Грузовые перевозки в Европе

Грузовые перевозки составляют значительную долю от общего объема транспортных операций в Европе. По последним имеющимся данным, общий объем грузовых перевозок между европейскими странами в 2016 году оценивался в 3,661 млрд т-км.

На долю автомобильного транспорта приходилось 50% этого общего объема (подробнее на сайте: https://gruzovik-59.ru/), причем морские перевозки (внутренние и внутри ЕС) занимали второе место по значимости (32%), в то время как железнодорожные перевозки составляли 11%, внутренние водные пути-4%, нефтепроводы-3% и воздушный транспорт-всего 0,1% [1]. Сектор грузовых перевозок требует доступа к высококачественным данным в качестве средства усиления исследований, анализа и моделирования грузовых перевозок. Проще говоря, система анализа требует:

  • сбора,
  • доступности,
  • обмена соответствующей статистической информацией.

Сбор точных, надежных и своевременных данных является основной предпосылкой для планирования перевозок и принятия решений. Это трудоемкая и утомительная процедура, требующая использования различных источников и их объединения в единую базу данных. Одной из основных проблем, с которыми сталкивается сбор данных, является согласованность и сопоставимость различных используемых баз данных. В ряде случаев данные собираются с помощью опросов и анкет, что свидетельствует о необходимости создания последовательной и надлежащим образом подготовленной команды [2]. Отсутствие или неполнота данных, разброс информации и цифр по различным источникам или наборам данных увеличивают степень сложности извлечения точных и эффективных результатов.

Доступность данных относится к набору терминов, означающих доступность метаданных, но также и к степени легкости, с которой различные категории пользователей могут получить доступ к ним, понять их и манипулировать ими [3]. Обмен данными порождает вопросы конфиденциальности и, следовательно, распространения имеющихся данных. Частные и государственные органы, такие как портовые власти, судоходные или логистические компании, собирают значительный объем данных о перемещаемых товарах. Однако наличие потенциальных правил защиты данных ограничивает обмен данными. Заинтересованные стороны подчеркивают, что наиболее важным для грузовых перевозок и процесса сбора данных является знание того, какой тип данных имеется в наличии и возможен ли обмен данными [4].

Основными барьерами, встречающимися при обмене данными о грузовых перевозках, являются правовые барьеры, означающие наличие законов, ограничивающих обмен данными, ресурсные барьеры, то есть ограничения в финансировании и нехватке ресурсов, барьеры конкуренции со стороны частных фирм, институциональные барьеры между различными организациями, государственными или частными, в сборе данных и барьеры их взаимодействия и координации [5]. Austroads [4] наметила подход к улучшению сбора, преобразования, а также обмена данными о перевозках между различными органами власти, учреждениями и компаниями, включив в него тематические исследования для реализации такого подхода в несколько этапов.

Наличие различных заинтересованных сторон и органов власти, начиная от национальных статистических управлений и заканчивая судоходными компаниями и логистическими фирмами, порождает проблемы обмена данными. Разработка рамок, установление руководящих принципов и содействие сотрудничеству между соответствующими заинтересованными сторонами в области сбора данных более чем необходимы для решения будущих проблем в области грузовых перевозок.

Организация данных грузовых перевозок

Спрос на фрахт обусловлен необходимостью транспортировки товаров от места их происхождения до места назначения. Пространственное распределение грузовых потоков в транспортной системе привело к разнообразным исследовательским мероприятиям по изучению многочисленных методологий и процессов моделирования спроса на грузовые перевозки. Четырехэтапное моделирование-это традиционный процесс, применяемый для прогнозирования спроса на транспорт. Она требует данных, обычно собираемых и собираемых с помощью обследований данных и источников, информации о цепочке поставок,подсчете трафика и т. д. Модели, основанные на сырьевых товарах, в основном используют экономические данные и данные о занятости, а также подсчеты трафика. Поведенческие модели зависят от сбора данных обследований грузоотправителей или перевозчиков. Модели временных рядов основаны на существовании исторических данных [6]. Ключевым параметром для построения транспортной модели является сбор и доступность данных. Эти данные будут использоваться в качестве входных данных для оценки объясняющих параметров модели.

В отличие от моделирования пассажирских потоков, при сборе данных о перевозках существуют различные барьеры и ограничения, которые оказывают существенное влияние на калибровку модели. Среди них-недостаточная документация для регистрации данных, отсутствие единой формы данных для всех поездок, наличие сезонных колебаний из-за различного характера поездок. Перемещение грузов связано с несколькими параметрами: товарными характеристиками, различными типами агрегатов, атрибутами соответствующих видов транспорта (легкие или тяжелые грузовые автомобили, поезда, генеральные грузы или контейнерные суда, грузовые или комбинированные воздушные суда и т. д.) и / или существование множества экспедиторов, поставщиков и клиентов, распределенных по довольно немногим направлениям. Нежелание фирм обмениваться информацией в отношении данных о занятости в каждом секторе из-за ограничений конфиденциальности [7], отсутствие доступного бюджета для проведения опросов или интервью [5] или пространственные проблемы при распределении грузовых поездок из-за множественного расположения производственных инфраструктур [8]. Эта недоступность детальных данных приводит к предположениям и гипотезам, которые снижают извлечение разумных моделей. По этой причине очевидно, что ключевым условием качества данных является точность источников данных, из которых они извлекаются.

