CC BY
38Моделирование системы поддержки оптимизации логистических цепочек поставок
сч cJ
£
Б
а
2 ©
Жук Марина Алексеевна,
доктор экономических наук, заведующий кафедрой прикладной информатики в экономике и управлении, ФГБОУ ВО «Оренбургский государственный университет», eng_m@inbox.ru
Цыганова Ирина Александровна,
кандидат экономических наук, доцент кафедры прикладной информатики в экономике и управлении, ФГБОУ ВО «Оренбургский государственный университет», i.tsyganova@mail.ru
В статье рассматривается актуальная проблема подбора инструментария поддержки формирования оптимальных логистических цепочек, как части антикризисной стратегии предприятия. В качестве цели подбора инструментария рассматривается оптимизация ресурсов предприятия при планировании цепей поставок. В связи с тем, что при моделировании различных компонентов сети встречаются как формализуемые четко структурированные задачи, так и слабо структурированные, использование только классического экономико-математического инструментария является в данном случае предполагается недостаточным. Для решения этой проблемы авторами предлагается использование агент-ного подхода имитационного моделирования сложных социально-экономических систем, как наиболее подходящего для моделирования процессов взаимодействия экономических субъектов, интегрирующихся в процессе взаимодействия в специфическую систему - интегрированную логистическую цепочку поставок. В качестве программной среды моделирования предлагается использовать пакет Any Logic. В статье приведен пример агентной модели логистической цепочки, приведены уникальные прогоны симуляции и оптимизации, выявлены оптимизационные параметры модели. Ключевые слова: имитационная модель, агентное моделирование, логистическая цепочка, оптимальная стратегия.
В настоящее время, в период экономического кризиса, большинство предприятий нашей страны находится в неустойчивом финансовом положении. В подобных условиях проблематичной является разработка антикризисной стратегии компании, так как происходят негативные изменения внешней среды, поэтому основой подобных стратегий в большинстве случаев является уменьшение затрат. Одним из самых эффективных способов уменьшения затрат является оптимизация логистических цепочек поставок, при этом помимо целевой установки на сокращение операционных логистических затрат, речь идет и об уменьшении общих издержек, и об оптимизации баланса «цена/качество», то есть о полноценном процессе управления цепями поставок в рамках концепции интегрированной логистики [1]. Инструментарий интегрированной логистики позволяет оптимизировать ресурсы предприятия за счет синхронизации планирования и увеличения степени устойчивости цепей поставок.
Задача оптимизации логистических цепочек поставок интерпретируется как поиск наилучшей альтернативы цепи поставок из множества возможной для исследуемой проблемной области. На первом шаге процесса оптимизации необходимо сформировать «идеальную модель цепи», при этом в качестве вариантов могут рассматриваться существующие эффективные цепочки, заимствованные из смежных проблемных областей, либо спроектированные посредством экономико-математического моделирования [4]. Идеальная модель цепи формируется на основе принципов минимизации:
- отклонений сроков исполнения заказов от сроков, заявленных заказчиками;
- количества запасов в цепи поставок;
- влияния человеческого фактора.
Очевидно, что идеальная модель цепи не может существовать в реальных условиях, поскольку всегда найдутся неучтенные параметры внешней и внутренней среды. С целью адаптации идеальной модели в реальных бизнес-условиях процесс оптимизации должен быть комплексным, охватывающим следующие виды деятельности:
1. Создание сетевой конфигурации логистической сети. Цепь поставок представляет собой сложную сетевую структуру, охватывающую и фокусную компанию, потребителей, поставщиков, посредников и т.д. Очевидно, что чем сложнее структура, тем она менее управляема, при этом и намеренное упрощение сети недопустимо, так как это может исказить результаты моделирования, для конфигурирования логистической сети могут быть использованы методы сетевого планирования [4].
2. Реинжиниринг логистической сети. В процессе динамики внешних и внутренних факторов, таких как трансформация структуры спроса, изменение условий работы поставщиков и т.д. возникает необходимость перепроектирования сети.
3. Создание интегрированных цепей поставок. В процессе сотрудничества участники цепи поставок образуют некоторую интеграционную цепочку [6], обеспечивающую следующие синергетические свойства цепи:
- кооперация и, как следствие, интенсификация информационного обмена между участниками цепи;
- увеличение координации и ритмичности движения материального потока;
- снижение трансакционных издержек;
- повышение эффективности планирования, как следствие интенсификации информационных потоков;
- увеличение гибкости, как системной адаптации цепи к изменяющимся условиям функционирования.
