СТОХАСТИЧНЕ МОДЕЛЮВАННЯ ЕФЕКТИВНОСТІ МУЛЬТИМОДАЛЬНИХ ТРАНСПОРТНИХ СИСТЕМ З ВИКОРИСТАННЯМ ІНТЕГРОВАНОГО ПОКАЗНИКА ЕФЕКТИВНОСТІ ТА МОДЕЛЮВАННЯ МЕТОДОМ МОНТЕ-КАРЛО
https://doi.org/10.33815/2313-4763.2026.1.32.174-186
Анотація
Зростаюча складність та невизначеність мультимодальних транспортних систем вимагають розробки передових методологічних підходів до оцінки ефективності. У цій статті представлено структурований аналіз сучасних досліджень ефективності мультимодальних перевезень, зосереджуючись на детермінованих, багатокритеріальних та стохастичних підходах моделювання. Огляд показує, що детерміновані моделі, хоча й широко використовуються, не враховують належним чином притаманну мінливість логістичних процесів, що призводить до надмірно оптимістичних оцінок ефективності. Багатокритеріальні підходи покращують повноту оцінки, але часто залишаються обмеженими своєю детермінованою природою та суб'єктивними схемами зважування.
Запропоновано нову стохастичну структуру для оцінки ефективності мультимодальних транспортних систем на основі Інтегрованого показника ефективності (IPE), який одночасно враховує час доставки, вартість транспортування та надійність.
Запропонований підхід формалізує транспортний процес як стохастичну динамічну систему, де ключові параметри, такі як час подорожі, затримки та експлуатаційні витрати, моделюються як випадкові величини. Для врахування невід'ємної невизначеності використовується метод моделювання Монте-Карло, що дозволяє оцінити розподіл ймовірностей IPE, а не покладатися на детерміновані точкові оцінки. Результати моделювання показують, що детерміновані підходи схильні переоцінювати ефективність системи, тоді як стохастичне моделювання виявляє значне зниження очікуваної ефективності через мінливість та ризики.
Результати підтверджують, що поєднання стохастичного моделювання та інтегрованих показників ефективності забезпечує більш реалістичну та надійну основу
Посилання
2. BIMCO (2022). Logistics disruption reports. https://www.bimco.org.
3. World Bank (2023). Logistics performance index & maritime connectivity index. https://lpi.worldbank.org.
4. OECD (2022). Multimodal connectivity report. https://www.oecd.org/transport/.
5. Hulyanytskyi, L. F., & Kotkova, A. A. (2020). Do klasyfikatsii zadach marshrutyzatsii transportnykh zasobiv [On the classification of vehicle routing problems]. Scientific Bulletin of Uzhhorod University. Series: Mathematics and Informatics, 1(36), 73–84. https://doi.org/10.24144/2616-7700.2020.1(36).73-84.
6. Yu, B. (2023). Optimization of multimodal transportation path selection under low-carbon and time-schedule situation. BCP Business & Management, 48, 205–212. https://doi.org/10.54691/bcpbm.v48i.5268.
7. Route selection of periodic multimodal transport for logistics company: An optimisation approach. (2024). Research in Transportation Business & Management. https://doi.org/10.1016/j.rtbm.2024.101123.
8. Kosobutskyi, P. S. (2014). Statystychni ta Monte-Karlo alhorytmy modeliuvannia vypadkovykh protsesiv u makro- i mikrosystemakh u MathCAD [Statistical and Monte Carlo algorithms for modeling random processes in macro- and microsystems in MathCAD]. Lviv Polytechnic Publishing House.
9. Multi-modal transportation planning for multi-commodity rebalancing under uncertainty in humanitarian logistics. (2021). Advanced Engineering Informatics, 47, 101223. https://doi.org/10.1016/j.aei.2020.101223.
10. Two phase Monte Carlo simulation approach for multimodal network routing problem. (n.d.). Transportation Research Board. https://trid.trb.org/View/2239967.
11. Multimodal transportation routing optimization based on multi-objective Q-learning under time uncertainty. (2023). Complex & Intelligent Systems. https://doi.org/10.1007/s40747-023-01308-9. 12. Du, R. (2025). Robust optimization of multimodal transport routes: A case study. Advances in Economics, Management and Political Sciences, 155, 36–46. https://doi.org/10.54254/2754-1169/2024.GA20643.
