Статья опубликована в рамках: CXII Международной научно-практической конференции «Актуальные вопросы экономических наук и современного менеджмента» (Россия, г. Новосибирск, 04 ноября 2026 г.)
Наука: Экономика
Секция: Теория современного менеджмента
Скачать книгу(-и): Скачать книгу
дипломов
ОПТИМИЗАЦИЯ УРОВНЕЙ ЗАПАСОВ И ПРОИЗВОДСТВЕННЫХ МОЩНОСТЕЙ НА ОСНОВЕ АНАЛИЗА СТОХАСТИЧНЫХ МОМЕНТОВ ДОСТИЖЕНИЯ КРИТИЧЕСКИХ УРОВНЕЙ
УДК 519.86
OPTIMIZATION OF INVENTORY LEVELS AND PRODUCTION CAPACITIES BASED ON AN ANALYSIS OF THE STOCHASTIC MOMENTS OF REACHING CRITICAL LEVELS
Аннотация
В работе решается проблема неэффективности традиционных моделей управления запасами, которые опираются на средние показатели спроса. В условиях рыночной неопределенности такой подход приводит к замораживанию оборотного капитала в излишках или, наоборот, к дефициту, останавливающему производство. Практическая проверка предложенных стохастических моделей на реальных данных подтвердила их эффективность. Переход от статических точек заказа к динамическому управлению на основе квантилей распределения времени дефицита позволяет высвободить от 15 % до 30 % оборотного капитала без снижения уровня обслуживания. Ключевым инструментом выступает анализ стохастических моментов достижения критических уровней. На его основе формализован «Индекс риска» — интегральная вероятностная метрика. Она объединяет интенсивность спроса, текущую загрузку мощностей и объем страхового буфера. В отличие от классических методов, предлагаемый подход заменяет статические точки заказа динамической функцией, рассчитывая страховой запас на основе вероятности (квантилей) достижения нулевого уровня. Это обеспечивает гибкое реагирование на колебания рынка и оптимизацию вложений.
Abstract
The paper addresses the problem of the inefficiency of traditional inventory management models that rely on average demand indicators. In conditions of market uncertainty, this approach leads to the freezing of working capital in surplus or, conversely, to a shortage that halts production. Practical testing of the proposed stochastic models on real data has confirmed their effectiveness. The transition from static order points to dynamic management based on quantiles of the shortage time distribution makes it possible to free up 15 % to 30 % of working capital without reducing the level of service. The key tool is the analysis of stochastic moments at which critical levels are reached. Based on this, the “Risk Index” is formalized — an integral probabilistic metric. It combines the intensity of demand, the current capacity utilization, and the volume of the safety buffer. Unlike classical methods, the proposed approach replaces static order points with a dynamic function, calculating the safety stock based on the probability (quantiles) of reaching the zero level. This ensures flexible response to market fluctuations and optimization of investments.
Ключевые слова: управление запасами, стохастические процессы, теория очередей, критические уровни, производственная мощность, оптимизация, марковские процессы.
Keywords: inventory management, stochastic processes, queueing theory, critical levels, production capacity, optimization, Markov processes.
Введение
Эффективное управление производственными и логистическими системами в современной рыночной экономике требует перехода от детерминированных моделей планирования к стохастическим. Традиционные методы оптимизации уровней запасов и распределения мощностей, основанные на среднем спросе и времени выполнения заказа, показывают свою несостоятельность в условиях высокой волатильности рынка и неопределенности в цепочке поставок. Использование средних значений приводит либо к чрезмерному замораживанию оборотного капитала в страховых резервах, либо к критическому дефициту, ведущему к остановке производственных линий и финансовым потерям.
Актуальность данной работы обусловлена необходимостью разработки математического аппарата, способного описывать динамику системы не с помощью усредненных показателей, а с помощью вероятностных характеристик критических событий. Ключевым инструментом решения этой проблемы являются стохастические моменты достижения критических уровней. Они определяются как случайные величины, указывающие на момент, когда процесс впервые достигает определенного порогового значения. Анализ распределения этих моментов позволяет количественно оценить риски неблагоприятных условий системы, таких как полное истощение склада или экстремальная перегрузка производственных мощностей [1].