Традиционные источники данных

Европейская статистическая система (ЕСС) Евростата установила ряд параметров качества в качестве критических для измерения качества статистики; к ним относятся релевантность (степень удовлетворения потребностей пользователей данными), точность (правильность вычислений), своевременность и пунктуальность, доступность и ясность, сопоставимость и согласованность [9].

В настоящее время пользователи извлекают данные из “традиционных” баз данных, которые объединяют информацию из различных и разрозненных источников с использованием различных методов, следуя ручным процессам или инструментам, специфичным для обследования. Существует несколько” традиционных ” баз данных, связанных с транспортом, как на уровне ЕС, так и на международном уровне. Евростат [10, 11] является официальным статистическим органом Европейского союза, основной целью которого является предоставление высококачественных данных для Европы в нескольких секторах, включая, в частности, общую и региональную статистику, экономику, транспорт, население и социальные условия, промышленность и международную торговлю. Статистический портал ОЭСР / МФТ [12] предоставляет данные и сопоставимые статистические данные по широкому спектру содержания, выраженного в TEU и тысячах тонн на страну для внутренних и морских контейнеров. База данных ЕЭК ООН [13] собирает и компилирует транспортную статистику по внутреннему транспорту для перевозки людей и грузов, а также по дорожно-транспортным происшествиям для Европы, Северной Америки и Центральной Азии. Среди регулярно используемых международных источников данных можно выделить обзор товарных потоков CFS, являющийся основным источником данных о товарах, перевозимых в США от места их происхождения до места назначения, североамериканскую базу данных транспортной статистики (NATS), публикующую статистику транспортных данных как по пассажирским, так и по грузовым перевозкам внутри США, Мексики и Канады, а также Бюро транспортной статистики (BTS), статистическое агентство США, предоставляющее информацию об их транспортной системе [14, 15, 16]. С другой стороны, Австралийское бюро инфраструктуры, транспорта и региональной экономики (BITRE) предоставляет статистические данные об инфраструктуре, транспорте и региональном развитии для австралийского контента и Ассоциации транспортных властей Австралии и Новой Зеландии (Austroads) [17, 18]. В таблице 1 обобщены вышеприведенные источники данных, содержащие ценную информацию о географическом охвате (национальном, международном, региональном), частоте обновления существующей информации, возможных ограничениях на обмен данными, предоставлении исходных данных, включенных измерениях и видах транспорта, на которые они ссылаются. Смысл этой таблицы состоит исключительно в том, чтобы представить, а не сравнивать.

Кроме того, государственные органы, таможня, полиция, операторы транспортных сетей, а также порты также ведут учет в зависимости от своей деятельности (например, порты регистрируют время прибытия и отправления судов, время ожидания на причалах, время погрузки/ разгрузки операций). Частные компании, такие как грузовые, железнодорожные, судоходные и логистические компании, владеют значительным объемом данных относительно операций различных видов транспорта. Данные о частоте, времени движения, скорости, вместимости судов и существующих соединениях регистрируются частными компаниями, как правило, используемыми в собственных целях.
В последнее время были разработаны различные веб-сайты, предоставляющие данные о грузовых перевозках. Один из них-морской транспорт-предоставляет информацию в режиме реального времени для судов и маршрутов, позволяя идентифицировать точное местоположение судов и прогнозировать задержки. Однако исторические данные предоставляются не бесплатно. Кроме того, данные о вместимости и скорости контейнерных перевозок также предоставляются в режиме онлайн. Вся информация и данные из вышеупомянутых источников данных могут быть с пользой использованы для взаимодействия и установления связей со статистическими органами и организациями, которые ставят сбор данных в качестве приоритетной задачи для совершенствования исследований в области грузовых перевозок.

Помимо статистических управлений, значительный объем данных также собирается с помощью обследований и опросов грузового сообщества (грузоотправителей, перевозчиков, экспедиторов, заинтересованных сторон). Для этой цели используются различные типы опросов, такие как опросы о перехвате на дорогах, опросники по почте/обратной почте, комбинированные опросники по телефону/ обратной почте или телефонные интервью [19].

Выводы

Грузовой транспорт является одним из основных секторов всей транспортной системы мира. Для этого более чем необходимо использовать высококачественные, своевременные и точные данные. Хотя существует несколько традиционных источников данных, которыми обычно управляют международные организации, например Евростат, ОЭСР, включение данных из новых альтернативных источников данных может иметь значительные преимущества, особенно в случаях анализа новых тенденций (например, онлайн-торговли) и инновационных транспортных решений. Однако сбор данных из различных источников является трудоемкой и утомительной процедурой, требующей использования различных источников и их объединения в единую базу данных.

