CC BY
22
DOI 10.5281/zenodo.7680415 УДК: 656.078.1
Омонов Б.Ш., к.э.н.
доцент
кафедра «Транспортная логистика» Ташкентский государственный транспортный университет
Республика Узбекистан, г. Ташкент Марупов М. М., к. э. н.
доцент
кафедра «Транспортная логистика» Ташкентский государственный транспортный университет
Республика Узбекистан, г. Ташкент
ПРОГНОЗИРОВАНИЕ ОБЪЁМОВ ГРУЗА И МOДЕЛИРОВАНИЕ
ПРОЦЕССОВ ПЕРЕВОЗОК
Аннотация: В статье авторы рассматривают вопросы многофакторного моделирования и прогнозирования объёма перевозок грузов с учётом влияния многочисленных факторов. Определены степени влияния каждого фактора из них с помощью использования многофакторных моделей и методов регрессионного анализа, позволяющего осуществлять прогноз с высокой точностью. Для построения моделей объёма перевозок грузов использовался многошаговый регрессионный анализ, суть которого заключается в том, что на каждом из последовательных этапов статистически незначимые факторы отсеиваются в соответствии с 1-критерием. Основанные на корреляционно-регрессионных уравнениях экономико -математические модели позволяют обосновать качество разрабатываемых перспективных планов на основе полного анализа взаимосвязанных между собой факторов, влияющих в конечном итоге на формирование плана отрасли.
Ключевые слова: многофакторное моделирование, регрессионный анализ, факторы икритерия Стьюдента, коэффициент множественной детерминации, коэффициент эластичности, в - коэффициент, F -критерий Фишера, остаточная дисперсия, коэффициент множественной корреляции, среднеквадратичная ошибка, прогнозирование, средняя ошибка апроксимации.
Omonov B.Sh., PhD in economics, associate professor
associate professor department "Transport logistics" Tashkent state transport university Respublika Uzbekistan, Tashkent Marupov M.M., PhD in economics, associate professor
associate professor department "Transport logistics" Tashkent state transport university Respublika Uzbekistan, Tashkent
FORECASTING OF CARGO VOLUMES AND MODELING OF TRANSPORTATION PROCESSES
Abstract: The article discusses the issues of multifactor modeling forecasting the volume of cargo transportation of goods, taking into account the influence of numerous factors. Determining the measure of influence of each of them determines the use of multifactorial models and regression analysis methods, which allows you to make a forecast with high accuracy. To build models of the volume of cargo transportation, a multistep regression analysis was used, the essence of which is that at each of the successive stages statistically insignificant factors are eliminated in accordance with the t-criterion. Economic and mathematical models based on correlation and regression equations allow us to substantiate the quality of the developed long-term plans based on a complete analysis of interrelated factors affecting the formation of the industry plan.
Keywords: multivariate modeling, regression analysis, factors, Student's t-criteria, multiple determination coefficient, elasticity coefficient, fi-coefficients, Fisher's F-criterion, residual variance, multiple correlation coefficient, root-mean-square error, forecasting, average approximation error.
В условиях усиления конкурентной борьбы необходимость учёта всех факторов, влияющих на показатели грузовых перевозок и определения меры влияния каждого из них обусловливает использование многофакторных моделей и методов регрессионного анализа, позволяющих учесть изменение во времени факторных признаков и параметров модели даже в тех случаях, когда процесс протекает очень сложно и позволяет осуществлять прогноз с высокой точностью.
На практике существует несколько методов выбора уравнения регрессии, характеризующего зависимость анализируемого показателя от рассматриваемых факторов. Каждый из них применительно к одной и той же задаче имеет преимущества и недостатки [1].
Основными являются методы:
• всех возможных регрессий;
• исключения;
• включения;
• многошагового регрессионного анализа;
• ступенчатого регрессионного анализа;
• направленного отбора факторов.
Для построения моделей объёма перевозок грузов и грузооборота использовался многошаговый регрессионный анализ, суть которого заключается в том, что на каждом из последовательных этапов статистически незначимые факторы отсеиваются в соответствии с t -критерием.
