имитационное моделирование Транспортировка в логистике Планирование в цепях поставок Оптимизация и экономико-математическое моделирование

Аннотация

Разработана и исследована имитационная модель процесса грузовых перевозок в логистической системе складов погрузки-выгрузки. Выполнена постановка оптимизационной задачи, которая сводится к определению ресурсов, необходимых для выполнения плана перевозок. Генерируются варианты оперативных планов-расписаний, оцениваемых предложенной группой критериев. Рассмотрена возможность применения созданной имитационной модели в системах планирования перевозок с принятием эффективных решений по управлению ресурсами

Ключевые слова имитационная модель грузовые перевозки оперативно-календарное планирование управление ресурсами

Опубликовано № 2 (49) апрель 2012 г.

АВТОРЫ: Рожков М. И.

РУБРИКА Имитационное моделирование, Корпоративная логистика промышленных компанийСнабжениеОбзоры и аналитика 

Аннотация

В данной обзорной статье проанализированы зарубежные публикации, посвященные специфике взаимодействия производства и поставщиков и анализу логистических сетей поставщиков автомобильной промышленности. Представлен краткий обзор состояния отрасли в России. Рассмотрены основные тенденции. Проведен обзор материалов, в которых при оптимизации логистических сетей использовался метод имитационного моделирования.

Ключевые слова: имитационная модель логистическая сеть поставщик автомобильная промышленность сборка на заказ модульная система кластер мультиагентная система DCP Demand Capacity Planning LiNet ILIPT Intelligent Logistics for Innovative Product Technologies


Состояние автомобильной промышленности

Автомобильная промышленность в России в настоящее время находится в стадии стремительного роста (Рис.1). Согласно данным Министерства Промышленности и Торговли РФ, Россия занимает второе место по объему продаж легковых автомобилей в Европе, прирост за год составил 49%. Правительство Российской Федерации последние годы проводит последовательную политику по привлечению зарубежных компаний для размещения производственных мощностей на территории России.

Рис.1 Объем продаж легковых автомобилей, январь-август 2011

Рис.1 Объем продаж легковых автомобилей, январь-август 2011

            По состоянию на первую половину 2011 года локализованная сборка составляет около 40% от общего объема производства автомобилей, в то время как в 2008 данный показатель составлял лишь 20%. Столь резкое увеличение связано с изменениями в определении понятия промышленной сборки, которые вступили в силу в феврале 2011.

Согласно внесенным изменениям среднегодовой уровень локализации производства () рассчитывается по следующей формуле:

 

  – таможенная стоимость всех автокомпонентов и их частей,

  – общая стоимость всех произведенных узлов и агрегатов для моторных транспортных средств товарных позиций 8701-8705 ТН ВЭД ТС и реализованных покупателям, учтенная в фактических отпускных ценах без НДС,

            Установлены следующие параметры локализации для периода 2011-2020:

-  изготовление, при котором уровень локализации производства составляет не менее 15% (2011-2014)

-  изготовление, при котором уровень локализации производства составляет не менее 30% (2015-2017)

-  изготовление, при котором уровень локализации производства составляет не менее 45% (2018-2020)

Обновленное постановление  Правительства Российской Федерации № 166 от 15.04.2005 предполагает, что к 2015 году иностранные производители OEM (Original Equipment Manufacturer) должны выпускать минимум 300 тысяч автомобилей ежегодно в России (предыдущий минимум составлял 25 тысяч) [2]. При выполнении данного условия они освобождаются от импортных пошлин на запчасти. Темпы локализации компонентов, производимых в России или странах Таможенного Союза, созданного в 2010 году (Россия, Белоруссия и Казахстан), должны достичь 60% по собранным автомобилям и 30% по компонентам двигателей.

            В Российской практике наблюдается использование кластерного подхода и организации особых экономических зон, которые должны стимулировать размещение производства автокомпонентов в России. Можно выделить несколько кластеров по регионам: Санкт-Петербург, Москва, Ижевск, Калуга, Нижний Новгород, Тольятти, Ульяновск, Набережные Челны. Наиболее крупные поставщики автомобильной промышленности следующим образом распределены в данных кластерах (Рис.2):

Рис.2 Размещение предприятий автомобильной промышленности в России

Рис.2 Размещение предприятий автомобильной промышленности в России.

При развитии автомобильного производства компании сталкиваются с рядом проблем, обусловленных текущим состоянием рынка поставщиков комплектующих. Качество комплектующих (OE - Original Equipment), поставляемых местными производителями, часто оказывается недостаточно высоким. Согласно данным «Объединения автопроизводителей России» [3], всего 5% российских поставщиков соответствуют  международным стандартам качества. Стоимость импортных комплектующих сильно зависит от изменений на международном рынке сырья (пластмасс и стали). Также при поставках из-за рубежа возмущения в работу цепи поставок вносит работа таможни. В исследовании компании Autoeuropa [6] параметр «задержка поставки» выделен как главный фактор, вносящий возмущения в работу цепей поставок автомобильных заводов. Доля данного параметра (задержка поставки) составляет 51%.

Одним из возможных решений является размещение мощностей поставщиков на территории страны. В отличие от стран Европы и США, в России недостаточно развита инфраструктура для эффективной работы предприятий автомобильной промышленности. В данном случае актуален вопрос поиска наиболее удачного географического положения с учетом дальнейшего развития инфраструктуры.

Следует отметить различия в конфигурации цепей поставок автомобильной промышленности за рубежом и в России.  В большинстве случаев в России нет четкого разделения поставок на конвейер (OE) поставок официальным дилерам (OES - Original Equipment Services) и поставок на рынок автозапчастей (AM - AfterMarket). Также не всегда сохраняется двухуровневая система поставок на производство.

Для оценки дальнейших изменений следует оценить зарубежный опыт развития логистических сетей автомобильной промышленности.

Анализ и оптимизация сети поставщиков. Зарубежный опыт.

Можно выделить несколько зарубежных исследований, посвященных изучению конфигурации логистических сетей снабжения автомобильных производств. Применяются два основных подхода для анализа:

-использование бизнес-кейсов, проведение интервью с представителями компании;

-моделирование работы цепи поставок.

Некоторые авторы комбинируют данные подходы. Далее будут рассмотрены как концептуальные исследования, так и исследования с использованием имитационного моделирования и его производных.

В  статье (2002) Choi и Hong [11] рассматривают особенности взаимодействия с поставщиками автокомпонентов на примере производства Honda Accord, Acura CL и Grand Cherokee. Проведен анализ логистической сети: количество поставщиков различных уровней, формализованные методы работы с поставщиками, а также уровень централизации управления в сети. Авторы проводят анализ возможных причин, которые привели к указанной конфигурации каждое из производственных предприятий. Исследование выполнено в форме бизнес-кейсов. У исследуемой компании большой объем номенклатуры деталей при сборке, поэтому были выбраны компоненты (элементы консоли салона автомобиля), поставщики которых наиболее репрезентативны для целей исследования. Среди прочих факторов рассмотрены и географические параметры логистической сети – средняя удаленность поставщиков различных уровней от производства. Рассмотрена специфика работы с поставщиками, характерная именно для автомобильной промышленности. Подчеркнуты жесткие условия работы с поставщиками: требования по ежегодному снижению закупочных цен. Сделаны выводы об уровне надежности цепей поставок исследованных компаний. Общие данные о сети снабжения приведены в таблице (Табл.1).

Таблица 1. Сравнение сетей поставщиков.

 

Горизонтальные уровни

Вертикальные уровни

Общее кол-во поставщиков

Кол-во деталей

Влияние локальных поставщиков

Опыт совместной работы

Издержки смены поставщика

Accord

10

4

70

50

Средний

Большой

Низкие

Acura CL/TL

13

5

>1000

76

Средний/низкий

Средний

Средние

Grand Cherokee

10

4

200

41

Средний/высокий

Маленький

Высокие

Особенности конфигурации логистических сетей крупных автомобильных компаний (Suzuki, Audi) на примере рынка развивающейся страны (Венгрия) были изучены в исследовании Demeter et al (2006) [13]. Упрощенная схема логистических сетей изученных компаний представлена на рисунке (Рис.3).

Рис.3 Схема логистических сетей

Рис.3 Схема логистических сетей.

Проанализированы причины большей или меньшей доли использования местных поставщиков. Авторы рассматривают четкую связь между стратегией компании и конфигурацией сети. Выделено четыре типа поставок: поставщики-интеграторы, поставщики второго уровня, прямые поставки и инсорсинг.

Особенность коммуникации производства и поставщиков на примере автомобильной промышленности рассмотрена в статье Prahinski и Benton (2004) [29]. Авторами было проведено масштабное исследование, в котором были оценены параметры производительности более чем сотни ключевых поставщиков четырех крупнейших автомобильных предприятий США.

Вопрос взаимодействия поставщиков и сборочного производства также является объектом исследования в работе Aláez-Aller и Longás-García, (2010) [5].  Рассмотрена динамика изменения взаимодействия автопроизводителя с поставщиками на примере автомобильного завода, расположенного в Испании. Проанализированы две предельные стратегии управления поставщиками: соперничество и сотрудничество. Авторами статьи сделан вывод, что наиболее успешные компании использовали промежуточные стратегии. Определены направления работы с издержками компаний при различных стадиях жизненного цикла выпускаемого автомобиля.  

Рассмотренные в приведенных выше работах логистические сети значительно отличаются по конфигурации. Также прослеживается тенденция к тому, что чем большее количество компаний было проанализировано при исследовании, тем более общие выводы делаются авторами. Оценке применения новых концепций производства и их влияние на организацию сети поставщиков посвящены исследования, рассмотренные в следующем разделе.

Сборка на заказ, кластеры и модульные системы, влияние на конфигурацию сети

В данной обзорной статье проанализированы исследования, связанные с двумя подходами в автомобилестроении: «сборка на заказ» (BTO – Build to Order –  использование тянущей схемы производства во всей цепи)  и использование поставщиков модулей (готовых к сборке узлов) на производстве.

Одной из важных особенностей применительно к российским условиям является фактор расстояния – многие поставщики значительно удалены от сборочного производства и поэтому увеличиваются транспортные расходы. Во многих случаях этот фактор имеет достаточно большую роль при «сборке-на-заказ», активно применяемой в автомобильной промышленности начиная с 90-х годов. Системы производства JIT и Lean Production предъявляют жесткие требования к поставщикам первого уровня. Высокая частота поставок на производство приводит к тому, что поставщикам выгодно размещать свои мощности как можно ближе к производству. Это одна из причин формирования автомобильных кластеров.

Также общемировой тенденцией является использование модульных систем при сборке автомобилей – таким образом, логистическая цепь со стороны поставщиков расширяется еще на один-два уровня. Baldwin и Clark (1997) [7] выделяют 3 драйвера модуляризации:  снижение издержек, увеличение скорости внедрения инноваций и увеличение уровня качества.  Использование модулей и особенности работы кластеров часто исследуются совместно.

Большая часть исследователей положительно оценивают применение модулей. Использование модульного подхода при производстве автомобилей проанализировано в Doran (2004) [14]. Рассмотрена цепочка добавления стоимости по уровням поставщиков. Также приведена классификация поставщиков с подробным описанием их особенностей. В работе Larsson (2002) [27] рассмотрены автомобильные кластеры западной Европы. Проанализированы факторы их влияния на региональную инфраструктуру. Описана специфика использования модулей при производстве и снабжении. В Doran (2007) [15] рассмотрено применение модульного подхода в снабжении предприятий автомобильной промышленности Франции. В исследовании разбираются четыре кейса, описывающие поставщиков различных модулей автомобиля и изменения, произошедшие в цепи поставок данных модулей. Приводится краткий обзор причин, повлекших переход к модульной системе.

