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: 

 

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.

Опубликовано № 5 (64) октябрь 2014 года

АВТОРЫ: Лычкина Н. Н., Глазков Д. Н., Хоружевская А. П.

РУБРИКА Имитационное моделирование, Информационные технологии в логистике и SCMКорпоративная логистика промышленных компанийЛогистическая инфраструктураПланирование в цепях поставокТранспортировка в логистике

Аннотация 

В статье демонстрируется применение метода имитационного моделирования в среде AnyLogic в целях оптимизации логистической сети промышленной компании, работающей на рынке промышленных газов. В модели детализированы основные процессы, связанные с транспортировкой продукта, обслуживанием заявок клиентов и распределением продукта потребителям. Были учтены факторы, носящие стохастический характер, такие как неритмичность производства, погодные условия, влияющие на уровень спроса, количество отказов автотранспорта, время ремонта автотранспорта. На разработанной модели был проведен ряд сценарных исследований, в ходе которых были определены оптимальные значения управляющих параметров логистической сети: количество подвижного состава, дополнительные емкости хранения, минимизирующие потери от дефицита и отсутствия свободного подвижного состава, приводящие в итоге к снижению совокупной стоимости владения (TCO).

Ключевые слова имитационная модель AnyLogic оптимизация стохастические параметры модель совокупной стоимости владения


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. 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. 

Практическое применение имитационного моделирования для   управления логистической сети позволяет рассмотреть динамику процесса до исполнения плана и реализации проекта, а также  дает для сложных, многообразных, зачастую уникальных процессов  визуализацию и  способствует комплексному пониманию логистических процессов, что делает его незаменимым в логистическом аудите. Имитационная модель позволяет продемонстрировать материальные потоки и их сложное взаимодействие с финансовыми, транспортными, информационными потоками[1].

Объектом анализа и моделирования, рассматриваемым в данной статье, является логистическая сеть  (ЛС) немецкой компании LindeGasRus. Компания LindeGasRus(далее по тексту «Компания») является крупнейшим мировым производителем и поставщиком промышленных газов (азота, кислорода, аргона, двуокиси углерода, ацетилена, гелия) с общей численностью сотрудников 50,5 тыс. человек, работающих более чем в 100 странах мира и средним годовым оборотом €13,8 млрд.

Рис.1. Логистическая сеть компании LindeGasRus по поставке углекислоты

Логистическая сеть Компании по поставке углекислоты (рис.1) включает в себя заводы по производству углекислоты в г.Хельсинки (Финляндия) и г.Доргобуж (Смоленская обл.), пограничный переход Торфяновка и таможенный пост Парглово, через которые идут все поставки углекислоты на базу хранения в г.Санкт-Петербург, базу хранения в г.Балашиха (Московская обл.) и клиентов. База хранения в г.Балашиха пополняется продуктом с завода в г.Доргобуж, а также, в случае необходимости, переброской с базы в г.Санкт-Петербург. Доставка углекислоты как с заводов на базы хранения, так и с баз хранения клиентам осуществляется специализированными автоцистернами, соответствующими требованиям по перевозке опасных грузов.

Проблема функционирования ЛС связана с поставками двуокиси углерода на территории ЦФО РФ. Ее суть состоит в том, что спрос на двуокись углерода (или углекислоту) имеет ярко выраженную сезонность (рис.2).

 

Рис.2. Динамика объемов продаж углекислоты в 2013 году, т.

Самый большой рост спроса на углекислоту наблюдается с середины апреля, а его пик приходится на июль месяц. Связано это в первую очередь с ростом спроса на прохладительные напитки в летний период. Вместе с тем, технология производства углекислоты такова, что заводы-производители углекислоты вынуждены останавливать свое производственное оборудование на профилактическое обслуживание в весенний период, снижая, таким образом, объемы производства в 2-3 раза. И это происходит как раз в тот момент, когда начинается рост спроса. В результате этого с увеличением спроса происходит рост дефицита на углекислоту и ситуация становится критической к концу июня и длится до середины августа.

Для минимизации дефицита углекислоты в сезон повышенного спроса, Компания использует специальные емкости для хранения запасов углекислоты, расположенные в Ленинградской и Московской областях, которые пополняются в низкий сезон. Но, как показывает практика, имея 100% загрузку своих емкостей перед началом периода роста спроса, Компания не может полностью исключить возникновение дефицита, из-за чего очень часто происходят срывы сроков поставки, которые, в свою очередь, приводят к остановке производств потребителей.В результате чего Компания несет потери от упущенных продаж, а также от выплат штрафов клиентам компании за несвоевременную поставку товара, что непосредственно влияет на уровень логистического сервиса.Подобные ситуации негативно влияют на ее доходы ирепутацию.

