Коротко — COVID‑19 сместил фокус оценки уязвимости цепочек поставок с локально‑операционных показателей (запасы, lead time, стоимость) на системные, сценарные и стохастические риски: одновременные шоки по спросу и предложению, высокая корреляция разрывов в разных регионах, политические и логистические ограничения, а также значимость «времени до восстановления». Поэтому решения о ре‑шоринге или диверсификации нужно принимать через призму риск‑корректированных расходов, гибкости и устойчивости, а не только unit‑cost.

Ниже — какие модели и эмпирические показатели я бы использовал (с практическими рекомендациями).

1) Какие экономические/математические модели

Стохастическое программирование (двух‑/многоступенчатое)
Что даёт: оптимизация структуры сети и объёмов поставок с учётом распределения сбоев и возможностью корректирующих действий (recourse).Применение: выбор между ре‑шорингом/аутсорсингом при учёте вероятностей сбоев и затрат на переключение.Дисперсионная/портфельная модель поставщиков (mean–variance, минимизация CVaR)
Что даёт: формализация trade‑off между ожидаемыми затратами и волатильностью (риск). Аналог портфеля активов: w'Σw для ковариации рисков между странами/поставщиками.Применение: оптимальное распределение заказов между поставщиками/странами с учётом корреляции сбоев.Модели реальных опционов
Что даёт: учет опциональности инвестиций в ре‑шоринг (отложить/поэтапно инвестировать), ценность гибкости.Применение: решение об инвестиции в местные мощности при высокой неопределённости.Дискретно‑событийные симуляции и системная динамика
Что даёт: имитация поведения сети при конкретных сценариях (поломка завода, закрытие порта, волны спроса).Применение: стресс‑тесты, оценки времени восстановления (TTR) и узких мест.Агент‑ориентированные модели
Что даёт: моделирование адаптивного поведения поставщиков, перевозчиков, заказчиков; распространение шока по сети.Применение: исследование нелинейных эффектов и цепных банкротств.Общая равновесная / CGE модели и ввод‑вывод (Leontief)
Что даёт: экономические и макроэффекты шоков, оценка воздействия ре‑шоринга на ВВП, цены, занятость и торговлю.Применение: политические решения, оценка «социальной» стоимости ре‑шоринга.Сценарный анализ / stress testing + распределенно‑робастная оптимизация
Что даёт: защита решений против неверного распределения рисков; оптимизация против худших сценариев.Применение: стратегические решения компаний и государств.

2) Конкретные эмпирические показатели и метрики (что измерять)

Экспозиция и концентрация
Доля поставок/импорта компонента из одной страны (или одного поставщика).HHI (Herfindahl‑Hirschman Index) по странам‑поставщикам: HHI = Σs_i^2 (s_i — доля поставщика).Корреляция/ковариация рисков
Корреляция частот и масштабов разрывов между источниками (важна для диверсификации).Время выполнения заказа и его вариативность
Средний lead time и стандартное отклонение; 95‑й процентиль lead time.Запасы и резервные мощности
Дни запасов (days of inventory), inventory turnover, safety stock как доля спроса.Время до восстановления (TTR) и время до реагирования (TTR и TTF — time to failure)
Среднее время восстановления после локального шока для ключевых узлов.Ожидаемые потери при разрыве supply (Expected Loss)
E[Loss] = p_disruption × Loss_if_disruption, где Loss может включать упущенную маржу, штрафы, ускоренную логистику.Value at Risk / CVaR по цепочке поставок
Оценка хвоста распределения потерь.Индикаторы финансовой устойчивости поставщика
Altman Z‑score, кредитный рейтинг, маржа, долговая нагрузка (для оценки риска банкротства).Критичность компонентов (criticality index)
Влияние отсутствия компонента на конечный продукт: одноразовые/заменяемые/не‑заменяемые.Логистические индикаторы
Стоимость доставки (вариативность тарифов), среднее время простоя в портах, доступность контейнеров.Макро/политические риски
Индексы политической стабильности, торговые барьеры, экспортные ограничения.Экономические показатели для сравнения ре‑шоринга
Полные приведённые затраты (TCO): labor + energy + transport + tariffs + inventory + quality costs + adjustment costs.Показатели производительности, зарплаты, эффективная налоговая нагрузка, стоимость капитала.

