СОВЕРШЕНСТВОВАНИЕ ПРОЦЕССА ПРОГНОЗИРОВАНИЯ ПЕРЕВОЗОК

СОДЕРЖАНИЕ

ВВЕДЕНИЕ. 2

1   ТЕОРЕТИЧЕСКИЕ ОСНОВЫ ПРОГНОЗИРОВАНИЯ ПЕРЕВОЗОК НЕФТЕПРОДУКТОВ ЖЕЛЕЗНОДОРОЖНЫМ ТРАНСПОРТОМ.. 6

1.1   Особенности перевозок нефтепродуктов в железнодорожных цистернах  6

1.2   Методы прогнозирования объемов перевозок и погрузки в логистике. 12

1.3   Инструменты анализа и визуализации данных в транспортной логистике  18

2   АНАЛИЗ ПРОЦЕССА ПРОГНОЗИРОВАНИЯ ПЕРЕВОЗОК В ЖЕЛЕЗНОДОРОЖНЫХ ЦИСТЕРНАХ В ТРАНСПОРТНО–ЛОГИСТИЧЕСКОЙ ГРУППЕ «ТРАНСОЙЛ». 25

2.1   Характеристика транспортно–логистической группы «Трансойл». 25

2.2   Анализ текущего процесса прогнозирования перевозок. 33

2.3   Обоснование необходимости совершенствования процесса прогнозирования перевозок. 40

3   СОВЕРШЕНСТВОВАНИЕ ПРОЦЕССА ПРОГНОЗИРОВАНИЯ ПЕРЕВОЗОК 45

3.1   Разработка модели прогнозирования объемов погрузки по маршрутам  45

3.2   Методика расчета потребности в железнодорожных цистернах. 51

3.3   Внедрение инструментов анализа и контроля прогнозирования. 55

ЗАКЛЮЧЕНИЕ. 66

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ.. 69

ПРИЛОЖЕНИЕ А Отзыв о внедрении. 71

ВВЕДЕНИЕ

Актуальность темы исследования обусловлена рядом основных факторов. Во–первых, железнодорожный транспорт занимает значимое место в системе перевозок нефтепродуктов в России, несмотря на устойчивую тенденцию к снижению объемов погрузки с 251.2 миллионов тонн в 2015 до 197.1 миллионов тонн в 2025 году[5]. Данный вид транспорта по–прежнему обеспечивает доставку широкой номенклатуры нефтепродуктов от светлых (бензин, дизель, керосин) до темных (мазут, битум, гудрон) в условиях, когда альтернативная трубопроводная инфраструктура не охватывает ряд направлений. Во–вторых, повышение точности прогнозирования объемов погрузки приобретает особую значимость в условиях волатильности спроса, сезонных колебаний и влияния внешних факторов, который существенно осложняют традиционные подходы к планированию перевозок и управления парком цистерн [3].В–третьих, цифровая трансформация транспортной отрасли , закрепленная в транспортной стратегии Российской Федерации до 2030 года, формирует технологические предпосылки для перехода от интуитивных экспертных оценок к data–drivenмодели прогнозирования, основанным на анализе временных рядов, методах машинного обучения и инструментах бизнес–аналитики, что создает возможность принципиально повысить обоснованность управленческих решений в сфере транспортной логистики [4].

Теоретические основы прогнозирования объемов перевозок и погрузки нашли свое отражение в трудах отечественных исследователей в области экономики и логистики. В научной литературе разработаны и систематизированы экспертные, статистические и экономико–математические подходы к прогнозированию транспортных показателей. Активно развиваются подходы на основе машинного обучения. Вместе с тем в исследованиях недостаточно проработаны вопросы интеграции прогнозных моделей в операционную деятельность транспортно–логистических компаний, специализирующихся на перевозках нефтепродуктов в железнодорожных цистернах, а также вопросы формирования на их основе методик расчета потребности в подвижном составе по маршрутам и внедрения инструментов визуального контроля и мониторинга.

Существующий процесс прогнозирования перевозок нефтепродуктов в транспортно–логистической группе «Трасойл» характеризуется недостаточной точность прогнозных оценок объемов погрузки по маршрутам, что влечет за собой риски как избыточного, так к дефицитному обеспечению подвижным составом, снижает эффективность использования парка цистерн и затрудняет обоснованное планирования ресурсов. Отсутствие формализованной модели прогнозирования и инструментов аналитического контроля ограничивает возможности для своевременного выявления отклонений и оперативного реагирования на изменения условий перевозок.

Целью выпускной квалификационной работы является разработка комплекса инструментов маршрутного прогнозирования объемов погрузки нефтепродуктов и расчета потребности в железнодорожных цистернах для повышения точности планирования и эффективности управления парком подвижного состава в транспортно–логистическая группа «Трансойл».

Для достижения поставленной цели необходимо решить ряд следующих задач:

- рассмотреть особенности перевозок нефтепродуктов в железнодорожных цистернах;

- рассмотреть методы прогнозирования объемов перевозок и погрузки;

- рассмотреть инструменты анализа и визуализации данных в транспортной логистике;

- дать характеристику транспортно–логистической группе «Трансойл»

- провести анализ текущего процесса прогнозирования перевозок;

- обосновать необходимость совершенствования процесса прогнозирования перевозок;

- разработать модель прогнозирования объемов погрузки по маршрутам;

- сформировать методику расчета потребности в железнодорожных цистернах

- внедрить инструменты анализа и контроля прогнозирования перевозок

Объектом исследованияявляется транспортно–логистическая группа «Трансойл».

Предметом исследованияявляется процесс прогнозирования объемов погрузки нефтепродуктов в железнодорожных цистернах в разрезе маршрутов и методы расчета потребности в подвижном составе на их основе.

Практическая значимость работымодель прогнозирования объемов погрузки на основе метода Хольта-Уинтерса позволившая снизить ошибку прогноза MAPEна маршруте Кириши-Лужская. Маршрутно-ориентированная методика расчета потребности в цистернах устранила систематическое завышение парка цистерн в месяц по одному маршруту. Созданные дашборды для MicrosoftPowerBIобеспечивают еженедельное отслеживание отклонений план/факт и формируют управленческое уведомление при превышении порога в 10%. Совокупность инструментов применима в деятельности любого другого железнодорожного оператора нефтеналивных грузов, осуществляющего перевозки по нескольким маршрутам с различными временем оборота подвижного состава.

Научная новизна работы заключается в разработке комплексного маршруто–ориентированного подхода к прогнозированию перевозок нефтепродуктов в железнодорожных цистернах, обеспечивающий переход от объединенного прогнозирования на уровне компании к детальном прогнозированию на уровне отдельных маршрутов с учетом их сезонной специфики и инфраструктурных особенностей.

В работе используются такие методы, как системный анализ, сравнительный анализ, статический анализ, расчет сезонных индексов, оценка точности прогнозов на основе метрики MAPE, метод экспертных оценок, инструменты бизнес–аналитики и визуализации MicrosoftPowerBI.

Методологической основной работы составляют принципы системного и процессного подходов к анализу транспортно–логистической деятельности, рассматривающие прогнозирование перевозок, как элемент целостного операционного процесса управления парком подвижного состава. В части концептуальной основы работа опирается на концепцию data–driven управления, предполагающая принятие управленческих решений на основе анализа исторических данных, предиктивных моделей и систем оперативного мониторинга, что соответствует целевым ориентирам транспортной стратегии Российской Федерации до 2030 года. 

Положения, выносимые на защиту:

1.   модель прогнозирования объемов погрузки нефтепродуктов по маршрутам на основе методов тройного экспоненциального сглаживания Хольта – Уинтерса с аддитивной компонентой сезонности;

2.   методика марщруто–ориентированного расчета потребности в железнодорожных цистернах, предусматривающая применение индивидуальных нормативов оборота вагона по каждому маршруту вместе единого среднесетевого значения;

3.   интегрированная система инструментов аналитического контроля прогнозирования перевозок, реализованная средствами MicrosoftPowerBI и включающая три взаимосвязанных дашборда.

Апробация результатов исследования подтверждается отзывом о внедрении модели прогнозирования объемов погрузки нефтепродуктов по маршрутам и методики расчета потребности в железнодорожных цистернах в транспортно–логистической группе «Трансойл» (Приложение А).

1 ТЕОРЕТИЧЕСКИЕ ОСНОВЫ ПРОГНОЗИРОВАНИЯ ПЕРЕВОЗОК НЕФТЕПРОДУКТОВ ЖЕЛЕЗНОДОРОЖНЫМ ТРАНСПОРТОМ

1.1 Особенности перевозок нефтепродуктов в железнодорожных цистернах

Нефтепродукты представляют собой обширную категорию жидких углеводородов, получаемых в процессе переработки нефти[1].

В число нефтепродуктов входят бензин, дизель, керосин, мазут, смазочные и минеральные масла, лигроин, газойль, газовый конденсат и другие производные.

Нефтепродукты отличаются по своим физико–химическим свойствам, таким как температура кипения и застывания, вязкость и плотность [1]. Указанные свойства оказывают непосредственное влияние на организацию транспортировки нефтепродуктов.

Именно данные различия определяют требования к условиям перевозки нефтепродуктов, а также уровень взрыво и пожароопасности.

Одной из характерных особенностей перевозок нефтепродуктов является выраженная сезонность.

Потребление отдельных видов топлива существенно меняется в течение года, например, в теплый период возрастает спрос на бензин и дизель вследствие увеличения транспортной активности и проведения сельскохозяйственных работ, тогда как мазут и печное топливо наиболее востребованы в осенне–зимний период в связи с отопительным сезоном.

Процесс перевозки нефтепродуктов испытывает воздействие широкого круга факторов, представленных в таблице 1[3].

Таблица 1 – Факторы, оказывающих влияние на перевозочный процесс нефтепродуктов[3]

Источник: разработано автором на основе [3]

Совокупность перечисленных факторов определяет сложный и многомерный характер формирования объемов перевозок нефтепродуктов. Их разнонаправленное влияние требует применения комплексных методов анализа и прогнозирования, учитывающих как производственные и рыночные условия, так и ограничения транспортной системы.