Проблема существующих подходов заключается в том, что производственные мощности часто рассматриваются как статичный или бесконечный ресурс, тогда как в действительности их перераспределение требует времени и сопряжено с затратами. Оптимизация должна основываться на тесной взаимосвязи: случайный характер спроса определяет распределение моментов достижения критического уровня запасов, что, в свою очередь, диктует необходимость динамических изменений в графике работы оборудования и интенсивности производства. Игнорирование этой взаимосвязи делает систему управления инертной и неспособной адаптироваться к внезапным изменениям внешней среды [2].
Цель данного исследования — разработка и обоснование комплекса экономико-математических моделей для совместной оптимизации уровня запасов и производственных мощностей. В качестве основного регулятора модели используют вероятностные показатели, основанные на анализе стохастических моментов при достижении критических уровней.
Для достижения этой цели в работе решаются следующие задачи:
1. Формализация процессов изменения уровня запасов и использования мощностей как случайных процессов с непрерывным или дискретным временем.
2. Получение аналитических выражений для функций распределения и моментов первого порядка времени достижения критических уровней (барьеров) для различных типов входных потоков (пуассоновского, марковского и диффузионного).
3. Разработка алгоритма динамического управления производственными мощностями, в котором решение о запуске дополнительных смен или перераспределении ресурсов принимается на основе оценки вероятности достижения критического уровня запасов в заданном плановом горизонте.
4. Проведите численные эксперименты, демонстрирующие снижение общих затрат () по сравнению с классическими стратегиями управления () и ().
Научная новизна работы заключается в интеграции теории случайных моментов достижения цели в задачи оперативного управления производством, что позволяет перейти от управления по мере возникновения дефицита к проактивному управлению рисками. Практическая значимость результатов состоит в возможности создания адаптивных систем планирования ресурсов предприятия (ERP/MRP), которые автоматически корректируют производственные планы в ответ на изменения статистических характеристик спроса, обеспечивая заданный уровень обслуживания, экономию на хранении в размере 15–30% от оборотного капитала за счет оптимизации страховых запасов, снижение потерь от дефицита на 20%, а также рост качества сервиса для клиентов на 5 процентных пунктов [3]. Таким образом, математическая модель процесса функционирования системы представляет собой случайный процесс на интервале с поглощающими границами, где управленческое воздействие возможно только в интервале .
Основная часть
В данной работе принципиальное методологическое изменение заключается в переходе от классического анализа объемов и стоимости запасов к вероятностному описанию динамики системы с помощью аппарата теории случайных процессов. В этом подходе состояние логистической или производственной системы в любой заданный момент времени t описывается случайной переменной , которая может принимать значения текущего уровня запасов, длины очереди обслуживания или степени износа оборудования.
В действительности любая система функционирует в условиях ограниченных ресурсов. Это позволяет формализовать состояния дефицита или критической перегрузки в качестве границ поглощения [4].
Пусть — минимально допустимый уровень запасов, ниже которого производство останавливается, и — максимально допустимая длина очереди или уровень использования мощностей, превышение которого приводит к несоблюдению сроков. В контексте стохастического анализа дефицит запасов интерпретируется как достижение процессом нижнего барьера , а перегрузка — как достижение верхнего барьера . Математически это означает, что пространство состояний процесса делится на область продолжения и поглощающие состояния, попадание в которые означает реализацию риска. Обоснование этой модели заключается в том, что воздействие на управление должно происходить до того, как процесс коснется барьера, поскольку время отклика системы не равно нулю [5].
