Риск-ориентированное планирование деятельности предприятий железнодорожного транспорта в условиях внешней неопределенности и внутренних ограничений

Введение

Современные предприятия железнодорожного транспорта функционируют в условиях высокой степени неопределенности внешней среды и нарастающих внутренних ограничений, включая зависимость от бюджетного финансирования, инфраструктурную изношенность и волатильность спрос на перевозки. Существующие методы планирования, основанные на преимущественно устойчивом росте и линейной экстраполяции, утрачивают свою актуальность. В этой ситуации на первый план выходит необходимость риск-ориентированного планирования, в основе которого – способность адаптировать планы деятельности к вероятностным отклонениям, системным рискам и факторной неопределенности.

Федеральные государственные унитарные предприятия (ФГУП), как специфическая организационно-правовая форма, подчиняются одновременно и логике рыночного функционирования, и требованиям государственного социально-экономического заказа, что предъявляет особые требования к планированию их деятельности, в частности, к интеграции стратегических целей, программных мероприятий, нормативных требований и цифровых методов анализа данных.

Литературный обзор в рамках исследования

В рамках исследования была проведена аналитическая работа с трудами по вопросам планирования и управления в сфере транспорта отечественных и зарубежных ученых. Так, Шаров В.А. [15] анализирует риски, возникающие при раздельном управлении ресурсами железнодорожных перевозок, и обосновывает интегрированное планирование как способ обеспечения объёмов и качества перевозок. В статье Осьминина А.Т. [8] обосновывается необходимость научного прорыва в цифровой трансформации перевозочного процесса ОАО «РЖД» и обоснованию создания Интеллектуальной системы управления перевозками как ключевого элемента киберфизической транспортной системы. Разработка и апробация логической схемы прогнозирования объёмов грузовых железнодорожных перевозок с учётом геополитических и макроэкономических факторов, направленной на повышение обоснованности управленческих решений в транспортно-логистической системе ОАО «РЖД», представлена в статье Журавлевой Н.А., Чеченовой Л.М., Волковой Е.М. [4]. Статья Бакаева А.А., Шалыгина А.А. [1] посвящена концепции адаптивного управления бизнес-процессами промышленного предприятия в условиях внешней неопределённости, с акцентом на использование инструментов бережливого производства для повышения гибкости и устойчивости производственной системы. В статье Волковой Е.М., Глембовского Б. [2] рассматривается трансформация подходов к прогнозированию грузовых перевозок в условиях изменяющейся внешней среды и обоснованию применения агентного моделирования для адаптивного и системного планирования объёмов и структуры перевозок.

Внедрение в транспортной отрасли интеллектуальных моделей прогнозирования и риск-анализа остаётся недостаточно проработанным, особенно применительно к предприятиям с высокой зависимостью от бюджетного финансирование и нормативных ограничений, и требует дальнейших исследований.

Целью настоящего исследования является разработка риск-ориентированного подхода к планированию деятельности предприятий железнодорожного транспорта, учитывающего:

- нестабильность внешней среды;

- внутренние ограничения ФГУП;

- необходимость соблюдения целей и показателей государственного заказа на перевозки грузов и пассажиров;

- интеграцию механизмов прогнозирования, программирования и адаптивной корректировки планов.

Авторская гипотеза исследования заключается в том, что планирование, основанное на идентификации рисков, многовариантном прогнозировании и цифровом моделировании, позволяет повысить достоверность планируемых объемов перевозок грузов и пассажиров предприятием железнодорожного транспорта, минимизировать последствия отклонений от целевых показателей, а также сбалансировать интересы государства, предприятия и пользователей транспортных услуг.

Методология и информационная основа исследования.

Информационная основа исследования строится на официальных данных федеральной службы государственной статистики по Республике Крым, отчеты Министерства транспорта РФ о реализации национальных и региональных проектов в транспортной отрасли, региональные программы развития транспортной инфраструктуры и их результаты, открытые данные о деятельности ФГУП «Крымская железная дорога», макроэкономическая статистика, данные мониторинга инфраструктурных, социальных и внешнеполитических явлений.

Теоретико-методологическая основа исследования включает концепции, подходы и теории, которые обеспечивают структурированное понимание исследуемой проблемы: институциональный подход, системный анализ, концепцию сценарного планирования, концепцию рисков и неопределенности, а также адаптивного управления и гибкого планирования.

