АНАЛИЗ СУЩЕСТВУЮЩИХ МЕТОДОВ ПРОГНОЗИРОВАНИЯ ГРУЗООБОРОТА

АННОТАЦИЯ

В данной статье проведен анализ существующих методов прогнозирования грузопотока на железной дороге. С первых дней независимости руководство страны уделяет большое внимание как поэтапному соединению железной дороги всех регионов с центром страны, так и созданию единой и независимой транспортной системы республики Узбекистан. Изучены существующие методы прогнозирования грузоперевозок на железных дорогах.

ABSTRACT

This article analyzes the existing methods for forecasting freight traffic on the railway. From the first days of independence, the country's leadership has paid great attention to both the phased connection of the railway of all regions with the center of the country, and the creation of a unified and independent transport system of the Republic of Uzbekistan. Existing methods of forecasting cargo transportation on railways are studied.

Ключевые слова: метод прогнозирование, метод, транспорт, интиутивные метод.

Keywords: forecasting method, method, transport, intuitive metod.

Прогнозирование как процедура предвидения существует давно, но до последнего времени оно ориентировалось только на логико-эвристические методы, в которых выделяются четыре подгруппы методов, это методы формальной логики, аналогии, экспертных оценок и специальные эвристические. Развитие примерно с середины ХХ века математических моделей в сочетании с ЭВМ позволило существенно усилить глубину и надежность прогнозирования. Достоверность прогнозов информации о размерах грузопотока на перспективу считается основной задачей для качественного анализа и обоснования инвестиционных проектов, применяемых в современных условиях, предотвращает возможность возникновения неопределенностей в будущем, максимально снижает возможные риски в реализации проектов. Это оказывает большое влияние на выбор расчетной мощности проектируемой железной дороги, а также на эксплуатационные показатели, перспективное развитие проекта и степень обоснованности мероприятий по усилению мощности дорог.

Прогнозирование по своему составу шире планирования, так как:

• прогнозирование осуществляется в условиях риска и неопределенностей
• объектом прогнозирования чаще всего является совокупность хозяйственной системы и внешней среды
• прогнозирование носит информационный, консультативный характер, в то время как планирование носит директивный характер
• прогнозирование в большей степени ориентировано на исследование развития внешней среды хозяйственной системы и носит системный характер.

Транспорт – важнейший элемент производственной инфраструктуры государства, обеспечивающие развитие национальной и мировой экономики и отражающий современные тенденции усиления роли субъектов хозяйствования реального сектора общественного производства [1].

Ключевую роль в этой стратегии играет прогнозирование грузооборота в условиях неопределенности и риска.

В литературе имеется большое количество классификационных схем методов прогнозирования. Основные методы прогнозирования приведены на рисунке 1.

По степени формализации все методы прогнозирования делятся на интуитивные и формализованные.

Рисунок 1. Основные методы прогнозирования

Интуитивные методы применяются тогда, когда объект прогнозирования либо слишком прост, либо настолько сложен и непредсказуем, что аналитически учесть влияние многих факторов практически невозможно. Полученные в таких случаях индивидуальные и коллективные экспертные оценки используют как конечные прогнозы или в качестве исходных данных в комплексных системах прогнозирования.

Методы экстраполяции и моделирования относятся к формализованным методам прогнозирования и планирования. Они основываются на математической теории [2].

Полученные индивидуальные и коллективные экспертные оценки используют как конечные прогнозы или в качестве исходных данных в комплексных системах прогнозирования. При имуществом экспертных методов заключается в том, что они позволяют анализировать широкий круг вопросов, влияющих на прогноз, и является объективным в том смысле, что эксперты независимы в своих суждениях. Одним из основных недостатков являются большие временные и материальные затраты.

Экспертные методы прогнозирования наиболее востребованы, они хорошо работают на большие периоды. Они являются основными для долгосрочного прогноза. Для краткосрочного прогноза экспертные прогнозы не подходят (особенно в экономике).

Методы аналогий направлены на выявление сходства в закономерностях развития различных процессов. К ним относятся методы математических и исторических аналогий. Методы математических аналогий в качестве аналога для объекта используют объекты другой физической природы, других областей науки и техники, имеющие математическое описание процесса развития. Этот метод часто использовался при прогнозе погоды: по состоянию температуры, влажности и давления, в настоящем искался аналогичный день в прошлом и проецировался на дальнейшее развитие для будущего состояния в настоящем.

Опережающие методы прогнозирования основаны на определенных принципах специальной обработки научно-технической информации, учитывающих ее свойства опережать прогресс науке и техники.

Статистические методы представляют собой совокупность методов обработки количественной информации об объекте прогнозирования, объединенной по принципу выявления содержащихся в ней математических закономерностей изменения характеристик данного объекта с целью получения прогнозных моделей. Эти методы включают в себя: имитационный, адаптивный и нейросетевой методы прогнозирования.

Сущность методов прогнозной экстраполяции заключается в изучении динамики изменения экономического явления в предпрогнозном периода и перенесения найденной закономерности на некоторый период будущего. Обязательным условием применения экстраполяционного подхода в прогнозировании следует считать познание и объективное понимание природы исследуемого процесса, а также наличие устойчивых тенденций в механизме развития.  

Метод корреляционно-регрессионный анализ, подразумевает формирование математической модели, которая методами корреляционного и регрессионного анализа или другими статистическими методами исследования факторных зависимостей формализует причинно-следственный механизм поведения показателя [3]. Метод корреляционно-регрессионный анализ целесообразно применять при стабильных экономических условиях и краткосрочном прогнозировании грузопотока транспорта.