С учетом приведенных факторов и тенденций особое значение приобретает анализ технологии перевозок. Перевозка нефтепродуктов железнодорожным транспортом имеет ряд особенностей, представленных в таблице 2 [4].

Таблица 2– Особенностиперевозки нефтепродуктов железнодорожным транспортом.

Источник: разработано автором на основе [4]

Важнейшим элементом организации перевозочного процесса является обеспечение безопасности. Нормативную базу составляют Федеральный закон 17–ФЗ от 10.01.2003 года «О железнодорожном транспорте в Российской Федерации», правила перевозки опасных грузов железными дорогами, а также приказы министерства транспорта Российской Федерации[4]. В соответствии с установленными требованиями, цистерны, предъявляемые под налив нефти и нефтепродуктов, подлежат обязательной проверке в виде оценки пригодности к наливу конкретного груза, а перевозчик выполняет технический коммерческий осмотр вагонов перед отправлением.

Согласно приказу министерства транспорта Российской Федерации № 245 от 29.07.2019, налив нефти и нефтепродуктов в вагоны–цистерны осуществляется с учетом возможного увеличения их объема при повышении температуры в пути следования и в пункте назначения, что исключает переполнение и образование избыточного давления [4].

Реализация указанных требований обеспечивается применением специализированного подвижного состава. Железнодорожные цистерны, применяемые для транспортировки жидких нефтепродуктов, представляют собой специализированный подвижной состав с цилиндрическим котлом, установленным на раме и оснащенным сливоналивной арматурой. По конструктивному исполнению и грузовым характеристикам выделяют четырёхосные и восьмиосные модели с четко регламентированными параметрами. К категории восьмиосных относятся цистерны грузоподъемностью 120 и 125 тонн, объем котла которых составляет 140 и 161 метр в кубе. Данные вагоны, имеющие маркировку «Бензин» или «Светлые нефтепродукты», предназначены исключительно для перевозки легких нефтепродуктов[5]. Среди четырехосных применяются цистерны грузоподъемностью 68 тонн с объемом котла 85,6 метров в кубе, а также модели грузоподъемностью 60 тонн с объемом 72,7. Они маркируются как «Бензин» и используются для транспортировки бензина, дизеля и других продуктов [5].

В зависимости от условий перевозки и характеристик груза используется различная классификация цистерн [5]:

1. универсальные цистерны являются наиболее массовыми и используются для перевозки широкого перечня нефтепродуктов без применения дополнительных систем подогрева при наливе и сливе. Внутри данной категории различаются два типа, предназначенных, как для светлых, так и темных нефтепродуктов.

2. специализированные цистерны предназначены для узкого круга грузов, требующих особых условий перевозки. К ним относятся, битумовозы, применяемые для транспортировки высоковязких нефтепродуктов и оснащаемые подогревательными устройствами, обеспечивающими нагрев до 205 градусов цельсия для облегчения слива. Также, выделяют цистерны для перевозки токсичных веществ, оборудованные дополнительными средствами безопасности и вагоны с контролируемыми температурными режимами, используемые для грузов, склонных к запустеванию или застыванию.

Для перевозки светлых и темных нефтепродуктов применяются различные типы цистерн, конструкция которых определяется характеристиками перевозимого груза [5]:

1. светлые нефтепродукты, такие как бензин, керосин и дизель, перевозятся в цистернах с верхним наливом и нижним сливом, оснащенных герметичными уплотнениями. Налив осуществляется по бесшланговой технологии и использованием автоматических ограничителей, предотвращающих перелив. При этом обеспечивается герметичность процесса с отводом паров в газосборные системы или на установки их улавливания и регенерации. Слив возможен также через герметичные верхние устройства.

2. темные нефтепродукты, такие как мазут, битум, гудрон, обладают высокой вязкостью, поэтому требуют подогрева как при загрузке, так и при выгрузке. Для этого цистерны оснащаются, например паровой рубашкой.

Оценка эффективности эксплуатации подвижного состава осуществляется с использованием соответствующих показателей. Основным показателем эффективности использования вагонов–цистерн является оборот–среднее время полного производственного цикла вагона от одной погрузки до следующей. Время оборота включает время движения, время нахождения под грузовыми операциями, а также время простоев на технических станциях и выполнения технических операций. Сокращение времени оборота позволяет уменьшить требуемый парк вагонов и обеспечить выполнение заданных объемов перевозок.

Практическое проявление рассмотренных факторов и особенностей отражается в динамике перевозок. На рисунке 1 представлена динамика погрузки нефти и нефтепродуктов по сети РЖД с 2015 по 2025 год.[5]

Рисунок 1 – Динамика погрузки нефти и нефтепродуктов по сети РЖД с 2015 по 2025 год.

Источник: разработано автором на основе [5]

Динамика погрузки нефти и нефтепродуктов по сети РЖД с 2015 по 2025 год, характеризуется устойчивым нисходящим трендом с отдельными краткосрочными отклонениями. В 2015 году показатель составил 251,2, после чего в 2016 году произошло заметное снижение до 235,8, а в 2017–2018 годах, наблюдалась относительная стабилизация на уровне около 235–236. В 2019 году снижение продолжилось до 232, что указывает на постепенное ослабление объемов еще до резких внешних шоков. Наиболее существенно падение произошло в 2020 году, когда объем погрузки сократился до 206,8, что стало минимальным значением в рассматриваемом периоде и отражает влияние кризисных факторов, включая резкое сокращение спроса. В 2021 году наблюдалось частичное восстановление до 217,5, что говорит о слабой устойчивости восстановленного роста. В последующие годы нисходящая тенденция усилилась. В целом за десять лет снижение составило 54,1 (или около 21,5%), что говорит не о краткосрочных колебаниях, а формировании устойчивой тенденции на сокращение погрузки.

Таким образом, перевозка нефтепродуктов железнодорожным транспортом имеет ряд особенностей, связанных с физико–химическими свойствами грузов, требованиями промышленной безопасности и спецификой организации перевозочного процесса. К основным особенностям относятся использование специализированных вагонов–цистерн, необходимость соблюдения строгих требований к безопасности перевозки опасных грузов, обязательное документальное сопровождение и контроль технического состояния подвижного состава перед наливом. Существенное влияние на процесс перевозки оказывают сезонные колебания спроса, производственные показатели НПЗ, рыночная конъюнктура и инфраструктурные ограничения железнодорожной сети. Помимо этого, эффективность перевозок во многом определяется уровнем использования вагонов–цистерн и продолжительностью их оборота. Анализ динамики погрузки нефти и нефтепродуктов по сети ОАО «РЖД» показал наличие устойчивой тенденции к сокращению объемов перевозок, что повышает значимость эффективного управления и прогнозирования перевозочного процесса.

В следующей разделе будут рассмотрены методы прогнозирования объемов перевозок и погрузки в логистике.

1.2 Методы прогнозирования объемов перевозок и погрузки в логистике

В отечественной научной литературе методы прогнозирования объемов перевозок в транспортной логистике принято объединять в три категории, экспертные, статистические и экономико–математические методы.

Экспертные методы основаны на профессиональных суждениях специалистов, практическом опыте и интуитивной оценке. Преимущество экспертного метода заключается в возможности учитывать нестандартные условия и новые тенденции развития, которые трудно выразить в количественных моделях. К данной группе относятся следующие методы, представленные в таблице 3[6].

Таблица 3 – Экспертные методы прогнозирования объемов перевозок и погрузки

Источник: разработано автором на основе [6]

Cтатистические методы основываются на обработке ретроспективных данных и выявлении закономерностей изменения показателей во времени. Основные разновидности таких методов представлены в таблице 4 [7].

Таблица 4 – Статистические методы прогнозирования перевозок

Источник: разработано автором на основе [7]

Экономико – математические методы представляют собой совокупность формализованных моделей и инструментов, применяемых для анализа, прогнозирования и оптимизации транспортных процессов. Основные из них приведены в таблице 5[8].

Таблица 5 – Экономико–математические методы прогнозирования в логистике.

Источник: разработано автором на основе [8]

Выбор конкретного инструментария определяется характером задачи, доступностью исходных данных, горизонтом прогнозирования и рядом дополнительных факторов. На практике часто применяются комбинированные подходы, позволяющие повысить точность и устойчивость получаемых прогнозов.

Среди статистических методов особое место занимает анализ временных рядов, который получил широкое распространение при прогнозировании транспортных показателей.

Данный подход основывается на изучении динамики показателей во времени, позволяя определять устойчивые тенденции, сезонные колебания и другие закономерности, что обеспечивает повышение обоснованности планирования ресурсов, оптимизации логистических процессов и принятия управленческих решений.

Процесс анализа временных рядов включает несколько этапов, представленных в таблице 6 [9].

Таблица 6 – Этапы анализа временных рядов.

Источник: разработано автором на основе [9]

Для анализа временных рядов применяются различные методы, представленные в таблице 7[10].

Таблица 7 – Методы анализа временных рядов.

Источник: разработано автором на основе [10]

В дополнение к прогнозированию перевозок, следует отметить, что при прогнозировании объемов погрузки используются аналогичные методические подходы, однако акцент смещается на факторы формирования грузовой базы, включая объемы производства, добычи и складской обработки, что обуславливает необходимость учета отраслевой специфики при выборе моделей прогнозирования.

При прогнозировании учитываются различные группы факторов, представленных в таблице 8, формирующие условия функционирования транспортной системы.

Таблица 8 – Факторы учитываемые при прогнозировании

Источник: составлено автором

Оценка точности прогнозирования является основным этапом любой предиктивной системы, включая транспортную логистику. Для этого используются стандартизированные метрики, позволяющие количественно измерять отклонение прогнозных значений от фактических. В таблице 9 представлены основные метрики точности прогнозов[11].

