An Analysis of the Impact of Key Operational Indicators on the Number of Derailed Trains within the Boundaries of East Siberian Railway

Курс новой государственной политики взят на создание в Восточной Сибири и Дальнем Востоке конкурентоспособных условий для развития бизнеса. Нередко о Восточном регионе говорится как об экономической площадке опережающего развития. В Долгосрочной программе развития открытого акционерного общества «Российские железные дороги» до 2025 года предусмотрено увеличение провозной способности Байкало-Амурской и Транссибирской железнодорожных магистралей до 180 млн. тонн к 2024 году

. В первую очередь это связано с потенциально привлекательным экспортным направлением бурно развивающейся Юго-Восточная Азии. На долю стран-членов Азиатско-Тихоокеанского экономического сотрудничества приходится свыше 31,6% мирового ВВП, около 60% объема прямых иностранных инвестиций. 

Рост грузопотока в границах Восточного полигона достиг своего критического значения. И железнодорожная отрасль столкнулась с техническими и технологическими трудностями, в том числе и в части неподготовленности инфраструктуры к пропуску заявленного объема

. Поэтому ключевым фактором роста экономики дальневосточных регионов останется развитие транспортной инфраструктуры, прежде всего Байкало-Амурской магистрали и Транссиба, для обеспечения вывоза перспективного объема экспортно ориентированной продукции с новых предприятий, создаваемых в регионе Восточного полигона. При этом стоит учитывать возможность задержки в перевозочном процессе, а именно отставление от движения поездов при невозможности организации пропуска по участкам . Основными факторами (так принято считать специалистами железнодорожниками), влияющими на образование так называемых «брошенных» поездов, являются завышенные значения показателей: «рабочий парк дороги», «прием поездов», «сдача поездов», «погрузка дороги» и иные. Увеличение поездов, отставленных временно от движения, ведет к просрочке доставки груза и, как следствие, к возникновению финансовых рисков. Клиентоориентированность и в конечном итоге имидж компании значительно страдают от невыполнения основных показателей перевозочного процесса.

Для обеспечения 100% пропуска заданных объемов были приняты ряд организационных мер. Так, например, создание Восточного полигона из четырех дорог (Красноярская, Восточно-Сибирская, Забайкальская, Дальневосточная) должно было положительным образом повлиять на организацию грузопотока

. Сложившаяся структура диспетчерского управления претерпела значительные изменения. Об итогах работы можно судить по приведенным в таблице 1 показателям.

При рассмотрении показателей в сравнении с 2018 годом выделим такую негативную тенденцию как снижение погрузки на 387 вагонов в среднем в сутки, или 12,5%, рост рабочего парка (общий) на 6362 вагона в среднем в сутки, или 10,73%, при этом снижены показатели по приему (-57 вагонов среднем в стуки) и по сдаче (-68 вагонов среднем в стуки). На протяжении 2021-2022 годов Восточно-Сибирская железная дорога работает в условиях сверхнормативного наличия вагонного парка. Также негативное влияние на эксплуатационную работу дороги оказывает сверхнормативное наличие вагонов рабочего и нерабочего парка, следующих в адрес вагоноремонтных предприятий. Значительное влияние на выполнение пробежных норм по инфраструктуре железной дороги и нормативных сроков доставки оказывают отставленные от движения грузовые поезда

. Отметим, что 59% поездов были задержаны на инфраструктуре общего пользования по причинам, зависящим от перевозчика. Задержки поездов на Северном ходу дороги обусловлены не только отказами дирекции тяги и дефицитом локомотивов грузового движения, но и неравномерным планированием возврата тяги

[6]

.

Такие внешние условия как ковидные ограничения (2021 год), ограничительные политические и экономические меры, введенные государствами и международными организациями в отношении России (2022 год) существенно повлияли на структуру перевозок, изменили географию рынков сбыта и в корне переориентировали вагонопотоки.

Целью настоящей работы является исследование факторов (эксплуатационных показателей), влияющих на рост поездов, отставленных от движения с помощью корреляционно-регрессионного анализа. В данном случае эксплуатационная обстановка будет описана как математический объект с множеством линейных и нелинейных связей.

