ПРОГНОЗИРОВАНИЕ ДИНАМИКИ ПРОБЕГА ЛОКОМОТИВОВ В РАМКАХ РЕМОНТА ПО КОНТРАКТУ ЖИЗНЕННОГО ЦИКЛА

Актуальность. За последние десять лет Контракты Жизненного Цикла (далее КЖЦ) стали востребованным видом взаимодействия государственного и частного секторов. По сравнению с традиционными государственными закупками эффективность КЖЦ еще полностью не подтверждена, но тем не менее, они могут использоваться для решения задач в отдельных сферах экономики, таких как сфера ремонта [1].

Основная ценность КЖЦ заключается в том, что заказчик получает возможность использовать полезные свойства объекта, не участвуя не только в производстве, но и в последующем обслуживании и утилизации. Благодаря этому КЖЦ набирает все большую популярность. За прошедшие десятилетия во многих странах был накоплен достаточно большой опыт использования КЖЦ, создана нормативно- правовая база, разработаны институционные механизмы, задающие рамки взаимодействия государства и субъектов частного сектора. Вместе с тем, как отмечают многие авторы, всестороннего анализа КЖЦ даже в зарубежной литературе еще не проведено [3].

Цель данной работы выделить преимущества и недостатки ремонта в рамках КЖЦ и определить целесообразность использования.

Смысл КЖЦ заключается в формировании единого контракта с подрядчиком на предоставление сервиса (услуги) в течении всего срока жизни входящих в проект объектов. За счет объединения всех этапов реализации проекта в единый контракт достигается существенное снижение производственных и эксплуатационных рисков, что позволяет значительно снизить затраты.

В настоящее время остается не до конца рассмотрено направление совершенствования метода планирования программы ремонта локомотивов в рамках новой концепции контракта жизненного цикла, а также в условиях стремительного развития локомотивного комплекса.

В настоящее время применяемая на сети железных дорог методика планирования потребности локомотивов в ремонтах, стоимости сервисного обслуживания не позволяет учесть технико-технологические, сезонные, случайные и административные факторы, влияющие на среднесуточный пробег – искомая дата наступления ремонта определяется по значению среднего в текущем году среднесуточного пробега для каждого локомотива в парке.  Кроме того, еще не существует модуля планирования, интегрированного с информационными системами холдинга, расчет не полностью автоматизирован. В условиях новой концепции поставки железнодорожной продукции на основе КЖЦ, в условиях стремительного развития инфраструктуры и локомотивного комплекса направление планирования программы ремонта подвижного состава до настоящего времени остается не до исследовано. Стратегией развития транспортного машиностроения РФ на период до 2030 года отмечена необходимость в переходе к новой системе планирования [6].

Для решения поставленной задачи было проведено исследование, в котором был проведен анализ зависимости суммы ремонта от км пробега  тепловозов.

1 этап:

На первом этапе построения модели был проведен одномерный анализ исходных данных (по пробегу).

Описательная статистика приведена в таблице 1:

Таблица 1.

Описательная статистика пробега, км

пробег (км) y
Среднее	897 922,21
Медиана	897 604
Стандартное отклонение	40 532,84
Минимум	841 333
Максимум	957 321
Счет	14
Коэф. вариации	4,51

 

Анализ показал следующее:

- Пробег тепловозов варьируется в диапазоне от 841 333 км до 957 321 км в месяц, при этом за половину не превышает 897 604 км, однако данный показатель может быть выше или ниже в среднем на 40 533 км.

- Рассчитанный коэффициент вариации не превышает пороговую величину в 33% (V_σ=4,51%), следовательно, средняя величина корректно описывает анализируемую зависимость.

В дальнейшем анализе и при принятии управленческого решения можно ориентироваться на среднюю величину пробега.

Одномерный анализ по сумме ремонта показал следующее:

- Сумма ремонта варьируется от 9 500 000 руб. до 17 872 000 руб., при этом за половину периода сумма ремонта не превышает 14 777 000 руб., в среднем сумма ремонта составляет 14 189 214 руб., однако данный показатель может быть выше или ниже в среднем на 2 641 839 руб.

- Рассчитанный коэффициент вариации не превышает пороговую величину в 33% (V_σ=18,62%), следовательно, средняя величина корректно описывает анализируемую зависимость.

Описательная статистика приведена в таблице 2:

Таблица 2.

Описательная статистика суммы ремонта, руб.

сумма ремонта (млн. руб.) х
Среднее	14 189 214
Медиана	14 777 000
Стандартное отклонение	2 641 839
Минимум	9 500 000
Максимум	17 872 000
Счет	14
Коэф. вариации	18,62

 

2 этап:

На втором этапе построения модели была выполнена визуализация исходных данных. (рис. 1)

Характер расположения точек на графике позволяет сделать следующие выводы:

- Между показателями наблюдается прямая статистическая связь (с увеличением суммы ремонта пробег увеличивается).

- Выбросы не диагностируются, целесообразно построение модели парной линейной регрессии.

3 этап:

На третьем этапе построения модели методом наименьших квадратов были оценены параметры уравнения вида y=a+b∙x, в результате была полученная следующая модель:

y=683 932+0,015х,

где х – это сумма ремонта, руб.; у – пробег, км

Расчетные таблицы представлены в приложении 1.

4 этап:

На четвертом этапе построения модели была проведена оценка ее качества по ряду критериев:

1) Коэффициент детерминации R²= 0,96, следовательно, полученная модель на 96% процента объясняет изменение суммы ремонта.

 

Коэффициент детерминации статистически значим с вероятностью ошибки менее 1% (α=3,41024040425463E-10).

 

2) Оценка на статистическую значимость параметров модели показало, что оба параметра статистически значимы, с вероятностью ошибки менее 1% (α_а=4,31092E-16;  α_b=3,41024E-10).

 

3) В процессе анализа была рассчитана средняя ошибка аппроксимации, она составила 0,69%, поскольку ее значение меньше порогового значения в 15%.

 

Можно сделать вывод, что модель хорошего качества.

 

В ходе дальнейшего анализа остатки регрессионной модели были проведены на соответствия условиям Гаусса-Маркова.

 

Проверка показала, что все условия выполняются (мат. Ожидание стремится к нулю, остатки подчиняются нормальному закону распределения, гетероскедестичность не обнаружена, автокорреляции остатков нет).

 

Можно сделать вывод, что модель хорошего качества.

5 этап:

На пятом этапе полученную модель можно интерпретировать следующим образом:

 

- Параметр а=683 932 показывает, какой будет в среднем пробег в км, если затраты на ремонт составят 0 рублей.

 

- Параметр (b=0,015) показывает, что на 15 км в среднем изменится пробег, если затраты на ремонт увеличатся на 1 000 руб.

 

- Если сумма ремонта увеличится на 1%, то пробег в среднем увеличится на 0,24%, согласно коэффициенту эластичности.

 

- На 96% полученная модель объясняет изменение пробега от суммы ремонта.

Полученную модель можно использовать для прогнозирования.

6 этап:

Спрогнозируем пробег при условии, что сумма ремонта увеличится в месяц увеличится на 10% относительно среднего уровня и составит 15 608 135,71 руб.

С надежностью в 95% можно утверждать, что пробег будет находится в диапазоне от 937 024 до 901 619 км.

 

Приложение 1

Заключение. Таким образом, предложенный метод на основе разработанной математической модели рассчитан на использование как при оперативном, так и при длительном планировании, в условиях планово-предупредительной системы ремонта может применятся к иному рельсовому или безрельсовому транспорту, чей межремонтный период нормирован пробегом.