Исходные данные, которые использовались для создания ЛС, приведены в таблицах 1-5.

Таблица 1

Среднемесячные объемы отпуска продукции Клиентам в 2013

Таблица 2

Среднемесячные объемы отпуска продукции с заводов-изготовителей

Таблица 3

Таблица расстояний, км

Таблица 4

Стоимость перевозки

Таблица 5

Дополнительные параметры

Целью исследования являлось моделирование и оптимизация логистической сети в условиях динамично изменяющегося спроса.

Были определены следующие задачи моделирования:

  • оценка текущего состояния и эффективности функционирования действующей ЛС;
  • анализ узких мест в ЛС;
  • выбор управляющих параметров, непосредственно влияющих на ритмичность работы ЛС в условиях динамического изменения спроса;
  • выбор необходимых  ресурсов, состава элементов ЛС, ее реконфигурация, с целью обеспечения эффективного функционирования ЛС.

Сетевой граф модели задает базовую структуру логистической сети согласно рисунку  1,в узлах которой реализуются алгоритмы обработки материального потока.В модели детализированы основные процессы, связанные с транспортировкой продукта, обслуживанием заявок клиентов и распределением продукта потребителям.

Основные управляющие параметры имитационной модели ЛС - емкость баз хранения и количество подвижного состава. От емкости имеющихся у Компании баз хранения зависят запасы продукции, которые Компания накапливает в низкий сезон. Наличие бóльшего запаса продукта позволяет сгладить остроту дефицита, что сокращает потери от упущенных продаж и повышает уровень логистического сервиса. От количества имеющегося у Компании подвижного состава зависит ритмичность поставки продукта потребителям, а также своевременное пополнение запасов на базах хранения, что сокращает суммы штрафов из-за несвоевременной поставки продукции потребителям и также повышает уровень логистического сервиса.

Помимо этого на основании собранной статистики в модели были учтены факторы, носящие стохастический характер, такие как неритмичность производства,погодные условия, влияющие на уровень спроса, количество отказов автотранспорта, время ремонта автотранспорта.

В имитационной модели ЛС формируются следующие выходные показатели:

-                     Общие затраты, включающие в себя транспортные расходы, потери, которые понесла Компания из-за образования дефицита, а также потери, которые понесла Компания от упущенных продаж из-за отсутствия свободного подвижного состава;

-                     Количество продукта, которое было произведено заводами-изготовителями;

-                     Количество продукта, которое Компания не смогла получить с заводов-изготовителей из-за отсутствия свободного подвижного состава, а также по причине полной загрузки своих хранилищ;

-                     Объем общих потребностей клиентов Компании, а также объем потребностей клиентов, которые компания не смогла удовлетворить;

-                     Уровень логистического сервиса.

В виду специфики хранения углекислоты, операционные затраты на ее хранение не зависят от того, насколько заполнены хранилища, поэтому в расчет общих затрат в модели они не включены.

Модель была реализована в многофункциональной среде Anylogic 6, поддерживающей различные парадигмы имитационного моделирования, реализующей процессный подход с помощью библиотеки объектов, позволяющих моделировать системы реального мира, имеющей развитые средства анимации и дополнительные модули, визуализирующие процесс транспортировки.Для создания модели был выбран дискретный подход, так как все процессы в модели событийные, а также  в соответствии с поставленной задачей была необходимость отразить топологию ЛС и детализировать процессы транспортировки.Диаграмма дискретно-событийной модели логистической сети приведена на рисунке 3. 

 

Рис.3. Диаграмма имитационной модели ЛС в среде AnyLogic

Для наглядности работы модели был создан графический интерфейс с анимацией, с привязкой к географической карте, на которомвизуализируется передвижение автотранспорта, отображается выходная статистика (погрузка/разгрузка, простой, ремонт), текущая наполненность емкостей хранения, а также отображается текущее состояние объектов логистической инфраструктуры, с фиксированием итоговых годовых значений (рис.4). Выходные статистические данные, полученные в результате прогонов модели,  представлены в таблице 6.

 

Рис.4.Общий вид презентации созданной модели ЛС в AnyLogic

Таблица 6

Выходные статистические результаты имитационного моделирования  по итогам одного модельного года

Проведена верификация и оценка адекватности имитационной модели логистической сети по результатам ее работы и сравнению их с фактическими значениями показателей реальной логистической сети, которая показала, что данная имитационная модель соответствует реальной логистической сети Компании.