13. Low-carbon route optimization model for multimodal freight transport considering value and time attributes. (2024). Socio-Economic Planning Sciences, 96, 102108. https://doi.org/10.1016/j.seps.2024.102108.
14. Chau, M. L. Y., & Gkiotsalitis, K. (2025). A systematic literature review on the use of metaheuristics for the optimisation of multimodal transportation. Evolutionary Intelligence. https://doi.org/10.1007/s12065-025-01020-2.
15. Melnyk, V. (2023). Smart-lohistyka v umovakh tsyfrovizatsii [Smart logistics in conditions of digitalization]. NAU.
16. Bugayko, D. O., et al. (2023). Factors influencing the efficiency of multimodal transportation. Intellectualization of Logistics and SCM. https://doi.org/10.46783/smart-scm/2023-19-1.
17. Sharko, O. V., Stepanchykov, D. M., Sharko, A. O., & Movchan, P. V. (2025). Bahatokryterialna optymizatsiia sytuatsiinoho upravlinnia morskymy perevezenniamy v umovakh nevyznachenosti [Multicriteria optimization of situational management of maritime transportation under uncertainty]. Scientific Bulletin of Kherson State Maritime Academy, 1(30), 171–186. https://doi.org/10.33815/2313-4763.2025.1.30.171-186.
18. Nikitina, L., & Yatsenko, I. (2023). Modeli ta metody pryiniattia rishen [Models and methods of decision-making]. NTU “KhPI”. https://repository.kpi.kharkov.ua/handle/KhPI-Press/65270
19. Naumov, V., Nahornyi, Y. & Lytvynova, Y. (2015). Model of multimodal transport node functioning. Archives of Transport. https://doi.org/10.5604/08669546.1185202.
20. Slavych, V. P., & Biloushchenko, D. Y. (2025). Model transportnoi zadachi u vypadku dostavky vantazhu dvoma riznymy vydamy transportnykh zasobiv [Transport problem model for cargo delivery by two different modes of transport]. Scientific Bulletin of Kherson State Maritime Academy, 2(31), 178–186. https://doi.org/10.33815/2313-4763.2025.2.31.178-186.
21. Kvietnyi, R. N., Bohach, I. V., Boiko, O. R., et al. (2013). Kompiuterne modeliuvannia system ta protsesiv. Metody obchyslen [Computer modeling of systems and processes. Methods of computation] (Part I). VNTU.
22. Ponomarova, V., & Nosov, P. (2023). Metod avtomatyzovanoi identyfikatsii kvalifikatsiinykh parametriv dlia morskykh operatoriv v umovakh ryzyku [Method of automated identification of qualification parameters for maritime operators under risk conditions]. Scientific Bulletin of Kherson State Maritime Academy, 1–2(26–27), 144–165. https://doi.org/10.33815/2313-4763.2023.1-2.26-27.144-165.
23. Burlachenko, D. A., & Melnyk, O. M. (2025). Modeliuvannia povedinky ta imitatsiia nadzvychainykh sytuatsii dlia avtonomnoho sudna z otsinkoiu stabilnosti traiektorii rukhu [Modeling behavior and simulation of emergency situations for an autonomous vessel with trajectory stability assessment]. Scientific Bulletin of Kherson State Maritime Academy, 1(30), 195–208. https://doi.org/10.33815/2313-4763.2025.1.30.195-208.
24. Monte Carlo vs. deterministic: When to use which model. (2025). https://nagarehq.com/blog/monte-carlo-vs-deterministic.
25. Beltrán, J. C., Aristizábal, A. J., López, A., Castaneda, M., Zapata, S. & Ivanova, Y. (2020). Comparative analysis of deterministic and probabilistic methods for the integration of distributed generation in power systems. Energy Reports, 6(Suppl. 3), 88–104. https://doi.org/10.1016/j.egyr.2019.10.025.
26. Ozkan, O. & Kilic, S. (2019). A Monte Carlo simulation for reliability estimation of logistics and supply chain networks. IFAC-PapersOnLine, 52(13), 2080–2085. https://doi.org/10.1016/j.ifacol.2019.11.512.
27. Farmahei, S. K. (2025). Metod Monte-Karlo ta yoho zastosuvannia do modeliuvannia skladnykh system [Monte Carlo method and its application to modeling complex systems] (Master’s thesis). Kharkiv National University of Radio Electronics. https://openarchive.nure.ua/ bitstreams/a5a48acb-aa7d-46fc-b9d1-1b546ba13db4/download.
