FREMHÆV FØLGENDE TEKST: Ved udformningen af et robust godstransportnetværk bør transportører overveje, hvad der vil ske, hvis der opstår uventede hændelser på ruterne. Vil alle deres ture og kunder blive påvirket? Hvad vil indvirkningerne på transportomkostningerne, tidsforsinkelserne og emissionerne være? Hvordan vil de reagere på uventede hændelser i realtid? Og har de en live oversigt over ruterne og foruddefinerede strategier til at håndtere uventede hændelser? Hvordan identificerer de den strategi, der balancerer afvejningen mellem omkostninger, tidsforsinkelser og emissioner? Denne artikel præsenterer et casestudie om, hvordan vejgodstransportører kan sikre, at deres terminalkørselsnetværk er modstandsdygtigt. Arbejdet er støttet af Dansk Forskningscenter for Godstransport [1] og er baseret på forskningen som rapporteret i [2].

Intelligent beslutningsstøtte optimerer transport ved uventede hændelser

Trafikulykker, ekstremt vejr og nedbrud af køretøjer er eksempler på uventede hændelser, der forstyrrer og forsinker vejgodstransporten. Forsinkelser i transporten kan resultere i flere direkte omkostninger, bl.a. lønomkostninger og køretøjsomkostninger samt flere indirekte effekter såsom lavere servicekvalitet, tab af omdømme eller salg. Når der opstår uventede hændelser, er dynamisk disruption management nødvendig for at justere transportplanerne og minimere forsinkelserne for at bringe dem inden for de tilladte grænser og dermed reducere negative konsekvenser for transportsystemet. I praksis håndterer planlæggerne forskellige uventede hændelser baseret på deres erfaringer i stedet for at identificere og rangordne alternative løsningsforslag. Med øget flådestørrelse og dynamik i transportmiljøet bliver disruption håndtering mere kompleks, og erfaringsbaseret beslutningstagning kan resultere i en dårlig omlægningsløsning. Intelligente beslutningsstøttesystemer (BSS’er), der kan håndtere forstyrrelser med brugen af avancerede algoritmer, er løsningen på det problem ved at vurdere tilgængelige alternativer ved hjælp af IT- og kommunikationsværktøjer. Intelligente BSS’er beregner realtidssynlighed, som hjælper transportører med at forbedre effektiviteten og serviceniveauet samtidig med at de får datadrevet indsigt i deres onlinedrift. Dermed kan de reagere hurtigere på forsinkelser.

Planlægningsstrategier

Figur 1 viser et simpelt netværk til terminalkørsel, der forbinder bynære distributionssystemer og bruger store køretøjer, f.eks. europæiske modulvogne eller trækker-sættevognskombinationer til at transportere gods mellem byer og dermed opnå transportfordele. Intercity-terminalkørselsnetværket omfatter en række terminaler (ofte kaldet konsolideringsterminaler), hvor terminaler er placeret i forskellige byer. På hver terminal sorteres de forsendelser, der modtages fra det bynære distributionssystem og konsolideres i sættevogne/trailere bestemt for den destinationsterminal, hvorfra den bynære distribution udføres. Trækkere bruges til at udføre sættevogns-/trailerture mellem forskellige terminaler. Inden transporten starter, udføres offline planlægning for at udvikle den operationelle transportplan på daglig basis. Den operationelle transportplan beskriver antallet af trækkere og ruten for hver trækker. En rute er en mulig sekvens af sættevognsture, f.eks. starter og slutter rute 1 ved terminal C og omfatter tre ture mellem terminalerne C, E og A. Offline

planlægning tager ofte hensyn til små forstyrrelser, f.eks. trafikpropper ved at tilføje lidt buffertider. Uden buffertider vil forsinkelser fra en tidligere tur forårsage yderligere forsinkelser for efterfølgende ture på samme rute og dermed påvirke leveringsydelsen for de bynære distributioner. Effektiv disruption management i terminalkørselsnetværket er altså vigtig for at øge konkurrenceevnen for fragtfirmaer, der opererer terminalkørsel.

