Informacja

Drogi użytkowniku, aplikacja do prawidłowego działania wymaga obsługi JavaScript. Proszę włącz obsługę JavaScript w Twojej przeglądarce.

Wyszukujesz frazę "coal sales" wg kryterium: Temat


Wyświetlanie 1-4 z 4
Tytuł:
The forecast of coal sales taking the factors influencing the demand for hard coal into account
Prognoza wielkości sprzedaży węgla z uwzględnieniem czynników kształtujących popyt na węgiel kamienny
Autorzy:
Rybak, Aurelia
Manowska, Anna
Powiązania:
https://bibliotekanauki.pl/articles/216149.pdf
Data publikacji:
2019
Wydawca:
Polska Akademia Nauk. Instytut Gospodarki Surowcami Mineralnymi i Energią PAN
Tematy:
environmental factors
forecasting sales
coal sales
ARMAX model
prognozowanie sprzedaży
sprzedaż węgla
model ARMAX
czynniki środowiska
Opis:
In order to prepare a coal company for the development of future events, it is important to predict how can evolve the key environmental factors. This article presents the most important factors influencing the hard coal demand in Poland. They have been used as explanatory variables during the creation of a mathematical model of coal sales. In order to build the coal sales forecast, the authors used the ARMAX model. Its validation was performed based on such accuracy measures as: RMSE, MAPE and Theil’s index. The conducted studies have allowed the statistically significant factors out of all factors taken into account to be identified. They also enabled the creation of the forecast of coal sales volume in Poland in the coming years. To maintain the predictability of the forecast, the mining company should continually control the macro environment. The proper demand forecast allows for the flexible and dynamic adjustment of production or stock levels to market changes. It also makes it possible to adapt the product range to the customer’s requirements and expectations, which, in turn, translates into increased sales, the release of funds, reduced operating costs and increased financial liquidity of the coal company. Creating a forecast is the first step in planning a hard coal mining strategy. Knowing the future needs, we are able to plan the necessary level of production factors in advance. The right strategy, tailored to the environment, will allow the company to eliminate unnecessary costs and to optimize employment. It will also help the company to fully use machines and equipment and production capacity. Thanks to these efforts, the company will be able to reduce production costs and increase operating profit, thus survive in a turbulent environment.
Aby przygotować się na rozwój przyszłych wydarzeń z niezbędnym wyprzedzeniem, należy wiedzieć, w jakim kierunku mogą podążać trendy rozwoju kluczowych czynników otoczenia wpływających na spółkę węglową. Artykuł prezentuje najistotniejsze czynniki wpływające na popyt na węgiel kamienny w Polsce. Zostały one wykorzystane jako zmienne objaśniające przy utworzeniu modelu matematycznego wielkości sprzedaży węgla w Polsce. W celu jego zbudowania posłużono się modelem ARMAX. Walidacja modelu została przeprowadzona w oparciu o takie miary dokładności jak: RMSE, MAPE i współczynnik Theila. Badania te umożliwiły na wyznaczenie spośród wszystkich branych pod uwagę czynników statystycznie istotnych oraz na utworzenie prognozy wielkości sprzedaży tego paliwa w Polsce w najbliższych latach. Aby trafność prognozy mogła zostać utrzymana, przedsiębiorstwo powinno kontrolować makrootoczenie. Właściwa prognoza popytu pozwala na elastyczne oraz dynamiczne dostosowanie poziomu produkcji czy zapasów do zmian zachodzących na rynku. Umożliwia ona także dostosowanie produkowanego asortymentu do wymagań i oczekiwań odbiorców, co z kolei przekłada się na zwiększenie sprzedaży, uwolnienie środków finansowych, zmniejszenie kosztów działalności przedsiębiorstwa oraz wzrost płynności finansowej kopalń. Stworzenie prognozy to pierwszy krok w planowaniu strategii wydobycia węgla kamiennego. Znając przyszłe potrzeby, jesteśmy w stanie z wyprzedzeniem zaplanować niezbędny poziom czynników produkcji. Odpowiednia strategia to taka, która jest dostosowana do otoczenia, pozwoli przedsiębiorstwu wyeliminować niepotrzebne koszty i zoptymalizować zatrudnienie. Pomoże to również firmie w pełni korzystać z maszyn i urządzeń oraz zdolności produkcyjnych. Dzięki tym staraniom firma będzie mogła obniżyć koszty produkcji i zwiększyć zysk operacyjny, dzięki czemu przetrwa w niespokojnym oraz zmiennym otoczeniu.
Źródło:
Gospodarka Surowcami Mineralnymi; 2019, 35, 1; 129-140
0860-0953
Pojawia się w:
Gospodarka Surowcami Mineralnymi
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Prognozowanie wielkości sprzedaży węgla kamiennego z wykorzystaniem sztucznej inteligencji
Forecasting the quantities of coal sales by employing artificial neural networks
Autorzy:
Manowska, A.