Ряд исследователей критически относятся к тенденции образования производственных кластеров. В исследовании Howard et al (2006)  была представлена выборка из восьми автомобильных заводов в Западной Европе. Приводятся некоторые аргументы в защиту гипотезы о снижении роли кластеров [24].

С их точки зрения состояние «изменения» является нормальным для автомобильной отрасли. Оно приводит к определенным последствиям, которые  оказывают влияние на будущее развитие парков поставщиков (suppliers parks). Набирающая обороты тенденция к использованию сборочных модулей и альянсам поставщиков подразумевает увеличение влияния поставщиков первого эшелона на цепь поставок. Заинтересованность поставщиков в эффекте от масштаба может ограничить возможности для совместного размещения производств. Это также может снизить эффект от применения специфических технологий, так как большее количество компонентов или модулей будет использоваться в различных изделиях. Дальнейшее развитие может привести к тому, что производители снизят уровень вариации краткосрочных производственных планов с целью получения более надежного расписания. Данный эффект может привести к обращению вспять тренда к размещению поставщиков рядом с определенным производством, так как им не нужно будет быстро реагировать на краткосрочные изменения  в объемах поставок материалов и выпуска готовой продукции.[24]

При этом не во всех случаях идея «чем ближе, тем лучше» оказывается справедливой при размещении поставщиков рядом с производством. Некоторые более удаленные поставщики, рассмотренные в исследовании, функционировали более эффективно.

Некоторые авторы (M.Holweg et al, 2003) [22] приходят к выводу, что синхронизацию поставки компонентов и автомобильного производства реализовать проще, чем внедрить эффективную «сборку на заказ» для потребителя. Выделяется «типичная» проблема поставщиков автокомпонентов первого эшелона: с одной стороны производство требует поставок точно в срок, с другой им приходится взаимодействовать с поставщиками материалов, которые в большинстве случаев работают с большими партиями поставок. Приведена часть схемы типочного алгоритма выполнения заказа [14] (Рис.4).

 Рис. 4 Упрощенная карта процессов выполнения заказа

Рис. 4 Упрощенная карта процессов выполнения заказа

Российская автомобильная промышленность находится на стадии развития, поэтому актуален вопрос о том, насколько зарубежные практики организации снабжения сборочных производств могут быть адаптированы к российским условиям.

Помимо концептуальных исследований подходов к анализу сети снабжения, используются различные методы моделирования. Более сложные объекты требуют использования более развитых средств отображения их работы. В данной статье основной фокус направлен на анализ исследований цепей поставок снабжения с использованием имитационного моделирования.

Применение имитационного моделирования и  мультиагентных систем для решения задач снабжения производства и конфигурирования сети поставщиков

Применение имитационного моделирования (дискретно-событийное и агентное моделирование) оправдано и особенно эффективно в случаях, когда изучаемый объект находится в динамическом состоянии. Например, если меняются внешние по отношению к объекту условия. Логистические сети компаний автомобильной промышленности будут значительно модифицированы в ближайшие несколько лет, что является основанием для применения указанного метода. В предыдущем разделе статьи было показано, что многие особенности конфигурирования логистических сетей зависят от организации взаимодействия производственного предприятия и поставщиков.

Агентное моделирование позволяет отразить процесс взаимодействия звеньев цепи наиболее точно: могут учитываться параметры географического расположения, алгоритмы оптимизации издержек каждого звена цепи, особенности взаимодействия агентов (звеньев цепи поставок). Мультиагентные системы не требуют централизованного алгоритма управления: каждый элемент в большей или  меньшей степени функционирует самостоятельно. Данная особенность позволяет значительно упростить построение моделей сложных систем. Сетевая структура и акцент на способах  взаимодействия агентов – это концептуальные основы мультиагентных систем, которые хорошо согласуются с методологией управления цепями поставок.

Согласно Chang и Makatsoris [10]: «дискретно-событийное имитационное моделирование позволяет провести оценку производительности до внесения изменений в изучаемую систему, так как: а)позволяет провести глубокий анализ «что если» для более точных решений в области планирования, б)допускает сравнение различных способов организации процессов без вмешательства в работу системы-прототипа и в)обладает возможностью сжатия времени при моделировании, что упрощает принятия решений, зависящих от выбранного временного промежутка»

В обзорной статье «Simulation in the supply chain context: a survey»  Terzi и Cavalieri [30] приводится классификация более 80 работ, связанных с использованием имитационного моделирования в сфере логистики по состоянию на 2004 год. Авторы формируют базовые критерии классификации и выделяют наиболее перспективные области для применения имитационного моделирования. Следует заметить, что лишь несколько работ по оптимизации конфигурации сети рассматривали проблему географического размещения звеньев цепи. В настоящее время задача размещения объектов логистической инфраструктуры является одной из самых популярных при практическом применении имитационного моделирования.

Также можно выделить работу [12] «An analysis of agent-based approaches to transport logistics» Davidsson et al (2005). В ней проведен обзор применения мультиагентных систем для решения задач транспортной логистики. Проведена классификация по видам транспорта, описаны возможности практического применения результатов исследований. Особенно подчеркивается факт, что исследователи редко проводят сравнение разработанных подходов с уже существующими техниками. Определено, что количество исследований, использующих агентный подход для решения стратегических аспектов управления логистической инфраструктурой минимально по состоянию на 2005 год.

Наиболее подробно применение мультиагентных систем для решения задач логистики и управления цепями поставок рассмотрено в книге  «Multiagent based Supply Chain Management» [9]. Данная книга состоит из шестнадцати глав, в каждой из которых рассмотрено применение агентных моделей для решения какой-либо задачи области управления цепями поставок. Рассмотрены вопросы конфигурирования цепей поставок, управления рисками, анализа различных стратегий взаимодействия звеньев цепи, внедрения электронных систем.

В большей части работ, посвященных применению имитационного моделирования для поиска алгоритмов конфигурирования цепи, рассматривается трехуровневая логистическая сеть.

В  работе Kwon (2007) [26] рассматривается мультиагентная цепь поставок, состоящая из трех базовых типов агентов, максимизирующих величину собственной прибыли: розничные точки, производители и поставщики. Рассмотрено функционирование цепей поставок при различном уровне взаимодействия между контрагентами: автономная работа, интеграция и улучшенная интеграция. Оценивается влияние управления единым координирующим агентом цепи поставок. Описан итеративный алгоритм перехода от концепции максимизации собственной прибыли к максимизации общей прибыли цепи. Методологическая основа алгоритма управления цепью поставок в исследовании: Case-Based Reasoning - система рассуждения на основе аналогичных случаев.

В статье Fu и Piplani (2004) [17] в роли фокусной компании выступает дистрибьютор, оценивается эффект от сотрудничества со стороны снабжения. Разработанная имитационная модель используется для организации планирования. Проводится анализ двух базовых сценариев: с учетом кооперации и без неё. Полученные результаты показывают, что за счет более точного прогнозирования можно добиться увеличения уровня сервиса в системе-объекте исследования на 5% (с 90% до 95%).

В исследовании, упомянутом в предыдущем разделе (Holweg et al, 2005), [23] рассматривается имитационная модель, отражающая работу производственного предприятия автомобильной промышленности. В качестве параметров работы модели была также предложена система KPI (Key Performance Indicators) для поставщиков, потребителей и производства для формирования оптимальной сети. Параметры KPI использовались как средство управления взаимодействием агентов-звеньев цепи. Исследование было направлено на выявление причин проблем со сборкой на заказ в автомобильной промышленности. Сформулированы предложения по внесению изменений в систему управления и информационные системы компаний.    

В статье Giannakis и Louis (2011) [19] предложено использование агентной надстройки для систем принятия решений класса ERP. Основной акцент сделан на решении проблемы управления рисками в цепях поставок. Представлены основные классы агентов для данной группы задач. Предложенная методология использует элементы самоорганизации и обучения агентов.

Наблюдается рост интереса к применению имитационного моделирования для оптимизации потоков входящей логистики предприятий автомобильной промышленности. Рассмотрим наиболее интересные готовящиеся к выходу публикации.

В статье «A simulation framework for real-time fleet management in internal transport systems»  Jaou et al (2012) [25] приведен подробный анализ использования имитационного моделирования для решения задач управления парком транспортных средств, а также для перевалки контейнеров в терминалах.  Проведена классификация моделей, подходов и их ограничений. Предложен алгоритм, который позволяет адаптировать модель к изменяющимся условиям среды. Для реализации использовался объектный подход. Имитационная модель разработана в среде ARENA, логика взаимодействия объектов описана при помощи диаграмм состояний UML.

В статье «Supply chain redesign for resilience using simulation»  Carvalho et al (2012) [8] рассматривается моделирование снабжения автомобильного производства. Авторы проводят ряд экспериментов для определения уровня устойчивости сети к внешним воздействиям. Рассмотрены три эшелона цепи поставок: производство, поставщики первого уровня, поставщики второго уровня. Смоделированы 6 сценариев работы системы с различными подходами к смягчению влияния возможных сбоев в работе. Логистическая сеть адаптирована для производственных систем JIT и Lean Production.       В качестве среды разработки выступает среда моделирования Rockwell ARENA. Схема организации модели была интегрирована со SCOR моделированием.

Данная модель может быть легко конвертирована в среду разработки с акцентом на агентный подход моделирования, например, AnyLogic. Схема участка логистической сети представлена на рисунке 5.

 Рис.5 Схема снабжения производства

Рис.5 Схема снабжения производства

В данной системе три поставщика первого уровня, два поставщика второго уровня, компания-производитель. Используются шесть видов материалов, из которых собираются три компонента, которые, в свою очередь, составляют основу двух модулей. Срок доставки варьируется от одного часа до одного дня, интенсивность заказов: от двух часов до недели.

При применении данных методов исследователь может изучать систему на любом уровне абстракции. В приведенных выше статьях описывались как решения для снижения рисков в цепи поставок в целом, так и вопросы интеграции разработанных моделей и подходов с уже применяющимися решениями.

В качестве аргумента в пользу применения имитационного моделирования следует указать, что в настоящее время в Европе осуществляются несколько масштабных проектов по оптимизации логистических сетей автомобильной промышленности, в которых мультиагентные системы используются в качестве метода решения поставленных задач:

- DCP (Demand Capacity Planning), [28] Проект направлен на поиски эффективных алгоритмов планирования в цепи поставок.

-LiNet, [18] В данном проекте объектом исследования является среднесрочное и долгосрочное планирование производственных мощностей предприятий автомобильной промышленности и краткосрочное управление материальными потоками.

-ILIPT (Intelligent Logistics for Innovative Product Technologies). [20] Проект является составляющей проекта «5-day car» (производство и доставка автомобиля в нужной комплектации в течение пяти дней после заказа конечного потребителя) Изучаются гибкие цепи поставок и переход к  «сборке на заказ».

Методология мультиагентных систем для решения подобных задач предложена в Hellingrath et al (2009) [21]. Пример успешной реализации элементов данной системы планирования входящих транспортных потоков приведен в Florean et al (2010) [16].

