2. Методы прогнозирования объемов перевозок и погрузки в логистике

В отечественной научной литературе методы прогнозирования объемов перевозок в транспортной логистике принято объединять в три категории, экспертные, статистические и экономико–математические методы.

Экспертные методы основаны на профессиональных суждениях специалистов, практическом опыте и интуитивной оценке. Преимущество экспертного метода заключается в возможности учитывать нестандартные условия и новые тенденции развития, которые трудно выразить в количественных моделях. К данной группе относятся следующие методы, представленные в таблице 3 [6].

Таблица 3 – Экспертные методы прогнозирования объемов перевозок и погрузки

Наименование	Описание
Метод «Дельфи»	Последовательное формирование прогнозов в несколько этапов, при котором прогнозируемый период делится на отдельные интервалы для каждого из которых разрабатывается собственный сценарий с учетом предыдущих и последующих этапов.
Метод комиссий	Коллективная экспертная работа с применением инструментов морфологического анализа, мозгового штурма, метода фокальных объектов, контрольных вопросов и очных обсуждений.

Источник: разработано автором на основе [6]

Cтатистические методы основываются на обработке ретроспективных данных и выявлении закономерностей изменения показателей во времени. Основные разновидности таких методов представлены в таблице 4 [7].

Таблица 4 – Статистические методы прогнозирования перевозок

Наименование	Описание
Метод динамических рядов	Применяется для предварительных оценок на основе статистической информации за предыдущие периоды.
Экстраполяция	Перенос выявленных тенденций изменения показателей из прошлого периода на будущий интервал прогнозирования.
Метод экспоненциального сглаживания	Уточнение экстраполяционных подходов с целью более точного учета направленности и характера динамики перевозок.
Регрессионный анализ	Построение математической модели взаимосвязи между переменными, в которой одна величина объясняется через факторные признаки.
Метод компонент	Модификация регрессионного подхода, при котором задача разбивается на отдельные элементы для каждого из которых подбираются значимые факторы с последующим объединением в общую модель.

Источник: разработано автором на основе [7]

Экономико – математические методы представляют собой совокупность формализованных моделей и инструментов, применяемых для анализа, прогнозирования и оптимизации транспортных процессов. Основные из них приведены в таблице 5 [8].

Таблица 5 – Экономико–математические методы прогнозирования в логистике.

Наименование	Описание
Имитационное моделирование	Компьютерное воспроизведение работы системы во времени с последующим анализом ее поведения.
Оптимизационные методы	Методы математического программирования, используемые для минимизации транспортных расходов при наличии заданных ограничений.
Структурно–динамические модели	Модели, применяемые для описания и прогнозирования потоков грузов в транспортных узлах, включая, например подход Зипфа.
Метод «Вход–Выход»	Модель, устанавливающая зависимость между объемами перевозок и параметрами производства конечной продукции.

Источник: разработано автором на основе [8]

Выбор конкретного инструментария определяется характером задачи, доступностью исходных данных, горизонтом прогнозирования и рядом дополнительных факторов. На практике часто применяются комбинированные подходы, позволяющие повысить точность и устойчивость получаемых прогнозов.

Среди статистических методов особое место занимает анализ временных рядов, который получил широкое распространение при прогнозировании транспортных показателей.

Данный подход основывается на изучении динамики показателей во времени, позволяя определять устойчивые тенденции, сезонные колебания и другие закономерности, что обеспечивает повышение обоснованности планирования ресурсов, оптимизации логистических процессов и принятия управленческих решений.

Процесс анализа временных рядов включает несколько этапов, представленных в таблице 6 [9].

Таблица 6 – Этапы анализа временных рядов.

Этап	Содержание	Цель
Визуализация	Построение графиков и описание динамики	Определение трендов, сезонности и выбора.
Декомпозиция	Разделение ряда на компоненты	Определение тренда и сезонных колебаний.
Моделирование	Подбор математической модели	Описание закономерностей ряда.
Прогнозирование	Расчет будущих значений	Получение прогноза.

Источник: разработано автором на основе [9]

Для анализа временных рядов применяются различные методы, представленные в таблице 7 [10].

Таблица 7 – Методы анализа временных рядов.