Таблица 9 – Основные метрики точности прогнозов

Источник: разработано автором на основе [11]

На качество прогнозов в логистике влияют внешние факторы,что ограничивает эффективность традиционных статистических подходов.

В связи с этим в современных исследования наблюдается переход к гибким инструментам анализа данных.

Для повышения точности применяются методы машинного обучения, представленные в таблице 10 [12].

Таблица 10 – Методы повышения точности прогнозов

Источник: разработано автором на основе [12]

Подбор наилучшей модели осуществляется с помощью кросс–валидации, позволяющей проверить устойчивость модели на разных выборках и снизить риск переобучения [9]. Дополнительно точность прогнозов повышают цифровые инструменты, такие как системы управления транспортом, объединяющие данные о маршрутах, трафике и прошлых перевозках.При этом важно оценивать не только формальные показатели точности, но и практический эффект для бизнеса. Дополнительным аспектом повышения качества прогнозирования является обеспечение надежности исходных данных.

В работах, посвященных прогнозированию перевозок нефтяных грузов, широко применяются подходы, предполагающие уточнение расчетных показателей с учетом качества исходной информации. Для этого используются различные инструменты, отражающие степень надежности данных и уровень их достоверности.

Оценка надежности позволяет учитывать, насколько можно доверять исходным сведениям. В частности, при использовании экспертных оценок каждому участнику могут присваиваться определенные весовые коэффициенты, зависящие от его компетенции и практического опыта.

Процедуры верификации направлены на предварительную оценку данных перед включением в расчеты. Обычно они включают анализ происхождения информации, соответствие установленным требованиям, а также выявление возможных ошибок, несогласованностей.

Подобные методы особенно востребованы в нефтегазовом секторе, в котором уровень неопределенности остается высоким вследствие влияния множества внешних факторов. Учет качества исходных данных позволяет повысить обоснованность прогнозов и снизить вероятность ошибок при планировании перевозок.При этом конкретный набор используемых методов определяется задачей, характеристиками доступной информации и применяемыми аналитическими инструментами.

Таким образом, методы прогнозирования объемов перевозок представляют собой совокупность экспертных, статистических и экономик–математических подходов, выбор которых определяется характером задачи, доступностью данных и горизонтом прогнозирования. Наибольшее распространение в практике получили методы анализа временных рядом, позволяющие выявлять устойчивые закономерности и формировать обоснованные прогнозы.

В следующем разделе будут рассмотрены инструменты анализа и визуализации данных в транспортной логистике.

1.3 Инструменты анализа и визуализации данных в транспортной логистике

На уровне отрасли, развитие data–drivenподходов закреплено в стратегических документах, включая транспортную стратегию Российской Федерации до 2030 года, предусматривающую масштабное внедрение цифровых сервисов и технологий работы с BigDataв транспортном секторе [4]. В целом цифровая трансформация транспортной отрасли ориентирована на переход от операционной модели управления к аналитической, основанной на использовании данных. Данные положения находят практическое отражение в деятельности транспортных компаний.

Практика показывает, что применение аналитики больших данных в транспортных компаниях России позволяет решать задачи прогнозирования, оптимизации логистических процессов и повышения эффективности управления, так как большие массивы данных используются для анализа, планирования и принятия управленческий решений [5].

В российской практике транспортной логистики внедрение data–drivenподходов наиболее активно реализуется в рамках цифровой трансформации РЖД. Компания формирует одну из крупнейших в стране экосистем работы с BigData, включая развитие аналитических платформ и технологий управления данными, что позволяет повышать эффективность анализа перевозочного процесса и качество управленческих решений [5].Наиболее показательным примером такой трансформации в российской практике транспортной логистики является внедрение цифровых решений и аналитики в РЖД направлено на использование данных для прогнозирования, оптимизации перевозок и повышения производительности, что соответствует глобальному тренду перехода транспортных компаний от операционной модели к аналитической [5].

Технологической основной реализации подобных подходов выступают системы бизнес–аналитики. BusinessIntelligence (BI) представляетсобой класс программных решений, предназначенных для сбора, обработки, хранения и визуализации данных с целью поддержки принятия управленческих решений. Внедрение BIнаправлено на переход к data–drivenподходу, при котором управленческие решения принимаются на основе анализа данных, а не субъективных оценок[13].

Практическая реализация BIв российских компаниях осуществляется с использование различных программных платформ. До 2022 года одной из наиболее распространённых BI в российской практике являлась MicrosoftPowerBI. В 2022 году после введения санкций и ухода ряда зарубежных решений с российского рынка, наблюдается активное развитие отечественных BI. Ведущими BIна российском рынке в 2026 году являются VisaryBI,Visiology, YandexDataLens, LuxmsBI[14]. При этом ранее внедренные решения, включая MicrosoftPowerBI, продолжают использоваться в ряде российских компаний за счет накопленной экспертизы и сформированной инфраструктуры.В качестве примера функционально развитой BI–платформы, MicrosoftPowerBIпредоставляет широкий набор инструментов для работы с данными, включая подключение к различным источникам, создание интерактивных дашбордов и визуализаций, а также поддержку аналитики и прогнозирования[15]. Платформа позволяет строить прогнозы временных рядов с использование встроенных функций, включая настройку горизонта прогнозирования и доверительных интервалов. В таблице 11 представлены основные функциональные возможности BIв контексте прогнозирования перевозок.

Таблица 11 – Функциональные возможности BIв контексте прогнозирования перевозок.

Источник: составлено автором

Среди представленных функций особое значение имеют инструменты визуализации и аналитики. Визуализация данных занимает основное место в системе управления транспортными перевозками. Использование интерактивных дашбордов позволяет менеджерам и диспетчерам оперативно анализировать большие объемы информации и принимать обоснованные решения в режиме, приближенном к реальному времени[16]. Визуальные представления данных, обеспечивают более быстрое и эффективное восприятие информации по сравнению с табличными форматами, что подтверждается практикой применения BI.

На практике это реализуется через использование различных типов BI, такихкак, MicrosoftPowerBIиYandexDataLens. К ним относятся линейные графики с отображением динамики и прогнозных значений, диаграммы отклонений, тепловые карты грузопотоков, а также водопадные диаграммы для анализа факторов изменения показателей [17]. Отдельное место среди указанных инструментов занимают дашборды типа «план–факт» являются стандартным инструментом операционного контроля в транспортных компаниях, позволяющие анализировать отклонения между прогнозным и фактическими значениями в различных разрезах, оперативно определять проблемные зоны и вносить изменения в управленческие решения. Регулярное сопоставление плановых и фактических показателей формирует основу для повышения точности прогнозирования и эффективности управления перевозками.

Для количественной оценки эффективности таких решений используется система показателей. Система KPIиспользуется для формализации требований к качеству моделей прогнозирования и организации регулярного мониторинга их точности. В транспортной логистике KPIинтегрируются в аналитические системы и применяются для оценки как качества прогнозов, так и эффективности управления перевозочным процессом[18].

В российской практике железнодорожной логистике широко используются показатели объема погрузки, уровня использования подвижного состава и времени его оборота, которые также применяются для оценки качества прогнозирования и корректировки планов перевозок. В таблице 12 представлены KPIсистемы прогнозирования перевозок.

Таблица 12 – KPIсистемы прогнозирования перевозок

Источник: составлено автором

Использование представленных KPIна практике позволяет выстроить непрерывный процесс управления. Регулярное отслеживание указанных показателей в BI, таких как MicrosoftPowerBIи YandexDataLens, обеспечивает формирование замкнутого контура управления, при котором результаты прогнозирования используются для последующего улучшения моделей и повышения эффективности перевозочного процесса.

Цифровая трансформация транспортной отрасли в России, реализуемая в том числе в ОАО «РЖД», обуславливает переход к data–drivenуправлению, при котором основную роль играют аналитика BigDataи BI, такие как MicrosoftPowerBIи YandexDataLens. Использование интегрированных данных, инструментов визуализации и прогнозирования, а также системы KPIпозволяет повысить обоснованность управленческих решений, обеспечить эффективный контроль перевозочного процесса и сформировать замкнутый контур управления, направленный на постоянное совершенствование моделей прогнозирования и повышение общей эффективности транспортной логистики.

Таким образом, в первой главе были рассмотрены теоретические основы прогнозирования перевозок нефтепродуктов железнодорожным. Установлено, что перевозка нефтепродуктов представляет собой сложный и состоящий из нескольких факторов процесс, на который оказывают влияние производственные, рыночные, сезонные, инфраструктурные, технологические и организационные факторы. Специфика нефтепродуктов, как опасных грузов определяет повышенные требования к безопасности перевозок, типу используемого подвижного состава и организации перевозочного процесса. Особое значение для эффективности транспортировки имеет рациональное использование вагонов–цистерн и сокращение времени их оборота.

В ходе исследования выявлено, что в современных условиях прогнозирование объемов перевозок и погрузки является важнейшим элементов управления транспортной логистикой. Рассмотренные методы прогнозирования, включая экспертные, статистические и экономико–математические подходы, позволяют учитывать, как закономерности изменения грузопотоков, так и влияние внешних факторов. Наибольшее практическое распространение получили методы анализа временных рядов, обеспечивающие возможность выявления трендов, сезонности и формирования прогнозов на основе исторических данных. Дополнительно установлено, что использования методов машинного обучения и процедур оценки качества исходных данных способствует повышению точности прогнозирования и снижению вероятности ошибок при планировании перевозок.

Также установлено, что развитие цифровой трансформации транспортной отрасли обуславливает переход к data–drivenподходу в управлении перевозками. Использование BI–систем, инструментов визуализации данных и системы KPIпозволяет интегрировать большие объемы информации, оперативно анализировать отклонения между плановыми и фактическими показателями, а также формировать аналитическую основу для принятия управленческий решений. Применение современных цифровых инструментов создает условия для повышения эффективности управления перевозочным процессом и совершенствования систем прогнозирования в транспортной логистике.

В следующей главе будет проведен анализ процесса прогнозирования перевозок в железнодорожных цистернах в транспортно – логистической группе «Трансойл».

