A munkaidő és a forgalmi menetek közötti tartózkodási idő elemzése

Kutatásomat az optimalizálás, hatékonyságjavítás érdekében a jelenlegi működési rendben a munkaidő kihasználtság területén folytattam.

Az elemzés adatmodellje

A munkaidő elemzésekhez használt riportok az alábbi adatmodellel készültek:

Multidimenziós adatmodell munkaidő és tartózkodási idő elemzéshez Forrásrendszer adatok:

- ForTe rendszer adatok:

61

 Forgalmi tevékenységek (F_FMTEV tábla): beosztás azonosító, dátum, telep, tevékenységkód, terv és tény indulási idő, érkezési idő, hely, útvonal, jármű rendszám, járművezető, megtett_út, ágazat, viszonylat, forgalmi szám, terv-tény jelző

Táblakapcsolások

F_FMTEV – aggregált F_FMTEV (dátum, indulási idő, viszonylat, forgalmi szám, tevékenységkód) Inner join - dátum, indulási idő, viszonylat, forgalmi szám, tevékenységkód alapján – az adott

tevékenység utolsó állapotának elérése miatt Mérőszámok

- Hasznos tevékenység időtartama: a tevékenységek kezdő- és záró időpontja közötti időtartamok járművezető beosztásonként

- Tartalék idő: várakozás típusú tevékenység időtartama járművezető beosztásonként - Érkezés - indulás közötti idő: menetek közötti várakozási idő járművezető beosztásonként Dimenziók

- Járművezető beosztás dátuma

- Ágazat (Autóbusz, Troli, Villamos stb.)

- Telep: a menetet teljesítő járművet kiadó telephely

- Viszonylat: két végállomás között adott útvonalon és megállókkal definiált közlekedési szolgáltatás, melynek saját azonosítója van

Elemzés_2: A munkaidő és a forgalmi menetek közötti tartózkodási idő kimutatása

Elemeztem a járművezetők munkaidejét, a munkaidő és a forgalmi menetek közötti tartózkodási idő megoszlását. Az erőforrások optimalizált felhasználását vizsgáló riport példában a 26-os és a 118-as busz viszonylatokon elemeztem a járművezetők munkaidő kihasználtságát (23. ábra). A vizsgálat a rendszerben elérhető BI lekérdezővel készült. A bemeneti forrásadatok járművezetőnként, viszonylatonként, szolgálati bontásban tartalmazták, hogy a menetrend szerint közlekedő buszjáratokon a munkafelvételétől kezdődően a munka leadásának pillanatáig a járművezető milyen tevékenységeket végzett.

23. ábra. Összes munkaidő kimutatása a hasznos idő és a tartózkodási idő arányában (Forrás: saját szerkesztés)

62

A 23. ábrán a 2018.06.16 és 2018.07.31 között érvényben levő B80652 számú menetrend (26-os busz viszonylat) és a C06246 számú menetrend (118-as busz viszonylat) munkaidő - tartózkodási idő kimutatása látható, amely alapján megállapítottam, hogy a terv szerint a járművezetők munkaidejük jelentős, 22-24 százalékában nincsenek kihasználva. Jobb szervezéssel hatékonyabban tudnának dolgozni. A tényadatok – amelyek a felmerült rendkívüli események miatt eltérnek ettől, a menetrendben szereplő tervtől – némileg alacsonyabb tartózkodási idő arányt mutatnak.

4.8 Konklúzió

A járművek magas életkora miatt az eltérések zavaroka egyértelműen a műszaki hibák jelentkezése, amelyet csak a járművek fiatalításával, lecserélésével, vagy a drágább fődarabok, alkatrészek (pl. motor) cseréjével lehetne javítani.

További vizsgálataim szerint a járműtípus jó megválasztásának is jelentős szerepe van, és köztudott, a megbízható járműtípusok ára arányos a nyújtott minőséggel. Tehát a menetrendi eltérések darabszáma lecsökkentésének komoly költségvonzata van, és ez az állapot tartósan megmaradhat, különösen akkor, amikor a közlekedésre fordított költségvetési források csökkenő tendenciát mutatnak. A szükséges jármű-, illetve eszközcserék mértéke, idő- és forrásigénye jellemzően jelentősen túlmutat a pénzügyi lehetőségeken, ezért jelen fázisban nem reális alternatíva a szolgáltatásjavítási törekvésekben, ami a kutatási irányaimat illeti.