4. Организация процесса управления запасами в цепях поставок. Обеспечение возможности планирования запасов в масштабе всех интегрированной цепочки.
Рассматривая теоретические подходы к оптимизации цепей поставок можно говорить о традиционном применении экономико-математических методов оптимизации сетей взаимодействующих экономических субъектов, анализ которых приведен в [5]. Основной проблемой моделирования при этом является неоднородность задач опти-
мизации для компонентов цепи, среди которых могут быть как формализуемые четко структурированные задачи, так и слабо структурированные задачи. Очевидно, что в современных условиях интенсификации информационных потоков и факторов, обуславливающих необходимость быстрой трансформации сети, использование только набора классического экономико-математического инструментария недостаточно. Кроме того, процессы интеграции субъектов цепи невозможны без создания эффективной системы обмена информацией. По этим причинам одним из наиболее приемлемых инструментариев для моделирования оптимальных логистических цепочек на сегодняшний день является имитационное моделирование.
Имитационное моделирование является наиболее наглядным, используется на практике для компьютерного моделирования вариантов разрешения ситуаций с целью получить наиболее эффективные решения проблем. Не всегда существует четкое аналитическое описание взаимосвязей между входами, состояниями и выходами исследуемой системы. В этом случае строят алгоритм, который будет отражать динамику происходящих в системе процессов, а затем проводят на нем многократные «проигрывания» модели. На выходе будут получены значения показателей эффективности функционирования системы. Данная идея представляет суть имитацонного моделирования. Таким образом, исходная информация преобразуется в выходную. [2]
Качественные и количественные выводы получают в результате анализа данных моделирования. Структуру, устойчивость и динамику развития системы отражат качественные выводы. Количественные выводы поясняют ранее извес-тне значения переменных, которые характеризуют систему, а также они могут носит характер прогноза определенных показателей в будущем.
Имитационное моделирование подразделяется на несколько видов имитационного моделирования:
- агентное моделирование;
- дискретно-событийное моделирование;
- системная динамика.
Для решения задачи оптимизации цепи поставок наиболее подходящим является агентное моделирование. С точки зрения практического применения аген-тное моделирование можно определить как метод имитационного моделирования, исследующий поведение децентра-
лизованных агентов и то, как это поведение определяет поведение всей системы в целом. Индивидуальное поведение каждого агента образует глобальное поведение моделируемой системы. В экономической теории агенты - субъекты экономических отношений, участвующие в производстве, распределении, обмене и потреблении экономических благ, при этом существует устойчивая типизация агентов, основными агентами являются индивиды (домохозяйства), фирмы, государство и его подразделения и глобальная рациональная стратегия поведения агентов.
Рассмотрим задачу моделирования оптимальной цепи в терминологии аген-тного моделирования. Целью моделирования в данном случае является исследование влияния параметров управления запасами в цепи поставок на производительность цепи с использованием имитационной модели, с возможностью поиска оптимальных значений параметров управления запасами в цепи поставок. Имитационная модель реализована в среде имитационного моделирования АпуЬодю. Главной особенностью логистических цепей поставок является вероятностная структура спроса, который генерируется нормальным распределением с математическим ожидаем и стандартным отклонением на товар в розничных точках. В случае потребности в запасе розничная точка размещает заказ у дистрибьютора, и заказ транспортируется в розничную точку. Количество выполненных заказов потребителей должно составлять не менее 98,5%. Розничная точка формирует заказ при достижении определенного порогового уровня запаса.
Спрос генерируется ежедневно, изначально проверяется условие, может ли заказ быть выполнен. Если спрос превышает запас, то записываются данные о дефиците. Проверяется условие, что заказ не находится в пути. Если оно выполняется, формируется заказ дистрибьютору в определенном размере. Если запас позволяет обслужить спрос, то величина запаса уменьшается на величину спроса. После этого проверяется условие, определяющее не достигнут ли пороговый уровень запаса. Если текущий запас ниже порогового уровня запаса и заказ уже не находится в пути, формируется новый заказ. Проверка нахождения заказа в пути необходима вследствие того, что срок доставки заказа больше, чем интервал между генерациями спроса. [7]
Срок доставки зависит от расстояния между дистрибьютором и розничной точкой. Ставка на хранение запаса для розничной точки составляет 1 единицу за хранение единицы товара в течение периода, ставка транспортировки 5 единиц за 10 единиц расстояния между розничной точкой и дистрибьютором. Ставка транспортировки не зависит от объема поставки.
