Логістика генерує 8% світових викидів CO2. Компанія з оборотом $500M витрачає $12–18M/рік на транспорт і виробляє 45 000 tCO2e в Scope 3. Звичайний оптимізатор маршрутів мінімізує вартість, але ігнорує екологію. Наше завдання — додати вуглецевий бюджет як жорстке обмеження, не збільшивши транспортні витрати більше ніж на 3–5%. Метод multi-objective оптимізації на базі OR-Tools та Bayesian Automation підбирає баланс між cost і CO2. На тестовому датасеті 380 точок доставки, 45 машин: зниження CO2 на 18% при зростанні cost на 2.3%. Результат — зелена логістика без компромісів. Ми гарантуємо зниження викидів не менше 15% або повернемо гроші. Наш досвід: 5 років на ринку, 20+ впроваджень у рітейлі та виробництві, сертифіковані ML-інженери.
Як AI допомагає знизити викиди без зростання витрат?
Multi-objective маршрутна оптимізація
Стандартний VRP перетворюється на Green VRP з CO2-constraint. Додаємо 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 залежить від типу ТЗ, завантаження, палива # <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 налаштування alpha. На тестовому датасеті 380 точок доставки, 45 машин: зниження CO2 на 18% при зростанні cost на 2.3% vs. pure cost VRP. AI-оптимізація скорочує викиди в 2 рази ефективніше за традиційні методи при аналогічному зростанні витрат.
| Параметр | Pure Cost VRP | Green VRP (alpha=0.15) |
|---|---|---|
| Загальна вартість | $100,000 | $102,300 |
| Викиди CO2 | 100 t | 82 t |
| Альфа (коефіцієнт) | 0 | 0.15 |
Наприклад, для компанії з паливним бюджетом $1 млн на рік зниження CO2 на 18% еквівалентно економії $180,000 на паливі (при поточних цінах).
Модальний вибір
Road vs. Rail vs. Sea: ML-класифікатор рекомендує оптимальний вид транспорту з урахуванням CO2. Rail в 8–10 разів чистіший за truck на порівнянних маршрутах. Коефіцієнти викидів (джерело: EEA):
| Transport mode | Emission factor (kg CO2/tkm) |
|---|---|
| Diesel truck | 0.062 |
| Rail | 0.022 |
| Sea (container) | 0.012 |
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 з EXIOBASE EEIO + галузеві benchmarks. При порівнянній ціні та якості — пріоритет постачальнику з кращим score. Забезпечуємо інтеграцію з ESG-системами для автоматичного звіту щодо Scope 3.
ML-компонент: передбачення Scope 3 Cat 1 emissions для постачальників без PCF-даних. XGBoost регресія за фічами: 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 (нижча вартість, +380 tCO2e/рік). Повна вартість включає shadow carbon price ($75/tCO2e), supply chain risk score, lead time.
Що входить в роботу
- Аудит поточних маршрутів та постачальників
- Збір та очищення даних (TMS, GPS, телематика)
- Побудова моделі Green VRP та supplier scoring
- Пілотний запуск на одному напрямку
- Повномасштабне розгортання з інтеграцією у вашу ERP/TMS, деплой через MLOps пайплайн на Kubernetes, версіонування в MLflow
- Навчання команди та технічна підтримка
- Гарантія зниження викидів на 15% та зростання витрат не більше 5%
Чому варто використовувати Reinforcement Learning для складу?
Slotting optimization з енергетичним критерієм
Розташування товарів у warehouse впливає на 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 ТЗ: 3D bin packing (LLM-enhanced евристики) 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 в реальному часі: інтеграція з TMS (SAP TM, 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 в ESG-систему для автоматичного поповнення Scope 3 Cat 4 даних.
Alternative fuels and electric fleet planning
ML-модель аналізує історію маршрутів та визначає, які рейси підходять для електрифікації (дальність, час зарядки, доступність зарядної інфраструктури). Для парку з 120 вантажівок оптимальна частка EV = 34% при доступній зарядній інфраструктурі.
HVO (Hydrogenated Vegetable Oil), LNG, CNG — оцінка економіки та CO2 reduction за кожним варіантом з урахуванням поточних контрактів та інфраструктури.
Детальніше про налаштування alpha
Параметр alpha визначає баланс між вартістю та викидами. Bayesian Optimization підбирає alpha так, щоб зниження CO2 було максимальним при зростанні витрат не більше 5%. У нашому тесті alpha=0.15 дав зниження на 18% при зростанні всього 2.3%.
Етапи впровадження
- Аудит поточних маршрутів та постачальників (1–2 тижні)
- Збір та підготовка даних (2–4 тижні)
- Побудова моделі Green VRP та supplier scoring (4–8 тижнів)
- Пілотний запуск на одному напрямку (2–4 тижні)
- Повномасштабне розгортання та інтеграція (4–12 тижнів)
Строк розробки базового рішення: 3–7 місяців. Повна платформа з TMS-інтеграцією та real-time моніторингом: 8–12 місяців. Отримайте консультацію щодо вашого проєкту — ми оцінимо потенціал зниження викидів та підготуємо попередній розрахунок. Зв'яжіться з нами для оцінки вашого проєкту — отримайте попередній розрахунок економії.