1 Состояние вопроса исследования и актуальность работы Автомобильный транспорт сохраняет лидирующие позиции в логистике и пассажирских перевозках, оставаясь критически важным для экономики России и мира в целом. Его доля в мировом пассажирообороте превышает 70 %, а ключевыми преимуществами являются гибкость, универсальность и способность обеспечивать доставку «от двери до двери».Система технической эксплуатации и ремонта (ТЭР) автомобильного транспорта исторически формировалась как ответ на необходимость поддержания растущего парка машин в работоспособном состоянии. В России эта система развивается в условиях специфической структуры автопарка, для которой характерен высокий средний возраст транспортных средств. По данным Росстата на конец 2023 года в России было зарегистрировано 52,8 млн легковых автомобилей, из которых более 60 % старше 10 лет [1]. Этот фактор оказывает определяющее влияние на объем и характер спроса на услуги ТЭР, делая рынок ремонта и обслуживания критически важной отраслью экономики.Основным фактором, определяющим специфику российского рынка ТЭР, является возрастная структура парка (табл. 1).Как видно из табл. 1, основной объем рынка услуг ТЭР формируют автомобили старше 10 лет (более 60 % парка), для которых характерен не столько план, сколько аварийный и поддерживающий ремонт. Это создает высокую нагрузку на логистику запчастей и требует от сервисов гибкости [2, 3].   Таблица 1 – Возрастные группы легковых автомобилей РФВозрастная группа (лет)Количество автомобилей, млн. ед. (оценка)Доля от общего парка, %Характерный спрос на услуги ТЭРДо 5 лет8,516Плановое ТО у дилера, гарантийные случаи, минимальный ремонтОт 5 до 10 лет12,223Постгарантийное обслуживание у дилеров и независимых СТО, первые серьезные замены расходников (ремни ГРМ, подвеска)От 10 до 15 лет16,932Активный ремонт: замена деталей ходовой, топливной системы, электропроводки. Высокий спрос на неоригинальные запчастиСтарше 15 лет15,229Поддерживающий ремонт, поиск б/у запчастей, восстановление агрегатов. Высокий риск отказовИТОГО52,8100  Диаграмма, представленная на рис. 1, наглядно демонстрирует, что автомобили в возрасте от 10 до 15 лет являются самой многочисленной группой (32 % парка, или 16,9 млн ед.), формирующей устойчивый спрос на капитальный и восстановительный ремонт.  Рисунок 1 – Распределение парка легковых автомобилей России в зависимостиот возраста на конец 2023 года В сумме с группой старше 15 лет (29 %, или 15,2 млн. ед.) автомобили в возрасте от 10 до 15 лет составляют более 60 % всего парка – это свыше 32 миллионов автомобилей, постоянно нуждающихся в услугах по замене изношенных узлов, восстановлению агрегатов и сложной диагностике. Именно этот сегмент создает высокую нагрузку на логистику запчастей (как оригинальных, так и аналогов) и требует от сервисов исключительной гибкости и широкой номенклатуры выполняемых работ [4].Таким образом, автомобильный парк России характеризуется не прогрессирующим, а скачкообразным ростом затрат на обслуживание и ремонт. По данным исследований на третий год эксплуатации расходы на ТО могут увеличиваться в четыре раза. Это напрямую формирует спрос не на плановое обслуживание, а на аварийный и поддерживающий ремонт, создавая высокую нагрузку на сервисную инфраструктуру и логистику запчастей.В условиях экономической нестабильности и роста цен на запчасти, усугубленного процессами импортозамещения и логистическими сбоями, на первый план для всех категорий владельцев выходит системное управление стоимостью жизненного цикла (Life Cycle Cost (LCC)) автомобиля.Одновременно с этим наблюдается технологический разрыв – автомобиль трансформируется в сложную мехатронную систему, в то время как методы диагностики многих критически важных для безопасности узлов (например, шаровых опор, стоек стабилизатора) часто остаются примитивными и основаны на субъективной оценке мастера. Это повышает риски дорожно-транспортных происшествий по причине технической неисправности.Основой классической системы ТЭР был регламент, предписывающий выполнение конкретных операций технического обслуживания через фиксированные промежутки пробега или времени. Однако для стареющего парка такой подход часто оказывается неэффективным, так как износ индивидуален и зависит от условий эксплуатации, качества обслуживания в прошлом.