Forecasting airport passenger traffic in the era of COVID-19 pandemic

Abstract

Air passenger forecasting is a critical activity in determining future financial performance, optimizing operational activities, and assessing future infrastructure needs of an airport. The vital part of business management is endangered by the coronavirus pandemic, which has caused an unprecedented fall in global air travel demand and created a shadow of uncertainty over the aviation industry for years to come. The level of uncertainty caused by the pandemic and varying government policy responses to fight against it, such as international travel controls, have significantly weakened the ability to forecast future passenger volumes at airports. Although plenty of research has been conducted on air passenger traffic forecasting, also in the context of airports, the predicting power of forecasting methods during such an exogenous shock as coronavirus pandemic has yet remained unexplored.

The thesis aims to fill this gap by approaching the problem by comparing five different forecasting methods (ARIMA, TBATS, Prophet, multiplayer perceptron, extreme learning machine) before and during the pandemic and assess the relevance of refining them by pandemic-related exogenous variables. In addition to evaluating the performance of forecasting methods during the global financial and health crisis, the thesis also sheds light on the current status of research by conducting a systematic literature review on airport passenger traffic forecasting, which has received increased attention from academia lately.

While the research findings showed promising results regarding forecasting accuracy before the crisis, the results expectedly provided less promising results during the pandemic. Forecasting accuracies were slightly improved when a pandemic-related variable reflecting European international travel controls was included in the models. However, in general, the quantitative methods included in this research showed weak performance even when the pandemic-related variable, which highly correlated with Helsinki Airport passenger development, was introduced to the data. Despite the results, the topic is worth to be explored further. Since this thesis focused on comparing the forecasting tools using their default settings, a more profound analysis could be conducted focusing on the extended possibilities of new automated forecasting tools included in free statistical programs.

Lentomatkustajamäärien ennustaminen on kriittinen tekijä lentoasemille, joiden tavoitteena on ennustaa niiden taloudellista suorituskykyä, optimoida operatiivista toimintaa, ja arvioida tulevaisuuden kasvutarpeita. Tämä tärkeä aktiviteetti on vaarantunut vuonna 2020 julistetun koronaviruspandemian seurauksena, mikä on ennen näkemättömällä tavalla vähentänyt lentoliikenteen maailmanlaajuista kysyntää ja tuonut mukanaan pitkäkestoisen epävarmuuden ilmailualan ylle. Epävarmuus pandemian kehittymisestä sekä valtioiden vaihtelevat toimet pandemian vastaisessa taistelussa, kuten kansainväliset matkustusrajoitukset, ovat merkittävästi heikentäneet lentoasemien mahdollisuuksia ennustaa tulevaisuuden matkustajamääriä. Vaikka lentomatkustajamäärien ennustamisesta on tehty lentoasemakontekstissakin paljon tutkimusta, ei ennustemenetelmien soveltuvuutta koronakriisin kaltaisessa tilanteessa ole aikaisemmin riittävästi tutkittu.

Tämä pro gradu -tutkielma lähestyy tätä tutkimusaukkoa vertailemalla viittä eri ennustemenetelmää (ARIMA-mallit, TBATS-malli, Prophet-algoritmi, monikerroksinen perseptroniverkko MLP, äärimmäinen oppimiskone ELM) toisiinsa ennen pandemiaa ja sen aikana. Vertailun lisäksi tutkielmassa arvioidaan pandemia-aiheisten muuttujien vaikutusta valittujen menetelmien ennustetarkkuuteen. Empiirisen menetelmävertailun ohella tutkielmassa valotetaan lentomatkustajamäärien ennustamiseen liittyvän tieteellisen tutkimuksen nykytilaa lentoasemakontekstissa toteuttamalla systemaattinen kirjallisuuskatsaus aiheesta, joka on viime vuosina lisännyt suosiotaan akateemisessa maailmassa.

Tutkimustulosten näyttäessä lupaavia tuloksia ennustetarkkuudella mitattuna ennen kriisiä, tulokset odotetusti osoittivat heikompia tuloksia pandemia-ajan ennustamisessa. Ennustetarkkuus parani hieman, kun Euroopan kansainvälisiä matkustusrajoituksia kuvaava pandemia-aiheinen muuttuja sisällytettiin malleihin. Yleisesti voidaan kuitenkin todeta, että tutkielmaan valitut kvantitatiiviset menetelmät osoittavat heikkoa ennustetarkkuutta pandemian aikana, vaikka vahvasti Helsinki-Vantaan lentoaseman matkustajamäärien kanssa korreloiva pandemia-aiheinen muuttuja sisällytettiinkin malleihin. Tuloksista huolimatta tutkielma antaa aihetta jatkotutkimukselle, jossa ennustemenetelmiä ja ilmaisten tilasto-ohjelmien mahdollistamia automaattisia ennustamistyökaluja voitaisiin yksittäin analysoida tätä vertailevaa tutkielmaa syvällisemmin.