На разработанной модели был проведен ряд сценарных исследований, в ходе которых были определены оптимальные значения управляющих параметров модели:количество подвижного состава в г.Санкт-Петербург, количество подвижного состава в г.Москва, дополнительная емкость хранения в г. Санкт-Петербург, дополнительная емкость хранения в г.Балашиха,минимизирующие потери от образования дефицита и отсутствия свободного подвижного состава, приводящие в итоге к снижению совокупной стоимости владения (TCO).Целевой функцией в модели был выбран среднегодовой уровень затрат. График формирования лучших допустимых значений целевой функции в процессе проведения оптимизационного эксперимента на имитационной модели представлен на рисунке 5.

Рис.5. График лучших допустимых значений целевой функции

В таблице 7 приведены оптимальные значения управляющих параметров для рассматриваемой логистической сети,полученные в ходе проведения сценарного исследования, которые позволяют сделать однозначный вывод о том, что для того чтобы Компании уменьшить совокупную стоимость владения необходимо увеличить количество подвижного состава в г.Санкт-Петербург, как минимум в 8 раз, а также увеличить емкость хранилища, расположенного в Московской области до 560 тонн.

Таблица 7

Результаты сценарных исследований.

 

Было установлено, что на текущий момент на базе хранения в г. Балашиха имеется дополнительная цистерна для хранения углекислоты, объемом 100 тонн, которая в настоящий момент Компанией не эксплуатируется.

Для оценки эффективности от запуска дополнительной емкости на базе хранения в г.Балашиха, было предложено провести дополнительное сценарное исследование и задать в модели новое значение емкости данного хранилища, увеличенное на 100 тонн, и увеличить количество подвижного состава в г.Санкт-Петербург до 80 единиц (Табл. 8).

Таблица 8

Новые значения показателей для подстановки в модель

После запуска модели были получены результаты, показывающие, что увеличение количества подвижного состава в г.Санкт-Петербург до 80 цистерн и увеличение емкости хранилища в г.Балашиха всего лишьна 100тонн, привело к сокращению суммарных затрат на 17,76%, потерь от дефицита  – на 60,2% и увеличению уровня логистического сервиса на 7,3% (Табл. 9).

Таблица 9

Сравнение выходных показателей по результатам сценарных исследований 

Таким образом, применение метода имитационного моделирования помогло выявить причины образования дефицита в логистической сети компании LindeGasRus и предложить оптимальное решение, позволяющее существенно снизить затраты и потери компании и увеличить уровень ее логистического сервиса, не прибегая к экспериментам с реальной системой и не инвестируя в него деньги.

Список литературы:

  1. Лычкина Н.Н. Имитационное моделирование экономических процессов: Учеб.пособие. — М.: ИНФРА-М, 2011. — 254 с. — (Высшее образование).
  2. Суслов С.А. Бизнес – это поле для экспериментов. Но проводить их лучше на имитационной модели // Рациональное управление предприятием. 2009. №4. С. 12-15.
  3. Суслов С.А. Имитационная модель - уже вполне обычная составная часть логистических проектов // Логистика. 2012. №2. С. 22.
  4. Толуев Ю.И. Имитационное моделирование логистических сетей // Логистика и управление цепями поставок. 2008, № 2/25
  5. Дыбская В.В., Зайцев Е.И., Сергеев В.И., Стерлигова А.Н. Логистика. Полный курс MBA. – М.: ЭКСМО, 2010. – 940 с.

Опубликовано № 5 (64) октябрь 2014 года

АВТОР: Лычкина Н. Н.

РУБРИКА Имитационное моделированиеЛогистическая инфраструктураЛогистика складированияИнформационные технологии в логистике и SCMГлобальные логистические проекты

Аннотация 

В статье описаны основные проблемы развития транспортной инфраструктуры России и, в частности, Московского региона. В рамках решения поставленных задач демонстрируется использование имитационного моделирования как наиболее эффективного инструмента апробации конструкторских и инвестиционных решений на примере проекта строительства Дмитровского межрегионального мультимодального логистического центра

Ключевые слова логистический центр мультимодальный центр имитационная модель проектирование инфраструктуры AnyLogic конструкторское решение инвестиционное решение