3) Данные и источники

Торговые базы: UN Comtrade, Eurostat, США ITC, национальные таможни.Input‑Output и WIOD, EORA — для трассировки вложенной добавленной стоимости.Коммерческие базы: Panjiva, ImportGenius, Descartes Datamyne — для биллов материалов и поставщиков.Финансовые данные поставщиков: Orbis, Bloomberg.Логистика/сеть: AIS (координаты судов), данные портов, Фрахтовые индексы (FBX), контейнерные ставки.Внутрифирменные данные: BOM, ERP/SCM, исторические разрывы, lead times, отклонения.

4) Практический алгоритм оценки целесообразности ре‑шоринга / диверсификации

Карта цепочки: BOM → идентификация критичных компонентов и поставщиков; оценка концентрации.Измерение исторических параметров: p_disruption, средняя длительность, корреляция шоков; финансовая устойчивость поставщиков.Оценка потерь: моделирование прямых (упущенная прибыль, штрафы) и косвенных (репутация, потеря доли рынка) расходов при разрыве.Сравнение сценариев: current sourcing vs. reshoring vs. partial nearshoring vs. multi‑sourcing.
Для каждого сценария считать TCO + ожидаемые потери + опционная ценность.Применять stochastic programming / Monte Carlo / CVaR для хвостовых рисков.Стресс‑тестирование: шоковые сценарии (пандемия, закрытие границ, логистические сбои, война).Чувствительный анализ: как меняется решение при смене p_disruption, цен на перевозки, тарифов.Нефинансовые факторы: IP, качество, время вывода на рынок, доступ к талантам.Вывод: если разница в TCO после риск‑коррекции и учета опциональности положительна — принимать решение; в противном случае — гибридные решения (дублирование ключевых позиций, держать safety stocks, долгосрочные контракты).

5) Конкретные математические элементы, которые полезно встроить

Оптимизационная цель: min_w E[Cost(w)] + λ·RiskMetric(w) + fixed_costs(reshore)
Где RiskMetric может быть Var(Cost) или CVaR_α(Cost); λ — риск‑аверсия.Ковариационная матрица сбоев Σ, оптимизация w'Σw при ограничении на средовую стоимость.Двухэтапная модель: принять решение сейчас (инвестиции), затем наблюдать сценарий и принимать корректирующие решения (рекурс).Формула ожидаемой стоимости разрыва для компонента i:
E[Loss_i] = p_i × (loss_per_day_i × expected_downtime_i) + mitigation_costs_i.Расчёт HHI и индекс корреляции для диверсификации.

6) Практические рекомендации и нюансы

Не ориентируйтесь только на unit labor cost: учитывайте TCO и риск‑корректированные потери.Диверсификация эффективна, когда риски источников слабо коррелированы; если все регионы подвержены одному шоку (пандемия), диверсификация мало помогает.Ре‑шоринг повышает капзатраты и постоянные издержки, но уменьшает lead time, риск и цену власти над IP; правильна не всегда, чаще — гибрид (nearshoring + multi‑sourcing + safety stock).Используйте реальные опционные методы при больших капитальных вложениях; иногда выгодно инвестировать сначала в модульные/мобильные мощности.Политика государства (субсидии, тарифы, локальные закупки) меняет матрицу выгод — моделируйте её влияние.

7) Примеры метрик для отчёта руководству

TCO_current vs TCO_reshore (NPV, дисконтированная разница)E[Loss_current] и E[Loss_reshore]CVaR_95(current) — CVaR_95(reshore)HHI по ключевым компонентамСредний lead time и 95‑й перцентильPayback period инвестиций в ре‑шоринг с учётом сниженных рисков

Если хотите, могу:

предложить шаблон стохастической модели (формулы/структура) для ваших данных;помочь разработать список конкретных KPIs и способ сбора данных по BOM;показать простой пример расчёта TCO и E[Loss] на вымышленном компоненте.

Хотите, чтобы я подготовил пошаговую модель для конкретного продукта/галузи? Если да — пришлите основные данные (BOM, текущее распределение поставщиков, lead times, приблизительные затраты на ре‑шоринг).