联盟环境下国际航线市场份额预测方法研究

赵晓松，朱金福，葛 伟

(1.南京航空航天大学民航学院，南京210016；2.厦门航空公司，厦门361000；3.南京邮电大学管理学院，南京210023)

0 引 言

近年来，我国国际航空市场取得了快速发展.国际航线承运的旅客不仅来自航线两端，还来自两端衔接的航线网络，国际航线经营需要与其他航空公司合作.预测合作后产生的市场份额增量是选择合作伙伴的重要依据.我国航空公司国际航线的发展起步较晚，经验不足，在航空联盟合作中较为被动.合作协议的签订往往依靠经验，具有一定的盲目性，缺乏科学有效的方法论证，导致合作产品的收益低于预期甚至出现亏损.目前我国多家主流航空公司均已加入航空联盟，但却面临着如何充分利用联盟资源，开展高效联盟合作的难题.解决这个问题的关键，在于能否对联盟合作产品的市场份额做出科学合理的预测.

在航空市场预测方面，孙宏[1]采用引力模型预测航线航空运输需求量，并给出了模型的数学解法.何冬昀[2]首先用EM算法对航线历史订座数据中由于受资源限制而没有被满足的需求进行弥补，然后针对机票销售提前预订的特点，将航线历史订座数据整合成一个提前日矩阵，最后用Winters模型预测航线需求.王斌等[3]通过对时间序列法、增量法、回归分析方法、神经网络法等常用航线客流量预测方法进行分析和比较，将时间序列和神经网络预测模型进行组合，构成组合预测模型.孙宏[4]对于洲际远程航线的预测问题进行了研究，用灰色系统方法建立了B787机型洲际航线的预测模型.

上述研究工作大多针对特定的航线、机型，且对数据具有很强的依赖性，并不适用于联盟合作航线市场预测.新开国际航线缺乏各种营运数据.本文将采用QSI(Quality of Service Index)模型预测联盟合作航线的市场份额.QSI模型由波音公司运筹实验室开发[5]，被认为是计算航线市场份额可用工具.QSI模型认为对任意OD(Origin and Destination)市场，决定某航空公司市场份额的主要因素是该公司提供的航班质量和飞机有效载量等.可以从旅客选择行为出发，筛选出必要的需求影响因素，用作QSI模型的指标.通过回归分析航线营运数据，拟合出各指标的系数，建立QSI预测模型，预测航线市场份额.

胡皓月等[6]考虑了网络中不同OD市场竞争强度差异，采用多层QSI模型预测了航线产品的市场份额，但是没有考虑联盟环境下的预测问题.

航空联盟合作航线的营运采用同一服务标准、统一标识、优化中转等一系列措施，提升旅客体验，因此必须考虑这些因素对旅客选择行为的影响，改进QSI模型.本文首先分析行业国际航线营运大数据，凝练出必要的指标体系，修正QSI模型，然后建立国际合作航线市场份额预测模型，并用实例分析验证.

1 改进QSI模型

对任意一个OD需求市场，分析各路径产品的航空公司品牌、航班时刻、航班机型、票价、航程时间、绕航率等因素，分别用f1,f2,…,fn表示，则航班i的QSI值为

式中：αi为指标的系数，需要通过航线营运数据回归分析得到，i=1,2,…,n.

QSI模型为线性预测模型，回归计算并不困难.有了某航线上各航班的QSI值，可以用式(2)计算航班i的市场份额.

式中：N是服务于该OD的路径产品集合.

通过对单OD市场分析，可以建立某一OD市场的QSI模型.因此，本文的研究重点在于从大量历史数据中，筛选出最佳的f1,f2,…,fn指标，计算出相应系数，构建改进的QSI模型.

1.1 模型指标的初步选取

OD市场有多个路径产品，可能是直航或者中转，中转可能是1次或2次，不同的中转机场将形成不同的绕航率，以及不同航空公司营运的航班将具有不同的服务质量，如此等等，所有这些不同属性构成了各种产品.QSI模型将产品属性用于预测其市场份额.但经典QSI模型的指标较少，仅包含机型、中转次数、频率等少量指标，不能准确反映不同产品属性产生的影响.例如对于中转次数相同、中转时间不同的产品，实际份额可能相差较大，但经典QSI模型却给出了相同的市场份额.因此，有必要补充QSI模型的指标体系.

本文参考现有研究成果，对美国达美航空公司和荷兰皇家航空公司进行调研，并对大量行业国际航线营运数据进行统计分析，最终选出对市场份额影响比较大的指标因素如下：

(1)航班频率(Freq)，频率在很大程度上决定了航班的市场份额.