Результаты исследования

Разработан и обоснован подход к риск-ориентированному планированию объемов перевозок грузов и пассажиров железнодорожным транспортом, который отражает специфику функционирования отрасли в условиях высокой внешней нестабильности и внутренних ресурсных ограничений. В его основе лежит интеграция сценарного анализа, количественной оценки рисков и нейросетевого моделирования [11, 13] в единый информационно-аналитический инструментарий. Он ориентирован на учет воздействия разнонаправленных факторов (макроэкономических, институциональных, экономических, инфраструктурных и т.д.) на планируемые объемы перевозок грузов и пассажиров и управленческие решения.

Планирование как грузовых, так и пассажирских перевозок железнодорожным транспортом имеет зависимость от различных факторов, включая экономические, политические, технологические, социальные и экологические, каждые из которых могут существенно влиять на точность прогнозов, эффективность операций и устойчивость транспортной системы, формируя состояние неопределенности при принятии решений (Рисунок 1).

Рисунок 1 – Факторы внешней среды и их влияние на планирование перевозок железнодорожным транспортом

Составлено автором

Методы машинного обучения, предиктивная аналитика и сценарное моделирование позволяют предприятиям железнодорожного транспорта повысить оперативность, вариативность и устойчивость планирования перевозок, что особенно важно в условиях высокой неопределенности (Рисунок 2).

Рисунок 2 – Методы планирования в условиях неопределенности и их применение на железнодорожном транспорте

Составлено автором по [3, 14, 16]

Их преимущества заключаются в высокой точности прогнозирования, возможности обработки больших объемов данных и гибкости в условиях изменяющейся внешней среды.

Таким образом, мы предлагаем комплексную модель, объединяющую описанные выше методы для минимизации неопределенности и повышения точности планирования перевозок. Модель включает в себя следующие этапы:

1. Обработка больших данных с помощью машинного обучения – исторических данных – выявляет закономерности и предсказывает возможные изменения.

2. Сценарное моделирование, обеспечивающее возможность создания нескольких вариантов планов, учитывающих изменения спроса, изменений экономической ситуации или сбои в логистике.

3. Адаптивное реагирование на основе предиктивной аналитики позволяет оперативно вносить корректировки на основе текущих данных, минимизируя степень влияние внешних факторов.

Алгоритм применения модели включает:

1. Диагностику текущих проблем и определение ключевых факторов неопределенности. На первом этапе проводится анализ текущей ситуации, включая оценку изменений спроса, состояния инфраструктуры, наличия ресурсов и внешних факторов, рассмотренных выше.

2. Интеграцию платформы обработки данных, прогнозных моделей и инструментов сценарного анализа. На этом этапе создаётся единая цифровая экосистема, объединяющая данные из разных источников: грузовые и пассажирские потоки, данные о состоянии инфраструктуры, прогнозы погоды и макроэкономические индикаторы.

3. Тестирование модели на отдельных участках сети и доработку. Для проверки эффективности модели проводятся пилотные проекты на отдельных направлениях, что позволяет оценить её точность и выявить возможные проблемы. На основе результатов тестирования вносятся корректировки.

4. Масштабирование модели на уровне всей системы железнодорожного предприятия. После успешного тестирования модель внедряется на всех уровнях транспортной системы с учётом региональных и функциональных особенностей.

Такая комплексная модель позволяет достичь увеличения точности прогнозов и скорости реагирования на внешние изменения, а также повысить устойчивость перевозок к общеэкономическим и политическим изменениям.

В рамках данного исследования применена нейросетевая модель прогнозирования, построенная на базе многослойного перцептрона (MLP). Его особенностью стало предварительное выявление взаимосвязей между факторами и целевыми переменными на основе корреляционного анализа и расширение факторной базы за счет производных переменных, отражающих взаимодействие между показателями. Применение данной модели обусловлено её способностью аппроксимировать сложные нелинейные зависимости между факторами воздействия и результативными показателями, а также учитывать скрытые взаимосвязи и эффект временных лагов.

Нейросетевая архитектура включает три типа слоев (Рисунок 3):

Входной слой, состоящий из 7 нейронов, соответствующих числу факторов внутренней и внешней среды переменных.

