Опубликовано №5 (100) октябрь 2020 г.

АВТОРЫ:  АНДРОНОВ С.А., ЯРЦЕВА А.А.

РУБРИКИ: Имитационное моделирование Надежность и устойчивость цепей поставок Неопределенность и риски в цепях поставок Управление цепями поставок

 

Аннотация 

Предприятия цепей поставок функционируют в условиях воздействия множества неопределенных факторов, таких как, например, колебания спроса, нестабильность поставок, действия конкурентов, погодных условий и пр. Отмеченное диктует, во-первых, необходимость в координации деятельности, во-вторых, в адаптации к изменению внешних воздействий. Эти вопросы в реальных цепях поставок входят в обязанности менеджеров или фирмы провайдера. При моделировании процессов в цепях поставок функции координации и адаптации принимают на себя соответствующие блоки модели цепи. Настоящее исследование посвящено актуальной проблеме повышения эффективности функционирования цепи с учетом отмеченных факторов, а именно, исследованию моделей управления адаптивными цепями поставок. По причине стохастичности окружения цепей поставок моделирование, как правило, использует имитационный подход. Как показали исследования, модели, не включающие в состав блоков самоорганизации не способны обеспечивать необходимого качества управления в условиях неопределенности. Поэтому для адаптации на оперативном уровне предлагается рассмотреть агентную модель в комбинации с наиболее подходящими методами теории автоматического управления. Присутствие человеческого фактора при управлении цепями поставок предполагает наличие свойственной людям инерционности, что определило применяемые принципы: «быстрое реагирование» – инерционность и прогнозный характер при сглаживании колебаний спроса для контроля уровня производства, нечеткий логический вывод в качестве «мягкого» регулирования, свойственного человеку, а также управления по ошибке на основе ПИД-регулятора. Реализованная в программе Anylogic модель показала эффективность применения рассмотренных методов управления в условиях неопределенности и стохастичности параметров внешней среды. Так, например, применение принципа быстрого реагирования обеспечивает устойчивость цепи при заданных уровнях изучаемых воздействий. В частности, в рамках комбинированного управления модель показала наилучший результат – не больше 10% невыполненных заказов. Добавление в модель модуля непрерывного контроля запасов позволило снизить процент отказов в среднем на 50%. Наибольший эффект достигается в результате применения интегрированного управления, учитывающего одновременное изменение параметров звеньев цепи. Рассмотренные алгоритмы управления могут быть проверены на эмпирических данных конкретной цепи, применены при разработке цифровых двойников цепей, использованы провайдером как средство автоматизации управления реальной цепью поставок.

Электронная версия

Ключевые слова: цепь поставок неопределенность имитационное моделирование AnyLogic теория управления нечеткая логика

 

Опубликовано №3 (98) июнь 2020 г.

АВТОРЫ:  КОЛОСОВ А.М.

РУБРИКИ:  Имитационное моделирование Информационные технологии в логистике и SCM Снабжение

 

Аннотация 

 Экономическая целесообразность использования технологии блокчейн при проведении закупочных процедур до сих пор вызывает ряд вопросов у руководителей и сотрудников компаний, планирующих использовать данную технологию для решения задач подразделений, занимающихся закупочной деятельностью. Ряд российских и иностранных работ, посвященных применению технологии блокчейн в данном направлении, никак не затрагивают вопрос экономического обоснования использования данной технологии, хотя и указывают на перспективность её использования. В данной работе проводится обзор существующих информационных решений на базе технологии блокчейн в области логистики и управления цепями поставок и расчет экономической эффективности использования технологии блокчейн при проведении закупочных процедур с помощью имитационного моделирования процесса закупок в программной среде AnyLogic.

Электронная версия

Ключевые слова: блокчейн смартконтракты закупки информационные технологии имитационное моделирование AnyLogic...

Опубликовано в Снабжение

Опубликовано №3 (92) июнь 2019 г.

АВТОРЫ:  

ГОБЕДЖИШВИЛИ К.А.

ЗАХОДЯКИН Г.В. - старший преподаватель, Кафедра Информационных систем и технологий в логистике, факультет бизнеса и менеджмента. Национальный исследовательский университет Высшая школа экономики (Москва, Россия)

РУБРИКИ:  Имитационное моделирование Управление запасами

Аннотация 

Добывающие отрасли российской промышленности активно развиваются, формируя привлекательный рынок для поставщиков горнодобывающего оборудования. Однако сегодня клиенты на этом рынке предъявляют жесткие требования как к условиям первичной поставки оборудования, так и к качеству послепродажного обслуживания и снабжения запасными частями. Это требует от поставщиков оборудования детального анализа цепей поставок, разработки экономически обоснованной политики обслуживания клиентов и настройки своей цепи поставок для реализации этой политики. Для обеспечения качества послепродажного обслуживания поставщики оборудования вынуждены создавать запасы деталей и комплектующих на своих складах и разрабатывать политики управления этими запасами. В данной статье предложен основанный на агентном имитационном моделировании подход, позволяющий прогнозировать ключевые показатели эффективности управления запасами, находить значения параметров политики управления запасами и исследовать компромисс «сервис – затраты». Приводится описание концептуальной модели поставок запчастей и реализации этой модели с использованием пакета Anylogic 8.4. Рассмотрен пример использования этой модели для определения экономически обоснованных параметров политики управления запасами запчастей для поставщика насосного оборудования для горнодобывающей и горно-обогатительной промышленности, действующего на российском рынке. С использованием модели определены необходимые для достижения заданного уровня сервиса параметры политики управления запасами. Исследована зависимость совокупных логистических затрат компании от целевого уровня сервиса.

