Road freight pricing via parametric models
Autor(a) principal: | |
---|---|
Data de Publicação: | 2020 |
Outros Autores: | , , |
Tipo de documento: | Artigo |
Idioma: | por |
Título da fonte: | Revista Produção Online |
Texto Completo: | https://www.producaoonline.org.br/rpo/article/view/4021 |
Resumo: | In reference to product cost structure, transportation can represent up to 60% of its total value. In Brazil, road transportation mode is the most used kind, making up to 61% of the freight operated as a whole. However, road transportation pricing is not a trivial process because it involves variables that go beyond the basic costs of the activity. The objective of this work is the development of a freight pricing model with a higher degree of precision and reduced response time, using multiple linear regression techniques. The study is applied to a logistics operation company, which business model is the connection between the carrier and the freight demander. The pricing model developed obtained a coefficient of determination of R ^ 2 = 0.9966. In other words, a highly explanatory model, once it explains 99.66% of the variability of observed freight values. The predictive variables that make up the model are distance, driver cost, type of customer, invoice amount, origin and destination. With the model developed, the variables had their weight statistically calculated, giving automation to the process and making the routine of the company's analysts more agile. |
id |
ABEPRO-2_df6c1e521830e314cdab7811543f8ea5 |
---|---|
oai_identifier_str |
oai:ojs.emnuvens.com.br:article/4021 |
network_acronym_str |
ABEPRO-2 |
network_name_str |
Revista Produção Online |
repository_id_str |
|
spelling |
Road freight pricing via parametric modelsPrecificação de fretes rodoviários via modelos paramétricosRoad transport. Logistics. Pricing. Multiple Linear Regression.Transporte rodoviário. Logística. Precificação. Regressão Linear Múltipla.In reference to product cost structure, transportation can represent up to 60% of its total value. In Brazil, road transportation mode is the most used kind, making up to 61% of the freight operated as a whole. However, road transportation pricing is not a trivial process because it involves variables that go beyond the basic costs of the activity. The objective of this work is the development of a freight pricing model with a higher degree of precision and reduced response time, using multiple linear regression techniques. The study is applied to a logistics operation company, which business model is the connection between the carrier and the freight demander. The pricing model developed obtained a coefficient of determination of R ^ 2 = 0.9966. In other words, a highly explanatory model, once it explains 99.66% of the variability of observed freight values. The predictive variables that make up the model are distance, driver cost, type of customer, invoice amount, origin and destination. With the model developed, the variables had their weight statistically calculated, giving automation to the process and making the routine of the company's analysts more agile.O transporte pode representar, dentro da estrutura de custos dos produtos, até 60% do seu valor total. No Brasil o modal rodoviário é o mais utilizado, configurando 61% dos fretes realizados. A precificação do transporte rodoviário, no entanto, não é um processo trivial por envolver variáveis que vão além dos custos básicos da atividade. O objetivo deste trabalho é o desenvolvimento de um modelo de precificação de fretes com maior grau de precisão e tempo de resposta reduzido, utilizando técnicas de regressão linear múltipla. O estudo é aplicado a uma empresa de operação logística cujo modelo de negócios é a conexão entre o transportador e o demandante do frete. O modelo de precificação desenvolvido obteve um coeficiente de determinação de 16R2=0,9966"> . Isto é, um modelo altamente explicativo, visto que explica 99,66% da variabilidade dos valores de fretes observados. As variáveis preditoras que compõem o modelo são: distância, custo do motorista, tipo de cliente, valor da nota fiscal, origem e destino. Com o modelo desenvolvido, as variáveis tiveram seu peso estatisticamente calculado, conferindo automatização ao processo e tornando mais ágil a rotina dos analistas da empresa.Associação Brasileira de Engenharia de Produção2020-12-21info:eu-repo/semantics/articleinfo:eu-repo/semantics/publishedVersionapplication/pdfvideo/mp4https://www.producaoonline.org.br/rpo/article/view/402110.14488/1676-1901.v20i4.4021Revista Produção Online; Vol. 20 No. 4 (2020); 1214-1237Revista Produção Online; v. 20 n. 4 (2020); 1214-12371676-1901reponame:Revista Produção Onlineinstname:Associação Brasileira de Engenharia de Produção (ABEPRO)instacron:ABEPROporhttps://www.producaoonline.org.br/rpo/article/view/4021/1981https://www.producaoonline.org.br/rpo/article/view/4021/1982Copyright (c) 2020 Revista Produção Onlineinfo:eu-repo/semantics/openAccessCoppe, Luísa MaiaDiniz, Diego AugustoCarvalho, Vyctor Henrique dePimentel, Lívia Martins da Costa Furtado2020-12-21T12:02:16Zoai:ojs.emnuvens.com.br:article/4021Revistahttp://producaoonline.org.br/rpoPUBhttps://www.producaoonline.org.br/rpo/oai||producaoonline@gmail.com1676-19011676-1901opendoar:2020-12-21T12:02:16Revista Produção Online - Associação Brasileira de Engenharia de Produção (ABEPRO)false |
