სტატიები
ტომი 20, №2(30), 2025 / Vol. 20, №2(30), 2025
© 2025

მანქანური სწავლება და DEA აპლიკაციის გამოყენება რკინიგზის ეფექტურობის შესაფასებლად: უზბეკეთის შემთხვევა

ავტორები: კომილ ტურაევი, ალექსანდრე სკლადკოვსკი

საკვანძო სიტყვები: რკინიგზის ეფექტურობა; მონაცემთა კონვერტაციის ანალიზი; კლასტერიზაციის მეთოდები; რეგიონული უთანასწორობა; უზბეკეთი

J.E.L. Classification: R42; O21; C800

DOI: https://doi.org/10.52244/ep.2025.30.07

ციტირებისათვის: Turaev K., Sladkowski A., (2025) Machine Learning and DEA Application to Assess Railway Efficiency: Evidence from Uzbekistan. Economic Profile, Vol. 20, 2(30), p. 94-108. DOI: https://doi.org/10.52244/ep.2025.30.07

ანოტაცია. რკინიგზა კრიტიკულად მნიშვნელოვანია ეკონომიკური ინტეგრაციისა და რეგიონული განვითარებისთვის, თუმცა ბევრი განვითარებადი ეკონომიკისათვის პრობლემად შეიძლება იქცეს არათანაბარი ინფრასტრუქტურული მუშაობა და ეფექტურობის მონიტორინგის შეზღუდულ ინსტრუმენტები. წარმოდგენილი კვლევა ავითარებს განმეორებად ჩარჩოს უზბეკეთის რკინიგზის სექტორის ეფექტურობის გასაზომად მონაცემთა კონვერტაციის ანალიზისა და კლასტერიზაციის მეთოდების გამოყენებით. ეფექტურობის დამატებითი ასპექტების ასახვისთვის შეიქმნა სამი DEA მოდელი, რომლებიც აკავშირებდა მოსახლეობისა და ინვესტიციების ხარჯებს ისეთ გამომავალ რესურსებთან, როგორიცაა რკინიგზის სიგრძე, ორგანიზაციული აქტივობა, სამრეწველო წარმოება და საცალო ბრუნვა. შედეგები რეგიონულ დისბალანსს ავლენს: ტაშკენტი და ყარაყალპაკეთი მუდმივად საშუალოზე მაღალ მაჩვენებლებს აფიქსირებენ, ხოლო ხორეზმი და სირდარია ჩამორჩებიან. ეფექტურობის ტენდენციები ასევე აჩვენებს, რომ ინფრასტრუქტურის ხელმისაწვდომობა ყოველთვის არ შეესაბამება ეკონომიკურ აქტივობას, რაც ინვესტიციების განაწილების შეუსაბამობაზე მიუთითებს. კლასტერული ანალიზის შედეგად რეგიონები სამ კატეგორიად დაჯგუფდა - მაღალი მაჩვენებლების მქონე, განვითარებადი და ჩამორჩენილი რეგიონები - რაც პოლიტიკის შემქმნელებს დიფერენცირებული ინტერვენციების შემუშავების პრაქტიკულ ჩარჩოს უქმნის. უზბეკეთის შემთხვევის გარდა, კვლევა აჩვენებს, თუ როგორ შეიძლება ღია კოდის მონაცემებისა და გამჭვირვალე Python-ზე დაფუძნებული DEA-ს გამოყენება სატრანსპორტო პოლიტიკის მხარდასაჭერად მონაცემთა შეზღუდულ კონტექსტში.

Open PDF File

გამოყენებული ლიტერატურა:

  1. President of the Republic of Uzbekistan. (2023, October 10). On measures for the fundamental reform of the railway transport sector of the Republic of Uzbekistan (Presidential Resolution No. RP-329). Official legal act. Retrieved from https://lex.uz/ru/docs/7560452
  2. Charnes, A., Cooper, W. W., & Rhodes, E. (1978). Measuring the efficiency of decision making units. European Journal of Operational Research, 2(6), 429–444. https://doi.org/10.1016/0377-2217(78)90138-8
  3. Marchetti, D., & Wanke, P. F. (2019). Efficiency in rail transport: Evaluation of the main drivers through meta-analysis with resampling. Transportationa Research Part A: Policy and Practice, 120, 83–100. https://doi.org/10.1016/j.tra.2018.12.005
  4. Link, H. (2019). The impact of including service quality into efficiency analysis: The case of franchising regional rail passenger serves in Germany. Transportation Research Part A: Policy and Practice, 119, 284–300. https://doi.org/10.1016/j.tra.2018.11.019
  5. Blagojević, A., Vesković, S., Kasalica, S., Gojić, A., & Allamani, A. (2020). The application of the fuzzy AHP and dea for measuring the efficiency of freight transport railway undertakings. Operational Research in Engineering Sciences: Theory and Applications, 3(2), 1–23. https://doi.org/10.31181/oresta2003001b
  6. Kapetanovic, M., Milenkovic, M., Bojovic, N., & Avramovic, Z. (2017). Evaluation of European railway companies efficiency: Application of a two-stage analysis. Tehnika, 72(3), 403–410. https://doi.org/10.5937/tehnika1703403k
  7. Zhou, Y., Wang, J., & Yang, H. (2019). Resilience of Transportation Systems: Concepts and Comprehensive Review. IEEE Transactions on Intelligent Transportation Systems, 20(12), 4262–4276. https://doi.org/10.1109/TITS.2018.2883766
  8. Khadem Sameni, M., & Moradi, A. (2022). Railway capacity: A review of analysis methods. In Journal of Rail Transport Planning and Management (Vol. 24). Elsevier B.V. https://doi.org/10.1016/j.jrtpm.2022.100357
  9. Amoozad Mahdiraji, H., Yaftiyan, F., Abbasi-Kamardi, A., Vrontis, D., & Gong, Y. (2024). Disentangling the resiliency of international transportation systems under uncertainty by a novel multi-layer spherical fuzzy decision-making framework: Evidence from an emerging economy. Transportation Research Part A: Policy and Practice, 186. https://doi.org/10.1016/j.tra.2024.104151
  10. Marchetti, D., & Wanke, P. (2017). Brazil’s rail freight transport: Efficiency analysis using two-stage DEA and cluster-driven public policies. Socio-Economic Planning Sciences, 59, 26–42. https://doi.org/10.1016/j.seps.2016.10.005
  11. Agency on Statistics under the President of the Republic of Uzbekistan. (2023). Statistical Yearbook of the Republic of Uzbekistan 2013-2022. Tashkent: Agency on Statistics. Retrieved from https://stat.uz/en/publications/3627-statistical-yearbook-of-the-republic‐of‐uzbekistan
  12. McKinney, W. (2010). Data structures for statistical computing in Python. In S. van der Walt & J. Millman (Eds.), Proceedings of the 9th Python in Science Conference (pp. 51–56). https://doi.org/10.25080/Majora-92bf1922-00a
  13. Harris, C. R., Millman, K. J., van der Walt, S. J., et al. (2020). Array programming with NumPy. Nature, 585, 357–362. https://doi.org/10.1038/s41586-020-2649-2
  14. Pedregosa, F., Varoquaux, G., Gramfort, A., et al. (2011). Scikit-learn: Machine learning in Python. Journal of Machine Learning Research, 12, 2825–2830. http://scikit-learn.sourceforge.net.
  15. Waskom, M. L. (2021). seaborn: Statistical data visualization. Journal of Open Source Software, 6(60), 3021. https://doi.org/10.21105/joss.03021
  16. Hunter, J. D. (2007). Matplotlib: A 2D graphics environment. Computing in Science & Engineering, 9(3), 90–95. https://doi.org/10.1109/MCSE.2007.55
  17. Mitchell, S., O’Sullivan, M., & Dunning, I. (2011). PuLP: A linear programming toolkit for Python [Software manual]. COIN-OR. https://coin-or.github.io/pulp/
  18. Lloyd, S. (1982). Least squares quantization in PCM. IEEE Transactions on Information Theory, 28(2), 129–137. https://doi.org/10.1109/TIT.1982.1056489
  19. Sameni, M. K., & Preston, J. M. (2012). Value for railway capacity. Transportation Research Record, 2289, 134–144. https://doi.org/10.3141/2289-18
  20. Chenrrim, P., & Relvas, S. (2025). A data envelopment analysis approach for evaluating high-speed freight transportation efficiency. In Transportation Research Interdisciplinary Perspectives (Vol. 29). Elsevier Ltd. https://doi.org/10.1016/j.trip.2025.101338