Evaluation of effectiveness and forecasting of enterprise performance indicators in the field of river and sea cargo transportation based on dynamic analysis methods

Texto integral

Введение

Водные грузоперевозки всегда являются важной составляющей транспортной инфраструктуры РФ, их развитие имеет определенное влияние на экономику данной отрасли и страны в целом. За счет разнообразия водных каналов и типов суден обеспечивается взаимодействие и связь как внутри страны, так и за ее пределами, развивая транспортные отношения. Нефтегазовые энергоресурсы всегда являются одними из самых востребованных природных ресурсов по всему миру. В структуре добывающих отраслей нефтяная промышленность в наибольшей степени интегрирована в мировую экономику. Ее роль в бюджете страны является доминирующей. Нефтепроизводящие компании — это основные экспортеры. Способы поставок диверсифицированы по видам, маршрутам, направлениям, но традиционно в структуре экспорта в дальнее зарубежье доминируют морские грузоперевозки. Водный транспорт является одним из наиболее экономичных и эффективных средств для перевозки нефти и нефтепродуктов в РФ. Это связано с тем, что водный транспорт имеет большую грузоподъемность и может доставить товары на большие расстояния, что делает его более привлекательным для перевозки крупных объемов грузов. Одним из главных преимуществ водных грузоперевозок является возможность использования речных путей, которые позволяют доставлять грузы в самые отдаленные уголки страны, где нет железнодорожных и автомобильных дорог. Кроме того, водный транспорт обладает меньшими экологическими рисками по сравнению с другими видами транспорта. Одним из основных видов нефтепродуктов, которые перевозятся водным транспортом, является сырая нефть. Она перевозится по трубопроводам до морских портов, где затем с помощью нефтеналивных судов доставляется в различные страны мира. Кроме того, водный транспорт также используется для перевозки нефтепродуктов, таких как бензин, дизельное топливо, керосин и другие виды топлива.

Водные грузоперевозки являются важнейшими элементами транспортной системы России. Водный транспорт является наиболее эффективным способом доставки непереработанной продукции, если речные пути близки к месторождениям сырья и производственным объектам. Таким образом, водные грузоперевозки являются актуальным и важным компонентом в транспортной системе России, в частности для перевозки крупногабаритных и тяжелых грузов на большие расстояния.

В настоящей статье предлагается применение математического инструментария динамического анализа в отрасли речных и морских грузоперевозок.

Целью работы является применение инструмента теории временных рядов для прогнозирования показателей в следующих периодах.

Научная новизна заключается в применении инструмента динамического анализа для оценки эффективности деятельности речной компании.

1. Теоретический анализ

В научной литературе вопросы развития водного транспорта изучаются всесторонне. Авторы [1] в статье рассматривают системный и статистический методы, а также исторический и компаративный анализы с целью выявлений тенденций развития морских перевозок в глобальной экономике. В исследовании [2] проводится статистический анализ состояния морских портов России. Описывается грузовая база российских морских портов по итогам 2017 года, авторами делается прогноз на увеличение грузооборота по всем морским бассейнам РФ. В статье [3] используется системный подход и рассмотрены факторы внешней среды, подчеркнуто их влияние на изменения грузовой базы морских портов. Отмечается взаимосвязанность факторов, их сложность, подвижность и неопределенность. Основные инвестиционные проекты в портах РФ со сроком введения в эксплуатацию мощностей до 2024 г., а также величина такого показателя как отношение прироста проектной мощности к проектной мощности в год рассматриваются авторами [4]. Отмечается неравномерность распределения объемов перевалки грузов в России по морским бассейнам по результатам изученной структуры распределения грузооборота по морским бассейнам. Приводятся мероприятия, способствующие повышению грузооборота. С применением инструмента эконометрического моделирования авторами [5] проведен анализ грузооборота в каждом из бассейнов, выявлены конкурентные преимущества для стратегических приоритетов, среди которых отмечаются наличие потенциала для увеличения портовых мощностей и обеспечения эффективного развития портовой инфраструктуры. Анализ факторов, оказывающих влияние на сегменты грузооборота, является наиболее сложной проблемой, как отмечается в работе [6]. Автор обращает внимание на важное обстоятельство, которое необходимо учитывать в исследовании грузоперевозок, а именно, если идентифицированы все влияющие факторы, и установлена степень их влияния на грузооборот, то отсутствуют гарантии сохранения текущих тенденций в будущем. Поэтому, как правило, сбываются краткосрочные прогнозы, поскольку за короткий прогнозный период текущие тенденции не успевают сильно измениться, а среднесрочные и долгосрочные прогнозы имеют высокую степень неопределенности в силу переменчивости тенденций в будущем. В исследовании отмечается, что основные усилия при прогнозировании грузооборота следует затратить именно на прогнозе развития инфраструктуры. Автор рекомендует прогнозировать развитие инфраструктуры, которая как следствие определяет развитие грузооборота. На основе вероятностного подхода к прогнозированию грузооборотов портов предложен метод суммирования прогнозных значений независимых сегментов грузооборота, заданных интервально [7]. Показано, что совокупный грузооборот можно аппроксимировать случайной величиной, распределенной по закону Гаусса, и корректно вычислить для нее интервал значений в случае, когда сегменты представлены случайными величинами с симметричными функциями распределения. Совершенствование портовой инфраструктуры является ключевым направлением в развитии грузооборота морских перевозок по РФ, по мнению авторов [8]. В статье [9] рассмотрены приоритетные задачи развития инфраструктуры морских портов РФ. Дана оценка существующей динамики и структуры грузооборота, прогноз перераспределения грузопотоков по морским бассейнам в условиях экономических санкций и реализации государственных программ. Выявлены предпосылки развития международных транспортных коридоров, проходящих через морские порты РФ, и перспективы увеличения грузооборота морских портов.