Региональная неравномерность развития транспортной инфраструктуры ограничивает развитие единого экономического пространства страны и не позволяет в полной мере осваивать ресурсы регионов. Развитие современной и эффективной транспортной инфраструктуры включает реализацию высокотехнологичных проектов по развитию транспортных магистралей и транспортных узлов, обеспечивающих основные межрегиональные связи. Это предполагает строительство новых железнодорожных линий, автомобильных дорог, грузовых терминалов с целью расширения возможности транспортировки грузов.Важное место в транспортной системе Московской области занимают железные дороги. ОАО «Российские железные дороги» совместно с Правительством Московской области и Правительством Москвы разработана и утверждена Генеральная схема развития Московского железнодорожного узла на период до 2020 года. В соответствии с этим документом предусматривается сбалансированное развитие всех объектов железнодорожной транспортной инфраструктуры, строительство дополнительных главных путей на отдельных направлениях Московского железнодорожного узла, создание скоростного пригородного сообщения, реконструкция сортировочных и опорных станций. Это позволит увеличить пропускную способность железных дорог, развить сеть транспортно-логистических центров, создать новые скоростные направления и на более высокий уровень поднять качество услуг, предоставляемых пассажирам и организациям. Предусматривается строительство дополнительных путей и грузовых сетевых терминалов, в соответствии с  Генеральной схемой  предусматривается строительство мультимодальных логистических Центров в районе станций Белый Раст и Белые Столбы, а также г. Димитров. Несоответствие уровня развития автомобильных дорог уровню автомобилизации и спросу на автомобильные перевозки приводит к существенному росту расходов, снижению скорости движения, продолжительным простоям транспортных средств, повышению уровня аварийности. Сегодня доля протяженности автомобильных дорог федерального значения, работающих в режиме перегрузки, достигла 29% (14 тыс. км), а в пределах Московского транспортного узла – более 60%.Развитие инфраструктуры внутреннего водного транспорта, прежде всего, связано с устранением лимитирующих пропускную способность участков внутренних водных путей Единой глубоководной системы европейской части Российской Федерации, что позволит сохранить целостность реки Волги как судоходной реки, существенно повысить провозную способность флота и скорость прохождения отдельных участков.Определенные препятствия возникают и в связи с постепенным выводом из эксплуатации речных судов, выработавших свой ресурс и подлежащих списанию. Вводимый в эксплуатацию новый флот пока недостаточен по тоннажу, структура и пропорции также искажены. В этой связи вопросам строительства, ускоренного ввода в строй новых терминалов, перегрузочных комплексов отводится  самое большое внимание. Сегодня доля транспортных услуг в конечной цене товара в России достигает в среднем 22-25%. Это очень высокий показатель, который вовсе не отражает фактор пространства, протяженности территории. Достаточно указать, что доля транспортной составляющей в конечной цене товара в ЕС, с учетом евроазиатских перевозок, не превышает 7-9%. При этом организация транспортных коммуникаций такова, что груз может быть переброшен с одного вида транспорта на другой без значительных затрат. Так, например, среднее расстояние между речными портами и перегрузочными комплексами на реке Майн в Германии не превышает 40-50 км, что позволяет доставлять грузы клиенту с использованием самого дешевого вида транспорта (речного) и других видов быстро, в комфортном тарифном варианте. Напомним, что доля грузооборота речного транспорта в Германии и Нидерландах в общем грузообороте временами достигает 14% (исключение – падение уровня воды по климатическим причинам).

В контексте общей проблематики развития транспортной инфраструктуры Московского региона строительство Дмитровского межрегионального мультимодального логистического центра (далее ММЛЦ)  позволит  частично решать стоящие  задачи. Создаваемый современный портово-складской комплекс должен обеспечить грузооборот 6 млн. тонн в год. Месторасположение ММЛЦ: Российская Федерация, Московская область, Дмитровский район. Комплекс примыкает к Татищевскому уширению каналам Москвы в районе г. Дмитрова.

Строительство, а в дальнейшем и эксплуатация таких сложных логистических систем как ММЛЦ сопровождается моделированием на всех этапах жизненного цикла объекта, что соответствует лучшим зарубежным практикам в области логистического инжиниринга.  Наиболее эффективным инструментом апробации конструкторских и инвестиционных решений является имитационное моделирование.Создание имитационной модели  Дмитровского межрегионального мультимодального логистического центра (ММЛЦ) осуществлялось в рамках разработки проектной документации по проекту «Создание транспортной инфраструктуры для формирования комплексной транспортно-логистической системы г. Москвы и Московской области. Разработка данной документации производилась  по решению Государственного заказчика ФКУ «Дирекция государственного заказчика по реализации федеральной целевой программы «Модернизация транспортной системы России» (ФКУ «Ространсмодернизация») на основании:

- Федеральной целевой программы «Развитие транспортной системы России (2010-2015 годы)», утвержденной постановлением Правительства Российской Федерации от 05 декабря 2001 г. №848 (в редакции постановления Правительства Российской Федерации от 21.12.2010 №1076 , с изм. от 22.12.2010), подпрограммы «Развитие экспорта транспортных услуг»

- Федеральной адресной инвестиционной программы на 2011 год и на плановый период 2012 и 2013 годов, утвержденной Министерством экономического развития Российской Федерации 13 января 2011 года

- Федерального закона « О федеральном бюджете на 2011 год и на плановый период 2012 и 2013 годов» от 13 декабря 2010 года №357-ФЗ.

- Заключения экспертного совета по государственно-частному партнерству Министерства транспорта Российской Федерации от 23 июня 2008 г.

