Диссертация: Разработка автоматизированной системы управления автомобильными грузоперевозками

Пояснение к таблице 13. В графе таблицы «После внедрения» приведены фактические ключевые показатели результативности системы с учётом нормирования. При этом показатели планирования грузоперевозок были нормированы по количеству созданных заявок (коэффициент нормирования 5483 / 3684 = 1,4883), а показатели диспетчеризации грузоперевозок - по количеству рейсов (коэффициент нормирования 5301 / 3378 = 1,5693).

В качестве основного экономического эффекта от внедрения системы следует выделить сокращение временных и финансовых затрат как на планирование грузоперевозок (среднее время обработки каждой заявки сократилось на 56,4%, а её стоимость на 49,8%), так и на их диспетчеризацию (среднее время на мониторинг и контроль каждого рейса сократилось на 27,6%, а стоимость на 21,9%). Высокая степень оптимизации процессов планирования объясняется внедрением алгоритма автоматического оптимального распределения исполнителей на заявки, что способствовало существенному сокращению затрат на оплату труда сотрудников. Показатели диспетчеризации также продемонстрировали рост, несмотря на факт наличия у предприятия системы маршрутизации и диспетчеризации до внедрения - это объясняется эргономикой разработанной системы и её интеграцией с процессами планирования рейсов и распределения исполнителей.

Помимо основных ключевых показателей результативности в виде временных и финансовых затрат на обработку заявок и мониторинг/контроль рейсов, системой были также оптимизированы и другие параметры - было сокращено количество изменённых и отменённых заявок, количество рейсов, количество возникших отклонений и нештатных ситуаций, а также время их выявления. Оптимизация этих показателей также повысило эффективность работы предприятия и его контрагентов.

Экономический эффект в разрезе сокращения затрат и повышения эффективности работы исполнителей вследствие интеграции контрагентов.

Так как разработанное решение предоставляет функциональность не только для планирования и управления грузоперевозками, но и для интеграции логистических контрагентов, необходимо было также рассмотреть экономический эффект в разрезе работы исполнителей грузоперевозок как следствие интеграции в систему новых участников.

Для этих целей в рамках опытной эксплуатации параметры распределения исполнителей по заявкам у каждого заказчика грузоперевозок были настроены таким образом, чтобы как минимум 20% его заказов распределялись в свободном формате (не по ограниченному списку исполнителей). Ввиду того, что в рамках опытной эксплуатации в работу системы были включены порядка 90 частных лиц, выбранная конфигурация позволила произвести тестирование интеграционного эффекта.

В качестве основных показателей эффективности были выбраны объем грузооборота (в тонно-километрах) как основной параметр производительности грузоперевозчиков, а также доля порожних пробегов к общему количеству пройденного пути.

У 63 частных грузоперевозчиков системы были запрошены усреднённые данные за 6 месяцев до использования системы (с сентября по февраль), а также средние значения показателей после ее внедрения (за март и апрель). Важно упомянуть, что в целях корректности анализа данные были собраны только у тех исполнителей, деятельность которых была полностью переведена в новую систему.

После этого была посчитана процентная разница между двумя показателями до и после внедрения новой системы для каждого исполнителя грузоперевозок. В таблице 14 отображены основные статистические данные для распределений двух величин - увеличение грузооборота (в %) и сокращение доли порожних пробегов (также в %).

Следует отметить, что полученные данные являются выборочными для генеральной совокупности всех частных грузоперевозчиков РФ с автопарком 1-5 машин. В целях репрезентативности при отборе респондентов был использован метод стратификации - были отобраны грузоперевозчики из различных регионов и с разным составом автопарка.

Таблица 14. Увеличение грузооборота и сокращение доли порожних пробегов (в %)

В рамках определения статистической значимости была произведена проверка получившихся распределений на нормальность [55]. Для каждого распределения была осуществлена проверка гипотезы «случайная величина имеет нормальное распределение». Так как величина выборки составила 63 элемента, в целях максимизации корректности проверки гипотез было принято решение использовать одновременно и критерий Шапиро-Уилка, и критерий Колмогорова-Смирнова. Помимо этого, были произведены проверки получившихся распределений на соответствие правила трех сигм и критерия ассиметрии и эксцесса. Результаты расчётов представлены в таблице 15.

Таблица 15. Проверки распределений

По результатам расчётов видно, что поставленные для обоих распределений гипотезы принимаются согласно как критерию Шапиро-Уилка (-value ), так и критерию Колмогорова-Смирнова (). Также соблюдается правило трех сигм ( и ) и критерий ассиметрии и эксцесса ( и ). Можно сделать вывод о том, что получившиеся величины подчиняются закону нормального распределения.

Так как распределения являются нормальными, целесообразно оценить доверительные интервалы средних значений () для генеральной совокупности (всех частных грузоперевозчиков РФ с парком 1-5 машин). Ввиду неизвестности значения среднеквадратичного отклонения генеральной совокупности для расчёта 95%-ных доверительных интервалов следует использовать t-распределение (, где = 1,9989715).

Для среднего значения увеличения грузооборота (в %) 95%-ный доверительный интервал составил , а для сокращения доли порожних пробегов (в %) - .

