РАЗРАБОТКА РЕГРЕССИОННОЙ МОДЕЛИ ПАССАЖИРООБОРОТА ВОЗДУШНОГО ТРАНСПОРТА РОССИЙСКОЙ ФЕДЕРАЦИИ ДВУМЯ АЛЬТЕРНАТИВНЫМИ МЕТОДАМИ

Описана математическая модель регрессионного типа пассажирооборота воздуш-ного транспорта Российской Федерации. В качестве независимых переменных используются: средняя стоимость полета в салоне экономического класса самолета в расчете на 1 000 км, среднемесячная но-минальная начисленная заработная плата работников по полному кругу организаций, средний тариф на проезд в плацкартном вагоне скорого нефирменного поезда дальнего следования в расчете на 100 км пути, численность трудоспособного населения. Идентификация параметров модели производится с помощью двух альтернативных методов регрессионного анализа – смешанного оценивания и макси-мальной согласованности между расчетными и фактическими значениями выходной переменной. Построенные варианты модели вполне соответствуют содержательному смыслу входящих в их состав независимых переменных и обладают высокой точностью. Выбор одной из них для решения стоящих перед исследователем задач должен определяться их характером, а именно, либо стремлением минимизировать расхождения между прогнозными и реальными значениями пассажирооборота в будущем периоде, либо желанием с возможно большей точностью выявить будущие тенденции в динамике этого показателя.

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».