АПРОБАЦИЯ  МЕТОДИКИ  ПРОГНОЗИРОВАНИЯ  РАЗВИТИЯ  АВИАЦИИ  ОБЩЕГО  НАЗНАЧЕНИЯ

Никитенко  Дмитрий  Олегович

соискатель  кафедры  «Авиационная  техника»,  Санкт-Петербургский  государственный  университет  гражданской  авиации,

РФ,  г.  Санкт-Петербург

E -mail:  dimonpilot@mail.ru

APPROBATION  OF  GENERAL  AVIATION  DEVELOPMENT  PREDICTION  METHOD

Nikitenko  Dmitry

competitor  of  Department  "Aeronautical  Technique",  Saint-Petersburg  State  University  of  Civil  Aviation,  Russia,  Saint-Petersburg

АННОТАЦИЯ

Авиация  общего  назначения  в  России  непрерывно  набирает  популярность.  Планирование  развития  авиации  общего  назначения  России  требует  наличие  прогноза  ее  развития,  построение  которого  без  соответствующей  методики  затруднительно.  Рассматриваются  основные  особенности  и  результаты  применения  разработанной  методики  для  прогнозирования  развития  численного  состава  парка  воздушных  судов  авиации  общего  назначения  Бразилии.

ABSTRACT

  General  aviation  in  Russia  gains  popularity  continuously.  Development  planning  of  Russian  general  aviation  requires  a  forecast  of  its  development.  The  creation  of  this  forecast  is  difficult  without  the  proper  methods.  The  main  details  and  results  of  the  developed  technique  concerning  its  application  to  brazilian  general  aviation  aircraft  fleet  development  are  considered.

Ключевые  слова :  планирование,  прогноз;  предиктор;  экономико-географический  показатель;  экспертные  оценки;  корреляционный  анализ;  искусственная  нейронная  сеть.

Keywords :  planning,  forecasting;  predictor;  economic  and  geographical  indicator;  expert  estimates;  correlation  analysis;  artificial  neural  network.

Авиация  общего  назначения  (АОН)  в  современной  России  активно  развивается.  Ее  значение  для  страны  огромно.  При  планировании  развития  АОН  России  важное  значение  играет  прогноз  ее  развития,  т.  к.  планирование  затруднительно  без  наличия  прогноза.  В  первом  приближении  индикаторов  развития  АОН  является  развитие  численного  состава  ее  парка  воздушных  судов  (ВС).  Для  прогнозирования  необходима  специализированная  методика.  Идеи  по  воплощению  такой  методики  приведены  в  [1,  с.  4—18;  2,  с.  6—11].  Их  смысл  заключается  в  использовании  предикторов  (прогностических  параметров),  выбранных  из  числа  экономико-географических  показателей  России,  для  прогнозирования  развития  численного  состава  ее  парка  ВС.

Решению  задачи  разработки  методики  прогнозирования  развития  численного  состава  парка  ВС  АОН  России  посвящена  диссертация  «Прогнозирование  развития  авиации  общего  назначения  в  Российской  Федерации».  Для  прогнозирования  предлагается  использовать  комбинацию  из  трех  различных  методов:  экспертных  оценок  [9;  6,  с.  95—101],  корреляционного  анализа  [7;  4,  с.  9—12]  и  искусственных  нейронных  сетей  [5,  с.  88—94;  3,  с.  44—48].

Потенциально  судить  о  правильности  выбора  методов  можно  по  результата  их  применения  для  прогнозирования  развития  численного  состава  ВС  АОН  других  стран.  По  совокупности  признаков,  наиболее  близкой  к  России  является  Бразилия  [1,  с.  4—18].

Из  групп  ЭГП  Бразилии,  приведенных  в  [10],  посредством  корреляционного  анализа  выбрано  два  предиктора,  оказывающие  решающее  воздействие  на  развитие  парка  ВС  АОН  Бразилии.  К  ним  относятся:  количество  зарегистрированных  домашних  компаний,  скорректированный  чистый  национальный  доход.  В  качестве  зависимой  переменной  выступает  количество  зарегистрированных  ВС  АОН  Бразилии,  статистические  данные  о  его  изменении  приведены  в  [11].

Объем  статистических  данных  для  построения  прогноза  развития  численного  состава  парка  ВС  АОН  Бразилии  составил  18  измерений,  с  1996-го  по  2013  год.  При  этом,  чтобы  оценить  точность  прогнозирования,  прогноз  строился  на  уже  прошедший  период,  с  2009-го  по  2013  год,  т.  к.  значения  численного  состава  парка  ВС  АОН  Бразилии  за  данный  период  известны.

Значения  средних  и  относительных  ошибок  аппроксимации  обученной  нейронной  сети  приведены  в  табл.  1:

Таблица  1.