2. Методика исследования и его результаты

Будущее водных грузоперевозок зависит от различных факторов, и для успешного развития этой отрасли необходимо периодически оценивать и прогнозировать тенденции рынка, обновлять технологии и следить за геополитическими изменениями. Несмотря на потребность во внедрении новых и обновлении существующих инфраструктур, долгосрочные перспективы рынка водных грузоперевозок остаются оптимистичными, и это является благоприятной возможностью для грузоперевозчиков, стран и регионов, где присутствует большой потенциал развития в этой отрасли. Морские перевозки являются важнейшими в развитии водного транспорта. Однако, для расширения возможностей развития их инфраструктуры, необходимо развитие и речных перевозок, так как производители, например, нефтепродуктов заключают договора с посредниками по их экспорту. Одним из таких посредников является ООО «ВОЛГОТРАНС». На данном периоде она является одним из крупных предприятий по Самарской области в сфере грузоперевозок. Судоходная компания оперирует более 30 единицами транспортного флота, в составе которого нефтеналивные суда с классом российского морского регистра судоходства и российского речного регистра. Организация ООО «ВОЛГОТРАНС» располагает собственным и арендованным флотом, таким как танкера сезонного и круглогодичного плавания с грузоподъемностью от 2500 до 5400 тонн. Основным направлением деятельности являются рейсовый чартер, тайм-чартер и бербоут-чартер. По итогам 2020 года компанией было перевезено более 1 миллиона тонн грузов, а с каждым последующим годом объемы лишь увеличивались. Сильное сезонное влияние ввиду закрытия каналов на внутренних водных путях и замерзания путей наблюдалось в начальный период деятельности компании. Модернизация позволила убрать данные сезонные ограничения, навигация судов более не завершается в ноябре-декабре, а флот эксплуатируется круглогодично, в связи с этим удалось расширить и географию перевозок. В рамках бизнес-процессов решаются стандартные задачи: согласование договоров контрагента; грузоперевозка; погрузочно-разгрузочные работы; ремонт судов; управление персоналом; управление финансами и другие.

Актуальность обуславливается тем, что водный транспорт играет большую роль в функционировании транспортной системы всей страны, сфера постоянно развивается путем совершенствования транспорта и изучения новых маршрутов. Речные перевозки очень распространены, так как имеется обширная водная сеть. Многие грузоперевозки также затрагивают и морские каналы. В этой связи, актуальным является изучение показателей деятельности компании ООО «ВОЛГОТРАНС» с целью разработки стратегии развития деятельности компании, анализа выгодных вариантов сотрудничества и проработки более качественных маршрутов и повышению эффективности ее деятельности.

