Analysis of the impact of the use time of n1 motor vehicles on the economic efficiency of their maintenance

• Autorzy: Jóźwiak Arkadiusz , Owczarek Paulina , Prochowski Leon , Świderski Andrzej

Identyfikatory

DOI

10.17531/ein.2020.1.14

Warianty tytułu

PL

Badanie wpływu czasu wykorzystania samochodów kategorii n1 na efektywność ekonomiczną ich eksploatacji

• Języki publikacji: EN PL

Abstrakty

EN

The efficiency of operation of motor vehicles with a DMC (Permissible Laden Mass) <3.5 tonnes is considered. These are vehicles belonging motor vehicles of category N1, usually referred to as delivery vehicles. The results of observations on the implementation of transport orders in 7 transport companies from the MŚP (Small and Middle-size Companies) sector were used to conduct the effectiveness analysis. The research group covered 24 vehicles that implementation transport orders in the urban zone and in the immediate vicinity of the city. Information was collected on a monthly basis.During the analysis of economic efficiency the income measures (absolute and relative) were used. The calculations were carried out using the model of the vehicle operation process in the form of a neural network, in which a set of 12 input variables and 3 output variables were taken into account. Using the Statistica 13.3 computer program and defining the group and factors describing the process of implementation of individual transport tasks, the developed neural network model enabled searching for the impact of selected operational factors on the economic efficiency of N1 category cars.The calculations showed a significant impact of the number of vehicle days in a month, the weight of the load, as well as the time of year. The obtained calculation results showed the specific features of the impact of the number of working days on revenue in a transport company. The increase in the number of working days favors the increase in income in a limited way, and this restriction depends, among others since the time of year.

PL

Rozważa się efektywność eksploatacji samochodów ciężarowych o DMC < 3,5 tony. Są to pojazdy należące do kategorii N1 (według Dyrektywy 2007/46/WE) zwykle nazywane samochodami dostawczymi. Do prowadzonej analizy efektywności wykorzystano wyniki obserwacji z realizacji zleceń przewozowych w 7 firmach transportowych z sektora MŚP. Grupa badawcza objęła 24 pojazdy, które wykonywały zadania transportowe w strefie miejskiej i w najbliższym otoczeniu miasta. Informacje gromadzono w cyklach miesięcznych. Podczas analizy efektywności ekonomicznej zastosowano kilka miar przychodu (bezwzględny i względny). Obliczenia prowadzono przy wykorzystaniu modelu procesu eksploatacji pojazdów w postaci sieci neuronowej, w której brano pod uwagę zbiór 12 zmiennych wejściowych i 3 zmienne wyjściowe. Stosując program komputerowy Statistica 13.3 oraz zdefiniowanie grupy i czynniki opisujące proces realizacji poszczególnych zadań transportowych, opracowany model sieci neuronowej umożliwił poszukiwanie wpływu wybranych czynników eksploatacyjnych na efektywność ekonomiczną samochodów kategorii N1. Przeprowadzone obliczenia pokazały istotny wpływ liczby dni pracy pojazdów w miesiącu, masę ładunku, a także porę roku. Uzyskane wyniki obliczeń pokazały specyficzne cechy wpływu liczby dni pracy na przychód w firmie transportowej. Wzrost liczby dni pracy sprzyja wzrostowi przychodu w sposób ograniczony, a to ograniczenie zależy m.in. od pory roku.

Słowa kluczowe

EN

operation of vehicles; motor vehicles of category N1; economic efficiency; neural networks

PL

eksploatacja samochodów; pojazdy samochodowe kategorii N1; efektywność ekonomiczna; sieci neuronowe

• Wydawca: Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne
• Czasopismo: Eksploatacja i Niezawodność
• Rocznik: 2020
• Tom: Vol. 22, no. 1
• Strony: 121--129
• Opis fizyczny: Bibliogr. 27 poz., rys., tab.

Twórcy

autor

Jóźwiak Arkadiusz

• Faculty of the Security, Logistics and Management Military University of Technology ul. gen. Sylwestra Kaliskiego 2, 00-908 Warsaw 46, Poland

autor

Owczarek Paulina

• Faculty of the Security, Logistics and Management Military University of Technology ul. gen. Sylwestra Kaliskiego 2, 00-908 Warsaw 46, Poland

autor

Prochowski Leon

• Faculty of Mechanical Engineering Military University of Technology ul. gen. Sylwestra Kaliskiego 2, 00-908 Warsaw 46, Poland