Скачать статью (бесплатно)

Купить номер

Ключевые слова: 

Опубликовано №2 (91) апрель 2019 г.

АВТОРЫ:  

МАЙОРОВ Н.Н. - Доцент, к.т.н., Департамент логистики и управления цепями поставок, Национальный исследовательский университет «Высшая школа экономики» (Санкт-Петербург, Россия)

 

БОРОДУЛИНА С.А.

КОРОЛЕВА Е.А. - д.т.н., профессор, Заведующий кафедрой транспортной логистики, Государственный университет морского и речного флота имени адмирала С.О. Макарова (Санкт-Петербург, Россия)

РУБРИКИ:  Надежность и устойчивость цепей поставок Имитационное моделирование

Аннотация 

Успех любого логистического предприятия в условиях развития цифровой экономики напрямую зависит от системы принятия решений с учетом динамического характера окружающей среды и оптимального построения внутренней структуры. В стремлении обеспечить устойчивое экономическое положение в условиях конкуренции на рынке уделяют больше внимания как мониторингу процессов и анализу системы управления, так и задачам прогнозирования. При этом классические модели на основе имитационного моделирования процессов и систем  (для исследования моделей управления) предлагается дополнять анализом на основе структурных схем и динамических звеньев. Использование динамических звеньев значительно расширяет функционал методов моделирования и позволяет не только исследовать движение запасов, но и моделировать управляющие воздействия на систему для достижения заданных параметров.  Моделирование процессов на основе динамических звеньев позволяет исследовать вопросы устойчивости логистических систем, оценить влияние возмущений на систему и элементы.

Представленная в статье модель управления для логистической системы реализована по принципу управления по обратной связи, что дополнительно способствует формированию более точной системы принятия решений. Данная модель имеет возможность масштабирования для различных уровней планирования и учитывает динамический характер процессов в логистической системе с учетом влияние внешней среды. Помимо этого, в статье дополнительно приводятся границы применения имитационного моделирования в среде AnyLogic для исследования систем управления, что обосновывает практическую важность использования структурных схем и динамических звеньев для логистических систем.

Скачать статью (бесплатно)

Купить номер

Ключевые слова: 

 

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 (52) октябрь 2012г.

АВТОРЫ:  Пилипчук С.Ф., Радаев А.Е.

РУБРИКА  Логистика складирования Логистическая инфраструктура Имитационное моделирование

Аннотация 

Показано, что обоснование потребной вместимости склада является одной из ключевых задач организационного проектирования логистических систем. Существующие модели и методы не в полной мере или вовсе не учитывают стохастический характер параметров, определяющих потребную величину складского запаса. В статье для обоснования потребной вместимости склада разработана имитационная модель, реализованная в программной среде AnyLogic.

Ключевые слова 

Скачать статью

 

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: 

 

Концепция организации регулярного контрейлерного сообщения на территории РФ [9], Концепция создания терминально-логистических центров на территории РФ [10], Стратегия развития железнодорожного транспорта в РФ до 2030 г. [2], Транспортная стратегия РФ на период до 2030 г. [22],  ФЦП «Развитие транспортной системы России (2010 -2020 гг)» [23], обсуждение которых проводилось на многих круглых столах, совещаниях и заседаниях Государственной Думы РФ и РСПП [18], Федерального собрания [20], Объединённого учёного совета ОАО «РЖД» в ОАО «ВНИИЖТ» [14],Научно-технических советах ОАО «РЖД» [13, 16], в Минтрансе РФ, в Общественной палате РФ [17], в Торгово-промышленной палате РФ, в Московской торгово-промышленной  и на Международных форумах [15] в период 2010-2015 гг, а также материалы, опубликованные в работах [1-8, 11, 12]. включают в себя генеральную схему реализации проекта, сеть маршрутов контрейлерных поездов и сеть терминалов.

Маршрут для определения сравнительной эффективности контрейлерных перевозок выбирался с учетом распоряжения старшего вице-президента ОАО «РЖД» В.А. Гапановича «Об экспериментальной проверке перспективных контрейлерных маршрутов на сети железных дорог» №2169р от 30.10.2012 г., в соответствии с которым должна быть проведена проверка готовности железнодорожной инфраструктуры на первоочередных маршрутах:

-        Бусловская – Москва;

-        Славкув – Киев – Москва;

-        Москва – Елгава – Калининград.

Из трех названных маршрутов наибольший потенциал для реализации контрейлерных технологий в ближайшее время представляет собой направление Москва – морские порты Прибалтики, что связано как со значительными объемами международных автомобильных перевозок на этих направлениях (по итогам досанкционного 2012 г. объем перевозок грузов автомобильным транспортом из Латвии, Литвы, Эстонии и Польши в Российскую Федерацию составил 4,59 млн. т или 28,5 % от всего объема экспортного грузопотока из стран ЕС и 1,46 млн. т импортных грузов в направлении названных стран – около 20% от всего объема импорта в ЕС), так и с традиционно высоким грузооборотом технологий Ro-Ro в морских портах Балтийского побережья.