Объектом моделирования является логистическая  и транспортная инфраструктура  распределительного межрегионального мультимодального логистического центра.На момент подготовки имитационной модели, логистический центр находился в стадии проектирования и Государственному заказчику необходимо былополучить информацию  для поддержки принятия управленческих решений при вводе и строительстве объекта. ПроектируемыйММЛЦ является сложной технико-экономической системой. Создание таких систем требует значительных капиталовложений и разнообразных ресурсов. Для таких систем важной составляющей проектной документации является наличие имитационной модели, которая позволяла бы проводить оценку и прогнозирование основных технико-экономических показателей проектируемого объекта, а также наглядно воспроизводить основные процессы, протекающие на объекте с целью визуализации функционирования будущего логистического центра и обоснованного принятия управленческого решения по проектированию его инфраструктуры, а также  обоснованию  на размеры инвестиционных средств, направляемых государством на его создание и развитие с перспективой до 2040 года в условиях прогнозируемых возрастающих грузопотоков. Решение этой  задачи, а также наглядное представление функционирования проектируемого ММЛЦ с выявлением «узких» мест в проекте, предельных нагрузок и возможностей центра, его ресурсного обеспечения должна быть осуществлено с помощью имитационной модели.

Имитационное моделирование логистических систем.

Применение  имитационного моделирования в инжиниринге и исследовании логистических систем [1,2] содержит огромное количество положительных сторон:

  • визуализация и комплексное понимание сложных процессов и характеристик логистической системы с помощью графиков и развитой анимации;
  • задачи управления в логистической системе являются достаточно объемными и сложными для формализации, модель имеет значительное число внутренних связей и обладает большой размерностью;
  • системность в решении и оценке сложных  управленческих ситуаций  по проектированию и развитию логистических систем, с большим количеством решающих правил на множестве показателей эффективности (рис 1.);
  • возможность учитывать стохастическую природу и динамику многих факторов внешней и внутренней среды (например, изменения интенсивности грузопотоков по периодам прогнозирования, сезонный характер и периоды водной навигации); пользователь получает возможность моделировать случайные события в конкретных областях и выявлять их влияния на логистическую систему;
  • возможность воспроизводить динамику системы, анализ узких мест, отражать  временные  характеристики логистических процессов, обилие временных параметров (характеристики грузопотоков, как правило, имеют вероятностный и динамический характер, текущий уровень запаса на складе является  динамическим параметром, и т.п.);
  • в большинстве случаев в распоряжении лица, принимающего решения, в проектируемой логистической системе имеется несколько альтернатив (допустимых решений), имитационная модель позволяет их оценивать и сравнивать, проводить сценарные исследования «Что будет, если» и оптимизацию;  анализ влияния локальных изменений в проекте на всю систему;
  • снижение рисков при исследовании на предпроектной стадии, обеспечение минимизации риска изменения плана путем предварительного анализа и моделирования возможных сценариев  развития событий в логистической системе.

 

Дополнительные  преимущества имитационного моделирования связаны со свободным  выбором уровня детализации отображения процессов в модели;отсутствием ограничений на сложность логики моделируемых процессов и воспроизводимых в модели алгоритмов управления и ограничений на структуру и объём исходных данных моделирования.Имитационное моделирование позволяет учесть сезонность, пиковые периоды, проиграть движущиеся потоки во времени, вероятностные характеристики процесса на достаточно большом периоде времени, оценить влияние факторов риска, проиграть сложные технологии и алгоритмы  в обработке грузопотоков и организации хранения на модели, провести выбор оптимального решения.

Рис 1. Общая структура имитационной модели логистической системы

Методология создания дискретных имитационных моделей, ориентированных на изучение материальных потоков в логистических сетях, включает в себя принципы построения следующих частных моделей [1]:

•          моделей структуры системы обработки материальных потоков;

•          моделей ассортимента и количества грузов в потоках;

•          моделей пространственной вложенности грузов, носителей груза, транспортных средств и стационарных хранилищ груза;

•          временных моделей входных потоков системы;

•          моделей для определения длительности технологических операций;

•          моделей маршрутизации динамических объектов(транспортных средств,    носителей груза и самих грузов);

•          моделей объединения и разделения динамических объектов;

•          моделей стратегий управления запасами;

•          моделей процессов распределения ресурсов и диспетчеризации;

и может быть расширена с учетом специфики моделируемого объекта и исследуемых логистических процессов.

Имитационная модель мультимодального логистического центра.

