CC BY
0ФАКТОРНЕ ДОСЛ1ДЖЕННЯ СОБ1ВАРТОСТ1 М1ЖНАРОДНИХ АВТОМОБ1ЛЬНИХ ПЕРЕВЕЗЕНЬ ПАРТ1ОННИХ ВАНТАЖ1В
Ширяева Свтлана BonoduMupieHa, к.т.н., професор кафедри транспортних технологий, Нащональний транспортний университет, Украгна, м. Кигв, ORCIDID: https://orcid.org/0000-0001-9696-635X
CeipiH Дмитро Олександрович, Нац^ональний транспортний университет, Украгна, м. Кигв, ORCID ID: https://orcid.org/0000-0001-5860-4446
DOI: https://doi.org/10.31435/rsglobal_ws/30092020/7205
ARTICLE INFO
Received: 21 July 2020 Accepted: 25 August 2020 Published: 30 September 2020
KEYWORDS
prime cost, international road transportation, party cargoes, factor research, regression analysis.
ABSTRACT
One of the important tasks to be solved by carriers and freight forwarders in the organization of international road transportation of party cargoes is the choice of effective methods of cargo transportation. For this purpose it is expedient to estimate each method on criteria of efficiency of the international road transportations of party cargoes (time, financial, etc.). A very important financial criterion is the prime cost of 1 km of the vehicle mileage during the international road transportation of party cargoes. The influence of factors on it, such as: mileage of vehicles, operating costs for international road transportation of party goods, the volume of the consignment of goods transported. Factor analysis was performed by different methods: multiple regression, nonlinear multiple regression and neural networks. According to the results of research, we can conclude that the smallest balances in the prediction of neural networks, because they are self-improving and give a more accurate result.
Citation: Shyriaieva S. V., Svirin D. O. (2020) Factor Research of Prime Cost of International Road Transportation of Party Cargo. World Science. 7(59). doi: 10.31435/rsglobal_ws/30092020/7205
Copyright: © 2020 Shyriaieva S. V., Svirin D. O. This is an open-access article distributed under the terms of the Creative Commons Attribution License (CC BY). The use, distribution or reproduction in other forums is permitted, provided the original author(s) or licensor are credited and that the original publication in this journal is cited, in accordance with accepted academic practice. No use, distribution or reproduction is permitted which does not comply with these terms.
Постановка проблеми. Актуальшсть проблеми обумовлена тим, що одшею iз важливих задач, яку виршують перевiзники i експедитори при оргашзацп мiжнародних автомобшьних перевезень партюнних ванташв (МА1II1В) е вибiр ефективних методiв оргашзацп перевезень вантажв. Для цього доцшьно ощнити кожен метод за критерiями ефективност МАППВ (часовими, фшансовими тощо). Дуже важливим фшансовим критерiем е собiвартiсть 1 км пробку автотранспортного засобу (АТЗ) при МАППВ. Отже, дослщження собiвартостi МАППВ i виявлення впливу факторiв на не!, таких як: проб^ АТЗ, експлуатацшш витрати на МАППВ, обсяг партп вантажв, що перевозяться е дуже актуальною задачею. Факторне дослщження собiвартостi 1 км пробку АТЗ при МАППВ виконане рiзними методами аналiзу: множинно! регреси, нелшшно! множинно! регреси та за нейронними мережами дозволить визначити оптимальну модель для МАППВ.
Аналiз останшх дослщжень i публжацш. Питання дослщження собiвартостi МАППВ завжди мало вагоме значення i знаходилось в центрi уваги як втизняних, так i закордонних науковщв. Кожен з авторiв пропонуе сво! науковi розробки щодо вибору критерпв ефективносп МАППВ. Багато науковщв: Пономарьова Н.В., 1васшина Н.В., Нагорний СВ., Шраменко Н.Ю., Шевченко 1.В. та iншi пропонують використання в якостi фiнансових критерпв ефективносп МАППВ: витрати, приведенi витрати, прибуток, собiвартiсть перевезень.