В работе рассмотрены такие показатели, как объем грузоперевозок (X₁, тыс. тонн) и выручка по основной деятельности (X₂, тыс. руб.). Выручка по основной деятельности представляет из себя денежные средства, которые компания получает за реализацию услуг грузоперевозок за определенный период времени. Изучаемые показатели относятся к периоду от 2014 года по 2021 год. Все данные сгруппированы по квартально. Для этого проводилось усреднение за месяцы, соответствующие каждому кварталу (в табл. 1).

 

Таблица 1: Показатели деятельности ООО «ВОЛГОТРАНС» 2014-2021 года.

Table 1: Performance indicators of VOLGOTRANS LLC 2014-2021.

Год	2014				2015
квартал	1	2	3	4	1	2	3	4
Х1	40615.1	190176	230203	194988	45557.8	145263	215991	50994.3
Х2	17900	249406	329923	233877	39542	206385	303719	78801
год	2016				2017
квартал	1	2	3	4	1	2	3	4
Х1	23993.7	90337.9	154077	116889	31132.2	106638	184223	117893
Х2	29072	149933	303194	211960	39854	164666	374829	226483
год	2018				2019
квартал	1	2	3	4	1	2	3	4
Х1	47159.1	103350	121266	65965.0	48098.4	51504.2	110547	74114.7
Х2	78173	194743	262057	149853	102782	169622	299194	174276
год	2020				2021
квартал	1	2	3	4	1	2	3	4
Х1	229613	213892	263605	296435	214464	272113	391327	395065
Х2	199568	356497	376473	317545	214618	363045	417324	305270

 

Первичный анализ предполагает графический анализ уровней ряда и анализ основных динамических показателей [10]. Первичный этап динамического анализа предполагает расчет цепных и базисных показателей. В рамках исследования проведем расчеты базисного и цепного абсолютного приростов, темпа роста и темпа прироста по данным из табл. 1. В качестве примера (рис. 1) представлен график цепного темпа роста для показателя грузоперевозок, выраженный в долях.

 

Рис. 1: Цепной темп роста грузоперевозок ООО «ВОЛГОТРАНС»

 

Как видно из рис. 1, цепной темп роста имеет хорошо выраженный колебательный характер. Причем участки роста и спада характеризуются периодичностью, т.е. участки роста сменяются участками спада. График, как видно, внутри каждого года имеет максимальное значение темпа роста и последующее его снижение. При анализе только максимальных значений цепного темпа роста видно, что эта величина имеет существенное снижение в целом за изучаемый период. Таким образом, такое поведение свидетельствует о тенденции к снижению объемов грузооборота. Минимальные значения по показателю грузоперевозок имеют примерно одинаковые значения в первой половине изучаемого периода, цепной темп роста показывает отсутствие существенных изменений в грузоперевозках за период 2021 года.

Для формирования стратегии развития показателя грузооборота необходимо провести анализ динамики внутри каждой группы кварталов. С этой целью рассчитывались относительные показатели для цепного темпа роста, например, отношение цепного темпа роста 2015 года к величине цепного темпа роста 2014 года по данным 2 квартала составила 0.681, по данным третьего и четвертого квартала составили соответственно 1.228 и 0.278. Аналогичные относительные величины представлены в табл. 2.

 

Таблица 2: Относительные показатели для цепного темпа роста по показателю грузооборота.

Table 2: Relative indicators for the chain growth rate in terms of cargo turnover.

	1 квартал	2 квартал	3 квартал	4 квартал
2016/2015	2.013	1.181	1.147	3.213
2017/2016	0.566	0.910	1.013	0.844
2018/2017	1.502	0.640	0.679	0.850
2019/2018	1.823	0.489	1.829	1.232
2020/2019	4.249	0.870	0.574	1.677
2021/2020	0.233	1.362	1.167	0.898

 

Как видно из табл. 2, рост темпа прироста наблюдается в 2016 году. В остальные годы рост и спад темпа прироста характерен по всем кварталам. Рассмотрим усредненную величину относительного изменения цепного темпа роста. Для этого воспользуемся формулой средней геометрической. Численные значения поквартально составили: в первом 65%; во втором 112.2%; в третьем 99.15% и в четвертом 102.5%. Как видно, проявляется достаточно сильно фактор сезонности. Зимний период имеет достаточно высокую скорость снижения по отношению к предшествующему периоду. Этот период, как правило является инженерно-техническим, время ремонта и переоснащения. Весенне-летний период характеризуется высоким показателем роста относительной величины цепного темпа роста, в среднем увеличивается на 12.2%. Проведя аналогичные расчеты со вторым показателем, выручкой по основной деятельности, было установлено, что цепные показатели темпа роста и относительной величины темпа роста ведут себя аналогичным образом в рамках изучаемого периода. Следовательно, необходимо рассмотреть поведение данных показателей внутри каждого квартала, так как фактор сезонности обнаруживает свое доминирование. В табл. 3 представлены величины среднего темпа роста по изучаемым показателям.