Начиная с 2013 года на базе ОАО «РЖД» с целью обеспечения дополнительного объема перевозок различных грузов посредством ликвидации «узких мест» на железных дорогах Дальнего Востока и Забайкалья реализуется комплекс мероприятий, направленных на развитие и совершенствование железнодорожной инфраструктуры Восточного полигона. Так, в 2021 году объем инвестиций составил более 64 млрд. рублей. Согласно детальных планов мероприятий по реализации инвестиционных проектов «Мероприятия по увеличению пропускной и провозной способности инфраструктуры для увеличения транзитного контейнеропотока в 4 раза, в т.ч. Транссиб за 7 суток», утвержденного ЦЗ-1 Кобзевым С.А. № 1628 от 06.10.2021 г., «Модернизация БАМа и Транссиба (II этап)», утвержденного ЦЗ-1 Кобзевым С.А. № 1629 от 06.10.2021 г. в 2022 году было запланировано к реализации 7 объектов, таких как: второй главный путь на перегоне Гоуджекит – Тыя, станция Северобайкальск, двухпутная вставка на перегоне Блокпост 1068 км (Северобайкальск – Блокпост 1084 км), двухпутная вставка на перегоне Новый Уоян – Баканы с примыканием к станции Новый Уоян, двухпутная вставка на перегоне Янчуй – Чуро с примыканием к станции Чуро, второй главный путь на перегоне Сенаторский – Икабьякан, третий путь на перегоне Слюдянка I – Слюдянка II

.

В 2023 году запланировано к реализации 27 объектов, но фактически с учетом отставания в 2022 году по данным заказчиков будет реализован 31 объект.

Обострение короновирусной инфекции, а также увеличение нагрузки на диспетчерский аппарат всей системы железнодорожного сообщения данного участка в связи с ростом новых объектов в рамках модернизации стало причиной снижения объема работы и количества переработанных грузовых потоков.

Для формирования математической модели были выбраны следующие показатели:

- X1 – «транзит» (количество вагонов, находящихся в категории «транзит»);

- X2 – «местный» (количество вагонов, находящихся в категории «местный»);

- X3 – «погрузка» (количество вагонов, принятых к перевозке);

- X4 – «прием» (количество поездов, поступивших по стыкам Хани, Юрты, Петровский Завод);

- X5 – «сдача» (количество поездов, переданных на соседние железные дороги);

- X6 – «участковая скорость» (среднюю скорость движения поезда по участку с учётом времени стоянок на промежуточных станциях, разгона, замедления и задержки поезда на перегонах);

- Y – «количество поездов, отставленных от движения» (к учету приняты как поезда, задержанные согласно диспетчерского приказа, так и поезда без приказа).

Данные показатели выбраны из широкого перечня всех эксплуатационных показателей исходя из экспертного мнения специалистов органа управления Восточно-Сибирской железной дороги.

Первоначально, суть исследования заключалась в том, чтобы выявить линейную зависимость каждого фактора. Как, например, «рабочий парк (X) – количество поездов, отставленных от движения (Y)». Гипотеза состоит в следующем: «чем выше значения показателя «рабочий парк», тем больше количество задержанных поездов. Для определения характера и тесноты связи показателей «рабочий парк» и «количество поездов, отставленных от движения» применен корреляционно-регрессионный анализ

.

Свод статистических данных представлен в таблице № 2 за период 2021-2022 гг.

При росте показателя «рабочий парк» существует прямая зависимость между количеством задержанных поездов и темпами роста рабочего парка, однако теснота связи слабая.

Коэффициент детерминации в данном случае – 0,109, или 10,9%. Это означает, что расчетные параметры модели слабо объясняют зависимость между изучаемыми параметрами. Переменная X регрессионной модели показывает весомость переменной Х на Y, в нашем случае – 0,04 (небольшая степень влияния). Положительное значение говорит о линейной зависимости со знаком «+».

Таким образом, построить адекватную модель, исследуя зависимость показателя «задержанные поезда» от каждого фактора X, не представляется возможным.

Изменим свод данных для проведения дальнейших исследований, а именно возьмем годовые значения каждого показателя посуточно для учета внешних показателей, таких как, например, сезонность, проведение профилактических работ на предприятии (влияние на показатель «погрузка») и т.д. Дальнейший учет будет производиться с учетом совокупного влияния всех факторов.

Первоначально выполним описательную характеристику факторов: таблица 3.

Информативной мерой «центрального положения» переменной можно считать среднее значение. Анализ смещения в одну из сторон показывает точку тяготения к обозначенным пределам. Показатель «прием (поезда)» смещен в сторону максимального значения, показатель «задержанные поезда» в противовес более тяготеет к минимальному значению. Среднеквадратичное отклонение, показывающее разброс величины, показывает относительную стабильность и отсутствие выбросов в приведенной статистике.

В целях определения меры влияния факторов X на переменную Y выполним корреляционный анализ таблица 4.