Автомобильный транспорт осуществляет перевозки грузов по плану перевозок, который является основной для разработки остальных разделов бизнес-плана. Естественно, возникает вопрос: как определить, что выбранный вариант плана перевозок обеспечит наиболее полное и рациональное использование парка подвижного состава, получение наилучших значений основных технико-эксплуатационных показателей, максимальной прибыли и рентабельности? Эффективность решения данной задачи во многом зависит от точности, а степень точности, в свою очередь, определяет размер потерь, которые понесут автотранспортные предприятия, отрасль и вся экономика в целом. Сегодня существующие методики анализа и планирования работы автомобильного транспорта построены на предположении о функциональных связях и изолированном влиянии каждого отдельного рассматриваемого фактора. Поэтому при моделировании объёма перевозок грузов и грузооборота автомобильного переменными были приняты следующие технико-эксплуатационные показатели:
Асс - среднесписочное количество автомобилей, ед;
АДЭ - автомобиле-дни в эксплуатации, тыс, маш.дн.;
qср- средняя грузоподъемность, т.;
1сс- среднесуточный пробег, км;
1ет- средняя длина ездки с грузом, км;
ав- коэффициент выпуска автомобиля на линию;
в- коэффициент использования пробега;
у- коэффициент использования грузоподъёмности;
Тн- средняя продолжительность работы автомобиля на линии, ч;
Уэ- эксплуатационная скорость, км/ч.
При построении многофакторных моделей для прогнозирования объёма перевозок грузов и грузооборота автомобильного транспорта использован метод направленного отбора факторов-аргументов, который даёт хорошие результаты [2].
Для автотранспорта на основе этой методики при прогнозировании объёма перевозок грузов получены 3 модели, отвечающие всем экономико - математическим требованиям [3].
Уд=-898,07+709,1ав+681,63р+225,02у-3,55Уэ+0б843/ег+4,144/сс ;(1)
Уд=-1010,86+0,045АДэ+312,28р+172,93у+25,32Гн+21,437Уэ-4,55/ег;
(2)
Уд=-714,14+0,034 АДэ+216,89р+66,65у+7,454Уэ-1,86/ег+2,06/сс; (3)
Здесь (модель 1, 2, 3) довольно высокий коэффициент множественной корреляции: от 0,9971 до 0,9996,т.е. от 99,4 до 99,9% объёма перевозок автомобильным транспортом зависит от факторов, которые вошли в рассматриваемые модели.
Для оценки каждой из этих моделей необходимо рассчитать значения частных коэффициентов t - Стьюдента. Чтобы обосновать достоверность выводов, определяют остаточную дисперсию а^ст, т.е. вариацию величины признака, обусловленную факторами, не лежащими в основе группировки. Для каждой модели рассчитывают: критерий Фишера и сравнивают с табличным ^табл); коэффициент множественной корреляции R; среднеквадратичную ошибку; коэффициент множественной детерминации R2; критерий Стьюдента tR, который также сравнивают с табличным.
Если значения частных коэффициентов регрессии ^ не удовлетворяют табличным, то из модели исключается фактор-аргумент с наименьшим значением коэффициента при условии, что остаточная дисперсия не увеличивается. Такова методика оценки достоверности каждой многофакторной модели, которая была заложена в алгоритм программы в компьютерных технологиях. Перечисленные величины для трёх моделей приведены в таблице 1.
Таблица 1
Характеристики построенных моделей объёма перевозок автомобильного
транспорта
Модель
1-я 2-я 3-я
1АДэ 1188,8 907,45
£ав 67,26
tp 10,56 11,31 8,04
1у 2,41 5,27 2,8
Т- тн 15,89
2,32 225,61 38,79
к 1 ег 1,82 2,68 2,42
к 1 сс 368,74 17,38
иост 48,0 9,3 6,8
F 113,73 589,09 808,97
Fтаба. 6,04 6,04 6,04
R 0,9971 0,9994 0,9996
R2 99,4 99,9 99,9
0,003 0,0006 0,0004
tR 342,2 1768,3 2427,9
Наименьшее значение о2ст имеет модель 3, у неё выше всех значение коэффициента множественной корреляции R=0,9996 и tR=2427,914. Остальные модели также отвечают всем требованиям и могут быть приняты для анализа (тем более, что в них вошли разные факторы-аргументы).Лишь в модели 1 частные значения коэффициента = 1,82 не удовлетворяют табличным при 5%-ном уровне значимости (табл.1), в целом же модель пригодна для практических целей.