Регион Балтийского моря является одним из основоположников паромных перевозок, здесь наблюдается высокая плотность паромного сообщения. Каждое из направлений, связывающее любые два государства Балтийского региона, имеет 4-6 паромных линий и 2-3 оперирующие компании, при этом объем перевозок с использованием накатных технологий практически вдвое превышает контейнерный грузооборот. Следует отметить, что в данный момент в Балтийском бассейне существует около 100 портов, удовлетворяющих определению ЕС «официальный грузовой порт» (основным критерием является перевалка не менее 1 млн. тонн грузов в год), специализация которых – в том числе перевалка Ро-Ро грузов и контейнеров. Среди стран данного региона лидирующие позиции по Ро-Ро перевозкам занимают Эстония, Дания, Германия, Швеция, Финляндия.

В качестве груза принята условная партия комплектующих для сборки мебели, которая по объему (не более 67,7 м3) и весовым характеристикам (не более 20 т.) может быть размещена в 40-футовом контейнере, либо автомобильном тентованном полуприцепе (82 м3), либо в «крытом» 4-х осном железнодорожном вагоне (грузоподъемность не менее 50 т. и объём кузова не менее 100 м3). Конечной точкой доставки условной партии груза принят торговый комплекс «Гранд», расположенный в г. Химки (Московская обл.) и специализирующийся на продаже мебели.

Имитационная модель позволяет «проиграть» различные сценарии развития событий, различные наборы входных параметров для понимания наилучшего выбора в процессе принятия решения. Большой выбор выходных статистических параметров по временным, финансовым срезам, грузообороту дает картину функционирования терминала на перспективу. Горизонт моделирования может составлять неделю, месяц, год.

В модели рассматриваются 5 способов доставки груза:

  • автомобильный – тягач с полуприцепом, на котором размещен стандартный (ISO) 40-футовый контейнер;
  • железнодорожный – стандартный 40-футовый контейнер следует в составе регулярного поезда «Меркурий»;
  • железнодорожный – «крытый» вагон в составе сборного поезда;
  • контрейлерный – сопровождаемая перевозка (автопоезд следует на ж.д. платформе, водитель – в пассажирском вагоне в составе поезда);
  • контрейлерный – несопровождаемая перевозка (полуприцеп следует на ж.д. платформе; услуга доставки «последней мили» осуществляется силами терминального оператора).

В процессе разработки компьютерной модели были определены следующие основные инфраструктурные объекты, входящие в состав модели:    

1) интермодальный терминал в грузовом морском порту г. Клайпеды (Литва);

2) железнодорожный маршрут Клайпеда – Москва (ст. Силикатная и  ст. Белый Раст Московской ж.д.), включающий ж.д. станции, перегоны, погранпереходы, подъездные ж.д. пути необщего пользования;

3) автомобильный маршрут Клайпеда – Химки, включающий автодорожную инфраструктуру, пограничные автомобильные пункты пропуска;

4) интермодальные грузовые терминалы на конечных станциях железнодорожных маршрутов (операторы:ООО «Экодор» на ст. Силикатная и ООО «ТЛЦ «Белый Раст» на ст. Белый Раст).

При расчетах провозной платы по контрейлерной технологии за основу принят приказ ФСТ России №29-т/2 от 20.03.2012 г., утвердивший, по существу, методику ценообразования на контрейлерные перевозки на примере  маршрута ст. Бусловская-экспорт Октябрьской ж.д. – ст. Кунцево 2 Московской ж.д. в груженом и порожнем состояниях.

Подробно данная методика изложена в соответствующем разделе Концепции организации регулярного контрейлерного сообщения на пространстве 1520, одобренной объединенным ученым советом ОАО «РЖД» (протокол от 21.03.2012 г.) и Минтрансом России (письмо №АН-25/2856 от 21.03.2012 г.).

Отличительные особенности данной методики по сравнению с действующим Тарифным руководством (Прейскурант 10-01) заключаются в следующем:

- провозная плата определена из расчета на маршрутный поезд постоянного формирования (т.е. исключены повагонные отправки/отправки групп вагонов). Данная технология работы с контрейлерным поездом исключает целый ряд операций, заложенных в обоснование тарифа в Прейскуранте 10-01, но не применяемых в отношении контрейлерного поезда постоянного формирования, что ведет к оптимизации фактической себестоимости перевозок;

- в связи с боле низким уровнем воздействием контрейлерного поезда на инфраструктуру ж.д. пути (нагрузка на ось вагона составляет менее 20 тн против средней нагрузки 23 тн/ось у грузового вагона) за основу расчетов принят критерий вагоно-километра пробега в составе поезда (вместо тонно/километра в Прейскуранте 10-01).

Ставки на контрейлерные перевозки по маршруту ст. Бусловская-экспорт Октябрьской ж.д. – ст. Кунцево 2 Московской ж.д. в прямом и в обратном направлении, установленные вышеупомянутым решением ФСТ России, составили :

- 22 608 руб. за каждый груженый автопоезд, полуприцеп или съемный кузов;

- 15 826 руб. за каждый порожний автопоезд, полуприцеп или съемный кузов.