I modsætning til offline planlægning håndterer online planlægning uventede hændelser ved at revidere transportplanen i realtid i henhold til seks planlægningsstrategier. Det illustreres ved hjælp af et eksempel i fig. 2. I eksemplet sker en ulykke på forbindelsen mellem terminalerne A og C. Tur A-C på trækker 1 påvirkes først, hvorfra forsinkelsen vil overføres til den efterfølgende tur C-F. Trækker 2 udfører den sidste tur på sin rute og er ikke berørt af uheldet.

  • Den accepterende strategi (fig. 2a): Det betyder, at der ikke foretages nogen handling, og traktor 1 venter på ulykkesstedet, indtil det er slut.
  • Omkørselsstrategi (fig. 2b): Den søger efter en omvej af den potentielt berørte tur, før den når ulykkesstedet.
  • Omdirigeringsstrategi (fig. 2c): Den omdirigerer upåvirkede trækker til at betjene potentielt berørte ture med respekt for de operationelle begrænsninger. Som vist i fig. 2c omdirigeres trækker 2 til at betjene tur C-E på trækker 1, hvilket resulterer i en repositioneringstur D-C, og der kan opstå ventetid, hvis trækker 2 ankommer før den planlagte afgangstid for tur C-E.
  • Ekstratrækkerstrategi (fig. 2d): En ekstra trækker hyres fra spotmarkedet til at betjene de berørte ture, startende fra terminal C som vist i fig. 2d. Takket være avancerede fragtplatforme kan transportører finde ekstra kapacitet mere effektivt på spotmarkedet.
  • Omvejs-omdirigeringsstrategi (Fig. 2e): Den kombinerer omvejs- og omdirigeringsstrategierne for at opnå yderligere reduktion af forsinkelsen på alle berørte ture. Som vist i fig. 2e tager den første berørte tur en omvej, mens dens efterfølgende tur omdirigeres til rute 2.

Omkørsels-ekstra trækkerstrategi (fig. 2f): den kombinerer omvejs- og ekstratrækkerstrategierne, således at den forstyrrede trækker omdirigeres, mens dens efterfølgende ture håndteres af en ekstra trækker.

Fig.2. De foreslåede planlægningsstrategier: Den accepterende strategi (a), Omkørselsstrategi (b), Omdirigeringsstrategi (c), Ekstra trækker strategi (d), Omvejs-omdirigeringsstrategi (e), Omkørsels-ekstra trækkerstrategi (f) [2].

Ny planlægningsarkitektur sikrer transparens i forsyningskæderne

Eksperter i forsyningskæder peger på, at uventede hændelser (disruptions) i de sidste to år har gjort det klart, at det ikke er nok at have foruddefinerede strategier for en effektiv disruption håndtering. Fremtidens forsyningskæder vil have fuld gennemsigtighed, og derfor skal transportører i alle størrelser bruge BSS’er udstyret med beregningsalgoritmer og en række enheder og sensorer til at opfange og behandle realtidsdata til disruption management [3]. Til dette formål beskriver vi i det følgende arkitekturen af et potentielt realtids-BSS. Figur 3 viser en BSS-arkitektur, baseret på simuleringer og optimeringsmetoder med brug af IoT-baserede teknologier. Det foreslåede BSS integrerer forskellige planlægningsfaser såsom transportplanlægning, overvågning, udførsel og detektering samt styring af konsekvenser af ulykker. Den foreslåede BSS-arkitektur omfatter tre hovedkomponenter: databasen, grænsefladen og modellen. Databasekomponenten gemmer og behandler forskellige typer statistiske- og realtidsdata, såsom opdateringer af transportflowstatus, servicepriser, fragtrejser og ressourcekarakteristika. Modelkomponenten henter de nødvendige inputdata fra databasen og opdaterer dem med opnåede planlægningsløsninger. Grænsefladekomponenten muliggør interaktiv kommunikation mellem BSS’et og den virkelige verden, såsom fragtplatforme og realtidssensorteknologier. Det foreslåede BSS kræver den indledende transportplan som input til at udvikle planlægningsløsningerne. En nøgle til effektiv disruption management er at fastholde så meget som muligt af den oprindelige transportplan i stedet for at foretage ændringer for både de berørte og upåvirkede køretøjer, hvilket vil forårsage kaos i systemet. Når der sker ulykker, kører online planlægningsmodulet først en simuleringsmodel for at efterligne udviklingen af transportnettet over tid efter, at en ulykke er sket. Simuleringen kan spore trækkernes bevægelser og udførelsen af deres køreplaner i realtid, således at alle de ture, der sandsynligvis bliver påvirket under ulykkens varighed, kan identificeres. Derefter planlægges de identificerede ture ved hjælp af planlægningsalgoritmer på ny. Bemærk, at planlægningsalgoritmerne kun tager hensyn til de berørte ture, hvis tilsvarende forsinkelsestider overstiger den indbyggede buffertid. Derudover er forsinkelsestiden for acceptstrategien sat som en øvre grænse for accept af planlægningsløsningerne