2 АНАЛИЗ ПРОЦЕССА ПРОГНОЗИРОВАНИЯ ПЕРЕВОЗОК В ЖЕЛЕЗНОДОРОЖНЫХ ЦИСТЕРНАХ В ТРАНСПОРТНО–ЛОГИСТИЧЕСКОЙ ГРУППЕ «ТРАНСОЙЛ»

2.1 Характеристика транспортно–логистической группы «Трансойл»

Транспортно–логистическая группа «Трансойл» является один из ведущих российских железнодорожных операторов в сфере перевозок нефти и нефтепродуктов. Группа основана в 2003 году в г. Санкт–Петербурге и по объему транспортировки нефтеналивных грузов входит в число крупнейших операторов подвижного состава в стране[19]. Деятельность транспсортно–логистической группы «Трансойл» охватывает полный спектр транспортно–логистических услуг, связанных с перевозкой нефтеналивных грузов железнодорожным транспортом начиная от организации перевозочного процесса и оперативного управления вагонным парком, заканчивая техническим обслуживанием подвижного состава и администрирования интересов клиентов при взаимодействии с ОАО «РЖД».Организационная структура транспсортно–логистической группы «Трансойл»? представлена на рисунке 1 [19].

Рисунок 1 – Организационная структура транспортно–логистической группы «Трансойл»[19]

Источник: разработано автором на основе [19]

Принцип вертикальной интеграции обеспечивает транспсортно–логистической группы «Трансойл» стратегическое преимущество в виде полного контроля над всеми звеньями логистической цепочки, начиная от технического обслуживания подвижного состава, заканчивая транспортно–экспедиционным сопровождением, что позволяет минимизировать зависимость от внешних подрядчиков и повысить операционную эффективность, что особенно важно в условиях высоких требований к надежности и периодичности поставок нефтепродуктов основным клиентам транспсортно–логистической группы «Трансойл»[19].

Перечень оказываемых услуг охватывает все основные аспекты организации железнодорожных перевозок нефтеналивных грузов[19]:

- разработка и реализация транспортно–логистических схем;

- организация и осуществление грузовых железнодорожных перевозок;

- транспортно–экспедиционное обслуживание по всей маршрутной сети;

- диспетчерский контроль за перемещением грузов в режимереального времени;

- организация взаиморасчетов с иностранными перевозчиками при перевозках по территории стран СНГ, Балтии и Средней Азии.

Помимо основных перевозочных услуг, транспсортно–логистическая группа «Трансойл» осуществляет комплексное транспортно–логистическое облуживание при перевозках нефтепродуктов в порты Усть–Луга и Новороссийск, а также лизинг железнодорожной техники через дочернюю ООО «Транслизинг» [19].

Особое место в деятельности транспсортно–логистической группы «Трансойл» занимает управление выгонным парком. Парк цистерн в собственности и оперативном управлении транспсортно–логистической группы «Трансойл» превышает 37 тысяч вагонов [19].

В 2023 году транспсортно–логистическая группа «Трансойл» дополнительно приобрела около 8 тысяч цистерн, ранее находившихся в долгосрочной аренде у компаний «Атлант» и «BrunswickRail», что существенно укрепило позиции транспсортно–логистической группы «Трансойл» в условиях формирующегося отраслевого дефицита подвижного состава [19].

Данное решение транспсортно–логистической группы «Трансойл» говорит о стратегической ориентации на наращивание собственного парка, как основного конкурентного актива. 

Основным показателем операционной эффективности является производительность парка, так на одну цистерну транспсортно–логистической группы «Трансойл» приходится 1472 тонны перевезенных грузов, что более чем в 1.5 раза выше среднерыночного значения [19].

Данный показатель показывает высокую интенсивность использования подвижного состава и достигается это за счет эффективного управления оборотом цистерн. На рисунке 2 представлена финансовая отчетность транспсортно–логистической группы «Трансойл» с 2015 по 2025 год [19].

Рисунок 2 – Финансовая отчетность транспортно–логистической группы «Трансойл»

Источник: разработано автором на основе [19]

Финансовая отчетность за 2015–2024 годы показывает неоднородную, но в целом устойчивую динамику бизнес с ухудшение чистой прибыли в последние годы.

Выручка транспортно–логистической группы «Трасойл» в долгосрочном периоде выросла с 87,1 до 123,38 миллиардов рублей с 2015 по 2024 год. Особенно сильный рост наблюдался в 2018, 2023 и 2024 годах, что говорит о сохранении масштабов бизнеса и высокой операционной активности.

Чистая прибыль до 2022 года оставалась относительной стабильной. Пиковое значение достигнуто в 2022 году, однако после произошло резкое снижение, что может говорить о росте расходов, снижении маржинальности перевозок, увеличении процентной нагрузки или ухудшении рыночной конъюктуры.

Капитал и резервы росли до 2020 года, после чего резко сократились. Снижение собственного капитала при сохранении масштабов бизнеса выглядит негативным фактором и может быть связан с дивидендными выплатами, переоценкой активов или ухудшением финансового результата.

Общий долг, после умеренных значений в 2015–2017 годах, существенно вырос.

Транспортно–логистическая группа «Трасойл» сохраняет высокие объемы выручки и остается крупным игроком транспортно–логистического рынка, однако финансовое положение бизнеса за последние годы ухудшилось. Несмотря на рост оборота, транспортно–логистическая группа «Трансойл» показывает падение чистой прибыли и сокращение собственного капитала, что указывает на снижение эффективности и устойчивости. При сохранении такой тенденции основным риском становится дальнейшее ухудшение рентабельности при достаточно высокой долговой нагрузке.

На рисунке 3 представлена чистая маржа транспортно–логистической группы «Трансойл» [19].

Рисунок 3 – Чистая маржа транспортно–логистической группы «Трансойл»

Источник: разработано автором на основе [19]

Динамика чистой маржи транспортно–логистической группы «Трансойл» показывает, что долгое время сохранялся высокий уровень рентабельности, однако в последние годы эффективность бизнеса существенно снизилась.

В 2015–2020 годах чистая маржа оставалась стабильной на уровне 13–15%, что является хорошим показателем для транспортно–логистического сектора. Это указывало на эффективный контроль расходов и устойчивую операционную модель. В 2021 году маржа снизилась до 12,67%, но ситуация оставалась стабильной. В 2022 году транспортно–логистическая группа «Трансойл» достигла рекордного значения в 20,79%, что связано с благоприятной рыночной конъюнктурой, ростом тарифов на перевозки или разовыми факторами, которые значительно увеличили прибыльность. В 2023–2024 годах началось резкое ухудшение в виде сокращение маржи в четыре раза относительно пика в 2022 году, что говорит о серьезном давлении на прибыльность бизнеса.

Несмотря на рост выручки в 2023–2024 годах, транспортно–логистическая группа «Трансойл» зарабатывает значительно меньше прибыли с каждого рубля оборота, что говорит о росте операционных расходов, увеличении стоимости обслуживания долга, снижении ставок и маржи перевозок, росте налоговой или процентной нагрузки и возможном ухудшении структуры контрактов.

Клиентская база транспсортно–логистической группы «Трансойл» включает крупнейшие нефтяные и нефтеперерабатывающие компании России, представленные в таблице 13 [19].

Таблица 13 – Основные клиенты транспсортно–логистической группы «Трансойл» [19]

Источник: разработано автором на основе [19]

Долгосрочный характер отношений с основными клиентами является структурной особенностью бизнес–модели транспсортно–логистической группы «Трансойл».

Основным операционным параметром, определяющим эффективность управления парком цистерн, является время оборота цистерны, то есть среднее время полного производственного цикла вагона от одной погрузки и до следующей.

Продолжительность погрузки варьируется в зависимости от направления перевозки, показано в таблице 14 [19].

Таблица 14 – Основные направления погрузки

Источник: разработано автором на основе [19]

Для обеспечения равного объема перевозок на длинных маршрутах требуется большое количество подвижного состава, что становится основным источником погрешности при прогнозировании, так как без маршрутной дифференциации невозможно точно определить потребность парка в разрезе отдельных НПЗ и направлений перевозок.

Таким образом, транспортно–логистическая группа «Трансойл» представляет собой группы с крупным собственным парком цистерн, обширной клиентской базой из числа ведущих нефтяных компаний России и географически диверсифицированной маршрутной сетью. Операционный масштаб и стратегическая значимость деятельности транспсортно–логистической группы «Трансойл», формируют высокие требования к качеству прогнозирования перевозок, так ка даже незначительные отклонения прогноза от факта в условиях крупного парка цистерн, влекут за собой существенные операционные и финансовые потери.

В следующем разделе будет проведен анализ процесса прогнозирования перевозок в транспортно–логистической группе «Трансойл».

2.2 Анализ текущего процесса прогнозирования перевозок

Текущий процесс прогнозирования перевозок нефтепродуктов в железнодорожных цистернах по маршрутам на основе прогнозирования объемов погрузки в транспортно-логистической группе «Трасойл», представлен на рисунке 4.

Рисунок 4 – Диаграмма процесса «Прогнозирования перевозок нефтепродуктов в железнодорожных цистернах по маршрутам на основе прогнозирования объемов погрузки»

Источник: разработано автором на основе [19]

Процесс прогнозирования перевозок нефтепродуктов в железнодорожных цистернах по маршрутам на основе прогнозирования объемов погрузки, осуществляется в пять последовательных этапов, представленным в таблице 15.

Таблица 15 – Этапы процесса прогнозирования перевозок нефтепродуктов [19]

Источник: разработано автором на основе [19]

В процессе прогнозирования перевозок нефтепродуктов в железнодорожных цистернах по маршрутам на основе прогнозирования объемов погрузки, используются следующие категории данных:

- плановые объемы отгрузки по контрактам с грузовладельцами;

- исторические данные об объемах фактической погрузки за аналогичные периоды прошлых лет;

- среднесетевые нормативы оборота цистерны;

- данные о наличии и дислокации парка цистерн на текущую дату;

- план технического обслуживания и ремонта вагонов.

