Математическое моделирование региональных грузо- и пассажиропотоков

Standard

Математическое моделирование региональных грузо- и пассажиропотоков. / Sinitsyn, E.; Tolmachev, A.; Brusyanin, D. A.
в: Economy of Region, Том 15, № 4, 2019, стр. 1212-1225.

Результаты исследований: Вклад в журнал › Статья › Рецензирование

BibTeX

@article{d917433c83a34dfbb5fe47509b732391,

title = "Математическое моделирование региональных грузо- и пассажиропотоков",

abstract = "Разработка и реализация стратегий экономического и социального развития регионов России на период до 2035 года делает актуальным адекватное развитие транспортных услуг, затрагивающих все отрасли экономики и слои населения. В связи с этим в работе предложена модель, связывающая характеристики пассажирских и грузовых потоков с параметрами экономического и социального развития и демографической ситуацией в регионе. Такая модель позволяет конкретизировать нагрузку на транспортную систему, вытекающую из планов социально-экономического развития, а также планируемых решений в области хозяйственной деятельности. Для разработки модели были отобраны характеристики, описывающие экономическую ситуацию, рынок труда, демографические характеристики уровень жизни и социальную ситуацию в анализируемом субъекте,имеющие наибольшие коэффициенты корреляции с анализируемыми параметрами транспортной инфраструктуры. Затем пошагово проводился регрессионный анализ, при этом на каждом шаге к уже имеющимся переменным модели добавлялась новая, дающая наибольший прирост коэффициента детерминированности R2. Показано, что основным фактором, определяющим количество перевезенных автобусами общего пользования пассажиров, является среднегодовая численность занятых; на пассажирооборот наиболее сильно влияет численность населения. Количество перевезенных грузов определяется параметрами, характеризующими уровень развития производства (инвестициями в основной капитал и основными фондами в экономике, а также объемом отгруженных товаров собственного производства). Использование нелинейных моделей и сетей не привело к существенному уменьшению ошибок моделей. В работе также проведена кластеризация регионов РФ по показателям социально-экономического развития и характеристикам транспортной инфраструктуры, влияющим на транспортные потоки, оценена эффективность использования транспортной инфраструктуры в различных кластерах. Это позволит осуществлять целенаправленный бенчмаркинг — выбор субъектов для сравнения с анализируемым регионом",

keywords = "passenger and cargo flows, passenger turnover, cargo turnover, socio-economic development, correlation coefficients, multidimensional regression, determinacy coefficients, data mining, clustering, Kohonen self-organizing map, k-means method, hierarchical structure of clusters, Passenger and cargo flows, Determinacy coefficients, Socio-economic development, K-means method, Correlation coefficients, Multidimensional regression, Clustering, Data mining, Passenger turnover, Cargo turnover, Hierarchical structure of clusters, Kohonen self-organizing map, cargo turnover, clustering, correlation coefficients, data mining, determinacy coefficients, hierarchical structure of clusters, k-means method, multidimensional regression, passenger and cargo flows, passenger turnover, socio-economic development",

author = "E. Sinitsyn and A. Tolmachev and Brusyanin, {D. A.}",

year = "2019",

doi = "10.17059/2019-4-19",

language = "Русский",

volume = "15",

pages = "1212--1225",

journal = "Economy of Region",

issn = "2072-6414",

publisher = "Институт экономики Уральского отделения Российской академии наук",

number = "4",

}

RIS

TY - JOUR

T1 - Математическое моделирование региональных грузо- и пассажиропотоков

AU - Sinitsyn, E.

AU - Tolmachev, A.

AU - Brusyanin, D. A.