Ответом на эту проблему могло бы стать создание государственно-частного партнерства (ГЧП), которое укрепило бы сотрудничество между различными компаниями, собирающими данные для грузовых перевозок, обеспечив беспрепятственный и эффективный сбор и обмен соответствующими данными. Это партнерство позволит объединить несколько источников данных, преодолев существующие проблемы, такие как совместимость источников данных и нехватка ресурсов для обработки данных. Хотя концепция ГЧП хорошо известна, ее реализация в области сбора и обмена данными является довольно новой. Создание партнерства, направленного на обмен данными и подготовку статистических данных, должно основываться на конкретных руководящих принципах для преодоления соответствующих барьеров, обусловленных законодательством, нехваткой ресурсов, конфиденциальностью, сотрудничеством и т.д.

В данной работе мы определили основные барьеры, а также соответствующие стимулы для их преодоления с целью содействия созданию ГЧП для сбора данных в транспортном секторе. Также были представлены существующие виды сотрудничества и их отличительные особенности. Наконец, все рассмотренные аспекты были объединены для формирования дорожной карты, действующей в качестве ориентира для компаний, которые хотели бы создать аналогичный ГЧП.

Необходимость дальнейшего анализа этой инициативы, который способствовал бы ее реализации, возникает по мере того, как в транспортном секторе используется все больше альтернативных источников данных. Будущие исследования должны быть сосредоточены на оценке стоимости ГЧП для сбора данных и обмена ими, поскольку это может стать сдерживающим фактором для его создания. Кроме того, следует изучить дополнительные варианты объединения имеющихся источников данных, особенно в случае объединения данных из традиционных источников, таких как национальные статистические управления и международные организации, и альтернативных источников данных, таких как датчики дорожного движения, в один набор данных [41].

Использованные источники

  1. Eurostat (2018)  „Statistical  Pocketbook  201  Publications  Office  of  the  European  Union‟,  Luxembourg,  in https://ec.europa.eu/transport/facts-fundings/statistics/pocketbook-2018_en   (Accessed on 22 September 2018)
  2. Meyburg A., and J.R. Mbwana. Data Needs in the Changing World of  Logistics and Freight Transportation. Conference Synthesis. Transportation  Infrastructure  Research Consortium,  Cornell University, New York, 2002
  3. OECD (2007), Glossary of statistical terms, in: https://stats.oecd.org/glossary/index. htm, Access in Jun 2018
  4. Review   of  Freight  Data  Collection  and  Generation  Procedures  and  Opportunities.  AP-R283/06, Sydney, Australia, 2006
  5. Samimi ,  Mohammadian  A.,  Kawamura  K.  (2010),  A  behavioral  freight  movement  microsimulation  model: method and data, Transportation  Letters: The International Journal of Transportation  Research, Vol.2, pp: 53-62
  6. Cambridge Systematics , GeoStats, LLP, (2010), Freight –demand modeling to support Public-Sector decision making, NCFRP  Report 8, Transportation  Research Board,  Washington D.C
  7. Novak , Hodgdon Chr., Guo F., (2011), Nationwide  freight generation models: A spatial regression approach, Networks and spatial economics, vol. 11, is., 1, pp.: 23-41, DOI: 10.1007/s11067-008-9079-2
  8. Bhat And Zhao H., (2002), The spatial  analysis of  activity stop generation, Transportation  Research Part B: Methodological,  vol. 36, is. 6, pp.: 557-575
  9. Definition of Quality in Statistics. Methodological Documents, Working Group Assessment of quality in statistics, Luxembourg, 2003
  10. Rail  Transport  statistics  methodology  –  Guidelines  for  the  implementation  of  Regulation  (EC)  No 91/2003 of  the  European Parliament and of the  Council on rail transport statistics. Publications Office  of  the European Union, Luxembourg, 2015
  11. Road freight transport methodology. Publications Office of the European Union, Luxembourg,  2016
  12. Quality Framework and Guidelines for OECD Statistical Activities. Version 2011/1, 2011.
  13. Terms of Reference. Working Party on Transport Statistics (WP.6), 2011
  14. Zmud Improving methods to enhance data quality and usefulness. Workshop resource papers. Transportation Research Circular: Commodity Flow Survey Conference, Boston, Massachusetts, 2005
  15. S. Department of Transport. North America Transportation  Highlights. Washington, D.C., 1999
  16. S. Department of Transport. BTS Statistical Standards  Manual. Washington  D.C., 2005
  17. Bureau of Infrastructure and Regional Australian road freight estimates. Australia, 2016 (update)
  18. Bureau of  Infrastructure  and Regional  Development  and Australasian Railway Trainline 4, Statistical Report. Australia, 2016
  19. Prozzi, , C. Wong, and R. Harrison. Texas Truck Data Collection Guidebook. Center  for  Transportation Research, The University of Texas at Austin for Texas Department of Transportation, Re search and Technology Implementation Office, Texas, 2004
  20. PCAST, 201 Big Data and Privacy: A Technological Perspective. s.l.: President’s Council of Advisors on Science and Technology: Executive Office of the President

Challenges for data sharing in freight transport

T. Moschovou, Eleni I Vlahogianni, Aikaterini Rentziou

Закладка Постоянная ссылка.

Добавить комментарий

Ваш адрес email не будет опубликован. Обязательные поля помечены *