ORIGINAL PAPER
The forecast of coal sales taking the factors influencing the demand for hard coal into account
Aurelia Rybak 1  
,   Anna Manowska 1  
 
More details
Hide details
1
The Silesian University of Technology, Gliwice
CORRESPONDING AUTHOR
Aurelia Rybak   

The Silesian University of Technology, Gliwice
Submission date: 2018-07-23
Final revision date: 2018-09-07
Acceptance date: 2019-01-24
Publication date: 2018-03-31
 
Gospodarka Surowcami Mineralnymi – Mineral Resources Management 2019;35(1):129–140
 
KEYWORDS
TOPICS
ABSTRACT
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.
METADATA IN OTHER LANGUAGES:
Polish
Prognoza wielkości sprzedaży węgla z uwzględnieniem czynników kształtujących popyt na węgiel kamienny
prognozowanie, sprzedaż węgla, model ARMAX, czynniki środowiska
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.
 
REFERENCES (20)
1.
Bunn, D.W. and K arakatsani, N. 2003. Forecasting Electricity Prices. Working Paper. London Business School, pp. 764–785.
 
2.
Cieślak, M. 2001. Economic forecasting: methods and application (Prognozowanie gospodarcze: metody i zastosowanie). Warszawa: Wyd. Naukowe PWN, 368 pp. (in Polish).
 
3.
Farnum, N.R and Stanton, W. 1989. Quantitative Forecasting Methods. Boston: PWS-Kent Publishing Company, 656 pp.
 
4.
Glennon et al. 2018 – Glennon, D., Kiefer, H. and Mayock, T. 2018. Measurement error in residential property valuation: An application of forecast combination. Journal of Housing Economics 41, pp. 1–29.
 
5.
Grudkowska, S. and Paśnicka, E. 2007. X-12-ARIMA i TRAMO/SEATS – empiryczne porównanie metod wyrównania sezonowego w kontekście długości próby. Materiały i studia z. 220. Warszawa: Wyd. NBP, 59 pp. (in Polish).
 
6.
Grudkowska, S. and Nehrebecka, N. 2009. Identyfikacja i usuwanie sezonowości z polskich agregatów monetarnych. Materiały i studia z. 237. Warszawa: Wyd. NBP, 250 pp. (in Polish).
 
7.
GUS 2018 – Polska – wskaźniki makroekonomiczne. [Online] http://stat.gov.pl/wskazniki-m... [Accessed: 2018-01-09] (in Polish).
 
8.
Hickey et al. 2012 – Hickey, E., Loomis, D.G. and Mohammadi, H. 2012. Forecasting hourly electricity prices using ARMAX–GARCH models: An application to MISO hubs. Energy Economics 34, pp. 307–315.
 
9.
Kot et al. 2007 – Kot, S., Jakubowski, J. and Sokołowski, A. 2007. Statistics (Statystyka). Warszawa: Difin, 528 pp. (in Polish).
 
10.
Krupski R. 2009. Business management in a turbulent environment (Zarządzanie przedsiębiorstwem w turbulentnym otoczeniu). Warszawa: PWE, 312 pp. (in Polish).
 
11.
Lima et al. 2009 – Lima, C., McAleer, M. and Min, J.C.H 2009. ARMAX modelling of international tourism demand. Mathematics and Computers in Simulation 79, pp. 2879–2888.
 
12.
Marmarelis V. and Mitsis G. 2014. Data-driven Modeling for Diabetes: Diagnosis and Treatment. New York: Springer, 237 pp.
 
13.
Myttenaere et al. 2016 – Myttenaere, A., Golden, B., Grand, B. and Rossi, F. 2016. Mean Absolute Percentage Error for regression models. Neurocomputing 192, pp. 38–48.
 
14.
Na, O. 2017. Generalized information criterion for the AR model. Journal of the Korean Statistical Society 46, pp. 146–160.
 
15.
Piłatowska M. 2010. Information Criteria in Model Selection (Kryteria informacyjne w wyborze modelu ekonometrycznego). Studia i Prace Uniwersytetu Ekonomicznego w Krakowie 10, pp. 25–37 (in Polish).
 
16.
Reinsel G.C. 2003. Elements of Multivariate Time Series Analysis. New York: Springer, 358 pp.
 
17.
Rybak A. and Manowska A. 2017. The future of the energy sector in Poland – Renewable Energy Sources and Clean Coal Technologies (Przyszłość sektora energetycznego w Polsce – Odnawialne Źródła Enegii a czyste technologie węglowe). Wiadomości Górnicze – Mining News 1/2, pp. 12–19 (in Polish).
 
18.
Rybak A. et al. 2018 – Rybak, A., Rybak, A. and Manowska, A. 2018. Przyszłość gazu ziemnego jako substytutu węgla w aspekcie bezpieczeństwa energetycznego Polski. Wiadomości Górnicze – Mining News 3, pp. 144–152 (in Polish).
 
19.
SRWE 2018 – Statistical Review of World Energy. [Online] http://www.bp.com/en/global/co... [Accessed: 2018-01-09].
 
20.
Wojtkowiak G. 2015. The Role of Flexibility in the Management of a Construction Company (Rola elastyczności w zarządzaniu przedsiębiorstwem budowlanym). Zeszyty Naukowe Uniwersytetu Szczecińskiego 855 Finanse, Rynki Finansowe, Ubezpieczenia 74(1), pp. 321–331 (in Polish).
 
eISSN:2299-2324
ISSN:0860-0953