В робой [1] визначено яюсний i кшьюсний взаемозвязок мiж параметрами технологiчного процесу перевезень та iмовiрнiстю вибору виду сполучення при виконаннi зовнiшньоекономiчноl дiяльностi, крiм того розроблено прогнознi моделi вантажопотокiв у мiжнародному сполученнi. Зпдно з [1], загальнi витрати замовника, обумовлеш необхiднiстю транспортування вантажу в мiжнародному сполученнi е критерiем ефективносп схем доставки вантажу рiзними видами наземного транспорту у мiжнародному сполученш.
В роботi [2] обгрунтовано i систематизовано комплекс чинникiв, якi впливають на ефективнiсть мiжнародних перевезень автомобшьним транспортом; розроблено концептуальну модель маркетингу надання транспортно! послуги; запропоновано методику розрахунку цшово! полiтики. При виршенш проблеми пiдвищення ефективностi мiжнародних перевезень не враховаш iнтереси учасникiв лопстично! системи «вантажовщправник - транспорт -споживач». Крiм цього, при визначенш економiчного стану системи не враховано iмовiрнiсний характер доставки вантажу у мiжнародному сполученнi.
В роботi [3] висв^леш проблеми формування собiвартостi мiжнародних перевезень, дослiджено рiзнi розрахунковi методи формування собiвартостi мiжнародних перевезень, запропоноваш основнi напрями зниження собiвартостi перевезень i вплив собiвартостi на тарифи на вантажш перевезення.
В робой [4] визначено, що собiвартiсть перевезення е критерiем ефективностi рацiонального функцюнування логiстичного ланцюга доставки ванташв автомобшьним транспортом, у мiжнародному сполученш не можна не враховувати, що щ витрати пов'язанi зi строком доставки вантажу. При змiнi строку доставки сумарш витрати можуть збшьшуватися i навпаки. Тому доцiльно встановити узагальнюючим параметром строк виконання доставки вантажу. Цшьова функцiя передбачае оптишзащю параметрiв: вiдстань перевезення i обсяг партп. Для перевiзника насамперед мае значення собiвартiсть доставки. Одним з найбшьш важливих критерпв з погляду споживача транспортних послуг виступають сумарш витрати на доставку продукцп вщ складу постачальника до складу споживача, як припадають на одиницю продукцп [4].
Мета дослщження - дослщити вплив пробiгу АТЗ при МАППВ, експлуатацiйних витрат на МАППВ, обсягу партп вантаж1в, що перевозяться на собiвартiсть 1 км пробиу АТЗ при МАППВ.
Виклад основного матерiалу дослiдження. Собiвартiсть перевезень - один з найважливших економiчних показниюв, який вiдображае в грошовому вимiрi ефективнiсть витрат усiх видiв ресуршв на перевiзно-експлуатацiйну роботу.
При МАППВ дуже важливим критерiем е собiвартiсть 1 км пробiгу АТЗ, яка визначаеться за формулою:
Ь - вщстань МАППВ, км.
Важливими факторами, що впливають на собiвартiсть 1 км пробиу АТЗ при МАППВ (8км) е: експлуатацшш витрати на МАППВ (Се), до яких входять витрати на пальне, витрати на мiжнароднi перевезення, страховки тощо; вiдстань МАППВ (Ь); обсяг партп вантагав, що перевозяться ^р).
Для факторного дослiдження 5км використовуемо методику кореляцшно-регресшного аналiзу. Цей аналiз виконуеться на прикладi статистичних даних, що характеризують вантажнi перевезення за напрямом Украша - Нiмеччина.
Об'ем вибiрки для 8гм розраховуемо за такою формулою:
5км = у, грн/км де Се - експлуатацшш витрати на МАППВ, грн;
(1)
п = t202¡£2,
(2)
де о - середньоквадратичне вщхилення спостережень сукупносп; ^ - показник достовiрностi для задано! довiрчоl ймовiрностi £ - припустима похибка вибiрковоl середньо!. Середньоквадратичне вiдхилення визначаемо за формулою:
(3)
де Xn - чисельне значення n-го вимiру;
х - середне арифметичне з ушх вимiрiв; п - кiлькiсть вимiрiв.