Таким образом, расчетная методика, утвержденная ФСТ России, может быть использована для определения тарифов на полигонекурсирования маршрутных контрейлерных поездов по аналогии с исключительным тарифом, рассчитанным и введенным в действие упомянутым приказом ФСТ России №29-т/2 от 20.03.2012 г. на период 31.05.2012. – 31.12.2012.  Для целей настоящего исследования указанные ставки скорректированы на величину индексации тарифов на перевозки грузов железнодорожным транспортом, фактически проведенной в период 2012 – 2015 гг. (соответствующие приказы Федеральной службы по тарифам «О внесении изменений и дополнений в Прейскурант №10-01 «Тарифы на перевозки грузов и услуги инфраструктуры, выполняемые российскими железными дорогами»). 

Учет времени прохождения погранперехода контрейлерным поездом для целей настоящего исследования основан на предложении, направленном в 2014 г. ОАО «РЖД» в адрес Минтранса России о внесении изменений в Постановление Правительства Российской Федерации от 31.10.1998 № 272 «О государственном контроле (надзоре) за осуществлением международных  автомобильных  перевозок», предусматривающее осуществление только документарного контроля для АТС/полуприцепов/съемных кузовов, следующих в составе контрейлерных поездов через международные железнодорожные пункты пропуска. Данное предложение исходит из положений Межправительственного соглашения «О сухих портах», разработанного в рамках ЭСКАТО ООН, ПриложениеII «Руководящие принципы развития и эксплуатации «сухих портов», вступившего в силу 08.11.2013 г.(соглашение подписано Российской Федерацией на основании распоряжения Правительства РФ от 01.12.2012 г. №2231-р).

Карта имитационной модели, содержащая часть опорной сети контрейлерных маршрутов по основным потенциальным направлениям перевозок с предоставлением возможности выбора конкретного маршрута, представлена на рис.1.

Состав объектов и основные элементы инфраструктуры ТЛЦ для маршрута Клайпеда – Москва, на примере которого проводилась оценка альтернативных технологий доставки груза, отражены на рис.2.

В модели рассмотрены следующие пять вариантов построения логистической цепочки доставки груза по заданному маршруту морской порт г. Клайпеда –торговый центр «Гранд» в г. Химки:

1) в стандартном 40-футовом (ISO) контейнере автомобильным транспортом (автопоезд: тягач + полуприцеп), напрямую из морского порта г. Клайпеды до грузополучателя в Химках;

2) в стандартном 40-футовом (ISO) контейнере железнодорожным транспортом в составе регулярного контейнерного поезда «Меркурий» с перегрузкой на автомобильный контейнеровоз на станции Силикатная Московской ж.д.;

3) железнодорожным транспортом в «крытом» вагоне в составе сборного поезда, следующего в соответствии с планом формирования с перегрузкой на автомобильный транспорт («последняя миля») на станции КунцевоII Московской ж.д.;

4) контрейлерный несопровождаемый – полуприцеп доставляется железнодорожным транспортом (регулярный контрейлерный поезд) из морского порта г. Клайпеда до интермодального терминала ТЛЦ «Белый Раст» с последующей доставкой («последняя миля») грузополучателю тягачом оператора, обслуживающего ТЛЦ;

5)  контрейлерный сопровождаемый – автопоезд (тягач + полуприцеп) доставляется железнодорожным транспортом (регулярный контрейлерный поезд) из морского порта г. Клайпеда до интермодального терминала ТЛЦ «Белый Раст». Водитель автопоезда следует в пассажирском вагоне в составе контрейлерного поезда. Доставка «последней мили» осуществляется «своим ходом» автопоездом. 

 

Рисунок 1. Начальное окно выбора маршрута имитационной модели

 


Рисунок 2.  Подложка имитационной модели контрейлерных перевозок для маршрута Клайпеда – Москва

 

ВЫВОДЫ

Из рассмотренных вариантов доставки груза по маршруту морской порт Клайпеда – торговый центр в г. Химки, контрейлерная технология показала себя наиболее быстрой и наименее затратной. Короткие сроки доставки, независимость от сезонных погодных факторов и ситуации на погранпереходах позволят собственникам подвижного состава значительно повысить оборачиваемость транспорта, уменьшить износ техники при сравнимых объемах грузоперевозок. Также большее количество рейсов за аналогичный период в сравнении с доставкой груза в полуприцепе «своим ходом» положительно скажется на результатах финансовой деятельности транспортного предприятия, а возможность реализации принципа «точно в срок» при построении цепей поставок обеспечит контрейлерным технологиям привлекательность для логистических операторов.

Следует также учитывать благоприятные последствия для экологии – выбросы вредных веществ в атмосферу при контрейлерной перевозке значительно сокращаются.

Из полученных результатов видно, что ближайшим конкурентом контрейлерной перевозке является автомобильная. Плюсом последней является также то, что она не требует специально оборудованной терминальной инфраструктуры. Однако по мере развития контрейлерных технологий и строительства интермодальных терминалов контрейлерная технология может составить конкуренцию контейнерной (главным образом, во внутреннем сообщении) и автомобильной на средних и дальних расстояниях.

В модели реализованы маршруты по основным потенциальным направлениям перевозок как внутренних, так и международных.

Вышеизложенное позволяет обозначить следующие факторы эффективности организации регулярного контрейлерного сообщения не только на территории Российской Федерации, но и на пространстве 1520:

  • увеличение объемов перевозок, в первую очередь, высокодоходных грузов;
  • оптимизация загрузки инфраструктуры (в том числе, с учетом близкой к параметрам пассажирского сообщения скорости движения контрейлерных поездов);
  • оптимизация грузовой работы в транспортных узлах (отсутствие повагонных контрейлерных отправок, терминалы преимущественно в составе ТЛЦ);
  • увеличение степени маршрутизации грузовых потоков и др.
  • повышение качества услуг при одновременном снижении себестоимости за счет увеличения скорости перевозки и др.
  • развитие логистического рынка, генерирование новых бизнес-процессов.

