Регион: Выбрать регион
Сейчас: 22 августа 17:48:50
Четверг
Время: Красноярск (GMT+7)
На главную Написать письмо Карта сайта

Анализ эффективности работы авиакомпаний на основе ABOD-подхода

Олейник Никита Сергеевич

студент 4 курса

Новосибирский государственный технический университет,

г. Новосибирск, Россия

E-mail: olejnik.2015@stud.nstu.ru

Научный руководитель – Щеколдин Владислав Юрьевич

кандидат технических наук,

доцент кафедры маркетинга и сервиса

Новосибирский государственный технический университет,

г. Новосибирск, Россия

E-mail: raix@mail.ru

 

Analysis of the airlines performances on ABOD-approach

Oleinik Nikita Sergeevich

4th grade student,

Novosibirsk State Technical University,

Novosibirsk, Russia

Scientific supervisor – Shchekoldin Vladislav Yurievich

Candidate of Science in Engineering (Ph.D.),

Associate Professor of Marketing and Service Department,

Novosibirsk State Technical University,

Novosibirsk, Russia

 

В работе рассматривается метод ABOD для оценивания эффективности авиакомпаний при анализе числа задержек рейсов. Представлено применение аппарата кумулятивных кривых для улучшения качества выявления аномальных наблюдений для многомерных данных. Выявлены причины, не позволяющие использовать классические методы обнаружения выбросов.

Ключевые слова: логистика, авиационный транспорт, выбросы

 

The article discusses the ABOD method for evaluating the effectiveness of airlines in analyzing the number of flight delays. The implementation of cumulative curves approach for improving the quality of outlier detection in the case of multidimensional data is presented. The reasons that do not allow the use of classical methods for outlier detection are identified.

Key words: logistics, air transport, outliers

 

В современном мире для деловых поездок, путешествий и прочего люди все больше пользуются авиатранспортными средствами. При этом одной из основных задач для решения проблем, связанных с минимизацией финансовых и временных затрат, является выбор эффективно работающих авиакомпаний, предоставляющих клиентам наиболее выгодные условия. В настоящем исследовании под эффективностью работы авиакомпании будет пониматься доля невыполненных и задержанных рейсов. Популярность авиаперевозок постоянно растет, в том числе и в нашей стране. Так, согласно [3], объем пассажирских авиаперевозок в 2018 году увеличился на 10,6% по сравнению с аналогичным периодом прошлого года, в частности, регулярными рейсами на внутренних и международных маршрутах было перевезено на 11,1% больше пассажиров, чем в 2017 году, тогда как международными рейсами российских авиакомпаний воспользовались на 11,5% больше клиентов.

Для изучения работы авиакомпаний воспользуемся сведениями по количеству внутренних и международных полетов по расписанию и внутренних полетов вне расписания, выполненных российскими авиакомпаниями с задержкой отправлений за период с 01.10.2018 по 31.10.2018 и с 01.12.2018 по 31.12.2018, представляющими слабо загруженный и пиковый (загруженный) временные отрезки. Всего в базе данных представлены результаты рейсов 32 авиакомпаний [4].

При анализе эффективности работы авиакомпаний можно пользоваться различными методологическими подходами [1], наиболее простой из которых предполагает выбор определенных факторов, характеризующих оперативную деятельность компаний, и выявление тех из них, которые обеспечивают наилучшие (оптимальные) значения этих факторов. Однако очевидно, что если факторов, находящихся в рассмотрении исследователя, достаточно много, то могут возникать естественные противоречия – одни и те же авиакомпании могут по одним факторам быть среди лидеров, по другим – занимать среднее положение, а в некоторых случаях соответствовать наиболее слабым результатам по отрасли в целом. Другой подход предполагает использование методов экспертного оценивания, предполагающих многостадийный опрос  специалистов, профессиональные знания и опыт которых позволяет получить согласованные групповые оценки тех или иных объектов, процессов или явлений. Очевидным недостатком такого подхода следует считать традиционно высокую степень консерватизма любых групповых решений (что может привести к отбрасываю необычных и даже инновационных идей), а также значительные временные затраты, поскольку опрос экспертов и последующая обработка их мнений существенно растягиваются во времени.

Для анализа многомерных данных часто применяются алгоритмы, связанные с геометрией пространства. Одним из них является ABOD (Angle Based Outlier Detection), основанный на оценке углов, под которыми из каждой точки пространства, соответствующей определенному наблюдению, видны остальные наблюдения. При этом оценка дисперсии углов для наблюдения A осуществляется на основе следующего выражения [7]:

149e9677a5989fd342ae44213df68868.jpg

где ABOF(A) – функция, оценивающая степень аномальности наблюдения в точке А, VAR(.) – функция дисперсии, B, С – точки многомерного пространства, выбираемые из базы данных , ( . , .) – скалярное произведение двух векторов,  – норма (длина) соответствующего вектора в многомерном пространстве.

Наблюдения, максимальные величины типа (1) которых минимальны в выборке, потенциально считаются выбросами.  Выброс, согласно [8] – это наблюдение, которое так сильно отличается от остальных, что может возникнуть предположение, что оно появилось в выборке принципиально другим способом.

Поскольку нельзя утверждать, что количество выявляемых выбросов в произвольных задачах фиксировано (а тем более заранее определено), необходимо оценивать величины углов, начиная с которых наблюдения будут признаваться выбросами. Так как в результате использования алгоритма ABOD многомерные данные преобразуются к одномерным, необходимо воспользоваться соответствующими критериями для нахождения такого критического угла, например, критерием Шовене или максимального относительного отклонения [5], которые предполагают непротиворечивость предположения о нормальности распределения данных.

