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.
А решаете как-то распределение парка по маршрутам и отправкам в зависимости от сроков ремонта и близости к вагоноремонтным точкам ?
Да, план график ремонтов в привязке к вагоноремонтным депо мы учитываем как входную информацию и распределяем парк по маршрутам с учетом того, что следующим пунктом назначения может быть ремонт
Круто, настоящий математический хайтек. На ваш взгляд насколько далеки от идеальных результатов существующие модели и методы расчетов?
У каждого ЖД оператора исторически складывается свой уровень эффективности и он в большей или меньшей степени приближен к оптимальному. Все зависит от ритмичности и устойчивости перевозок. Чем больше уровень неопределенности и изменчивости в маршрутах, тем больше резерв для оптимизации.
В нескольких крупных компаниях есть решения на эту тему. Основная сложность — прогнозирование наличия груза в точках грузоотправки. Получается так что для рыночных операторов работающих с большим количеством клиентов невозможно спрогнозировать наличие грузов, а для кэптивных или работающих с твердыми контрактами это не нужно, поскольку им важно подать клиенту вагон. Поэтому они обходятся простыми треугольниками и звёздами, которые они планируют заранее.
Согласен, что для рыночных операторов задача прогнозирования груза в точках грузоотправки крайне важна, сложна, но и реализуема. У нас есть опыт создание системы прогнозирования грузопотоков для последующего оптимального распределения собственного парка. Для кэптивных компаний эта задача менее актуальна, но тем не менее и им оптимизационные модели помогают снизить простои и холостые пробеги.
Точность всего результата в основном и очень очень сильно зависит от качества прогноза сроков доставки грузов, какой точности прогнозирования сроков доставки реально удалось достичь на практике?