ОБОЗНАЧЕНИЯ И СОКРАЩЕНИЯ

 

ISO – Международная Организация по Стандартизации

АТС – Автотранспортное средство

ВНИИЖТ – Всероссийский научно-исследовательский институт железнодорожного транспорта

НТС ОАО «РЖД» Научно-технический совет ОАО «РЖД»

РСПП – Российский союз промышленников и предпринимателей

СЛКП Соглашение о важнейших линиях международных комбинированных перевозок и соответствующих объекта

СМГС Соглашение о международном железнодорожном грузовом сообщении

ТЛЦ – Терминально-логистический центр

ФСТ России Федеральная служба по тарифам России

ФЦП – Федеральная целевая программа  

ЭСКАТО – Экономическая и Социальная Комиссия по Азии и Тихому океану

 

 

Литература

1

Баритко А.Л., Куренков П.В. Организация и технология внешнеторговых перевозок // Железнодорожный транспорт.- 1998.- № 8.- С.59-63.

2

Вакуленко С.П., Зайцев Т.А., Куренков П.В. Контрейлерные перевозки в России: история, проблемы, перспективы // Экономика железных дорог.- 2013.- № 1.- С.34-38.

3

Елисеев С. Ю., Котляренко А. Ф., Куренков П. В. Концептуальные основы логистического управления внешнеторговыми перевозками // Бюллетень транспортной  информации.- 2004.- № 3.- С.11-16 (начало); № 4.- С.31-38 (окончание).

4

Елисеев С.Ю., Котляренко А.Ф., Куренков П.В. Логистизация управления внешнеторговыми перевозками в смешанном сообщении // Транспорт: наука, техника, управление: Сб. ОИ / ВИНИТИ.- 2003.- № 9.- С.2-7.

5

Елисеев С.Ю., Котляренко А.Ф., Куренков П.В. Логистика в управлении смешанными перевозками. История. Проблемы. Перспективы // Железнодорожный транспорт.- 2003.- № 10.- С.44-47.

6

Елисеев С.Ю., Котляренко А.Ф., Куренков П.В. Логистическая концепция управления внешнеторговыми перевозками // Железнодорожный транспорт.- 2004.- № 9.-  С.35-41.

7

Елисеев С.Ю., Котляренко А.Ф., Куренков П.В. Стратегия логистического управления внешнеторговыми перевозками // Транспорт: наука, техника, управление: Сб. ОИ / ВИНИТИ.- 2004.- № 3.- С.26-35.

8

Елисеев С.Ю., Тучков Э.В., Куренков П.В. Логистика в управлении внешнеторговыми перевозками // Экономика железных дорог.- 2005.- № 7.- С.28-33.

9

Концепция организации контрейлерных перевозок на «пространстве 1520».– М.: ОАО «РЖД», 2011.- 149 с.

10

Концепция создания терминально-логистических центров на территории Российской Федерации. М.: ОАО «РЖД», 2011.

11

Котляренко А.Ф., Куренков П.В. К логистическим технологиям смешанных перевозок // Логистика.- 2002.- № 3.- С.8-10.

12

Куренков П.В., Котляренко А.Ф. Внешнеторговые перевозки в смешанном сообщении. Экономика. Логистика. Управление.- Самара: Типография «Солдат Отечества», 2002.- 636 с.

13

Материалы заседания НТС ОАО «РЖД» по вопросу «О Концепции развития контрейлерных перевозок на пространстве 1520 мм» от 11 октября 2010 г.

14

Материалы заседания объединенного ученого совета ОАО «РЖД» по вопросу «Организация контрейлерных перевозок на «Пространстве 1520» от 21 марта 2012 г.

15

Материалы круглого стола «Контрейлерные перевозки как фактор повышения эффективности транспортных потоков и решение мобилизационных задач» III Международного форума «Транспортная инфраструктура России – инновационный путь развития» от 16 ноября 2012 г.

16

Материалы расширенного заседания секции «Путевое хозяйство» НТС ОАО «РЖД» Материалы по вопросу «О пересмотре нормативных документов в области содержания инфраструктуры, ввода в эксплуатацию контрейлерных поездов и двухуровневых вагонов в пассажирском сообщении, разработке программ их переработки и приведения инфраструктуры к требованиям нормативно-технической документации» от 19 июня 2012 г.

17

Материалы Слушаний Комиссии по экономическому развитию и предпринимательству Общественной Палаты Российской Федерации по вопросу «Организация контрейлерных перевозок на пространстве железнодорожной колеи 1520» от 16 апреля 2012 г.

18

Материалы совместного заседания Комитета Государственной Думы по транспорту и Комиссии РСПП по транспорту и транспортной инфраструктуре по вопросу «Организация контрейлерных перевозок на «Пространстве 1520» - от 15 марта 2011 г.

19

Обоснование инвестиций в организацию регулярного контрейлерного сообщения на «пространстве 1520».

20

 Рекомендации Федерального Собрания и общественной палаты Российской Федерации.

