В цикле статей эксперт консалтинговой компании LAMACON поэтапно раскрывает, как математическое моделирование помогает оптимизировать различные участки цепи поставок в АПК. В предыдущих материалах были рассмотрены оптимизация реализации готовой продукции и повышение эффективности использования инфраструктуры
В данной статье речь пойдет о самом начале цепочки: работе с сельскохозяйственными культурами. Для компаний, у которых есть собственные поля, рассмотрим планы по севообороту, для переработчиков — планы по закупке сырья от сельхозпроизводителей.
Переработчики и закупка культур
В процессе закупки культур можно выделить три ключевых фактора, которые влияют на эффективность, а также соответствующие им рычаги оптимизации.
Первый фактор связан с мощностями переработки и их целевой загрузкой: это определяет, какой объем закупки культур необходим, чтобы не возникло простоя.
Второй — возможности элеваторной инфраструктуры. Здесь возникает первый потенциальный дисбаланс, когда мощности хранения меньше, чем плановый объем переработки. Обычно так и бывает, потому что иметь элеваторные мощности, полностью покрывающие целевой объем переработки, невыгодно. Содержание такой инфраструктуры свело бы на нет экономическую эффективность.
То, что инфраструктура под хранение меньше, чем требуется для производства, подводит к необходимости закупать продукцию не разом, а распределенно в течение всего года. Тут возникает третий фактор — динамика цен на сельхозкультуры, которые повышаются по мере отдаления от периода сбора урожая, но могут вновь упасть, когда элеваторы надо будет освободить перед новым сезоном.
Три основных фактора сопровождаются рядом дополнительных: ограничениями по отгрузке от поставщиков, ограничениями по транспорту, пропускными способностями отдельных элементов инфраструктуры, на которые могут влиять внешние факторы. Например, в дождливое лето «бутылочным горлышком» могут стать сушилки.
Чтобы принимать решения, как в сезоне оптимально закупать сырье для обеспечения производства с учетом всех этих факторов, строится математическая модель на тактическом уровне планирования. На этом уровне мы работаем на более коротком горизонте и на конкретной имеющейся инфраструктуре.
Для переработчиков в моделировании есть и опции стратегического планирования, связанные с развитием элеваторной инфраструктуры. Например, объектов может быть недостаточно, с избытком или они могут быть неудачно расположены, а модель позволит найти эти неэффективности и спроектировать оптимальную конфигурацию сети.
Важно понимать, что в АПК каждый объект инфраструктуры влияет еще и на конкурентное окружение. Если компания приобретает элеватор, она отсекает от конкурентов этот участок сбора урожая, потому что местным фермерам выгоднее всего везти продукцию на ближайший объект. В подобных конкурентных «играх» во многом и состоит стратегия работы переработчиков по развитию и балансировке эффективности своей инфраструктуры. Расчеты, учитывающие конкурентное окружение, дефициты и профициты культур в разных регионах, расположение заводов переработки и другие факторы, также можно провести на базе математического двойника. В таком случае это будет стратегическая модель с более высоким уровнем агрегации, чем при тактическом планировании.
Производители и планы по севообороту
В контексте сельхозпроизводителей возможности для оптимизации, которые открывает математическое моделирование, более обширны и разноплановы.
Неспроста в первых статьях серии были рассмотрены оптимизация сбыта готовой продукции и оборачиваемости инфраструктуры. Входные данные о том, на какие культуры есть спрос и какая инфраструктура у компании есть под загрузку, будут в том числе определять стратегию севооборота. Буквально нужно «посадить бизнес-планы на поля» и с помощью математики с учетом всех возможных ограничений спланировать, что, где и в каких объемах необходимо выращивать в рамках пяти- или семилетнего цикла.
Начнем с того, что должны учитывать планы засева полей. Во-первых, это прогнозы спроса, например, мы знаем, что рынок сои растет, и растет особенно в Китае, куда сейчас выгодно экспортировать. Во-вторых, одно и то же поле невозможно засеивать соей ежегодно, культуры сменяются, а еще поле должно отдыхать, чтобы почва не истощалась. В-третьих, отличается и урожайность различных культур на разных полях, этот фактор также важен для принятия решений.
Несомненно, севооборот также связан и с инфраструктурой: не все элеваторы и зерноплощадки работают со всеми видами культур или их возможности по определенным культурам сильно ограничены. У инфраструктуры, в свою очередь, есть пропускная способность, а у культур — разные периоды созревания. Если вокруг элеватора высадить только культуры с одинаковым периодом сбора, то в период уборки пропускных мощностей не хватит, а вне момента созревания урожая будет простой. Поэтому целесообразно загрузить мощности более плавно, растягивая план уборки на более долгий период. Это все предпосылки и ограничения для планирования севооборота — переменных очень много.