Fig. 3. Arkitekturen af det foreslåede BSS [2].

Planlægningsalgoritmerne evaluerer de seks strategier ved hjælp af tre præstationsindikatorer, nemlig driftsomkostninger for køretøjer (OC), tidsforsinkelsen (TD) og CO2-emissioner fra køretøjerne (CE). Derfor er det måske ikke praktisk at vælge den bedste strategi baseret på de mindst vægtede omkostninger, da tidsforsinkelser er svære at måle økonomisk og må afvejes med emissioner. En anden vigtig overvejelse er, at planlæggere typisk har et begrænset budget til disruption management. Derfor er det nyttigt at identificere alle omkostningseffektive strategier, da det ikke vil være optimalt at vælge en dyr strategi for at reducere forsinkelserne mere end nødvendigt, hvis der findes en billigere strategi, der kan opnå de målrettede forsinkelser. Derfor kræves der en metode til at beregne, hvad meromkostningen vil være for hver strategi for at reducere tidsforsinkelsen med en time. Til dette formål bruger vi det inkrementelle omkostningseffektivitetsforhold (ICER), der sammenligner forskellen i omkostninger mellem to konkurrerende strategier med forskellen i deres effektivitetsgrader. Effektivitet repræsenterer enhver præstationsindikator, der ikke kan kvantificeres i en pengeværdi. Derfor betragter vi TD opnået af hver strategi som graden af dens effektivitet. ICER for en strategi i kan beregnes som følger:

Hvor Ci og Ci-1 er de samlede transportomkostninger for henholdsvis strategi i og strategi i-1. Ci beregnes som . TDi og TDi-1 er den samlede tidsforsinkelse for henholdsvis strategi i og strategi i-1.

Resultater fra praksis

For at illustrere brugen og implementeringen af et BSS præsenterer vi herunder tre cases leveret af en logistikvirksomhed, der i gennemsnit kører 210 terminalkørselsture dagligt blandt sine syv vigtigste terminaler i Danmark. Figur 4 viser et øjebliksbillede af det udviklede BSS med angivelse af ulykkesstedet og køretøjernes bevægelser i realtid.

Fig. 4. Et øjebliksbillede af BSS’en under test af cases

ICER viste de bedst mulige strategier ved at kombinere planlæggernes erfaring og resultaterne fra det foreslåede BSS. De overordnede resultater i tabel II viser, at de billigste, anbefalede strategier er S1(Accepter) og S2 (omvej). Dette indebærer, at planlæggere, der ikke er villige til at investere i disruption management, altid vil vælge S1 og S2. I modsætning til det vil S4 og S6 blive udvalgt, hvis planlæggerne har en høj vilje til at investere i disruption management. Det er værd at bemærke, at S3 og S5 kun forekommer i nogle få tilfælde sammenlignet med de andre strategier, da de ofte er svagt eller stærkt dominerede strategier og derfor elimineres af trin 2 i ICER-procedurerne. Generelt vises S3 og S5, når andre strategier ikke er tilgængelige. Resultaterne af ICER-analysen viste, at de mest omkostningseffektive strategier er forskellige fra sag til sag. De eksperimentelle resultater af casestudierne er vist i tabel I, hvorfra det kan bemærkes, at ændringerne i OC % og CE % er små, fordi forholdet mellem berørte ture og alle ture er lavt. Generelt er indvirkningerne af ulykken på antallet af berørte ture forskellig blandt de tre casestudier, afhængigt af fragtstrømmene mellem terminalerne i hvert casestudie. Med hensyn til ydeevnen af planlægningsstrategier kan vi bemærke fra tabel I, at selvom alle strategier opnår forskellige effektivitetsniveauer for at reducere de samlede forsinkelsestider, øger de transportomkostningerne og kulstofemissionerne sammenlignet med den oprindelige transportplan. I gennemsnit er strategiernes omkostningsbaserede rangeringer S2 < S1< S5< S3 < S6 < S4, mens de emissionsbaserede rangeringer er S1 < S4< S2 < S6< S5 < S3, og de laveste forsinkelsestidsbaserede rangeringer er S6 < S4 < S5 < S2 < S3 < S1.