21

 Стратегия развития железнодорожного транспорта в Российской Федерации до 2030 года.

22

Транспортная стратегия Российской Федерации на период до 2030 года, утвержденная распоряжением Правительства Российской Федерации от 22 ноября 2008 года№ 1734-р.

23

 Федеральная целевая программа «Развитие транспортной системы России (2010 -2020 годы)».

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 № 6 (59) декабрь 2013 г.

АВТОР: Пилипчук С.Ф., Радаев А.Е. 

РУБРИКА  Управление запасамиИмитационное моделированиеОптимизация и экономико-математическое моделирование

Аннотация

Задача определения оптимального объема партии поставки, впервые рассмотренная еще в начале предыдущего столетия, является одной из наиболее актуальных задач организации функционирования складских систем и в настоящее время. При этом решение указанной задачи по формуле Уилсона или на основе последующих ее модификаций в форме экономико-математических моделей имеет ограниченную практическую значимость ввиду отсутствия учета как временного фактора, так и стохастического характера ключевых параметров логистического процесса. Последнее обстоятельство обусловило целесообразность применения средств имитационного моделирования для решения задачи определения оптимальной партии поставки для достижения большей адекватности получаемых результатов.

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


В современных условиях, характеризующихся интенсивной глобализацией мировых рынков, ускоренным развитием структуры цепей поставок и, как следствие, значительным усложнением инфраструктуры промышленных и торговых предприятий, особую важность приобретают вопросы повышения экономической эффективности логистических процессов, необходимой для устойчивого развития предприятий, при обеспечении уровня надежности, необходимого для удовлетворения потребностей конечных потребителей. Достижение указанной цели осуществляется путем решения группы задач, охватывающих различные области деятельности конкретного предприятия – участника цепи поставок. Одной из наиболее важных задач организации функционирования системы снабжения является определение оптимального объема партии поставки. Впервые задача была описана в начале XX века Р. Уилсоном в виде экономико-математической модели, которая впоследствии претерпела большое количество всевозможных модификаций, предложенных с целью повышения адекватности учета различных факторов, оказывающих влияние на процесс поставки грузов [1, 2, 4]. Важно отметить, что подавляющее большинство существующих на сегодняшний день подходов к решению задачи определения оптимальной партии поставки предполагают либо использование конкретной функциональной зависимости, либо оптимизацию предварительно построенной экономико-математической модели, и потому имеют следующие недостатки:

–       отсутствие учета стохастического характера определенных параметров логистического процесса (таких, как длительность операций доставки и приемки грузов, объем поставляемых партий и т.п.), зачастую описываемых усредненными величинами;

–       отсутствие учета различных изменений состояния исследуемой системы с течением времени – представление рассматриваемого процесса поставки в виде совокупности идентичных циклов пополнения и расходования запасов на складе. 

Вышеуказанные недостатки определили целесообразность использования средств имитационного моделирования для решения рассматриваемой задачи. В качестве программного обеспечения для построения и эксплуатации имитационной модели, основанной на предложенной в работе [2] оптимизационной модели, была выбрана среда AnyLogic.

Для наиболее эффективного использования основного преимущества имитационного моделирования, а именно – возможности описания поведения исследуемой системы во временном аспекте, т.е. в соответствии с выбранной шкалой виртуального (модельного) времени, в основу модели были заложены два типа процессов – поставка и отправка, каждый из которых описывается временным (интервал времени между смежными поставками / отправками) и натуральным (количество грузов в составе поставки / отправки) показателями. Реализация подобного подхода в аналитической форме предполагает построение сетей Петри, определяющих последовательность событий, происходящих над однородными объектами в различные периоды времени [5]; последующее развитие подхода в области имитационного моделирования обусловило появление дискретно-событийной парадигмы, на основе которой и было проведено исследование. Таким образом, исследуемая логистическая система описывается в виде последовательности периодически повторяющихся событий поступления и отправки грузов со склада, обуславливающих определенные количественные изменения текущего уровня складского запаса. Данное обстоятельство определяет основное отличие имитационной модели от соответствующей оптимизационной [2]: суммарный потребляемый за расчетный период ресурс , определяющий (при известной величине партии поставки ) количество поставок за период (выражение 1)

(1)

 

где  – округление расчетного значения до ближайшего большего целого; и, как

следствие, интервал времени между поставками, определяемый по формуле (2)

     (2)

 

 

где  – длительность расчетного периода в выбранных временных единицах, не является заданным, а вычисляется в процессе прогона имитационной модели как суммарный объем отправок на рассматриваемый момент модельного времени.

Перечень входных, промежуточных и выходных параметров имитационной модели представлен в табл. 1. Данные, содержащиеся в таблице, частично повторяют структуру имитационной модели, используемой в процессе решения задачи определения потребной вместимости склада [3]. Наиболее важными входными параметрами рассматриваемой модели являются тип и характеристики вероятностных распределений для стохастических параметров процессов поставки и отправки – объемов партий и временных интервалов между смежными партиями. Модель обеспечивает описание указанных величин с использованием равномерного, экспоненциального, пуассоновского, нормального и треугольного распределений, а также без таковых (в форме детерминированных параметров). Важно отметить, что описание каждого из перечисленных распределений реализуется путем задания основной и (при необходимости) одной или двух вспомогательных характеристик. Так, например, при описании нормального распределения в качестве основной характеристики задается среднее значение стохастического параметра, в качестве единственной вспомогательной – среднеквадратическое отклонение. Для треугольного закона распределения в качестве основной характеристики указывается наиболее вероятное значение, соответствующее вершине распределения плотности вероятности, а в качестве вспомогательных – отклонения от наиболее вероятного значения, соответствующие границам распределения. Аналогичный принцип используется при описании остальных вероятностных распределений, учитываемых в рамках имитационной модели.