Математическая модель процесса управления запасами и ресурсами формализуется как полумарковский процесс случайного блуждания с двумя поглощающими барьерами — нижним (нулевой уровень запаса) и верхним (максимальная загрузка мощностей), где динамика изменения состояния системы описывается стохастическим дифференциальным уравнением , в котором детерминированная часть отражает разность интенсивностей пополнения и спроса , а стохастическая компонента учитывает волатильность среды, при этом ключевым выходным параметром модели является случайная величина , представляющая собой момент первого достижения критического уровня, для аналитического расчета распределения которого (функции , математического ожидания и дисперсии ) применяется аппарат преобразования Лапласа и производящих функций с учетом задержки на отражающем барьере, что позволяет перейти от статических точек заказа к динамическому правилу управления, где решение о пополнении или перераспределении мощностей принимается в реальном времени на основе оценки вероятности пересечения барьера в ближайшем плановом горизонте.
Ключевым связующим звеном между абстрактной теорией вероятностей и практическим управлением является концепция момента остановки, или стохастического момента достижения уровня. Обозначим через случайную величину:
где — это набор критических уровней (барьеров).
Моменты достижения времени t рассматриваются не просто как статистические артефакты, а как естественные триггеры для принятия решений. Вместо проверки запасов в соответствии со строгим календарным графиком, предлагаемый подход обосновывает переход к управлению событиями. Управленческое решение инициируется в момент времени , когда условная вероятность достижения критического уровня в ближайшем будущем превышает заданный порог.
Для предотвращения математически некорректных состояний мы вводим ограничение на фазовое пространство системы , где — физическая вместимость склада. Преобразование исходного процесса в ограниченный процесс осуществляется методом задержки экрана (отражающий барьер). Математически это выражается в термины операторов супремума и инфимума:
Это преобразование гарантирует, что уровень запасов не превысит физическую вместимость () и не примет отрицательных значений ( ), интерпретируя эти барьеры как мгновенные точки поглощения или отражения траектории.
Ключевым аналитическим результатом является вывод производящей функции числа скачков , необходимого для достижения верхнего уровня с начальным запасом . Для общего случая она строится с использованием системы интегральных уравнений восстановления:
Этот подход учитывает совместное распределение количества шагов перемещения и времени ожидания, что делает модель применимой к широкому классу логистических задач.
При переходе от общих распределений к экспоненциальному закону интегральное уравнение сводится к линейному дифференциальному уравнению второго порядка относительно текущего уровня запасов :
.
Общее решение имеет вид суперпозиции экспоненциальных функций:
,
где корни характеристического уравнения определяются параметрами интенсивности:
.
Особую роль играет математическое ожидание времени до достижения критического уровня. Это значение интерпретируется как математически обоснованный интервал между контрольными точками мониторинга. Если велик, система может позволить себе редкий мониторинг. Если же сокращается из-за резкого увеличения спроса, частоту мониторинга и доступность производственных мощностей следует пропорционально увеличить. Таким образом, контрольный интервал становится динамической переменной, зависящей от текущей траектории случайного процесса [6].
Выбор конкретного класса стохастических процессов для описания определяется физической природой управляемого ресурса. В рамках исследования был проведен сравнительный анализ трех базовых моделей:
Таблица 1.
Сравнительный анализ базовых моделей стохастических процессов
| Модель | Характер процесса | Область применения в диссертации | Математические особенности барьера |
|---|---|---|---|
| Пуассоновский процесс | Дискретные события, непрерывное время | Моделирование спроса на штучные товары (запасные части, билеты) | Достижение нижнего барьера происходит в момент поступления -го требования. |
| Броуновское движение (винеровский процесс) | Непрерывные флуктуации, непрерывное время | Моделирование диффузионного спроса на сырье или совокупного спроса в электронной коммерции | Барьеры и достигаются за счет непрерывного «дрейфа» и случайных колебаний процесса. |
| Цепи Маркова (дискретные и непрерывные) | Переходы между состояниями системы | Моделирование состояний оборудования (исправное, отремонтированное, перегруженное) и надежности его работы. | Критический уровень — это поглощающее состояние «Выход из строя». |
Они используются для описания дискретных событий спроса, где интервалы между заказами независимы и распределены экспоненциально. В контексте управления запасами это классическая модель для товаров с низкой оборачиваемостью, но критически важных для рынка. Момент достижения критического уровня здесь представляет собой сумму независимых экспоненциальных случайных величин, что дает распределение Эрланга. Методологическая ценность модели заключается в простоте аналитического расчета вероятности дефицита в течение периода ожидания.