Powiązania:
https://bibliotekanauki.pl/articles/322543.pdf
Data publikacji:
2013
Wydawca:
Politechnika Śląska. Wydawnictwo Politechniki Śląskiej
Tematy:
sztuczna inteligencja
statystyczna inteligencja
sprzedaż węgla kamiennego
artificial intelligence
statistical intelligence
coal sales
Opis:
W artykule omówiono nowoczesne metody prognozowania, które służą ograniczeniu ryzyka związanego z niepewnością i niepełną wiedzą o przyszłości. Zasymulowano proces sprzedaży węgla kamiennego z wykorzystaniem dwóch metod: statystycznej oraz sztucznej inteligencji. Prognozę wielkości sprzedaży węgla kamiennego wykonano, aby zaprezentować najbardziej prawdopodobne drogi rozwoju tego procesu lub aby pokazać najbardziej prawdopodobny poziom sprzedaży. W artykule pokazano również wady i zalety każdego z zastosowanych rozwiązań.
The following paper discusses modern methods of forecasting, which are used to reduce the risks associated with the uncertainty and the incomplete knowledge of the future. The coal sales process was simulated by means of two methods: statistical model and artificial neural networks. The forecast of coal sales volumes was made to present the most probable development paths of the process as well as to show the most likely level of sales. The study also shows the advantages and disadvantages of each of the applied solutions.
Źródło:
Zeszyty Naukowe. Organizacja i Zarządzanie / Politechnika Śląska; 2013, 63; 233-245
1641-3466
Pojawia się w:
Zeszyty Naukowe. Organizacja i Zarządzanie / Politechnika Śląska
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Narzędzia GIS wspomagające analizy przestrzenne sieci dystrybucji przedsiębiorstwa górniczego
GIS tools supporting a spatial analysis of the mining companys distribution network
Autorzy:
Rybak, A.
Włodarczyk, E.
Powiązania:
https://bibliotekanauki.pl/articles/394151.pdf
Data publikacji:
2018
Wydawca:
Polska Akademia Nauk. Instytut Gospodarki Surowcami Mineralnymi i Energią PAN
Tematy:
Systemy Informacji Przestrzennej
sprzedaż węgla
sieć dystrybucji
spatial information systems
coal sales
distribution network
Opis:
Poziom sprzedaży danego dobra uzależniony jest w dużej mierze od sieci dystrybucji. Przestrzenna analiza dystrybucji umożliwia racjonalizację sieci sprzedaży, co podnosi efektywność i wydajność sprzedaży przedsiębiorstwa z bezpośrednim przełożeniem na wzrost zysków. Z pomocą przychodzą tu tak zwane analizy przestrzenne. W artykule przedstawiono analizę sieci autoryzowanych sprzedawców Polskiej Grupy Górniczej dla województwa opolskiego. Analiza została wykonana z wykorzystaniem narzędzi GIS (SIP). Celem przeprowadzonej analizy było zaprezentowanie możliwych do zastosowania narzędzi weryfikacji już istniejącej sieci dystrybucji, jej racjonalizacji, bądź też tworzenia nowych punktów sprzedaży. Przedstawione narzędzia należą do operacji GIS stosowanych do przetwarzania danych przechowywanych w zasobach Systemów Informacji Przestrzennej. Są to tak zwane narzędzia geoprocessingu, czyli geoprzetwarzania. W artykule zaprezentowano kilka analiz przestrzennych, których rezultatem jest wybór najlepszej lokalizacji punktu dystrybucji pod względem określonych kryteriów. Stosowane narzędzia to między innymi zapytanie przestrzenne intersect (iloczyn), suma. Posłużono się także geokodowaniem, utworzono tak zwany kartodiagram. Przedstawiona przykładowa analiza może zostać wykonana dla sieci autoryzowanych sprzedawców zarówno w skali jednego województwa, miasta, jak też obszaru całego kraju. Użyte narzędzia dają możliwość sprecyzowania grupy docelowych odbiorców, obszarów na jakich się oni znajdują, obszarów koncentracji potencjalnych odbiorców. Pozwalają tym samym na ulokowanie punktów sprzedaży na obszarach charakteryzujących się wysokim prawdopodobieństwem znalezienia nowych klientów, umożliwiają wybór lokalizacji, np. zapewniającej dostęp do dróg, transportu kolejowego, lokalizacji o odpowiedniej powierzchni, sąsiedztwie.
The level of sales of a given good depends largely on the distribution network. An analysis of the distribution network allows companies to optimize business activity, which improves the efficiency and profitability of a company’s sales with an immediate effect on profit growth. The so-called spatial analysis is highly useful in this regard. The paper presents an analysis of the network of authorized dealers of the Polish Mining Group for the Opolskie Province. The analysis was done using GIS (SIP) tools. The purpose of the analysis was to present tools that could be used to verify an existing distribution network, to optimize it, or to create a new sales outlet. The prresented tools belong to GIS operations used to process data stored in Spatial Information System resources. These are so-called geoprocessing tools. The article contains several spatial analyses, which results in choosing the optimum location of the distribution point in terms of the defined criteria. The used tools include a spatial intersection and sum. Geocoding and the so-called cartodiagram were also used. The presented analysis can be performed for both the network of authorized retailers within a region, a city or an entire country. The presented tools provide the opportunity to specify the target consumers, areas where they are located and areas of potential consumer concentration. This allows the points of sale in areas with a high probability of finding new customers to be located, which enables the optimal location to be chosen, for example, in terms of access to roads, rail transport, locations of the right area and neighborhood. Spatial analysis tools will also enable the coal company to verify its already existing distribution network.
