VAK Russia 5.2.3
VAK Russia 5.2.4
VAK Russia 5.2.5
VAK Russia 5.2.6
VAK Russia 5.2.7
UDC 338.47
The article reveals the functional features of the digital fleet management system of the main carrier of passengers by land transport in the Russian capital – SUE Mosgortrans. The sources of the formation of the economic effect and the overall operational efficiency in the operation of the system of automatic distribution of drivers and vehicles on the line using artificial intelligence, the formation of ratings of drivers to improve the system of financial motivation are emphasized. Recommendations are given for calculating the economic effect of the implementation of the Autofill system within the framework of the Ideal Fleet digital ecosystem of the largest passenger carrier in the Russian capital, SUE Mosgortrans.
Auto charging, artificial intelligence, Mosgortrans, driver assignment, routing automation, ideal fleet
Одним из важнейших инструментов повышения операционной эффективности пассажирских перевозчиков и в целом всех транспортных организаций выступает внедрение современных интеллектуальных систем оптимального планирования распределения подвижного состава [6]. Такие системы обеспечивают приращение эффективности перевозок в части улучшения показателей оборачиваемости транспортных средств, загрузки, ритмичности, технической готовности, укомплектованности водительского персонала, использования пассажировместимости, уменьшения затрат на перевозки, точности выполнения расписания [8, 9]. Исследуемые цифровые системы существенно повышают управляемость перевозочными активами.
Сегодня активно внедряются не только программные аппаратные средства и электронные системы в управлении перевозочными процессами, но и получают распространение, набирают популярность технологии искусственного интеллекта в совершенствовании различных операционных процессов управления перевозками.
Интеллектуальные системы оптимального планирования распределения подвижного состава формируются как результат синтеза нескольких цифровых технологий, среди которых: машинное обучение (на его основе строятся прогностические модели потребности в технике, формируются кластеры и шаблоны моделей), предиктивная аналитика (позволяет заблаговременно выявлять неисправности и прогнозировать потребности в обслуживании, ремонте, замене изношенных частей подвижного состава, в непрерывном режиме), большие данные и Интернет вещей (обеспечивают непрерывный сбор, обработку и анализ данных, получаемых с бортовых устройств транспорта, телематических устройств), цифровые двойники подвижного состава (способствуют созданию симуляционных моделей управления движением транспорта, загрузки, жизненного цикла, оптимизации эксплуатационных параметров) [1, 4].
Искусственный интеллект в управлении пассажирскими перевозками позволяет формировать и использовать динамические модели планирования, учитывающие множество постоянно изменяющихся факторов, в том числе: индивидуальные предпочтения водителей, время отклика водительского персонала на изменения в графиках, предсказуемость спроса пассажиров, загрузки (заполняемости) салона транспортных средств, вероятность неисправностей, износ, оценка фактических затрат на перевозку в режиме непрерывных расчетов [7].
Пионерные решения по внедрению систем автоматизированного распределения водителей и транспортных средств на линии городских перевозок внедряет крупнейшее столичное государственное унитарное предприятие «Мосгортранс».
Цифровая экосистема ГУП «Мосгортранс» включает в себя:
- систему автоматического назначения водителей на маршруты с помощью искусственного интеллекта;
- полный переход на электронные путевые листы (это решение высвобождает эффективное полезное время водителей в течение смен);
- выполнение предрейсовых осмотров на аппаратах телемедицины (экономит рабочее время водителей, повышает точность измерений показателей здоровья водителей в процессе осмотров);
- эксплуатацию корпоративного мобильного приложения «Идеальный автопарк»;
- использование аддитивных технологий – промышленной 3D-печати быстроизнашиваемых деталей подвижного состава непосредственно в зоне их эксплуатации (на 3D-принтерах печатаются фиксаторы дверей, окантовки кнопок, крышки предохранителей и многие другие мелкие детали);
- применение систем контроля за работой водителей и стилем вождения на основе систем видеозрения «Антисон», «Нейроком», акселерометров [2, 3].
Мобильное приложение «Идеальный автопарк» Мосгортранса выступает инструментом оцифровки операционных процессов управления отношениями перевозчика с водительским персоналом.
