Логістична проблема не завжди вирішується додатковою вантажівкою, новим складом або збільшенням штату. Іноді набагато більший ефект дає зміна самої логіки процесу: друга точка розвантаження замість п’яти нових машин, алгоритм замість ручного розподілу сотень палет або лазерна проєкція на підлозі замість багатогодинного навчання нового комплектувальника.
Свіжі наукові розробки для логістики дедалі частіше працюють саме з такими «вузькими місцями». Дослідники намагаються не стільки автоматизувати окрему операцію, скільки знайти причину, через яку вся система втрачає час і гроші.
Серед останніх рішень — криптографічна система, яка дозволяє підтвердити правильні умови транспортування товару, не розкриваючи даних датчиків; новий підхід до зонування залізничної мережі; лазерна навігація для складських працівників; алгоритм, здатний за кілька секунд розподілити постачання між складами; і симуляційна модель, яка показує, коли бізнесу справді потрібні додаткові вантажівки, а коли проблему треба шукати на рампі.
Усі ці рішення перебувають на різних стадіях готовності — від дослідницьких прототипів до систем, які вже тестують у реальних логістичних компаніях. Але разом вони демонструють один важливий тренд: логістика стає не просто автоматизованою, а дедалі більше керованою даними та математичними моделями.
Не просто знати, що сталося з вантажем, а довести це
Для сучасних ланцюгів постачання простежуваність стає майже такою ж важливою, як швидкість доставки.
Особливо це стосується продукції, чутливої до температури або вологості: харчів, ліків, хімічних речовин, батарей, окремих промислових компонентів.
Морський контейнер протягом одного маршруту може пройти через десятки учасників: виробника, експедитора, портового оператора, морського перевізника, митницю, страхову компанію, склад і кінцевого отримувача.
Якщо вантаж зіпсувався, виникає очевидне питання: на якому саме етапі були порушені умови перевезення?
Сенсори вже давно дозволяють записувати температуру, вологість та інші параметри. Проблема полягає в іншому.
Повний масив цих даних може містити інформацію, яку компанія не хоче передавати партнерам або регуляторам: особливості маршрутів, графік операцій, технологічні параметри, інформацію про постачальників або клієнтів.
Дослідники Вищої школи Сант-Анна в Італії запропонували вирішити цю суперечність через поєднання блокчейну та криптографії.
Їхній прототип отримав назву Ocean DPP.
Як можна показати доказ, не показуючи самих даних
В основі рішення — технологія zero-knowledge proof, або «доказ із нульовим розголошенням».
Її принцип можна спростити до формули:
«Я можу математично довести, що умова виконана, не показуючи вам інформацію, за допомогою якої це перевірив».
Наприклад, страхова компанія хоче переконатися, що температура всередині контейнера протягом перевезення не перевищувала встановленої межі.
Замість передавання всього журналу температур система може сформувати криптографічний доказ того, що показники відповідали необхідному діапазону.
Отримувач перевіряє доказ — але не отримує самих значень датчика.
Для логістики це потенційно важливо одразу з кількох причин.
Компанія може підтвердити дотримання контракту. Страховик — перевірити умови перевезення. Регулятор — переконатися у відповідності вимогам. Водночас перевізнику не потрібно відкривати всю операційну інформацію.
Наскільки швидко працює система
Під час тестування Ocean DPP дослідники змоделювали 360 логістичних подій.
Система показала повну відповідність стандарту простежуваності ланцюгів постачання GS1 EPCIS 2.0.
На формування і перевірку криптографічного доказу потрібно приблизно 300–500 мілісекунд.
Це принципово важливий показник.
Датчики контейнера можуть передавати інформацію раз на 10–30 секунд. Тому кількасот мілісекунд на криптографічну перевірку практично не створюють додаткової затримки.
Ще одна проблема блокчейн-рішень — вартість запису великої кількості операцій.
Дослідники спробували групувати записи у пакети. За їхніми розрахунками, це дозволило зменшити витрати на занесення даних у блокчейн приблизно на 90–99%.
Проте Ocean DPP поки залишається дослідницьким прототипом. Це означає, що між лабораторним тестуванням і масштабною експлуатацією в міжнародній логістиці залишається значний шлях.
Чому цифровий паспорт товару може змінити логістику
Подібні системи можуть отримати додатковий імпульс через нові регуляторні вимоги Євросоюзу.
ЄС поступово переходить до концепції Digital Product Passport — цифрового паспорта продукту.
Йдеться про цифровий набір інформації про товар: його походження, характеристики, матеріали, ремонтопридатність, екологічний слід та інші параметри.