Приймемо таю значення: довiрчо! ймовiрностi ^0= 0,95, точнiсть е = 0,5 грн/км при t = 1,96. Розраховаш показники для п'ятнадцяти статистичних значень собiвартостi 1 км пробку АТЗ для напряму Укра!на - Шмеччина (2018 р.) становлять: х = 27,70 грн/км, а = 2,036 грн/км, а2 = 4,15 (грн/км)2, п = 63. Отже, для подальшого кореляцшно-регресiйного аналiзу Хш вiдбираемо статистичнi значення показникiв, що будуть дослiджуватись iз 63 рейшв напряму Укра!на - Нiмеччина.
За допомогою програми STATISTICA 10 [5], виконаемо аналiз множинно! регреси. Виберемо Хкм як залежну змiнну, а змшш, що залишилися - в якост предикторiв. Оцiнку коефiцiентiв проводимо за методом найменших квадратiв.
Наведемо умовш позначення, що використовуються в програмi STATISTICA 10: Множест. Я - коефщент множинно! кореляцi!;
- квадрат коефiцiента множинно! кореляци, частiше називаеться коефiцiентом детермiнацi!;
Скоррект. Я2 - скоригований коефiцiент детермшаци, який визначаеться за формулою:
Скорр.Я2 = 1-^(1-Я2) (4)
де п - число спостережень в моделц
р - число параметрiв моделi (число незалежних змшних плюс 1 тому, що в модель включений вшьний член).
Стандартная ошибка оценки - статистика, яка е мiрою розсдавання значень спостережень щодо регресiйно! прямо!;
Св. член - ощнка вiльного члена регреси, значення коефiцiента В0 у рiвняннi регресi!; Ст. ошибка - стандартна похибка ощнки вiльного члена - стандартна похибка коефщента В0 у рiвняннi регресi!;
^ - значення ^критерда, який використовуеться для перевiрки гiпотези про рiвнiсть вшьного члена регресi!;
^ - значення F-критерiю Фiшера;
сс - число ступешв свободи F-критерiю;
р - рiвень значимостi.
Результати розрахункiв множинно! регреси Хкм =/(Се, g, Ь) наведено на рис. 1.
Рис. 1. Результати множинног регресИ' Skm =f(Ce, g, L)
Представляемо результати у виглядi шдсумково! таблищ (табл. 1). Таблиця \_ ГБдсумкова таблиця множинно! рсгрссп Л',-,, =ДСе, g, Ь)
В таблицi 1 наведеш значення коефiцiентiв таким чином:
у першому стовпчику - БЕТА - стандартизован коефiцiенти регресiйного рiвняння; у другому стовпчику - стандартш помилки БЕТА; в третьому стовпчику - точш ощнки параметрiв моделi.
Отже, результати регресii• Sкu такi: Во = 29,25833, В: = 0,00064, В2 = -0,00642, Вз = -0,01875. Отримана модель множинно! регреси собiвартостi 1 км пробiгу АТЗ при МАППВ:
5км = 29,25833 + 0,00064 • Се - 0,00642 • д - 0,01875 • I (5)
L
Також, в таблищ 1 наведеш стандартш помилки для коефщенпв В, значення t -критерда i р - piBM значимостi. Значимi коефщенти висвiтленi червоним кольором. Отже, отриману модель дослiджуeмо далi.
Побудовано дiаграми розсiювання по змiнних, регресiйнi коефщенти яких виявилися значимi. В якост змiнних виберемо спочатку L, а поим Ce. В результатi побудовано двi дiаграми (рис. 2).
а)
б)
Рис. 2. Д1аграми розаювання:
а) - для зм1нних Skm та L; б) - для зм1нних Skm та Се.
Для порiвняння виконано аналiз нелшшно! множинно! регреси. Процедура аналiзу схожа з аналiзом множинно! регреси, але використовуемо нелшшну функщю перетворення V*. Результати наведеш в таблищ 2.