Źródło:
Zeszyty Naukowe Instytutu Gospodarki Surowcami Mineralnymi i Energią PAN; 2018, 103; 65-74
2080-0819
Pojawia się w:
Zeszyty Naukowe Instytutu Gospodarki Surowcami Mineralnymi i Energią PAN
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Using the LSTM network to forecast the demand for hard coal
Wykorzystanie sieci LSTM do prognozowania zapotrzebowania na węgiel kamienny
Autorzy:
Manowska, Anna
Powiązania:
https://bibliotekanauki.pl/articles/1849658.pdf
Data publikacji:
2020
Wydawca:
Polska Akademia Nauk. Instytut Gospodarki Surowcami Mineralnymi i Energią PAN
Tematy:
time series
principal components analysis
hard coal sales
LSTM artificial neural networks
szeregi czasowe
analiza składowych głównych
sztuczne sieci neuronowe LSTM
sprzedaż węgla kamiennego
Opis:
Securing the certainty of supplies of the necessary minimum energy in each country is a basic condition for the energy security of the state and its citizens. The concept of energy security combines several aspects at the same time, as it can be considered in terms of the availability of own energy resources, it concerns technical aspects related to technical infrastructure, as well as political aspects related to the management and diversification of energy supplies. Another aspect of the issue of energy security is the environmental perspective, which is now becoming a priority in the light of the adopted objectives of the European Union’s energy policy. The restrictive requirements for reducing greenhouse gas emissions and increasing the required level of renewable energy sources in the energy balance of the Member States is becoming a challenge for economies that use fossil fuels to a large extent in the raw material structure, including Poland. Poland is the largest producer of hard coal in the European Union and hard coal is a strategic raw material as it satisfies about 50% of the country’s energy demand. In this context, the main goal of the article was to determine the future sale of hard coal by 2030 in relation to environmental regulations introduced in the energy sector. For this purpose, a mathematical model with a 95% confidence interval was developed using artificial LSTM neural networks, which belong to deep learning machine learning techniques, which reflects the key relationships between hard coal mining and the assumptions adopted in the National Energy and Climate Plan for the years 2021–2030 (NECP).
Zabezpieczenie pewności dostaw niezbędnego minimum energii w każdym kraju jest podstawowym warunkiem bezpieczeństwa energetycznego państwa i jego obywateli. Pojęcie bezpieczeństwa energetycznego łączy kilka aspektów jednocześnie, gdyż można je rozpatrywać na płaszczyźnie dostępności własnych surowców energetycznych; dotyczy aspektów technicznych związanych z infrastrukturą techniczną, a także aspektów politycznych, które związane są z zarządzaniem oraz dywersyfikacją dostaw surowców energetycznych. Kolejnym elementem zagadnienia bezpieczeństwa energetycznego jest perspektywa środowiskowa, która nabiera obecnie priorytetowej ważności w świetle przyjętych celów polityki energetycznej Unii Europejskiej. Restrykcyjne wymagania w zakresie redukcji poziomów emisji gazów cieplarnianych oraz wzrostu wymaganego poziomu odnawialnych źródeł energii w bilansie energetycznym krajów członkowskich stają się wyzwaniem dla gospodarek wykorzystujących w dużej mierze paliwa kopalne w strukturze surowcowej, do których należy również Polska. Polska jest największym producentem węgla kamiennego w Unii Europejskiej i jest to surowiec strategiczny, gdyż zaspokaja około 50% zapotrzebowania energetycznego kraju. W tym kontekście głównym celem artykułu było określenie przyszłej sprzedaży węgla kamiennego w perspektywie do 2030 roku, w odniesieniu do regulacji środowiskowych wprowadzanych w energetyce. W tym celu opracowano model matematyczny z 95-procentowym przedziałem ufności z wykorzystaniem sztucznych sieci neuronowych LSTM, które należą do technik uczenia maszynowego – deep learning, który odzwierciedla kluczowe relacje między górnictwem węgla kamiennego a przyjętymi założeniami w Krajowym planie na rzecz energii i klimatu na lata 2021–2030 (KPEiK).
Źródło:
Gospodarka Surowcami Mineralnymi; 2020, 36, 4; 33-48
0860-0953
Pojawia się w:
Gospodarka Surowcami Mineralnymi
Dostawca treści:
Biblioteka Nauki
Artykuł
    Wyświetlanie 1-4 z 4

    Ta witryna wykorzystuje pliki cookies do przechowywania informacji na Twoim komputerze. Pliki cookies stosujemy w celu świadczenia usług na najwyższym poziomie, w tym w sposób dostosowany do indywidualnych potrzeb. Korzystanie z witryny bez zmiany ustawień dotyczących cookies oznacza, że będą one zamieszczane w Twoim komputerze. W każdym momencie możesz dokonać zmiany ustawień dotyczących cookies