Российская автомобильная промышленность отстает по уровню развития от европейской, поэтому в настоящее время подобные проекты не реализуются – для применения мультиагентных систем требуется более высокий уровень интеграции звеньев цепи. С другой стороны, изучение зарубежного опыта применения агентного моделирования цепей поставок актуально, так как, вероятно, в скором будущем подобные проекты будут реализованы и в России.

Из отечественного опыта моделирования логистических сетей предприятий автомобильной промышленности с элементами агентного подхода  можно привести пример успешного сотрудничества компаний GEFCO и XJ Technologies. Разработанный на основе AnyLogic пакет программ используется для поиска оптимальных решений поставки автомобилей из-за рубежа [4]. В целом в российской практике применение подобных подходов пока что не получило широкого распространения. [1] 

Литературные источники:

  1. Имитационное моделирование логистических сетей. Толуев Ю.И. Логистика и управление цепями поставок. 2008 г., № 2/25.
  2. http://www.rg.ru/2011/02/04/motor-dok.html
  3. http://www.oar-info.ru
  4. http://www.xjtek.ru/file/178
  5. R. Aláez-Aller, J. C. Longás-García, (2010) "Dynamic supplier management in the automotive industry", International Journal of Operations & Production Management, Vol. 30 Iss: 3, pp.312 – 335
  6. S.G. Azevedo, V.H. Machado, A.P. Barroso and V. C. Machado, Supply chain vulnerability: Environment changes and dependencies. International Journal of Logistics and Transport, 1 (2008), pp. 41–55.
  7. C. Y.Baldwin and K. B. Clark. "Managing in an Age of Modularity." Harvard Business Review 75, no. 5 (September-October 1997): 84-93.
  8. H. Carvalho, A. P. Barroso, V. H. Machado, S. Azevedo, V. Cruz-Machado Supply chain redesign for resilience using simulation, Available online 21 October 2011 Computers & Industrial Engineering
  9. B. Chaib-draa, J. P. Müller,  Multiagent based Supply Chain Management (Studies in Computational Intelligence, Vol. 28), Springer 2006, ISBN 3540338756, 466 стр.
  10. Y. Chang, H. Makatsoris, Supply chain modelling using simulation, International Journal of Simulation 1 (2001)
  11. T.Y Choi, Y.Hong, Unveiling the structure of supply networks: case studies in Honda, Acura, and DaimlerChrysler. Journal of Operations Management, Volume 20, Issue 5, September 2002, pp. 469-493.
  12. P. Davidsson, L. Henesey, L. Ramstedt, J. Törnquist, F. Wernstedt, An analysis of agent-based approaches to transport logistics. Transportation Research Part C: Emerging Technologies Volume 13, Issue 4, August 2005, pp. 255-271
  13. K. Demeter, A. Gelei, I. Jenei, The effect of strategy on supply chain configuration and management practices on the basis of two supply chains in the Hungarian automotive industry. International Journal of Production Economics, Volume 104, Issue 2, December 2006, pp.  555-570
  14. D. Doran, "Rethinking the supply chain: an automotive perspective", Supply Chain Management: An International Journal (2004), Vol. 9 Iss: 1, pp.102 – 109
  15. D. Doran, A. Hill, K.-S. Hwang, G. Jacob and Operations Research Group, Supply chain modularisation: Cases from the French automobile industry. International Journal of Production Economics Volume 106, Issue 1, March 2007, pp. 2-11
  16. M. Florian, J. Kemper, W. Sihn, B. Hellingrath, Concept of transport-oriented scheduling for reduction of inbound logistics traffic, International Conference on Manufacturing Systems (ICMS) 2010
  17. Y. Fu, R. Piplani, Supply-side collaboration and its value in supply chains European Journal of Operational Research. Volume 152, Issue 1, 1 January 2004, pp. 281-288
  18. F. Gehr, B. Hellingrath (Eds.), Logistik in der Automobilindustrie - Innovatives Supply Chain Management für wettbewerbsfähige Zulieferstrukturen, Springer Verlag, 2006
  19. M. Giannakis,  M. Louis, A multi-agent based framework for supply chain risk management Journal of Purchasing and Supply Management Volume 17, Issue 1, March 2011, pp.23-31
  20. B. Hellingrath, Key Principles of Flexible Prodcution and Logistics Networks, in: G. Parry, A. Graves (Eds.) Build to Order: The Road to the 5 Day Car, Springer Verlag, London, pp. 177-183, 2008
  21. B. Hellingrath, C. Böhle, J van Hueth, A Framework for the Development of Multi-Agent Systems in Supply Chain Management. Proceedings of the 42nd Hawaii International Conference on System Sciences – 2009
  22. M. Holweg, The three-day car challenge—investigating the inhibitors of responsive order fulfilment in new vehicle supply systems. International Journal of Logistics: Research and Applications,  6 3 (2003), pp. 165–183.
  23.  M. Holweg, S.M. Disney, P.Hinesc, M.M. Naim, Towards responsive vehicle supply: a simulation-based investigation into automotive scheduling systems. Journal of Operations Management, Volume 23, Issue 5, July 2005, pp. 507-530
  24. M.Howard, J. Miemczyk, A. Graves,  Automotive supplier parks: An imperative for build-to-order? Journal of Purchasing and Supply Management Volume 12, Issue 2, March 2006, pp. 91-104
  25. A. Jaou, D. Riopel, M. Gamache, A simulation framework for real-time fleet management in internal transport systems. Simulation Modelling Practice and Theory Volume 21, Issue 1, February 2012, pp. 78-90
  26. O.Kwon, G.P. Im, K. C. Lee, MACE-SCM: A multi-agent and case-based reasoning collaboration mechanism for supply chain management under supply and demand uncertainties. Expert Systems with Applications Volume 33, Issue 3, October 2007, pp. 690-705
  27. A.Larsson, The Development and Regional Significance of the Automotive Industry: Supplier Parks in Western Europe. International Journal of Urban and Regional Research Volume 26.4 December 2002 767-84.
  28. Odette 2004; Demand Capacity Planning Version 1.1, April 24, 2004; Odette International Limited, London
  29. C.Prahinski, W.C Benton, Supplier evaluations: communication strategies to improve supplier performance. Journal of Operations Management Volume 22, Issue 1, February 2004, pp. 39-62
  30. S.Terzi, S.Cavalieri, Simulation in the supply chain context: a survey. Computers in Industry Volume 53, Issue 1, January 2004, pp. 3-16 

Опубликовано № 1 (48) февраль 2012 г.

АВТОР: Петров А.В., Пилипчук С.Ф.

РУБРИКА Транспортировка в логистикеИмитационное моделирование, Логистика мегаполиса

Аннотация

Если для анализа транспортных сетей большого объёма используются макромодели, построенные, например, на принципах сетевого моделирования, то для исследования «узких мест» дорожной сети создаются микромодели. Одними из наиболее широко используемых видов микромоделей являются имитационные модели. В работе построена имитационная модель «узкого места» транспортной сети одного из проблемных районов Санкт-Петербурга в среде имитационного моделирования AnyLogic версии 6.4.0., выполнены компьютерные эксперименты и даны практические рекомендации по организации дорожного движения.

Ключевые слова: моделирование транспортная сеть имитационная модель AnyLogic дорожное движение транспортная инфраструктура


В моделировании транспортных потоков под макромоделями понимаются такие модели, которые описывают транспортный поток как целое, то есть как совокупность всех транспортных средств (ТС). Эти модели применяются для анализа транспортных сетей большого объёма. С их помощью решаются задачи моделирования и оптимизации движения транспортных потоков в рамках определённого географического района, например, в рамках городской транспортной сети. Для решения подобных задач предлагается использовать сетевое моделирование [1].

Микромодели в отличие от макромоделей не рассматривают транспортный поток как некую целую совокупность транспортных средств, распределяющихся в транспортной сети по определенным принципам и с учетом ограничений, которые задает исследователь. Напротив, они характеризуются описанием отдельных транспортных средств, принципов их поведения на дороге и взаимодействия с другими транспортными средствами. Поэтому, у микромоделей другая, особенная цель – с их помощью можно достаточно детально исследовать отдельные, наиболее проблемные участки и перекрестки дорожной сети (так называемые «узкие места»), а также их совокупности.

Одними из наиболее широко используемых видов микромоделей являются имитационные модели [2]. Цель создания такой модели заключается в том, чтобы исследователь мог не только оценить текущую ситуацию на изучаемом участке, но и рассмотреть влияние вносимых им изменений и получить количественный результат, который наглядно представляется в модели.

Естественно, что имитационная модель всегда является упрощенным подобием реальной системы и отражает суть рассматриваемого процесса, явления и свойств входящих в нее объектов лишь в той степени достоверности, которая необходима для решения конкретной поставленной задачи. Она является по своей сути некоторым представлением реального объекта, и подобно любому представлению о реальности не отражает его в полной мере. Оценка того, насколько это представление устраивает нас, во многом неоднозначна потому, что реальность изменяется, а представление в целом остается прежним. Проблема состоит в том, что ожидания и представления редко соответствуют действительности в силу множества факторов, учесть даже большую часть из которых чаще всего не представляется возможным. Поэтому имитационная модель – это не универсальное средство решения проблем, а лишь инструмент, с помощью которого можно получить рекомендуемый путь решения.

В имитационном моделировании широко используется понятие «уровень абстракции», которое по своему смыслу обратно этой степени достоверности. То есть чем ниже уровень абстракции (и выше степень достоверности), тем точнее имитационная модель будет отражать суть явления. Обычно уровень абстракции известен изначально, он выбирается на начальных этапах создания имитационной модели. Однако количественная оценка того, насколько создаваемая модель будет соответствовать реальной (моделируемой) ситуации, заранее неизвестна. Эта оценка называется «адекватностью» имитационной модели, она определяется лишь после того, когда создана имитационная модель и имеются собранные фактические данные рассматриваемого явления (статистика) – путем сравнения результатов компьютерного эксперимента и реальных данных.

Применение имитационного моделирования для решения задач оптимизации транспортных потоков рассмотрим на конкретном примере, рассматривая транспортную сеть части Приморского района Санкт-Петербурга, отличающегося известными проблемами движения транспорта.

В работе [1] данная транспортная сеть на макроуровне исследовалась с помощью сетевых моделей, что позволило определить, как отразятся на пропускной способности дорог, суммарном пробеге и суммарном времени движения транспортных средств те или иные изменения в организации дорожного движения на рассматриваемом участке городской транспортной сети. Кроме того, исследование позволило выявить так называемые «узкие места» данной транспортной сети, одним из которых является перекресток «Коломяжский проспект–проспект Испытателей». Поэтому в данной работе была создана имитационная модель этого перекрестка.

Отличительной особенностью модели является то, что она также учитывает наличие транспортных проблем на следующем за пересечением «Коломяжский пр.–пр. Испытателей» перекрестке – на Светлановской площади, и позволила дать прогнозную оценку влияния на пропускную способность исследуемого перекрестка строительства на Светлановской площади многоуровневой развязки.

Создание имитационной модели осуществлялось в среде имитационного моделирования AnyLogic версии 6.4.0. Пакет AnyLogic – отечественный профессиональный инструмент имитационного моделирования нового поколения, разработанный фирмой «XJ Technologies», Санкт-Петербург [3]. Пакет AnyLogic существенно упрощает разработку имитационных моделей и их анализ, он основан на объектно-ориентированной концепции.

