При этом не во всех случаях идея «чем ближе, тем лучше» оказывается справедливой при размещении поставщиков рядом с производством. Некоторые более удаленные поставщики, рассмотренные в исследовании, функционировали более эффективно.
Некоторые авторы (M.Holweg et al, 2003) [22] приходят к выводу, что синхронизацию поставки компонентов и автомобильного производства реализовать проще, чем внедрить эффективную «сборку на заказ» для потребителя. Выделяется «типичная» проблема поставщиков автокомпонентов первого эшелона: с одной стороны производство требует поставок точно в срок, с другой им приходится взаимодействовать с поставщиками материалов, которые в большинстве случаев работают с большими партиями поставок. Приведена часть схемы типочного алгоритма выполнения заказа [14] (Рис.4).
Рис. 4 Упрощенная карта процессов выполнения заказа
Российская автомобильная промышленность находится на стадии развития, поэтому актуален вопрос о том, насколько зарубежные практики организации снабжения сборочных производств могут быть адаптированы к российским условиям.
Помимо концептуальных исследований подходов к анализу сети снабжения, используются различные методы моделирования. Более сложные объекты требуют использования более развитых средств отображения их работы. В данной статье основной фокус направлен на анализ исследований цепей поставок снабжения с использованием имитационного моделирования.
Применение имитационного моделирования и мультиагентных систем для решения задач снабжения производства и конфигурирования сети поставщиков
Применение имитационного моделирования (дискретно-событийное и агентное моделирование) оправдано и особенно эффективно в случаях, когда изучаемый объект находится в динамическом состоянии. Например, если меняются внешние по отношению к объекту условия. Логистические сети компаний автомобильной промышленности будут значительно модифицированы в ближайшие несколько лет, что является основанием для применения указанного метода. В предыдущем разделе статьи было показано, что многие особенности конфигурирования логистических сетей зависят от организации взаимодействия производственного предприятия и поставщиков.
Агентное моделирование позволяет отразить процесс взаимодействия звеньев цепи наиболее точно: могут учитываться параметры географического расположения, алгоритмы оптимизации издержек каждого звена цепи, особенности взаимодействия агентов (звеньев цепи поставок). Мультиагентные системы не требуют централизованного алгоритма управления: каждый элемент в большей или меньшей степени функционирует самостоятельно. Данная особенность позволяет значительно упростить построение моделей сложных систем. Сетевая структура и акцент на способах взаимодействия агентов - это концептуальные основы мультиагентных систем, которые хорошо согласуются с методологией управления цепями поставок.
Согласно Chang и Makatsoris [10]: «дискретно-событийное имитационное моделирование позволяет провести оценку производительности до внесения изменений в изучаемую систему, так как: а)позволяет провести глубокий анализ «что если» для более точных решений в области планирования, б)допускает сравнение различных способов организации процессов без вмешательства в работу системы-прототипа и в)обладает возможностью сжатия времени при моделировании, что упрощает принятия решений, зависящих от выбранного временного промежутка»
В обзорной статье «Simulation in the supply chain context: a survey» Terzi и Cavalieri [30] приводится классификация более 80 работ, связанных с использованием имитационного моделирования в сфере логистики по состоянию на 2004 год. Авторы формируют базовые критерии классификации и выделяют наиболее перспективные области для применения имитационного моделирования. Следует заметить, что лишь несколько работ по оптимизации конфигурации сети рассматривали проблему географического размещения звеньев цепи. В настоящее время задача размещения объектов логистической инфраструктуры является одной из самых популярных при практическом применении имитационного моделирования.
Также можно выделить работу [12] «An analysis of agent-based approaches to transport logistics» Davidsson et al (2005). В ней проведен обзор применения мультиагентных систем для решения задач транспортной логистики. Проведена классификация по видам транспорта, описаны возможности практического применения результатов исследований. Особенно подчеркивается факт, что исследователи редко проводят сравнение разработанных подходов с уже существующими техниками. Определено, что количество исследований, использующих агентный подход для решения стратегических аспектов управления логистической инфраструктурой минимально по состоянию на 2005 год.
Наиболее подробно применение мультиагентных систем для решения задач логистики и управления цепями поставок рассмотрено в книге «Multiagent based Supply Chain Management» [9]. Данная книга состоит из шестнадцати глав, в каждой из которых рассмотрено применение агентных моделей для решения какой-либо задачи области управления цепями поставок. Рассмотрены вопросы конфигурирования цепей поставок, управления рисками, анализа различных стратегий взаимодействия звеньев цепи, внедрения электронных систем.