Говоря о качестве полученной выборки, следует отметить, что она является репрезентативной по критериям вариативности и метода отбора (стратификации). Что же касается величины выборки, допустимая ошибка оценки среднего значения при 63 элементах составляет 6,4% (получено из формулы расчёта величины выборки , где - допустимая ошибка, а = 1,96).

Визуализация распределений в формате диаграммы размаха («ящик с усами») представлено на рис. 27. Для каждого распределения изображены медианы, средние значения с 95% доверительными интервалами, а также первые и третьи квартили. В качестве «усов» было принято решение взять 0,05- и 0,95-квантили с целью корректного исключения выбросов.

Рисунок 28 -Увеличение грузооборота и сокращение доли порожних пробегов (в %) на основе опроса 63 грузоперевозчиков

Предложения по усовершенствованию системы

В рамках анализа эффективности функционирования разработанной и внедрённой автоматизированной системы были выработаны следующие предложения по её усовершенствованию:

1. Внедрение технологии блокчейн. Внедрение технологии блокчейн может повысить прозрачность процессов грузоперевозки посредством фиксации в реестре блокчейна используемых артефактов (паспорта транспортных средств, страховые полиса, документация грузоперевозок: контракты на оказания транспортных услуг, маршрутные листы, товарно-транспортные накладные) и событий (прибытие автомобилей на точки погрузки и разгрузки, состояние выполнения погрузочно-разгручных процессов - сканирование паллет). Подобная фиксация также повысит уровень безопасности и способствует большему сокращению затрат на диспетчеризацию.

Пример контроля процессов грузоперевозки с использованием технологии блокчейн представлен на рис 28.

Рисунок 29 - Контроль процессов грузоперевозки с использованием технологии блокчейн

2. Интеграция грузоперевозок железнодорожным транспортом. В целях повышения качества организации смешанных перевозок имеет смысл интегрировать в систему маршруты и расписания железнодорожного грузового транспорта. В условиях наличия большего числа возможных маршрутов и исполнителей использование алгоритма автоматического оптимального распределение исполнителей сможет повысить эффективность сформированных рейсов.

3. Интеграция точек обслуживания автомобилей и их водителей. Так как в рамках продолжительных рейсов водителям необходимо соблюдать график рабочего времени (согласно законодательству РФ), а также обеспечивать уход за транспортным средством, целесообразно добавить в реестр системы точки обслуживания автомобилей (заправки, точки ремонта) и их водителей (зоны отдыха, кафе, мотели). Такой подход позволит алгоритму автоматического оптимального распределения исполнителей формировать продолжительные рейсы с учётом посещения определённых точек обслуживания, что сократит время самостоятельного поиска подобных зон водителями, и, как следствие, приведет к снижению количества отклонений от маршрутов.

Так как разработанная система предназначена для оптимизации деятельности логистических контрагентов, для оценки результатов работы следует определить экономическую целесообразность её внедрения.

В пятой главе представлен расчёт и анализ показателей экономической эффективности системы на основании данных опытной эксплуатации, в рамках которой система была внедрена в деятельность пяти российских ретейлеров и их контрагентов, а также порядка 90 частных грузоперевозчиков. Было проведена оценка экономического эффекта как в разрезе сокращения операционных затрат заказчиков, так и в разрезе повышения эффективности исполнителей грузоперевозок вследствие интеграции контрагентов.

По результатам опытной эксплуатации было выявлено сокращение финансовых и временных затрат как на планирование грузоперевозок (среднее время обработки каждой заявки сократилось на 56,4%, а её стоимость на 49,8%), так и на их диспетчеризацию (среднее время на мониторинг и контроль каждого рейса сократилось на 27,6%, а стоимость на 21,9%). Помимо означенных параметров, были оптимизирован ряд других показателей, влияющих на эффективность работы предприятия. Также, в результате опроса репрезентативной выборки частных грузоперевозчиков, среднее значение повышения грузооборота составило 43,9% (с 95% доверительными интервалом [37,3%:50,4%]), а сокращения доли порожних пробегов - 57,8% ([51,1%:64,6%]).

В рамках усовершенствования системы были предложены внедрение технологии блокчейн, интеграция грузоперевозок железнодорожным транспортом, а также интеграция точек обслуживания ТС и их водителей.

Заключение

В рамках выпускной квалификационной работы было проведено комплексное исследование российского рынка автомобильных грузоперевозок: были проанализированы объёмы и устройство рынка, классификации грузоперевозок (по видам транспорта, грузов, пунктов отправления и назначения, а также по типам логистического посредничества), используемые ресурсы (тары для транспортировки, транспортные средства, автомобильные трекеры и исполнители грузоперевозок), а также основные проблемы отрасли (неудовлетворительное качество дорог, возраст автопарков, недостаточность законодательной проработки, график работы водителей и неэффективное управление грузоперевозками).

Проблема неэффективности грузопотоков была выбрана для дальнейшего анализа ввиду наличия потенциала её решения в виде внедрения различных информационных технологий в деятельность предприятий грузоотправителей и грузоперевозчиков.