Ошибки  аппроксимации  обученной  нейронной  сети

Величина  средней  ошибки  аппроксимации  обученной  сети,  равная  3,29  %,  попадает  как  в  допуск  5—8  %,  приведенный  в  [7],  так  и  в  допуск  10—12  %,  приведенный  в  [8],  что  свидетельствует  о  достаточно  высокой  точности  аппроксимации  выбранной  нейронной  сети.

Значения  средних  и  относительных  ошибок  аппроксимации  прогнозных  данных,  полученных  при  тестировании  сети  приведены  в  табл.  2:

Таблица  2.

Значения  ошибок  аппроксимации  прогнозных  данных  нейронной  сети  при  ее  тестировании

Величина  средней  ошибки  аппроксимации  прогнозных  данных  при  тестировании  сети,  равная  3,95  %,  попадает  как  в  допуск  5—8  %,  приведенный  в  [7],  так  и  в  допуск  10—12  %,  приведенный  в  [8],  что  свидетельствует  о  достаточно  высокой  точности  предсказания  обученной  нейронной  сети.  Шаг  прогноза  составляет  1  год,  значение  на  конец  года.

Для  удобства  анализа  фактические  (табл.  1,  2),  аппроксимированные  (табл.  1)  и  предсказанные  (табл.  2)  нейронной  сетью  значения  численного  состава  парка  ВС  АОН  Бразилии  нанесены  на  график,  представленный  на  рис.  1:

Рисунок  1.  график  фактических,  аппроксимированных  и  предсказанных  нейронной  сетью  значений  численного  состава  парка  ВС  АОН  Бразилии

Как  видно  из  рис.  1,  профили  кривых  фактических  и  расчетных  значений  в  общем  совпадают,  однако  в  некоторых  точках  пиковых  значений  фактической  кривой  изгиб  расчетной  кривой  недостаточно  велик.  Тем  не  менее,  все  тенденции  фактической  кривой  отражены  расчетной  кривой  правильно.

Результаты  прогнозирования  развития  численного  состава  парка  ВС  АОН  Бразилии  с  использованием  предложенной  комбинации  методов  показали  высокую  эффективность  данной  методики  прогнозирования,  об  этом  можно  судить  по  приемлемым  величинам  ошибок  построенного  прогноза  (табл.  1,  2).  Поэтому  методика  может  быть  использована  для  среднесрочного  прогнозирования  развития  численного  состава  парка  ВС  АОН  России.

Список  литературы:

1.Арасланов  С.А.  Нетуманные  перспективы  //  Авиация  общего  назначения.  —  2010.  —  №  7.  —  С.  4—18.

2.Арасланов  С.А.,  Щербак  Ю.  Перспективы  и  реальность  //  Авиация  общего  назначения.  —  2012.  —  №  8.  —  С.  6—11.

3.Никитенко  Д.О.  АОН  в  нейронных  сетях  //  Авиация  общего  назначения.  —  2012.  —  №  5.  —  С.  44—48.

4.Никитенко  Д.О.  Методика  краткосрочного  прогнозирования  изменения  парков  различных  видов  воздушных  судов  авиации  общего  назначения  России  //  Научные  проблемы  транспорта  Сибири  и  Дальнего  Востока.  —  2013.  —  №  2.  —  С.  9—12.

5.Никитенко  Д.О.  Методика  построения  прогноза  развития  авиации  общего  назначения  в  Российской  Федерации  с  использованием  искусственных  нейронных  сетей  //  Системы.  Методы.  Технологии.  —  2013.  —  №  4  (20).  —  С.  88—94.

6.Никитенко  Д.О.  Методика  прогнозирования  изменения  состава  парка  воздушных  судов  авиации  общего  назначения  России  //  Современные  наукоемкие  технологии.  —  2014.  —  №  1.  —  С.  95—101.

7.Савицкая  Г.В.  Анализ  хозяйственной  деятельности  предприятия  /  ООО  «Новое  знание».  Минск,  2000.  [Электронный  ресурс]  —  Режим  доступа.  —  URL:  http://www.bibliotekar.ru/deyatelnost-predpriyatiya-2/index.htm  (дата  обращения:  29.06.2014).

8.Средняя  ошибка  аппроксимации  [Электронный  ресурс]  —  Режим  доступа.  —  URL:  http://ekonometred.ru/bilety-k-ekzamenu-ekonometrika/56-srednyaya-oshibka-approksimacii.html  (дата  обращения:  29.06.2014).

9.Экономико-математические  методы  //  Кафедра  “Информационные  системы”.  [Электронный  ресурс]  —  Режим  доступа.  —  URL:  http://emm.ostu.ru/lect/lect7.html  (дата  обращения:  29.06.2014).

10.The  World  Bank  [Электронный  ресурс]  —  Режим  доступа.  —  URL:  http://data.worldbank.org/indicator  (дата  обращения:  29.06.2014).

11.2013  Statistical  Databook  &  2014  Industry  Outlook  [Электронный  ресурс]  —  Режим  доступа.  —  URL:  http://www.gama.aero/files/GAMA%202013%20Databook-Updated-LowRes.pdf  (дата  обращения:  29.06.2014).