В качестве подхода в имитационном моделировании в данной модели выбрано дискретно-событийное моделирование (ДС). Данный подход предполагает следующее: автомобили выступают в качестве заявок, движущихся в сети между отдельными промежуточными пунктами по заранее намеченным траекториям. При этом с помощью команд программирования задается логика, согласно которой заявки (автомобили) ведут себя на дороге и при пересечении перекрестка тем или иным образом.

Общий вид созданной в среде AnyLogic модели представлен на рис.1.

Рис.1. Имитационная модель перекрестка «Коломяжский пр.–пр. Испытателей» в среде имитационного моделирования AnyLogic

Рис.1. Имитационная модель перекрестка «Коломяжский пр.–пр. Испытателей» в среде имитационного моделирования AnyLogic

Модель представляет собой аналог регулируемого перекрестка четырехполосного движения. В модели присутствует четыре автомобильных потока (рис.2):

- исследуемый: красный (обозначен буквой «A»)

- встречный: желтый (обозначен буквой «B»)

- перпендикулярный: фиолетовый (обозначен буквой «D»)

- перпендикулярный: синий (обозначен буквой «E»)

Рис.2. Транспортные потоки перекрестка «Коломяжский пр.–пр. Испытателей» и их условные обозначения

Рис.2. Транспортные потоки перекрестка «Коломяжский пр.–пр. Испытателей» и их условные обозначения

Модель строилась с основной целью: исследовать ситуацию с транспортными потоками на перекрестке Коломяжский пр.–пр. Испытателей в утренний период, поскольку именно в этот период в реальности наблюдается наиболее тяжелая дорожная ситуация на данном перекрестке, и разработать рекомендации по оптимизации этих потоков. Красный поток (поток «A») в данной модели является исследуемым, поскольку направлен строго в сторону выхода из района и наиболее интересен с точки зрения анализа. Однако в модели также присутствует возможность исследовать параметры и всех остальных потоков.

Анимация запущенной на выполнение модели представлена на рис.3.

Рис.3. Анимация имитационной модели перекрестка «Коломяжский пр.–пр. Испытателей»

Рис.3. Анимация имитационной модели перекрестка «Коломяжский пр.–пр. Испытателей»

Модель имеет входные и выходные параметры.

Входные параметры – параметры, позволяющие изменять результаты работы модели. К ним относятся:

- фазы светофоров;

- интенсивности входящих потоков, авт./мин;

- вероятности поворотов и перестроений;

- скорости движения,  км/ч;

- наличие/отсутствие пешеходов.

Выходные параметры – параметры, подлежащие контролю для оценки текущей ситуации. К ним относятся:

- интенсивности выходных потоков, авт./мин;

- длины очередей, ед.

Таким образом, суть работы с моделью состоит в том, что, изменяя те или иные входные параметры, мы можем добиться изменения выходных параметров, которые являются контрольными и характеризуют эффективность функционирования перекрестка. Это необходимо, прежде всего, для оценки текущей ситуации, а также прогноза ее развития в случае принятия соответствующих мер.

Модель имеет свой интерфейс для удобства работы с ней, который состоит из четырех основных частей (секций): 1) «анимация» (наглядное представление прогонов модели); 2) «входные параметры» (задание входных параметры модели); 3) «выходные параметры» (контроль выходных параметров при проигрывании модели); 4) «настройки».

Проверка адекватности (достоверности) модели выполнялась путем сбора и анализа фактических входных и выходных данных на реальном объекте. Входные параметры вводились в модель и после ее прогона модельные выходные параметры сравнивались с фактическими. Проверка осуществлялась по параметру «интенсивность выходного потока», поскольку в рамках данного исследования проверить модель по параметру «длина очереди» не представлялось возможным. Проверка показала, что средняя погрешность модели составляет , (достоверность ). В рамках данного исследования адекватность модели была признана приемлемой.

Для реализации целей создания имитационной модели в работе были произведены с ее помощью компьютерные эксперименты, суть которых заключалась в том, чтобы оценить влияние тех или иных принимаемых мероприятий (изменение входных параметров) на результаты моделирования (выходные параметры).

В рамках данного исследования были произведены шесть экспериментов со следующими условными названиями: 1. «по фактическим данным»; 2. «накопления очередей»; 3. «строительство надземных пешеходных переходов»; 4. «постановка дорожных знаков»; 5. «оптимизация фаз светофора»; 6. «разгрузка Светлановской пл.»

Суть каждого эксперимента и выводы, сделанные по результатам их проведения, приведены ниже.

Эксперимент «по фактическим данным». Очевидно, что вначале необходимо определить те выходные параметры, которые формируются в модели при проигрывании фактических (полученных в ходе натурных измерений) данных. Именно это является главной целью эксперимента. Эксперимент также призван наглядно оценить текущую ситуацию.

Время эксперимента  было принято равным 1800 с (30 мин.) модельного времени. Графики зависимостей величин очередей и интенсивностей выходных потоков в авт./мин от величины модельного времени представлены на рис. 4.

Рисунок 4а

Рисунок 4б

Рис. 4. Эксперимент по фактическим данным. Зависимость: а) величин очередей; б) интенсивностей выходных потоков от модельного времени

По результатам исследования можно сделать следующие выводы. Во-первых, из собранных фактических данных по интенсивностям входящих потоков и вероятностям поворотов вытекает ожидаемый вывод о том, что большая часть всех потоков стремится в одном направлении – к Светлановской пл., заполняя очередь на проблемном участке за перекрестком. В результате же эксперимента выявлено, что наиболее высокие темпы роста имеет очередь потока A, наименее высокие – поток B. Интенсивность выхода принимает наименьшие значения для потока D, наибольшие – для потока E. Поток A оказывается в наибольшей степени заторможенным пробкой, образованной за перекрестком, поскольку практически весь устремлен в проблемный участок. В то же самое время большая, чем для A, часть потоков D и E устремлена не в направлении Светлановской пл., и интенсивности входа этих потоков меньше, чем для A. Поэтому очереди в данных условиях для потоков D и E образуются медленнее. Величина же очереди на участке перед Светлановской пл. не имеет тенденции к снижению.

Эксперимент «накопления очередей» (рис.5). В нем моделируется процесс накопления «с нуля» очередей каждого потока непосредственно перед перекрестком, а также очереди к Светлановской пл. на участке за перекрестком. Основная цель данного эксперимента – проследить, как накапливается очередь на участке перед Светлановской пл., а также очереди всех потоков. 

Рисунок 5а

Рисунок 5б

Рис. 5. Эксперимент накопления очередей. Зависимость: а) величин очередей; б) интенсивностей выходных потоков от модельного времени

Эксперимент отличается от предыдущего тем, что в настройках очередь перед Светлановской пл. заранее не заполняется. Время эксперимента принято равным 4500 с (1 ч. 15 мин.) модельного времени.

В эксперименте «накопления очередей» установлено, что очередь за перекрестком на участке перед Светлановской пл. накапливается приблизительно за 3000 с (50 мин), затем ее колебания устанавливаются около определенного значения, близкого к переполнению указанного участка. Очередь потока A начинает возрастать к 2500 с (42 мин) эксперимента, когда участок перед Светлановской пл. начинает переполняться. Это происходит вследствие того, что практически весь поток A устремлен прямо в проблемный участок за перекрестком, и проблемы не возникает, пока он не начинает переполняться. В наибольшей степени возрастает очередь потока D, в наименьшей – потока B, что объясняется торможением двух рядов потока D, поворачивающих направо, пешеходами. Аналогичные выводы вытекают из анализа интенсивностей выхода потоков.

Из эксперимента «по фактическим данным» и «накопления очередей» вытекает очевидный вывод о том, что разгрузка Светлановской пл. за счет строительства многоуровневой развязки может решить проблему пробок и на рассматриваемом перекрестке. Однако реализация этой меры согласно «Концепции совершенствования и развития дорожного хозяйства Санкт-Петербурга до 2010 года с прогнозом до 2015 года»  планируется лишь на период до 2015 года. Поэтому необходимо выявить возможные варианты решения проблемы без разгрузки Светлановской пл., для чего было произведено еще несколько экспериментов с моделью.

Эксперимент «строительство надземных пешеходных переходов». Очевидно, что пешеходы являются помехой проезду автомобильного транспорта при поворотах на перекрестках. Следовательно, можно предположить, что если организовать возможность разделения пешеходных и автомобильных потоков (например, в разных уровнях), то это предоставит не только повышение безопасности дорожного движения, но и позволит увеличить пропускную способность перекрестка и уменьшить очереди автомобильных потоков. Именно такие ситуации и моделируются в данных экспериментах. Отметим, что строительство именно надземных пешеходных переходов дешевле, чем подземных. И, кроме того, они могут быть быстрее реализованы в реальном проекте.

Таким образом, проводится несколько последовательных экспериментов, отменяя в каждом из них проход пешеходов по определенному переходу (то есть моделируется наличие надземного перехода, пешеходов нет на проезжей части), и контролируется изменение выходных параметров.

Эксперимент «строительство надземных переходов» выявил, что для изменения ситуации достаточно строительства только одного надземного пешеходного перехода – через пр. Испытателей за рассматриваемым перекрестком в направлении Светлановской площади. Однако в дополнение к этой мере должны быть приняты определенные действия по уравниванию потоков – перенастройка фаз светофора. Наилучшим вариантом является использование интеллектуальной автоматически перенастраиваемой светофорной установки.

Эксперимент «постановка дорожных знаков». Проведена серия экспериментов с постановкой различного типа дорожных знаков и оценивается влияние таких мер на выходные параметры модели.

Типичной ситуацией является стоянка автомобилей в правом ряду пр. Испытателей перед рассматриваемым перекрестком по направлению движения потока A. Наличие постоянно стоящих автомобилей в правом ряду снижает пропускную способность дороги, поскольку невозможным становится использование правого ряда. Таким образом, моделируется постановка знака «Стоянка запрещена» на всём протяжении пр. Испытателей от перекрестка с Серебристым бульваром до перекрестка с Коломяжским проспектом. Отметим, что постановка знака «Остановка запрещена» вблизи станции метро нецелесообразна, поскольку в таких местах всегда должна быть возможность кратковременной остановки частного и пассажирского транспорта для посадки и высадки пассажиров. Проводились также эксперименты с постановкой знаков движения по полосам:  отмена левого поворота потока A и отмена левого поворота потока E.

В результате эксперимента «постановка дорожных знаков» выявлено, что наиболее эффективной мерой является постановка знака «Стоянка запрещена» по направлению движения потока A на всем протяжении пр. Испытателей от предыдущего до рассматриваемого перекрестка. Это поможет существенно снизить очередь потока A на пр. Испытателей. Запрещение левого поворота потоку A – неэффективная и неоправданная мера, лишь усугубляющая проблему очереди за перекрестком. Хорошие результаты по снижению очередей потоков E и A дает запрет левого поворота потоку E. Однако к воплощению этой меры в реальной жизни следует подойти с осторожностью, поскольку она заставляет водителей ехать в объезд, что может усугубить ситуацию на соседних перекрестках.

Эксперимент «оптимизация фаз светофора». Цель эксперимента – найти оптимальные фазы светофоров, минимизирующие величины очередей потоков. Результаты этого эксперимента оказываются во многом неоднозначными, поскольку вариация фаз светофоров по-разному влияет на выходные параметры каждого отдельного потока.