Итоги регрессии для зависимой переменной: 5км. грн/км К= .99877853 R2= .99755856 Скоррект И2= .99747717 Р(2.60)=12258_ р<0.0000 Станд ошибка оценки: .10927 л
N=63 БЕТА Ст.Ош. БЕТА В Ст.Ош. В t(E0> р-знач
Св. член 29. 12251 0.315963 92.170 0.00
SQRV1 1,53379 0,009828 0.27289 0.001743 156.572 0 00
SQRV3 -1.16459 0.009328 -1,47172 0.012420 -118.498 0 00
Li'
км
За результатами розрахунюв, отримано нелшшну множинну регресшну модель Бм
= 29,12251 + 0,27289 • -Се - 1,47172 • VI (6)
Порiвняння результатiв отриманих рiзними методами аналiзу наведемо у таблицi 3.
Таблиця 3. Результати дослiджень Skm рiзними методами аналiзу
Показники Методи аналiзу
Множинна регрешя Нелшшна множинна регрешя функци перетворення V*
Св. член 29,258 29,122
Ст. ошибка 0,349 0,316
Я2 0,991 0,997
Р-критерш 2296,441 12257,81
сс 3,59 2,6
р 0,000000 0,000000
1 83,6 92,1
Отже, за результатами дослщжень Хкм рiзними методами аналiзу показуе, що аналiз нелшшно! множинно! регреси функци перетворення V* дае бiльш продуктивнi результати.
Продовжимо дослщження Бкм за нейронними мережами. За допомогою блоку Нейроннi мереж розраховаш результати вiдображено в таблиц 4 i на рисунку 3. Значення ваг моделi Х™ за нейронними мережами наведенi в таблищ 5.
Таблиця 4. ГБдсумки модс.п Л', ,, за нейронними мережами
Итоги моделей [Данные 2018)
N Архитектура Производитель ность о&уч. Контр, производительн ость. Тест, производительн ость. Ошибка обучения Контрольная ошибка Тестовая ошибка Алгоритм обучения Функция ошибки Ф-я актив, скрытых нейр. Ф-я актив, выходных нейр.
38 MLP 3-10-1 1.000000 1.000000 0.000002 0 000005 BFGS145 Сум, кввдр. Гиперболическая Тождественная
Таблиця 5. Значення ваг моде л 1 Л',-,, за нейронними мережами
Веса (Данные 2018)
Соединения 10.MLP 3-10-1
]. т --> скрытый нейрон 1
L, км -Се, тис. грн. -: 9 т--: L, км Се. тис. грн. 9-Т L. км Се. тис. грн. 9.т L, км Се, тис, грн. --: 9 т~: L, км Се, тис, грн. -д.т--: L, км -: Се. тис. грн. --; д.т--: L, км -Се, тис, грн. --: g т~:
Знамения весов
10 M Р Я1011
скрытый нейрон 1 орлый нейрон 11 скрытый нейрон 2 скрытый нейрон 2 скрытый нейрон 2 скрытый нейрон 3 _ орлий нейрон 3| скрытый нейрон 3| скрытый нейрон 4 скрытый нейрон 4 _ арлый нейрон'' скрытый нейрон 5 скрытый нейрон 5 скрытый нейрон 5 скрытый нейрон 6 арлый нейрон 6| скрытый нейрон 6 скрытый нейрон 7 скрытый нейрон 7 скрытый нейрон 7 скрытый нейрон 8
-0,04-624 0,043911 -0J34511 0,049461 -0,709051 0.67577 0,036381 -0.43991 -0.22332 0,066931 -0,766981 0,63487 -0,01492 -1,071801 0,746481 0,024881 0,446331 0,382791 0,025471 -0,11224 0,682721 -0,02366
Г
Веса (Данные 2018)
