ДОСЛІДЖЕННЯ ЛАГОВИХ ЕФЕКТІВ У ФОРМУВАННІ ЗАТРИМОК ВАНТАЖНИХ ПОЇЗДІВ НА ЗАЛІЗНИЧНІЙ МЕРЕЖІ УКРАЇНИ

А. М. Киман; А. В. Прохорченко; Д. Ю. Ляпін; О. Є. Титаренко

doi:10.32782/2521-6643-2026-2-72.40

А. М. Киман Український державний університет залізничного транспорту https://orcid.org/0000-0002-4000-3287
А. В. Прохорченко Український державний університет залізничного транспорту https://orcid.org/0000-0003-3123-5024
Д. Ю. Ляпін Український державний університет залізничного транспорту https://orcid.org/0009-0001-6528-7212
О. Є. Титаренко Український державний університет залізничного транспорту https://orcid.org/0009-0005-3321-1108

DOI: https://doi.org/10.32782/2521-6643-2026-2-72.40

Ключові слова: залізнична мережа, вантажні перевезення, затримки, крос-кореляція, перевантажена інфраструктури, пропускна спроможність, розвиток мережі

Анотація

У статті представлено результати дослідження часових лагових залежностей між обсягами прийняття вагонів до перевезення та поїздо-годинами затримок вантажних поїздів на залізничній мережі України. Метою роботи є виявлення та кількісне оцінювання часової інерції формування затримок у перевізному процесі залізниці для обґрунтування можливості прогнозування розвитку перевантаження та своєчасного виявлення вузьких місць мережі. Дослідження виконано на основі операційних даних АТ «Укрзалізниця» щодо обсягів навантаження вагонів і тривалості простою кинутих поїздів на мережі. Для аналізу часових взаємозв’язків використано крос-кореляційний аналіз із застосуванням коефіцієнта лінійної кореляції Пірсона та коефіцієнта рангової кореляції Спірмена. Це дозволило оцінити як лінійні, так і монотонні залежності між показниками. Розрахунки виконано для лагів у діапазоні до 34 днів, що забезпечило виявлення як короткострокових, так і середньострокових інерційних ефектів функціонування залізничної системи. У результаті проведеного аналізу встановлено наявність статистично значущого відкладеного у часі зв’язку між зміною обсягів прийняття вагонів до перевезення та поїздо-годинами затримок. Показано, що сила кореляційного зв’язку поступово зростає зі збільшенням лага та досягає максимальних значень у середньостроковому інтервалі 15–23 дні, де коефіцієнт кореляції Пірсона становить до 0,66. Отримані результати свідчать про наявність вираженої часової інерції функціонування перевізного процесу, коли наслідки зростання обсягів перевезень проявляються із суттєвим часовим запізненням. Додатково встановлено просторову неоднорідність лагових ефектів на рівні окремих станцій, де пікові лаги змінюються від 1 до 29 днів залежно від ролі станції у мережі та її технологічних можливостей. Отримані результати демонструють потенціал використання лагового аналізу для виявлення критичних періодів формування перевантаження мережі та обґрунтування прийняття рішення про введення конвенцій на відправлення вантажів. Запропоноване правило для визначення оптимального часового інтервалу для введення конвенційних обмежень на приймання вантажів. Практичне значення дослідження полягає у формуванні аналітичної основи для розроблення систем підтримки прийняття рішень для формування випереджувальних управлінських рішень щодо завчасного виявлення критичних місць у мережі