Эксперимент имеет специфическую методику. Очевидно, что два светофора на одном перекрестке являются взаимосвязанными. Это означает, что они работают согласованно, и изменение длительности зеленого света одного из них неизбежно должно вести к изменению длительности красного света на другом. В модели длительности красного света светофоров вычисляются автоматически, в зависимости от длительностей зеленого и желтого света светофоров, задаваемых пользователем. Но поскольку варьировать длительность желтого света светофоров и получать при этом определенные результаты – действие, не имеющее смысла и практического применения, то остаются только два варьируемых параметра – длительности горения зеленого света двух светофоров. В модели эти варьируемые параметры обозначены следующим образом: Tgreen – длительность зеленого света первого светофора (для потоков A и B); Tgreen1 – длительность зеленого света второго светофора (для потоков D и E). Под «фазой» будем понимать именно длительности горения зеленого света Tgreen и Tgreen1.

Суть эксперимента состоит в следующем: последовательными прогонами модели при различных значениях Tgreen и Tgreen1 получаем данные о величинах очередей каждого потока. При этом один параметр (Tgreen1) фиксируется, а второй (Tgreen) изменяется с определенным шагом. Для примера на рис. 6 приведена подобная зависимость для потока А. 

Рис. 6. Зависимость величины очереди потока A от времени горения зеленого света светофора прямого потока (Tgreen)

Рис. 6. Зависимость величины очереди потока A от времени горения зеленого света светофора прямого потока (Tgreen)

Затем на шаг изменяется Tgreen1, и снова получаются данные при изменении Tgreen при фиксированном Tgreen1. Затем из полученных данных выбираются так называемые «наиболее благоприятные» и «оптимальные» сочетания фаз светофоров Tgreen и Tgreen1 для каждого из потоков. Наиболее благоприятными считаются такие сочетания фаз, при которых при фиксированном значении одной из фаз (Tgreen1) подбирается наилучшее с точки зрения длины очереди для конкретного потока значение второй фазы (Tgreen).

Оптимальными сочетаниями фаз считаются такие наиболее благоприятные сочетания, которые обеспечивают минимально возможную очередь данного конкретного потока при данных условиях.

Очевидно, что оптимальные и наиболее благоприятные сочетания будут различными для различных потоков. Поэтому в ходе эксперимента получаем результаты для всех потоков (табл. 1).

Таблица 1 Оптимальные сочетания фаз светофоров

аблица 1 Оптимальные сочетания фаз светофоров

Основной вывод по данному эксперименту – оптимальные сочетания фаз светофоров различны для различных потоков, и поэтому для того, чтобы добиться минимизации величины очереди для определенного потока, необходимо смириться с возможным увеличением величин очередей других потоков. Наиболее эффективным будет постановка интеллектуального автоматически перенастраиваемого светофора. Есть и альтернативный вариант – регулировка фаз светофоров сотрудником ДПС исходя из визуальной оценки ситуации.

Эксперимент «разгрузка Светлановской пл.». В нем моделируется ситуация, когда на Светлановской пл. организована многоуровневая развязка. Очевидно, что эта развязка призвана решить проблему пробок на участках дорог перед Светлановской площадью. В модели эта ситуация реализуется простым включением зеленого света светофора перед Светлановской пл. на бесконечный период времени.

Из эксперимента вытекает ожидаемый вывод об уменьшении величин очередей всех потоков. Однако очереди потоков D и E сохраняют тенденции к росту, что свидетельствует о необходимости решения проблемы с пешеходным переходом, задерживающим эти потоки, либо дополнительной регулировки светофоров.

Проведенное исследование транспортных потоков городской дорожной сети позволяет сделать следующие выводы и обобщения:

– моделирование транспортных потоков следует проводить в два этапа, путем построения макромоделей, которые применяются для анализа транспортных сетей большого объёма и микромоделей, с помощью которых можно достаточно детально исследовать отдельные, наиболее проблемные участки дорожной сети.

– наиболее удобным и естественным способом построения макромоделей транспортных потоков является сетевое, а микромоделей – имитационное моделирование.

– сетевое и имитационное моделирование является инструментом исследования транспортных потоков, который позволяет выявить существующие проблемы и указать возможные пути их решения.

Литературные источники

  1. Бочкарев А.А., Петров А.В., Пилипчук С.Ф. Оптимизация распределения транспортных потоков в городской транспортной сети. // Логистика и управление цепями поставок, № 5, 2010, с. 80-96.
  2. Кельтон В. Имитационное моделирование. Классика CS: [пер. с англ.] / В. Дэвид Кельтон, Аверилл М. Лоу. – 3-е изд. – СПб.: Питер; Киев: Издательская группа BHV, 2004. – 847 с.
  3. Карпов Ю.Г. Имитационное моделирование систем. Введение в моделирование с AnyLogic 5 / Ю.Г. Карпов. – СПб. БХВ-Петербург, 2005. – 400 с.

Опубликовано № 5 (58) октябрь 2013 г.

АВТОР: Пенчева Н.Л.Казаков Н.И.

РУБРИКА Имитационное моделированиеОптимизация и экономико-математическое моделированиеУправление запасами

Аннотация

Предложен подход выбора политики управления запасами при создании цепи поставок с учётом прогнозных параметров потока товаров и повышения конкурентоспособности. Показано практическое решение метода на основе имитационного программного обеспечения AnyLogic 6.9.0.

Ключевые слова политика управления запасами оптимальная партия поставки экономичный размер заказа формула Уилсона Economic order quantity EOQ AnyLogic имитационная модель


 

Скачать статью

Опубликовано № 5 (58) октябрь 2013 г.

АВТОР: Лычкина Н.Н.

РУБРИКА Аналитика в логистике и SCMИмитационное моделированиеОбзоры и аналитика 

Аннотация

Показано, что имитационное моделирование является эффективным инструментом решения задач анализа и синтеза сложных систем, методологической основой которого является системный анализ. Рассмотрены основные сферы применения дискретного имитационного моделирования в менеджменте: имитационное моделирование бизнес-процессов; имитационное моделирование дискретных производственных систем; логистика складских комплексов; комплексное управление логистическими процессами на основе имитационной модели, управление цепочками поставок; цифровое производство. Доказано, что при реализации динамической модели предприятия могут использоваться различные парадигмы имитационного моделирования и их сочетания для описания различных бизнес-процессов и внешней среды предприятия.

Ключевые слова инновация парадигма имитационная модель имитационное моделирование управленческий консалтинг логистика стратегический менеджмент


Сегодня имитационное моделирование является эффективным и  зачастую единственным методом исследования и решения сложных  управленческих проблем. В условиях возрастающей структурной и  функциональной сложности объектов управления для принятия эффективных  управленческих решений знаний и интуиции экспертов  недостаточно, чтобы оценить последствия реализации того или иного  решения. Сложные системы контринтуитивны, состоят из множества  взаимосвязанных элементов, в которых действует большое количество  факторов стохастической природы и неопределенности, причина  и следствие в таких системах разнесены во времени и пространстве,  краткосрочные решения требуют согласования с долгосрочными  прогнозами. Компьютерная модель является инструментом в  руках топ-менеджера, государственного служащего, ответственного  за выработку и принятие управленческих решений, также она позволяет  поверять проектные и другие решения, когда реальный объект  еще не существует, а только разрабатывается или проектируется.  Имитационное моделирование применяется в тех случаях, когда эксперимент  с реальной системой невозможен или слишком дорог, как  в случае с крупномасштабными техническими или социально-экономическими  системами. 

В сфере бизнеса и управления имитационное моделирование используется  в широчайшем диапазоне — от операционного и производственного менеджмента до стратегического, в управленческом и  ИТ-консалтинге. Во всем мире бизнес-планирование любого хозяйственного  объекта осуществляется на основе его имитационной модели.  Решения на основе имитационного моделирования востребованы  в отраслевых проектах, государственном и территориальном  управлении.

Имитационное моделирование — эффективный метод решения  задач анализа и синтеза сложных систем, методологической основой  которого является системный анализ, именно поэтому в ряде источников  наряду с термином «имитационное» специалистами используется  термин «системное моделирование», а саму технологию системного  моделирования призваны осваивать системные аналитики.

Современные высокотехнологичные коммерческие  симуляторы являются  мощным аналитическим средством, вобравшим в себя весь арсенал  новейших информационных технологий, включая развитые графические оболочки для целей конструирования моделей и интерпретации  выходных результатов моделирования, мультимедийные средства  и видео, поддерживающие анимацию в реальном масштабе времени,  объектно-ориентированное программирование, интернет-решения  и др. В силу своей привлекательности и доступности технологии  имитационного моделирования с легкостью покинули академические  стены и сегодня осваиваются ИT-специалистами и менеджментом  компаний.

Имитационное моделирование  [1] предполагает отображение  и воспроизведение непосредственно на компьютерной модели структурных  и динамических, поведенческих особенностей моделируемого  объекта или процесса. При имитационном моделировании аналитик осуществляет создание логико-математической модели сложной  системы на основе концептуального описания, логическая структура  моделируемой системы адекватно отображается в модели, а процессы  ее функционирования, динамика взаимодействия ее элементов воспроизводятся  (имитируются) на модели с требуемой степенью детализации.  Другая важная специфическая особенность имитационного  моделирования как вида моделирования — экспериментальная природа имитации, методом исследования  компьютерной модели здесь является направленный вычислительный  эксперимент, что  определяет специальные условия эксплуатации, испытания имитационных моделей. Эти особенности реализации имитационных моделей и специфические условия  использования вычислительной техники определяют особенности инженерии в этой сфере, основанной   на стыке управленческого и ИТ-консалтинга.

В ИТ-индустрии имитационное моделирование начинает применяться  в информационных бизнес-системах — от систем планирования  в ERP-, SCM-, APS-системах, инструментов анализа и оптимизации  в системах моделирования бизнес-процессов, управления  цепями поставок и многих других, до интерактивных моделей ситуационных  центров, методов сценарного планирования в системах  поддержки принятия решений (DSS, EIS) и системах управления  эффективностью бизнеса (BPM), включая высокие технологии современного  цифрового производства в системах непрерывной поддержки  жизненного цикла изделий (PLM).

Наиболее популярными, закрепившимися  в современных инструментальных решениях парадигмами моделирования, нашедшими широкое применение в управлении являются дискретное (процессно-ориентированный подход), системная динамика, агентное моделирование. Если дискретное имитационное моделирование стало основой инжиниринговой деятельности в анализе и оптимизации бизнес-процессов, производственных и логистических систем, то системная динамика и агентное моделирование только начинает занимать умы современных управленцев, пытающихся повысить эффективность своего бизнеса. Имитационное моделирование  предприятий сегодня является наиболее перспективной и быстро  развивающейся сферой применения имитационного моделирования  для бизнеса и корпораций.

Основные сферы применения дискретного имитационного моделирования в менеджменте: имитационное моделирование бизнес-процессов; имитационное моделирование дискретных производственных систем; логистика складских комплексов; комплексное управление логистическими процессами на основе имитационной модели,  управление цепочками поставок;  цифровое производство [1, 2].

Известно большое количество решений на основе дискретного имитационного моделирования  в области операционного, тактического и стратегического планирования и развития производственных и логистических систем, цепочек поставок. Модули планирования реализуются в контуре ERP, SCM, APS, BPM-систем управления предприятия. Без этого невозможна реализация базовых технологий «точно в срок». Часто метод имитационного моделирования применяют при проектировании и реинжиниринге логистической сети как существующей, так и новой системы, в рамках консалтинга или логистического аудита.