Анимация модели будет организована таким образом, что транспортное средство отображается лишь в процессе перемещения от дистрибьютора к розничной точке. При заказе транспортное средство, обслуживающее маршрут доставки, становится «видимым» и движется по карте в направлении получателя. После того, как конечная точка маршрута достигнута, транспортное средство вновь становится «невидимым» и перемещается в начальную точку.
Целью модели является нахождение таких параметров политики управления запасами для цепочки поставок, при которых достигаются минимальные общие издержки. Модель включает в себя простой эксперимент, в котором можно задавать значения параметров вручную, а также эксперимент автоматической оп-тимизации.[3]
Процесс моделирования логистической цепи поставок можно разделить на две части:
- моделирование объектов сети;
- моделирование «управляющего контура» системы.
В науке, технике и бизнесе при составлении и описании моделей существуют зависимости комбинаторные и нелинейные неопределенности, которые достаточно трудно представить с помощь формального математического аппарата. Это обятоя-тельсто делает невозможным применение классических методов оптиизации. В этих случах применимы имитационные модели, позволяющие устранить этот недостаток.-Целью пакета OptQuest, встроенного в Аг^одю, как раз и является оптимизация систем, которые не могут быть представлены как математические модели и оптимизация в которых не может быть выполнена с помощью классических алгоритмов. В пакете реализованы современные мощные алгоритмы оптимизации.
Процесс оптимизации представляет собой итеративный процесс, который состоит в том, что:
- оптимизатор OptQuest выбирает допустимые значения оптимизационных параметров и запускает модель с этими значениями;
О £
ю
5
V 2
сч cJ
£
Б
а
2 ©
- завершив »прогон» модели, OptQuest вычисляет значение целевой функции на момент завершения;
- оптимизатор анализирует полученное значение, изменяет значения оптимизационных параметров в соответствии с алгоритмом оптимизации и процесс повторяется заново.
Основными строительными блоками модели AnyLogic являются активные объекты, которые позволяют моделировать любые объекты реального мира. Сначала в модели добавим классы активного объекта типа «агент»: retailer соответствует розничной точке, distributor -дистрибьютору, truck - транспортному средству. Агенты соответствуют звеньям цепи поставок.
В имитационной модели предполагается 8 розничных точек, у каждой из которых в начале периода фиксируется текущий уровень запаса. В модели это переменная retStock типа массив от 0 до 7. Размер заказа розничных точек хранится в массиве величин retEOQ1...8, равном 1000 единиц.
Спрос розничной точки генерируется нормальным распределением с математическим ожиданием и стандартным отклонением. В модели отображается параметром currentDemand. Розничная точка формирует заказ при достижении определенного порогового уровня запаса. Переменная retporog типа массив от 0 до 7 отображает данный показатель. Массив retporog инициализируются значениями параметров ROP1..8, равными 500 единиц.
Также в модели существуют переменные retailCoordx, retailCoordy, отображающие координаты розничных точек, параметры distrCoordx, distrCoordy, отображающие координаты дистрибьютора. При инициализации модели создаются 8 розничных точек и 1 дистрибьютор, и размещаются в соответствии с указанными координатами. Транспортное средство отображается только во время анимации доставки товара по маршруту «дистрибьютор-розничная точка».
В модели возможен дефицит по причине того, что спрос генерируется нормальным распределением, и во время доставки заказа спрос может превысить запас. Добавим переменную deficit для учета случаев возникновения дефицита. Добавим в класс Main переменные для учета текущего уровня издержек: retHrcost - текущие издержки на хранение, retTrcost - текущие транспортные издержки, totalCost - общие издержки.