(2)机型大小(Type)，用可用座位数表示.大机型客机舒适程度更高，对于旅客有较大的吸引力.

(3)时间绕航率(TimeCode)，总运行时间与该OD最短运行时间(比如直航方式)的比值.该指标能够准确反映旅客花费的旅行时间与最短旅行时间的差距.中转次数多、中转时间长的产品，时间绕航率会较大.该指标能真实反映旅客在选择同一OD不同产品所付出的时间成本差异.

(4)市场地位(AptShare)，反映了航空公司在OD市场的品牌影响力，用航空公司在航线上各机场旅客吞吐量的占比来表示，即按照航班始发、到达机场对应航空公司的市场份额来计算，如图1所示.一般而言，航空公司在某机场的市场份额越高，在对应市场的品牌知名度和对该市场的掌控力度就越高，其在以该机场为始发地或者目的的诸多产品中越占优势，市场份额越高.该指标反映出市场掌控力度大小，是民航市场分析开展实际业务时常用的重要指标之一.

图1 AptShare路径示意图Fig.1 AptShare path diagram

图1中，始发地为O，第1次中转点为T1，第2次中转点为T2，最终目的地为D，分别由3个航班AL1、AL2、AL3完成 3 段运输.假设P1O、P2O、P3O分别是AL1、AL2、AL3在出发机场的市场份额；P1D、P2D、P3D分别是AL1、AL2、AL3在到达机场的市场份额；表示航空公司在该OD上的市场地位.

(5)销售网络(SaleNet)，航空公司与联盟其他成员开展合作后，可通过联盟公司的销售网络增加销售机会，用分值表示(0～10分)，得分越高代表销售网络越发达.

(6)常旅客计划(FFP)，用分值表示(0～10分)，得分越高代表常旅客计划共享程度越高、服务越好.

(7)中转服务(TransferSV)，用分值表示(0～10分)，得分越高代表联盟合作关系越紧密，中转流程越顺畅，旅客体验越好.

(8)服务补救(RecoverySV)，用分值表示(0～10分)，得分越高代表服务补救能力越强，旅客体验越好.

(9)机场协同能力(AptCoordinate)，用分值表示(0～10分)，分为联盟基地机场与联盟外机场2类.

(10)枢纽机场的中转时间(TransitTimes)，用在机场的停留时间(min)表示.

(11)航段数(SegNo)，该条路径产品的航段数，1个起降计作1个航段.

上述第(5)～(9)共5个属性采用专家打分法进行评分.邀请中国南方航空公司和荷兰皇家航空公司负责国际事务的17位专家打分，经过第1轮的打分和第2轮的反馈和再打分，统计结果显示，专家们的评分分布比较集中.鉴于该特点，每项打分均取众数作为最后的打分结果，如表1所示.

表1 5个属性专家打分结果Table 1 Experts score results of five attributes

从表1可以看出，不同的联盟合作方式，指标(5)～(9)取值不同.

结合理论研究成果和业内实践，本文选择了以上11个指标作为候选指标.机票价格对旅客选择倾向性有影响，但由于机票价格实时变动，且航空公司最终所售产品的价格是商密，均不对外公布，因此由于数据不可获得，与业内所有这方面的实战研究和产品一样，本文无法把价格因素纳入模型.

1.2 指标分析

本文运用2014年国际航线实际营运数据(数据来源：Paxis、MIDT、中航信数据、OAG数据)，建立数据库，筛选QSI指标.数据记录总计390万余 条，具体数据信息如表2所示.

表2 数据库信息表Table 2 Header of database

首先对各候选指标做统计分析，如表3所示，列出了11个指标的最小、最大、中位数和平均值.通过对样本分布偏差分析，去除一部分错误样本和离群样本，以提高拟合的效果.对于一些路径产品数量很少的OD对(1～2个路径产品垄断了整个OD需求)，为防止个别数据点干扰数据整体规律的现象发生，本文删除了这些数据记录.

再进一步对指标进行相关性分析，分析结果如表4所示.

在上述工作基础上，使用R软件进行拟合测试，本文不强制要求指标系数之和为1.测试结果表明，指标体系综合表现不佳，R2仅为0.141 1，拟合结果不能反映各指标对市场份额的影响.因此考虑对指标体系进行筛选.各个路径产品来自不同的OD，每个OD市场竞争程度不同，竞争激烈程度对市场份额有一定影响.因此本文在指标体系中加入竞争程度(Competition)指标，用OD市场上可供旅客选择的路径产品数量表示.