В большей части работ, посвященных применению имитационного моделирования для поиска алгоритмов конфигурирования цепи, рассматривается трехуровневая логистическая сеть.
В работе Kwon (2007) [26] рассматривается мультиагентная цепь поставок, состоящая из трех базовых типов агентов, максимизирующих величину собственной прибыли: розничные точки, производители и поставщики. Рассмотрено функционирование цепей поставок при различном уровне взаимодействия между контрагентами: автономная работа, интеграция и улучшенная интеграция. Оценивается влияние управления единым координирующим агентом цепи поставок. Описан итеративный алгоритм перехода от концепции максимизации собственной прибыли к максимизации общей прибыли цепи. Методологическая основа алгоритма управления цепью поставок в исследовании: Case-Based Reasoning - система рассуждения на основе аналогичных случаев.
В статье Fu и Piplani (2004) [17] в роли фокусной компании выступает дистрибьютор, оценивается эффект от сотрудничества со стороны снабжения. Разработанная имитационная модель используется для организации планирования. Проводится анализ двух базовых сценариев: с учетом кооперации и без неё. Полученные результаты показывают, что за счет более точного прогнозирования можно добиться увеличения уровня сервиса в системе-объекте исследования на 5% (с 90% до 95%).
В исследовании, упомянутом в предыдущем разделе (Holweg et al, 2005), [23] рассматривается имитационная модель, отражающая работу производственного предприятия автомобильной промышленности. В качестве параметров работы модели была также предложена система KPI (Key Performance Indicators) для поставщиков, потребителей и производства для формирования оптимальной сети. Параметры KPI использовались как средство управления взаимодействием агентов-звеньев цепи. Исследование было направлено на выявление причин проблем со сборкой на заказ в автомобильной промышленности. Сформулированы предложения по внесению изменений в систему управления и информационные системы компаний.
В статье Giannakis и Louis (2011) [19] предложено использование агентной надстройки для систем принятия решений класса ERP. Основной акцент сделан на решении проблемы управления рисками в цепях поставок. Представлены основные классы агентов для данной группы задач. Предложенная методология использует элементы самоорганизации и обучения агентов.
Наблюдается рост интереса к применению имитационного моделирования для оптимизации потоков входящей логистики предприятий автомобильной промышленности. Рассмотрим наиболее интересные готовящиеся к выходу публикации.
В статье «A simulation framework for real-time fleet management in internal transport systems» Jaou et al (2012) [25] приведен подробный анализ использования имитационного моделирования для решения задач управления парком транспортных средств, а также для перевалки контейнеров в терминалах. Проведена классификация моделей, подходов и их ограничений. Предложен алгоритм, который позволяет адаптировать модель к изменяющимся условиям среды. Для реализации использовался объектный подход. Имитационная модель разработана в среде ARENA, логика взаимодействия объектов описана при помощи диаграмм состояний UML.
В статье «Supply chain redesign for resilience using simulation» Carvalho et al (2012) [8] рассматривается моделирование снабжения автомобильного производства. Авторы проводят ряд экспериментов для определения уровня устойчивости сети к внешним воздействиям. Рассмотрены три эшелона цепи поставок: производство, поставщики первого уровня, поставщики второго уровня. Смоделированы 6 сценариев работы системы с различными подходами к смягчению влияния возможных сбоев в работе. Логистическая сеть адаптирована для производственных систем JIT и Lean Production. В качестве среды разработки выступает среда моделирования Rockwell ARENA. Схема организации модели была интегрирована со SCOR моделированием.
Данная модель может быть легко конвертирована в среду разработки с акцентом на агентный подход моделирования, например, AnyLogic. Схема участка логистической сети представлена на рисунке 5.
Рис.5 Схема снабжения производства
В данной системе три поставщика первого уровня, два поставщика второго уровня, компания-производитель. Используются шесть видов материалов, из которых собираются три компонента, которые, в свою очередь, составляют основу двух модулей. Срок доставки варьируется от одного часа до одного дня, интенсивность заказов: от двух часов до недели.
При применении данных методов исследователь может изучать систему на любом уровне абстракции. В приведенных выше статьях описывались как решения для снижения рисков в цепи поставок в целом, так и вопросы интеграции разработанных моделей и подходов с уже применяющимися решениями.
В качестве аргумента в пользу применения имитационного моделирования следует указать, что в настоящее время в Европе осуществляются несколько масштабных проектов по оптимизации логистических сетей автомобильной промышленности, в которых мультиагентные системы используются в качестве метода решения поставленных задач:
- DCP (Demand Capacity Planning), [28] Проект направлен на поиски эффективных алгоритмов планирования в цепи поставок.
