Транспортного обслуживания в регионе

 

Таксонометрические методы оценки качества являются отдельным направлением в квалиметрии, которое недостаточно исследовано применительно к железнодорожному транспорту. Центральным понятием квалиметрической таксономии должны стать класс качества (квалитаксон) и классифицирующая система [10]. Квалитаксон – это совокупность качеств объектов и процессов, тождественных по определенным признакам. Понятие классифицируется системы (КС) развивает понятие системы оценки качества, так как в алгоритме оценки добавились дополнительные процедуры: построение различных типов построения классов – классификаций, выбор по определенным показателям качества классификаций, лучшего из сформированного набора классификаций, оценка предъявляемого объекта по принадлежности к определенным квалитаксонам. Таким образом, классифицирующая система выполняет два основных процесса: классифицирование качеств и собственное оценивание объекта к определенным классам качества.

Для решения задачи построения модели оценки уровня качества транспортного обслуживания в регионе необходимо использовать такие виды математического анализа, как: корреляционный, многомерный регрессионный, кластерный и многомерный сравнительный анализ.

Статистическое исследование показателей качества транспортного обслуживания железной дороги. Цель статистического исследования зависимостей состоит в выявлении причинных связей между объясняющими переменными Х и результирующими показателями У. Для выявления причинных связей между значениями результирующих показателей У (Х) и переменных Х на первый план выходит задача правильного определения структуры модели. Для решения данной задачи не существует стандартных приемов и методов, которые образовывали бы строгую теоретическую базу для решения этой задачи [7].

В настоящее время в статистическом исследовании взаимосвязи показателей применяется корреляционно-регрессионный метод анализа [78, 90]. Во ВЗИИТе в начале 90-х годов выполнен корреляционный анализ связи сетевых показателей за 1979-1988 гг., характеризующие выполнение потребности народного хозяйства в перевозках. Результаты показали, что существует тесная связь коэффициента уровня потребностей народного хозяйства с показателем "прибыло" 0,78, с показателем грузооборот – 0,68. Среди финансовых показателей и эффективности работы дорог было установлено, что между показателем рентабельности с доходами – 0,86, с производительностью труда –0,78¸0,79, с себестоимостью – 0,63, с фондоотдачей – 0,81¸ 0,86 [31].

 

В настоящем статистическом исследовании взаимосвязи показателей в основном применяется корреляционно-регрессионный метод анализа. Наиболее простой формой корреляционно-регрессионного анализа является парная корреляция (измеряет силу линейных связей различных пар признаков из множества) и частная корреляция (определяет чистую связь признаков).

Исходя из того, что каждый из n объектов совокупности характеризуется набором из m признаков, то выделение однородных групп может проводиться как по объектам, так и по признакам. Исследование структуры совокупности в процессе многомерной группировки выполняется методами кластерного анализа [28].

Для оценки сходства элементов в практике кластерного анализа используется три типа мер: коэффициент подобия, коэффициент связи, показатели расстояний.

Чтобы исключить неинформативные и малоинформативные признаки определяем значимость коэффициентов корреляции по величине t–статистики [40].

. (4.2.1.)

Расчетное значение t-критерия сравнивается по абсолютной величине с граничными при (n-m) степенях свободы и заданном уровне значимости (a=0, 05). Если фактическое значение t-критерия больше табличного, то данный параметр считается значимым [7].

Выполним кластерный анализ методом дендрита, а именно, его разновидностью – методом корреляционных плеяд, где для группировки признаков используются показатели корреляции (коэффициенты связи).

Чтобы произвести разбиение множества показателей, связи дендрита, построенного на единицах изучаемого множества, упорядочиваются по убыванию их длины. Затем строятся отношения длин соседних связей:

, (4.2.2.)

где , ,….., – упорядочение длины связей, I₂, I₃, …. I_w-1 – отношение длин связей.

В качестве исходной информации приняты следующие месячные данные показателей за 1997- 1999 гг.:

х1- отправление грузов, тыс. тонн;

х2 – грузооборот, млн. ткм;

х3 – пассажирооборот, млн. ткм;

х4 –приведенная работа дороги, млн. ткм;

х5 – контингент по основной деятельности, чел.;

х6 – контингент на перевозке, чел.,

х7 – производительность труда, чел/ткм;

х8 – фонд заработной платы основной, тыс. руб;

х9 – фонд заработной платы на перевозках, тыс.руб;

х10 – среднемесячная заработная плата основных работников, тыс. руб;

х11 – среднемесячная заработная плата на перевозках, тыс. руб.;

х12 – эксплуатационные расходы, тыс. руб.;

х13 – себестоимость, коп/10ткм;

х14 – количество предприятий, ед.;

х15 – развернутая длина пути, км;

х16 – число чел-дней прогулов,

х17 – количество прогулов;

х18 – погружено, ваг;

х19 – погружено, тонн;

х20 – выполнение графика движения поездов по проследованию, %; х21 – выполнение графика движения поездов по отправлению, %;

х22 – рабочий парк вагонов, ваг.;

х23 – выпущено грузовых вагонов из ремонта, ваг.;

х24 – вагоно-километры общие, тыс.;