A munkaidő kihasználtság vizsgálata alapján arra a megállapításra jutottam, hogy javasolt a humán erőforrások kihasználtságát javító célzott optimalizációs eljárások kidolgozása és bevezetése.

A következő fejezetben egy klasszikus algoritmikus menetrend megvalósítási módszer adaptációját vizsgálom.

4.9 1. tézis

Kialakítottam a BKV informatikai rendszeréhez releváns olyan információs technológiai modellt, amely képes összekapcsolni az adott üzleti rendszereket, és azokból valós időben naprakész adatokat szolgáltat.

Igazoltam, hogy az üzemi menetrend hatékonyabb megvalósítása, annak algoritmikus támogatása nem valósítható meg a Big data jellegű megközelítés nélkül a forrásrendszerekből származó nagy adatmennyiség és a komplexitás miatt.

Big data alapú módszerrel elemeztem a BKV-nál rendelkezésre álló adatokat, melynek eredményeképpen rámutattam a buszközlekedés üzemi menetrend-megvalósítás területén az egzakt optimalizáltság hiányára.

Meghatároztam, hogy a jármű oldali hatékonyságjavítási törekvések jelen kutatás szempontjából nem reálisak, ugyanakkor a munkaidő jobb szervezésével jelentős hatékonyságnövekedést lehet elérni.

Vizsgálatokkal kimutattam, hogy a munkaidő hatékonyabb kihasználása révén az üzemi tervezés tovább javítható.

63 Ezen belül:

- Azonosítottam a BKV-nál rendelkezésre álló adatvagyonból a vizsgálatba bevont forrás rendszereket, az érintett adatok halmazát, szükséges eszköztárat és megvizsgáltam a kapcsolódásaikat.

- Az elemzési célok elérése érdekében meghatároztam a forrás rendszerek adatköreit, amely alapján az adekvát adatmodell felépíthető.

- Elkészítettem a BKV forgalmi alaprendszerének tevékenység szintű adataira, valamint a forgalmi összesítő adataira vonatkozó megfelelő részletezettségű adatmodellt.

- Az adatmodell felhasználásával a vizsgálatom szempontjából releváns elemzéseket elvégeztem.

- Felderítettem a menetrendi eltérések függőségeit.

- A Big data analízis során felderítettem az adatok mögött húzódó összefüggéseket.

- Megterveztem a BI lekérdező eszköz segítségével előállított eredmények vizualizációját.

- Kutatásaim révén összefüggést találtam a munkaidőn belüli tartózkodási idő kihasználatlanságára és megállapítottam a működési hatékonyságra vonatkozó eljárások beavatkozási pontjait.

Kapcsolódó publikációk

1.

Albert, Nagy ; József, Tick

Improving Transport Management with Big Data Analytics

In: Szakál, A (szerk.) 2016 IEEE 14TH INTERNATIONAL SYMPOSIUM ON INTELLIGENT

Review of Predictive Analytics Vendors for Transport Management Systems

In: Szakál, Anikó (szerk.) 2017 IEEE 15th International Symposium on Intelligent Systems and Informatics (SISY) : 15th IEEE International Symposium on Intelligent Systems and Informatics New York (NY), Amerikai Egyesült Államok : IEEE, (2017) pp. 225-230. , 6 p.

DOI IEEE Xplore WoS Idézett közlemények száma: 1

3.

Albert, Nagy ; József, Tick

Modeling of operative planning solution for transport management systems

In: Szakál, Anikó (szerk.) Proceedings of 22nd IEEE International Conference on Intelligent Engineering Systems 2018 (INES 2018)

Budapest, Magyarország : IEEE Hungary Section (2018) 441 p. pp. 401-406. , 6 p.

Tudományos

64

5 Egy klasszikus algoritmikus módszer adaptációja a menetrend