Науковий вісник НГУ

Формування сталих стратегій експедиторських компаній у середовищі ринку автомобільних перевезень

• 
• 

Рейтинг користувача:  / 0

ГіршийКращий 

Деталі

Категорія: Зміст №5 2023

Останнє оновлення: 27 жовтня 2023

Опубліковано: 30 листопада -0001

Перегляди: 1910

Authors:

В. Наумов, orcid.org/0000-0001-9981-4108, Національний технічний університет «Дніпровська політехніка», м. Дніпро, Україна

Б. Умарова, orcid.org/0009-0007-7609-3548, Університет Торайгрова, м. Павлодар, Республіка Казахстан

І. Таран*, orcid.org/0000-0002-3679-2519, Національний технічний університет «Дніпровська політехніка», м. Дніпро, Україна, e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

Р. Мирзагельдієв, orcid.org/0009-0001-3345-1559, Казахстанський університет інноваційних і телекомунікаційних систем, м. Алмати, Республіка Казахстан; Казахстанський інститут стандартизації та метрології, м. Алмати, Республіка Казахстан

З. Турсимбекова, orcid.org/0000-0001-6483-5451, Міжнародний транспортно-гуманітарний університет, м. Алмати, Республіка Казахстан

В. Литвин, orcid.org/0000-0002-1572-9000, Національний технічний університет «Дніпровська політехніка», м. Дніпро, Україна

* Автор-кореспондент e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

повний текст / full article

Naukovyi Visnyk Natsionalnoho Hirnychoho Universytetu. 2023, (5): 148 - 155

https://doi.org/10.33271/nvngu/2023-5/148

Abstract:

Мета. Запропонувати методологію формування стійких стратегій транспортно-експедиторських компаній в умовах невизначеності стохастичного середовища транспортного ринку.

Методика. Для формалізації конфліктної ситуації використані елементи теорії ігор, де невизначеність транспортного ринку розглядається як гра із природою. Для побудови моделі ринку вантажних перевезень використані принципи теорії систем для моделювання діяльності експедиторської компанії як елементу макрологістичної системи транспортного ринку. Методами об’єктно-орієнтованого програмування розроблене спеціальне програмне забезпечення для комп’ютерного моделювання роботи експедитора на ринку транспортних послуг. В якості основної методики обробки числових результатів експериментальних досліджень використано регресійний аналіз. Для обґрунтування сталої стратегії транспортно-експедиторської компанії в розглянутому прикладі застосовані елементи функціонального аналізу.

Результати. Результати проведеного експерименту дозволили визначити якісні залежності між кількістю обслуговуваних заявок і кількістю диспетчерів, залучених до обслуговування заявок, для випадку, коли рішення операторів підтримуються спеціалізованим програмним забезпеченням, і для випадку, коли рішення приймаються традиційно.

Наукова новизна. Використання теоретико-ігрового підходу у цьому дослідженні базується на розширеному моделюванні процесу обслуговування вантажів, де випадковість попиту та стохастичність процесу обслуговування враховуються комплексно. Це дозволило обґрунтувати нову стратегію оптимального функціонування транспортно-експедиторських компаній.

Практична значимість. Запропонований методологічний підхід пропонується використовувати транспортно-експедиторським компаніям для оцінки стійких стратегій при обслуговуванні клієнтів на даному ринку. Використання розробленого підходу на практиці дозволяє експедиторам знизити експлуатаційні витрати, досягнувши мінімального негативного впливу на навколишнє середовище.

Ключові слова: сталий розвиток, теорія ігор, експедирування вантажів, стохастичний попит

References.

1. Ramazan, B., Mussaliyeva, R., Bitileuova, Z., Naumov, V., & Taran, I. (2021). Choosing the logistics chain structure for deliveries of bulk loads: Case study of the Republic Kazakhstan. Naukovyi Visnyk Natsionalnoho Hirnychoho Universytetu, (3), 142-147. https://doi.org/10.33271/nvngu/2021-3/142.

