Оценка структурной устойчивости транспортнологистических систем на основе графовых моделей и коэффициента просачиваемости

Глобальные изменения в мировой экономике и торговле предъявляют новые требования к транспортно-логистическим системам (ТЛС). Повышение их устойчивости к сбоям и структурным изменениям становится критической задачей на фоне роста доли логистических издержек в ВВП России. Существующие методы оптимизации часто не учитывают устойчивость самой сетевой структуры к деструктивным воздействиям, что создает пробел в знаниях.

Цель работы — создать и апробировать методологический инструментарий для оценки и усиления структурной устойчивости ТЛС. В рамках предложенного подхода объединены: графо-теоретическое моделирование; методы многокритериальной оптимизации; новый показатель — коэффициент просачиваемости, отражающий способность сети обеспечивать доставку грузов во все пункты назначения.

В ходе исследования: формализована многокритериальная оптимизационная задача, направленная на поиск оптимальных путей и потоков; разработана математическая модель ТЛС на базе матрицы начальных условий; введен коэффициент эффективности для сопоставления альтернативных вариантов решений. Проведена оценка устойчивости через коэффициент влияния структурных изменений на эффективность решений. Выполнен крупномасштабный вычислительный эксперимент, в рамках которого сгенерировано свыше 1 млн графовых структур.

Основные результаты: выявлена тесная корреляция между пропускной способностью сети, коэффициентом просачиваемости и эффективностью принимаемых решений; определены барьерные значения коэффициента влияния, позволяющие классифицировать ТЛС как устойчивую или неустойчивую к конкретному типу структурного разрушения; сформулированы принципы построения устойчивых ТЛС, среди которых ключевым является наличие альтернативных путей с эффективностью, близкой к оптимальной. Полученные результаты формируют фундамент для разработки интеллектуальных транспортно-логистических систем, способных эффективно противостоять сбоям и колебаниям нагрузки. 

1. Costa Y., Duarte L., Pereira R. The impact of global supply chain reconfiguration on international trade patterns: A network analysis. Research in Transportation Business & Management. 2024;52:100811. DOI: 10.1016/j.rtbm.2024.100811

2. Gavish B., Graves S.C. The Travelling Salesman Problem and Related Problems. INFORMS Journal on Computing. 2023;35(2):319–335. DOI: 10.1287/ijoc.2022.0123

3. Cota P.M., de Lima F.S., de Araújo O.C.B. A two-stage integer programming model for cargo allocation with transshipment time considerations. Computers & Industrial Engineering. 2023;175:108852. DOI: 10.1016/j.cie.2023.108852

4. Roy S.K., Mula P. A stochastic transportation problem with multiple choice of cost and requirement. International Journal of Operational Research. 2022;44(3):365–382. DOI: 10.1504/IJOR.2022.120211

5. Pournader M., Kach A., Fahimnia B. A Review of Transport Network Resilience: Concepts, Models, and Future Research Directions. Transport Reviews. 2023;43(4):689–715. DOI: 10.1080/01441647.2023.2201771

6. Ivanov D., Dolgui A. Viability of intertwined supply networks: extending the supply chain resilience angles towards survivability. International Journal of Production Research. 2022;60(1):1–17. DOI: 10.1080/00207543.2020.1750727

7. Dubey R., Gunasekaran A., Bryde D.J., Dwivedi Y.K., Papadopoulos T. Blockchain technology for enhancing supply chain resilience and sustainability. International Journal of Production Research. 2023;61(7):2266– 2285. DOI: 10.1080/00207543.2022.2101771

8. Dmitriev A., Shnurkov M. Graph Theory Application in Modern Supply Chain Network Design: A Systematic Review. Transportation Research Part E: Logistics and Transportation Review. 2023;175:103–145. DOI: 10.1016/j.tre.2023.103145

9. Zhang Y., Li X., Wang Q. Modeling Multimodal Transportation Networks as Directed Hypergraphs for Enhanced Logistics Planning. Computers & Industrial Engineering. 2024;187:109821. DOI: 10.1016/j.cie.2024.109821

10. Chen, L., Pietrabissa, A. A Robust Network Flow Model for Strategic Logistics Hub Classification under Demand Uncertainty. European Journal of Operational Research. 2022;301(1):283–297. DOI: 10.1016/j.ejor.2021.09.021

11. Garcia-Herrero S., Mar-Ortiz J., & De-La-Peña J.L. An Integrated Multi-Objective Optimization Model for Green Vehicle Routing and Scheduling with Heterogeneous Fleet and Time-Dependent Capacities. Journal of Cleaner Production. 2023;414:137503. DOI: 10.1016/j.jclepro.2023.137503

12. Ivanov D., Dolgui A. A Digital Supply Chain Twin for Managing the Disruption Risks and Resilience in the Era of Industry 4.0. Production Planning & Control. 2021;32(9):775–788. DOI: 10.1080/09537287.2021.1922771

13. Newman M.E.J. A Measure of Structural Redundancy for Semantically Annotated Networks. Scientific Reports. 2022;12(1):13487. DOI: 10.1038/s41598-022-17191-81

14. Katarzyniak M., Mulawka D. Identification of Critical Nodes in Transport Networks Using Centrality Measures and Vulnerability Scenarios. IEEE Access. 2023;11:45678-45691. DOI: 10.1109/ACCESS.2023.3281171

15. Ghavamifar A., Saberi M. Robustness of Interdependent Logistics Networks: A Percolation-Based Analysis of Cascade Failures. Transportation Research Part E: Logistics and Transportation Review. 2024;181:103367. DOI: 10.1016/j.tre.2024.103367