Ключевыми промежуточными параметрами рассматриваемой модели являются текущий уровень запаса, норма реализации текущего заказа по объему, а также норма насыщения текущего спроса по объему. Данные параметры вычисляются в каждый момент поставки или отправки грузов со склада, при этом зафиксированные в процессе прогона имитационной модели значения параметров аккумулируются для последующего расчета выходных статистических параметров. Принципы расчета текущего уровня запаса и нормы насыщения текущего спроса по объему аналогичны тем, что используются в имитационной модели, описанной в работе [3]. Норма реализации текущего заказа по объему учитывает возможность приемки очередной партии поставки не в полном объеме ввиду ограниченной вместимости склада и по своему функциональному назначению подобна норме насыщения текущего спроса по объему, учитывающей возможность отгрузки очередной партии поставки не в полном объеме ввиду дефицита складских запасов.

Выходные параметры имитационной модели, вычисляемые по окончании ее прогона, включают в себя статистические показатели уровня складского запаса, нормы реализации заказов по объему и нормы насыщения спроса по объему, суммарные затраты и отдельные их составляющие (соответствуют целевой функции оптимизационной модели [2] и ее основным компонентам).

 Таблица 1

Входные, промежуточные и выходные параметры созданной имитационной модели

Входные, промежуточные и выходные параметры созданной имитационной модели

Входные, промежуточные и выходные параметры созданной имитационной модели

 

Входные, промежуточные и выходные параметры созданной имитационной модели

Подводя итог вышеизложенному, важно отметить, что искомая величина – размер партии поставки – является входным параметром, для которого пользователь устанавливает тип и характеристики соответствующего вероятностного распределения. При этом одиночный прогон модели (в рамках простого имитационного эксперимента) обеспечит расчет значения суммарных затрат, которое в общем случае не будет соответствовать оптимальному решению задачи. Таким образом, определение оптимального объема партии поставки с использованием средств имитационного моделирования предполагает проведение сложного оптимизационного эксперимента, в рамках которого реализуется совокупность прогонов модели при различных значениях основной характеристики назначенного вероятностного распределения с фиксацией целевого выходного параметра – суммарных затрат, а также проверкой полученного решения на допустимость путем сравнения полученных значений выходных параметров – статистических показателей (например, средней величины) для норм реализации заказов и / или насыщения спроса – с соответствующими предельными значениями, назначенными пользователем. По результатам прогонов модели осуществляется выбор искомого значения варьируемой характеристики, при котором обеспечивается минимальная величина целевого выходного параметра модели при выполнении заданных ограничений по выходным статистическим параметрам. 

Описанный выше подход к решению задачи определения оптимального объема партии поставки учитывает вероятностный характер как искомой величины, так и других параметров процессов поставки и отправки грузов со склада и потому обеспечивает большую адекватность результатов расчета при малых временных затратах на планирование и реализацию имитационных экспериментов ввиду относительно простой структуры разработанной имитационной модели. 

Однако следует отметить, что указанные выше преимущества имитационного моделирования позволяют значительно расширить рассматриваемую задачу путем задания интервала времени между смежными поставками (в общем случае так же имеющего стохастический характер) в качестве дополнительного варьируемого входного параметра. Подобная постановка задачи обуславливает уже не определение оптимального объема партии поставки, а формирование оптимальной системы поставки грузов, однозначно определяемой как объемом партии поставки, так и интервалом времени между смежными поставками. Математическое описание оптимизационного эксперимента, реализуемого над имитационной моделью в процессе решения задачи формирования оптимальной системы поставки грузов, имеет вид (выражение 3)

(3)

где ,  – текущие значения основной характеристики вероятностного распределения соответственно интервала времени между смежными поставками и объема поставки;

, ,  – соответственно минимальное, максимальное значения и шаг варьирования основной характеристики вероятностного распределения интервала времени между смежными поставками, устанавливаемые пользователем перед реализацией оптимизационного эксперимента;

, ,  – соответственно минимальное, максимальное значения и шаг варьирования основной характеристики вероятностного распределения объема поставки, назначаемые пользователем перед реализацией оптимизационного эксперимента;

,  – количество возможных значений основной характеристики вероятностного распределения соответственно интервала времени между смежными поставками и объема поставки;

, ,  – расчетное значение соответственно суммарных затрат, средней нормы реализации заказов по объему и средней нормы насыщения спроса по объему, вычисляемые по результатам прогона модели со значениями варьируемых входных параметров  и ;

,  – предельные значения соответственно средней нормы реализации заказов по объему и средней нормы насыщения спроса по объему, назначаемые пользователем перед реализацией оптимизационного эксперимента.

Разработанная имитационная модель была использована для решения задачи формирования системы поставки грузов на распределительный склад торгового предприятия. Назначение типов и характеристик вероятностных распределений для параметров поставок и отправок грузов со склада производилось на основе информации о приемке и отгрузке товаров за предшествующий период, обработанной в соответствии с алгоритмом, описанным в работе [3].

