AI-оптимізація зеленого ланцюжка поставок
Logistics – 8% світових викидів CO2. Компанія з оборотом $500M витрачає $12–18M/рік на транспорт і генерує 45 000 tCO2e у Scope 3 Category 4 (upstream) та 9 (downstream). Оптимізатор маршрутів без ESG-constraints вже є мінімізує вартість. Завдання: додати вуглецевий бюджет як hard constraint, не збільшивши транспортні витрати більше, ніж на 3–5%.
Multi-objective маршрутна оптимізація
Стандартний VRP → Green VRP
Vehicle Routing Problem з CO2 constraint (GVRP). Додаємо до 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
# HBEFA 4.2 (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 налаштування alpha. На тестовому датасеті 380 точок доставки, 45 машин: зниження CO2 на 18% у разі зростання cost на 2.3% vs. pure cost VRP.
Модальний вибір
Road vs. Rail vs. Sea: для міжрегіональних та міжнародних перевезень. ML-класифікатор за фічами (відстань, deadline, вага, тип вантажу, країни transit) рекомендує оптимальний мод з урахуванням CO2. Rail у 8-10 разів чистіший truck на порівнянних маршрутах. Оптимізація інтермодальних хабів: Integer Programming + історична статистика затримок.
Оцінка вуглецевого сліду постачальників та вибір
Supplier carbon scoring
Кожен постачальник отримує carbon score: власні дані PCF (Product Carbon Footprint) + розрахункові дані EXIOBASE EEIO + галузеві benchmarks. За порівнянною ціною та якістю – пріоритет постачальнику з кращим score.
ML-компонент: передбачення Scope 3 Cat 1 emissions для постачальників без даних PCF. XGBoost регресія за фіч: країна, галузь (NACE код), розмір компанії, revenue. RMSE $12/tCO2e vs. EEIO baseline $28/tCO2e за наявності хоча б часткових даних.
Nearshoring analysis
ML-модель оцінює trade-off: nearshoring до постачальника в 500 км (вища вартість) vs. offshore 8000 км (нижче вартість, +380 tCO2e/рік). Повна вартість включає shadow carbon price ($75/tCO2e), supply chain risk score, lead time.
Оптимізація складської логістики
Slotting optimization з енергетичним критерієм
Розташування товарів у warehouse впливає пробіг навантажувачів → електроспоживання. Reinforcement Learning агент оптимізує slotting policy: fast-moving SKU ближче до відвантажувальних воріт. На складі 25 000 SKU: зниження пробігу навантажувачів на 16%, енергоспоживання – 11%.
Load optimization
Максимізація load factor ТС: 3D bin packing (LLM-enhanced евристика) для оптимального укладання. Зростання load factor з 71% до 84% = менше рейсів = менше CO2. Інструменти: Google OR-Tools 3D knapsack, PackPy.
Моніторинг та carbon accounting
Кожне відвантаження генерує emissions record у реальному часі: інтеграція з TMS (SAP, Oracle TMS, Freight Tiger) + telematics (Samsara, Geotab API) для фактичного пробігу vs. planned. Розбіжність >10% - trigger перерахунку.
Dashboard: emissions by carrier, by lane, by product category, by quarter. Drill-down до конкретного рейсу. Експорт до ESG-системи для автоматичного поповнення Scope 3 Cat 4 даних.
Альтернативні види палива
Electric fleet planning: ML-модель аналізує історію маршрутів та визначає, які рейси підходять для електрифікації (дальність, час заряджання, доступність зарядної інфраструктури). Для парку зі 120 вантажівок оптимальна частка EV = 34% за доступної зарядної інфраструктури.
HVO (Hydrogenated Vegetable Oil), LNG, CNG - оцінка економіки та CO2 reduction за кожним варіантом з урахуванням поточних контрактів та інфраструктури.
Термін розробки: 3-7 місяців для Green VRP + supplier scoring. Повна платформа з TMS-інтеграцією та real-time моніторингом: 8–12 місяців.