DEVELOPING A REGRESSION MODEL OF AIR TRANSPORT PASSENGER TURNOVER IN THE RUSSIAN FEDERATION WITH TWO ALTERNATIVE METHODS
https://doi.org/10.35266/1999-7604-2023-1-36-42
Abstract
The article describes a regressive mathematical model of passenger turnover in the air transport of the Russian Federation. The following are used as independent variables: the average flight cost in the economy class of an aircraft per 1,000 km, the average monthly nominal accrued wages of employees in a full range of organizations, the average fare for travel in a second-class carriage of an express unbranded long-distance train per 100 km of track, the working population. Model parameters are identified using two alternative methods of regression analysis: mixed estimation and maximum consistency between the calculated and actual values of the output variable. The constructed versions of the model fully correspond to the content meaning of the independent variables included in their composition and have high accuracy. To solve the problems, the researcher should select one of them according to their features, namely, either the tendency to minimize the disrepancies between the predicted and actual values of passenger traffic in the future or the desire to identify future trends in the indicator's dynamics, possibly, with the greater accuracy.
About the Authors
S. I. Noskov
Irkutsk State Transport University, Irkutsk
Russian Federation
Russian Federation
Doctor of Sciences (Engineering), Professor
E-mail: sergey.noskov.57@mail.ru
Yu. A. Bychkov
Irkutsk State Transport University, Irkutsk
Russian Federation
Russian Federation
Postgraduate
E-mail: bychkov_ya@internet.ru
K. S. Perfilyeva
Irkutsk State Transport University, Irkutsk
Russian Federation
Russian Federation
Postgraduate
E-mail: 552649-171233@mail.ru
References
1. Прытов А. А. Моделирование и оптимизация пассажирских перевозок в условиях неопределенности // Инновации в гражданской авиации. 2017. Т. 2, № 1. С. 57–63.
2. Антонова В. М., Гречишкина Н. А., Кузнецов Н. А. Анализ результатов моделирования пассажиро-потока станции метро в программе AnyLogic // Теория и методы обработки информации. 2018. № 1. С. 35–39.
3. Данилов А. И., Чижиков В. П. Определение количества людей на станциях метрополитена методом моделирования пассажиропотоков // Метро и тоннели. 2022. № 2. С. 28–30.
4. Лукашова Е. В., Лукашов Н. А. Оценка качества перевозок пассажиров с использованием методов математического моделирования // Управление качеством на этапах жизненного цикла технических и технологических систем : сб. науч. тр. 3-й Всерос. науч.-технич. конф., Курск, 28 мая 2021 г. Курск : Юго-Запад. гос. ун-т, 2021. С. 224–226.
5. Транспорт в России // Федеральная служба государственной статистики. URL: https://ros stat.gov.ru/folder/210/document/13229 (дата обра-щения: 15.02.2023).
6. Варюхина Е. В., Клочков В. В. Экономические механизмы управления безопасностью полетов и авиационной техники // Управление развитием крупномасштабных систем (MLSD'2011) : материалы пятой междунар. конф. Москва, 3–5 октября 2011 г. М. : Ин-т проблем управления им. В. А. Трапезникова РАН, 2011. С. 155–157.
7. Денежкина К. Л., Радковская Е. В. Перспективы восстановления работы аэропортов // Перспективы науки. 2022. № 7. С. 40–44.
8. Рязанов В. А. Пассажиропоток аэропортов России как индикатор социально-экономической динамики регионов страны // Региональные исследования. 2013. № 4. С. 74–79.
9. Мартыненко А. В., Фарносова Я. А., Шерышова А. Е. Математическое моделирование пассажирских авиаперевозок // Инновационный транспорт. 2016. № 4. С. 9–14.
10. Банщикова А. А., Базилевский М. П., Тихомиров В. А. Прогнозирование объема пропуска перевозимых на нетяговом подвижном составе крупнотоннажных контейнеров в экспортно- импортном сообщении в направлении РФ – КНР // Современные технологии. Системный анализ. Моделирование. 2017. № 2. С. 185–190.
11. Базилевский М. П., Гефан Г. Д. Проблема авто-корреляции остатков регрессии на примере моделирования грузооборота железнодорожного транспорта по данным временных рядов // Современные технологии. Системный анализ. Моделирование. 2016. № 1. С. 141–147.
12. Носков С. И., Бычков Ю. А. Модификация непрерывной формы метода максимальной согласованности при построении линейной регрессии // Известия Тульского государственного университета. Технические науки. 2022. № 5. С. 88–94. DOI 10.24412/2071-6168-2022-5-88-95.
13. Федеральная служба государственной статистики. URL: https://rosstat.gov.ru (дата обращения: 15.02.2023).
14. Носков С. И. О методе смешанного оценивания параметров линейной регрессии // Информационные технологии и математическое моделирование в управлении сложными системами. 2019. № 1. С. 41–45.
15. Носков С. И., Перфильева К. С. Программа оценки точности прогноза по регрессионной модели при использовании четырех альтерна-тивных методов идентификации ее параметров. Свидетельство о гос. регистрации программы для ЭВМ № RU 2022618046 от 28.04.2022. Заявка № 2022616576 от 12.04.2022 ; заявитель ФГБОУ ВО «Иркутский государственный университет путей сообщения».
16. Носков С. И., Бычков Ю. А. Программа оптимизации непрерывного критерия согласованности поведения при построении регрессионных моделей. Свидетельство о гос. регистрации программы для ЭВМ № RU 2022618082 от 28.04.2022. Заявка № 2022617381 от 19.04.2022 ; заявитель ФГБОУ ВО «Иркутский государственный университет путей сообщения».
Review
For citations:
Noskov S.I., Bychkov Yu.A., Perfilyeva K.S. DEVELOPING A REGRESSION MODEL OF AIR TRANSPORT PASSENGER TURNOVER IN THE RUSSIAN FEDERATION WITH TWO ALTERNATIVE METHODS. Proceedings in Cybernetics. 2023;22(1):36-42. (In Russ.) https://doi.org/10.35266/1999-7604-2023-1-36-42
Views:
158
Email this article 