Посилання

1. Прохорченко А. В., Кравченко М. А., Гурін Д. О. Дослідження впливу технології перевезень вантажів за розкладом руху на макропоказники залізничної системи України. Зб. наук. праць ДУІТ. Сер. Транспортні системи і технології. 2020. № 36. С. 184–198. URL: https://doi.org/10.32703/2617-9040-2020-36-19
2. Кількість покинутих поїздів на мережі Укрзалізниці зросла майже вдвічі. Rail.insider. URL: https://www.railinsider.com.ua/kilkist-pokynutyh-poyizdiv-na-merezhi-ukrzaliznyczi-zrosla-majzhe-vdvichi/
3. Черги з вагонів у бік західних прикордонних переходів продовжують зростати. Reil.insider. 2022.
19 трав. URL: https://www.railinsider.com.ua/chergy-z-vagoniv-u-bik-zahidnyh-prykordonnyh-perehodivprodovzhuyutzrostaty/
4. Тимчасові обмеження щодо перевезень. Офіційний сайт АТ УЗ. URL: https://www.uz.gov.ua/cargo_
transportation/electronic_transportation/conventions/
5. Пархоменко Л. О., Прохоров В. М. Уточнення моделі розрахунку плану формування поїздів за рахунок урахування ефекту навантаженості сортувальних станцій. Вісник Приазовського державного технічного університету. Серія : Технічні науки. 2024. Вип. 48. С. 193–205. DOI: https://doi.org/10.31498/2225-6733
.48.2024.310712
6. Taran I., Tilemisova A., Kozachenko D., Verlan A., Grevtsov S. Assessment of processing capacity of railway stations based on statistical analysis methods. Journal of Applied Engineering Science. 2025. Vol. 23, No. 4. P. 752–761. DOI: https://doi.org/10.5937/jaes0-60902
7. Баланoв В. О. Аналіз факторів, які впливають на забезпечення руху вантажних поїздів за розкладом. Транспортні системи та технології перевезень. 2015. Вип. 10. С. 5–9. DOI: https://doi.org/10.15802/tstt2015/57057
8. Вернигора Р. В., Золотаревська О. О. Аналіз сучасних проблем ефективної взаємодії залізниць та морських портів України. Зб. наук. праць ДНУЗТ: Серія «Транспортні системи і технології перевезень».2021. Вип. 21. С. 49–59.
9. Daniotti, S., Servedio, V.D.P., Kager, J. et al. Systemic risk approach to mitigate delay cascading in railway networks. npj. Sustain. Mobil. Transp. 1, 15 (2024). DOI: https://doi.org/10.1038/s44333-024-00012-6
10. Yuan J., Hansen I. A. Prediction of train delays using Bayesian networks. Proceedings of the 15th International IEEE Conference on Intelligent Transportation Systems (ITSC 2012). Anchorage, USA, 2012. P. 1808–1813. DOI: https://doi.org/10.1109/ITSC.2012.6338885
11. Barta J., Rizzoli A. E., Salani M., Gambardella L. M., Statistical modelling of delays in a rail freight transportation network. Proceedings of the 2012 Winter Simulation Conference (WSC), Berlin, Germany. 2012. P. 1–12. DOI: 10.1109/WSC.2012.6465188
12. König E. A review on railway delay management. Public Transport. 2020. Vol. 12. P. 335–361. DOI: https://doi.org/10.1007/s12469-020-00233-1
13. Spanninger T., Trivella A., Büchel B., Corman F. A review of train delay prediction approaches. Journal of Rail Transport Planning & Management. 2022. Vol. 22. Article 100312. DOI: https://doi.org/10.1016/j.jrtpm.2022.100312
14. Wu J., Xiao X., Du B., Shen J., Wu Z., Wang Y., Yu X., Yang S. A multiscale-based model for train delay prediction considering spatio-temporal correlations. Transportation Research Part C: Emerging Technologies. 2026. Vol. 182. Article 105417. DOI: https://doi.org/10.1016/j.trc.2025.105417
15. Derrick, T. R., Thomas, J. M. Time Series Analysis: The Cross-Correlation Function. In: Innovative Analyses of Human Movement. Human Kinetics, 2004, pp. 189–205.
16. Sheskin D. J. Handbook of Parametric and Nonparametric Statistical Procedures. 5th ed. Boca Raton: CRC Press, 2020. 1880 p.