Для статистического анализа взята модель 2, у которой коэффициент множественной детерминации R2^,998, т.е. 99,8% объёма перевозок грузов автотранспорта зависит от факторов
АДэ, в, у, Тн, 1ег, vs: АДЭ - автомобиле - дни в эксплуатации, характеризует организацию технического обслуживания и ремонта автомобилей, обеспеченность предприятий водителями, качество планирования перевозок;
в - коэффициент использования пробега, характеризует взаимное расположение автотранспортного предприятия, грузообразующих и поглощающих пунктов, степень внедрения рациональных маршрутов, организацию перевозок грузов;
у - коэффициент использования грузоподъёмности, отражает род и величину партий перевозимого груза, тип и грузоподъёмность подвижного состава;
ТН - время в наряде, учитывает влияние факторов, не вошедших в модель 1сс , vt, tn-p;
ler - среднее расстояние перевозки грузов, отражает уровень управления перевозками, качество разработанных маршрутов,
географию размещения клиентуры и рациональное её закрепление за автотранспортными предприятиями;
уэ - эксплуатационная скорость, учитывает простой на линии. По коэффициентам регрессии выявляют факторы, оказывающие наибольшее влияние на объём перевозок. Так, если АДЭ увеличить на 100 дней, то объём перевозок Q возрастёт на 4,5 тыс. тонн. Увеличение в всего на 0,01 позволит увеличить Q на 3,12 тыс. т; увеличение у на 0,01 повысит Q на 1,73 тыс.т. При увличении ТН на 1час Q возрастёт на 25,32 тыс. т. При
росте УЭ на 0,1 км/ч Q увеличится на 2,1 тыс. т., а при сокращении 1ег на 0,1 км Q возрастёт на 0,45 тыс. т. Но так как перечисленные факторы имеют различные единицы измерения, то определить, какие из них оказывают наибольшее влияние на объём перевозок, сложно.
Чтобы уточнить приоритетность факторов и получить реальное представление об их влиянии на моделируемый показатель, рассмотрим значения частных коэффициентов эластичности и в коэффициенты. Частные коэффициенты эластичности применяют для устранения различий в единицах измерения, которые показывают, на сколько процентов в среднем изменяется результат при изменении каждого фактора на одну и ту же величину - на один процент
Э1=а^/у(4)
где а1 -коэффициент регрессии; XI - средние значения факторов; у - среднее значение анализируемого показателя. Для оценки влияния рассматриваемых факторов на объём перевозок грузов рассчитаны коэффициенты эластичности:
ЭАД = 1,23; Эр = 0,86; Эу = 0,89;(5) Э-Н = 1,22; ЭУэ = 2,14; Эгег = -0.40.(6) По абсолютному приросту наибольшее влияние на объём перевозок оказывает эксплуатационная скорость автомобиля. Так, при сокращении /ег на1% Q увеличивается на 0,4%; при увеличении Уэ на1% Q возрастёт на 2,14%, соответственное увеличение в даёт возрастание Q на 0,86%; у -на 0,89%; Тн- на 1,22%; АДэ на 1,23%.
в - коэффициенты уравнения множественной регрессии создают реальное представление о воздействии факторов на моделируемый показатель и показывают, насколько сигм (среднеквадратических отклонение) изменяется результат с варьированием соответствующего фактора на одну сигму при фиксированном значении остальных факторов
[4]:
а,- сг.
Рщ = ^ ,(7)
где а1 -коэффициенты уравнения регрессии в натуральном масштабе; Оу и ох. -средние квадратические отклонения анализируемого показателя
и / — го фактора.
Значения в -коэффициентов для факторов, вошедших в рассматриваемую модель, равны:
РАД = 0,632; вр = 0,058; Ру = 0,036;(8) втН = 0,071; рУэ = 0,276; ргег = 0,022(9) Согласно анализу в - коэффициентов, объём перевозок может возрасти, в первую очередь, вследствие увеличения АДЭ и Уэ.
Влияние других показателей на объём перевозок незначительно. Окончательные же выводы можно сделать только после проведения подобной оценки факторов по остальным моделям (см.табл. 2).
Таблица 2
Значения частных коэффициентов эластичности и - коэффициент для _моделей объёма перевозок автомобильным транспортом_
Модель
1-я 2-я 3-я
ЭАДэ 1,23 0,93
Э Эая 2,29
Эр 1,88 0,86 0,60
Эу 1,16 0,89 0,34
Эт 1,22
Э -0,35 2,14 0,74
0,07 -0,40 -0,17
31 1г.г. 4,11 - 2,04
Радэ - 0,6321 0,478
Рав 0,34 - -
Ре 0,126 0,058 0,040
Рт 0,047 0,036 0,014
Ртн - 0,071 -
Руэ -0,046 0,276 0,096
Г- 1. рг 0,005 -0,022 -0,092
0,81 - 0,400
Зная параметры модели для прогноза объёма перевозок грузов, а также значения факторов, можно рассчитать уровень развития автомобильного транспорта на перспективу. Для решения этой задачи прогнозные значения указанных факторов определены методом экспоненциального сглаживания.
