Academic literature on the topic 'Ціна автомобіля'

Розроблено методичний підхід до оптимізації параметрів транспортного процесу міських вантажних перевезень. Підхід ґрунтується на моделі сумарних питомих витрат, які враховують три складові.Перша складова залежить від тарифу на перевезення, довжини маршруту, маси перевезеного вантажу, а також технічної швидкості руху, частоти надходження заявок на транспортне обслуговування і коефіцієнта надійності транспортного обслуговування .Друга складова питомих витрат залежить від кількості автомобілів, що перебувають в наряді, технічної швидкості руху, сумарного часу транспортного обслуговування, витрати палива і його ціни, а також маси перевезеного вантажу, коефіцієнт використання пробігу, коефіцієнт використання вантажопідйомності автомобіля.Третя складова залежить від кількості автомобілів, що перебувають в наряді, сумарного часу транспортного обслуговування з урахуванням збільшення часу на виконання навантажувальнорозвантажувальних робіт, початкової вартості автомобіля і витрат на технічне обслуговування автомобіля та амортизацію.Отримано математичні вирази, які дозволяють виконати математичне моделювання сумарних витрат на міські вантажні перевезення та розрахунковим шляхом отримати оптимальну масу вантажу, що перевозиться. Показано, що при величині коефіцієнтів використання пробігу, який дорівнює 0,5 і величині коефіцієнтів використання вантажопідйомності автомобіля, який дорівнює 0,5, запланована маса вантажу для перевезення майже не відрізняється від оптимальної. При збільшенні зазначених коефіцієнтів до одиниці оптимальна маса збільшується в 1,4-1,6 разів.Показано, що для зменшення сумарних питомих витрат на міські вантажні перевезення необхідно розрахунковим шляхом проводити корегування маси перевезеного вантажу.

В роботі представлено математичні вирази для визначення сумарних питомих витрат та результати моделювання витрат на міські вантажні перевезення. Сумарні витрати мають три складові. Перша складова залежить від тарифу на перевезення, довжини маршруту, маси перевезеного вантажу, а також технічної швидкості руху, частоти надходження заявок на обслуговування та коефіцієнта надійності.Друга складова питомих витрат залежить від кількості автомобілів, що перебувають в наряді, технічної швидкості руху, сумарного часу транспортного обслуговування, витрати палива і його ціни, а також маси перевезеного вантажу, коефіцієнтів використаного пробігу, вантажопідйомності та коефіцієнта надійності.Третя складова залежить від кількості автомобілів, що перебувають в наряді, сумарного часу транспортного обслуговування з урахуванням збільшення часу на вантажно-розвантажувальні роботи, початкової вартості автомобіля і витрат на технічне обслуговування та амортизацію, а також маси перевезеного вантажу і коефіцієнта надійності.Сумарне значення отриманих питомих витрат є економічним критерієм вибору оптимальних маршрутів на транспортне обслуговування.Проведено моделювання впливу різних факторів і робочих параметрів транспортного процесу міських вантажних перевезень дозволяє стверджувати, що питомі витрати на транспортне обслуговування В, грн/т, однозначно збільшуються при збільшенні довжини маршруту, однак, при цьому, мають оптимум при зміні маси перевезеного вантажу. Встановлено, що на існування оптимуму впливають коефіцієнт використання пробігу і коефіцієнт використання вантажопідйомності автомобілів.Показано вплив логістичного центру (потужності логістичного центру) на питомі витрати транспортного обслуговування. Недостатня потужність ЛЦ збільшує час оформлення однієї заявки, що приводить до збільшення сумарних питомих витрат. Це дозволяє зробити висновок, що потужністю логістичного центру необхідно управляти.

Мета. Мета статті полягає в обґрунтуванні теоретичних засад застосування проектного підходу у сфері аграрної логістики й аналізі сучасного стану та тенденцій перевезення вантажів в аграрному секторі України. Результати. На основі аналізу літератури визначено сутність таких понять: «логістичний проект», «управління проектами в аграрній логістиці», «логістичне забезпечення аграрного сектора», «проекти логістичного забезпечення аграрного сектора». Аналіз динаміки обсягу перевезення вантажів автотранспортними підприємствами в аграрному секторі протягом 2015–2020 рр. виявив тенденцію до зростання цього показника та продемонстрував їх важливе місце в загальному обсязі перевезення вантажів в Україні (їх питома вага становила 12,4–14,0 %). Установлено, що обсяг перевезення вантажів аграрного сектора різними видами транспорту збільшується, що є результатом нарощування обсягів виробництва аграрної продукції, передусім зернових, проте наявна логістична інфраструктура не завжди забезпечує на достатньому рівні потреби агробізнесу. Виявлено тенденцію до підвищення середніх цін перевезення вантажів, що склалися при купівлі сільськогосподарськими підприємствами, однак темпи зростання, як і самі ціни, істотно варіюють у розрізі регіонів України. Наукова новизна. Запропоновано авторське трактування поняття «проекти логістичного забезпечення аграрного сектора» як комплекс взаємопов’язаних одноразових заходів, які виконуються в межах логістичної діяльності та спрямовані на досягнення визначених цілей у рамках встановлених часових і ресурсних обмежень. Дістали подальшого розвитку положення щодо оцінки логістичного забезпечення аграрного сектора на основі аналізу динаміки обсягу перевезення вантажів різними видами транспорту та середніх цін перевезення вантажів, що склалися при купівлі сільськогосподарськими підприємствами. Практична цінність. Установлено, що за збереження наявного середньорічного зростання цін перевезення аграрних вантажів, в Україні можна прогнозувати їх підвищення у 2022 р. до 3,00 грн/т·км. З огляду на те, що логістичні витрати в аграрному секторі України значно більші, ніж у ЄС та США, необхідно розробляти й реалізовувати проекти, спрямовані на здешевленням транспортування аграрних товарів різними видами транспорту, модернізацію парків вагонів-зерновозів та автомобілів, розвиток річкової логістики, дорожньої, портової та припортової інфраструктури для реалізації стратегії сталої логістики.

