Стаття

Отримано 19.01.2026

Доопрацьовано 21.05.2026

Прийнято 25.06.2026

Опубліковано 06.07.2026

Взято з Том 30, № 2, 2026

Сторінки 83 -92

Lovha, R. (2026). Operational efficiency of cargo vehicles in terms of energy and environmental criteria. The National Transport University Bulletin, 30(2), 83-92. https://doi.org/10.33744/2308-6645-2026-2-30-83-92

Експлуатаційна ефективність вантажних транспортних засобів за енергетичними та екологічними критеріями

Роман Ловга*

roman.lovga@gmail.com

Зростання вартості палива, посилення вимог до декарбонізації вантажних перевезень і поширення телематичного контролю потребують переходу від оцінювання вантажного транспортного засобу лише за середньою витратою палива до режимно-орієнтованої оцінки його роботи на маршруті. Метою дослідження було обґрунтувати й формалізувати модель експлуатаційної ефективності транспортних засобів категорії N3, яка поєднує паливні, екологічні, маршрутні, режимні та інформаційні показники. Джерельну базу сформовано з рецензованих публікацій 2020-2025 років, відібраних за безпосередньою релевантністю важким вантажним автомобілям, реальним маршрутним умовам, телематичним або бортовим даним, еко-керуванню та викидам. Застосовано системний, порівняльний і структурно-функціональний аналіз, формалізацію показників та сценарне моделювання. Розмежовано інформацію смарт-тахографа, Global Positioning System-телематики, Controller Area Network/Fleet Management System/On-Board Diagnostics і паливних датчиків; запропоновано формули витрати палива на 100 км і тонно-кілометр, маси CO₂, часток холостого ходу та Eco-Roll, середнього прискорення, стабільності швидкості й інтегрального індексу. Аналіз чинників показав, що маршрут і маса автопоїзда визначають базове навантаження, тоді як найбільш оперативно керованими є тривалість холостого ходу, інтенсивність розгонів, стабільність швидкості, використання вибігу та організаційні рішення перевізника. Практичну роботу моделі продемонстровано на умовному 100-кілометровому маршруті автопоїзда повною масою 36 т із вантажем 20 т. Скорочення холостого ходу з 24 до 12 хв, формування частки Eco-Roll 6,9 % часу руху та стабілізація швидкості зменшили розрахункову витрату палива з 32,4 до 31,1 л, а прямі викиди CO₂ – з 85,54 до 82,10 кг; інтегральний індекс зріс з 0,804 до 0,933. Наведений сценарій є демонстраційним і потребує подальшої перевірки за фактичними маршрутними даними. Практична цінність полягає у можливості використовувати модель для порівняння рейсів, виявлення причин перевитрати та формування рекомендацій водієві й диспетчеру за конкретних маршрутних та експлуатаційних умов