Соединения 10.MLP 3-10-1
Значение весов 10.MLP 3-10-1
L. км Се. тис. грн.
g т
L. км Се. тис. грн.
скрытый нейрон 8
скрытый нейрон 8 скрытый нейрон 9 скрытый нейрон 9 скрытый нейрон 9 д. т скрытый нейрон 10 , <ч скрытый нейрон 10 Се. тис. |рн -> скрц^й нейрон 10 входное смещение --> скрытый нейрон 1 входное смещение скрытый нейрон 2 входное смещение скрытый нейрон 3 входное смещение : скрытый нейрон 4 входное смещение --> скрытый нейрон 5 входное смещение скрытый нейрон 6 входное смещение -> скрытый нейрон 7 входное смещегие : скрытый нейрон 8 входное смещение --> скрытый нейрон 9 входное смещение скрытый нейрон 10 скрытый нейрон 1 5км, грн/км скрытый нейр» 2 -> йкм, грн/км скрытый нейрон 3 > 5ту, грн/км скрытый нейрон 4 --> Экм, грн/км
-0,466791 0.688811 0 D 0724-I -1.076481 1.028681 0.12492 -0.19495 1.085621 0.10228 -0.078781 -0.305131 -0.30784 0,222911 0.028381 -0 08706 0 006251 0.12999 -0.03064 -0.733931 0 711851 -2.001831 0.88286
Веса (Данные 2018)
Соединения Значения
10.М1.Р 3-10-1 весов
ВесаЮ 10.MLP 3-10-1
30 Се, тис. грн. --> скрытый нейрон 10 1,08662
31 входное смещение скрытый нейрон 1 0,10228
32 входное смещение скрытый нейрон 2 -0,07878
33 входное смещение --:= скрытый нейрон 3 входное смещение --:= скрытый нейрон 4 входное смещение -> скрытый нейрон 5 входное смещение-> скрытый нейрон 6 -0,30513 -0,30784 0.22291 0,02838
34
35
36
37 входное смещение : скрытый нейрон 7 -0,08706
38 входное смещение : скрытый нейрон 8 0,00625
39 входное смещение скрытый нейрон 9 входное смещение-> скрытъй нейрон 10 скрытый нейрон 1 -:> Бкм. грн/км 0.12999
40 -0,03064
41 -0,73393
42 скрытый нейрон 2 -:> Бкм. грн/км 0.71186
43 скрытый нейрон 3 Бкм, грн/км -2,00183
44 скрытый нейрон 4 Бкм, грн/км 0,88286
45 скрытый нейрон 5 -> вкм, грн/км 1,41910
46 скрытый нейрон 6 -> вкм, грн/км -0,46212
47 скрытый нейрон 7 -> вкм, грн/км 0,33056
48 скрытый нейрон 8 -> вкм, грн/км 0,66255
49 скрытый нейрон 9 -> вкм, грн/км -1,02179
50 скрмый нейрон 10 -> вкм, грн/км -0.04771
51 скрытое смещегие Бкм, грн/км 0.07566
h
На рисунку 3 представлено графiк залежностi прогнозованих значень Бкм вiд вхiдних параметрiв Ь та Се, розраховано! за нейронними мережами.
Рис. 3. Графы поверхм модел1 Зкм =/(Ь, Се), розрахованог за нейронними мережами
Отримана модель нейромережi Бкм =/(Ь, Се) е неявною. Зв'язок визначасться матрицями вагових коефщ1ент1в м1ж нейронами.
Виконаемо дослщження передбачених значень 1 залишк1в Sкм Се), розрахованих
р1зними методами анатзу.
Результати розрахунюв SKм =/(Ь, Се) трьома методами анатзу представлен! вщповщно для: множинно! регресн (рис. 4); нелшшно! множинно! регресн функцп перетворення V* (рис. 5); нейронних мереж (рис. 6).
а/
•1,2
£ D'D о
-j.j
jEjcta: si- нь e энакнш м астэткг Зэшюшая ItS^m^-.: jai, n:« Vu
о
О Н о ° о
о * о о о о ft ___|1'_ - -
ija.5- о & о о 1 о о
о г о о о
о
25 25 27 28 29 3D
m ■ j-•
si
3 ъ
Дк.Ннт.