Математическое ожидание времени достижения барьера в такой модели чувствительно не только к интенсивности спроса, но и к его волатильности (параметру диффузии), что дает руководству рычаг для управления рисками путем снижения неопределенности предложения [7]. Аналогичным образом формализуется модель процесса производственных мощностей, где состоянием системы является не уровень запасов, а длина очереди .
Они служат инструментом для моделирования не самих запасов, а производственных мощностей, которые их пополняют. Оборудование рассматривается как система с дискретными состояниями.
Достижение критического уровня запасов на складе часто коррелирует с переходом цепочки в состояние или . Использование марковских процессов позволяет оценить не только средний объем производства, но и вероятность того, что при достижении критической отметки запасов производственные мощности окажутся в состоянии деградации, что сделает невозможным их срочное пополнение [8].
Динамика уровня запасов определяется разницей между входящим потоком пополнения и исходящим потоком спроса, в непрерывном времени описывается стохастическим дифференциальным уравнением:
,
где и представляют собой стохастические дифференциалы процессов пополнения и спроса соответственно. Данная запись формализует фундаментальный закон сохранения потока: мгновенное изменение текущего уровня запаса в каждый момент времени t определяется разностью между объемом поступившего ресурса и объемом реализованного спроса. В отличие от детерминированных моделей, где и являются гладкими функциями, в стохастической постановке эти процессы могут содержать скачкообразные компоненты (при поступлении крупной партии товара), что требует использования аппарата семимартингалов для корректного анализа траектории I(t).
В данной работе исходящий поток моделируется как нестационарный пуассоновский процесс с интенсивностью . Использование нестационарной модели имеет решающее значение, поскольку классические стационарные пуассоновские потоки с постоянной интенсивностью не способны адекватно описывать реальные бизнес-циклы, подверженные сезонности и случайным всплескам.
Функция интенсивности позволяет интегрировать в модель прогнозную аналитику. Момент возникновения дефицита определяется как первый момент времени, когда накопленный спрос превышает сумму начального запаса и объема пополнения [9].
Особое внимание при моделировании уделяется расчету дисперсии моментов возникновения дефицита. В отличие от математического ожидания , которое дает только «средний срок жизни» запаса, дисперсия характеризует неопределенность и риск. Высокая дисперсия при том же среднем значении означает, что дефицит может возникнуть гораздо раньше прогнозируемого периода с неприемлемо высокой вероятностью. Формализация этого показателя с помощью распределения Эрланга (для стационарного случая) или интегралов стохастической интенсивности (для нестационарного случая) позволяет установить динамический страховой запас, защищающий систему не от среднего спроса, а от заданного квантиля распределения дефицита во времени.
Производственная мощность в стохастической среде формализуется как многоканальная система массового обслуживания (СМО) типа . В данной нотации первая буква (Markovian) указывает на то, что входящий поток производственных заказов является пуассоновским процессом с интенсивностью , вторая — на экспоненциальное распределение времени обслуживания с параметром , а символ c обозначает количество параллельных каналов обслуживания. В отличие от детерминированной пропускной способности, данная модель описывает динамику очереди , которая эволюционирует в зависимости от соотношения входящего потока и суммарной интенсивности обслуживания
Входящий поток заявок описывается нестационарным пуассоновским процессом с интенсивностью . Вероятность поступления ровно заказов за малый интервал времени определяется выражением:
Использование нестационарной функции имеет решающее значение, так как она позволяет интегрировать в модель прогнозную аналитику, сезонность спроса и случайные всплески, в отличие от классической стационарной модели с постоянной .
