О регрессионном подходе к прогнозированию пассажирского спроса на железнодорожном транспорте

В связи с тем, что автокорреляция временных рядов пассажирского спроса в обычных условиях является, как правило, практически непроявленной, традиционные методы прогнозирования, основанные на учете автокорреляционных зависимостей, оказываются недостаточно эффективными. В статье предлагается непосредственный учет основного фактора, влияющего на точность прогнозирования, а именно фактора сезонной неоднородности спроса. Этот учет производится на основе полиномиальной регрессии для временной зависимости спроса. На конкретном расчетном примере демонстрируются сравнительные преимущества такого подхода к оценке прогноза спроса на железнодорожном транспорте.
Регрессионный подход применяется к недельно-усредненным показателям спроса для временной области, где эти показатели считаются известными по истории продаж. При наличии в зоне прогноза недельной неоднородности спроса предлагается алгоритм восстановления такой неоднородности по исходным данным.
Точность прогноза на основе предлагаемого метода сравнивается с результатами, достигаемыми на базе модели ARIMA, обнаруживающей, согласно проведенным предварительным оценкам, достаточно высокие точностные параметры. На расчетных примерах показано, что для рядов спроса, которые могут считаться характерными для сферы пассажирского сообщения, регрессионный подход дает точность прогноза более высокую, чем модель ARIMA. Рассмотрены причины, в силу которых для типичных рядов пассажирского спроса регрессионный подход может рассматриваться как более перспективный, чем методы, включающие учет автокорреляционности.

1. Ефимов С. М. Методика анализа факторов, определяющих спрос на пассажирские перевозки // Мир транспорта. 2015. Т. 13. № 2. С. 114–120.

2. Talluri K. T., van Ryzin G. J. The Theory and Practice of Revenue Management. Boston: Kluwer Academic Publishers, 2004. 713 p.

3. Венедиктов Г. Л., Кочетков В. М. Экономические модели повышения доходности при жестком ограничении предложения // Экономика и математические методы. 2012. Т. 48. № 1. С. 111–118.

4. Реализация экономико-математических моделей в автоматизированных системах управления рентабельностью пассажирских перевозок / О. Ф. Мирошниченко [и др.] // Вестник Научноисследовательского института железнодорожного транспорта (Вестник ВНИИЖТ). 2011. № 4. С. 33–39.

5. Box G., Jenkins G. Time Series Analysis, Forecasting and Control. San Francisco: Holden Day, 1970. 365 p.

6. Brockwell P. J., Davis R. A. Introduction to Time Series and Forecasting. New York: Springer, 2002. 434 p.

7. Канторович Г. Г. Анализ временных рядов // Экономический журнал ВШЭ. 2002. № 2. С. 251–269.

8. Венедиктов Г. Л., Кочетков В. М. Эффективные методы прогнозирования пассажирского спроса на железнодорожном транспорте // Экономика железных дорог. 2016. № 6. С. 36–45.

9. Айвазян С. А., Мхитарян В. С. Прикладная статистика и основы эконометрики. М.: Юнити, 1998. 1006 с.

10. Айвазян С. А. Основы эконометрики: учеб. для студентов экон. специальностей вузов. В 2 т. Т. 2. М.: Юнити, 2001. 432 с.

11. Орлов А. И. Эконометрика. М.: Экзамен, 2002. 575 с.

12. Diebold F. X. Elements of Forecasting. [S. l.]: South-Western College Pub, 2007. P. 129–384.

13. Автоматизированная система управления рентабельностью пассажирских перевозок на железнодорожном транспорте: пат. 112465 Российская Федерация: МПК G06F 17/00 / Г. Л. Венедиктов, В. М. Кочетков. № 2011133550/08; заявл. 11.08.2011; опубл. 10.01.2012, Бюл. № 1.

14. Четыркин Е. М. Статистические методы прогнозирования. М.: Статистика, 1977. 329 с.

15. Точность и достоверность прогнозов [Электронный ресурс]. URL: http://poisk-ru.ru/s24541t2.html (дата обращения: 06.02.2020 г.).

16. Оценка точности и надежности прогнозов [Электронный ресурс]. URL: https://studfiles.net/preview/3490105/page:44 (дата обращения: 06.02.2020 г.).

17. Кобзарь А. И. Прикладная математическая статистика. М.: Физматлит, 2006. C. 466–468.

18. Ликеш И., Ляга Й. Основные таблицы математической статистики. М.: Финансы и статистика, 1985. 489 c.

19. Helve V. Demand Forecasting in a Railway Revenue Management System. Helsinki: Aalto University School of Business, 2015. 82 p.

20. Milenkovic M., Bojovic N. Railway Demand Forecasting // Handbook of Research on Emerging Innovations in Rail Transportation. [S. l.]: IGI Global, 2016. June issue. P. 100–129. DOI: 10.4018/978-15225-0084-1.ch005.