Сучасне прогнозування транспортної рухливості неможливе без використання кількісних методів, які дозволяють виявити динаміку пасажирських потоків, сезонні коливання, структурні зрушення та вплив зовнішніх факторів. Серед найбільш універсальних підходів — аналіз часових рядів, аналіз панельних даних та транспортні спостереження, які застосовуються як у міських, так і в сільських транспортних системах.
Ці методи забезпечують можливість не лише описати поточний стан мобільності населення, а й передбачити її розвиток у майбутньому, що є критично важливим для планування маршрутних мереж, оптимізації інтервалів руху, розрахунку тарифів та визначення потреби у транспортній інфраструктурі.
Часові ряди — це послідовності даних, упорядкованих у часі, наприклад:
добові показники пасажиропотоку,
щогодинна інтенсивність руху,
місячні обсяги перевезень пасажирів,
сезонна завантаженість маршрутів.
Основи аналізу часових рядів були закладені у роботах Дж. Бокса та Г. Дженкінса (Box & Jenkins), які розробили ARIMA-моделі. Пізніше ці моделі застосували у транспортному прогнозуванні (V. Koutsopoulos, 1990-ті рр.).
Тренд – довгострокова тенденція (наприклад, зростання користування громадським транспортом після запуску електронного квитка).
Сезонність – регулярні коливання (годинні, добові, тижневі).
Циклічність – економічні чи соціальні цикли (наприклад, зміни пасажиропотоку під час економічного спаду).
Випадкові коливання – непередбачувані зміни, в т.ч. під впливом погодних умов.
ARIMA та SARIMA для сезонних пасажирських потоків.
Exponential Smoothing (Г. Холт, Ч. Вінтерс) — для короткострокових прогнозів.
Neural Time Series Models — поєднання часових рядів і машинного навчання.
State-Space Models — корисні для прогнозування у режимі "реального часу".
У місті Дніпро аналіз годинних рядів пасажиропотоку показав чітку добову сезонність:
пік 7:00–9:00,
другий пік 16:30–18:00,
спад у вихідні на 40%.
На основі SARIMA моделі муніципалітет оптимізував інтервали руху тролейбусів, зменшивши інтервал у ранковий пік до 6 хвилин, що скоротило час очікування на зупинках на 18%.
Панельні дані — це дані, що містять спостереження за одними й тими самими об’єктами у різні моменти часу.
Наприклад:
мобільність 2000 домогосподарств протягом 2018–2022 рр.;
регулярні обстеження одних і тих самих автобусних маршрутів;
поведінкові зміни одних і тих самих респондентів до і після впровадження е-квитка.
Панельний аналіз бере початок у працях Т. Хаусмана (Hausman), А. Бартелса (Baltagi) та Дж. Х. Бьюлина, які сформували підходи Random Effects Model та Fixed Effects Model.
Панельне моделювання дозволяє:
відстежити індивідуальні стабільні характеристики респондентів (fixed effects),
врахувати неконтрольовані фактори, які не змінюються у часі,
аналізувати поведінкові зміни під впливом політичних рішень або реформ.
Fixed Effects (FE) — дослідження змін усередині одних і тих самих одиниць спостереження.
Random Effects (RE) — дозволяє узагальнювати поведінку для всієї вибірки.
Dynamic Panel Models (Arellano-Bond) — підходи, що враховують затримані ефекти попередніх періодів.
Difference-in-Differences (DiD) — для оцінки впливу реформ на мобільність.
У дослідженні мобільності Київської агломерації (2017–2021 рр.) використовували панельні дані 3500 домогосподарств. Після запровадження електронного квитка у Києві (2020 р.) за методом Difference-in-Differences розрахували, що:
користування автобусом збільшилося на 12%,
пересадки між видами транспорту зросли на 9%,
середня кількість поїздок на особу зменшилася в передмісті на 6%.
Це дало змогу оцінити реальний ефект реформи, відокремивши його від загальних соціально-економічних чинників.
Транспортні спостереження — це фіксація переміщень транспортних засобів, пасажирів або потоків у транспортній системі. Вони можуть бути:
ручні (традиційні),
відеоаналітичні,
автоматичні (сенсори, індуктивні петлі, лічильники пасажирів).
Метод базується на концепції спостережень у транспортному моделюванні, яку активно розвивали М. Маннгейм (M. Manheim), а пізніше — Д. Флавін у сфері транспортної економіки.
визначення інтенсивності руху,
оцінка завантаженості маршрутів,
ідентифікація пересадкових вузлів,
виявлення затримок, заторів, «вузьких місць»,
аналіз точності дотримання графіку руху.
Ручні обліки — підрахунок пасажирів або ТЗ на обраних точках.
Відеоспостереження — подальший комп’ютерний аналіз траєкторій.
GPS-спостереження — фіксація реальних маршрутів та швидкостей.
Автоматичні лічильники пасажирів (APC) — встановлені в автобусах.
У Чернівцях у 2022 р. під час оптимізації автобусної мережі застосували комбіновані транспортні спостереження:
відеоаналіз на 14 ключових перехрестях,
ручні підрахунки в 58 автобусах,
GPS-аналіз фактичного графіка.
Результат: виявили, що 32% автобусів відхилялися від графіка більш ніж на 10 хв під час вечірнього піку. Це стало підставою для оптимізації інтервалів та запровадження окремих смуг для громадського транспорту.
| Метод | Тип даних | Сильні сторони | Обмеження |
|---|---|---|---|
| Часові ряди | Дані у часі | Прогнозування, сезонність | Вимагають довгої історії даних |
| Панельні дані | Дані «об’єкт + час» | Оцінка ефектів реформ, зміни поведінки | Висока вартість збору |
| Транспортні спостереження | Об'єктивні вимірювання | Висока точність, локальний аналіз | Потреба техніки/персоналу |
Аналіз часових рядів, панельних даних і транспортних спостережень становить потужний науково-методичний інструментарій для вивчення мобільності населення. Він дозволяє:
виявляти закономірності зміни попиту на перевезення;
оцінювати вплив реформ і технологічних інновацій;
оптимізувати міські та сільські транспортні системи;
підвищувати якість планування маршрутних мереж.
Застосування цих методів у комплексі дає змогу створювати прогностичні моделі високої точності, необхідні для сучасного транспортного менеджменту та урбаністичного планування.