Для отображения работы модели при запуске используем временной график, в
Параметры Параметры:
Параметр Тип Значение
Мин. Макс. Шаг Начальное
EOQ дискретный 100 2000 50 1000
рогод дискретный 100 1000 50 500
EOQ2 дискретный 100 2000 50 1000
EOQ3 дискретный 100 2000 50 1000
рогсд2 дискретный 100 1000 50 500
рогодЗ дискретный 100 1000 50 500
Рис. 1. Параметры оптимизации » Требования
Требования (проверяются после "прогона" для определения того, допустимо ли н<
Вкл. Выражение Тип Гран.,.
EOQ-pcrog > = 0.0
m root.deficit[0] <3 15.0
m EOQ2-porog2 >- 0.0
m EOQ3-porog3 > = 0.0
Рис. 2. Требования оптимизационного эксперимента Таблица 1
Результаты работы имитационной модели
Общие Величина Порог Величина Порог. Болтина Порог. Количество
издержки запаса уровень шиле а YpOUC 1 II: запаса уровень возникновения дефицита
для р. точки №1 ДЛЯ р. точки '-'.С ДЛЯ р. ТОЧКИ ДЛЯ дня ДЛЯ
р. т. №1 р. т. №2 р. т. №3
Оптим- 13,796 850 500 950 600 650 300 - -
ция № 1
Прогон 1 13,778 12 1 0
Прогон 2 13,804 7 2 0
Прогон 3 13,756 10 1 0
Оптим- 13,779 750 500 1400 550 650 250 . -
ция №2
Прогон 1 13,809 И 12 0
Прогон 2 13,774 10 10 0
Прогон 3 13,802 14 10 0
Оптим- 13,838 850 550 900 600 500 300 . -
ция №3
Прогон 1 13,892 ] 3 0
Прогон 2 13,791 2 3 0
Прогон 3 13,847 1 4 0
Станд. - 1000 500 1000 500 1000 500 - -
значения
Прогон 1 15,092 9 35 0
Прогон 2 15,111 6 46 0
Прогон 3 15,037 10 38 0
котором отображаются 8 текущих уровней запасов и пороговый уровень. А также для каждой розничной точки свой временной график для более лучшего отображения и анализа.
С помощью экспериментов задаются конфигурационные настройки модели. Целью оптимизационного эксперимента модели цепи поставок является нахождение значения уровней запасов и пороговых уровней, при которых общие издержки МаЮоБ! минимальны. Для этого
используем оптимизационный эксперимент.
Используя такой оптимизационный эксперимент, становится возможным определить значения параметров, которые позволяют достигать оптимальный результат моделирования системы. Кроме этого, эксперимент позволяет изучить поведение модели в заданных определенных условиях. Выполнение некоторого числа прогонов с разными значениями параметров и нахождение при этом
Рис. 3. Окно третьей оптимизации, симуляция 1.
Рис. 4. Окно третьей оптимизации, симуляция 2.
Рис. 5. Окно третьей оптимизации, симуляция 3.
оптимальных значении параметров является процессом оптимизации.
Выбираем количество итераций: 500. В оптимизационном эксперименте класс Main указан как корневой (root), поэтому минимизируем функцию общих издержек root.totalCost.
На рисунке 1 показаны настройки изменяемых параметров оптимизации.
В пункте требования оптимизационного эксперимента одно из ограничений модели: ни у одной розничной точки количество случаев возникновения дефицита не должно превышать 15 раз за 500
дней. Величина оптимального размера заказа не должна быть ниже порогового уровня запаса. Все эти требования отображены на рисунке 2.
В эксперименте используются репликации в количестве трех, т.е. каждое решение будет рассчитано три раза при различных начальных значениях генератора случайных чисел.
Использование репликаций замедляет поиск решения, но увеличивает уровень статистической значимости результата. Из-за вероятностной структуры спроса при заданных параметрах не всегда будут выполняться ограничения. Чем больше репликаций проведено для каждого набора данных, тем в большем проценте прогонов модели будут выполняться ограничения.
В результате проведения оптимизации были определены оптимизационные параметры. Значения трех экспериментов на модели приведены в таблице 1.
По таблице 1 можно сделать вывод о том, что в симуляции оптимизация играет огромное значение. Если сравнить результаты симуляции, проведенной с оптимизационными параметрами, найденными ранее с помощью оптимизации, и результаты симуляции, проведенной со стандартными параметрами, можно сказать, что общие издержки в первом случае достаточно минимизированы, а количество возникшего дефицита в каждой розничной точке не превышает 15 раз, как было ограничено ранее, что нельзя сказать про результаты, полученные в результате прогонов со стандартными значениями.