В мобильном приложении «Идеальный автопарк» реализуются следующие функции и сервисы:
- цифровые решения для линейного состава (информация о графике работы, данные о транспортном средстве, маршруте, графике движения), рейтинг водителей;
- модуль заработной платы – электронный формат отображения заработной платы для водителей;
- информация и объявления голосования и опросы сотрудников, чат-боты;
- телефонный справочник с основной информацией о работниках, внутренний чат;
- модуль кадрового документооборота – электронная подача заявлений и получение результата, ознакомление с документами, удаленная работа с документами;
- инструменты диджитализации контроля выпуска водителей на линию – отображение в режиме реального времени медицинского осмотра и технического контроля транспортных средств, дистанционный мониторинг состояния здоровья водителя (с помощью контроля датчиками), непрерывное получение данных в приложении с бортового компьютера транспортного средства.
Предпосылками внедрения интеллектуальной системы распределения водителей и транспортных средств на линию с использованием искусственного интеллекта в ГУП «Мосгортранс» выступили: значительная трудоемкость и нагрузка на инженеров-планировщиков при ручном планировании, возникающие дополнительные временные и денежные потери предприятия-перевозчика из-за экономически неэффективных и нерациональных расчетов; человеческий фактор и непрозрачный процесс [10].
Целевая функция автоматического формирования расписания (смен водителей) с использованием искусственного интеллекта учитывает многокритериальность по направлениям: формирование смен оптимальной продолжительности с учетом численности водителей; сокращение фонда заработной платы водителей за счет рациональности и оптимизации; привлечение и удержание водителей новыми вариантами рабочих смен [11].
Пример программной визуализации автоматического формирования расписания (смен водителей) с использованием искусственного интеллекта показана на рисунке 1.
Рисунок 1- Пример программной визуализации автоматического формирования расписания (смен водителей) с использованием искусственного интеллекта в ГУП «Мосгортранс» [3]
Систему автоматического формирования расписания (смен водителей) с использованием искусственного интеллекта в ГУП «Мосгортранс» дополняет электронный модуль автоматизированного расчета рейтинга водителей на основании данных из систем контроля. Цифровой рейтинг является прозрачным и понятным для персонала инструментом назначения премии водительскому персоналу, включает в себя 80 различных показателей качества обслуживания пассажиров. Премия назначается водителю, добросовестно исполняющего трудовые обязанности, имеющему 100 баллов цифрового рейтинга. К основным показателям рейтинга относятся: 1) контролируемые (при их невыполнении рейтинг снижается незначительно): изменения маршрута, графика, небрежная форменная одежда, жалобы от пассажиров нарушения правил дорожного движения, нарушения приемки или сдачи автобуса; 2) контролируемые и значимые (при их невыполнении рейтинг снижается до 50 %): опоздание на работу, проезд остановки, опасная динамика вождения, грубость с пассажирами, неполная бортовая документация, блокировка ремня безопасности; 3) критичные (предполагают обнуление рейтинга и лишение водителя премии): прогул, отказ от медицинского осмотра, дорожно-транспортное происшествие по вине водителя, вождение с угрозой здоровью пассажира, в том числе падение, признаки опьянения, вмешательство в работоспособность транспортного средства и оборудования [5].
Еще одним дополнением системы автозанарядки в ГУП «Мосгортранс» выступает цифровой сервис распределения отпусков водителей с использованием искусственного интеллекта. Неравномерное количество доступных водителей на линии автобусов и электробусов негативно влияет на выпуск и приводит к значительному увеличению объема переработок или срывов расписания. Переход на использование алгоритмов искусственного интеллекта при распределении отпусков водителей обеспечивает экономический эффект с учетом повышения точности расчета отпускных квот, равномерного распределения отпусков без влияния человеческого фактора в процессе планирования, стабильного выпуска водителей.
Пример графика сравнения ручного и автоматического плана отпусков на 2026 год (по данным площадки Гольяново) показан на рисунке 2.