Відновлення деталей автомобілів та інших машин дозволяє використати їх матеріал, форму і залишкову довговічність, що зменшує потребу запасних частин, праці, енергії та матеріалів, а також сприяє збереженню навколишнього середовища. Дослідженнями встановлено, що 85% деталей машин стають не роботоздатними при зношуваннях поверхонь не більше 0,2-0,3 мм, а собівартість їх відновлення складає 50-60% від ціни нової деталі. Зношені поверхні можуть бути відновлені, як правило, декількома способами. В залежності від величини зношування, матеріалу деталі та її термообробки запропонований метод вибору раціональної технології відновлення зношеної поверхні в залежності від технологічних можливостей виробництва, умов експлуатації, собівартості відновлення, залежності вартості відновлення від довговічності роботи. Оцінка цих чинників виконується послідовно за технологічним, ресурсним та економічним критеріями. Остаточне рішення щодо вибору технології відновлення приймається на конкретному виробництві з врахуванням його технічних та фінансових можливостей.

Розв'язок задач електронної комерції, які здебільшого характеризуються нелінійними поверхнями відгуку, є важливим завданням. Застосування сучасних засобів обчислювального інтелекту не завжди є доречним зважаючи на складність реалізації процедур навчання і налагодження. Неітеративні засоби та нейронні мережі без навчання також не забезпечують задовільної точності результату. З огляду на це у роботі описано новий ансамбль на підставі нейронних мереж узагальненої регресії. Основна ідея розробленого ансамблю полягає в лінеаризації поверхні відгуку, що задається даними наявної вибірки. Для цього отримана за допомогою мережі GRNN поверхня подається на вхід лінійної нейроподібної структури. Така комбінація забезпечує підвищення точності роботи ансамблю під час розв'язання поставленої задачі. Описаний ансамбль застосовано для розв'язання задачі прогнозування ціни на вживані автомобілі. Експериментальним способом підібрано оптимальні параметри його роботи. Шляхом порівняння із відомими методами встановлено найвищу точність його роботи. Результати експериментальних досліджень порівняно з теоретичними оцінками на підставі висновків теореми Кондорсе про журі присяжних. Розроблений ансамбль нейронних мереж узагальненої регресії на підставі зміщення поверхонь відгуку та з додатковим використанням нейроподібних структур Моделі послідовних геометричних перетворень варто застосовувати під час розв'язання різноманітних задач електронної комерції підвищеної точності.

Дипломна робота містить: 117 с., 13 табл., 29 рис., 2 дод. та 46 джерел. Об’єктом дослідження є вибірка даних вторинного автомобільного ринку України за 2020 рік. Предметом дослідження є методи інтелектуального аналізу даних на основі регресії з використанням дерев рішень. Програмною мовою обрано Python. Метою роботи є визначення найкращої моделі для виконання прогнозу ціни автомобіля використовуючи дані вторинного автомобільного ринку України. В роботі проведено дослідження застосування дерев рішень та різних методів, що засновуються на них в розглядаємій задачі при прогнозуванні на основі існуючих даних 2020 року. Виділено основні фактори, які впливають на ціну. У ході дослідження було встановлено, що метод випадкових лісів дає хороші результати на досліджуваних даних. Планується розвивати роботу у напрямку дослідження застосування даного методу з метою подальшого зменшення похибки прогнозування у різних задачах, пов’язаних з прогнозуванням цін не лише автомобілів, але і інших транспортних засобів.
The bachelors work consists of: 117 p., 13 tables, 29 fig., 2 add. and 46 references. The object of the study is a sample of data from the secondary automotive market of Ukraine for 2020. The subject of research is methods of data mining based on regression using decision trees. Python is selected as the programming language. The aim of the work is to determine the best model for forecasting the price of a car using data from the secondary car market of Ukraine. The study of the application of decision trees and various methods based on them in this problem in forecasting based on existing data for 2020. The main factors that affect the price are highlighted. In course of the study, it was found that the method of random forests gives good results on the studied data. It is planned to develop work in the direction of research on the application of this method in order to further reduce the forecasting error in various tasks related to forecasting the prices not only of cars but also of other vehicles.