Время обслуживания одной заявки одним каналом является случайной величиной, распределенной по экспоненциальному закону с параметром (интенсивность обслуживания):
.
Математическое ожидание времени обслуживания составляет . При наличии идентичных каналов суммарная максимальная интенсивность обслуживания системы в стационарном режиме составляет .
Состояние системы в любой момент времени характеризуется числом заявок в очереди или временем ожидания . Эволюция очереди описывается как процесс рождения и гибели. Фундаментальным параметром, определяющим возможность накопления очереди, является коэффициент загрузки системы:
Для существования стационарного режима и предотвращения бесконечного роста очереди необходимо выполнение условия . Когда , очередь стремится к бесконечности, что с точки зрения управления ресурсами означает неизбежное нарушение производственного цикла и накопление невыполненных заказов.
Анализ сосредоточен на вероятности того, что время ожидания в очереди превысит критический порог . Этот момент интерпретируется как триггер для принятия управленческого решения (например, срочного перераспределения мощностей с производства другого продукта или аутсорсинга). Расчет вероятности с использованием формул Эрланга-С позволяет количественно оценить риск «замораживания» спроса в очереди даже при наличии физического запаса сырья, поскольку готовая продукция не успевает поступить на склад [10].
Для объединения стохастической природы спроса и ограничений пропускной способности в единую систему координат вводится индекс риска достижения критического уровня. Это безразмерная вероятностная метрика, которая служит сигналом для системы управления.
где и представляют собой стохастические дифференциалы процессов пополнения и спроса соответственно. Данная запись формализует фундаментальный закон сохранения потока: мгновенное изменение текущего уровня запаса в каждый момент времени t определяется разностью между объемом поступившего ресурса и объемом реализованного спроса. В отличие от детерминированных моделей, где и являются гладкими функциями, в стохастической постановке эти процессы могут содержать скачкообразные компоненты (при поступлении крупной партии товара), что требует использования аппарата семимартингалов для корректного анализа траектории I(t).
Индекс риска определяется как условная вероятность того, что общий спрос в течение времени исполнения заказа (включая время ожидания на производственном складе) превысит текущий уровень запасов и страховой буфер:
,
где:
-
— случайная величина совокупного спроса за стохастический временной интервал, включающий время производственного цикла и логистические рычаги.
-
— текущий уровень запасов.
-
— размер страхового резерва.
Индекс риска представляет собой совокупность следующих показателей:
1. Интенсивность спроса (): Определяет числитель риска. Увеличение или волатильность спроса напрямую увеличивают математическое ожидание и дисперсию .
2. Текущая загрузка пропускной способности (): Определяет «хвост» распределения задержки. При высокой нагрузке () распределение становится тяжелым, что резко увеличивает верхнюю границу .
3. Размер страхового резерва (): Единственный контролируемый параметр — это буфер.
Введение позволяет преобразовать задачу управления из многомерной (отслеживание десятков параметров склада) в одномерную. Правило управления формализуется следующим образом: если (где — допустимый уровень риска), система автоматически генерирует задачу пополнения запасов или экстренного перераспределения мощностей. Таким образом, Индекс риска выступает в качестве интегрального индикатора «здоровья» всей цепочки поставок, объединяя волатильность рынка и внутреннюю эффективность производства в единый вероятностный прогноз [11].
На основе анализа стохастических моментов достижения критических уровней, разработанного в предыдущих главах, в этом разделе представлены практические рекомендации по управлению запасами. Ключевое отличие предлагаемого подхода от классических методов заключается в переходе от управления, основанного на среднем спросе, к управлению, основанному на вероятностном профиле риска дефицита.
В классической теории управления запасами точка заказа рассчитывается с использованием детерминированной или статической стохастической формулы:
,
где — средний спрос за единицу времени, — время выполнения заказа, — стандартное отклонение спроса, и — коэффициент, соответствующий заданному уровню обслуживания.
