Ghostbusters: Hunting abnormal flights in Europe during COVID-19
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The impact of the COVID-19 pandemic is unprecedented in airline history, with irregular flight bans, the inability for accurate demand estimation, several turns in the epidemiological evolution, and a wide range of downstream effects on all aviation stakeholders. While most airlines have increasingly entered a recovery stage, compared to the utmost disruption around April 2020, the airline business is far from back-to-normality. Throughout the past two years, recurrent statements have been made regarding the existence of so-called ghost flights, where airlines operate nearly empty aircraft on markets with insufficient demand, partially with the aim to avoid losing precious airport slots. This study investigates the extent of such abnormal market service during the COVID-19 pandemic through an explorative, data-driven analysis, based on actual load factor data of European airlines for the years 2017 to 2021. We break down the observed deviations by airlines, markets, and airports. We find that low-cost carriers are most-likely to have performed abnormal flights during the pandemic; and that abnormal flights have mostly occurred on frequently-served markets. In addition, we show that airline responses, in terms of departure and yield changes, are largely heterogeneous across the 24 airlines in this study. Our study is the first one to shed light on the important issue of load factor deviations, and we hope that our findings can contribute to a better understanding of the existence of abnormal flights during the pandemic, as well as deriving appropriate policies for dealing with the ubiquitous threat and impact of ghost flights in the future.
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.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 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) | 0,003 | 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 découle