表3 初选指标统计信息Table 3 Statistics of preliminary indicators

表4 指标相关性分析Table 4 Relevance analysis of indicators

对模型反复加入或移除变量，每一次均用AIC 准则检测，并用step函数输出最优的模型，即具有最低AIC值的模型，迭代过程如表5所示

表5 改进QSI模型拟合过程表Table 5 Fitting process of the improved QSI model

最终结果为：

MktShare～Freq+Competition+TimeCode+AptShare+Type+SaleNet+TransferSV +AptCoordinate+FFP

表6给出了模型中各指标的系数估计值、标准误差及其他统计量.

表6 改进QSI模型指标拟合表Table 6 Correlations of the improved QSI model

从表6可以看出，已经去除SegNo和RecoverySV指标.选中各指标的P值均小于0.05，属于强判定，模型的F统计量为2 159远大于1.因此本文建立的QSI指标体系共有9项指标，分别是：(1)Freq，(2)Type，(3)TimeCode，(4)AptShare，(5)SaleNet，(6)FFP，(7)TransferSV，(8)AptCoordinate，(9)Competition.

2 算例测试

随机选取中美航空市场上的87个路径产品进行算例测试.测试结果如图2所示.

图2 算例测试结果Fig.2 The result of case

图2中柱状图为实际市场份额，折现为使用改进QSI方法所得的市场份额预测值.从结果来看，预测的市场份额曲线基本随实际市场份额曲线波动，有些路径产品的市场份额预测值仍存在一定的误差.预测偏差用式(3)计算.

本算例的预测平均偏差为0.292，如果使用经典的QSI模型(指标为中转次数、机型、频率)，预测平均偏差为0.561.本文提出的改进QSI模型在预测精度上有了较大改进，可用于我国航空公司预测联盟合作效果，指导实际生产.

为进一步提高预测精度，在实际中可以在本文模型预测结果的基础上，根据航线分析员经验和航线运营新数据不断学习修正.

3 结论

本文对联盟合作国际航线的市场份额预测问题进行了研究.充分考虑并尝试了目前所有可用航空数据，深入分析票价、起讫时刻、旅行总时间、中转、机型、航空公司和机场服务等因素对旅客选择倾向性的影响，对传统QSI模型指标进行了扩充，甄选出最佳的指标体系，设计出改进QSI模型，并使用算例验证了改进模型的有效性.本文模型能够有效预测国际航线合作产品的市场份额，可以应用于新开航线市场份额预测、预评估联盟合作效果等.但是，由于机票价格数据的不可获得，限制了本模型预测精度的进一步提升，在数据可获得时应当加入到模型中，或者尝试其他方法弥补该缺陷，这将是后续研究改进的方向.

参考文献：

[1]孙宏,史虹圣.航线运输需求量预测模型研究[J].中国民航飞行学院学报,2004,15(5):38-40.[SUN H,SHI H S.Study on forecasting model of route transportation demand[J].Journal of Civil Aviation Flight University of China,2004,15(5):38-40.]

[2]何冬昀,罗利.航线需求预测的一种改进Winters方法[J].交通运输系统工程与信息,2006,6(6):103-107.[HE D Y,LUO L.An improved winters method of forecasting routes demand[J].Journal of Transportation Systems Engineering and Information Technology,2006,6(6):103-107.]

[3]王斌,张金隆.航线流量组合预测模型研究[J].武汉理工大学学报(信息与管理工程版),2008,30(3):441-444.[WANG B,ZHANG J L.Study on forecasting model of traffic flow combination[J].Journal of Wuhan University of Technology(Information&Management Engineering),2008,30(3):441-444.]

[4]孙宏,黄赶祥,汪瑜.基于O&D旅客需求预测的新开二线城市远程洲际航线分析：以成都—旧金山航线为例[J].交通企业管理,2015,30(6):1-3.[SUN H,HUANG G X,WANG Y.Analysis of new long distance intercontinental routes of second-tier cities based on O&Dpassengerdemand forecast[J].Transportation Enterprise Management,2015,30(6):1-3.]

[5]KLOTH R J,EDSALL T J,FINE M,et al.Method and apparatus for implementing a quality of service policy in a data communications network:US,6870812[P].2005.

[6]胡皓月,朱金福,葛伟,等.基于多层QSI的航空联盟网络优化研究[J].武汉理工大学学报(交通科学与工程版),2016,40(5):880-884.[HU H Y,ZHU J F,GE W,et al.Research on optimization of aviation alliance network based on multi-layer QSI model[J].Journal of Wuhan University of Technology (Transportation Science and Engineering Edition),2016,40(5):880-884.]