Объектом моделирования является логистическая и транспортная инфраструктура распределительного мультимодального межрегионального логистического центра в г. Дмитров Московской области. Логистический центр находился в стадии проектирования и руководству необходимо было получить обоснования по инвестициям в строительство  и основным планировочным решениям  при строительстве объекта и формированию его логистической инфраструктуры, провести  выявление возможных «узких» мест в функционировании логистического центра и обоснование вложенных инвестиций в строительствои развитие объекта.Основная задачасостояла в  создании  инструмента для инвесторов и проектантов для определения наилучшего планировочного решения логистического центра с точки зрения эффективности работы логистической и транспортной инфраструктуры рассматриваемого центра,в исследовании узких мест в функционировании будущего ММЛЦ на этапе проектирования, на основе заданных планировочных решений и прогнозируемых грузопотоков,а также  обоснование вложенных инвестиций в строительство объекта.

Имитационная модель Дмитровского ММЛЦ предназначена для:

•          компьютерной имитации взаимодействия основных элементов ММЛЦ в динамике с учетом его основных параметров и характеристик;

•          воспроизведения процесса имитации в виде анимации;

•          получения и наглядного отображения в динамике с помощью модели основных технико-экономических показателей центра с целью принятия обоснованных управленческих решений:

- мощность ДММЛЦ;

- годовой грузооборот ДММЛЦ по типам и номенклатуре грузов;

- грузооборот Дмитровского ММЛЦ на расчетные сроки (2015, 2020, 2030 годы) по родами видам грузов;

- грузовую базу ММЛЦ;

- объем грузооборота на каждый причал;

- прогнозируемую загрузку инфраструктуры и производственных мощностей;

- пропускную способность Дмитровского ММЛЦ с ОАО «РЖД».

•          управления основными характеристиками и параметрами модели для многовариантной оценки возможностей центра.

К дополнительным  показателям моделируемых логистических процессов относятся:объём перевезённого или обработанного груза; время выполнения логистических операций; длительность  процессов обработки заказов;число выполненных поездок;суммарный путь, пройденный транспортными средствами;степень использования различных ресурсов (краны, грузчики);показатели использования  складских площадей.

В качестве решения была разработана и верифицирована дискретно-событийная имитационная моделирования ММЛЦ в высокотехнологичной среде моделирования AnyLogic, с применением библиотек  «Основная библиотека» (EnterpriseLibrary) и «Железнодорожная библиотека» (Rail-YardLibrary); идентифицированы базовые процессы и исходные данные, подготовлены соответствующие интерфейсы и анимация. Дискретный подход в имитации позволяет выполнить детальное описание моделируемых логистических процессов и событий вплоть до рассмотрения  отдельных сущностей (вид транспортного средства, вид груза, объект логистической инфраструктуры) и  моделируемых процессовтаких, как «транспортировка  груза», «сортировка железнодорожного состава», «разгрузка», «складирование и перевалка груза» и других.

Заказчиком был осуществлен сбор необходимых исходных данных и предложен  вариант расположения объектов Дмитровского ММЛЦ на базе  карты-схемы  с учетом существующей транспортной инфраструктуры.  Анимационное табло модели создано на основе  планшета с изображением  генерального плана (рис 4). В имитационной модели проекта идентифицированы следующие объекты транспортной и логистической инфраструктуры центра:

-        грузовые терминалы вдоль причальной стенки длиной 1300 м (у девяти причалов расположены 32 кранов для разгрузки и погрузки);

-        складской терминал с системой;

-        контейнерные площадки для единовременного хранения 10 000 TEU;

-        офисное здание;

-        места для хранения навалочных грузов и тарно-штучных, в том числе крупногабаритных;

-        внутренняя автодорожная сеть и подъездные автодороги;

-        сортировочная железнодорожная станция на четыре пути длиной 500 метров;

-        объекты инженерной инфраструктуры для обеспечения объектов, создаваемых за счет средств частного инвестора (тепло- водо- и электроснабжение, отвод сточных вод и др.).

Общая площадь складского комплекса – 100 000 кв.м. Железнодорожная станция Каналстрой Московской железной дороги должна обеспечивать функционирование создаваемого комплекса. Имитация разгрузки сыпучих грузов из ж.д. вагонов реализует  вариант  раскрытия створок вагонов.  Для приема грузов, прибывающих на ж.д. транспорте в модели воспроизводится  4-колейная сортировочная станция длиной 500 метров и два двухколейных пути вдоль причалов прикордонных и тыловых складов. Имитационная модель разработанного варианта генерального плана ММЛЦ предусматривает наличие девяти причалов для приема речных судов. Из них восемь причалов для приема судов типа «Вога-Дон пр.507», грузоподъемностью 5000 тонн  и один причал для приема барж типа «пр.81500». В модели воспроизводится разгрузка и погрузка судов с использованием  прикордонныхскладов причалов №1-4 (навалочные грузы), прикордонных складов причалов №5,6 (контейнеры), прикордонных складов причалов №7,8 (генеральные грузы) и прикордонного склада причала №9 (генеральные и крупногабаритные грузы). Имитация разгрузки и погрузки судов осуществляется моделями кранов типа «Альбатрос 10-20» .Размещение грузового автотранспорта возможно на двух автостоянках емкостью до 300 автомобилей типа КАМАЗ.