Метод моделирование считается достаточно эффективным средством прогнозирования возможного явления новых или будущих технических средств и решений. Одним из методов моделирования экономических процессов является метод экономико-математического моделирования, применяемого в <краткосрочном> прогнозировании. В частности, корреляционно-регрессионное моделирование используется для объектов, имеющих сложную многофакторную природу (объем инвестиций, прибыль, затраты, объем грузооборота). Для осуществления регрессионного моделирования необходимо наличие динамического ряда по исследуемым показателям. На практике приходится исследовать зависимость результативного признака от нескольких факторных (многофакторная модель). В то же время в работах предпочтение отдается аналитическим методам, поскольку имитационный метод является наиболее затратным.

Адаптивные методы прогнозирования непрерывно учитывают эволюцию динамических характеристик изучаемого процесса, т.е. учитывают вновь поступающую информацию, сделанные с момента последнего прогноза. В настоящее время одно из наиболее перспективных направлений в исследовании и прогнозировании одномерных временных рядов связано с адаптивными методами [1].

Главная слабость адаптивных методов в том, что они не позволяют действительно <предсказать> эволюцию спроса на различные виды грузов. В лучшем случае они позволяют быстро отреагировать на уже произошедшие изменения. В настоящее время самым перспективным количественным методом прогнозирования является использование нейронных сетей. Можно назвать много преимуществ нейронных сетей над остальными алгоритмами, ниже приведены два основных. При использовании нейронных сетей легко исследовать зависимость прогнозируемой величины от независимых переменных. Еще одно серьезное преимущество нейронных сетей состоит в том, что эксперт не является заложником выбора математической модели поведения временного ряда. Построение нейро сетевой модели происходит адаптивно во время обучения, без участия эксперта. При этом к нейронной сети предъявляются примеры из базы данных, и она сама подстраивается под эти данные. Если объемы грузооборота по всем видам грузов, выраженные в относительных величинах, являются положительными числами и в сумме дают единицу, то это позволяет расценивать их как аналог вероятностей. Отсюда очевидный подход - составление вероятностной прогнозной модели. В качестве простейшей модели можно взять марковскую цепь для прогнозируемого грузооборота. Применение марковских цепей затруднено ввиду отсутствия информационной базы.

Принцип имитационного моделирования заключается в том, что поведение системы отображают компьютерной моделью взаимодействия ее элементов во времени и пространстве. Главная ценность имитационного моделирования состоит в том, что в его основу положена методология системного анализа. Оно дает возможность исследовать проектируемую или анализируемую систему по технологии операционного исследования, включая такие взаимосвязанные этапы, как содержательная постановка задачи; разработка концептуальной модели; разработка и программная реализация имитационной модели; оценка адекватности модели и точности результатов моделирования; планирование экспериментов; принятие решений. Зарубежный опыт развития методологии прогнозирования перевозок

На основании приведенных методов планирования и прогнозирования дальнейший поиск наилучшего логического или математического описания объектов прогнозирования, например объема перевозок грузов, называется моделированием. Модель должна наиболее полно и точно описывать прогноз любого события, обычно рассматриваемого как система и/или ее элементы и как условный образ, специально построенный для упрощения исследования экономического процесса либо явления. Традиционно модели спроса на транспортные услуги строятся, опираясь на опыте экспертов. Построение таких моделей заключается в попытках формализации различных ситуаций, возникающих в процессе перевозок с целью объединить их в единую систему. Так как множество этих ситуаций весьма разнообразно, а они сами часто слабо формализуемы, для решения поставленной задачи в рамках эмпирических методов приходится находить компромисс между обобщающей способностью системы и ее способностью автономно функционировать. Характерный для задач планирования транспортных потоков класс экспертно-зависимых методов, применяемых для моделирования и прогнозирования грузовых перевозок, представлен в. Временные ряды используются для разработки моделей различной степени сложности, таких как модели фактора роста и авторегрессионные модели скользящего среднего. Последняя модель основывается только на информации об объемах грузопотоков и предназначена для краткосрочного прогнозирования. Также были разработаны модели для прогнозирования временных рядов с учетом дополнительных переменных, например валового внутреннего продукта (ВВП). К ним относится модель, опирающаяся на представление процесса транспортировки грузов как динамической системы – модель ASTRA (Assessment of Transport Strategies, оценка транспортных стратегий), разработанная в рамках проекта для Европейской комиссии. В макроэкономическом модуле ASTRA прогнозируется рост ВВП. Результаты подаются в модуль региональной экономики, возвращающего спрос на грузоперевозки в виде грузопотоков в тоннах для пар «отправление–назначение». Изменения в транспортном спросе, в свою очередь, могут повлиять на ВВП через стоимость транспортировки. Моделирование динамической системы может включать шаги «распределение» и «разбиение по видам транспорта». Однако модели динамических систем не содержат достаточной пространственной информации о конфигурации транспортной сети для моделирования потоков между зонами [4].

Список литературы:

1. Аблязов В.К. Прогнозирование грузооборота порта в условиях риска и неопределенности: дис. канд. экон. наук. / В.К. Аблязов, – М., 2013. – 185 с.
2. Умаров Х.К. Принятие решений при обосновании усиления мощности железных дорог Узбекистана в условиях неопределенности исходной информации: дис. канд. экон. наук. / Х.К. Умаров, – С.П., 2019. – 171 с.
3. Кремер Н. Ш. Теория вероятностей и математическая статистика: учебник для студентов вузов, обучающихся по экономическим специальностям / Н. Ш. Кремер. – 3-е изд., перераб. и доп. – М.: ЮНИТИ-ДАНА, 2007. – 551 с.
4. Бедринт Д.С. Трансформация методологии планирования и прогнозирования перевозок грузов на железнодорожном транспорте // Бюллетень результатов научных исследований. – 2020. – Вып. 4. – С. 5–23. DOI: 10.20295/2223-9987-2020-4-5