Как видно из приведенного анализа показатели «транзит», «прием (поезда)», «участковая скорость» в наибольшей степени оказывают влияние на «задержанные поезда».

Такие факторы как: «количество остановок локомотивов по причине их неисправностей», «количество выявленных неисправностей железнодорожного пути, отказы по вине структурных подразделений», «количество внеплановых «окон» в информационных системах ОАО «РЖД» уже учтены в основных показателях. Например, «количество остановок по причине их неисправностей» ухудшают показатель «участковая скорость», которая уже присутствует в исследованиях.

В дальнейшем при выполнении корреляционно-регрессионного анализа будем считать зависимость линейного характера. Для формирования линейной регрессионной модели будут использованы факторы, имеющие наибольшее значение коэффициентов корреляции

.

Таким образом, корреляционно-регрессионная модель описывается формулой:

При проведении корреляционно-регрессионного анализа с помощью Пакета «Анализ данных» получены следующие значения переменных a0, а1, a4, a6 (указаны в Таблице 5):

В общем виде линейная регрессионная модель может быть описана:

Для оценки качества выбранной регрессионной модели используем формулу расчета коэффициента линейной детерминации, или R-квадрат:

ESS – сумма квадратов остатков модели множественной регрессии с n независимыми переменными

TSS – общая сумма квадратов модели множественной регрессии с n независимыми переменными

.

R-квадрат, или коэффициент линейной детерминации является одной из наиболее эффективных оценок адекватности регрессионной R2модели, мерой качества уравнения регрессии в целом. Если R-квадрат > 0,95, говорят о высокой точности аппроксимации (модель хорошо описывает явление). Если R-квадрат лежит в диапазоне от 0,6 до 0,95, говорят об удовлетворительной аппроксимации (модель в целом адекватна описываемому явлению). Если R-квадрат < 0,5, принято считать, что точность аппроксимации недостаточна и модель требует улучшения (введения новых независимых переменных, учета нелинейностей и т. д.)

.

Для получения выводов о тесноте связей между исследуемыми параметрами используем шкалу Чеддока

.

В нашем случае, модель можно отнести к «заметной» и использовать при описании оперативной поездной ситуации и построении прогнозного варианта на небольшой интервал времени.

Дополнительно выполнена оценка качества полученной модели (ее достоверность) по уровню значимости критерия Фишера.

 

Формулы

n – это число наблюдений

m – число параметров при переменной x (то есть количество факторов в модели регрессии)

Дисперсионный анализ оценивает общее качество полученной модели: ее достоверность. Коэффициент Фишера должен быть меньше, чем 0,05 (строка Регрессия, столбец Значимость F).

В нашем случае коэффициент Фишера равен 9,38Е-67

P-Значение, или вероятность, позволяющая определить значимость коэффициента регрессии. В случаях, когда Р-Значение > 0,05, коэффициент может считаться нулевым, что означает, что соответствующая независимая переменная практически не влияет на зависимую переменную. В нашем случае величины менее 0,05, соответственно, независимые переменные в значительной мере влияют на полученную линейную регрессионную модель.

На следующем этапе производится расчет предсказанного Y, или теоретические (расчетные) значения результативного признака и вычисляется средняя ошибка аппроксимации.

где:

А – оценка погрешности линейной регрессионной модели;

Yi – расчетное значение показателя «задержанные поезда»;

Y – значение показателя «задержанные поезда» посуточно.

Оценка погрешности линейной регрессионной модели получена на уровне 12%, что является допустимой погрешностью. Если величина этой ошибки находится в пределах от 4% до 12%, то модель регрессии считается адекватной действительности.

В условиях возникновения риска, обусловленного влиянием внешних и внутренних факторов на пропускную способность участков Восточно-Сибирской железной дороги, возникает необходимость быстрого реагирования и принятия определенных решений в сложившейся ситуации

. Основными показателями при выборе мероприятий, ориентированных на снижение количества поездов, отставленных от движения, могут быть параметры, имеющие сильную корреляционную связь, такие как «транзит», «прием (поезда)», «участковая скорость» и др. Оценить степень влияния каждого параметра позволяет корреляционно-регрессионный анализ. Имея ряд недостатков, таких как громоздкость формирования данных (в нашем случае 363 позиции), существенное влияние на результат состава и объема выборки, нельзя не признать и положительные моменты: комплексное исследование зависимости факторов, быстрое получение прогнозируемых значений и проверка адекватности полученной модели. В случае, описанном выше, корреляционно-регрессионный анализ использован в качестве предварительной оценки степени влияния и создания прогнозной модели.