В математической модели можно учесть все эти предпосылки и ограничения как входные данные. Например, заложить в двойника пул из десяти востребованных культур, учесть их сроки посева и сбора урожая, ограничения по ротации культур на полях, а также реальные и потенциальные возможности инфраструктуры, если планируется рост или модернизация. При этом разные варианты можно комбинировать в модели в рамках сценарного анализа и видеть, какие экономические результаты это дает.
Ключевая идея заключается в том, что оптимизационная математика позволяет составить обоснованный расчетами «график» по оптимальному севообороту для каждого поля. Подобная задача не является сложной, если речь о фермерском хозяйстве в 100-300 га. Но когда речь о тысяче полей, использование моделирования становится полезным инструментом принятия взвешенных решений.
Именно из-за больших объемов данных в крупных АПК-холдингах и «вычислительной сложности» комплексного стратегирования планы по севообороту чаще всего оторваны от других стратегических решений, например, плана продаж или развития инфраструктуры. Если продолжать говорить на языке математики, такое раздельное планирование позволяет найти только локальные оптимумы, а не глобальный. А это упущенная выгода агропредприятия.
Для комплексного стратегического планирования при проектировании математических двойников речь будет идти о нескольких дополняющих друг друга моделях, где сначала оптимизируется стратегия продаж, под нее закладывается стратегия развития инфраструктуры, и на базе этого строится план работы с полями. Далее возможно замкнуть цикл и передавать из одной модели в другую различные данные, предпосылки и ограничения. Например, чтобы под изменившийся спрос и планы севооборота можно было спланировать новые объекты инфраструктуры.
Математические модели «на полях»
Рассмотрим еще примеры реальных задач, которые математические двойники могут решать в агропромышленности в контексте повышения эффективности работы с сельхозкультурами. В рамках одного из проектов LAMACON для крупного АПК-холдинга была спроектирована модель, которая позволяла найти синергетический эффект между различными бизнес-юнитами. Так, если холдинг занимается производством комбикормов, удобрений или семян, можно определить, где наиболее целесообразно разместить такой объект с точки зрения близости к полям. Когда такой объект расположен оптимально, то, например, удобрения могут быстро поступать на посевные площади, напрямую влияя на урожайность.
Областью применения математических моделей также является возможность объединения инфраструктуры при сделках слияния и поглощения. В АПК привязка полей к элеваторам и заводам играет важную роль в итоговой эффективности, и часто объединенная инфраструктура требует «перепривязок» для повышения эффективности — в модели такие процессы видны как на ладони.
Кроме того, модель используется как инструмент обоснования инвестиций в инновации: технологии обработки полей, дроны и так далее. Причем рекомендации модели могут быть комплексными: например, внедрение технологии окупится на одних полях и не окупится на других. Проверка эффекта от внедрения технологий через матмоделирование позволяет по-новому взглянуть на применение инноваций и декомпозировать подобные масштабные задачи на шаги, сформулировать новые гипотезы и проверить их эффективность.
Еще одна возможность применять решения моделирования при работе с урожаями была реализована в рамках стратегической модели, спроектированной LAMACON для агрохолдинга. В числе прочего двойник учитывал нормативные сроки уборки полей. В модели было заложено, какое есть время на уборку, пока урожай не начнет гибнуть на поле и не начнутся потери. При такой балансировке можно либо понижать уровень потерь, но принимать во внимание, что для этого культуры придется вывезти на более отдаленные мощности, а значит, повысить логистические затраты. Также можно разместить урожай на сторонних элеваторах за счет аренды, но избежать потерь. Иногда оказывается, что допустимо увеличить срок уборки, если потенциальные потери (например, 2% урожая) будут меньше, чем выигрыш за счет снижения затрат (например, 5%). Для бизнеса всегда главный вопрос: «Как выгоднее?». Именно на него и отвечает математическая модель.
Таким образом, в агропромышленном комплексе при оптимизации работы с сельскохозяйственными культурами математическое моделирование находит применение на разных уровнях управления — от разработки стратегии севооборота и тактического планирования закупок сырья до обоснования точечных решений по повышению урожайности или эффективности уборки.
Применение математических двойников дает возможность принимать более обоснованные и сбалансированные решения — как при планировании операций на ближайший сезон, так и в рамках более долгосрочных проектов, где важно согласовать работу разных подразделений и учесть влияние внешней среды. Это позволяет крупным игрокам отрасли выйти за пределы локальных решений и выстраивать согласованные, экономически обоснованные стратегии, где сбыт, инфраструктура и производство действуют как единый механизм, что особенно важно в условиях высокой волатильности цен, климатических рисков и растущей конкуренции за ресурсы и рынки.
Автор — эксперт консалтинговой компании LAMACON.
Мнение автора может не совпадать с позицией редакции.
