2 Аналіз часових рядів, панельних даних та транспортних спостережень.

 

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.

1. Аналіз часових рядів у прогнозуванні транспортної рухливості

1.1. Теоретичні засади

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.).

1.2. Ключові компоненти часових рядів

1. Тренд – довгострокова тенденція (наприклад, зростання користування громадським транспортом після запуску електронного квитка).

2. Сезонність – регулярні коливання (годинні, добові, тижневі).

3. Циклічність – економічні чи соціальні цикли (наприклад, зміни пасажиропотоку під час економічного спаду).

4. Випадкові коливання – непередбачувані зміни, в т.ч. під впливом погодних умов.

1.3. Моделі та методи

• 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".

1.4. Приклад застосування

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%.

2. Панельні дані в аналізі транспортної поведінки

2.1. Сутність та теорія

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.

2.2. Особливості панельних даних

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.

2.3. Методи панельного аналізу

• 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.

2.4. Приклад застосування

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.

3. Транспортні спостереження як форма емпіричного аналізу

3.1. Суть методу

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.

3.2. Цілі транспортних спостережень

• визначення інтенсивності руху,

• оцінка завантаженості маршрутів,

• ідентифікація пересадкових вузлів,

• виявлення затримок, заторів, «вузьких місць»,

• аналіз точності дотримання графіку руху.

3.3. Методи збору транспортних спостережень

1. Ручні обліки — підрахунок пасажирів або ТЗ на обраних точках.

2. Відеоспостереження — подальший комп’ютерний аналіз траєкторій.

3. GPS-спостереження — фіксація реальних маршрутів та швидкостей.

4. Автоматичні лічильники пасажирів (APC) — встановлені в автобусах.

3.4. Приклад застосування

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.

4. Порівняння методів

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.