Для логістики це означає, що рух товару в ланцюгу постачання дедалі більше буде супроводжуватися цифровими даними.
І тут виникає нова проблема: компанії повинні будуть обмінюватися більшою кількістю інформації, але не захочуть розкривати зайві комерційні дані.
Саме тому технології на кшталт zero-knowledge proof можуть стати важливими не тільки для блокчейну, а загалом для систем цифрової простежуваності.
Залізничну мережу пропонують перестати управляти як однорідною системою
Другий напрям досліджень стосується значно більшої системи — залізниці.
Традиційне управління вантажними потоками часто використовує універсальні нормативи для великих ділянок мережі. Однак сама мережа може бути дуже неоднорідною.
Одна станція обслуговує великий промисловий кластер.
Інша є транзитним вузлом.
Третя пов’язана з портом.
Четверта працює переважно з аграрними вантажами.
Застосовувати до них однакову логіку управління далеко не завжди ефективно.
Дослідники з Євразійського національного університету та Університету Сатпаєва у Казахстані запропонували математично ділити залізничну мережу на зони з різними характеристиками.
20 параметрів перетворили на шість типів зон
Науковці проаналізували близько 20 показників, пов’язаних із вантажопотоком та інфраструктурою.
Потім за допомогою статистичних методів звели їх до кількох основних параметрів, які пояснювали приблизно 77,9% відмінностей між ділянками.
Наступним етапом стала кластеризація.
Але вона враховувала не тільки подібність характеристик, а й реальні залізничні зв’язки між ділянками.
У результаті мережу вдалося поділити на шість функціональних зон, для кожної з яких можна використовувати окрему логістичну стратегію.
Наприклад, якщо певний вузол працює як мультимодальний хаб, замість відправлення численних коротких потягів з різних станцій може бути ефективніше спочатку концентрувати вагони в одному місці, а вже потім формувати великий склад.
Це потенційно зменшує кількість маневрових операцій та навантаження на станції.
Чому такий підхід може бути цікавим Україні
Для України питання неоднорідності транспортної мережі особливо актуальне.
Повномасштабна війна радикально змінила логіку українських вантажних перевезень. Частина традиційних транспортних маршрутів була зруйнована, окупована або стала надто ризикованою.
Різко змінилася роль західних прикордонних переходів, дунайських портів, окремих залізничних вузлів та внутрішніх логістичних центрів.
За оцінкою Київської школи економіки, уже на початок 2024 року було пошкоджено щонайменше 507 км залізничних колій на підконтрольній Україні території, ще понад 700 км — на тимчасово окупованих територіях.
Тому управління всією мережею як системою з однаковими характеристиками стає дедалі менш ефективним.
Методи автоматичної кластеризації потенційно дозволяють побачити, де є транзитні коридори, де утворюються перевантажені вузли, а де інфраструктура використовується недостатньо.
Втім, казахстанська модель — не готовий продукт для української залізниці. Її застосування потребувало б окремих даних, адаптації моделі та тестування.
Лазер замість сканера: маршрут з’являється прямо під ногами
Інша проблема логістики набагато приземленіша: як працівнику швидко знайти потрібну комірку на величезному складі.
Сучасні системи комплектування використовують різні технології.
Працівник може отримувати команди на ручний термінал, смартфон, дисплей або через навушники.
Усі вони мають один недолік: людина повинна постійно перемикати увагу між системою підказок і фізичним середовищем.
Дослідники німецького Fraunhofer Institute for Material Flow and Logistics створили систему LARS, яка фактично переносить цифровий інтерфейс просто на підлогу складу.
Лазерні проєктори показують:
- напрямок руху;
- номер потрібної комірки;
- символ товару;
- інформацію про те, що потрібно взяти або куди покласти вантаж.
Працівнику не потрібно постійно дивитися на екран.
Навчання нового працівника стає частиною інтерфейсу
Одна з головних причин створення LARS — кадровий дефіцит.
Для великого складу новий співробітник може бути малопродуктивним не тому, що не розуміє операції, а тому, що просто не знає топології об’єкта.
Сотні рядів, тисячі комірок, різні зони зберігання — на запам’ятовування всього цього потрібен час.
LARS фактично перетворює склад на середовище з навігацією.
За даними розробників, п’яти лазерних проєкторів достатньо для покриття ділянки завширшки близько 30 метрів і 12 складських рядів.
Символи можна змінювати програмно, не перебудовуючи сам склад.
Ще одна перевага — універсальність.