2. Taran, I., Karsybayeva, A., Naumov, V., Murzabekova, K., & Chazhabayeva, M. (2023). Fuzzy-Logic Approach to Estimating the Fleet Efficiency of a Road Transport Company: A Case Study of Agricultural Products Deliveries in Kazakhstan. Sustainability (Switzerland), 15(5), 4179. https://doi.org/10.3390/su15054179.

3. Naumov, V., Zhamanbayev, B., Agabekova, D., Zhanbirov, Z., & Taran, I. (2021). Fuzzy-logic approach to estimate the passengers’ preference when choosing a bus line within the public transport system. Communications – Scientific Letters of the University of Žilina, 23(3), A150-A157. https://doi.org/10.26552/com.C.2021.3.A150-A157.

4. Nugymanova, G., Nurgaliyeva, M., Zhanbirov, Zh., Naumov, V., & Taran, I. (2021). Choosing a servicing company’s strategy while interacting with freight owners at the road transport market. Naukovyi Visnyk Natsionalnoho Hirnychoho Universytetu, (1), 204-210. https://doi.org/10.33271/nvngu/2021-1/204.

5. Kadłubek, М. (2022). Relevance of modern technologies for sustainability-focused road freight transport service management in a competitive market. Procedia Computer Science, 207, 2013-2022. https://doi.org/10.1016/j.procs.2022.09.260.

6. Fulzele, V., & Shankar, R. (2022). Improving freight transportation performance through sustainability best practices. Transportation Research Part A: Policy and Practice, 165, 285-299. https://doi.org/10.1016/j.tra.2022.09.009.

7. Taherkhani, G., Bilegan, I. C., Crainic, T. G., Gendreau, V., & Rei, W. (2022). Tactical capacity planning in an integrated multi-stakeholder freight transportation system. Omega, 110, 102628. https://doi.org/10.1016/j.omega.2022.102628.

8. Ren, S., Choi, T-M., Lee, K-M., & Lin, L. (2020). Intelligent service capacity allocation for cross-border-E-commerce related third-party-forwarding logistics operations: A deep learning approach. Transportation Research Part E: Logistics and Transportation Review, 134, 101834. https://doi.org/10.1016/j.tre.2019.101834.

9. Mussin, A., Imashev, A., Matayev, A., Abeuov, Ye., Shaike, N., & Kuttybayev, A. (2023). Reduction of ore dilution when mining low-thickness ore bodies by means of artificial maintenance of the mined-out area. Mining of Mineral Deposits, 17(1), 35-42. https://doi.org/10.33271/mining17.01.035.

10. Wang, X., Kopfer, H., & Gendreau, M. (2014). Operational transportation planning of freight forwarding companies in horizontal coalitions. European Journal of Operational Research, 237(3), 1133-1141. https://doi.org/10.1016/j.ejor.2014.02.056.

11. Krajewska, M. A., & Kopfer, H. (2009). Transportation planning in freight forwarding companies: Tabu search algorithm for the integrated operational transportation planning problem. European Journal of Operational Research, 197(2), 741-751. https://doi.org/10.1016/j.ejor.2008.06.042.

12. Chow, K. H., Siu, W., Chan, C-H., & Chan, C. B. (2013). An argumentation-oriented multi-agent system for automating the freight planning process. Expert Systems with Applications, 40(10), 3858-3871. https://doi.org/10.1016/j.eswa.2012.12.042.

13. Reis, W. (2019). A new theoretical framework for integration in freight transport chains. Transport Reviews, 39(5), 589-610. https://doi.org/10.1080/01441647.2019.1573860.

14. Ren, S., Choi, T-M., Lee, K-M., & Lin, L. (2020). Intelligent service capacity allocation for cross-border-E-commerce related third-party-forwarding logistics operations: A deep learning approach. Transportation Research Part E: Logistics and Transportation Review, 134, 101834. https://doi.org/10.1016/j.tre.2019.101834.

15. Wang, S., & Yan, R. (2023). Fundamental challenge and solution methods in prescriptive analytics for freight transportation. Transportation Research Part E: Logistics and Transportation Review, 169, 102966. https://doi.org/10.1016/j.tre.2022.102966.

16. Tsolaki, K., Vafeiadis, K., Nizamis, A., Ioannidis, Dimosthe­nis K., & Tzovaras, D. (2023). Utilizing machine learning on freight transportation and logistics applications: A review. ICT Express, 9(3), 284-295. https://doi.org/10.1016/j.icte.2022.02.001.