Два скрытых слоя: первый слой содержит 8 нейронов, второй – 5 нейронов, каждый с функцией активации сигмоида, обеспечивающей устойчивость модели к выбросам и нелинейным искажениям.

Выходной слой – два нейрона, прогнозирующие объемы перевозок грузов и пассажиров (в млн пасс.-км или тонно-км).

Рисунок 3. Архитектура нейросетевой модели на базе MLP

Составлено автором

Модель была обучена на исторических данных за 2014-2023 гг. Объем выборки составил 9 наблюдений, что обусловило необходимость использования методов нормализации данных (масштабирование до диапазона [0, 1]) и следующих методов для предотвращения переобучения:

1. Ранняя остановка. Во время обучения отслеживалась ошибка на отложенной валидационной выборке: обучение прекращалось, как только ошибка валидации начинала увеличиваться, несмотря на продолжение снижения ошибки на обучающей выборке.

2. Кросс-валидация Leave-One-Out (LOOCV). Каждое наблюдение поочерёдно исключалось из обучающей выборки и использовалось как тест, что позволило получить надежную оценку обобщающей способности модели даже при малом размере выборки.

3. На этапе интерпретации результатов применялось сглаживание прогнозных значений скользящим средним, чтобы уменьшить эффект случайных отклонений от тренда.

Для интеграции риск-ориентированного подхода в процесс планирования была проведена систематизация факторов внешней и внутренней среды определены ключевые риски. Каждый риск получил количественную оценку вероятности и силы влияния на целевые показатели, основанную на статистической обработке ретроспективных данных и моделирования методом Монте-Карло. Для корректной идентификации рисков временные ряды очищены от долгосрочного тренда и проанализированы остатки модели, отражающие краткосрочные колебания, не объясненные общим трендом. Аномальные отклонения в остатках интерпретированы как потенциальные проявления рисковых событий.

Для каждого выявленного риска рассчитана вероятность наступления на основе частоты возникновения аномалий в остатках и их амплитуды. Квантификация диапазона влияния осуществлена на основе регрессионного анализа для оценки диапазона изменения объема перевозок при реализации каждого риска. Расчеты проводились раздельно для грузовых и пассажирских перевозок, что позволило задать два диапазона влияния для каждой группы перевозок (Таблица 1).

Таблица 1

Диапазон влияния рисков на прогнозируемые показатели*

Составлено автором

На основе рассчитанных вероятностей и диапазонов влияния выполнено 10000 итераций случайного выбора величины воздействия риска, и сформированы три сценария развития: оптимистичный, базовый и пессимистичный.

Полученные прогнозные значения пассажиропотока по ФГУП «Крымская железная дорога» представлены в таблице 2.

Таблица 2

Фактические данные и результаты прогнозирования объемов перевозок пассажиров, млн. чел.

Проверка точности модели показала высокое соответствие с фактическими данными: абсолютная ошибка прогноза за 2023 год составила 0,12 млн. пассажиров, относительная ошибка – 1,27%. Прогноз на 2024 год сопоставим с реальным значением и соответствует оптимистичному сценарию. Прогноз на 2024 год сформирован в рамках трех сценариев.

Результаты прогнозирования объемов грузовых перевозок представлены в таблице 3:

Таблица 3

Фактические данные и результаты прогнозирования объемов перевозок грузов, млн. тонн.

В целях повышения устойчивости планирования к внешним и внутренним шокам в рамках исследования реализована риск-ориентированный подход, сочетающая сценарный анализ, количественную оценку чувствительности модели и учет неопределенности макроэкономических и инфраструктурных факторов и применена к результатам прогнозирования как пассажирских, так и грузовых перевозок, обеспечивая адаптацию планов к различным условиям реализации стратегий развития и выражается в полученных результатах по трем сценариям.

Заключение

В статье обоснована и апробирована концепция риск-ориентированного планирования деятельности предприятий железнодорожного транспорта с учетом неопределённости внешней среды, бюджетных ограничений и инфраструктурных факторов. Предложенный информационно-аналитический инструментарий, включающий нейросетевое моделирование и сценарный анализ, доказал свою эффективность и устойчивость на примере ФГУП «Крымская железная дорога». Реализация данного подхода способствует повышению обоснованности и адаптивности плановых решений в условиях динамично меняющихся условий функционирования транспортной системы.