Замість текстових команд можна використовувати стрілки, піктограми та кольорові позначення. Це потенційно зменшує мовний бар’єр у міжнародних логістичних командах.
Чи справді система працює
LARS вже тестували на складі Rhenus Logistics.
За словами розробників, працівники швидше знаходили необхідні товари, робили менше помилок під час відбору, а нові співробітники швидше набирали продуктивність.
Але є важливе обмеження: детальних кількісних результатів випробувань поки не оприлюднено.
Тому говорити про конкретне скорочення часу комплектування або відсоток зменшення помилок зарано.
Fraunhofer наразі шукає партнерів для подальшого розвитку системи.
П’ять секунд замість ручного рішення: кому віддати нову партію товару
Велика складська мережа щодня вирішує задачу, яка здається простою лише на перший погляд:
на який склад відправити конкретну партію?
Якщо локацій дві, відповідь знайти нескладно.
Якщо їх двадцять, ситуація змінюється.
Потрібно врахувати:
- вільну площу;
- тип товару;
- температурний режим;
- категорійні обмеження;
- прогноз наступних надходжень;
- поточне завантаження;
- баланс між різними складами.
Помилка може призвести до парадоксальної ситуації: один склад переповнений, тоді як інший має достатньо вільного місця.
Алгоритм пам’ятає попередні 30 днів
Дослідники Університету Дуйсбург-Ессен розробили систему автоматичного розподілу постачань між складами.
Її ключова особливість — алгоритм аналізує не лише ситуацію в конкретний день, а й історію попередніх 30 днів.
Якщо система бачить, що певний склад постійно отримує надмірне навантаження, вона може коригувати наступні рішення.
Під час тестування використовували потоки від 100 до 1500 палет на день.
Навіть на найбільших змодельованих обсягах повний розрахунок займав менше п’яти секунд.
Для бізнесу важливі не самі п’ять секунд, а можливість регулярно перебудовувати розподіл.
Замість одного статичного плану мережа отримує динамічне управління.
Чому це важливо для складського бізнесу
Нестача складських площ далеко не завжди означає, що компанії потрібно будувати новий склад.
Іноді проблема полягає в нерівномірному використанні вже наявних потужностей.
Показовим є опитування логістичної компанії WSI серед 306 керівників американських виробничих компаній.
35% респондентів назвали дефіцит складських потужностей одним із головних викликів.
При цьому приблизно три чверті визнали, що їхні складські мережі формувалися значною мірою ситуативно, а не за єдиною довгостроковою стратегією.
Це характерна проблема великого бізнесу.
Компанія відкриває один склад.
Потім купує конкурента — отримує другий.
З’являється новий ринок — орендує третій.
Через кілька років утворюється мережа, яка історично склалася, але не обов’язково оптимальна.
Алгоритмічне управління може принаймні частково компенсувати таку структуру.
Головний парадокс: іноді вантажівок багато саме тому, що система працює погано
Найпоказовіший приклад серед нових досліджень стосується автомобільних перевезень.
Уявімо підприємство, якому регулярно не вистачає вантажівок.
Найочевидніше управлінське рішення — купити або орендувати ще кілька машин.
Але дослідники з Мерілендського університету в Коледж-Парку та Virginia Tech перевірили цю логіку за допомогою симуляції.
Результат показав: дефіцит вантажівок може бути лише симптомом іншої проблеми.
13 вантажівок проти восьми
Дослідники змоделювали роботу біопаливного заводу.
У першому сценарії завод мав одну точку розвантаження.
Для забезпечення необхідного потоку сировини знадобилося 13 вантажівок.
Проте значну частину часу машини не перевозили вантаж.
Вони стояли в черзі.
Простій міг сягати приблизно половини робочого дня.
Потім у моделі додали другу точку розвантаження.
І ситуація змінилася радикально.
Той самий обсяг сировини змогли перевозити вже вісім вантажівок.
Час простою скоротився приблизно до 20% робочого дня.
Тобто підприємству не просто не знадобилися додаткові автомобілі — воно могло виконувати той самий обсяг роботи меншим парком.
Вузьке місце важливіше за розмір автопарку
Цей приклад демонструє фундаментальний принцип логістики — теорію обмежень.
Продуктивність системи визначається не сумарною кількістю ресурсів, а її найповільнішою ділянкою.
Якщо завод може розвантажити лише одну вантажівку за раз, десять додаткових машин не прискорять приймання сировини.
Вони просто створять довшу чергу.
Це змінює логіку інвестиційного рішення.
Питання повинно звучати не:
«Скільки ще машин нам потрібно?»