Рисунок 2 - Пример графика сравнения ручного и автоматического плана отпусков водителей ГУП «Мосгортранс» на 2026 год [3]
Слагаемыми эффективности запуска интеллектуальной системы планирования назначений (автозанарядок) водителей на маршруты с использованием алгоритмов искусственного интеллекта выступают:
- рост скорости выполнения работ по назначению водителей на маршруты (с одного и двух часа при ручном планировании до в среднем пяти минут при автоматическом планировании; время планирования сокращается до 95%, нагрузка на сотрудников, планирующих выпуск автобусов и электробусов на линии, сокращается вдвое);
- повышение прозрачности процесса планирования;
- минимизация ошибок, связанных с человеческим фактором;
- постоянный непрерывный график окон и переработок водителей (цифровая система предупреждает и предотвращает переработки, повышает общую работоспособность персонала);
- оптимизация маршрутов, постоянный учет фактического пассажиропотока (благодаря интеллектуальному планированию сокращается общая потребность в транспортных средствах на линиях на 10%);
- удобство и человекоориентированность (повышение удовлетворенности работой со стороны водительского персонала за счет нацеленности цифровой системы на назначения водителей на знакомые им маршруты, удобные дни и смены);
- гибкость (онлайн-учет пожеланий со стороны самих водителей по времени работы в течение суток и месяца);
- оперативная реакция электронной системы на любые изменения рабочей ситуации;
- создание для водителей равных условий и недискриминация при выборе маршрутов и рабочих смен (исключение субъективизма и личных договоренностей сотрудников).
Авторы предлагают провести расчет годового экономического эффекта от запуска и использования системы автоматического формирования расписания (смен водителей) с использованием искусственного интеллекта (Эгод) с использованием следующей формулы:
Эгод = (Чпл.баз * ЗПпл. * 12 * ϶ * ς / 100) + (Qтс * Цтс * kам * λ / 100) + (Qтс.срыв * Вдн * 320 * kрент.пер) + (Вгод * φ / 100),
где
Чпл.баз – базовая среднесписочная численность работников планово-диспетчерского отдела ГУП «Мосгортранс», человек; ЗПпл. – среднемесячная заработная плата работников планово-диспетчерского отдела ГУП «Мосгортранс» с учетом страховых взносов в Федеральный фонд обязательного медицинского страхования и Социальный фон России, рублей в месяц; ϶ - доля (коэффициент, удельный вес) рабочего времени, затрачиваемого работниками-планировщиками на формирование расписания водителей, в общем балансе рабочего времени инженеров-планировщиков, единиц; ς – оценка (прогноз) высвобождения рабочего времени инженеров-планировщиков на выполнение работ по назначению водителей на маршруты автобусов и электробусов на линии, процентов; Qтс – наличие транспортных средств в ГУП «Мосгортранс», единиц; Цтс – средневзвешенная цена закупа нового транспортного средства в ГУП «Мосгортранс», рублей; kам – коэффициент приведения стоимости транспортного средства к одному году эксплуатации (рассчитывается как обратная величина нормативному сроку службы), kам = 0,125; λ – оценка сокращения общей потребности в транспортных средствах в ГУП «Мосгортранс» за счет оптимизации маршрутов (λ = 10%); Qтс.срыв –число транспортных средств, работа которых на линии сорвана вследствие ошибок ручного планирования, фактического дефицита водителей, невыхода их на линию по причине плановых просчетов, единиц; Вдн– среднедневная выручка в расчете на одно транспортное средство, рублей; 320 – число рабочих дней эксплуатации одного транспортного средства в течение года, дней; kрент.пер – рентабельность перевозок ГУП «Мосгортранс» с учетом субсидий, доли единицы, коэффициент; Вгод– годовая выручка ГУП «Мосгортранс» за последний отчетный год, рублей; φ – оценка недополучения доходов пассажирского перевозчика по причине ошибок, допускаемых влиянием человеческого фактора, недоучета фактического пассажиропотока, процентов от годовых доходов перевозчика.
Оцениваемый экономический эффект с применением выше приведенной формулы рассчитан авторами в сумме 7,5 млрд. рублей в год.
Заключение. Таким образом, выполненное исследование позволило сформулировать основные его результаты и подвести итоги.
Внедрение систем автоматизированного распределения водителей и транспортных средств на линиях городских пассажирских перевозчиков, с использованием искусственного интеллекта, является экономически целесообразным. Экономический эффект достигается за счет сокращения времени, затрачиваемого на ручное планирование расписания транспортных средств инженерами-планировщиками, с нескольких часов до нескольких минут, повышения прозрачности процесса планирования, минимизации ошибок, связанных с человеческим фактором, непрерывного оцифрованного контроля работы водителей и их переработок.