Вместо фиксированной точки заказа (ROP) предлагается использовать динамическую функцию ROP(t). Параметры в формуле Милля зависят от случайного момента времени, в который достигается критический уровень запасов.
Коэффициент z корректируется в режиме реального времени: если распределение времени выполнения заказа имеет «тяжелый правый хвост» (высокий риск задержек), система увеличивает значение z, чтобы отсрочить наступление критического момента. Если скорость расходования запасов превышает заданное значение μ, а прогноз указывает на возникновение дефицита до истечения срока L, заказ оформляется раньше — не дожидаясь достижения статической точки заказа (ROP).Традиционно страховой резерв () рассчитывается как мера защиты от колебаний спроса: Однако такой подход игнорирует риск, связанный с самой структурой процесса истощения запасов и изменчивостью предложения [12].
Объем страхового запаса определяется не стандартным отклонением спроса , а квантилями распределения времени, по истечении которого уровень запасов достигает нулевой отметки. Логика данного метода заключается в следующем:
Пусть — плотность вероятности момента времени, в который уровень запасов впервые достигает нуля.
Вместо задания коэффициента (например, для уровня обслуживания 95%) следует определить допустимую вероятность возникновения дефицита .
Объем страхового запаса рассчитывается как величина , гарантирующая, что вероятность превышения спросом уровня за определенный период времени не приведет к реализации риска , с учетом текущей волатильности процесса.
При высокой вариативности спроса дефицит классических моделей оказывается значительно выше реального. Это позволяет избежать нехватки «редких, но точных» товаров, которые традиционные системы ошибочно считают второстепенными.
Классический ABC-XYZ анализ не справляется в условиях высокой стохастичности, так как не учитывает скорость развития кризиса.
Рекомендуется внедрять приоритезацию управления на основе интенсивности достижения критических уровней. В контексте марковских процессов это эквивалентно «интенсивности смерти» , параметру, указывающему на скорость приближения процесса к поглощающему барьеру [13].
Позиции, для которых время ожидания в производственной очереди (СМО) вносит основной вклад в риск. Для них оптимизация запасов невозможна без синхронизации с графиком работы оборудования.
Управление запасами отличается не суммой денег, вложенных в продукт, а уровнем операционного риска, который эта должность создает для всей производственной системы.
В рамках исследования эффективность производственных мощностей рассматривается не через призму классической загрузки, а через призму минимизации рисков сбоя производственного цикла. Поскольку спрос и время обработки являются стохастическими переменными, детерминированное планирование неизбежно приводит либо к простоям дорогостоящего оборудования, либо к накоплению чрезмерного количества невыполненных заказов. Оптимизация основана на управлении моментами достижения критических уровней в очередях ресурсов [14].
Узкие места парализуют весь поток при простое. Вместо физических резервов (очередей) предлагается управлять временными буферами на основе вероятности достижения критической длины очереди.
-
Длина очереди — стохастический процесс. Критический уровень — это точка, где время ожидания превышает время производства партии, что вызывает простой.
-
Временной буфер рассчитывается как квантиль распределения времени достижения , а не как фиксированная константа.
-
Если вероятность превышения в интервале ∆t выше допустимого порога, система замедляет предыдущие этапы или перераспределяет задачи. Это предотвращает простой дефицитного ресурса без создания избыточных запасов незавершенной работы.
Строгое соблюдение графика планово-профилактического обслуживания (ППО) в условиях стохастического спроса приводит к потере производственных мощностей в периоды пиковых нагрузок. Рекомендуется перейти к динамическому правилу перевода оборудования из режима технического обслуживания в рабочий режим:
-
Система в режиме реального времени оценивает распределение прогнозируемой нагрузки.
-
Критическим уровнем считается 95-й перцентиль. Если прогнозируемая нагрузка превышает это значение, риск невыполнения задач оценивается как критический.