А:
«Де саме система втрачає пропускну здатність?»
Інколи відповіддю буде додаткова вантажівка.
Інколи — рампа.
Інколи — працівник.
Інколи — зміна графіка.
А інколи — програмне забезпечення.
Цифровий двійник замість експериментів на реальному бізнесі
Модель американських науковців була створена за допомогою Python та ArcGIS Pro.
Це фактично приклад цифрового моделювання логістичної системи.
Його перевага очевидна: компанія може перевірити десятки варіантів без необхідності реально купувати машини або перебудовувати підприємство.
Можна змоделювати:
- 8, 10 або 15 вантажівок;
- одну, дві чи три рампи;
- різну тривалість розвантаження;
- різні маршрути;
- різну інтенсивність постачань.
Після цього бізнес бачить не інтуїтивне, а математично обґрунтоване співвідношення між витратами й продуктивністю.
Що об’єднує всі п’ять технологій
На перший погляд Ocean DPP, залізнична кластеризація, лазерна навігація, складський алгоритм і модель автопарку вирішують абсолютно різні задачі.
Але принцип у них спільний.
Вони намагаються зменшити інформаційну невизначеність.
Ocean DPP відповідає на запитання: чи дотримувалися умов перевезення?
LARS — куди саме повинен піти працівник?
Алгоритм розподілу — куди відправити наступну партію?
Залізнична модель — які ділянки мережі насправді виконують однакові функції?
Модель автопарку — що саме є реальним обмеженням системи?
Логістика десятиліттями нарощувала фізичну інфраструктуру — склади, автопарки, сортувальні центри, контейнери.
Наступний етап полягає в іншому: отримати більше продуктивності з уже створеної інфраструктури.
Не всі наукові прототипи стануть бізнес-продуктами
Водночас нові розробки важливо оцінювати без технологічного оптимізму.
Частина описаних систем ще не пройшла масштабного промислового використання.
Ocean DPP залишається прототипом.
Для LARS оприлюднені позитивні результати тестування, але немає достатньої кількості конкретних показників.
Модель казахстанської залізничної мережі потребує адаптації до кожної конкретної країни.
Навіть алгоритм, який працює на тестових даних із 1500 палетами, може зіткнутися з набагато складнішими правилами у реальному ритейлі або промисловості.
Тому для бізнесу головне питання — не лише «чи працює технологія», а й:
- наскільки легко вона інтегрується з наявними системами;
- скільки коштує впровадження;
- які дані їй потрібні;
- чи можна масштабувати рішення;
- чи перевищує економія витрати на автоматизацію.
Що з цього може бути найближчим до реального бізнесу
Найшвидше практичне застосування мають рішення, які не потребують повної перебудови інфраструктури.
Системи динамічного розподілу товарів між складами можуть інтегруватися в уже наявні WMS (Warehouse Management System — це програмно-апаратний комплекс, призначений для автоматизації та оптимізації всіх процесів керування складом) та ERP (Enterprise Resource Planning, планування ресурсів підприємства) — це програмна система, яка збирає дані з усіх відділів компанії в одну базу в реальному часі).
Симуляційні моделі можна використовувати ще до здійснення капітальних інвестицій.
Лазерна навігація потенційно може стати додатковим інтерфейсом для існуючого складу.
Складнішими є блокчейн-рішення, адже їхня ефективність залежить не від однієї компанії, а від участі великої кількості сторін ланцюга постачання.
Проте регуляторні зміни в ЄС можуть поступово створити для таких систем економічний стимул.
Головний висновок для логістичного бізнесу
Найважливіший урок нових досліджень полягає не в появі ще одного алгоритму чи лазерного проєктора.
Він у зміні підходу до самої логістики.
Коли склад перевантажений, це не обов’язково означає, що потрібен новий склад.
Коли не вистачає водіїв — можливо, проблема в маршрутах.
Коли машини не встигають виконувати рейси — можливо, вони половину дня стоять на розвантаженні.
Коли нові працівники працюють повільно — можливо, їм просто бракує зрозумілої навігації.
А коли компанії не хочуть ділитися даними — це ще не означає, що неможливо математично підтвердити виконання умов контракту.
Саме тому наступна хвиля розвитку логістики може бути пов’язана не стільки з появою більшої кількості фізичних ресурсів, скільки з точнішим використанням тих, що вже є.
Іноді для цього достатньо не десяти нових вантажівок, а однієї додаткової рампи. Не нового складу, а п’яти секунд роботи алгоритму. І не багатогодинного інструктажу, а лазерної стрілки, яка просто показує працівникові правильний шлях.