Forskellene i de tre placeringer indebærer flere afvejninger mellem de tre præstationsindikatorer, dvs. omkostninger og emissioner stiger ofte, når planlæggere forsøger at reducere forsinkelsestiden eller forbedre serviceniveauet. Det er klart, at de seks planlægningsstrategier konkurrerer mod hinanden, og der er ingen klar dominans af én strategi på præstationsindikatorerne på tværs af alle casestudierne. Tabel II viser de anbefalede strategier opnået af ICER’s procedurer for hvert enkelt tilfælde i tabel I. Willingness To Pay (WTP) i Tabel II er det maksimale beløb, som planlæggeren er villig til at betale for at skifte fra én strategi til en anden. Tager man for eksempel casestudie 2 som eksempel, er tre strategier S2, S5 og S6 identificeret som de mest omkostningseffektive. Hvis planlæggeren foretrækker den billigste og er tilfreds med dens forsinkelsesreduktion, så vælges S2. Hvis planlæggeren skal reducere tidsforsinkelsen med 6,43 timer sammenlignet med S2, men er han villig til at betale 137,94 USD for hver en times reduktion, så vælges S5. Hvis planlæggeren ønsker at reducere tidsforsinkelsen yderligere, mod betaling af mere end 287.37USD for hver times reduktion, vælges S6. Dette eksempel viser, den valgte strategi afhænger af planlæggernes vilje til at betale for at reducere transportforsinkelser. Resultaterne viser også, at skift fra én strategi til en anden kan give en betydelig reduktion i tidsforsinkelsen samt at meromkostningerne er relativt små.

Referencer

  1. “Danish Research Center for Freight Transport (DRCFT) – Aalborg Universitet.” [Online]. Available: https://www.build.aau.dk/web/drcft. [Accessed: 11-Aug-2022].
  2. Karam and K. H. Reinau, “A Real-Time Decision Support Approach for Managing Disruptions in Line-Haul Freight Transport Networks,” IEEE Transactions on Intelligent Transportation Systems, 2022, in press.
  3. “Real-time visibility key to reducing supply chain volatility | Commercial Carrier Journal.” [Online]. Available: https://www.ccjdigital.com/technology/article/15293150/realtime-visibility-key-to-reducing-supply-chain-volatility?hsamp_network=linkedin&hsamp=bIcVubfIMsgb. [Accessed: 11-Aug-2022]

Forfatter: Ahmed Karam

Adjunkt i logistik og transport og leder af Danish Research Center for Freight Transport (DRCFT) ved Institut for Byggeri, By og Miljø, Aalborg Universitet. Ahmeds primære forskningsinteresser er supply-chain og logistikmanagement med særlig fokus på operations research og simulering i godstransport, containerhavne og produktionssystemer.

Forfatter: Thorbjørn M. Illemann

Ph.D. studerende i Freight Transport Research Group, BUILD Institut for Byggeri, By og Miljø, Aalborg Universitet. Thorbjørns primære forskningsinteresse er brug af real-tids data fra lastvogne til at optimere transport af varer på tværs af landet, samt til at forstå lastbilers brugsmønstre på veje, og dermed forbedre forholdene.

Forfatter: Kristian Hegner Reinau

Forsknings- og udviklingschef i Danske Fragtmænd A/S. Har tidligere arbejdet som lektor ved Institut for Byggeri, By og Miljø, Aalborg Universitet.