Метод	Описание	Применение
Экспоненциальное сглаживание	Взвешенное усреднение значений	Среднесрочные прогнозы
SARIMA	Учет сезонности и автокорреляции	Сезонные временные ряды
Градиентный бустинг	Последовательное улучшение моделей	Сложные зависимости
Ряды Фурье	Представление через тригонометрические функции	Периодические процессы
ARDL	Учет внешних факторов и лагов	Прогнозирование грузопотоков

Источник: разработано автором на основе [10]

В дополнение к прогнозированию перевозок, следует отметить, что при прогнозировании объемов погрузки используются аналогичные методические подходы, однако акцент смещается на факторы формирования грузовой базы, включая объемы производства, добычи и складской обработки, что обуславливает необходимость учета отраслевой специфики при выборе моделей прогнозирования.

При прогнозировании учитываются различные группы факторов, представленных в таблице 8, формирующие условия функционирования транспортной системы.

Таблица 8 – Факторы учитываемые при прогнозировании

Фактор	Описание	Пример
Сезонный	Повторяющиеся изменения	Рост перевозок в определенные периоды
Внешний	Влияние событий	Ограничения, кризисы
Экзогенный	Макроэкономические показатели	ВВП, цена на ресурсы

Источник: составлено автором

Оценка точности прогнозирования является основным этапом любой предиктивной системы, включая транспортную логистику. Для этого используются стандартизированные метрики, позволяющие количественно измерять отклонение прогнозных значений от фактических. В таблице 9 представлены основные метрики точности прогнозов [11].

Таблица 9 – Основные метрики точности прогнозов

Метрика	Суть показателя	Особенности
MAE (средняя абсолютная ошибка)	Среднее абсолютное отклонение прогноза от факта	Не учитывает направление ошибки, выражается в исходных
MAPE (средняя абсолютная процентная ошибка)	Ошибка в процентах от фактического значения	Удобная для сравнения разных показателей
RMSE (среднеквадратическая ошибка)	Корень из средней квадратичной ошибки	Сильно штрафует большие отклонения
Bias (смещение)	Системная ошибка	Показывает наличие устойчивого перекоса

Источник: разработано автором на основе [11]

На качество прогнозов в логистике влияют внешние факторы, что ограничивает эффективность традиционных статистических подходов.

В связи с этим в современных исследования наблюдается переход к гибким инструментам анализа данных.

Для повышения точности применяются методы машинного обучения, представленные в таблице 10 [12].

Таблица 10 – Методы повышения точности прогнозов

Метод	Описание	Применение
Random Forest	Ансамбль решающих деревьев	Прогнозирование на основе исторических данных
Градиентный бустинг	Последовательное улучшение модели за счет исправления ошибок	Работа со сложными нелинейными зависимостями
LSTM	Рекуррентные нейронные сети	Прогнозирование временных рядов (спрос, загрузка, сезонность).

Источник: разработано автором на основе [12]

Подбор наилучшей модели осуществляется с помощью кросс–валидации, позволяющей проверить устойчивость модели на разных выборках и снизить риск переобучения [9]. Дополнительно точность прогнозов повышают цифровые инструменты, такие как системы управления транспортом, объединяющие данные о маршрутах, трафике и прошлых перевозках. При этом важно оценивать не только формальные показатели точности, но и практический эффект для бизнеса. Дополнительным аспектом повышения качества прогнозирования является обеспечение надежности исходных данных.

В работах, посвященных прогнозированию перевозок нефтяных грузов, широко применяются подходы, предполагающие уточнение расчетных показателей с учетом качества исходной информации. Для этого используются различные инструменты, отражающие степень надежности данных и уровень их достоверности.

Оценка надежности позволяет учитывать, насколько можно доверять исходным сведениям. В частности, при использовании экспертных оценок каждому участнику могут присваиваться определенные весовые коэффициенты, зависящие от его компетенции и практического опыта.

Процедуры верификации направлены на предварительную оценку данных перед включением в расчеты. Обычно они включают анализ происхождения информации, соответствие установленным требованиям, а также выявление возможных ошибок, несогласованностей.

Подобные методы особенно востребованы в нефтегазовом секторе, в котором уровень неопределенности остается высоким вследствие влияния множества внешних факторов. Учет качества исходных данных позволяет повысить обоснованность прогнозов и снизить вероятность ошибок при планировании перевозок. При этом конкретный набор используемых методов определяется задачей, характеристиками доступной информации и применяемыми аналитическими инструментами.

Таким образом, методы прогнозирования объемов перевозок представляют собой совокупность экспертных, статистических и экономик–математических подходов, выбор которых определяется характером задачи, доступностью данных и горизонтом прогнозирования. Наибольшее распространение в практике получили методы анализа временных рядом, позволяющие выявлять устойчивые закономерности и формировать обоснованные прогнозы.

В следующем разделе будут рассмотрены инструменты анализа и визуализации данных в транспортной логистике.