Принципиальной особенностью является то, что прогноз не учитывает разницу в оборачиваемости цистерн по конкретным маршрутам, например вагон, следующий из Киришей в Усть–Лугу и вагон, следующий из Ачинска в Китай, приравниваются друг к другу через усредненный норматив, что приводит к систематическим ошибкам в расчете потребности в парке.Отсутствие разделения в маршрутах является основной проблемой текущего процесса прогнозирования перевозок нефтепродуктов в железнодорожных цистернах по маршрутам на основе прогнозирования объемов погрузки и проявляется в следующих аспектах:

1. Единый норматив оборота не отражает реальные различия во времени рейса. Оборот на коротких маршрутах, например Северо–Запад составляет 7–10 суток, а на Восточном составляет 25–35 суток. Применение усредненного норматива приводит к занижению потребности в парке на длинных маршрутах и завышению на коротких маршрутах.

2. Прогноз не учитывает сезонную специфику направлений, например экспортные маршруты в Прибалтику зависят от пропускной способности портов, а Восточное зависит от графика пограничных переходов.

3. В соединенном направлении невозможно заблаговременно распределить парк по НПЗ. Цистерны направляются туда, где возникает немедленная потребность, а не туда, где она была спрогнозирована заранее, что порождает реактивный, а не проактивный характер управления.

В таблице 16 приставлены основные проблемы текущего процесса прогнозирования перевозок нефтепродуктов в железнодорожных цистернах по маршрутам на основе прогнозирования объемов погрузки.

Таблице 16 –Основные проблемы текущего процесса прогнозирования перевозок нефтепродуктов в железнодорожных цистернах по маршрутам на основе прогнозирования объемов погрузки

Источник: разработано автором на основе [19]

Операционные данные транспортно-логистической группы «Трасойл» за 2023-2025 год подтверждают практическую значимость выявленных проблем с точностью маршрутного прогнозирования [19].

Маршрут Кириши-Лужская Экспорт является крупнейшим в сети компании, так как его доля в общем объеме перевозок составляла 10,4% в 2-23 году, 9,5% в 2024 году и 10,1% в 2025 году. Фактические объемы перевозок по маршруту составили 7,79 миллионов тонн в 2023 году, 7,05 миллионов тонн в 2024 году и 7,64 миллионов тонн в 2025 году. Общая нестабильность показателя (разрыв между минимальным и максимальным значениями) составляет 740 тысяч тонн или 9,5% от объема базового года, подтверждает необходимость маршрутного, а не усредненного подхода к прогнозированию [19]

Особенно наглядно проблема агрегированного прогнозирования проявляется на примере двух экспортных маршрутов от одного НПЗ Ильская. Направления Ильская-Новороссийск Экспорт объем перевозок последовательно сокращался с 2,23 до 1,11 миллионов тонн с 2023 по 2024 год. На маршруте Ильская-Грушевая Экспорт от того НПЗ наблюдалась обратная динамика в виде роста с 2,39 до 2,94 миллионов тонн с 2023 по 2024 года и до 3,82 миллионов тонн в 2025 году. В 2023 году грузопотоки между двумя направлениями распределялись почти поровну, тогда как в 2025 году соотношение кардинально изменилось. При это суммарный объем перевозок со станции Ильинская за тот же период снизился лишь на 14,4% с 4,62 до 3,95 миллионов тонн, что означает, что агрегированный прогноз по НПЗ выглядел бы относительно стабильным, полностью скрывая масштабное перераспределение грузопотоков между портами назначения [19].

На маршруте Николькое-Тингута зафиксирована устойчивая динамика роста с 652,7 до 847,2 тысяч тонн с 2023 по 2024 год и до 931,9 тысяч тонн в 2025 году, что в совокупности составило прирост на 42,8% за два года. Систематическая недооценка темпов роста на данном направлении приводит к регулярному дефициту цистерн под погрузку.

Таким образом, фактические данные за 2023-2025 годы показывают устойчивые проблемы действующего подхода к прогнозированию, такие как скрытую внутригодовую волатильность при внешне стабильных годовых показателях, неспособность выявить кардинальное перераспределение грузопотоков между маршрутами одного НПЗ, систематическая недооценка устойчивых трендов роста. Данные проблемы устраняются при переходе к маршруто-ориентированной модели прогнозирования с индивидуальной калибровкой по каждому направлению.

Отсутствие точного прогнозирования перевозок нефтепродуктов в железнодорожных цистернах по маршрутам на основе прогнозирования объемов погрузки, приводит к точу что одни НПЗ испытывают дефицит подвижного состава, тогда как другие избыток, притом, что по сети парк может быть достаточным.

Для понимания проблемы более глубоко, рассмотрим данные по основному маршруту Северо – Запад, а именно направление из Кириши в Лужское (Усть – Луга) за 2022 год, представленные в таблице 17. Данный маршрут является крупнейшим с годовым объемом свыше 7 тысяч тонн.

Таблица 17 – Направление из Кириши в Лужское (Усть – Луга) [19]

Источник: разработано автором на основе [19]

Приведенные данные в таблице 17 показывают, что в целом за год отклонение по маршруту составило 3.5%, что на первый взгляд выглядит приемлемым результатом. Однако разбивка по кварталам показывает иные обстоятельства, например в 3 квартале фактический объем погрузки оказался ниже планового на 18.1%, тогда как в 1 квартале зафиксировано превышение плана на 3.7%. Годовое отклонение частично компенсировалось разнонаправленными квартальными погрешностями, скрыв реальную глубину рассогласованности плана и факта внутри года. При этом именно квартальное отклонение определяет операционную потребность в цистернах.

Аналогичная ситуация наблюдается и на других маршрутах, например по направлению из Ильска в Новороссийск экспорт, фактический объем превыил плановый в 3.6 раза, тогда как по направлению из Ильска в Грушевая экспорт показал недовыполнение на 39%, что означает что потоки между портами назначения перераспределились внутри одного НПЗ, однако объединенный прогноз по НПЗ в целом не показал этого смещения. По направлению из Николькое в Тингута недовыполнение составило 35%. Отсутствие подробного прогноза по каждому маршруту делает данные отклонения системным и непредсказуемыми, что приводит к нерациональному распределению парка цистерн и операционным потерям.

В следующем разделе будет обоснована необходимость совершенствования процесса прогнозирования перевозок нефтепродуктов в железнодорожных цистернах по маршрутам на основе прогнозирования объемов погрузки.

2.3 Обоснование необходимости совершенствования процесса прогнозирования перевозок

По сети ОАО «РЖД» ежегодно перевозят порядка 197-200 миллионов тонн нефтеналивных грузов. По состоянию на декабрь 2023 года общий парк цистерн на сети ОАО «РЖД» составлял 264,5 тысяч единиц, рабочий парк составлял 236,8 тысяч единиц [5].

Несмотря на достаточный размер парка цистерн, отрасль фиксирует структурный дефицит вагонов-цистерн на отдельных направлениях, что объясняется ростом оборота вагона. Увеличение оборота требует большего количества цистерн для перевозки того же объема груза [5].

По данным Инженерного центра вагоностроения, 2025 год являлся одним из пиков по плановому списанию нефтебензиновых цистерн, так как только в 2025 году объем выбытия составил около 10,7 тысяч единиц. В целом за 2025-2028 годы суммарно по окончании срока службы планируется списать порядка 114 тысяч грузовых вагонов [20]

По прогнозу Института проблем естественных монополий, дефицит исправных грузовых вагонов под перевозки на станциях погрузки проявился уже в первой половине 2026 года, прежде всего в сегментах полувагонов и нефтебензиновыхцистер[22]. К концу 2026 года ставки аренды подвижного состава могут вырасти на 10-20%. Аналитики информационного центра операторов фиксируют, что к февралю 2027 года потенциальная нехватка цистерн составит около 4 тысяч единиц, а к декабрю составит до 16 тысяч единиц [23].

Таким образом, совокупность внешних отраслевых тенденций, таких как рост оборота, сокращение ремонтной активности и пик плановых списаний, создает устойчивый операционный риск для транспортно-логистических операторов нефтеналивных грузов. В данных условиях повышение точности маршрутного прогнозирования перевозок и оптимизации расчета потребности в подвижном составе переходя из категории улучшения в категорию стратегической необходимости.

В условиях дефицита вагонов–цистерн, каждый час простоя вагона будет выражаться в виде операционных потерь и упущенной возможности перевезти дополнительные объемы груза. Неэффективное прогнозирование перевозок нефтепродуктов в железнодорожных цистернах по маршрутам на основе прогнозирования объемов погрузки, становится критическим конкурентным риском именно тогда, когда ресурс наиболее ограничен.Простой вагонов–цистерн является прямым следствием несогласованности прогноза перевозок нефтепродуктов в железнодорожных цистернах по маршрутам на основе прогнозирования объемов погрузки с реальностью. Вагоны–цистерны задерживаются на путях в ожидании согласования СКПП, что приводит к превышению спроса на станциях примыкания и снижению из пропускной способности.Невозможность обеспечить постоянную подачу вагонов–цистерн создает прямую угрозу выполнения долгосрочных контрактов. Устойчивые отношения с основными клиентами, такими как «Роснефть», «Сургутнефтегаз» и «Газпром нефть», составляют основу бизнес–модели «Трансойла». Систематические срывы плановой подачи вагонов–цистерн оказывают негативное влияние на деловые отношения с клиентами и создают риск потери долгосрочных контрактов, что несет критические последствия для выручки «Трансойла». В таблице 18 представлены основные направления повышения эффективности планирования и управления парком вагоно-цистерн.

В таблице 18 – Основные направления повышения эффективности планирования и управления парком вагонов-цистерн

Источник: составлено автором

На основании выявленных проблем и анализа процесса прогнозирования перевозок нефтепродуктов в железнодорожных цистернах по маршрутам на основе прогнозирования объемов погрузки, сформулированы следующие предложения по совершенствованию процесса, представленные в таблице 19.