 

Таблица 3: Поквартальные значения среднего темпа роста (%) за период с 2014 по 2021 годы.

Table 3: Quarterly values of the average growth rate (%) for the period from 2014 to 2021.

Показатель	1 квартал	2 квартал	3 квартал	4 квартал
Грузооборот	126.83	105.25	107.87	110.61
Выручка по основной деятельности	142.59	105.5	103.41	103.87

 

Как видно из табл. 3, наблюдается тенденция роста каждого показателя внутри квартала, однако, в целом, наблюдается снижение как грузооборота, так и выручки по основной деятельности. Анализ величины цепного темпа роста позволил также выявить, что усредненная величина (по формуле средней геометрической) цепного темпа роста выручки по основной деятельности по изучаемым кварталам за период с 2014 по 2021 годы лежит в диапазоне от 80% до 125%, а величина ускорения, соответственно, в диапазоне от 75% до 117%. Рис. 2 демонстрирует поквартальное распределение указанных величин.

 

Рис. 2: Усредненные величины скорости и ускорения среднего темпа роста выручки по основной деятельности ООО «ВОЛГОТРАНС»

 

Значительное повышение темпов роста по каждому показателю можно наблюдать, начиная со 2 квартала 2020 года, связано это с лизингом пароходов более большой грузоподъемности. Взятие пароходов в лизинг существенно отразилось на положительной динамике грузоперевозок и выручки по основной деятельности. Таким образом, проведенный анализ показал, что использование лизинговых пароходов явилось эффективным инструментом в стратегии деятельности компании ООО «ВОЛГОТРАНС».

Следующий шаг исследования — проверка на стационарность уровней временного ряда. Стационарность — это неизменность математического ожидания и дисперсии для уровней ряда [11–12]. Знание о стационарности временного ряда необходимо для выбора методов дальнейшего анализа. Далее проверяется гипотеза о постоянстве среднего уровня показателя и дисперсии. Изучаемый период разделялся на 2, 3 и 4 периода. В качестве примера рассмотрим разбиение на два периода. Первый период — это уровни с 2014 года 1 кв. по 2017 г. 4 кв., соответственно 2 период с 2018 года 1 кв. по 2021 г. 4 кв. Для каждого периода рассчитаны статистические показатели. Для показателя грузоперевозок средний уровень первого периода составил 121186.07 тонн, дисперсия 4840092987, для второго периода, соответственно, 181157.61 тонн и 14309363098. Для показателя «Выручка по основной деятельности» средний уровень первого периода составил 154024.13 тыс. руб., для второго — 236047.76 тыс. руб. Значения дисперсий соответственно равны 4460523555 и 6325520185. На уровне значимости 0.05 принимается гипотеза о слабой стационарности изучаемых временных рядов. Следующий этап исследования — изучение степени тесноты взаимосвязей между уровнями ряда. Для выявления взаимосвязи рассчитывались коэффициенты автокорреляции. Чем ближе значение коэффициента к 1 или , тем сильнее связь между значениями ряда при разных сдвигах во времени (лагах). Если значение коэффициента близко к 0, то связь между значениями ряда на данных лагах отсутствует или очень слабая. Эта информация может быть полезна для прогнозирования будущих значений ряда и принятия решений в будущем. Коэффициент автокорреляции рассчитывается по следующей формуле.