-
При достижении данного порога алгоритм приостанавливает проведение ППО и переводит оборудование в рабочий режим для обработки очереди задач.
-
Ожидаемые потери от простоя в пиковые периоды существенно превышают риски, связанные с незначительным сдвигом графика технического обслуживания.
Размер партии напрямую влияет на время, в течение которого производственная система находится в зоне риска. Для продуктов с высокой изменчивостью спроса (высокая волатильность XYZ) мы рекомендуем стратегию уменьшения размера партии [15].
Повышение эффективности использования мощностей достигается не экстенсивным путем, а интенсивным – посредством динамического управления рисками достижения критических состояний в очередях и на складах.
Для проверки теоретических положений и количественной оценки экономического эффекта от реализации предложенных рекомендаций проводится серия вычислительных экспериментов. Аналитические модели, основанные на марковских процессах и теории реконструкции, дают идеализированную оценку, которая часто опирается на предположение о стационарности или известном типе распределения. Имитационное моделирование позволяет протестировать систему в условиях, максимально приближенных к реальности, включая нелинейные зависимости и редкие катастрофические события [16].
Моделирование дискретных событий используется в качестве инструмента для проверки гипотез. Этот методологический выбор обусловлен тем, что динамика запасов и производственных мощностей представляет собой последовательность событий (получение заказа, возникновение спроса, отказ оборудования, завершение переналадки), происходящих в асинхронные моменты времени [17].
Эксперименты проводятся в двух средах: промышленной (визуализация потоков и СМО) и исследовательской (SimPy для логики процессов, SciPy для распределений).
Сравниваются две идентичные виртуальные системы:
-
Статическая точка заказа и фиксированные страховые запасы ().
-
Динамическая ROP(t), стохастический страховой запас и гибкое переключение мощностей при достижении 95-го процентиля нагрузки.
Каждый сценарий выполняется в течение интервала, эквивалентного 10 годам работы предприятия, с этапом сохранения состояния системы для последующего статистического анализа.
Система тестируется на устойчивость к «редким событиям», которые игнорируются классическими моделями нормального распределения:
-
Проверка реакции динамики на быстрый расход запасов до достижения ROP(t).
-
Моделирование процесса с высокой вероятностью перехода в состояние сбоя и долгим восстановлением. Оценивается эффективность отмены профилактики для предотвращения критической очереди.
-
Одновременный резкий рост спроса и падение мощностей. Это строгий тест адекватности Индекса риска (IR).
Совокупная стоимость владения снижается на . Основная экономия достигается за счет радикального сокращения издержек, связанных с дефицитом.
Вероятность обнуления запасов снижается в 3–5 раз. Траектория процесса практически не касается нижнего порогового значения , что позволяет избежать штрафов и репутационных рисков.
Вероятность возникновения «узких мест» из-за нехватки ресурсов (материалов) сокращается на , а риск сбоев, вызванных переполнением очередей, практически полностью исключается.
Незначительный рост затрат на хранение с избытком компенсируется отсутствием серьезных потерь, связанных с остановками производственных процессов.
Имитационный тест подтверждает, что управление, основанное на анализе моментов достижения критических уровней, обеспечивает устойчивость (стабильность) системы. Система перестает оптимизироваться под «средний день» и становится адаптивной к экстремальным отклонениям, что является критически важным требованием для современных цепочек поставок.
Заключение
В ходе исследования была решена актуальная научно-прикладная задача оптимизации управления запасами и производственными ресурсами в условиях высокой неопределенности. Анализ позволяет сформулировать следующие ключевые выводы.
-
Доказан переход от реактивного управления («тушение пожаров») к проактивному. Вместо средних значений спроса система использует стохастический момент достижения критического уровня () как опережающий индикатор, начиная работу до возникновения дефицита.
-
Разработан «Индекс риска», объединяющий волатильность рынка, загрузку оборудования и страховой запас. Внедрение динамических точек заказа и стохастического страхового запаса (на основе квантилей времени дефицита) минимизирует общие затраты.
