Применение дискретно-событийного моделирования в каршеринге

© Ангелина Шпилевая, ЭФ МГУ

Рассмотрим использование дискретно-событийного моделирования на примере работы (El Fassi A., Awasthi A., Viviani M, 2012). В условиях растущего спроса на каршеринг регулярно приходится принимать управленческие решения по корректировке автопарка и количества станций для адаптации и развития сети. Зачастую такие решения принимаются на основе интуиции управляющих, что в случае выбора неудачной альтернативы может приводить к потере ресурсов, времени и возможностей проникновения на рынок. Для помощи в выборе наилучшей стратегии развития авторы разработали инструмент для принятия решений – модель, которая позволяет имитировать деятельность оператора на любом заданном наборе станций каршеринга, независимо от их количества и мощности.

В начале построения модели определяется набор предпосылок о расстоянии от домохозяйств до каршеринговых станций, совокупном темпе роста рынка, темпах роста отдельных сегментов сети. Определяются правила, по которым потенциальный пользователь принимает решение об участии (в данном случае каждый участник выбирает для поездки ближайшую к месту его проживания станцию) и принцип, по которому выбираются приоритетные местности, в которых каршеринг будет интересен пользователям.

    Ключевым элементом модели является транзакция. Транзакция – это последовательность действий от бронирования до окончания поездки в случае, если она состоялась, или до ее отмены, если она не состоялась. Транзакция состоит из 5 процессов:

1. запрос на бронирование;

2. запрос на отмену;

3. проверка наличия автомобиля и начало поездки;

4. запрос на продление поездки;

5. окончание поездки.

В соответствии с процессами идентифицируются взаимодействия между объектами модели: пользователем, системой управления бронированием, станцией, службой поддержки клиентов и транспортным средством. Карта транзакции представлена на рисунке 1.

Рисунок 1. Общая карта транзакции

Затем определяются предпосылки модели:

1. участник должен вернуть автомобиль в то же место, где он его забрал;

2. продолжительность поездки = 𝑘 ∙ 30 мин (𝑘 ∈ 𝑁⁺) с максимальной продолжительностью 24 часа;

3. бронирование может осуществляться за 6 дней до поездки;

4. отсутствие поломок автомобилей и опоздания участников (область, в которой модель может быть усовершенствована);

5. нет различий в спросе в будние и выходные дни;

6. запрос на отмену и продление поездки может быть размещен в любое время до времени начала и окончания поездки;

7. выбор станции заказчиком осуществляется динамически с учетом минимальной пешеходной доступности;

8. на всех станциях каршеринга есть автомобили одного типа;

9. каждый запрос на резервирование, который не может быть выполнен хотя бы частично, считается утраченным при условии, что клиент не может изменить свои требования к поездке.

На основе анализа доступных данных задаются значения о:

· распределении заказов на бронирование в соответствии с предпосылкой 6;

· среднем проценте отмененных поездок до ее начала и распределении отмененных поездок;

· распределении запросов на продление поездки и величине продления;

· воспроизводстве спроса и темпе роста пользователей.

Результатом работы модели являются показатели активности станции (A), активности участников (B) и уровня удовлетворенности обслуживанием (C).

Таблица 1. Вывод модели. Ключевые метрики

Коэффициент лояльности определяется как отношение числа транзакций, выполненных на одной или нескольких станциях для данного набора участников, к общему числу транзакций, выполненных этим же набором.

Давление спроса определяется как отношение общего числа членов, имеющих доступ к данной станции, к количеству доступных транспортных средств станции в течение определенного периода времени. 

Представленная модель подлежала проверке на данных оператора каршеринга Communauto’s Montréal (Квебек, Канада). Метрики A.2, B.3 и B.4 использовались при верификации и валидации модели. Запуск модели охватывал промежуток в один год (365 дней) с 10 повторениями. Авторы считают допустимой погрешность ± 10–15% для всех показателей при сравнении реальных значений с смоделированными. Результат верификации представлен в таблице 2.

Таблица 2. Сравнение реальных и симулированных метрик

С помощью построенной модели тестировались 3 возможные стратегии развития компании. Первая направлена на увеличение мощности имеющихся станций для удовлетворения растущего спроса в радиусе ее действия. Такая стратегия целесообразна в районах с высокой плотностью населения или там, где внедрение является дорогим или в принципе невозможным. Вторая подразумевает объединение двух и более станций путем суммирования их соответствующих мощностей или корректировки общей пропускной способности. Эта стратегия часто используется, когда станции, которые необходимо объединить, расположены относительно близко. И, наконец, третья направлена на создание одной или нескольких станций в данном регионе. Эти станции могут быть малой или большой мощности в зависимости от потребностей. Такая стратегия наиболее широко используется, когда совокупность потенциальных участников располагается в данном регионе, но существующие станции расположены далеко от него. Стратегии оцениваются с использованием набора трех выходных показателей: A.2, B.1 и B.3. Каждая метрика выражается в трех диапазонах: «L» - низкий, «M» - средний и «H» - высокий. На рис. 2 показано графическое представление трех стратегий.

Рисунок 2. Графическое представление общих стратегий роста сети.

В результате проведенной симуляции на пилотных станциях каршеринг-оператора были отобраны наилучшие стратегии. Результаты представлены на рисунке 3. Для них также произведен анализ уровня удовлетворенности и деятельности оператора в целом, выработаны рекомендации по внедрению стратегий.

Рисунок 3. Выбор типовых стратегий на основе работы базового сценария.

Главным достоинством представленной модели является ее воспроизводимость и способность выступать инструментом поддержки управленческих решений. Она позволяет делать сравнение различных потенциальных стратегий развития и выбирать из них лучшую. Пилотное исследование, проведенное в Монреале, показало адекватность этой модели реальным условиям.

Подробнее: El Fassi A., Awasthi A., Viviani M. Evaluation of carsharing network’s growth strategies through discrete event simulation // Expert Systems with Applications. – 2012. – Т. 39. – №. 8. – С. 6692-6705