autor

Świderski Andrzej

• Motor Transport Institute ul. Jagiellońska 80, 03-301 Warsaw, Poland

Bibliografia

• 1. Aleksandrowicz P, Żółtowski B. Vehicle repair costs calculation systems. Polish Association for Knowledge Management. Warszawa: BEL Studio sp. z o.o., 2010.
• 2. Andrzejczak K, Młyńczak M, Selech J. Poisson-distributed failures in the predicting of the cost of corrective maintenance. Eksploatacja i Niezawodnosc - Maintenance and Reliability 2018; 20 (4): 602-609, https://doi.org/10.17531/ein.2018.4.11.
• 3. Biesok G. Logistyka Usług. Warszawa: CeDeWu, 2013.
• 4. Bronk H. Cechy i układ kosztów w transporcie umożliwiające podejmowanie decyzji. Koszty i ceny w transporcie. Pomiar analiza. Szczecin: Zeszyty naukowe 813, 2014; 21 - 38.
• 5. Chen X, Xiao L, Zhang X, Xiao W, Li J. An integrated model of production scheduling and maintenance planning under imperfect preventive maintenance. Eksploatacja i Niezawodnosc - Maintenance and Reliability 2015; 17 (1): 70-79, https://doi.org/10.17531/ein.2015.1.10.
• 6. Chłopek Z, Bebkiewicz K. Model of the structure of motor vehicles for the criterion of the technical level on account of pollutant emission. Eksploatacja i Niezawodnosc - Maintenance and Reliability 2017; 19 (4): 501-507, https://doi.org/10.17531/ein.2017.4.2.
• 7. Coupek D, Gulec A, Lechler A,Verl A. Selective rotor assembly using fuzzy logic in the production of electric drives. Conference on Intelligent Computation in Manufacturing Engineering, 2014, https://doi.org/10.1016/j.procir.2015.06.074.
• 8. Gohari A, Matori N A, Yusof K W, Toloue I, Sholagberu A T. The effect of fuel price increase on transport cost of container transport vehicles. International Journal of GEOMATE 2018; 15: 174-181, https://doi.org/10.21660/2018.50.30814.
• 9. Himanen V, Nijkamp P, Reggiani A. Neural networks in transport applications. Ashgate 1998. Reissued 2018 by Routledge, https://doi.org/10.4324/9780429445286.
• 10. Jóźwiak A. Application of Kohonen's Network in Logistics. Gospodarka Materiałowa i Logistyka 2017; 5: 258-271.
• 11. Kijek M, Brzeziński M, Gontarczyk M, Rykała Ł, Zelkowski J. Fuzzy Modeling of Evaluation Logistic Systems. Transport Means 2017; 2: 377-382.
• 12. Kleiner F, Friedrich H E. Development of a Transport Application based Cost Modelfor the assessment of future commercial vehicle concepts. Geneva: European Battery, Hybrid and Fuel Cell Electric Vehicle Congress, 2017.
• 13. Kowalski M, Magott J, Nowakowski T, Werbińska-Wojciechowska T. Analysis of transportation system with the use of Petri nets. Eksploatacja i Niezawodnosc - Maintenance and Reliability 2011; 1 (49): 48-62.
• 14. Koźlak A. Ekonomika transportu. Teoria i praktyka. Gdańsk: Wydawnictwo Uniwersytetu Gdańskiego, 2010.
• 15. Mendyk E. Ekonomika transportu. Poznań: Wyższa Szkoła Logistyki, 2009.
• 16. Niewczas A, Rymarz J, Debicka E. Stages of operating vehicles with respect to operational efficiency using city buses as an example. Eksploatacja i Niezawodnosc - Maintenance and Reliability 2019; 21 (1): 21-27, https://doi.org/10.17531/ein.2019.1.3.
• 17. Oziemski S. Efektywność eksploatacji maszyn. Podstawy techniczno - ekonomiczne. Radom: Biblioteka problemów eksploatacji, 1999.
• 18. Prochowski L. Evaluation of the process of mileage growth during the operation of motor trucks, in several categories of engine cubic capacity. Eksploatacja i Niezawodnosc - Maintenance and Reliability 2018; 20 (3): 359-370, https://doi.org/10.17531/ein.2018.3.3.
• 19. Raporty z Internetu Głównego Inspektoratu Transportu Drogowego.
• 20. Rudyk T, Szczepański E, Jacyna M. Safety factor in the sustainable fleet management model. Archives of Transport 2019; 49: 103-114, https://doi.org/10.5604/01.3001.0013.2780.
• 21. Świderski A, Borucka A, Jacyna-Gołda I, Szczepański E. Wear of brake system components in various operating conditions of vehicle in the transport company. Eksploatacja i Niezawodnosc - Maintenance and Reliability 2019; 21 (1): 1-9, https://doi.org/10.17531/ein.2019.1.1.
• 22. Świderski A, Jóźwiak A, Jachimowski R. Operational quality measures of vehicles applied for the transport services evaluation using artificial neural networks. Eksploatacja i Niezawodnosc - Maintenance and Reliability 2018; 20 (2): 292-299, https://doi.org/10.17531/ein.2018.2.16.
• 23. Świderski A. Studies and quality assurance neural modelling of the technical transport means. Archive of Transport. Polish Academy of Sciences Committee of Transport 2009; 21 (3-4).
• 24. Teodorovic D, Vukadinovic K. Traffic Control and Transport Planning:: A Fuzzy Sets and Neural Networks Approach. Springer Science+Business Media 2012.
• 25. Urbanyi-Popiołek I. Ekonomiczne i organizacyjne aspekty transportu. Bydgoszcz: Wyższa Szkoła Gospodarki, 2013.
• 26. Witkowski K, Tanona K. Analiza kosztów transportu drogowego. Logistyka 2013; 5: 411 - 416.
• 27. Zał. nr 2. do U. z dnia 20 czerwca 1997 r. Prawo o ruchu drogowym.

Uwagi

Opracowanie rekordu ze środków MNiSW, umowa Nr 461252 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2020).