х25 – количество претензий по несохранным перевозкам;

х26 – сумма штрафа по несохранным перевозкам;

х27 – количество претензий по несвоевременным перевозкам;

х28 – сумма штрафа по несвоевременным перевозкам, тыс. руб;

х29 – доходы от перевозок, тыс. руб.;

х30 – балансовая прибыль, тыс. руб;

х31 – среднегодовая стоимость основных производственных фондов, тыс. руб;

х32 – динамическая нагрузка на грузовой вагон, т/ваг,

х33 – полный рейс вагона, км;

х34 – груженый рейс вагона, км;

х35 – процент порожнего пробега вагона к груженному, %;

х36 – среднесуточный пробег вагона, км;

х37 – состав поезда грузового, ваг.;

х38 – состав пассажирского поезда, ваг;

х39 – вес грузового поезда, тонн;

х40 – среднесуточный пробег локомотива, км;

х41 – среднесуточная производительность локомотива, млн. ткм/лок; х42 – среднесуточная производительность вагона, млн. ткм/ваг;

х43 – участковая скорость, км/час;

х44 – техническая скорость, км/час;

х44 – рентабельность основных фондов, %;

х45 – рентабельность по перевозкам, %.

 

		0,571		0,589
		0,749
		Рис. 4.2.1. Корреляционная плеяда зависимости показателей железной дороги (на примере Дальневосточной железной дороги)

 

 

Рис. 4.2.2. Корреляционная плеяда № 1 "результат"

 

 

Рис. 4.2.3. Корреляционная плеяда № 2 "затраты"

 

Следующая операция заключается в нахождении значения k, для которого выполняется соотношения множества естественным множеством. Для этой цели служит неравенство:

I_k < I_k+1 (для k=2,3,…..,w-1). (4.2.3.)

 

Проверка корреляции по коэффициенту значимости приведена в табл. 4.2.3.

Таблица 4.2.3

	Х1(Х45)	Х45(Х18)	Х18(Х24)	Х18(Х21)	Х18(Х26)	Х1(Х46)	Х18(Х7)	Х7(Х25)
r	0,993	0,971	0,953	0,843	0,936	0,959	0,965	0,913
tрасч	26,97	12,802	9,962	-2,549	-0,274	10,74	11,675	7,072
	Х12(Х9)	Х12(Х11)	Х13(Х33)	Х12(Х13)	Х32(Х21)	Х32(Х10)	Х10(Х42)	Х42(Х31)

Продолжение табл. 4.2.3

r	0,997	0,995	0,686	0,998	0,696	0,702	0,747	0,571
tрасч	38,756	30,587	-2,228	-2,549	-0,415	3,553	3,554	2,197
	Х13(Х25)	Х25(Х21)	Х9(Х22)	Х22(Х12)	Х21(Х22)	Х31(Х40)	Х8(Х31)	Х39(Х40)
r	-0,656	-0,767	-0,822	-0,753	-0,822	0,749	0,891	0,583
tрасч	-2,75	-3,782	-3,616	-3,414	-4,558	0,115	6,2	1,425

 

Табличное значение коэффициента значимости при 6 степенях свободы и при a=0,05 равно 3,71. Если фактические t-значения больше табличного, то данные параметры считаем значимыми.

Для оптимального разбиения дендрита на группы, проанализируем данные табл. 4.2.4.

Таблица 4.2.4

К
r	0,571	0,656	0,696	0,702	0,717	0,747	0,749	0,753	0,767	0,822	0,913
l	-	1,14	1,06	1,00	1,02	1,04	1,003	1,005	1,019	1,072	1,110
К
r	0,936	0,953	0,959	0,961	0,965	0,971	0,993	0,995	0,995	0,997	0,998
l	1,025	1,018	1,006	1,002	1,00	1,006	1,023	1,002	1,002	1,002	1,001

 

Так как в процессе анализа должно выполняться неравенство i_k< i_k+1, то данному условию соответствует К₄(1,00<1,021); К₅(1,021<1,04); К₇(1,003<1,005); К₂₁(1,002<1,001); К₁₄(1,002<1,004); К₁₆(1,006<1,023);

Минимальное соотношение в неравенствах при К = 4

Удаляем из дендрита 6 самых длинных связей, и получаем две группы однородных близких признаков.

Кластер 1: Х1, Х4, Х7,Х21, Х25, Х27, Х46.

Кластер 2: Х5, Х8, Х13, Х32,Х39, Х40.

Для дороги с помощью методов кластерного анализа определены факторы, которые наиболее полно характеризуют их результаты и затраты, связанные с получением данных результатов.

Чтобы установить аналитическую зависимость факторов, влияющих на расходы дороги, используем регрессионный анализ взаимосвязи. Из совокупности показателей для определения их взаимосвязи с эксплуатационными расходами учитывалось, такое явление как мультиколлинеарность, т.е. из модели исключались те факторы, которые имеют тесную связь с показателем "эксплуатационные расходы". В результате анализа было определено, что в модель целесообразно включать такие показатели как: средний вес поезда брутто, динамическая нагрузка грузового вагона, контингент на перевозках, оборот вагона (табл. 4.2.5).

Таблица 4.2.5