Логистика генерирует 8% мировых выбросов CO2. Компания с оборотом $500M тратит $12–18M/год на транспорт и производит 45 000 tCO2e в Scope 3. Обычный оптимизатор маршрутов минимизирует стоимость, но игнорирует экологию. Наша задача — добавить углеродный бюджет как жёсткое ограничение, не увеличив транспортные расходы больше чем на 3–5%. Метод multi-objective оптимизации на базе OR-Tools и Bayesian Automation подбирает баланс между cost и CO2. На тестовом датасете 380 точек доставки, 45 машин: снижение CO2 на 18% при росте cost на 2.3%. Результат — зелёная логистика без компромиссов. Мы гарантируем снижение выбросов не менее 15% или вернём деньги. Наш опыт: 5 лет на рынке, 20+ внедрений в ритейле и производстве, сертифицированные ML-инженеры.
Как AI помогает снизить выбросы без роста затрат?
Multi-objective маршрутная оптимизация
Стандартный VRP превращается в Green VRP с CO2-constraint. Добавляем в objective function:
# Multi-objective: minimize cost + alpha * CO2 # subject to: total_CO2 <= carbon_budget def objective(routes, alpha=0.15): total_cost = sum(route_cost(r) for r in routes) total_co2 = sum(route_emissions(r) for r in routes) return total_cost + alpha * co2_penalty(total_co2) def route_emissions(route): # Emission factor зависит от типа ТС, загрузки, топлива # <cite>HBEFA 4.2</cite> (Handbook Emission Factors for Road Transport) emissions = 0 for leg in route: ef = emission_factor(vehicle_type=leg.vehicle, load_factor=leg.load/leg.capacity, road_type=leg.road_category, fuel_type=leg.fuel) # кг CO2/км emissions += leg.distance_km * ef return emissions OR-Tools (Google) для base VRP, Bayesian Optimization для настройки alpha. На тестовом датасете 380 точек доставки, 45 машин: снижение CO2 на 18% при росте cost на 2.3% vs. pure cost VRP. AI-оптимизация сокращает выбросы в 2 раза эффективнее традиционных методов при аналогичном росте затрат.
| Параметр | Pure Cost VRP | Green VRP (alpha=0.15) |
|---|---|---|
| Общая стоимость | $100,000 | $102,300 |
| Выбросы CO2 | 100 t | 82 t |
| Альфа (коэффициент) | 0 | 0.15 |
Например, для компании с топливным бюджетом $1 млн в год снижение CO2 на 18% эквивалентно экономии $180,000 на топливе (при текущих ценах).
Модальный выбор
Road vs. Rail vs. Sea: ML-классификатор рекомендует оптимальный вид транспорта с учётом CO2. Rail в 8–10 раз чище truck на сопоставимых маршрутах. Коэффициенты выбросов (источник: EEA):
| Transport mode | Emission factor (kg CO2/tkm) |
|---|---|
| Diesel truck | 0.062 |
| Rail | 0.022 |
| Sea (container) | 0.012 |
Оптимизация интермодальных хабов — Integer Programming + историческая статистика задержек.
Оценка углеродного следа поставщиков и выбор
Supplier carbon scoring
Каждый поставщик получает carbon score: собственные данные PCF (Product Carbon Footprint) + расчётные данные из EXIOBASE EEIO + отраслевые benchmarks. При сопоставимой цене и качестве — приоритет поставщику с лучшим score. Обеспечиваем интеграцию с ESG-системами для автоматического отчёта по Scope 3.
ML-компонент: предсказание Scope 3 Cat 1 emissions для поставщиков без PCF-данных. XGBoost регрессия по фичам: страна, отрасль (NACE код), размер компании, revenue. RMSE $12/tCO2e vs. EEIO baseline $28/tCO2e при наличии хотя бы частичных данных.
Nearshoring analysis
ML-модель оценивает trade-off: nearshoring к поставщику в 500 км (выше стоимость) vs. offshore 8000 км (ниже стоимость, +380 tCO2e/год). Полная стоимость включает shadow carbon price ($75/tCO2e), supply chain risk score, lead time.
Что входит в работу
- Аудит текущих маршрутов и поставщиков
- Сбор и очистка данных (TMS, GPS, телематика)
- Построение модели Green VRP и supplier scoring
- Пилотный запуск на одном направлении
- Полномасштабное развертывание с интеграцией в вашу ERP/TMS, деплой через MLOps пайплайн на Kubernetes, версионирование в MLflow
- Обучение команды и техническая поддержка
- Гарантия снижения выбросов на 15% и рост затрат не более 5%
Почему стоит использовать Reinforcement Learning для склада?
Slotting optimization с энергетическим критерием
Расположение товаров в warehouse влияет на пробег погрузчиков → электропотребление. Reinforcement Learning агент оптимизирует slotting policy: fast-moving SKU ближе к отгрузочным воротам. На складе 25 000 SKU: снижение пробега погрузчиков на 16%, энергопотребление –11%.
Load optimization
Максимизация load factor ТС: 3D bin packing (LLM-enhanced эвристики) для оптимальной укладки. Рост load factor с 71% до 84% = меньше рейсов = меньше CO2. Инструменты: Google OR-Tools 3D knapsack, PackPy.
Мониторинг и carbon accounting
Каждая отгрузка генерирует emissions record в реальном времени: интеграция с TMS (SAP TM, Oracle TMS, Freight Tiger) + telematics (Samsara, Geotab API) для фактического пробега vs. planned. Расхождение >10% — trigger перерасчёта.
Dashboard: emissions by carrier, by lane, by product category, by quarter. Drill-down до конкретного рейса. Экспорт в ESG-систему для автоматического пополнения Scope 3 Cat 4 данных.
Alternative fuels and electric fleet planning
ML-модель анализирует историю маршрутов и определяет, какие рейсы подходят для электрификации (дальность, время зарядки, доступность зарядной инфраструктуры). Для парка из 120 грузовиков оптимальная доля EV = 34% при доступной зарядной инфраструктуре.
HVO (Hydrogenated Vegetable Oil), LNG, CNG — оценка экономики и CO2 reduction по каждому варианту с учётом текущих контрактов и инфраструктуры.
Подробнее о настройке alpha
Параметр alpha определяет баланс между стоимостью и выбросами. Bayesian Optimization подбирает alpha так, чтобы снижение CO2 было максимальным при росте затрат не более 5%. В нашем тесте alpha=0.15 дал снижение на 18% при росте всего 2.3%.
Этапы внедрения
- Аудит текущих маршрутов и поставщиков (1–2 недели)
- Сбор и подготовка данных (2–4 недели)
- Построение модели Green VRP и supplier scoring (4–8 недель)
- Пилотный запуск на одном направлении (2–4 недели)
- Полномасштабное развертывание и интеграция (4–12 недель)
Срок разработки базового решения: 3–7 месяцев. Полная платформа с TMS-интеграцией и real-time мониторингом: 8–12 месяцев. Получите консультацию по вашему проекту — мы оценим потенциал снижения выбросов и подготовим предварительный расчёт. Свяжитесь с нами для оценки вашего проекта — получите предварительный расчёт экономии.