Ниже приведены модели прогноза каждого показателя (факторов):
Хадэ = 5482,27 + 237,31 + 14,5 12;
(Зав = 0,658 + 0,008 1;
Хр = 0,562 + 0,003 1;
Хт = 1,052 + 0,000531 + 0,00014 12;
РТн = 9,918 + 0,053 1;
=18,19 + 0,064 1;
Р1сс =202,4 + 3,375 1;
ЭУэ =20,41 + 0,202 1;
В таблице 3 дан прогноз изменения этих показателей на 2022-2026 гг. Исходными для расчётов послужили условные данные об их изменении за последние 12 лет
Таблица 3
Прогноз факторов автомобильного транспорта на 2022-2026 гг.
Год Автомоб иледни Коэффициент ипользования Экспл уата- Средня я Средне су- Коефф ициент Средняя продолж
в экспулат ации, тыс.маш .дн пробе га Грузоп одьем-ности ционн ая сроос ть, км/ч длина ездки автомоб иля с грузом, км точный пробег, км выпуск а автомобиля еа линию ительнос ть Работы автомоб иля на линии, ч
2022 9847,1 0,594 1,075 22,63 18,90 239,5 0,746 11,82
2023 10417,9 0,597 1,078 22,83 18,96 242,9 0,754 12,14
2024 11017,7 0,600 1,083 23,03 19,02 246,3 0,762 12,46
2025 11646,5 0,603 0,087 23,23 19,09 249,6 0,770 12,78
2026 12304,3 0,606 1,091 23,44 19,15 253,0 0,778 13,09
Подстановка полученных прогнозных значений факторов в уравнения регрессии определяют общую тенденцию развития автомобильного транспорта. Средняя ошибка аппроксимации для объёма перевозок грузов автомобильного транспорта составила 2%. Это свидетельствует о высокой достоверности результатов прогнозирования (таблица 4).
Таблица 4
Результаты прогноза обьема перевозки грузов автомобильного транспорта
на 2022-2026 гг.
Год Обьен грузов, млн.т
Верхнняя доверительная граница прогноз Нижняя доверительная граница
2022 457,0 448,04 439,08
2023 486,2 476,67 467,14
2024 516,56 506,43 496,3
2025 526,19 536,22 547,65
2026 580,03 568,66 557,29
Выводы и предложения
До настоящего времени планированию и анализу работы автотранспорта уделялось достаточно много внимания [5]. Однако предложенные формы и методы планирования и анализа не дают возможности выявить количественного влияния одного фактора с учётом всех факторов, действующих одновременно и взаимосвязано.
Построенная многофакторная модель перевозки грузов автомобильного транспорта позволяет более точно оценить влияние технических и организационных факторов на уровень объёма перевозок грузов, выявить характер связи и соотношения между факторами, что, в свою очередь, даёт возможность осуществить направленный поиск сочетаний технических и организационных факторов, определить резервы производства и составить конкретный план мероприятий по вовлечению этих резервов в производство. Предложенные экономико - математические модели, основанные на корреляционно - регрессионных уравнениях для решения прогнозных задач по определению объёма перевозок грузов автомобильного транспорта, позволяют обосновать качество разрабатываемых перспективных планов на основе полного анализа взаимосвязанных между собой факторов, влияющих на формирование плана отрасли.
Использованные источники:
1. Марупов М.М. Прогнозирование развития производства. Учебное пособие. - Ташкент 2007, 187 стр.
2. Просветов Г.И. Прогнозирование и планирование: Задачи и решения. СПб: РДЛ. 2005, 234 стр.
3. Черныш Е.А. и др. Прогнозирование и планирование. Учебное пособие. -М.: ПРИОР, 2000, 198 стр.
4. Qodirov, T. U. U., Yusufxonov, Z. Y. O. G. L., & Sharapova, S. R. Q. (2021). O'ZBEKISTONDA TRANSPORT-LOGISTIKA KLASTERLARI FAOLIYATINI TAKOMILLASHTIRISH. Oriental renaissance: Innovative, educational, natural and social sciences, 1(6), 305-312.
5. Zokirkhan Yusufkhonov, Malik Ravshanov, Akmal Kamolov, and Elmira Kamalova. Improving the position of the logistics performance index of Uzbekistan. E3S Web of Conferences 264, 05028 (2021), CONMECHYDRO -2021. https://doi.org/10.1051/e3sconf/202126405028