Таблица 19 – Предложения по совершенствованию процесса прогнозирования перевозок нефтепродуктов в железнодорожных цистернах по маршрутам на основе прогнозирования объемов погрузки.

Источник: составлено автором

Реализация предложенных мер, позволит устранить основную проблему в виде недостаточной проработанности прогнозирования перевозок нефтепродуктов в железнодорожных цистернах по маршрутам на основе прогнозирования объемов погрузки и создаст условия для системного повышения точности прогнозирования, сокращения простоев и более эффективного использования парка вагонов–цистерн.

Таким образом, во второй главе был проведен анализ деятельности транспортно–логистической группы «Трансойл» и текущего процесса прогнозирования перевозок нефтепродуктов в железнодорожных цистернах. Установлено, что компания является одним из крупнейших операторов нефтеналивных перевозок в России, располагает значительным парком цистерн и осуществляет перевозки по географически диверсифицированной маршрутной сети. В ходе анализа текущего процесса прогнозирования перевозок было выявлено, что основным недостатком является использование усредненных нормативов оборота цистерн без учета специфики отдельных маршрутов перевозок, что приводит к систематическим отклонениям между плановыми и фактическими объемами перевозок, возникновению дефицита или избытка вагонов на отдельных направлениях, увеличению простоев и снижению эффективности использования парка цистерн. Дополнительно установлено, что существующий подход носит преимущественно реактивный характер и не позволяет своевременно адаптироваться к изменениям спроса со стороны клиентов и ограничениям инфраструктуры ОАО «РЖД».Проведенное исследование подтвердило необходимость совершенствования прогнозирования перевозок нефтепродуктов в железнодорожных цистернах по маршрутам на основе прогнозирования объемов погрузки. В качестве основных направлений улучшение предложены переход к маршрутному прогнозированию, использование индивидуальных нормативов оборота цистерн, внедрение аналитических инструментов обработки данных и регулярное сопоставление плановых и фактических показателей. Реализация предложенных мероприятия позволит повысить точность прогнозирования, сократить простои вагонов–цистерн, обеспечить более эффективное распределение парка и повысить устойчивость операционной деятельности транспортно–логистической группы «Трансойл».

В следующей главе будет совершенствован процесс прогнозирования перевозок.

3 СОВЕРШЕНСТВОВАНИЕ ПРОЦЕССА ПРОГНОЗИРОВАНИЯ ПЕРЕВОЗОК

3.1 Разработка модели прогнозирования объемов погрузки по маршрутам

Разработка модели прогнозирования объемов погрузки нефтепродуктов по маршрутам является основным элементом совершенствования процесса планирования перевозок в транспортно–логистической группе «Трасойл».

Действующих подход не предусматривает маршрутного разделения прогнозов и не учитывает сезонную специфику отдельных направлений, что порождает систематической расхождение между плановыми и фактическими объемами погрузки.

В качестве объекта моделирования выбран маршрут Кириши–Лужская (Усть–Луга) являющийся крупнейшим маршрутом в сети транспортно–логистической группы «Трансойл» с годовым объемом погрузки свыше 7 тысяч тонн. Маршрут представляет направление Северо–Запад и характеризует экспортные перевозки мазута и светлых нефтепродуктов через балтийские портовые терминалы. Выбор данного маршрута обусловлен полнотой и достаточностью исходных данных для построения и верификации прогнозной модели.

Исходными данными для разработки модели послужили внутренние данные транспортно–логистической группы «Трансойл» об объемах фактической погрузки нефтепродуктов по маршруту Кириши–Лужская (Усть–Луга) за период с 2023 по 2025 год. Данные представлены в помесячном разрезе по трем видам груза, таким как мазут, бензин нефтяной и нефрас. Данные за 2023 – 2024 годы использованы в качестве обучающей выборки, данные за 2025 год использованы для верификации модели. В таблице 20 представлены объемы погрузки нефтепродуктов по маршруту Кириши–Лужская.

Таблица 20 – Объем погрузки нефтепродуктов по маршруту Кириши–Лужская

Источник: составлено автором на основе [19]

Данные в таблице 20 показывают, что за трехлетний период совокупный годовой объем погрузки на маршруте варьировался в диапазон от 7379 до 7648,9 тысяч тонн с 2024 по 2025 год, что говорит об относительной стабильности грузопотока при выраженной внутригодовой неравномерности. Сопоставление помесячных значений выявляет устойчивый сезонный профиль в виде повышенной активной погрузки, фиксируемой в зимние месяцы и в августе, тогда как июнь и июль характеризуются минимальными значениям в году.

Для формализации сезонной структуры рассчитаны сезонные индексы маршрута на основе средних значений объемов погрузки за 2023–2024 годы. Сезонный индекс представляет собой отношение среднего объема погрузки в конкретном месяце к среднемесячному объему за год и характеризует относительную интенсивность грузопотока в каждом периоде. В таблице 21 приведены сезонные индексы объема погрузки по маршруту Кириши–Лужская.

Таблица 21 – Сезонные индексы объема погрузки по маршруту Кириши–Лужская

Источник: составлено автором

Сезонные индексы, представленные в таблице 21, подтверждают наличие устойчивой сезонной компоненты. Пиковые значения погрузки характерны для января, февраля, августа и декабря, что обусловлено высоким спросом на мазут в период отопительного сезона и интенсивностью экспортных операций через балтийские порты. Минимальная погрузка фиксируется в июне и июле в связи с сезонным снижением потреблением мазута. Выявленный профиль является структурной характеристикой маршрута и подлежит учету в прогнозной модели.

На основе анализа данных и выявленной структуры в качестве метода прогнозирования выбран метод тройного экспоненциального сглаживания Хольта–Уинтерса с аддитивной моделью сезонности. Данный метод входит в группу статистических методов анализа временных рядов и позволяет одновременно учитывать три составляющие временного ряда, такие как уровень, тренд и сезонность. Выбор аддитивной специфики обусловлен тем, что амплитуда сезонных колебаний остается относительно стабильной и не зависит от уровня ряда, что характерно для рассматриваемого маршрута.

Модель Хольта–Уинтерса описывается системой рекуррентных уравнений.  Уравнение уровня: Lt = ? · (Yt / St?m) + (1 ? ?) · (Lt?1 + Tt?1). Уравнение тренда: Tt = ? · (Lt ? Lt?1) + (1 ? ?) · Tt?1. Уравнение сезонности: St = ? · (Yt / Lt) + (1 ? ?) · St?m. Прогноз на h шагов вперёд: Yt+h = (Lt + h · Tt) + St?m+h, где ?, ?, ? — параметры сглаживания уровня, тренда и сезонной компоненты соответственно; m = 12 — длина сезонного периода.

Параметры модели оптимизированы методом минимизации суммы квадратов ошибок прогноза на обучающей выборке 2023–2024 годов. В результате оптимизации получены значения ? = 0,000 (сглаживание уровня), ? = 0,000 (сглаживание тренда), ? = 0,000 (сглаживание сезонной компоненты). Нулевые значения параметров указывают на то, что сезонный профиль маршрута является высокостабильным и устойчивым, так как модель опирается на накопленный исторический паттерн, а не на последний наблюдения, что соответствует природе маршрута, в котором сезонность определяется структурными факторами, такими как отопительный сезон и режим портовых операций, которые воспроизводятся из года в год.

Подтверждение модели выполнено путем сравнения прогнозных значений на 2025 год, рассчитанных по модели с фактическими данными за тот же период. Для сопоставления в качестве базовой альтернативы (AsIs) использован перенос фактических объемов 2024 года. Этот метод, наиболее близкий к текущей практике планирования в компании. Точность обоих подходов оценена по показателю MAPE. В таблице 22 представлена подтверждение модель с прогнозом 2025 года против фактических данных.

Таблица 22 – Подтверждение модели

Продолжение таблицы 22

Источник: составлено автором

Результаты подтверждения модели, представленные в таблице 22, показывают, что модель Хольта–Уинтерса обеспечивает более высокую точность прогнозирования по сравнению с базовым подходом. MAPEмодели составила 10% против 13,1% при использовании AsIs, то есть точность прогноза повысилась на 3,1%. Наибольшее улучшение достигнуто в периоды с выраженной сезонной переориентацией, так в июне ошибка снизилась с 20,3% до 13,1%, а в июле снизилась с 5,2% до 0,6%, что говорит о том, что учет сезонного профиля позволяет корректно захватывать летний спад погрузки.Вместе с тем, оба метода показали существенные отклонения в 3 квартале 2025 года, в частности, в августе и сентябре. Данный всплеск является аномальным относительно исторического профиля маршрута и объясняется внешними факторам конъюнктурного характера, которые не могут быть предсказаны на основе анализа временного ряд без привлечения дополнительных экзогенных переменных, что подтверждает необходимость системы оперативного контроля план/факт, так как точная модель требует регулярной сверки прогноза с фактическими данными для своевременного реагирования на непредвиденные отклонения. В таблице 23 представлена точность прогноза по кварталам 2025 года.

Таблица 23 – Точность прогноза по кварталам 2025 года

Источник: составлено автором

На основе подтвержденной модели построен прогноз объемов погрузки по маршруту Кириши–Лужская на 2026 год. Горизонт прогнозирования составляет 1 год, что соответствует оперативно–тактическому горизонту планирования в транспортно–логистических компаниях. Прогноз представлен в таблице 24.

