ORIGINAL PAPER
The analysis of dependence of the level of operational costs and production outputs upon geological and mining conditions in selected hard coal mines in Poland
1
Mineral and Economy Research Institute,
Polish Academy of Sciences
2
Cracow University of Economics, Poland
Submission date: 2020-06-22
Final revision date: 2020-07-06
Acceptance date: 2020-08-24
Publication date: 2020-09-29
Corresponding author
Gospodarka Surowcami Mineralnymi – Mineral Resources Management 2020;36(3):75-96
KEYWORDS
Polish mining sectorlongwall production and costsgeological and mining conditionsnuisanceAHP and regression analysis
TOPICS
Scientific background of mineral resource managementEffective mineral deposits exploitationEconomics of mineral industries
ABSTRACT
This publication presents the research aimed at developing statistical models, on the basis of which it was possible to prepare credible forecasts of unit cost and coal net output for longwalls in 5 hard coal mines in Poland. The argument has been verified that there is a dependence between the level of nuisance and the level of costs, as well as longwall production results.
A research procedure has been developed for that purpose, which aimed at developing two statistical models connecting the nuisance due to geological and mining conditions with costs and longwall production results. The multiple linear regression technique has been used to develop statistical models. The set of data taken into account in the analyses comprised 120 longwalls mined in the years 2010–2019. Two models have been developed – one for forecasting unit costs, the other for forecasting coal net output. Subsequently, the models’ forecasting ability has been verified on a sample of historical data. A relative forecast error for 75% of observations has been in the range of (–25%; +37%). That result has been considered satisfactory. Subsequently, using those models, forecasts of unit costs and coal net output have been prepared for 220 longwalls planned for mining in the years 2020–2030. Those forecasts have been prepared in the stipulated ranges of geological and mining nuisance influencing mining process, by means of dedicated WUe and WUt factors. The nuisance models for forecasting purposes have been developed using the AHP (Analytic Hierarchy Process) method. The research hypothesis has been confirmed on the basis of the obtained results. An increase in the level of nuisance leads to an increase in the unit costs for longwalls and the deterioration of production results. Unit operating costs for longwalls in specific ranges of nuisance may differ by up to 30%, being in the range of 52.0–120.3 zł/Mg. Likewise, the coal daily output of longwalls may be even 22% lower, having the average level in the range of 1.89–3.61 thousand Mg/d.
METADATA IN OTHER LANGUAGES:
Polish
Analiza zależności kosztów operacyjnych i wyników produkcyjnych ścian od warunków geologicznych i górniczych w wybranych kopalniach węgla kamiennego w Polsce
polski sektor wydobywczy, produkcja i koszty ściany, warunki geologiczne i górnicze, uciążliwość, AHP i analiza regresji
Publikacja prezentuje badania zmierzające do opracowania modeli statystycznych, na podstawie których możliwe było wykonanie wiarygodnych prognoz kosztu jednostkowego i wydobycia netto ścian w 5 kopalniach węgla kamiennego w Polsce. Weryfikowano tezę, że istnieje zależność pomiędzy poziomem uciążliwości a wielkością kosztów i wynikami produkcyjnymi ścian.
W tym celu opracowano procedurę badawczą prowadzącą do skonstruowania dwóch modeli statystycznych wiążących uciążliwość warunków geologicznych i górniczych z kosztami i wynikami produkcyjnymi ścian. Do skonstruowania modeli statystycznych posłużono się techniką regresji wielorakiej. Zbiór danych, które uwzględniono w analizach, obejmował 120 ścian eksploatowanych w latach 2010–2019. Powstały dwa modele – jeden dla celów prognozowania kosztów jednostkowych, drugi – produkcji węgla netto. Następnie wykonano weryfikację zdolności prognostycznej tych modeli w próbie danych historycznych. Względny błąd prognozy dla 75% obserwacji wahał się w przedziale (–25%; +37%), a jego średnia wartość dla wszystkich obserwacji nie przekraczała 5% dla obu tych modeli. Wynik ten, mimo defektów modelowania liniowego, uznano za satysfakcjonujący. Następnie przy użyciu tych modeli wykonano prognozy kosztów jednostkowych i coal net output dla 220 ścian planowanych do wydobycia w latach 2020–2030. Prognozy te wykonano w umownych przedziałach uciążliwości geologicznych i górniczych warunków procesu eksploatacji za pomocą wskaźników WUe i WUt. Modele uciążliwości dla celów prognostycznych skonstruowano z wykorzystaniem metody AHP (Analytic Hierarchy Process). Na bazie otrzymanych wyników teza badawcza została potwierdzona. Wzrost uciążliwości prowadzi do wzrostu kosztu jednostkowego ścian i pogorszenia wyników produkcyjnych. Zależność ta nie jest liniowa. Koszty jednostkowe ścian w poszczególnych przedziałach uciążliwości mogą się wahać nawet do 30%, mieszcząc się w przedziale 52,0–120,3 zł/Mg. Podobnie również wydobycie dobowe ze ścian może być niższe nawet o 22%, i kształtować na poziomie średnim w przedziale 1,89–3,61 tys. Mg/d.
REFERENCES (27)
1.
ARP 2019 – Agencja Rozwoju Przemysłu. Raport o stanie górnictwa węgla kamiennego, Katowice.
2.
Baran et al. 2018 – Baran, J., Lewandowski, P., Szpor, A. and Witajewski-Baltvilks, J. 2018. Coal transition in Poland, Options for a fair and feasible transition for the Polish coal sector, IBS. [Online] https://coaltransitions.files.... [Accessed: 2020-06-09].