1. Anisimova A.I., Mal'cev D.S., Lebedeva A.S. Ocenka vliyaniya intellektual'nyh transportnyh sistem na ekologicheskuyu bezopasnost' transporta Sankt-Peterburga // Nauchnyy zhurnal NIU ITMO. Seriya: Ekonomika i ekologicheskiy menedzhment. – 2021. – № 3. – S. 3-11.
2. Asaul N.A. Transformaciya gorodov putem vnedreniya effektivnyh i ekologichnyh dorozhno-transportnyh sistem // Cennost' rezul'tatov nauchno-issledovatel'skoy deyatel'nosti zaklyuchaetsya v otrazhenii ob'ektivnoy potrebnosti otechestvennoy ekonomiki: mat. reg. XXI nauch. konf s mezhd. uch. – Sankt-Peterburg: Institut problem ekonomicheskogo vozrozhdeniya, 2020. – S. 173-183.
3. Asaul N.A. Upravlenie passazhirskimi perevozkami // Mirovoe innovacionnoe sorevnovanie. Rol' i mesto Rossii v nem: materialy XVIII nauchno-prakt. konf., Sankt-Peterburg, 31 oktyabrya 2016 goda. – Sankt-Peterburg: Institut problem ekonomicheskogo vozrozhdeniya, 2016. – S. 451-459.
4. Belaya kniga «Iskusstvennyy intellekt v sfere transporta i logistiki» / koll avt.: Berezuckiy D.E., Burkina A.V., Markelova I.V. i dr. Moskva: Associaciya «Cifrovoy transport i logistika», 2025. 276 s.
5. Karbyshev A.V., Ryazanova A.V. Razrabotka i vnedrenie sistemy planirovaniya obschestvennogo gorodskogo transporta na osnove iskusstvennogo intellekta dlya umnyh gorodov // Transportnoe delo Rossii. – 2025. – № 2. – S. 281-285.
6. Manova V.A., Lebedeva A.S. Faktory, opredelyayuschie formirovanie innovacionnyh transportno-logisticheskih kompleksov // Transportnye sistemy i tehnologii. – 2020. – T. 6. – № 2. – S. 129-144.
7. Merenkov A.O., Gorin V.S. Tekuschee sostoyanie i perspektivnye napravleniya sovershenstvovaniya kachestva gorodskih avtobusnyh perevozok (na primere GUP «Mosgortrans») // Prioritetnye i perspektivnye napravleniya nauchno-tehnicheskogo razvitiya Rossiyskoy Federacii. materialy II-y Vserossiyskoy nauchno-prakticheskoy konferencii. 2019. – S. 184-186.
8. Okanov A.V., Gostieva N.K. Mosgortrans v sisteme cifrovoy ekonomiki // Ekonomicheskoe razvitie v XXI veke: tendencii, vyzovy i perspektivy: sb. nauchnyh trudov VIII Mezhd. nauch.-prakt. konf.: v 2 chastyah, Moskva, 21–22 maya 2020 goda. Tom Chast' 2. – Kazan': Kazanskiy nacional'nyy issledovatel'skiy tehnologicheskiy universitet, 2020. – S. 269-271.
9. Nazarova A.N., Tunik K.D. Analiz effektivnosti vnedreniya cifrovyh innovaciy v passazhirskih perevozkah na primere obschestvennogo transporta goroda Moskvy // Ekonomicheskie i upravlencheskie tehnologii HHI veka: teoriya i praktika, podgotovka specialistov: materialy Vseros. konf. imeni T. R. Tereshkinoy. Sankt-Peterburg, 2021. – S. 94-98.
10. Rogavichene L.I., Emec A.V. Vnedrenie bespilotnyh transportnyh sredstv v infrastrukturu Sankt-Peterburga: issledovanie problem // Mir transporta. – 2022. – T. 20. – № 2 (99). – S. 52-59.
11. Slovesnova A.D. Optimizaciya zatrat na primere GUP «Mosgortrans» // Radioelektronika, elektrotehnika i energetika: tezisy dokladov 22 Mezhdunar. nauch.-tehn. konf.: v 3-h tomah. 2016. – S. 201.