Для обеспечения инвариантности к распределению данных и учета их внутренней структуры без привлечения критических значений, обычно используемых в критериях, применим метод анализа кумулятивных кривых, параметры которых оцениваются на основе метода наименьших квадратов [9]. При этом для построения кумулятивной кривой необходимо определить ее спецификацию, а затем оценить параметры. Для анализа были выбраны параметризации типа Баллоу-Парето, среди которых наиболее удачной оказалась функция , соответствующая параметризации Баллоу-Парето типа III, поскольку в большинстве численных экспериментов она обеспечивает наилучшее значение остаточной суммы квадратов для решаемой задачи. Далее, согласно интегральному методу (см. например, [10]), кривая разбивается на три части, соответствующие выбросам, наблюдениям, занимающим промежуточное положение и регулярным наблюдениям. В предыдущих работах авторов [2, 9, 10] было установлено, что метод кумулятивных кривых позволяет получать статистически более корректные результаты, поэтому именно он и будет использоваться в дальнейшем.

После анализа двухчасовых задержек за декабрь 2018 года было обнаружено, что выбросам соответствуют авиакомпании Красавиа, Якутия и Роял Флайт со значениями оцениваемого показателя ,  и 5.196 соответственно, при этом для остальных компаний диапазон значений от  до . При анализе же трехчасовых задержек результаты изменились: выбросам соответствуют Алроса, Газпром Авиа, Азур Эйр и Роял Флайт со значениями , , ,  и 5.166, для остальных компаний диапазон значений оказался от  до .

Из анализа двумерных данных видно, что по разным задержкам мы получаем различные авиакомпании, поэтому для получения обобщенных оценок необходимо анализировать многомерные данные. В результате, за декабрь в качестве выбросов были получены: Ижавиа а/к ( ), Азур Эйр ( ), Якутия а/к ( ) и Роял Флайт а/к ( ); за аналогичный период в октябре - Азур Эйр ( ), Красавиа ( ), Полярные Авиалинии а/к ( ) и Якутия а/к ( ).

Частое появление среди выделенных авиакомпаний «Якутии» было объяснено в ряде публикаций, например, ИА Regnum [6]. Там причиной участившихся задержек было названо низкое качество самолетов SuperJet, нередкие поломки которых обходятся в месяцы ремонта. Самой большой проблемой авиакомпании стало неудачное приземление 10 октября 2018 г. принадлежащего ей самолета в аэропорте Якутска, вследствие которого главой республики было принято решение об увольнении гендиректора авиакомпании.

Полученные в работе результаты позволяют сделать вывод о том, что для изучаемых авиакомпаний требуется более детальное и углубленное изучение ситуаций, приводящих к сбоям в их работе. Ввиду разной загруженности рейсов в выбранные периоды можно сделать предположение, что на выводах мог сказываться фактор сезонности. Также стоит отметить, что метод ABOD является достаточно перспективным ввиду его эффективности на многомерных данных, и поэтому необходимо дальнейшее его изучение и развитие.

Библиографический список:

1.        Методологические подходы, принципы и методы оценки эффективности деятельности корпорации / aup.ru [Электронный ресурс]. – Режим доступа: www.aup.ru/ books/m2/3_3_1.htm (дата обращения: 26.03.2018).

2.        Олейник Н. С., Щеколдин В.Ю. Выявление аномальных наблюдений в данных больших размерностей на основе геометрического ABOD-подхода // Наука. Технологии. Инновации: сб. науч. тр.: в 9 ч., Новосибирск, 3-7 дек. 2018 г. – Новосибирск: Изд-во НГТУ, 2018. – Ч. 2. – С. 253-257.

3.        Рост авиаперевозок пассажиров в России достиг почти 9% / regnum.ru [Электронный ресурс]. – Режим доступа: https://regnum.ru/news/ 2570076.html (дата обращения: 26.03.2018).

4.        Сведения о задержках / favt.ru [Электронный ресурс]. – Режим доступа: www.favt.ru/ dejatelnost-vozdushnye-perevozki-svedenija-o-zaderzhkah/ (дата обращения: 26.03.2018).

5.        Тимофеев В.С., Фаддеенков А.В., Щеколдин В.Ю. Эконометрика: учебник для академического бакалавриата. – Москва: ЮРАЙТ, 2017.

6.        «Якутия» вновь лидирует среди авиакомпаний по количеству задержанных рейсов / aviaport.ru [Электронный ресурс]. – Режим доступа: www.aviaport.ru/ digest/2018/10/16/558697.html (дата обращения: 28.03.2018).

7.        Kriegel H.-P., Schubert M., Zimek A. Angle-based outlier detection in high dimensional data // Proceedings of KDD, 2008. – p. 444-452.

8.        Hawkins D. Identification of Outliers. – Chapman and Hall, 1980.

9.        Shchekoldin V. Developing the risk classification based on ABC-analysis of possible damage and its probability // Proceedings of 11th International forum on strategic technology (IFOST-2016). – Novosibirsk: NSTU, 2016. – Pt.1. – p. 317-319.

10.    Shchekoldin V., Lyssenko M. Development of classification methods based on cumulative curves analysis // Actual problems of electronic instrument engineering (APEIE-2018). – Novosibirsk: NSTU, 2018. – Т.6. – p. 97-100.

 

Материал размещен кафедрой «Логистика и маркетинг в АПК» Красноярского ГАУ
Источник: материалы XIV Международной научно-практической конференции «Логистика – Евразийский мост» ЛЕМ - 2019


Количество просмотров: 60
17.06.2019 10:13 | EvgeniyKorolevблог автора

Еще публикации:









Стать автором
Логин:
Пароль:
Для входа в свой аккаунт или Регистрациии, воспользуйтесь выплывающим меню
Реклама