3.
Breusch. T.S. and Pagan, A.R. 1979. A Simple Test for Heteroskedasticity and Random Coefficient Variation. Econometrica 47(5), pp. 1287–1294.
4.
Dychkovskyi et al. 2018 – Dychkovskyi, R., Falshtynskyi, V., Ruskykh, V., Cabana, E. and Kosobokov, O. 2018. A modern vision of simulation modelling in mining and near mining activity. E3S Web of Conferences (60). [Online] https://doi.org/10.1051/e3scon....
5.
Fałtyn, M. and Naczyński, D. 2018. The factors shaping the demand, supply, and prices on the hard coal market. Modelling of possible changes in the long-term horizon. Polityka Energetyczna – Energy Policy Journal 21(3), pp. 47–68.
6.
Hair et al. 1995 – Hair, J.F.Jr., Anderson, R.E., Tatham, R.L. and Black, W.C. 1995. Multivariate Data Analysis (3rd ed), New York, US.
8.
Kopacz, M. 2017. The impact of selected geological and mining parameters on the economic evaluation of projects in the hard coal mining industry (Wpływ wybranych parametrów geologiczno-górniczych na ocenę ekonomiczną projektów w górnictwie węgla kamiennego). Studia, Rozprawy, Monografie 201, Kraków: MEERI PAS (in Polish).
9.
Magda, R. 2016. Ways of rationalization of unit cost of production in the mining (Kierunki racjonalizacji jednostkowego kosztu produkcji w przedsiębiorstwie górniczym). Inżynieria Mineralna 17(2), pp. 145–152 (in Polish).
10.
Marquardt, D.W. 1970. Generalized inverses, ridge regression, biased linear estimation, and nonlinear estimation. Technometrics 12, pp. 591–256.
11.
Neter et al. 1989 – Neter, J., Wasserman, W. and Kutner, M.H. 1989. Applied Linear Regression Models. Homewood, IL: Irwin.
12.
Pan, Y. and Jackson, R.T. 2008. Ethnic difference in the relationship between acute inflammation and serum ferritin in US adult males. Epidemiology and Infection 136, pp. 421–431.
14.
Report 2018. Hard coal mining in Poland. [Online] https://min-pan.krakow.pl/proj... [Accessed: 2020-06-09].
15.
Razali, N. and Wah, Y.B. 2011. Power comparisons of Shapiro-Wilk, Kolmogorov-Smirnov, Lilliefors and Anderson-Darling tests. Journal of Statistical Modelling and Analytics 2(1), pp. 21–33.
17.
Royston, J.P. 1982. An extension of Shapiro-Wilk’s W test for non-normality to large samples. Applied Statistics 31, pp. 115–124.
18.
Saługa, P. 2009. Economic evaluation and risk analysis of mineral projects (Ocena ekonomiczna projektów i analiza ryzyka w górnictwie). Studia, Rozprawy, Monografie 152, Kraków: MEERI PAS (in Polish).
19.
Shapiro, S.S. and Francia, R.S. 1972. An approximate analysis of variance test for normality. Journal of the American Statistical Association 67(337), pp. 215–216.
20.
Shapiro, S. and Wilk, M.B. 1965. An analysis of variance test for normality (complete samples). Biometrika 52(3–4), pp. 591–611.
21.
Sobczyk, E.J. 2008. Analytic Hierarchy Process (AHP) and Multivariate Statistical Analysis (MSA) in Evaluating Mining Difficulties in Coal Mines. 21st World Mining Congress – New Challenges and Visions for Mining. Kraków. Taylor&Francis Group, A Balkema Book, London.
22.
Sobczyk et al. 2020 – Sobczyk, E.J., Kaczmarek, J., Fijorek, K. and Kopacz, M. 2020. Efficiency and financial standing of coal mining enterprises in Poland in terms of restructuring course and effects. Gospodarka Surowcami Mineralnymi – Mineral Resources Management 36(2), pp. 5–30.
23.
Sobczyk, E.J. and Kopacz, M. 2018. Assessing geological and mining condition nuisance and its impact on the cost of exploitation in hard coal mines with the use of a multi-criterion method. Archives of Mining Sciences 63(3), pp. 665–686.
24.
Szlązak, J. 2004. Restructuring of hard coal mining in Poland in the years 1990–2002. Analysis of the effectiveness of implemented programs (Restrukturyzacja górnictwa węgla kamiennego w Polsce w latach 1990–2002. Analiza skuteczności realizowanych programów). Kraków: MEERI PAS (in Polish).
25.
U.S. Energy Information Administration (EIA) 2020. Short-Term Energy Outlook. [Online] https://www.eia.gov/outlooks/s... [Accessed: 2020-06-09].
26.
Weisberg, S. and Bingham, C. 1975. An approximate analysis of variance test for non-normality suitable for machine calculation. Technometrics 17(1), pp. 133–134.
27.
Wooldridge, J.M. 2013. Introductory Econometrics: A Modern Approach (Fifth ed.), South-Western: Cengage US Learning.
| eISSN: | 2299-2324 |
| ISSN: | 0860-0953 |
We process personal data collected when visiting the website. The function of obtaining information about users and their behavior is carried out by voluntarily entered information in forms and saving cookies in end devices. Data, including cookies, are used to provide services, improve the user experience and to analyze the traffic in accordance with the Privacy policy. Data are also collected and processed by Google Analytics tool (more).
You can change cookies settings in your browser. Restricted use of cookies in the browser configuration may affect some functionalities of the website.
You can change cookies settings in your browser. Restricted use of cookies in the browser configuration may affect some functionalities of the website.