Если сравнить проведенные оптимизации, то по прогонам видно, что третий оптимизационные эксперимент был наиболее удачным, то есть оптимизационные параметры величины запаса и порогового уровня для всех розничных точек подобраны лучше всех, так как количество возникновения дефицита в розничных точках сведены к минимуму, а общие издержки варьируются в оптимизационных пределах.
Графическое отображение результатов приведено на рисунках 3,4.5.
Таким образом, в настоящем исследовании была построена модель логистической цепочки поставок со всеми ее звеньями, на которой проведены уникальные прогоны симуляции и оптимизации, выявлены наилучшие оптимизационные параметры модели. Также проведен анализ влияния параметров управления запасами в цепи поставок на производительность цепи с использованием мето-
© 3
Ю
5
* 2
да имитационного моделирования. Так как модель была построена в среде AnyLogic, то необходимо подчеркнуть, что уникальность этой системы состоит в способности программного продукта эффективно решать задачи моделирования любого масштаба и уровня абстракции, позволяет учесть любой аспект моделируемой системы. Используемая среда может быть интегрируема с информационной системой, поддерживающей обмен данными между участниками логистической цепи.
Литература
1. Япония-2000: Консерватизм и традиционализм. - М.: «Восточная литература» РАН, 2000, с. 129-130
2. Белая книга по мелким и средним предприятиям. Токио, 1997, с.174
3. Тоффлер Э. Метаморфозы власти: Знание, богатство и сила на пороге XXI века: пер. с англ. М.: АСТ Москва, 2009. С. 229-230.
4. Фурсов А.И. Крестьянство: проблемы социальной философии и социальной теории // ОбозревательObserver. № 6. 2012, с.71
5. Егоров В.Г., Зозуля О.А. Трансформация кустарных промыслов России во второй половине XIX в. // Вопросы истории. № 6. 2015. С. 88-103.
6. Нефедова Т. Многоукладность сельской экономики и хозяйственная самоорганизация сельских обществ // Отечественные записки. № 1. 2006. С.9-19
7. Егоров В.Г. Мировой опыт развития кооперации в сельском хозяйстве // АПК: Экономика, управление. 2012. № 1. С. 87-94.
Modeling support system for optimization of supply chains
Zhuk M.A., Tsyganova I.A.
Orenburg State University
The paper considers the actual problem of support tools selection for organization of the optimal supply chains as a part of enterprise anticrisis strategy. While planning supply chains, optimization of enterprise resources is discussed as a target of tool selection. Due to the fact that both formalized clearly and poorly structured tasks could be met in the simulation of different network components,
implementation of only classical economic and mathematical tools is assumed insufficient in this case. To solve this problem, the authors propose the use of agent-based approach in the simulation of complex social and economic systems, as the most suitable tool for the simulation of economic agents' interaction, which creates a specific system - an integrated (logistics) supply chain. It is proposed to utilize AnyLogic package as a software simulation environment. The study gives an example of agent-based supply chain model, runs unique simulation and optimization; moreover
optimization parameters of the model are identified. Keywords: simulation model, agent-based model, logistic chain, optimal strategy. References
1. Japan 2000: Conservatism and Traditionalism. - M .: «Eastern Literature» RAS, 2000, p. 129-130
2. White Paper on Small and Medium
Enterprises. Tokyo, 1997, p.174
3. Toffler E. Metamorphoses of power:
Knowledge, wealth and power on the threshold of the XXI century: Per. with English. Moscow: AST Moscow, 2009. P. 229-230.
4. Fursov AI. Peasantry: Problems of
Social Philosophy and Social Theory // ObozrevatelObserver. № 6. 2012, p.71
5. Egorov VG, Zozulya OA Transformation of the handicraft industries of Russia in the second half of the 19th century. // Questions of history. No. 6. 2015. P. 88-103.
6. T. Nefedova, «The Multiformity of the
Rural Economy and the Economic Self-Organization of Rural Societies,» Otechestvennye zapiski. № 1. 2006. C.9-19
7. Egorov V.G. World experience of development of cooperation in agriculture // AIC: Economy, management. 2012. № 1. P. 87-94.
см
CM £
Б
a
2 ©