Таблица 24 – Прогноз объема погрузки по маршруту Кириши–Лужская на 2026 год

Источник: составлено автором

Прогнозный совокупный объем погрузки на 2026 год составляет 7109,1 тысяч тонн, что ниже фактического значения 2025 года. Снижение обусловлено нисходящим трендом, выявленным моделью и отсутствием оснований для воспроизведения аномального всплеска 3 квартала 2025 года в прогнозируемом периоде. Сезонный профиль прогноза воспроизводит исторически устойчивую структуру в виде перехода максимальных объемов на январь и февраль, минимальный переходя на июль и июнь.Таким образом, разработанная модель прогнозирования объемов погрузки по маршруту Кириши–Лужская позволяет формализовать сезонный профиль маршрута, снизить ошибку прогноза с 13,1% до 10% и получить помесячный прогноз на плановый год, необходимый для расчета потребности в железнодорожных цистернах, рассматриваемого в следующем разделе

3.2 Методика расчета потребности в железнодорожных цистернах

Расчет потребности в железнодорожных цистернах является следующим шагом после получения прогнозных значений объемов погрузки. Действующий подход использует единый среднесетевой норматив оборота вагона–цистерны без учета специфики конкретных маршрутов, что порождает систематическую погрешность при определении потребности в подвижном составе.

Оборот вагонов–цистерн представляют собой полный производственный цикл от одной погрузки до следующей и включает:

- время следования груженого вагона от станции отправления до станции назначения;

- время следования порожнего вагона на возврат;

- время нахождения под нагрузкой на станции отправления;

- время простоев на технических станциях.

Продолжительность каждого элемента различается в зависимости от расстояния маршрута и его инфраструктурных особенностей.Согласно данным таблицы 14, нормативное время оборота вагона–цистерн для направления Северо–Запад составляет порядка 7–10 суток, тогда как применявшийся единый среднесетевой норматив, использующийся при процессе AsIs, равен 14 суткам. Для маршрута Кириши–Лужская принято нормативное значение 8,5 суток, являющееся средним по диапазону направления, как значение, наиболее точно отражающее реальные условия эксплуатации данного плеча.

Методика расчета потребности в железнодорожных цистернах основана на следующей формуле.

Рисунок 5 –Формула расчет потребности в железнодорожных цистернах

где:

N – потребность в цистернах (единиц);

V – прогнозный объем погрузки за период (тысяч тонн0;

Tоб – нормативное время оборота цистерны по маршруту (сутки);

G – грузоподъемность цистерны (тонн), принята равной 68 тонн для четырёхосной цистерны;

D – количество суток в расчетном периоде (месяце).

Формула отражает следующее, чем больше объем погрузки и чем дольше вагон находится в обороте на маршруте, тем больше единиц подвижного состава требуется одновременно для обеспечивания непрерывного грузопотока. (G/100 * D) приводит грузоподъёмность к тысячам тонн и нормирует ее длину периода, позволяя получить потребность в цистернах на данный месяц.Формулы расчет потребности в цистернах предполагает равномерное распределение объема погрузки на протяжении всего расчетного периода. В реальных условиях эксплуатации суточная погрузка по маршруту неравномерна, таки как пиковые дни могут в 1,5-2 раза превышать среднесуточное значение, а в отдельные дни погрузка может не осуществляться по технологическим или инфраструктурным причинам. Следовательно, полученные в таблице 25 значения потребности в цистернах являются расчетными плановыми ориентирами, а не фактической потребностью на конкретный день или неделю. Для учета внутримесячной неравномерности рекомендуется применять поправочный коэффициент которые определяется как отношение максимального суточного объема погрузки к среднесуточному значению за период. По данным транспортно-логистической группы «Трансойл» для маршрута Кириши-Лужская данный коэффициент составляет 1,15-1,25, что означает для гарантированного обеспечения погрузки в пиковые дни расчетную потребность следует увеличивать на 15-25% в качестве операционного резерва Принципиальное отличие предлагаемой методики от действующего подхода состоит в применении маршрутного норматива оборота, вместо единого среднесетевого значения. Для маршрута Кириши–Лужская реальный оборот составляет 8,5 суток против 14 суток, принятых в текущем расчете. Использование завышенного норматива систематически искажает потребность в цистернах в сторону завышения для коротких маршрутов и занижения для длинных.  Сравнительный расчет потребности в цистернах по маршруту Кириши–Лужская на 2026 год, выполненный по двум методикам, представлен в таблице 25.

Таблица 25 – Сравнительный расчет потребности в цистернах по маршруту Кириши–Лужская на 2026 год

Источник: составлено автором

Результаты расчет, приведенные в таблице 25, показывают масштаб систематического искажения, вносимого единым среднесетевым нормативном. В среднем в процессе AsIsзавышается расчетная потребность в цистернах на 1577 единиц в месяц относительно процесса ToBe4015 против 2438 цистерн. Максимальное завышение фиксируется в феврале месяце с наиболее высоким объемом погрузки и наименьшим числом дней, что усиливает чувствительность расчета к нормативу оборота.

Завышение потребности в цистернах означает, что в процессе AsIsна данный маршрут резервируется избыточное количество подвижного состава, который фактически замораживается в обороте на коротком плече и не может быть оперативно перераспределен на другие направления. В условиях дефицита парка цистерн, данное искажение несет прямые операционные потери.

Предлагаемая методика расчет предусматривает следующий алгоритм применения:

1. получение прогнозного объема погрузки по маршруту Vна основе модели;

2. определение маршрутного норматива оборота на основе фактических данных об оборачиваемости цистерн ха предшествующий период с актуализацией не реже одного раза в квартал;

3. применение формулы расчет потребности Nс учетом фактической грузоподъемности привлекаемого парка Gи числа дней в плановом месяце D;

4. объединение результатов по всем маршрутам для формирования суммарной плановой потребности в парке цистерн.

Таким образом, предлагаемая методика обеспечивает переход от усредненного подхода к маршрутно–подтвержденному расчету потребности в подвижном составе. Применение маршрутного норматива оборота вместе единого среднесетевого значения позволяет устранить систематическое завышение потребности в цистернах на коротких маршрутах и создает условия для проактивного распределения парка цистерн в соответствии с реальной структурой грузопотоков. Полученные прогнозные значения потребности в цистернах являются входным параметром для системы аналитического контроля, рассматриваемой в следующем разделе.

3.3 Внедрение инструментов анализа и контроля прогнозирования

Разработка прогнозной модели и методики расчет потребности в цистернах сами по себе не устраняют основной операционной проблемы. Модель формирует плановые ориентиры, однако без регулярного подтверждения прогноза по мере поступления фактических данных ее ценность для управленческих решений существенно снижается. В связи с этим, третьим элементов предлагаемого совершенствования процесса является внедрение инструментов визуального анализа и оперативного контроля прогнозирования перевозок на базе BI.

Архитектура системы аналитического контроля включает три взаимосвязанных уровня, таких как данные, аналитика и визуализация. На уровне данных консолидируются три потока, такие как фактические данные о погрузке, прогнозные значения, сформированные моделью Хольта-Уитерса, и расчетная потребность в цистернах по маршрутам. На уровне аналитики выполняется автоматическое вычисление отклонений план/ факт в абсолютном и процентном выражении, расчет скользящей ошибки прогноза и формирование сигналов при превышении установленных пороговых значений. На уровне визуализации результаты представляются в интерактивных дашбордахBI–системы, доступных плановым специалистам и руководству.

Для технической реализации предлагается использование платформы MicrosoftPowerBIприменяемой в транспортно–логистической группе «Трансойл».

Система аналитического контроля включает три основных дашборда, формирующих замкнутый контур управления прогнозирования перевозок, представленные на рисунках 6–8.

Рисунок 6 – Дашбордв MicrosoftPowerBI«Мониторинг точности прогноза»

Источник: составлено автором

Рисунок 7 – Дашборд в MicrosoftPowerBI«Сезонный профиль и план/факт по маршрутам»

Источник: составлено автором

Рисунок 8 –Дашборд в MicrosoftPowerBI«Потребность в парке цистерн»

Источник: составлено автором

Для обеспечения регулярности контроля предлагается следующий регламент работы с системой. Еженедельно специалист проверяет дашборд «Мониторинг точности прогноза» и при наличии отклонений свыше 10% формирует аналитическую записку с оценкой причин отклонения. Ежемесячно по итогам закрытия отчетного периода выполняется обновление данных во всех трех дашбордах, актуализируется скользящий MAPE модели и при необходимости проводится коррекция прогноза на оставшиеся месяцы года. Ежеквартально выполняется актуализация маршрутных нормативов оборота на основе накопленных фактических данных и пересчет потребности в цистернах в дашборде третьего уровня. Ежегодно производится переобучение модели Хольта–Уинтерсана расширенный выборке с добавлением данных завершившегося года.

Предложенный регламент формирует замкнутый контур управления прогнозированием перевозок, представленный на рисунке 9.

Рисунок 9 – Контур управления прогнозированием перевозок

Источник: составлено автором

Данный подход соответствует концепции data–drivenуправления, закрепленной в транспортной стратегии Российской Федерации до 2030 года и создает технологическую основу для перехода от реактивного оперативного управления к проактивному планированию перевозок.

Дорожная карта внедрения предложенных решений представлена в таблице 26.

Таблица 26 – Дорожная карта

Продолжение таблицы 26

Источник: составлено автором.

Оценка ожидаемого операционного эффекта от реализации преложенных мер представлена в таблице 26.

Таблица 27 – Сравнение основных показателей процесса прогнозирования перевозок

Источник: составлено автором

Продолжение таблицы 27

Внедрение предложенных инструментов не требует закупки новых программных продуктов, так как MicrosoftPowerBIуже используется в операционной деятельности транспортно-логистической группы «Трансойл» [19]. Основные расходы связаны с трудозатратами на разработку и первичную настройку модели и дашбордов. Разработка и настройка прогнозной модели составит 40-60 часов аналитика, создание трех дашбордов составит 80-120 часов, разработка регламента и обучение сотрудников составит 16-24 рабочих часа, итого 136-204 часа. При средней стоимости работы аналитика транспортно-логистической компании на уровне 1,5-2 рублей в час совокупные расходы на внедрение составят 200-410 тысяч рублей. Последующие оперативные расходы на актуализацию модели оцениваются в 8-16 часов в год.

