تحليل پيش بيني تقاضاي مسافر و بار در صنعت هوايي ايران

Analysis of forecasting the demand for passenger and cargo transport in Iran aviation industry

در اين مقاله تقاضاي جابه جايي مسافر و بار از طريق هواپيما در ايران مورد تجزيه و تحليل قرار مي گيرد. براي اين منظور از رگرسيون خطي چندگانه استفاده مي شود. با استفاده از دو مدل جداگانه براي بار و مسافر، اثرگذاري متغيرهاي جغرافيايي، اقتصادي-اجتماعي و رقابتي بر ميزان تقاضا بررسي شده است. براي اين منظور اطلاعات 594 مسير فعال هوايي كشور طي سال هاي 1388 تا 1391 از شركت فرودگاه ها و ناوبري هوايي ايران جمع آوري شده است. مزيت مدل هاي توسعه يافته در اين پژوهش نسبت به پژوهش هاي پيشين، عدم استفاده از متغير فركانس پرواز مي باشد. اين متغير به دليل همبستگي بالا با تقاضاي مسافرت، توانايي پيش بيني با مدل هاي به دست آمده با اين متغير را به شدت محدود مي سازد. در ادامه نتايج حاصل از مدل هاي پيشنهادي و مقادير تقاضاي واقعي در سال 1392 مقايسه شده است تا دقت آن ها در پيش بيني تقاضاي مسافر و بار مورد بررسي قرار گيرد. همچنين نتايج حاصل نشان مي دهد كه به دليل تفاوت هاي فراوان و توزيع نامتناسب متغيرهاي اثرگذار در سطح كشور، هر گونه مدل سازي تقاضا براي كلان شهرهاي ايران بايد به صورت مجزا صورت پذيرد. از اين رو در ادامه مقاله مدل هاي خاص كلان شهرهاي ايران توسعه داده شده است. از طرف ديگر تعريف متغيرهاي مجازي براي شهرهاي با وضعيت خاص، سبب انطباق هرچه بيشتر مدل با داده هاي واقعي مي شود. لذا يكي از روش هاي غلبه بر ناهمگوني ميان شهرهاي ايران استفاده از متغير مجازي مي باشد تا بتوان وضعيت خاص هر شهر را در مدل سزاي صورت گرفته در نظر گرفت.

The aim of this paper is to propose a model to forecast human and cargo air transport demand in Iran aviation industry. Using multiple regression method, the effects of geographical, economic, social, and competitive aspects were investigated within two separate models for passengers and cargo. Accordingly, we gathered data for 594 active air routes in Iran air network between 2009 and 2012 from Iranian airport holding company. One advantage of the proposed model in comparison to pervious researches is the exclusion of frequency of flight variable. This variable restricts the ability of forecasting the models due to its high correlation with demand for travel. Therefore, models that include with frequency of flight variable are not efficient for forecasting demand. Additionally, the comparison of forecasting results and real demand for 2013 indicates the accuracy of forecasting model. Moreover, the results show that because of plenty of differences and erratic distribution between effective variables around the country, modeling should be specific to each city. This means that a general model for all cities is not appropriate and leads to an inaccurate forecasting, so we investigated separated models for metropolises of Iran to consider special situation of them. Also, defining dummy (Binary) variables in modeling of special cities helps to increase fitting of model to real observations. We can incorporate special situation of some cities into model by means of these variables. Therefore, one of the methods to conquest the inconsistency between cities of Iran is applying dummy variables to simulate conditions of special cities.