$\rho \left(T\right)=\frac{cov(y_t\mathrm{,}{y}_t+T)}{D\left(y_t\right)}$ (1)

Расчетные значения величины коэффициента автокорреляции составили для показателя грузооборота 0.67 при лаге 1, 0.35 при лаге 2, 0.6 при лаге 3 и 0.25 при лаге 4. Для показателя выручки по основной деятельности 0.65 при лаге 1, 0.34 при лаге 2, 0.5 при лаге 3 и 0.22 при лаге 4. Характер изменения величины коэффициента автокорреляции согласуется с поведением темпа роста. Наибольшая по величине связь наблюдается при сдвиге во времени на один период. Степень тесноты можно охарактеризовать, как умеренную. С ростом лага связь убывает, а затем возрастает и далее опять убывает. Повторный рост коэффициента автокорреляции значительно меньше, чем значение коэффициента при сдвиге на один лаг. То есть не смотря на рост, теснота связи ослабевает. Для показателя грузоперевозок численное значение автокорреляции уменьшается примерно на 0.1. Дальнейшее снижение составляет примерно 0.25. Решение проблемы выявления тренда проводилось по сглаженным данным с интервалом сглаживания 3, 4 и 5. Утраченные при сглаживании данные были восстановлены с использованием величины среднего абсолютного прироста на последнем активном участке сглаживая.

Для определения факта наличия тренда в работе использовались два критерия: критерий серий, основанный на медиане выборке и критерий восходящих и нисходящих серий. При использовании первого критерия определялась медиана, которая далее сравнивалась с каждым -м уровнем сглаженного ряда. Расстановка плюсов и минусов проводилась по правилу: если -е значение уровня ряда больше медианы, то ставится знак «+», если меньше "— «–», и если оно равно медиане, то оно игнорируется. Сериями называются последовательные знаки «+» или «–». Длина самой длинной серии и их количество подсчитываются при расчете наблюдаемой статистики критерия:

$V\left(n\right)<[1.43(\ln (n+1)], w(n)>\left[\frac{1}{2}(n+1-1.96\sqrt{n-1})\right]\mathrm{.}$ (2)

Если хотя бы одно из неравенств не выполняется, то отклоняется нулевая гипотеза об отсутствии тренда в изучаемом временном ряду.

Во втором критерии знак серии определялся по знаку цепного абсолютного прироста. Далее подсчитываются количество серий и длина самой длинной серии. Если хотя бы одно из следующих неравенств не выполняется, то отклоняется основная гипотеза об отсутствии тренда в изучаемом временном ряду:

$V\left(n\right)>\left[\frac{1}{3}(2n-1)-1.96\frac{\sqrt{16n-29}}{90}\right]\mathrm{,}$ (3)

$W⩽W_0\mathrm{,}$ где $W_0$ — табличное значение, зависящее от объема выборки (для $n⩽26$, $W_0=5$).

Информация о наличии тренда временного ряда используется для анализа и прогнозирования его будущих значений. По результатам проверки гипотезы о наличии тренда для показателя «Грузоперевозки» по критерию серий, основанного на медиане выборки, число серий равнялось 12, длина максимальной серии равна 8. По критерию «Нисходящих и восходящих» число серий равно 17, длина максимальной серии 3. Для показателя «Выручка по основной деятельности» аналогичные показатели составили 10 и 8, 16 и 3. В результате наличие неслучайной составляющей является статистически значимым.

На рис. 3 и 4 представлены трендовые модели по изучаемым показателям. По оси абсцисс откладывается номер временного периода, в нашей случае это номер квартала.

 

Рис. 3: Трендовые модели показателя «Выручка по основной деятельности»

 

Рис. 4: Трендовая модель показателя «Грузоперевозки»

 

Прогнозные данные по объему грузоперевозок по полиному второй степени составили соответственно на следующие три периода 355681.52; 162109.38; 185773. По полиному третьей степени соответственно: 409868.349; 465123.408 и 525933.375 тыс. тонн. Прогнозные данные по выручке по основной деятельности составили по линейному тренду: 285532.5; 291371 и 297209.5, по полиному второй степени: 343235.71; 183069.94 и 204345.75; по полиному третьей степени 351273.2176; 372585.9432 и 395214.35 тыс. рублей. Рассчитанные прогнозные значения соответствуют доверительной вероятности 0.95.