Современный этап характеризуется смещением фокуса с регламента на фактическое состояние. Этот переход стал возможен благодаря развитию систем бортовой и стендовой диагностики, а также внедрению предиктивных (прогнозных) технологий. На смену диагностике «по факту отказа» приходит прогнозирование. Его инструментами являются телематика (внедряемая, в первую очередь, в коммерческом транспорте и новых легковых автомобилях премиум-сегмента), анализ рабочих жидкостей и виброакустическая диагностика. Это позволяет планировать ремонты и избегать внезапных отказов, что критически важно для старого парка.Таким образом, актуальность работы обусловлена необходимостью разработки и внедрения современных, экономически обоснованных методов управления ТЭР, которые позволят:– перейти от стратегии реагирования на отказы к предиктивному планированию;– объективно оценивать целесообразность капитальных вложений в ремонт стареющей техники;– повысить безопасность эксплуатации через внедрение количественных методов оценки технического состояния. 2 Материалы и методы  Для достижения поставленных целей была применена система взаимосвязанных аналитических моделей и показателей. Методологическую основу составили принципы управления стоимостью жизненного цикла LCC, методы оценки технического износа и сравнительного анализа экономической эффективности различных стратегий обслуживания [5].Модель LCC используется для обоснования фундаментальных управленческих решений: ремонтировать существующее транспортное средство или заменять его. Чистая приведенная стоимость владения рассчитывается по формуле: LLC=Cпр+t=1NCэt+CТОиРt+Cфt1+dt, где Cп – капитальные затраты на приобретение, руб.; Cэ(t) – ежегодные переменные эксплуатационные затраты (топливо, ГСМ, шины), руб.; CТОиР(t) – ежегодные затраты на ТО и ремонт, являющиеся функцией возраста и пробега, руб.; Cф(t) – фиксированные затраты (налоги, страховка, административные расходы), руб.; d – ставка дисконтирования; t – год эксплуатации (от 1 до N).Для окончательного выбора в пользу будущего ремонта или замены рассчитывается срок окупаемости (Payback Period (PBP)) инвестиций в капитальный ремонт: PBP=CремDCТОиРLср.год, где Срем – стоимость единовременного капитального ремонта или восстановления, руб.;∆CТОиР – разница в удельных затратах на ТО и Р после ремонта, руб.; Lср.год – среднегодовой пробег, км.Для перехода от календарного возраста к объективной оценке технического состояния используется модель, основанная на выработанном ресурсе. Удельный физический износ узла рассчитывается по адаптированной методике: ИФ=Иост+Ипр-ИостПфактПпр, где Иф – расчетный физический износ, %; Иост – остаточный износ после предыдущего ремонта (принимается равным 20 %); Ипр – предельный износ, требующий капремонта (70-80 %);Рфакт – фактический пробег с последнего ремонта, км; Рпр – установленный межремонтный ресурс агрегата, км.На основе этой модели прогнозируется остаточный ресурс: Рост = Рпр – Рфакт, что является основой для предиктивного планирования.Экономическое обоснование внедрения систем углубленной диагностики (телематика, анализ масел, вибродиагностика) проводится через сравнение сценариев: Эпредикт = Савар – (Сплан + Сдиаг), где Савар – стоимость ликвидации аварийного отказа (ремонт + простой + возможные сопутствующие повреждения), руб.; Сплан – стоимость плановой предупредительной замены узла, руб.; Сдиаг – приведенные затраты на диагностику, руб..Положительное значение Эпредикт доказывает экономическую целесообразность предиктивной стратегии.Для контроля результатов применяются операционные показатели эффективности (Key Performance Indicator (KPI)), рекомендованные для управления автопарком. 3 Результаты исследований Применение разработанного методического аппарата к условиям российского автопарка позволило получить следующие количественные результаты [6]. Для автомобиля возрастом 12 лет с пробегом 600000 км рассматривался капитальный ремонт двигателя стоимостью Cрем = 400000 руб. Прогнозируемые удельные затраты на ТО и Р после ремонта оценивались в 18 руб./км, тогда как для аналогичного нового автомобиля – 11 руб./км. При годовом пробеге 50 000 км срок окупаемости ремонта составил: PBP = 400 000 / ((18 – 11)×50 000) ≈ 1,14 года. Вывод: если планируемый период дальнейшей эксплуатации превышает 1,14 года, капитальный ремонт экономически оправдан. В противном случае целесообразнее рассмотреть вариант списания и замены.