Преимущества применения имитационного моделирования для логистических систем:

  • комплексное понимание процессов и характеристик логистической цепи с помощью графиков и развитой анимации;
  • задачи управления в логистической системе являются достаточно объемными и сложными для формализации, поэтому практическая реализация математической модели  принятия решений в общем виде является проблематичной, так как присутствует значительное число внутренних связей и система обладает большой размерностью;
  • возможность учитывать стохастическую природу и динамику многих факторов внешней и внутренней среды; пользователь получает возможность моделировать случайные события, используя распределения вероятностей, в конкретных областях и выявлять их влияния на логистическую цепь;
  • возможность воспроизводить динамику системы, отражать  динамический характер логистических процессов, обилие временных и причинно-следственных связей (требования потребителей, как правило, имеют вероятностный и динамический характер, текущий уровень запаса на складе является  динамическим параметром и т.п.);
  • применение многошаговой процедуры проектирования позволяет учитывать сложность принятия решений, большое количество решающих правил и  критериев оптимизации;
  • в большинстве случаев в распоряжении лица, принимающего решения, в логистической системе имеется несколько альтернатив (допустимых решений);
  • обеспечение минимизации риска изменения плана путем предварительного анализа и моделирования возможных сценариев  развития событий в цепи поставок.

Суть цепи поставок – перенос во времени и пространстве некоторого объема материала. Имитационная модель позволяет описать и продемонстрировать движущиеся материальные потоки, их сложное  взаимодействие с информационными и финансовыми потоками. Логистическую сеть можно представить в виде ориентированного графа (стохастической сети), ребра которого представляют различные потоки, а вершины —  звенья сети. За элемент потока принимают активность - аналог подвижной материальной сущности, некоторую абстрактную неделимую единицу, обладающую определенным количеством сохраняемых характеристик, таких как объем поставки. Звенья логистической сети могут производить различные действия с активностями. Особенностью логистических систем является то, что многие виды ресурсов являются в них мобильными объектами (средства транспортировки и перемещения грузов). В построенной таким образом имитационной модели описываются процессы передвижения и накопления грузов и товаров в сети, задаются  параметры, которые определяют ее состояние и меняются во времени по заданным операционным правилам. Такой способ представления логистической системы в дискретной имитационной модели позволяет детально описывать конфигурации и топологию логистических систем, с детализацией характеристик и правил обработки и транспортировки материальных потоков в отдельных узлах сети, что исключительно полезно в условиях проектирования оптимальной топологии и конфигурации  системы и уточнения отдельных решений, связанных с выбором стратегий транспортировки, дистрибьюции, политик управления закупками, запасами и многих других в контексте комплексного решения по формированию и стратегической оптимизации цепи поставок.

В инжиниринговой практике широко применяются  решения на основе дискретного имитационного моделирования для обоснования планировочных решений и инвестиционного планирования строящихся логистических комплексов и проектирования инфраструктуры логистических центров,  технологического проектирования складских комплексов. Строительство и оснащение современных складских комплексов необходимым оборудованием и техникой требует значительных инвестиций. Поэтому очень важно еще до начала строительства правильно провести проектирование склада. Проектирование склада - сложный многоступенчатый процесс. Он ведется с учетом множества параметров во взаимодействии с заказчиком и строительными проектными организациями. Имитационная модель полезна при реконструкции или строительстве нового склада на этапе формирования проекта, при проектировании инфраструктуры логистического центра, а также позже  при технологическом проектировании и оснащении построенного складского комплекса. Имитационная модель позволяет подсказать, как оптимизировать затраты инвестора. Проектирование инфраструктуры складского комплекса включает:

-        Построение складского комплекса с максимальной вместимостью и производительностью с размещением на заданном участке земли, на основе анализа топологической схемы участка, где существует множество ограничений, с учетом расположения инженерных и транспортных коммуникаций.

-        Выбор вариантов расположения и размеров маневровых площадок с возможностями парковки автомобилей, КПП, определение количества мест парковки на территории склада для транспорта, реализующего внешние грузопотоки, и рациональное количество мест парковки непосредственно к грузовой рампе.

-        Определение необходимых площадок для зон приемки, сортировки, комплектации и хранения грузов.

-        Определение необходимых ресурсов и размеров функциональных зон и т.п.

Имитационная модель позволяет увидеть (с помощью двух - трехмерной анимации) и проанализировать работу будущего склада до завершения его строительства и,  в случае необходимости, внести коррективы в проект склада. На рис. 1 и 2 приведены анимационные табло некоторых консалтинговых проектов по строительству логистических центров, реализуемых с применением имитационного моделирования.

     

Рис. 1. Анимационные табло имитационных моделей для проектирования инфраструктуры логистического центра (реализовано в системе моделирования AnyLogic) 

 

Рис. 2. Анимационные табло имитационных моделей для проектирования инфраструктуры логистического центра (реализовано в системе моделирования AnyLogic)

От того, насколько хорошо организована технология работы склада, зависит успех его работы. Этим, как правило, занимаются компании и службы логистического аудита, консалтинга, инжиниринга. На оснащение современных складских комплексов идут значительные инвестиции, приобретается и используется оборудование, техника. Склады имеют десятки тысяч мест паллетного хранения, применяются сложные складские технологии, требующие различных человеко-машинных ресурсов. Цель проектирования склада - разработка оптимальной технологической схемы работы склада на основе планируемых грузопотоков. Применение имитационного моделирования позволяет убедиться в оптимальности выбранной для склада технологии и заявленных ресурсов до закупки оборудования. Более того, «проиграв» на модели несколько различных вариантов технологии, можно выбрать наилучший из них и, тем самым, уменьшить бюджет проекта и сократить эксплуатационные затраты.

Значительное число компаний успешно ввели имитационные модели в управление и оптимизацию логистических сетей. Наиболее часто на практике с помощью имитационной модели решаются следующие задачи управления цепями поставок:

  • понимание принципов функционирования существующей цепочки поставок;
  • определение областей (узких мест), ограничивающих пропускные возможности цепи поставок;
  • определение запаса прочности цепи на случаи резкого увеличения спроса или возникновения сбоев в работе поставщиков;
  • оценка предполагаемых конфигураций цепи поставок (проектирование цепи поставок);
  • анализ сценариев «что  если?»;
  • анализ рисков;
  • выбор наилучших политик  и параметров управления цепями поставок;
  • планирование бюджета и временных характеристик.

Комплексное стратегическое моделированиевзаимосвязей между производственной, транспортной и дистрибуционной цепочкой позволяет составлять компаниям оптимальные, устойчивые к колебаниям рынка, стратегические модели транспортных цепочек, определять стратегию развития цепочек, поддерживающую планы компании по расширению бизнеса.

Системная динамика как новая методология компьютерного моделирования и метод решения управленческих задач.  Фундаментальные  работы Дж. Форрестера и его научная и общественная деятельность  не только способствовали появлению системной динамики как новой  методологии компьютерного моделирования и метода решения  управленческих задач [3], но и дали развитие целому ряду направлений,  таких как: прикладные исследования в широком спектре задач управления  — от корпоративного управления до глобального моделирования  и моделирования национальных экономик; новый класс высокотехнологичных  симуляторов, с помощью которых удалось использовать  потоковые диаграммы как язык описания сложных  динамических систем с нелинейными обратными связями; интерактивные  имитационные игры; интересные и популярные образовательные  проекты в сфере бизнеса, создание широкой сети консалтинговых  организаций, а также отделений общества системной динамики  по всему миру, применяющих и популяризирующих идеи  Дж. Форрестера и его последователей. Сегодня системная динамика,  которую осваивают во всех престижных бизнес-школах мира и магистерских  программах, демонстрирует новый вид системного мышления  у менеджеров и управленцев.

В 1961 году вышла первая книга Джея Форрестера, посвященная системной динамике, «Индустриальная динамика» (Industrial Dynamics), в русском переводе известная как «Основы кибернетики предприятия» [5]. Книга посвящена применению метода системно-динамического моделирования для комплексного описания и исследования предприятия как  целостной системы, осуществляющей многообразные взаимосвязанные функции, находящейся в определенных взаимосвязях с внешней экономической средой. Моделирование предприятия как экономической динамической системы позволяло рассматривать меняющееся во времени поведение промышленных предприятий с целью выработки усовершенствованных форм их организации и механизмов управления. В этом динамическом моделировании интегрируются в единой структурной схеме все функциональные сферы управления предприятием как своеобразной системы с обратными связями. В своей модели предприятия Форрестер использует шесть взаимосвязанных потоков, которые отражают деятельность промышленного предприятия: пять из них – потоки материалов, заказов, денежных средств, оборудования и рабочей силы, шестой – информационный, является соединительной тканью, связующей пять других (рис.3).

 Рис.3. Структура предприятия по Дж. Форрестеру.

Свое первое исследование Дж. Форрестер провел на примере простейшей производственно-сбытовой системы, состоящей всего из двух потоков: материального и потока заказов, взаимодействие которых определялось на основе правил определения размеров заказов, регулирующих закупки и товарные запасы  на предприятии, в модели также были учтены организационные отношения, задержки, возникающие в системе. Это были  первые модели цепей поставок, позже увековеченные в «Пивной игре», разработанной Стерманом.  Системные потоковые  диаграммы динамической модели цепи поставок приведены на рисунке 4. Модель позволяла исследовать возможные колебания или неустойчивости поведения системы, вызванные  случайным изменение спроса, что  вызывало периодические колебания уровней запасов,  возникающие из-за организационных отношений и правил управления производственным предприятием, оптовой и розничной торговлей, влиянием запаздываний в потоках заказов и материалов . Позже логисты такие эффекты в  цепях поставок назовут «эффектом хлыста».

Рис.4. Системная потоковая диаграмма «Логистика»

Применение системной динамики в исследовании цепей поставок и инжиниринговой деятельности по трансформации цепей поставок позволяет:

-  изучать колебания в цепи поставок, эффект хлыста,

-  проводить анализ временных параметров и общих издержек функционирования цепи поставок,

-  продемонстрировать сложное взаимодействие материальных, финансовых потоков и управленческих решений (информационная сеть),

-  осуществлять разработку стратегии, интегрированное управление всеми бизнес-процессами и ресурсами предприятия, -  исследуется системообразующая функция логистики;

- исследовать влияние факторов различной природы (динамика спроса, конкурентное окружение и конъюнктура рынка и др. экзогенных факторов) на устойчивость цепи поставок;

- показать как снижение эффективности функционирования логистической системы и уровня сервиса приводит к потере потребителей и соответствующей доли рынка (маркетинговая концепция логистики);

- Осуществлять разработку и анализ системы сбалансированных показателей в логистике.