17. Khakdaman, M., Rezaei, J., & Tavasszy, Lóránt A. (2020). Shippers’ willingness to delegate modal control in freight transportation. Transportation Research Part E: Logistics and Transportation Review, 141, 102027. https://doi.org/10.1016/j.tre.2020.102027.

18. Herold, David M., Fahimnia, B., & Breitbarth, T. (2023). The digital freight forwarder and the incumbent: A framework to examine disruptive potentials of digital platforms. Transportation Research Part E: Logistics and Transportation Review, 176, 103214. https://doi.org/10.1016/j.tre.2023.103214.

19. Günay, G. (2023). Shipment size and vehicle choice modeling for road freight transport: A geographical perspective. Transportation Research Part A: Policy and Practice, 173, 103732. https://doi.org/10.1016/j.tra.2023.103732.

20. Mohsen, Baha M. (2023). Multi-Criteria Decision System for the Selection of A Freight Forwarder Using AHP. Procedia Computer Science, 220, 135-144. https://doi.org/10.1016/j.procs.2023.03.020.

21. Kellner, F., Otto, A., & Brabänder, K. (2017). Bringing infrastructure into pricing in road freight transportation – A measuring concept based on navigation service data. Transportation Research Procedia, 25, 794-805. https://doi.org/10.1016/j.trpro.2017.05.458.

22. Matteis, T., Liedtke, G., & Wisetjindawat, W. (2016). A Framework for Incorporating Market Interactions in an Agent Based Model for Freight Transport. Transportation Research Procedia, 12, 925-937. https://doi.org/10.1016/j.trpro.2016.02.044.

23. Dewi, D. S., & Septiana, T. (2015). Workforce Scheduling Considering Physical and Mental Workload: A Case Study of Domestic Freight Forwarding. Procedia Manufacturing, 4, 445-453. https://doi.org/10.1016/j.promfg.2015.11.061.

24. Aguas, O., & Bachmann, C. (2022). Assessing the effects of input uncertainties on the outputs of a freight demand model. Research in Transportation Economics, 95, 101234. https://doi.org/10.1016/j.retrec.2022.101234.

25. Jóvér, V., Gáspár, L., & Fischer, S. (2022). Investigation of Tramway Line No. 1, in Budapest, Based on Dynamic Measurements. Acta Polytechnica Hungarica, 19(3), 65-76. https://doi.org/10.12700/APH.19.3.2022.3.6.

26. Szalai, S., Szürke, S. K., Harangozó, D., & Fischer, S. (2022). Investigation of deformations of a lithium polymer cell using the Digital Image Correlation Method (DICM). Reports in Mechanical Engineering, 3(1), 116-134. https://doi.org/10.31181/rme20008022022s.

27. Zuniga-Garcia, N., Ismael, A., & Stinson, M. (2023). A freight asset choice model for agent-based simulation models. Procedia Computer Science, 220, 704-709. https://doi.org/10.1016/j.procs.2023.03.092.

28. Zholmagambetov, N., Khalikova, E., Demin, V., Balabas, A., Abdrashev, R., & Suiintayeva, S. (2023). Ensuring a safe geomechanical state of the rock mass surrounding the mine workings in the Karaganda coal basin, Kazakhstan. Mining of Mineral Deposits, 17(1), 74-83. https://doi.org/10.33271/mining17.01.074.

29. Naumov, V., & Kholeva, O. (2017). Studying Demand for Freight Forwarding Services in Ukraine on the Base of Logistics Portals Data. Procedia Engineering, 187, 317-323. https://doi.org/10.1016/j.proeng.2017.04.381.

30. Naumov, V., & Kholeva, O. (2017). Forming the Strategies of Sustainable Development of Freight Forwarders at Transportation Market. Naukovyi Visnyk Natsionalnoho Hirnychoho Universytetu, (3), 129-134.

31. Naumov, V. Java Code for Simulations of the Freight Forwarding Processes. Retrieved from https://www.academia.edu/31832379.

• < Попередня
• Наступна >