Рис. 4. Д1аграма розаювання залишшв i передбачених значень Skm для множинног регресп
Предсказанные знэмения и астаггси iaEHiv: 5.= перанн.: Зкм, -рн <н
3
аз
D.3
D.1
D.D
■ол
■0,2
О Ö О
М о О О О Ö
о о -----
■
о ° _ - _ - о _ _--- -----Ф-- ■:■ о V. О Г с ■■ ■ Ö о
У о о С" о
25 2S 27 25 2В 20
ПреДСС. :|-ЕЧ4Н,'Я
О I J-
12
33
D.9S ^ЭЕ.ИЬП.
Рис. 5. Д1аграма розаювання залишшв i передбачених значень для нелтШног множинног
регресп функцп перетворення Vx для Skm
Диаграмма рассеяния для Skm, грн/км - Остатки и Sua. грн'км - Быхед Таблиц дзнныхЗ 2v*63e Skm, грнЛм - Ocra™ = -C,0D0:-~,53D~E-6-x; D.S5 Дов.Инт
С С Э5
0.004
С С ЭЗ
0 С-32
1-
0.М1
> 0.D00
1
-□.ОС-1
1
U
и] -0.0D2
-Q.0D3
-0.0С4
-0.0С-5
о
о
о
■ ■
■ ■
о Г — ■
о
о
25 26 27 23 29 3D
Skm, грч-'км - Выхвд J'L Р? U J-
31
32
33
Рис. 6. Д1аграма розсЮвання залишшв 1 передбачених значень Бкм для нейронних мереж
Висновки. Анашз залишюв прогнозування е ключовим в оцiнцi адекватностi або якостi моделi. За допомогою програми STATISTICA 10 було проведено факторне дослiдження собiвартостi 1 км пробпу АТЗ при МАППВ рiзними методами аналiзу: множинно! регресп, нелшшно! множинно! регресi! функцi! перетворення —х та за нейронними мережами. За результатами дослщжень можна зробити висновок, що найменшi залишки при виконанш аналiзу за нейронними мережами, так як вони самоудосконалюються i надають бiльш точний результат.
^ITEPATyPÂ
1. Ponomarova N.V. Prognozuvannya vantazhopotokiv na nazemnikh vidakh transportu u mizhnarodnomu spoluchenni [Forecasting of cargo flows on land modes of transport in international traffic]: avtoreferat dissertacziyi: 05.22.01 «Transportai sistemi» - Kharkiv : Kharkivskij naczionalnij avtomobilno-dorozhnij universitet, 2007. - 20 c (in Ukrainian).
2. Ivasishina N.V. Pidvishhennya efektivnosti mizhnarodnikh avtomobilnikh perevezen vantazhiv [Improving the efficiency of international road transport of goods]: avtoreferat dissertacziyi: 08.06.01 «Ekonomika, organizacziya ta upravlinnya pidpriyemstvami» - Kyiv.: Naczionalnij transportai) universitet, 2002. - 20 c (in Ukrainian).
3. Shevchenko I.V. Sobivartist vantazhnikh perevezen u formuvanni tarifiv na mizhnarodni perevezennya [The cost of freight in the formation of tariffs for international transport]. - Odessa: Odesskij naczionalnij universitet, 2009. - C. 291-301 (in Ukrainian).
4. Nagornij Y.V., Shramenko N. Y. Komerczijna robota na avtomobilnomu transporti, pidruchnik [Commercial work on road transport: textbook]. - Kharkiv: Kharkivskij naczionalnij avtomobilno-dorozhnij universite, 2010. - 324 c (in Ukrainian).
5. Borovikov V.P. Populyarnoe vvedenie v sovremennyj analiz dannykh v sisteme STATISTICA. Uchebnoe posobie dlya vuzov [A popular introduction to modern data analysis in STATISTICA. Textbook for universities]. - Moskow.: Goryachaya liniya - Telekom, 2013. - 288 c (in Russian).