Джей Форрестер заложил базовые основы и обозначил расширение области применения системной динамики в корпоративном управлении в таких областях, как исследование динамики рынка (цена, покупатели, спрос, реклама, конкуренция и т.п.), модель расширяющегося производства, управление исследованиями и техническими усовершенствованиями, долгосрочное планирование деятельности предприятия и промышленных отраслей и многие другие, которые обозначили широкий спектр приложений и исследований на основе системной динамики в корпоративном управлении, продолженные его последователями и учениками, наиболее известные из них - Джон Стерман, руководитель группы системной динамики, профессор Слоановской школы бизнеса Массачусетского Технологического института, Ким Уоррен, получивший престижную премию Дж. Форестера за вклад в развитие и популяризацию системной динамики, Дж. Моректрофт, Лондонская Школа Бизнеса.   Существуют научные, бизнес школы, наиболее известные Слоановская школа бизнеса Массачусетского Технологического института (руководитель группы системной динамики, профессор Джон Стерман), Лондонская Школа Бизнеса (Дж. Моректрофт [8], Англия), Манхеймский Универсистет (П. Миллинг, Германия) и др. университеты Австралии, Канады, Германии, Италии, Японии, Норвегии, Испании, Швейцарии, Нидерландов, Англии, США в которых методология системной динамики развивается применительно к управленческому консалтингу. Крупнейшие консалтинговые компании применяют методы системной динамики в сфере инвестиционного и управленческого консалтинга.  Консалтинговые организации разрабатывают системно-динамические модели организации, строят с помощью моделей стратегические прогнозы, выдают рекомендации на основе экспериментов с моделями по совершенствованию деятельности компании, культивируют «системное мышление» менеджеров, формируют их ментальные модели, проводят различные  тренинги, деловые игры в компаниях, чтобы научить менеджеров пользоваться моделями.

В настоящее время применение системной динамики в сфере управленческого консалтинга и стратегического менеджемента очень широко:  от моделирование поведение организации во время роста на рынке или преодоление «барьеров роста» (growth management), - до стратегического  менеджмента  и принятия оптимальных управленческих решений, от логистики и управления цепями поставок, управления проектами - до трансформации компании в «обучающую организацию» и управление знаниями [3].

Механизмы корпоративного роста в работах Стермана.Джон Стерман, руководитель системно-динамической группы, профессор Слоановской школы бизнеса при Массачусетском технологическом институте (MIT) в своей книге «Business Dynamics: System thinking and modeling for the complex world» [6] описывает механизм корпоративного роста компании. По мнению Стермана бурный рост многих новых компаний связан с умелой эксплуатацией самоусиливающихся обратных связей. Используемые в анализе  причинно-следственные диаграммы представляют упрощенную картину позитивных кругов обратной связи. Совокупность петель обратной связи называют циклом роста компании и исследуются эффекты от действий циклов позитивной обратной связи. Управлять ростом организации возможно на базе эффектов позитивной обратной связи. Стерман в процессе исследования причин корпоративного роста выделил и описал с помощью инструментария причинно-следственных диаграмм петли  обратной связи, влияющие на процессы роста компании. Системная динамика призвана помочь менеджерам компании наиболее эффективно использовать позитивные обратные связи, акселераторы роста компании  с целью получения преимущества на рынке по сравнению с другими игроками.

Формируемые таким образом причинно-следственные диаграммы являются инструментарием для построения ментальных моделей менеджеров, позволяют организациям формировать механизмы учета качественной информации, которые в дальнейшем могут составлять информационную основу для создания  системно-динамических моделей, позволяющих изучать деятельность организаций и формировать ее стратегию на долгосрочный период. Общая структура модели организации, формирующей свою конкурентноспособную стратегию, в работах Дж. Стермана [6] представлена в следующем виде (рисунок 5), и учитывает такие важные составляющие стратегии организации как маркетинговая, инвестиционная, инновационная деятельность.

Рисунок 5. Структура организации и ее динамической модели в работах Дж. Стермана.

Стратегическая архитектура по Уоррену. Ким Уоррен (Kim Warren), профессор Лондонской  школы бизнеса, сумел эффективно объединить постулаты ресурсного подхода в стратегическом управлении вместе с ключевыми положениями системной динамики, основав новое направление – теорию динамической стратегии - dynamic strategy resource view (DSRV). Свои взгляды он изложил в книгах Competitive Strategy Dynamics и Strategic Management Dynamics [7,8].

Согласно Киму Уоррену, организация представляет собой систему динамически взаимодействующих (взаимосвязанных) между собой ресурсов, функционирование которых основывается на взаимоусилении и ослаблении ключевых ресурсов. Ресурсы организации – все доступные организации ресурсы, ее способности, организационные процессы, информация, знание и т.п., которые контролируются организацией и позволяют ей на их базе разрабатывать и реализовывать стратегии, повышающие ее эффективность и результативность, т.е. фактически – это сильные стороны организации, на основе которых строится ее стратегическое преимущество. Заметим, что имеются в виду не только материальные активы, но и нематериальные, например, такие как знания, компетенция и профессионализм персонала, репутация компании на рынке, качество продукции, ноу-хау и технологии и многое другое может являться ценным ресурсом для компании.

В основе построения потоковой диаграммы системно-динамической модели лежит представление ресурсов в виде «потоков и накопителей», изменяющихся во времени. Взаимодействие ресурсов на практике и представляет деятельность организации в любой момент времени. Понимание важности взаимозависимости разнообразных ресурсов в организации вносит важный вклад в представление организации как интегрированной системы.

Уоррен предлагает метод изображения  ключевых ресурсов и взаимосвязей между ними – «стратегическую архитектуру». Стратегическая архитектура по Уоррену представляет собой набор стратегически важных ресурсов для получения конкурентного преимущества и успешной деятельности организации, это «ментальная модель» того, как менеджеры организации воспринимают собственную организацию и ее ресурсы. Стратегическая архитектура состоит из накопителей ресурсов (стоков), потоков, их изменяющих, и переменных сети причинно-следственных связей. Сеть причинно-следственных связей является основой стратегической архитектуры, представляет комбинацию самовоспроизводящих кругов обратной связи, объединяет между собой структуру ресурсов организации и управляет процессами аккумулирования ресурсов. Совокупность этих структур для основных материальных (и нематериальных ) ресурсов фирмы создает объединенную, всестороннюю карту предприятия. Фирме (предприятию) свойственна динамическая система ресурсов, чье функционирование (работа) зависит от взаимного укрепления и баланса между составляющими ресурсами и акциями, запасами, активами  в окружающей его среде. Формирование и анализ стратегической архитектуры позволяет проследить влияние управленческих решений на развитие организации, найти специфические точки приложения управленческого решения, которые позволяют влиять на эффективное функционирование организации.  

В своих работах [8] Уоррен рассматривает также совмещение и отображение базовых проекций (финансы, бизнес-процессы, клиенты, обучение и рост) и системы сбалансированных показателей с подсистемами и   индикаторами системно-динамической модели предприятия.

Теория динамической стратегии, предложенная Уорреном, основанная на ресурсном подходе стратегического менеджемента, позволяет формировать системно-динамическую модель организации на основе ее «стратегической архитектуры», отражающей структуру организации через сложные динамические взаимодействия ее материальных и нематериальных ресурсов, активно взаимодействующей  с внешней средой. Динамическая модель предприятия включает несколько проекций и ряд финансовых и нефинансовых показателей и  может быть использована в качестве этапа построения комплексной модели BSC и формирования стратегии в процессе имитации различных стратегий и сценариев развития компании во времени. Базовая структура динамической модели, в качестве аналитической основы которой взята  BSC,  строится из предположения, что система содержит элементы, соответствующие основные перспективам: финансы, клиенты, обучение и рост персонала, и внутренние процессы и другие, в зависимости от задач исследования.

При построении модели и формировании стратегической архитектуры предприятия необходимо:

- рассматривать систему в динамике, анализировать дорожку времени;

- понимать и выделять наиболее важные стратегические ресурсы, определять и идентифицировать наиболее важные, существенные ресурсы, а также рассматривать накопление и истощение их с течением времени,

- определять скорость изменения процессов по дорожке времени для всех ключевых элементов бизнеса в процессе его функционирования,

- понимать, как рост ресурса зависит от текущего состояния (уровня) ресурса, создавая возможности для дальнейшего усиления или снижение его роста,

- учитывать, как ресурсы могут ограничивать, сдерживать  развитие друг друга через балансирование обратных связей,  которые могут ограничивать рост.

Разработка методик управленческого консалтинга на основе предложенного Ким Уорреном подхода включает ряд последовательных шагов:

- Идентифицируйте дорожку времени выполнения работы

 

- Идентифицируйте те немногие, наиболее существенные ресурсы внутри бизнеса

- Получите признаки входящих и исходящих потоков, ведущих к определению стратегических планов развития

- Необходимо исследовать, как потоки ресурсов зависят от текущего состояния (уровня) ресурсов,  управляющих параметров и других факторов

- Разработка стратегической архитектуры. Собрать ресурсные зависимости из шага 4 в стратегическую архитектуру бизнеса.

- Получить количественные показатели эффективности бизнеса на модели.

- Подготовить и проиграть альтернативные стратегии.

Преимущества использования системной динамики в стратегическом менеджменте.Стратегическое управление направлено на достижение долгосрочных целей организации путем адаптации к изменениям внешней среды. Задачи стратегического анализа сложны и требуют учета большого число факторов, интересов, угроз и последствий. На стратегическом уровне управления присутствует высокая степень неопределенности в оценке внешней среды, слабая формализация методов управления и широкое использование экспертных оценок и знаний, многокритериальность при оценке принимаемых решений. Стратегический план редко включает цифровые показатели, осуществленный выбор формируется преимущественно в качественных показателях и не дает очень точных прогнозов, по крайней мере, в долгосрочном периоде, более важными является определение тенденций, вероятного изменения основных параметров хозяйственной системы, отражающих долгосрочные результаты деятельности при принятии стратегических решений.  Сложность выбора стратегической альтернативы в динамически развивающейся ситуации, в условиях внешней и внутренней неопределенности,  заключается в необходимости удовлетворения большого числа противоречивых требований по различным направлениям деятельности компании: финансово-производственная, рынок и отношения с клиентами, кадровые ресурсы компании, внутренние бизнес-процессы, отношения с государственными органами и др., а также в большой доле субъективности при оценке ситуации и неточном понимании своих целей со стороны ЛПР и руководителей. Этим обусловлено использование в качестве основного инструмента моделей и методов системной динамики. Использование моделей системной динамики для стратегического управления имеет следующие преимущества:

  • возможность использования многоцелевых критериев оценки эффективности деятельности предприятия при построении и исследовании моделей;
  • проведение исследований на основе неполной информации с применением знаний экспертов;
  • имитационная модель является наиболее подходящей для исследования динамической ситуации, когда параметры системы и внешней среды меняются во времени;
  • исследование поведения системы посредством выявления причинно-следственных отношений и взаимодействий контуров обратной связи, проявляющегося  в особенностях  ее структурной организации;
  • хорошая интерпретируемость системных потоковых диаграмм, что дает возможность проведения совместных экспертных ревизий при обсуждении  проблем, формировании ментальной модели и выработки согласованных решений;
  • имитационная модель выступает как удобный  инструмент сценарного планирования и экспериментального проигрывания большого множества сценариев типа «что-если»;
  • технология проведения сценарного исследования на имитационной модели предполагает активное участие  эксперта в процессе формирования ментальной модели и принятии решения, - он детализирует проблему и модель, осуществляет генерацию альтернатив и сценариев, проводит сценарные исследования на имитационной модели, выбор и ранжирование критериев, а также анализ и интерпретацию результатов сценарных расчетов, что позволяет учитывать субъективные предпочтения эксперта и его опыт в процессе принятия решения. Компьютер только упрощает, помогает эксперту в выработке решения, а не заменяет его опыт и знания.