Оценка экономического эффекта от внедрения формируется по таким направлениям, как:

1.   снижение расчетное сверхнормативной потребности в цистернах. По маршруту Кириши-Лужская действующий подход завышает расчетную потребность в среднем на 1577 цистерн в месяц. В условиях рыночной ставки, аренда нефтебензиновой цистерны на уровне 3,5-4,5 тысяч рублей в сутки, потенциальная экономика от устранения сверхнормативного резервирования только по одному маршруту составляет 1577 цистерн * 30 суток * 4 тысяч рублей = 189,2 миллиона рублей в месяц. Данный расчет носит оценочный характер и предлагает равномерную погрузку в течение месяца. На практике эффект будет ниже из-за неравномерности грузопотоков и частичного перекрытия потребности за счет перераспределения парка цистерн;

2.   повышение точности прогнозирования MAPEс 13,1% до 10% позволяет сократить частоту оперативных внесений изменений в плане, уменьшить число ситуаций с дефицитом или избытком цистерн на конкретных НПЗ и снизить долю отказов в перевозке по заявкам СКПП.

При реализации предложенных мер существенным ограничение является допущение о равномерной погрузке в расчётной формуле. В реальных условиях погрузка неравномерна по дням месяца, так как суточные объемы могут отклоняться от среднемесячных в 1,5-2 раза, что означат, что итоговые цифры потребности в цистернах являются расчетными, а не фактическими. Для управления данным риском предусмотрено еженедельное обновление прогноза в дашборде с мониторингом текущего факта, что позволяет своевременно выявлять отклонения и вносить изменения в плановые ориентиры. Дополнительным риском является зависимость модели от исторических данных.

Таким образом, предложенные мероприятия по совершенствованию процесса прогнозирования перевозок в транспортно–логистической группе «Трансойл» формируют комплексную систему управления перевозочным процессом, основанную на использовании методов анализа временных рядов, маршрутно–ориентированного расчета потребности в подвижном составе и инструментов оперативного аналитического контроля. Разработанная модель прогнозирования объемов погрузки по маршруту Кириши–Лужская позволила формализовать сезонную структуру грузопотока и повысить точность прогноза по сравнению с действующим подходом в процессе AsIs. Предложенная методика расчета потребности в железнодорожных цистернах обеспечила переход от усредненных нормативов к учету фактической оборачиваемости вагонов по конкретным маршрутам, что позволило выявить значительное завышение расчетной потребности в подвижном составе в процессе AsIs. Внедрение системы в BI–аналитики и регламентов контроля создает условия для непрерывного мониторинга отклонений план/факт, своевременной корректировки прогнозов и повышения обоснованности управленческих решений.

В совокупности реализация предложенных решений обеспечивает переход от реактивного подхода к проактивному управлению перевозками нефтепродуктов, повышает эффективность использования парка цистерн, снижает операционные риски и формирует технологическую основу для дальнейшего развития data–drivenуправления в транспортно–логистической группе «Трансойл».

ЗАКЛЮЧЕНИЕ

Выпускная квалификационная работа посвящена совершенствованию процесса прогнозирования перевозок нефтепродуктов в железнодорожных цистернах по маршрутам в транспортно–логистической группе «Трансойл».

В–первой главе, были систематизированы особенности перевозок нефтепродуктов железнодорожным транспортом, рассмотрены экспертные, статистические и экономико–математические методы прогнозирования транспортных показателей, а также проанализированы возможности BI–инструментов, как технологической основы data–drivenуправления перевозками. Установлено, что методы анализа временных рядом, в том числе метод Хольта–Уинтерса, обеспечивают достаточную точность при наличии выраженной сезонной структуры грузопотока.

Во–второй главе, проведен анализ деятельности транспортно–логистической группе «Трансойл» и текущего процесса прогнозирования, выявлены следующие основные проблемы такие, как использование объединенных прогнозов без маршрутного разделения, применение единого среднесетевого норматива оборота цистерны вне зависимости от реальной продолжительности оборота на конкретных маршрутах, реактивный характер управления парком, отсутствие формализованной системы контроля план/факт. На примере маршрута Кириши–Лужская показано, что MAPEдействующего подхода в процессе AsIsсоставляет 13,1%, а квартальные отклонения достигают 18,1%, что оказывает прямое негативное влияение на эффективность использования подвижного состава.

В–третьей главы, разработаны три взаимосвязанных элемента совершенствования процесса подвижного состава:

1. Построена модель прогнозирования объемов погрузки по маршруту Кириши–Лужская на основе метода Хольта–Уинтерса с аддитивной компонентной сезонности. Параметры модели оптимизированы на обучающей выборке 2023–2024 годов, подтверждение проведено на данных 2025 года. Модель обеспечила снижение MAPEс 13,1% до 10%, квартальную точность прогноза на первый квартала до 0,2% против 3,6% при действующем подходе в процессе AsIs. На основе подтвержденной модели построен помесячный прогноз на 2026 год с совокупным объемом 7109,1 тысяч тонн, воспроизводящий исторически устойчивый сезонный профиль маршрута.;

2. Разработана методикамаршрутно–ориентированного расчета потребности в железнодорожных цистернах, основанная на применении индивидуального норматива оборота вагона по маршруту, вместо единого среднесетевого значения. Сравнительный расчет показал, что действующий подход завышает расчетную потребность в цистернах в среднем на 1577 единицы в месяц, что в условиях дефицита парка несет прямые операционные потери и препятствует рациональному перераспределению подвижного состава;

3. Разработана и внедрена система аналитического контроля прогнозирования перевозок на базе MicrosoftPowerBI, включающая три взаимосвязанных дашборда. Дашборд «Мониторинг точности прогноза» обеспечивает еженедельное отслеживание отклонений и формирование оповещения при их превышении сверх порогового значения в 10%. Дашборд «Сезонный профиль и план/факт по маршрутам» позволяет ежемесячно сопоставлять прогнозные и фактические объемы погрузки в различных аналитических разрезах. Дашборд «Потребность в парке цистерн» обеспечивает ежеквартальную актуализацию расчётной потребности в подвижном составе с учетом обновленных нормативов оборота. Совокупность дашбордов и регламентов работы с ними формирует замкнутый управленческий контур, переводя управления перевозками из реактивного в проактивный режим.

Практическая реализация предложенных решений подтверждена отзывом внедрении в транспортно–логистической группе «Трансойл». Совокупный эффект от реализации разработанных мероприятий выражается в повышении точности прогнозирования, сокращении расчетного избытка цистерн на коротких маршрутах, создании инструментальной основы для проактивного управления распределением парка и снижении операционных рисков в условиях нарастающего дефицита подвижного состава.

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ

1.   Neftegaz [Электронный ресурс]. – URL: https://neftegaz.ru (дата обращения: 17.04.2026).

2.   Министерство транспорта Российской Федерации [Электронный ресурс]. – URL: https://mintrans.gov.ru/ (дата обращения: 17.04.2026).

3.   Определение рисков при транспортировке нефтепродуктов // Экономика и социум. – 2022. – № 6-2 (97). – С. 775–778.

4.   КонсультантПлюс [Электронный ресурс]. – URL: https://www.consultant.ru (дата обращения: 17.04.2026).

5.   Российские железные дороги [Электронный ресурс]. – URL: https://company.rzd.ru (дата обращения: 17.04.2026).

6.   Маркетинг транспортных услуг [Электронный ресурс]: учебное пособие / Г.А. Чернова; Министерство науки и высшего образования Российской Федерации, ВПИ (филиал) ФГБОУ ВО ВолгГТУ. – Волжский, 2022. – 1 электрон. опт. диск (362 КБ).

7.   Косов Д.Ю. Применение методов экономической статистики при анализе грузоперевозок // Молодой ученый. – 2023. – № 51 (498). – С. 92–94.

8.   Экономико-математические методы и модели в логистике: учебно-методическое пособие / сост. С.С. Кудрявцева, Ф.Ф. Галимулина; М-во науки и высшего образования РФ, Казан. нац. исслед. технол. ун-т. – Казань: Изд-во КНИТУ; Изд-во Академии наук РТ, 2019. – 140 с.

9.   Sky.pro [Электронный ресурс]. – URL: https://sky.pro (дата обращения: 17.04.2026).

10. Викиконспекты ИТМО [Электронный ресурс]. – URL: https://neerc.ifmo.ru (дата обращения: 17.04.2026).

11. Терралинк [Электронный ресурс]. – URL: https://terralink.ru (дата обращения: 17.04.2026).

12. Волошин Т.А., Зайцев К.С., Дунаев М.Е. Применение адаптивных ансамблей методов машинного обучения к задаче прогнозирования временных рядов // International Journal of Open Information Technologies. – 2023. – Т. 11, № 8. – С. 57–63.

13. Глухов Д.И. Роль BI в принятии управленческих решений // Индустриальная экономика. – 2024. – № 2. – С. 99–103.

14. Tproger [Электронный ресурс]. – URL: https://tproger.ru/ (дата обращения: 17.04.2026).

15. Microsoft [Электронный ресурс]. – URL: https://www.microsoft.com/ru (дата обращения: 17.04.2026).

16. Мегаплан [Электронный ресурс]. – URL: https://megaplan.ru (дата обращения: 17.04.2026).

17. YandexCloud [Электронный ресурс]. – URL: https://yandex.cloud (дата обращения: 17.04.2026).

18. Клеверенс [Электронный ресурс]. – URL: https://www.cleverence.ru (дата обращения: 17.04.2026).

19. Транспортно-логистическая группа «Трансойл» [Электронный ресурс]. – URL: https://transoil.com/ (дата обращения: 17.04.2026).

20. ГК ИЦВС [Электронный ресурс]. – URL: https://engcenter.ru/(дата обращения: 20.04.2026).

21. ИПЕМ [Электронный ресурс]. – URL:https://ipem.ru/(дата обращения: 20.04.2026).

22. СОЖТ [Электронный ресурс]. – URL:https://railsovet.ru/(дата обращения: 20.04.2026).

ПРИЛОЖЕНИЕ А Отзыв о внедрении