Для двигателя, отремонтированного 170 тыс. км назад при межремонтном ресурсе 250 тыс. км, физический износ был оценён как:Иф = 20 + (75 – 20)×(170 000 / 250 000) ≈ 57,4 %. Прогнозный остаточный ресурс до предельного износа: Рост = 250 000 - 170 000 = 80000 км. Данный расчёт позволяет запланировать замену или очередной ремонт агрегата на период до выработки остаточного ресурса, исключив внезапный отказ [7].Расчёт для узла турбокомпрессора показал, что предотвращение одного аварийного отказа даёт экономический эффект: Эпредикт = 300 000 (Савар) – (120000×(Сплан) + 5 000×(Сдиаг)) = 175000 руб. Для автопарка из 50 единиц техники, где прогнозируется 5-7 подобных отказов в год, совокупная годовая экономия может превышать 1 млн. рублей.Внедрение цифровых систем мониторинга и агрегатно-узлового метода ремонта позволило добиться значимых изменений в KPI управления автопарком, что наглядно отражено в табл. 1 и на рис. 2. Таблица 2 – Динамика ключевых показателей эффективности KPI автопаркапосле оптимизации системы ТЭРКлючевой показатель эффективности (KPI)ДооптимизацииПосле внедрения предиктивной моделиЭкономический/операционный эффектКоэффициент технической готовности (Ктг)0,930,96Снижение времени простоя, увеличение доступного паркаУдельные затраты на ТОиР (УТОиР), руб./км4,203,75Прямая экономия на эксплуатационных расходахСреднее время простоя на ремонт, дней/год148Сокращение потерь от простоев на 43 %Доля аварийных ремонтов в общем объёме ТОиР35 %15 %Снижение непредвиденных затрат и рисков Для построения графика, иллюстрирующего разницу между стратегиями, были использованы смоделированные данные, основанные на реальных принципах экономики ТОиР и показателях эффективности из отраслевых примеров [8]. Таблица 3 – Показатели эффективности реактивной и предиктивной стратегийМесяц эксплуатацииРеактивная стратегия, руб.Предиктивная стратегия, руб.00035000030000061000004000009800000 (аварийный ремонт)5200001285000065000015900000800000181700000 (второй аварийный ремонт)950000 Как видно из табл. 3 в предиктивной модели изначально требуются инвестиции в систему мониторинга (например, 250–300 тыс. руб.), поэтому начальные затраты выше. Однако в долгосрочной перспективе расходы растут плавно и предсказуемо. В реактивной модели начальные затраты минимальны, но каждый аварийный отказ приводит к резкому скачку расходов из-за стоимости срочного ремонта и значительных простоев [9].Сравнительная динамика совокупных годовых затрат на ТО и Р при реактивной и предиктивной стратегии обслуживания представлена на рис. 2.  Рисунок 2 – Сравнительная динамика совокупных годовых затрат на ТО и Р График наглядно демонстрирует как предиктивная стратегия сглаживает пики непредвиденных затрат, характерные для реактивного подхода, обеспечивая более прогнозируемый и управляемый бюджет на обслуживание [10]. 4 Обсуждение и заключение Проведённое исследование подтверждает, что основным драйвером развития сферы ТЭР в России является необходимость адаптации передовых управленческих и технологических практик к реалиям стареющего парка. Предложенная система количественных показателей и моделей (LCC, оценка износа, KPI) предоставляет практический инструментарий для:– принятия стратегических финансовых решений о ремонте или замене единиц техники;– оперативного планирования ресурсоёмких работ на основе прогноза остаточного ресурса;– объективной оценки эффективности как отдельных ремонтных вмешательств, так и работы сервисной инфраструктуры в целом [11].Дальнейшее развитие связано с глубокой цифровизацией процессов: интеграцией данных телематики, диагностических систем и управленческого учёта в единые аналитические платформы (BI-системы). Это позволит перейти от анализа отдельных случаев к оптимизации жизненного цикла всего автопарка на основе больших данных и искусственного интеллекта.