The Impact of COVID-19 Pandemic on Air Transport Passenger Markets-Implications for Selected EU Airports Based on Time Series Models Analysis
Notice bibliographique
Résumé
The COVID-19 pandemic caused a drastic reduction in air traffic passengers, especially during the period when the EU countries introduced a lockdown. Even after the relaunch of airline operators, passenger traffic did not return to the pre-pandemic trend. The aim of the study was to estimate the difference between the demand that was observed during the pandemic, and the demand that was forecast based on the pre-pandemic trend. The calculations were made for airports in selected EU countries. The first method was seasonality indicators, using quarterly data for 2015–2021. In the multiplicative model of seasonal fluctuations, the method of determining the seasonality indicators was used, based on the quotient of empirical values and the value of the trend. The one-name period trend method was used in the next step, then Fourier spectral analysis was applied. In the context of forecasts for the individual quarters of 2020 and 2021, all models indicate a further growing trend in the demand for passenger transport, which could have been observed if the COVID-19 pandemic had not occurred. As a result of the pandemic, the number of passengers handled at airports has significantly decreased. In the third quarter of 2021, freight growth was already noticeable, with the exception of Netherland, where a marked decline was recorded.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».