dc.title.none.fl_str_mv |
Road freight pricing via parametric models Precificação de fretes rodoviários via modelos paramétricos |
title |
Road freight pricing via parametric models |
spellingShingle |
Road freight pricing via parametric models Coppe, Luísa Maia Road transport. Logistics. Pricing. Multiple Linear Regression. Transporte rodoviário. Logística. Precificação. Regressão Linear Múltipla. |
title_short |
Road freight pricing via parametric models |
title_full |
Road freight pricing via parametric models |
title_fullStr |
Road freight pricing via parametric models |
title_full_unstemmed |
Road freight pricing via parametric models |
title_sort |
Road freight pricing via parametric models |
author |
Coppe, Luísa Maia |
author_facet |
Coppe, Luísa Maia Diniz, Diego Augusto Carvalho, Vyctor Henrique de Pimentel, Lívia Martins da Costa Furtado |
author_role |
author |
author2 |
Diniz, Diego Augusto Carvalho, Vyctor Henrique de Pimentel, Lívia Martins da Costa Furtado |
author2_role |
author author author |
dc.contributor.author.fl_str_mv |
Coppe, Luísa Maia Diniz, Diego Augusto Carvalho, Vyctor Henrique de Pimentel, Lívia Martins da Costa Furtado |
dc.subject.por.fl_str_mv |
Road transport. Logistics. Pricing. Multiple Linear Regression. Transporte rodoviário. Logística. Precificação. Regressão Linear Múltipla. |
topic |
Road transport. Logistics. Pricing. Multiple Linear Regression. Transporte rodoviário. Logística. Precificação. Regressão Linear Múltipla. |
description |
In reference to product cost structure, transportation can represent up to 60% of its total value. In Brazil, road transportation mode is the most used kind, making up to 61% of the freight operated as a whole. However, road transportation pricing is not a trivial process because it involves variables that go beyond the basic costs of the activity. The objective of this work is the development of a freight pricing model with a higher degree of precision and reduced response time, using multiple linear regression techniques. The study is applied to a logistics operation company, which business model is the connection between the carrier and the freight demander. The pricing model developed obtained a coefficient of determination of R ^ 2 = 0.9966. In other words, a highly explanatory model, once it explains 99.66% of the variability of observed freight values. The predictive variables that make up the model are distance, driver cost, type of customer, invoice amount, origin and destination. With the model developed, the variables had their weight statistically calculated, giving automation to the process and making the routine of the company's analysts more agile. |
publishDate |
2020 |
dc.date.none.fl_str_mv |
2020-12-21 |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/article info:eu-repo/semantics/publishedVersion |
format |
article |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
https://www.producaoonline.org.br/rpo/article/view/4021 10.14488/1676-1901.v20i4.4021 |
url |
https://www.producaoonline.org.br/rpo/article/view/4021 |
identifier_str_mv |
10.14488/1676-1901.v20i4.4021 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.relation.none.fl_str_mv |
https://www.producaoonline.org.br/rpo/article/view/4021/1981 https://www.producaoonline.org.br/rpo/article/view/4021/1982 |
dc.rights.driver.fl_str_mv |
Copyright (c) 2020 Revista Produção Online info:eu-repo/semantics/openAccess |
rights_invalid_str_mv |
Copyright (c) 2020 Revista Produção Online |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf video/mp4 |
dc.publisher.none.fl_str_mv |
Associação Brasileira de Engenharia de Produção |
publisher.none.fl_str_mv |
Associação Brasileira de Engenharia de Produção |
dc.source.none.fl_str_mv |
Revista Produção Online; Vol. 20 No. 4 (2020); 1214-1237 Revista Produção Online; v. 20 n. 4 (2020); 1214-1237 1676-1901 reponame:Revista Produção Online instname:Associação Brasileira de Engenharia de Produção (ABEPRO) instacron:ABEPRO |
instname_str |
Associação Brasileira de Engenharia de Produção (ABEPRO) |
instacron_str |
ABEPRO |
institution |
ABEPRO |
reponame_str |
Revista Produção Online |
collection |
Revista Produção Online |
repository.name.fl_str_mv |
Revista Produção Online - Associação Brasileira de Engenharia de Produção (ABEPRO) |
repository.mail.fl_str_mv |
||producaoonline@gmail.com |
_version_ |
1761536951645634560 |