В результате моделирования взаимодействия элементов ММЛЦ в период с  2015, 2020, 2030 годов во время навигации (с 1.05 по 31.10),а также в зимний период необходимо контролировать динамику основных технико-экономических показателейпо количеству прибывшего и убывшего транспорта и груза, состоянию груза по всем складским зонам в разрезе типов груза, эффективность использования кранов и маневрового тепловоза и других ресурсов логистического центра, долю пустых судов и вагонов, не использованных на ММЛЦ,временные параметры процессов  пребывания различного транспорта на территории ММЛЦ и ожидания транспорта под разгрузку и погрузку и др..

К основным грузопотокам, описанным в модели,  относятся:традиционные грузы (нерудные строительные материалы из традиционных регионов – Карелия, Ленинградская область);лесные грузы (доставка речным путем в период навигации из Костромской и Ярославской областей; по железной дороге возможна доставка, кроме указанных областей – из Архангельской области, ст.Няндома.);  черные металлы (основная грузовая база для Дмитровского ММЛЦ – Череповецкийметкомбинат; кроме того возможныпоставки с уральских заводов, а также, с Новолипецкого комбината; поставки с Череповца может производиться как по реке в навигационный период, так и по железной дороге в течение года).На основе проектной документации в модели заданы  основные характеристики грузопотоков на прогнозируемые периоды до 2015-2020, 2020-2030, 2030-2040 гг. по основным видам транспорта и груза.

Важным моментом в идентификации параметров модели являлось описание грузопотоков и процессов функционирования  логистического центра в навигационный и ненавигационный период, что определяло динамические параметры моделируемой системы.        Исходя из планируемой для складирования, погрузки и разгрузки номенклатуры грузов – контейнеры, рефконтейнеры, генеральные грузы, навалочные грузы и нерудные строительные материалы рассматриваетсяследующие варианты использования логистического центра в зимний период. Анализ показал, что в зимний период деловая активность во многих секторах экономики падает. Дмитровский ММЛЦ планирует поставлять клиентуре (строительные организации, дорожно- строительные компании и др.) серьезные объемы нерудных строительных материалов (НСМ). Спрос на НСМ в зимний период резко падает, за исключением заводов ЖБИ.Крупные потребители песка, щебенки – дорожно-строительные компании – также в силу погодных условий не строят дороги и не производят ремонт в крупных объемах. Таким образом, данная часть складских площадей не функционирует и не приносит владельцам соответствующих доходов.Зимой, в случае с Дмитровским ММЛЦ, отсутствуют и крупногабаритные грузы, поскольку их перевозят судами, в летнюю навигацию.Контейнерные грузы, по сравнению со строительными грузами, практически постоянно находятся в обороте. Тоже самое можно сказать и в отношении рефконтейнеров. Как правило, особых сложностей склады не испытывают и с тарно-штучными грузами. Данная номенклатура грузов может быть доставлена и вывезена автотранспортом.Сложнее обстоят дела с такими грузами, как металлоизделия, пиломатериалы. Открытые и закрытые площади могут быть использованы с определенным доходом. Возможные сценарии функционирования логистического центра в условиях изменяющейся интенсивности грузопотоков по различным видам транспорта и груза в зимний период заложены в разработанную имитационную модель.

Имитационная модель ДММЛЦ воспроизводит основные процессы внутренней логистики моделируемого центра и их взаимодействие и включает подмодели  транспортировки грузов по территории и подмодели  процессов на складах (прием грузов, перемещение грузов в зоны хранения и обратно, отправка грузов):

  •  процессы прибытия грузов различных видов (контейнерные грузов 20-ти и 40-ка футовых контейнерах; генеральные грузы, крупногабаритные грузы промышленного назначения, металлы (арматура, метизы, лист, промлист), лесные грузы (стройматериалы); минерально-строительные грузы (песок, щебень) различными видами транспорта (речным, железнодорожным и автомобильным);
  • процессы подготовки соответствующего транспорта для разгрузки и погрузки (сортировка вагонов и постановка под разгрузку-погрузку, подход к причалу и отход от причала судов, подъезд и отъезд автомобилей для разгрузки-погрузки);
  • процессы подготовки разгрузочно-погрузочного оборудования (портальных кранов) для проведения соответствующих работ;
  • процессы разгрузки и погрузки грузов и размещения их на соответствующих складских территориях;
  • процессы убытия загруженного транспорта (или порожнего) с территории ДММЛЦ.