-LiNet, [18] В данном проекте объектом исследования является среднесрочное и долгосрочное планирование производственных мощностей предприятий автомобильной промышленности и краткосрочное управление материальными потоками.
-ILIPT (Intelligent Logistics for Innovative Product Technologies). [20] Проект является составляющей проекта «5-day car» (производство и доставка автомобиля в нужной комплектации в течение пяти дней после заказа конечного потребителя) Изучаются гибкие цепи поставок и переход к «сборке на заказ».
Методология мультиагентных систем для решения подобных задач предложена в Hellingrath et al (2009) [21]. Пример успешной реализации элементов данной системы планирования входящих транспортных потоков приведен в Florean et al (2010) [16].
Российская автомобильная промышленность отстает по уровню развития от европейской, поэтому в настоящее время подобные проекты не реализуются - для применения мультиагентных систем требуется более высокий уровень интеграции звеньев цепи. С другой стороны, изучение зарубежного опыта применения агентного моделирования цепей поставок актуально, так как, вероятно, в скором будущем подобные проекты будут реализованы и в России.
Из отечественного опыта моделирования логистических сетей предприятий автомобильной промышленности с элементами агентного подхода можно привести пример успешного сотрудничества компаний GEFCO и XJ Technologies. Разработанный на основе AnyLogic пакет программ используется для поиска оптимальных решений поставки автомобилей из-за рубежа [4]. В целом в российской практике применение подобных подходов пока что не получило широкого распространения. [1]
Литературные источники
1. Имитационное моделирование логистических сетей. Толуев Ю.И. Логистика и управление цепями поставок. 2008 г., № 2/25.
2. R. Alaez-Aller, J. C. Longas-Garcia, (2010) "Dynamic supplier management in the automotive industry", International Journal of Operations & Production Management, Vol. 30 Iss: 3, pp.312 - 335
3. S.G. Azevedo, V.H. Machado, A.P. Barroso and V. C. Machado, Supply chain vulnerability: Environment changes and dependencies. International Journal of Logistics and Transport, 1 (2008), pp. 41-55.
4. C. Y.Baldwin and K. B. Clark. "Managing in an Age of Modularity." Harvard Business Review 75, no. 5 (September-October 1997): 84-93.
5. H. Carvalho, A. P. Barroso, V. H. Machado, S. Azevedo, V. Cruz-Machado Supply chain redesign for resilience using simulation, Available online 21 October 2011 Computers & Industrial Engineering
6. B. Chaib-draa, J. P. Muller, Multiagent based Supply Chain Management Studies in Computational Intelligence, Vol. 28), Springer 2006, ISBN 3540338756, 466 стр.
7. Y. Chang, H. Makatsoris, Supply chain modelling using simulation, International Journal of Simulation 1 (2001)
8. T.Y Choi, Y.Hong, Unveiling the structure of supply networks: case studies in Honda, Acura, and DaimlerChrysler. Journal of Operations Management, Volume 20, Issue 5, September 2002, pp. 469-493.
9. P. Davidsson, L. Henesey, L. Ramstedt, J. Tornquist, F. Wernstedt, An analysis of agent-based approaches to transport logistics. Transportation Research Part C: Emerging Technologies Volume 13, Issue 4, August 2005, pp. 255-271
10. K. Demeter, A. Gelei, I. Jenei, The effect of strategy on supply chain configuration and management practices on the basis of two supply chains in the Hungarian automotive industry. International Journal of Production Economics, Volume 104, Issue 2, December 2006, pp. 555-570
11. D. Doran, "Rethinking the supply chain: an automotive perspective", Supply Chain Management: An International Journal (2004), Vol. 9 Iss: 1, pp.102 - 109
12. D. Doran, A. Hill, K.-S. Hwang, G. Jacob and Operations Research Group, Supply chain modularisation: Cases from the French automobile industry. International Journal of Production Economics Volume 106, Issue 1, March 2007, pp. 2-11
13. M. Florian, J. Kemper, W. Sihn, B. Hellingrath, Concept of transport-oriented scheduling for reduction of inbound logistics traffic, International Conference on Manufacturing Systems (ICMS) 2010
14. Y. Fu, R. Piplani, Supply-side collaboration and its value in supply chains European Journal of Operational Research. Volume 152, Issue 1, 1 January 2004, pp. 281-288
15. F. Gehr, B. Hellingrath (Eds.), Logistik in der Automobilindustrie - Innovatives Supply Chain Management fur wettbewerbsfahige Zulieferstrukturen, Springer Verlag, 2006