Рассмотрим модели авторегрессии. Модель авторегрессии $AR\left(p\right)$ — это модель временного ряда, в которой текущее значение моделированной переменной задается функцией от прошлых значений самой переменной. Данная модель основана на предположении, что текущее значение зависит от предыдущего. Модель задается следующим образом:

$y_t=c+c_{t-1}{y}_{t-1}+c_{t-2}{y}_{t-2}+\dots +c_{t-p}{y}_{t-p}+{\epsilon }_t\mathrm{,}$ (4)

 где $y_t$ — текущее значение, $c$ — константа, $c_{t-k}$ — коэффициенты авторегрессии, а ${\epsilon }_t$ — случайная величина. Для расчета значимости уравнений каждого порядка используется $t$-статистика Cтъюдента для каждого коэффициента уравнения, заданная формулой

$tH=\frac{c}{Se\left(c\right)}\mathrm{,}$ (5)

 где $с$ — оценка коэффициента авторегрессии,  — стандартная ошибка оценки, которая сравнивается с табличным значением для заданного уровня значимости $\alpha$ или с помощью таблицы распределения Стьюдента находятся значение $\alpha$ и сравнивается с выбранным уровнем значимости. В случае, если значение $\alpha$ меньше уровня значимости, то данный коэффициент уравнения признается статистически значимым. Далее представлены модели авторегрессии для показателя грузоперевозок

Модель $AR\left(1\right)$: $X_1=49110.59+0.60873X_{1t-1}$, уравнение и параметры модели статистически значимы на уровне 0.05. Модель $AR\left(2\right)$: $X_1=63386.13+0.552444X_{1t-1}-0.06127X_{1t-2}$. Значимым является только коэффициент при $X_{1t-1}$. Модель $AR\left(3\right)$: $X_1=47233.59+0.552012X_{1t-1}-0.4268X_{2t-1}+0.455363X_{1t-3}$. Статистически значимыми являются и уравнение и параметры модели. Модель $AR\left(4\right)$: $X_1=47079.72+0.407099X_{1t-1}-0.34371X_{1t-2}+0.255031X_{1t-3}+0.244431X_{1t-4}$. Уравнение является статистически незначимым. Модель $AR\left(5\right)$: $X_1=56950.81+0.437776X_{1t-1}-0.26801X_{1t}-2+0.155869X_{1t-3}+0.330419X_{1t-4}-0.16248X_{1t-5}$ является статистически незначимой.

Воспользуемся моделью адаптивного прогнозирования Хольта и Брауна. Модель Хольта [12] при прогнозировании учитывает два параметра: уровень и тренд. Уровень представляет собой среднее значение ряда, а тренд — скорость изменения ряда со временем. В модели Хольта уровень и тренд сглаживаются с помощью двух коэффициентов сглаживания: $\alpha$ и $\beta$. Коэффициент α отвечает за сглаживание уровня, а коэффициент $\beta$ — за сглаживание тренда. Чем меньше значения коэффициентов, тем большую важность имеют предыдущие значения ряда. Прогнозирование модели Хольта осуществляется по следующим шагам, представленным в табл. 4.

 

Таблица 4: Алгоритмы Хольта и Брауна.

Table 4: Holt and Brown algorithms.

Шаги по модели Хольта	Шаги по модели Брауна
${\widehat{y}}_t=A_0+B_{0}t, t=1,2,...1$	${\widehat{y}}_t=A_0+B_{0}t,t=1,2,...,l$
${\widehat{y}}_{t+k}=A_t+B_{t}k, t=0,1,2,...,n$	${\widehat{y}}_{t+k}=A_t+B_{t}k, t=0,1,2,\dots \mathrm{,}n$
${\epsilon }_{t+k}=y_{t+k}-{\widehat{y}}_{t+k}$	${\epsilon }_{t+1}=y_{t+1}-{\widehat{y}}_{t+1}, \epsilon {\%}_1=\frac{\left|{\epsilon }_1\right|}{y_1}\times 100$
$A_t=A_{t-1}+B_{t-1}+{\alpha }_1\epsilon$	$A_t=A_{t-1}+B_{t-1}+(1-{\beta }^2){\epsilon }_t$
$B_t=B_{t-1}+{\alpha }_1{\alpha }_2{\epsilon }_t$	$B_t=B_{t-1}+{\alpha }^2{\epsilon }_t$

 