Логическая структура и блок-схема разработанной имитационной модели ММЛЦ, реализованная с применением встроенных библиотечных решений системы моделирования AnyLogic, библиотек «Основная библиотека» (EnterpriseLibrary) и «Железнодорожная библиотека» (Rail-YardLibrary), приведена на рис. 5.Исходные данные модели могут подгружаться в модель из дополнительных баз данных  и электронных таблиц, а также корректироваться пользователем в ручном режиме. Основной интерфейс разработанной имитационной модели приведен на рис.2. и включает табло по выбору  источника исходных данных, их редактированию (рис. 3), задаваемых сценариев и прогнозируемого периода моделирования. 

Рис. 2. Интерфейс имитационной модели ММЛЦ.

В соответствии с отчетом  по проектной документации «Создание транспортной инфраструктуры для формирования комплексной транспортно-логистической системы г.Москвы и Московской области, в том числе создание Дмитровского межрегионального мультимодального логистического центра» (Раздел 1. «Технико-экономические изыскания».  Книга 1.1. Анализ существующих и перспективных грузопотоков и оценка грузооборота Дмитровского межрегионального мультимодального логистического центра) и планируемых грузопотоков, заказчиком был подготовлен ряд сценариев, которые проигрывались на имитационной модели на расчетные сроки – 2015, 2020, 2030 годов.Базовые планировочные решения корректировались также с помощью таких параметров, как  количество парковочных стоянок и специальных зон на территории комплекса; количество портальных кранов на складских площадках; емкость складов; и др. Выходные переменные модели выводятся на специальное табло модели (рис. 7), а также все переменные модели могут контролироваться в течение процесса моделирования (рис.  6).

Рис. 3.Ввод и редактирование исходных данных проекта (Грузооборот 2015-2020 годы)

Анимационное табло модели (рис. 4) визуализирует движение железнодорожного, речного и автомобильного транспорта модели, текущее состояние складских зон с отображением цвета по типу груза, состояние всех ресурсов объекта, а также фиксирует ситуации с переполнением складских зон, коллапсы на развязках и объектах центра, а также в водной акватории.

Рис. 4 Анимационной табло имитационной модели ММЛЦ

 Рис. 5. Диаграмма имитационной модели ММЛЦ.

 Рис.6.  Параметры имитационной модели

На рис. 7 приведено  табло имитационной модели с выводимой в ходе сценарных исследований выходной статистикой, формируемой в модели по следующим  основным показателям:

- количество прибывающих вагонов с разными грузами;

- количество прибывшего груза (по видам) ж.д. транспортом;

- количество прибывающих судов с разными грузами;

- количество прибывшего груза (по видам) речным транспортом;

- количество прибывающих контейнеров автомобильным транспортом;

- общее количество грузов по видам, прибывшего всеми видами транспорта и находящегося на каждой складской площадке;

- текущее количество грузов в разрезе отдельных складов;

- количество убывающих вагонов с разными грузами;

- количество пустых вагонов не использованных на ММЛЦ;

- количество грузов, вывезенных ж.д. транспортом;

- количество судов убывающих с разными грузами;

- количество пустых судов, ушедших из ММЛЦ;

- количество грузов, вывезенных судами;

- количество вывезенных грузов автотранспортом;

- коэффициент загрузки кранов и маневрового тепловоза;

- время пребывания различного транспорта на территории ММЛЦ;

- время ожидания транспорта под разгрузку и погрузку.

Рис. 7. Визуализация результатов моделирования

Анализируя динамику основных  показателей,  исследуются возможности проектируемого логистического центра и предельные нагрузки, выявляются узкие места и потенциал центра. Анализ  различных сценариев работы ММЛЦв условиях планируемых грузопотоков и пробные испытания, проведенные на разработанной модели позволили выявить ряд проблем, связанных с неэффективностью использования отдельных складских зон; неравномрной загрузкой складских зон и переполнением прикардонных складов в навигационный период, что позволило  предложить внести в проект центра решения по организации перевалки;   коллапс  в размещении  автомобильного транспорта на парковочных зонах в пиковые периоды, что позволило проектантам подготовить ряд предложений и вариантов по модернизации логистической и транспортной инфраструктуры проектируемого логистического центра,  его  оснащению  и развитию.

Список литературы:

  1. Лычкина Н.Н. Имитационное моделирование экономических процессов. Учебное пособие. М.: ИНФРА-М, 2011. – 254 с.- (Высшее образование).
  2. Кондратьев В.В., Лычкина Н.Н., Борщев А. В. и др. Конструктор регулярного менеджмента. Мультимедийное учебное пособие. Под ред. Кондратьева В.В. - М.: ИНФРА-М, 2011.

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