Значения входных параметров модели, а также параметров реализации оптимизационного эксперимента, задаваемые пользователем на основной вкладке, представлены на рис. 1.

Значения входных параметров имитационной модели, а также параметров реализации оптимизационного эксперимента

Рис. 1. Значения входных параметров имитационной модели, а также параметров реализации оптимизационного эксперимента

Из рисунка видно, что:

–       интервал времени между смежными поставками грузов подчиняется нормальному закону распределения со среднеквадратическим отклонением , при этом параметр среднего значения является искомой величиной, определяемой по результатам прогонов имитационной модели при варьировании последнего в диапазоне от  до  с шагом ;

–       объем поставки является детерминированным, искомая величина которого определяется по критерию минимизации суммарных затрат, вычисляемых по окончании прогонов модели при варьировании данного параметра в интервале от  до  с шагом ;

–       интервал времени между смежными отправками подчиняется равномерному закону распределения с минимальным значением , отстоящим от максимального на величину .

–       объем отправки соответствует экспоненциальному закону распределения с начальным значением  и интенсивностью ;

–       предельные значения норм реализации заказов и насыщения спроса составляют соответственно .

Значения выходных параметров, фиксируемые по результатам прогонов модели в процессе реализации оптимизационного эксперимента, отображаемые на дополнительной вкладке, приведены на рис. 2. Как видно из рисунка, программа AnyLogic непрерывно обновляет данные о результатах прогонов имитационной модели и отображает лучшее (допустимое или недопустимое – в зависимости от выполнения заданных ограничений) сочетание значений варьируемых входных параметров, при котором был достигнут минимум целевого выходного параметра (суммарных затрат), непосредственно в процессе эксперимента.

Значения выходных параметров, фиксируемые по результатам прогонов имитационной модели в процессе реализации оптимизационного эксперимента

Рис. 2. Значения выходных параметров, фиксируемые по результатам прогонов имитационной модели в процессе реализации оптимизационного эксперимента

На основе результатов 2500 прогонов модели, полученных при различных сочетаниях значений варьируемых параметров средней величины  интервала времени между смежными поставками, подчиняющегося нормальному закону распределения, а также объема поставки , были сформированы зависимости целевой функции (суммарных затрат), а также показателей надежности (нормы реализации заказов и нормы насыщения спроса) от вышеперечисленных параметров системы поставки. Указанные зависимости представлены на рис. 3 и 4. Ступенчатый характер функции суммарных затрат обусловлен функциональной зависимостью части входных параметров от значений варьируемых величин (аргументов функции), колебательный характер – стохастичностью учитываемых параметров поставок и отправок грузов со склада.

Для определения области допустимых решений (сочетаний значений варьируемых параметров) на основе двухмерных диаграмм зависимости норм реализации заказов (рис. 4,а) и насыщения спроса (рис. 4,б) от значений варьируемых параметров была создана интегральная диаграмма, «фильтрующая» минимальные (из пар значений для каждого прогона) значения выходных параметров надежности (рис. 3,б). Вершина интегральной диаграммы, выделенная сплошной линией на рис. 3,б, определяет совокупность допустимых решений – сочетаний значений варьируемых параметров, при которых выполняются ограничения, приведенные в последней строке выражения (1). Проекция указанной области допустимых решений с интегральной диаграммы (рис. 3,б) на диаграмму зависимости суммарных затрат от значений варьируемых параметров (рис. 3,а) определяет совокупность значений целевого выходного параметра, при которых были выполнены установленные ограничения по параметрам надежности (см. выражение (1)). Минимальное значение суммарных затрат в выделенной области (рис. 3,а) соответствует оптимальным (искомым) значениям варьируемых параметров. Для рассматриваемой задачи минимум суммарных затрат составил  при  и

Подводя итог всему вышеизложенному, следует отметить, что предложенный подход может быть успешно применен не только при формировании системы снабжения, но и в других функциональных областях логистической системы предприятия. Так, например, с помощью указанного подхода могут быть найдены оптимальные значения основных вероятностных характеристик распределения параметров системы логистической поддержки производственных процессов [6].

 

Литуратура 

1. Модели и методы теории логистики: Учебное пособие. 2-е изд./ под ред.В.С. Лукинского. – СПб.: Питер, 2007. – 448 с.

2. Пилипчук С.Ф., Радаев А.Е. К вопросу об определении оптимальной партии поставки // Логистика и управление цепями поставок, № 2, 2013, с. 71-77.

3. Пилипчук С.Ф., Радаев А.Е. Определение оптимальной вместимости склада // Логистика и управление цепями поставок. № 5, 2012, с. 19-25.

4. Проблемы формирования прикладной теории логистики и управления цепями поставок  / Под общ. ред. В.С. Лукинского и Н.Г. Плетневой : монография. – СПб.: СПбГИЭУ, 2011. – 287 с.

5. Kazakov N., Vladimirova P., Dimitrov L. A model for operational logistic planning of loading-unloading subsystem, described by Petri nets. Sofia: Heron Press, 2006. 265 p.

6. Казаков Н., Мангена С., Георгиев Г. Определяне на оптимални заводски партиди с отчитане на подемно-транспортните връзки в системата склад  (разкроячен цех) – производствено звено. // София: Машиностроение, № 1, 1994, с 18-19.

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