PY - 2019

Y1 - 2019

N2 - Разработка и реализация стратегий экономического и социального развития регионов России на период до 2035 года делает актуальным адекватное развитие транспортных услуг, затрагивающих все отрасли экономики и слои населения. В связи с этим в работе предложена модель, связывающая характеристики пассажирских и грузовых потоков с параметрами экономического и социального развития и демографической ситуацией в регионе. Такая модель позволяет конкретизировать нагрузку на транспортную систему, вытекающую из планов социально-экономического развития, а также планируемых решений в области хозяйственной деятельности. Для разработки модели были отобраны характеристики, описывающие экономическую ситуацию, рынок труда, демографические характеристики уровень жизни и социальную ситуацию в анализируемом субъекте,имеющие наибольшие коэффициенты корреляции с анализируемыми параметрами транспортной инфраструктуры. Затем пошагово проводился регрессионный анализ, при этом на каждом шаге к уже имеющимся переменным модели добавлялась новая, дающая наибольший прирост коэффициента детерминированности R2. Показано, что основным фактором, определяющим количество перевезенных автобусами общего пользования пассажиров, является среднегодовая численность занятых; на пассажирооборот наиболее сильно влияет численность населения. Количество перевезенных грузов определяется параметрами, характеризующими уровень развития производства (инвестициями в основной капитал и основными фондами в экономике, а также объемом отгруженных товаров собственного производства). Использование нелинейных моделей и сетей не привело к существенному уменьшению ошибок моделей. В работе также проведена кластеризация регионов РФ по показателям социально-экономического развития и характеристикам транспортной инфраструктуры, влияющим на транспортные потоки, оценена эффективность использования транспортной инфраструктуры в различных кластерах. Это позволит осуществлять целенаправленный бенчмаркинг — выбор субъектов для сравнения с анализируемым регионом

AB - Разработка и реализация стратегий экономического и социального развития регионов России на период до 2035 года делает актуальным адекватное развитие транспортных услуг, затрагивающих все отрасли экономики и слои населения. В связи с этим в работе предложена модель, связывающая характеристики пассажирских и грузовых потоков с параметрами экономического и социального развития и демографической ситуацией в регионе. Такая модель позволяет конкретизировать нагрузку на транспортную систему, вытекающую из планов социально-экономического развития, а также планируемых решений в области хозяйственной деятельности. Для разработки модели были отобраны характеристики, описывающие экономическую ситуацию, рынок труда, демографические характеристики уровень жизни и социальную ситуацию в анализируемом субъекте,имеющие наибольшие коэффициенты корреляции с анализируемыми параметрами транспортной инфраструктуры. Затем пошагово проводился регрессионный анализ, при этом на каждом шаге к уже имеющимся переменным модели добавлялась новая, дающая наибольший прирост коэффициента детерминированности R2. Показано, что основным фактором, определяющим количество перевезенных автобусами общего пользования пассажиров, является среднегодовая численность занятых; на пассажирооборот наиболее сильно влияет численность населения. Количество перевезенных грузов определяется параметрами, характеризующими уровень развития производства (инвестициями в основной капитал и основными фондами в экономике, а также объемом отгруженных товаров собственного производства). Использование нелинейных моделей и сетей не привело к существенному уменьшению ошибок моделей. В работе также проведена кластеризация регионов РФ по показателям социально-экономического развития и характеристикам транспортной инфраструктуры, влияющим на транспортные потоки, оценена эффективность использования транспортной инфраструктуры в различных кластерах. Это позволит осуществлять целенаправленный бенчмаркинг — выбор субъектов для сравнения с анализируемым регионом

KW - passenger and cargo flows

KW - passenger turnover

KW - cargo turnover

KW - socio-economic development

KW - correlation coefficients

KW - multidimensional regression

KW - determinacy coefficients

KW - data mining

KW - clustering

KW - Kohonen self-organizing map

KW - k-means method

KW - hierarchical structure of clusters

KW - Passenger and cargo flows

KW - Determinacy coefficients

KW - Socio-economic development

KW - K-means method

KW - Correlation coefficients

KW - Multidimensional regression

KW - Clustering

KW - Data mining

KW - Passenger turnover

KW - Cargo turnover

KW - Hierarchical structure of clusters

KW - Kohonen self-organizing map

KW - cargo turnover

KW - clustering

KW - correlation coefficients

KW - data mining

KW - determinacy coefficients

KW - hierarchical structure of clusters

KW - k-means method

KW - multidimensional regression

KW - passenger and cargo flows

KW - passenger turnover

KW - socio-economic development

UR - https://gateway.webofknowledge.com/gateway/Gateway.cgi?GWVersion=2&SrcAuth=tsmetrics&SrcApp=tsm_test&DestApp=WOS_CPL&DestLinkType=FullRecord&KeyUT=000503421700019

UR - https://elibrary.ru/item.asp?id=41526421

UR - http://www.scopus.com/inward/record.url?scp=85078618012&partnerID=8YFLogxK

U2 - 10.17059/2019-4-19

DO - 10.17059/2019-4-19

M3 - Статья

VL - 15

SP - 1212

EP - 1225

JO - Economy of Region

JF - Economy of Region

SN - 2072-6414

IS - 4

ER -

ID: 11785448