Анотація
Авіакомпанії, залізничні перевізники та оператори громадського транспорту використовують математичні моделі планування роботи персоналу, які дають змогу скорочувати операційні витрати та зменшувати кількість збоїв у наданні послуг. Натомість у сфері послуг із перевезення та релокації майна, де у Сполучених Штатах працює понад 102 тисячі працівників у майже 9 тисячах зареєстрованих компаній-перевізників, подібні інструменти практично відсутні. Призначення бригад здебільшого здійснюється диспетчерами інтуїтивно, що нерідко призводить до невідповідності між можливостями команди та складністю замовлення, а відтак — до пошкодження майна, порушення графіків виконання робіт і зростання плинності кадрів. У дослідженні запропоновано Адаптивну систему управління бригадами (Adaptive Crew Management Framework, ACMF), яка передбачає оцінювання кожного замовлення за п’ятьма параметрами складності (Job Complexity Score), співвіднесення отриманого результату з оптимальною конфігурацією бригади (Crew Composition Matrix), а також перевірку кожного запропонованого члена команди за допомогою динамічного індексу втоми (Workload Rotation Protocol). Для оцінки ефективності запропонованої системи було проведено порівняльний аналіз операційних показників компанії середнього розміру, що надає послуги з перевезення майна у північно-східному регіоні США, за два шестимісячні періоди – до та після впровадження ACMF. Результати дослідження свідчать про підвищення частки замовлень, виконаних у встановлені строки, з 81,3 % до 93,7 %, зменшення кількості претензій щодо пошкодження майна на 34 %, а також скорочення квартального рівня плинності персоналу з 28 % до 22 %. Оскільки система ACMF потребує лише використання паперових оціночних форм і базової електронної таблиці, вона є доступною для невеликих компаній-перевізників, які не мають спеціалізованого програмного забезпечення для планування та диспетчеризації робіт.
Посилання
1. Bakker, A. B., & Demerouti, E. (2017). Job Demands-Resources theory: Taking stock and looking forward. Journal of Occupational Health Psychology, 22(3), 273–285. https://doi.org/10.1037/ocp0000056
2. Barnhart, C., Cohn, A. M., Johnson, E. L., Klabjan, D., Nemhauser, G. L., & Vance, P. H. (2003). Airline crew scheduling. In Handbook of Transportation Science (pp. 517–560). Springer. https://link.springer.com/chapter/10.1007/0-387-22644-6_11
3. Borndörfer, R., Schulz, C., Seidl, S., & Weider, S. (2017). Integration of duty scheduling and rostering to increase driver satisfaction. Public Transport, 9(1–2), 177–191. https://doi.org/10.1007/s12469-016-0144-7
4. Choper, J., Schneider, D., & Harknett, K. (2021). Uncertain time: Precarious schedules and job turnover in the US service sector. ILR Review, 75(3), 001979392110484. https://doi.org/10.1177/00197939211048484
5. Ernst, A. T., Jiang, H., Krishnamoorthy, M., & Sier, D. (2004). Staff scheduling and rostering: A review of applications, methods and models. European Journal of Operational Research, 153(1), 3–27. https://doi.org/10.1016/S0377-2217(03)00095-X
6. Gebhardt, D. L., & Baker, T. A. (2023). Designing criterion measures for physically demanding jobs. Military Psychology, 35(4), 335–350. https://doi.org/10.1080/08995605.2022.2063008
7. Giachetti, R. E., Damodaran, P., Mestry, S., & Parra, C. (2013). Optimization-based decision support system for crew scheduling in the cruise industry. Computers & Industrial Engineering, 64(1), 500–510. https://doi.org/10.1016/j.cie.2012.10.006
8. Kasirzadeh, A., Saddoune, M., & Soumis, F. (2015). Airline crew scheduling: Models, algorithms, and data sets. EURO Journal on Transportation and Logistics, 6(2). https://doi.org/10.1007/s13676-015-0080-x
9. Mertens, L., Wolbeck, L.-A., Rößler, D., Xie, L., & Kliewer, N. (2023). An overview of optimization approaches for scheduling and rostering resources in public transportation. arXiv. https://arxiv.org/abs/2310.13425
10. Santini, A., Archetti, C., & Mandal, M. (2024). Tactical workforce sizing and scheduling decisions for last-mile delivery. European Journal of Operational Research, 323(3). https://doi.org/10.1016/j.ejor.2024.12.006
11. Smilowitz, K., Nowak, M., & Jiang, T. (2013). Workforce management in periodic delivery operations. Transportation Science, 47(2), 214–230. https://doi.org/10.1287/trsc.1120.0431
12. Steinzen, I., Gintner, V., Suhl, L., & Kliewer, N. (2010). A time-space network approach for the integrated vehicle-and crew-scheduling problem with multiple depots. Transportation Science, 44(3), 367–382. https://doi.org/10.1287/trsc.1090.0276
13. U.S. Bureau of Labor Statistics. (2024). Keeping America moving: Employment in transportation and warehousing industries. Spotlight on Statistics. https://www.bls.gov/spotlight/2024/keeping-america-moving/
14. U.S. Census Bureau. (2022). County business patterns: NAICS 484210 – Used household and office goods moving. https://www.census.gov/programs-surveys/cbp.html
15. Ulmer, M., & Savelsbergh, M. (2020). Workforce scheduling in the era of crowdsourced delivery. Transportation Science, 54(4), 1113–1133. https://doi.org/10.1287/trsc.2020.0977
16. Van den Bergh, J., Beliën, J., De Bruecker, P., Demeulemeester, E., & De Boeck, L. (2013). Personnel scheduling: A literature review. European Journal of Operational Research, 226(3), 367–385. https://doi.org/10.1016/j.ejor.2012.11.029
17. Zhou, W., Peng, Q., Bai, L., & Xie, L. (2023). An ADMM-based dual decomposition mechanism for integrating crew scheduling and rostering in an urban rail transit line. Transportation Research Part C, (149), 104081. https://doi.org/10.1016/j.trc.2023.104081
Ця робота ліцензується відповідно до Creative Commons Attribution-NonCommercial 4.0 International License.
Авторське право (c) 2026 Віталій Луцик