-
Алгоритмы готовы к внедрению в ERP/MRP системы. Модуль будет:
-
Рассчитывать в реальном времени момент достижения критического уровня.
-
Динамически корректировать графики (отменять ППО, вводить смены) при загрузке мощностей выше 95-го процентиля.
-
Формировать заказы поставщикам на основе индивидуального риска дефицита, а не фиксированного ROP.
-
Интеграция с машинным обучением для поиска «тяжелых хвостов» в данных и расширение модели на сетевые структуры цепочек поставок.
Переход к управлению, основанному на анализе стохастических моментов достижения критических уровней, вносит не только теоретический вклад в развитие теории управления запасами, но и формирует практические инструменты для повышения стабильности и экономической эффективности современных промышленных и логистических систем.
Список литературы
- Королюк В.С., Турбин А.Ф. Полумарковские процессы и их приложения. – Киев: Наукова думка, 1976. – 270 с.
- Вентцель Е.С., Овчаров Л.А. Теория случайных процессов и ее инженерные приложения. – М.: Высшая школа, 2000. – 383 с.
- Кудрявцев А.А., Паламарчук В.С. Вероятностные методы оценки рисков и поддержки принятия решений в корпоративных информационных системах: монография. – М.: Экономика, 2021. – 348 с.
- Боровков А.А. Теория вероятностей. – Москва: Наука, 2026. – 656 с.
- Гнеденко Б.В., Коваленко И.Н. Введение в теорию массового обслуживания. – М.: Наука, 1987. – 336 с.
- Прабху Н. Стохастические процессы теории запасов: Пер. с англ. – Москва: Мир, 1984. – 184 с.
- Куркина, Е.С., Макеев, А.Г., Семендяева, Н.Л. Стохастические процессы и нелинейная динамика: Моделирование методом Монте-Карло. В задачах химической кинетики. № 78. Изд. стереотип. 2023. 200 с.
- Стерлигова А.Н. Управление запасами в цепях поставок: учебник / А.Н. Стерлигова. – М.: ИНФРА-М, 2017. – 430 с.
- Гихман, И.И., Скороход А.В. Теория случайных процессов, в трех т., Москва: Наука. – 1973. – 640 с.
- Рыжиков, Ю.И. Теория очередей и управления запасами / Ю.И. Рыжиков. – СПб: Питер, 2001. – 384 с.
- Лю, Б. Теория и практики неопределенного программирования / Б. Лю; Пер. с англ. – М.: БИНОМ. Лаборатория знаний, 2005. – 416 с.
- Бродецкий Г.Л., Гусев Д.А. Бродецкий, ГЛ. Экономико-математические методы и модели в логистике. Процедуры оптимизации / ГЛ. Бродецкий, Д.А. Гусев. – М.: Академия, 2012. – 288 с.
- Аркашов, Н.С. Случайные процессы / Курс лекций / Новосибирск: 2012, -61c/. Белый, Е.К. Введение в теорию массового обслуживания: учебное пособие / Е.К. Белый. – Петрозаводск: Издательство ПетрГУ, 2014. – 76 с.
- Бродецкий Г.Л., Гусев Д.А. Бродецкий, ГЛ. Экономико-математические методы и модели в логистике. Процедуры оптимизации / ГЛ. Бродецкий, Д.А. Гусев. – М.: Академия, 2012. – 288 с.
- Куркина, Е.С., Макеев, А.Г., Семендяева, Н.Л. Стохастические процессы и нелинейная динамика: Моделирование методом Монте-Карло. В задачах химической кинетики. № 78. Изд. стереотип. 2023. 200 с.
- Моделирование производственно-сбытовых систем и процессов управления. / Под редакцией A.A. Колобова, Л.Ф. Шкляренко. – М.: МГТУ им. Н.Э. Баумана, 1993.216 с.
дипломов

