По рельсам с математической точностью: планирование ж/д перевозок

В отрасли железнодорожных грузоперевозок всё острее проявляется потребность в снижении затрат. О потенциале оптимизации в этой сфере рассказывает руководитель направления систем бизнес-аналитики BIA Technologies Станислав Воронин.

На протяжении последних десятилетий объем перевозок, который приходится на ж/д транспорт, стабильно падает во всем мире, уступая дорогу автотранспорту. Последний, как правило, превосходит ж/д по скорости, удобству и дешевизне. Однако списывать поезда со счетов было бы ошибкой. У этого вида транспорта есть свои преимущества, не последние из которых — безопасность и экологичность (разумеется, в сравнение с другими видами транспорта).

В попытке развернуть тренд, в 2020 году ЕС озвучил амбициозную цель — увеличить объем грузоперевозок по железной дороге вдвое к 2050 году. Мотивация — снижение выбросов углекислого газа и разгрузка автотранспортных узлов. Не исключено, что рано или поздно и другие страны задумаются об оказании поддержки отрасли. А пока, российские ж/д перевозчики могут получать конкурентные преимущества за счет математической оптимизации.

Классическая транспортная задача

Для начала разберемся, о каком типе перевозчиков пойдет речь. Под операторами ж/д транспорта понимают два вида компаний:

• транспортные компании, чей бизнес связан с ж/д перевозками и которые владеют собственным подвижным составом (например, ПАО «ТрансКонтейнер» или «дочка» РЖД — ООО «Объединенная транспортно-логистическая компания»);

• кэптивные компании, которые принадлежат материнским структурам и обслуживают их отраслевые запросы (ООО «Газпромтранс», ООО «РН-Транс», ООО «Уралхим-Транс» и т. п.).

Несмотря на свою специфику, эти виды компаний объединяет одно: у них есть собственный парк вагонов, который необходимо использовать предельно эффективно. Что для этого нужно? В первую очередь, минимизировать порожние пробеги и время простоев. В данный момент эти проблемы стоят особенно остро: согласно свежим данным Минтранса, в результате западных санкций сейчас без дела простаивают более 150 000 грузовых вагонов.

Логист, который составляет график ж/д перевозок, оперирует двумя составляющими — информацией об имеющихся заявках (с какой на какую станцию, какой груз и когда требуется доставить) и доступных вагонах (где находится каждый вагон, какими весогабаритными характеристиками обладает и чем занят в конкретный момент). Таким образом, перед нами классическая транспортная задача из линейного программирования: составить оптимальный план доставки товара из пункта А в пункт Б с минимальными затратами на перевозку.

В зависимости от типа компании, приоритеты при постановке задачи могут быть разными. Для кэптивной организации важнее всего — выполнить все заявки материнской компании. Если собственного парка вагонов вдруг не хватает, придется брать в аренду сторонние. В свою очередь, для транспортных компаний выполнение 100% заявок не является жестким требованием. Поэтому они могут позволить себе опираться на потребности рынка, подстраивать парк под якорных клиентов и отказываться от не самых прибыльных заказов.

Отличие есть и в точке назначения: подвижной состав кэптивной компании рано или поздно должен вернуться на станцию, расположенную рядом с производством своего холдинга (зачастую в отдаленных, не часто востребованных направлениях). Чтобы не совершать длинный порожний пробег «домой», на завод вагоны могут приезжать с сырьем, а уезжать — с готовой продукцией.

Кроме этого, при формировании расписания нельзя забывать о необходимости ремонта. Как и любой другой вид транспорта, поезда требуют регулярного техобслуживания. Чтобы не допустить аварий, ж/д оператор должен вести статистику по эксплуатации и пробеге вагона и на её основе предсказывать, когда подойдет время ремонта. Подробнее о такой предиктивной модели я рассказывал в статье про ТОиР.

Поскольку ремонт проводится только на определенных местах стоянок, для ж/д перевозчиков он является своеобразным видом заявки. Эту «заявку» необходимо закладывать при планировании для того, чтобы минимизировать порожний пробег от крайней станции назначения до станции техобслуживания. К тому же, если заблаговременно планировать ремонт подвижного состава, можно заранее заключить договор с вагоноремонтным предприятием по более выгодным ценам.

Цифровые решения и эффекты от оптимизации

Для решения задачи планирования нам не хватает информации о скорости движения (за какое время поезд проходит то или иное расстояние). Мы с вами привыкли, что расписание пассажирских поездов известно как минимум на месяц вперед с точностью до минуты. Как это не покажется странным, с товарными составами ситуация обстоит иначе — разница во времени передвижения между одними и теми же станциями может доходить до нескольких дней. Связано это, скорее всего, с нерегулярностью грузовых рейсов и приоритетностью пассажирских перевозок для владельца магистральных путей.

Однако знания о вероятном сроке доставки необходимы для корректной работы системы планирования. Чтобы получить достаточно точные ориентиры, можно выстроить матрицу перевозок по расстоянию и времени, исходя из накопленной статистики. Автоматизированная система обработает исторические данные по времени перемещения вагонов между станциями, учтя при этом характер груза, сезонную составляющую и все промежуточные точки маршрута. В итоге модель на основе нейронной сети выдает прогноз времени прибытия на станцию назначения. Если появится новый маршрут, по которому ранее не было перевозок, то в расчете можно взять среднюю скорость движения для конкретной железной дороги.

Для максимальной эффективности работы системы также нужен модуль прогнозирования грузопотоков. Логисты должны понимать, на каких станциях, когда и какого типа вагоны будут наиболее востребованы, а также какие могут быть встречные потоки. Эта информация нужна, в частности, для того, чтобы определить оптимальную точку возвращения: если кэптивная компания должна вернуть вагоны на базу холдинга, то логистическая компания может просто опираться на ключевые узлы грузопотока.

Далее в дело включается собственно оптимизационный модуль планирования. Математическая модель обрабатывает данные по текущим заявкам, свободному ж/д транспорту, матрице перемещений и прогнозу грузопотока и выдает оптимальный план распределения заявок по вагонам на 1–3 месяца вперед.

Отмечу, что на коротком горизонте система способна осуществлять точечный пересчет длинного плана. Она регулярно мониторит информацию по заявкам и возникающим отклонениям от графика и находит варианты перераспределения заявок с целью нивелирования последствий отклонений. Бывает и так, что ранее отложенная заявка может вдруг оказаться реальной к исполнению.

Внедрение автоматизированной системы позволяет оптимизировать планирование выполнения заказов с учетом временных окон погрузки и разгрузки, повысить эффективность использования парка вагонов, минимизировать порожний пробег и простой подвижного состава, заранее внести в график ремонтные операции (по пробегу или по временным окнам), а также сократить операционные издержки и выплаты владельцу инфраструктуры.