Парадигма и применение  агентных моделей в управлении

Относительно новой парадигмой компьютерного моделирования  является мультиагентное имитационное моделирование, позволяющее  изучать системные закономерности в результате воспроизведения  индивидуального поведения и взаимодействия активных объектов, называемых агентами. Это направление осваивается и развивается  в крупнейших научных центрах и университетах по всему миру.  Практическое агентное моделирование позволяет получать решения  при анализе потребительских и финансовых рынков, потребительских  предпочтений и исследовании моделей конкуренции. В социальных  науках это направление способствовало появлению нового  направления в области социальных исследований — поведенческой экономики [4].

Агентное моделирование и имитация (ABMS – agent-based modeling and simulation) – это новое инновационное направление в моделирование сложных систем, состоящих из автономных и независимых агентов.   Речь идет об активных, автономных, коммуникабельных, а главное, мотивированных объектах, «живущих» и «действующих» в сложных, динамических и, чаще всего, виртуальных  средах. Уже сегодня агентно-ориентированный подход находит широкое применение в таких областях управления, как управление цепями поставок, потребительские рынки и маркетинг, анализ конкурентной среды и другие.

Агентная модель представляет реальный мир в виде отдельно специфицируемых активных подсистем, называемых агентами. Агентная модель состоит из множества индивидуальных агентов и их окружения. Каждый из агентов взаимодействует с другими агентами, и внешней средой, и в процессе функционирования может изменять как свое поведение, так и внешнюю среду. Агенты функционируют независимо, по своим законам, асинхронно, обычно в таких системах не существует централизованного управления.

Поведение системы описывается на индивидуальном уровне, глобальное поведение рассматривается как результат совокупной деятельности агентов, существующих в общей среде, каждый из которых действует по своим правилам. Поведение сложной системы формируется как результат взаимодействия агентов,  в которой они осуществляют свое поведение, что позволяет наблюдать и изучать закономерности и свойства присущие системе в целом.  Системологическая имитационная модель формируется «снизу вверх», при построении модели задается индивидуальная логика поведения участников процесса, а  тенденции, закономерности и  характеристики поведения всей системы формируются как интегральные характеристики поведения совокупности агентов, составляющих систему. Основная цель агентных моделей — получить представление об этих  глобальных правилах, общих закономерностях и тенденциях в поведении, динамических свойствах системы, исходя из предположений об индивидуальном, частном поведении ее отдельных активных объектов и взаимодействии этих объектов в системе. Агентное моделирование полезно, если требуется исследовать и изучать закономерности, которые проявляются не в поведении отдельных агентов, а приводят к структурным образованиям,  изменениям в  организации самой системы; а также,  если необходимо исследовать влияние индивидуального поведения агентов, процессов их адаптации и обучения на поведение, эволюцию и развитие системы. В литературе отмечаются такие свойства агентов как: его активность, по-сравнению с пассивными объектами; фундаментальные особенности агента заключающиеся в его способности принимать свои решения вне зависимости от других агентов; поведение таких агентов может варьироваться от примитивных реакций на изменение внешней среды, до сложных адаптивных правил, в которых присутствуют механизмы адаптации, корректирующие его поведение в ответ на изменения окружающей среды. Агенты есть принимающие решения лица в системе. Они могут включать в себя как традиционных лиц, принимающих решения, таких как менеджеры, так и нетрадиционных – например, сложные компьютеризированные системы со своими собственными правилами.

Агентный подход применяется в тех областях исследований, где отсутствует теоретическое знание о системе и формальные модели, а также в тех случаях, когда традиционные постулаты об однородности и рациональном поведении агентов, приводящие к агрегированию моделей, не позволяют получить адекватные представления о поведении изучаемой системы. Многоагентные (или просто агентные) модели используются для  исследования децентрализованных систем, динамика функционирования  которых определяется не глобальными правилами и законами, а наоборот, эти глобальные правила и законы являются результатом индивидуальной активности  членов группы.

Рисунок 6. Основные характеристики агента

Состояние и поведение агентов меняется со временем. Агенты имеют  динамические связи с другими агентами, и эти связи могут формироваться и исчезать в процессе функционирования. Многие исследователи отмечают свойство динамичности среды как важный признак агентных систем. Среда, в которой действуют агенты, не является неким набором экзогенных параметров, не меняющихся во времени. Напротив, сами агенты своим коллективным поведением формируют её. Например, формирование цены на активы на фондовых рынках происходит под влиянием спроса агентов на них.

В общем и целом можно сказать, что агенты многообразны, неоднородны и динамичны в их поведении и свойствах. Агенты различаются по их атрибутам (свойствам) и накопленным ресурсам (рис. 6). Правила поведения варьируются по своей изощрённости, соответственно тому, сколько информации необходимо для принятия решения, представлениям агента об его окружении, включая других агентов, а также по размеру памяти агентов о событиях в прошлом, влияющих на принятие текущих решений.  Агенты могут быть рациональными (обладают поведением, удовлетворяющим экстремальным принципам) и ограниченно рациональными.

В многоагентной системе могут реализовываться различные виды взаимодействий агентов:  базовое взаимодействие,  координация,  ведение переговоров,  рыночные механизмы и др..

Агент-ориентированное моделирование привносит несколько уникальных аспектов в создание имитационной модели, учитывая тот факт, что ABMS рассматривает в основном и в первую очередь системы с ракурса индивидуальных агентов, а не процессов протекающих в ней. Тем самым, в добавление к стандартным задачам любого моделирования, добавляются идентификация агентов и их поведения, идентификация взаимоотношений агентов, а также сбор первоначальных данных об агентах.  Идентификация агентов, точное определение правил их поведения и соответствующее представление взаимодействия агентов – ключевые задачи разработки агент-ориентированной модели.

Исследовать поведение агентов можно различными методами. Первичные данные по агентам и внешней среде собираются на микро-уровне, где они, как правило, представлены в достаточном количестве в реальных информационных системах и их базах данных. Например, существуют маркетинговые исследования, связанные с описанием поведения покупателей, основывающиеся как на теоретических, так и на чисто эмпирических знаниях и наблюдениях. Для исследования психических и когнитивных аспектов социального поведения, и их влияния на процесс принятия решений индивидумами проводят широкие междисциплинарные экспериментальные наблюдения на основе методов когнитивной психологии. 

Вычислительные возможности современных компьютеров и достижения  в информационных технологиях, позволяют представить  систему практически любой сложности из большого количества взаимодействующих объектов, не прибегая  к агрегированию, делают возможным реализацию агентных моделей, содержащих  десятки и сотни тысяч активных агентов, что позволяет применять ABMS в сферах, где необходимо моделирование большого числа агентов.

Последнее время стали появляться специализированные среды для многоагентного моделирования. Благодаря солидным публичным исследованиям и разработкам многие ABMS программные среды сейчас находятся в свободном доступе. Такие среды как Repast, Swarm, NetLogo, Mason, NEW-TIES, SOARS, ArtiSoc, EcoLab и Cormas среди прочих. Для визуального описания поведения агентов используются  диаграммы  состояний (стейтчарты), являющиеся стандартным инструментом UML.  К коммерческим профессиональным симуляторам, поддерживающим агентное моделирование можно отнести AnyLogic. В литературе и Интернет (www.xjtek.ru) можно найти описание функциональных и инструментальных возможностей специализированного программного решения AnyLogic, поддерживающего агентное и другие виды имитационного моделирования. 

Имеется положительный опыт применения агентного моделирования в логистике и управлении цепями поставок. Агентом в таких моделях выступает элемент цепи поставок (компания), он действует независимо, на основе имеющейся у него локальной информации, реагируя на изменения рынка. Присутствует информационное взаимодействие между участниками цепи поставок (однако никто не имеет представления о цепочке поставок в целом).

Основные причины применения агентного моделирования в управлении цепями поставок обусловлены:

- Сложной системой  коммуникации между различными звеньями цепи,

- Большой степенью  автономности каждого из звеньев цепи поставок,

- Агент-ориентированные модели подходят для анализа взаимосвязанных проблем, при большом количестве агентов с распределенными (автономными) знаниями при определенной структуре коммуникаций между ними,

- Ориентацией на стратегию Just-In-Time.

Общая структура взаимодействия основных элементов цепи поставок в агентной модели приведена на рисунке 7.

Рис. 7. Структура взаимодействия агентов цепи поставок

Основные преимущества применения агентного моделирования в управлении цепями поставок:

- поддерживается основная функция логистики – координация и связь между различными участниками цепи поставок,

- многоагентная модель позволяет отрабатывать общие бизнес-правила и реализовывать систему управления общими бизнес-процессами, обеспечивая эффективный обмен информацией,

- в единое целое увязываются внутренние бизнес-процессы и бизнес-процессы партнеров,

- агентные имитационные модели подобно деловым играм позволяют бизнесу вести разработку стратегии, основанной на доверии.

При реализации динамической модели предприятия могут использоваться различные парадигмы имитационного моделирования и их сочетания для описания различных бизнес-процессов и внешней среды предприятия. Конкуренты и клиенты – типичные агенты компьютерной модели, для анализа бизнес-процессов можно применять дискретное моделирование, управление финансовыми потоками и другими ресурсами предприятия позволит описать системная динамика. Современный менеджер должен уметь ставить задачу управления и формировать ментальную модель, выбирать парадигму имитационного моделирования для ее решения, применять современные программные среды моделирования для проведения сценарных исследований на разработанной имитационной модели.

Литература

  1. Лычкина Н. Н. Имитационное моделирование экономических процессов: Учеб. пособие. — М.: ИНФРА-М, 2011. — 254 с. — (Высшее образование).
  2. Конструктор регулярного менеджмента.  Мультимедийное учебное пособие. Под редакцией В.В. Кондратьева. М.: ИНФРА-М, 2011
  3.    Лычкина Н. Н. Ретроспектива и перспектива системной динамики. Анализ динамики развития. / - М.: Научно-практический журнал «Бизнес-информатика» №3(9) 2009 г.. с.55-67.
  4. Бахтизин А.Р. Агент-ориентированные модели экономики. – М.: Экономика, 2008. -279 с.
  5. Forrester, Jay Industrial Dynamics, 1958  Форрестер Дж. Основы кибернетики предприятия (индустриальная динамика) / пер. с англ., общая редакция Д.М. Гвишиани – М: Прогресс, 1971.- 340 с.
  6. Sterman, John Business Dynamics – Systems Thinking and Modeling for a Complex World, McGraw-Hill Higher Education,2000
  7. Kim Warren Competitive Strategy Dynamics, London Business School, John Wiley&Sons Ltd.2002
  8.  Kim Warren Strategic Management Dynamics, London Business School, John Wiley&Sons Ltd.2008
  9. John Morecroft  Strategic Modelling and Business Dynamics  A Feedback Systems Approach, John Wiley&Sons Ltd.2007
Страница 1 из 2

Контакты

Работа с авторами 

Левина Тамара

моб. 8(962) 965-48-54

E-mail: levina-tamara@mail.ru

Распространение

Алямовская Наталия

моб. 8(916) 150-07-21

E-mail: nalyamovskaya@mail.ru

Адрес 

125319, Москва, ул. Черняховского, д.16

тел./факс (495) 771 32 58

ISSN 2587-6775

Издается с 2004 г.

Включен в перечень ВАК с 2008 г.

ИНДЕКСИРОВАНИЕ ЖУРНАЛА