Модель Хольта имеет ряд преимуществ перед другими методами прогнозирования, так как она учитывает не только прошлые значения ряда, но и его тренд, что позволяет получить более точные прогнозы. Модель Брауна представляет собой более простую модель, где будущее значение зависит только от предыдущего и от ряда случайных факторов. Линейная модель Брауна для прогноза уровня ряда в момент времени $t$ на $k$ шагов вперед представляется в виде формулы: ${\widehat{y}}_t=A_t+B_{t}k$, $k=1,2,\dots$; $t=0,1,2,\dots \mathrm{,}n$. Построение модели Брауна состоит из следующих этапов, представленных в таблице 4. Динамический анализ и прогнозирование показателей ООО «ВОЛГОТРАНС». Модель Хольта, объем грузоперевозок при коэффициенте сглаживания $\alpha =0.9999$ и коэффициенте дисконтирования $\beta =0.0001$ (табл. 5).

 

Таблица 5: Прогнозное значение грузооборота и его интервальная оценка.

Table 5: Forecast value of cargo turnover and its interval estimation.

Прогноз	Интервальная оценка прогноза по Хольту
453198.14	296366.05	610030.22
456930.20	300098.11	613762.28
460662.26	303830.17	617494.35

 

Модель Брауна, объем грузоперевозок при коэффициенте сглаживания $\alpha$ = 0.6 и коэффициенте дисконтирования $\beta$ = 0.4 (табл. 6).

 

Таблица 6: Прогнозное значение грузооборота и его интервальная оценка.

Table 6: Forecast value of cargo turnover and its interval estimation.

Прогноз	Интервальная оценка прогноза по Брауну
429553.98	599843.86	259264.10
442413.37	612703.26	272123.49
440230.01	610519.89	269940.13

 

Как видно из табл. 5 и 6, прогнозные значения по модели Брауна ниже, чем по модели Хольта. Рассматривая полученные значения, можно сделать вывод, что прогнозные значения показателя объема водных грузоперевозок по модели Брауна располагаются в интервале от 259 тыс. до 612 тыс. тонн. Относительная ошибка прогноза не превосходит 10%. Прогнозные значения показателя объема водных грузоперевозок по модели Хольта располагаются в интервале от 296 тыс. тонн до 617 тыс. тонн. Относительная ошибка прогноза не превосходит 14%. Таким образом, разрабатывая стратегии деятельности компании ООО «ВОЛГОТРАНС» необходимо учитывать динамику прошлых периодов и сопоставлять с прогнозными значениями уровня показателей.

Заключение

1. В работе проведен теоретический анализ, в ходе которого подтвердилась актуальность исследования вопросов повышения эффективности водных грузоперевозок как одного из важнейшего сегмента транспортной индустрии. Проведенный анализ помогает прогнозировать возможные изменения, выявлять ключевые вопросы для последующего развития отрасли речных и морских грузоперевозок.
2. Оценка эффективности деятельности предприятия и составление прогноза на будущее проводились на основе методов динамического анализа. В работе проведен анализ динамики показателей «Грузооборот» и «Выручка по основной деятельности». Изучены основные показатели динамики, взаимосвязь уровней ряда. Выявлены трендовые составляющие, проведена оценка прогнозных значений показателей. Прогнозные значения показателя объема водных грузоперевозок по модели Хольта располагаются в интервале от 296 тыс. до 617 тыс. тонн. Прогнозные значения показателя объема водных грузоперевозок по модели Брауна располагаются в интервале от 259 тыс. до 612 тыс. тонн.
3. Результаты исследования позволяют при разработке стратегии развития компании увеличить масштабы рынка товаров и услуг, связанных с перевозками, а также увеличение перевозок максимальных объемов грузов при эффективном использовании имеющегося флота.

 

 Конкурирующие интересы: Конкурирующих интересов нет.

Sobre autores

Yulia Ryazheva

Samara National Research University

Autor responsável pela correspondência
Email: ryazheva_yulia@mail.ru
ORCID ID: 0009-0008-1901-2577

PhD in Economics, Associate Professor; Associate Professor of the Department of General and Strategic Management

Rússia, 34, Moskovskoe shosse, Samara, 443086

Alla Trusova

Samara National Research University

Email: trusova.ayu@ssau.ru
ORCID ID: 0000-0001-7294-0964

PhD in Physico-Mathematical Science, Associate Professor; Associate Professor of the Department of Mathematics and Business Informatics

Rússia, 34, Moskovskoe shosse, Samara, 443086

Bibliografia

Arquivos suplementares