ВАК 5.2.3 Региональная и отраслевая экономика
ВАК 5.2.4 Финансы
ВАК 5.2.5 Мировая экономика
ВАК 5.2.6 Менеджмент
ВАК 5.2.7 Государственное и муниципальное управление
УДК 338.47 Экономика транспорта и связи
В статье раскрываются функциональные особенности цифровой системы управления парком транспортных средств основного перевозчика пассажиров наземным транспортом российской столицы – ГУП «Мосгортранс». Подчеркнуты источники формирования экономического эффекта и общей операционной эффективности при эксплуатации системы автоматического распределения водителей и транспортных средств на линии с использованием искусственного интеллекта, формирования рейтингов водителей для совершенствования системы материальной мотивации. Даны рекомендации расчета экономического эффекта от внедрения системы «Автозанарядка» в рамках цифровой экосистемы «Идеальный автопарк» крупнейшего пассажирского перевозчика российской столицы – ГУП «Мосгортранс».
Автозанарядка, искусственный интеллект, Мосгортранс, назначение водителей, автоматизация маршрутизации, идеальный автопарк
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. Анисимова А.И., Мальцев Д.С., Лебедева А.С. Оценка влияния интеллектуальных транспортных систем на экологическую безопасность транспорта Санкт-Петербурга // Научный журнал НИУ ИТМО. Серия: Экономика и экологический менеджмент. – 2021. – № 3. – С. 3-11.
2. Асаул Н.А. Трансформация городов путем внедрения эффективных и экологичных дорожно-транспортных систем // Ценность результатов научно-исследовательской деятельности заключается в отражении объективной потребности отечественной экономики: мат. рег. XXI науч. конф с межд. уч. – Санкт-Петербург: Институт проблем экономического возрождения, 2020. – С. 173-183.
3. Асаул Н.А. Управление пассажирскими перевозками // Мировое инновационное соревнование. Роль и место России в нем: материалы XVIII научно-практ. конф., Санкт-Петербург, 31 октября 2016 года. – Санкт-Петербург: Институт проблем экономического возрождения, 2016. – С. 451-459.
4. Белая книга «Искусственный интеллект в сфере транспорта и логистики» / колл авт.: Березуцкий Д.Э., Буркина А.В., Маркелова И.В. и др. Москва: Ассоциация «Цифровой транспорт и логистика», 2025. 276 с.
5. Карбышев А.В., Рязанова А.В. Разработка и внедрение системы планирования общественного городского транспорта на основе искусственного интеллекта для умных городов // Транспортное дело России. – 2025. – № 2. – С. 281-285.
6. Манова В.А., Лебедева А.С. Факторы, определяющие формирование инновационных транспортно-логистических комплексов // Транспортные системы и технологии. – 2020. – Т. 6. – № 2. – С. 129-144.
7. Меренков А.О., Горин В.С. Текущее состояние и перспективные направления совершенствования качества городских автобусных перевозок (на примере ГУП «Мосгортранс») // Приоритетные и перспективные направления научно-технического развития Российской Федерации. материалы II-й Всероссийской научно-практической конференции. 2019. – С. 184-186.
8. Оканов А.В., Гостиева Н.К. Мосгортранс в системе цифровой экономики // Экономическое развитие в XXI веке: тенденции, вызовы и перспективы: сб. научных трудов VIII Межд. науч.-практ. конф.: в 2 частях, Москва, 21–22 мая 2020 года. Том Часть 2. – Казань: Казанский национальный исследовательский технологический университет, 2020. – С. 269-271.
9. Назарова А.Н., Туник К.Д. Анализ эффективности внедрения цифровых инноваций в пассажирских перевозках на примере общественного транспорта города Москвы // Экономические и управленческие технологии ХХI века: теория и практика, подготовка специалистов: материалы Всерос. конф. имени Т. Р. Терёшкиной. Санкт-Петербург, 2021. – С. 94-98.
10. Рогавичене Л.И., Емец А.В. Внедрение беспилотных транспортных средств в инфраструктуру Санкт-Петербурга: исследование проблем // Мир транспорта. – 2022. – Т. 20. – № 2 (99). – С. 52-59.
11. Словеснова А.Д. Оптимизация затрат на примере ГУП «Мосгортранс» // Радиоэлектроника, электротехника и энергетика: тезисы докладов 22 Междунар. науч.-техн. конф.: в 3-х томах. 2016. – С. 201.