паливна економічність; маршрутний профіль; Eco-Roll; смарт-тахограф; телематика; Controller Area Network; Fleet Management System
  1. Abediasl, H., Ansari, A., Hosseini, V., Koch, C.R., & Shahbakhti, M. (2024). Real-time vehicular fuel consumption estimation using machine learning and on-board diagnostics data. Proceedings of the Institution of Mechanical Engineers, Part D: Journal of Automobile Engineering, 238(12), 3779-3793. doi: 10.1177/09544070231185609.
  2. Ashqar, H.I., Obaid, M., Jaber, A., Ashqar, R., Khanfar, N.O., & Elhenawy, M. (2024). Incorporating driving behavior into vehicle fuel consumption prediction: Methodology development and testing. Discover Sustainability, 5, article number 344. doi: 10.1007/s43621-024-00511-z.
  3. Costagliola, M.A., Marchitto, L., Piras, M., & Berra, A. (2025). Effect of performance packages on fuel consumption optimization in heavy-duty diesel vehicles: A real-world fleet monitoring study. Energies, 18(20), article number 5542. doi: 10.3390/en18205542.
  4. Du, K., Shi, Q., Song, J., Chen, D., & Liu, W. (2025). Prediction of truck fuel consumption based on Crossformer-LSTM characteristic distillation. Applied Sciences, 15(1), article number 283. doi: 10.3390/app15010283.
  5. Fang, L., Li, H., Zheng, Y., & Luo, X. (2025). Driving behavior recognition and fuel economy evaluation for heavy-duty vehicles. Research in Transportation Business & Management, 60, article number 101371. doi: 10.1016/j.rtbm.2025.101371.
  6. Gentilucci, G., Accardo, A., & Spessa, E. (2025). Life cycle greenhouse gas emissions of diesel oil and zero-emission trucks: Systematic review of status and perspectives. Transportation Research Interdisciplinary Perspectives, 32, article number 101563. doi: 10.1016/j.trip.2025.101563.
  7. Gonçalves da Silva, G.R., & Lazar, M. (2022). Long hauling eco-driving: Heavy-duty trucks operational modes control with integrated road slope preview. In 2022 European control conference (ECC) (pp. 1752-1758). Piscataway, NJ: IEEE. doi: 10.23919/ECC55457.2022.9837981.
  8. Hamednia, A., Sharma, N., Murgovski, N., & Fredriksson, J. (2022). Computationally efficient algorithm for eco-driving over long look-ahead horizons. IEEE Transactions on Intelligent Transportation Systems, 23(7), 6556-6570. doi: 10.1109/TITS.2021.3058418.
  9. Hong, J., Liu, Y., Li, M., Zhu, J., Tian, M., & Na, X. (2025). Coordinated predictive cruise and coasting control for energy saving in heavy-duty trucks. Advances in Mechanical Engineering, 17(12). doi: 10.1177/16878132251403630.
  10. Huertas, J.I., Serrano-Guevara, O., Díaz-Ramírez, J., Prato, D., & Tabares, L. (2022). Real vehicle fuel consumption in logistic corridors. Applied Energy, 314, article number 118921. doi: 10.1016/j.apenergy.2022.118921.
  11. Jelti, F., & Saadani, R. (2024). Energy efficiency analysis of heavy goods vehicles in road transportation: The case of Morocco. Case Studies on Transport Policy, 17, article number 101260. doi: 10.1016/j.cstp.2024.101260.
  12. Larson, P.D., Parsons, R.V., & Kalluri, D. (2024). Zero-emission heavy-duty, long-haul trucking: Obstacles and opportunities for logistics in North America. Logistics, 8(3), article number 64. doi: 10.3390/logistics8030064.
  13. Liu, A., Fan, P., He, X., Lu, H., Yu, L., & Song, G. (2025). CatBoost-based fuel consumption modeling and explainable analysis for heavy-duty diesel trucks: Impact of engine, driving behavior, and vehicle weight. Energy, 333, article number 137485. doi: 10.1016/j.energy.2025.137485.
  14. Magnino, A., Marocco, P., Saarikoski, A., Ihonen, J., Rautanen, M., & Gandiglio, M. (2024). Total cost of ownership analysis for hydrogen and battery powertrains: A comparative study in Finnish heavy-duty transport. Journal of Energy Storage, 99, article number 113215. doi: 10.1016/j.est.2024.113215.
  15. Mane, A.S., Djordjevic, B., & Ghosh, B. (2021). A data-driven framework for incentivising fuel-efficient driving behaviour in heavy-duty vehicles. Transportation Research Part D: Transport and Environment, 95, article number 102845. doi: 10.1016/j.trd.2021.102845.
  16. Pavlovic, J., Fontaras, G., Broekaert, S., Ciuffo, B., Ktistakis, M., & Grigoratos, T. (2021). How accurately can we measure vehicle fuel consumption in real world operation? Transportation Research Part D: Transport and Environment, 90, article number 102666. doi: 10.1016/j.trd.2020.102666.
  17. Penchev, M., Johnson, K.C., Raju, A.S.K., & Akinci, T.C. (2025). Comprehensive well-to-wheel life cycle assessment of battery electric heavy-duty trucks using real-world data: A case study in Southern California. Vehicles, 7(4), article number 162. doi: 10.3390/vehicles7040162.
  18. Posada-Henao, J.J., Sarmiento-Ordosgoitia, I., & Correa-Espinal, A.A. (2023). Effects of road slope and vehicle weight on truck fuel consumption. Sustainability, 15(1), article number 724. doi: 10.3390/su15010724.
  19. Schoen, A., Byerly, A., Hendrix, B., Bagwe, R.M., dos Santos, E.C., & Miled, Z.B. (2019). A machine learning model for average fuel consumption in heavy vehicles. IEEE Transactions on Vehicular Technology, 68(7), 6343-6351. doi: 10.1109/TVT.2019.2916299.
  20. Serrano-Guevara, Ó.S., Huertas, J.I., & Giraldo, M. (2025). Real energy efficiency of road vehicles. Energies, 18(8), article number 1933. doi: 10.3390/en18081933.
  21. Zhang, Z., Demir, E., Mason, R., & Di Cairano-Gilfedder, C. (2023). Understanding freight drivers’ behavior and the impact on vehicles’ fuel consumption and CO₂e emissions. Operational Research, 23(4), article number 59. doi: 10.1007/s12351-023-00798-2.

https://doi.org/10.33744/2308-6645-2026-2-30-83-92