中国总会计师协会民用航空分会-中国总会计师协会

设为首页 | 加入收藏
咨询热线:010-84727324
您现在的位置:首页 > 学术研究 > 当前
多元线性回归和神经网络分析 在飞机维修成本管理中的应用研究
2017-09-03 21:38

 
 
——四川航空股份有限公司计划财务部
孔军华、白为、何骁、吴艳玲
 
 
 
 
目录
[摘要] 1
一、     引言... 1
(一)     航空公司飞机维修的重要性... 1
(二)     经济分析工具的应用... 2
(三)     主要研究思路及框架... 2
二、     飞机维修分类及成本构成... 3
(一)     以经济用途为划分依据... 3
(二)     以飞机结构为划分依据... 3
1、机身系统检修... 3
2、动力系统维修... 4
3、部附件维修... 4
三、     飞机维修成本管理的主要方法... 5
(一)     传统方法... 5
1、飞机发动机维修成本管理现状... 5
2、飞机发动机维修成本管理中存在的问题... 5
(二)     飞机发动机维修业务中可用的分析工具... 6
1、多元线性回归分析... 7
2、神经网络分析法... 7
四、     应用实例... 9
(一)     基于多元线性回归的发动机维修成本影响因素分析... 9
1、发动机维修成本与其影响因素间的相关性分析... 9
2、发动机维修成本与其影响因素的回归分析... 12
(二)     神经网络分析... 12
五、     预测模型的实际运用... 14
(一)  发动机维修成本预测... 14
(二)     发动机维修成本控制... 14
(三)  发动机维修成本分析... 15
六、     研究结论... 16
(一)     研究过程与成果... 16
(二)     局限性与未来拓展领域... 16
参考文献:... 18
 

 
    [摘要]飞机维修在航空公司运营过程中起着举足轻重的作用。因飞机维修固有的专业性、复杂性,飞机维修成本管理也成为航空公司财务管理的重要板块。国际宏观经济环境影响及飞机各部件送修状态的个体化差异等原因使飞机维修业务的成本预测与成本控制难度高于其他业务板块。同时,飞机维修的重要性也促使航空公司运用先进的数据分析方法,指导航空公司优化飞机运营及维修方案,以提升公司经济效益。本文创新性地在飞机维修领域引入了多元线性回归模型及神经网络分析模型,通过数据分析及模型验证,找到了飞机部分维修项目的主要成本动因及成本预测方法,一定程度上可帮助航空公司有效提升成本预测的精准度,控制飞机维修成本,提高成本数据分析管理能力,并优化效益管控水平。
 
关键字:飞机维修成本、多元线性回归、神经网络
 
 

一、 引言

(一)     航空公司飞机维修的重要性

近年来,全球经济环境及国际金融市场中诸多因素的变动对航空公司各项大宗成本的影响愈发显著;国内高铁行业在价格、时间等方面的竞争优势对航空旅客造成了一定程度的分流;国家航空大众化战略及自贸区建设相关政策的陆续颁布促发了行业内的竞争加剧;连续几起重大航空事故的发生导致社会民众对行业的整体信心下降。上述日益严峻的外部经济环境及激烈的市场竞争形势导致传统航空业的盈利难度越来越大。
飞机是航空公司的主要生产工具,飞机维修作为航空公司运营中不可忽视的重要环节(包括对一架飞机进行的检查、维护等),是维持飞机适航状态,实现安全运行的有力保障;是使其保持可使用状态,维持公司持续经营的必要条件;也是不断维护、提升机队价值的有效措施。总体来看,航空公司每年实际发生的飞机维修成本以10%至15%[1]的比重位列公司各类直接运营成本的第三位。如果说前两大成本--飞机航油成本与起降成本属于航空公司“不可控”成本的话,飞机维修是前三大成本中唯一可以通过技术管理提升、维修能力提高实现“可控”的。因此,合理有效的飞机维修成本管控成为实现公司效益提升、应对市场变化的重要战略途径。
 

(二)     经济分析工具的应用

影响飞机维修成本的因素较多,目前行业内尚未有关于维修成本动因方面的全面梳理,且在飞机维修成本的预算管理方面,多数航空公司仍然采用一些比较传统的线性预测方法,例如基于历史数据乘以一定的百分比,甚至有些公司并没有正式的方法,成本管理的合理性和预测准确性有待提高。多元线性回归分析法和神经网络分析法已经在社会学研究(如大学毕业生的成就性水平及影响因素分析)、分析化学(光谱分析、色谱分析等)、信用风险评估、财务危机预测、企业内部控制等很多领域得到广泛运用。工程项目施工企业、机械制造企业、油气钻井企业、铁路运输企业等已开始运用神经网络分析法来进行成本预测及成本管理与分析。目前国内学者尚未对多元线性回归分析法或神经网络分析法在航空企业成本管理中的运用进行理论阐述,本文以空客系列飞机为例,创新性地尝试把神经网络分析法运用到飞机维修成本管理中,希望可以为航空公司加强成本管理及优化效益管控提供一些指引。
 

(三)     主要研究思路及框架

本文后面的结构如下:第二部分分别以经济用途和飞机结构为划分依据,阐述飞机维修成本的构成以及分类;第三部分是飞机发动机维修成本管理的现状以及存在的一些问题,并对多元线性回归分析方法和神经网络分析方法的应用原理进行阐述;第四部分为多元线性回归方法和神经网络分析方法在飞机发动机维修成本管理中的应用实例,前者主要用于分析飞机发动机维修成本的影响因素,后者主要对飞机发动机维修成本进行预测;第五部分阐述分析模型在维修成本管理中的实际应用;第六部分为研究结论与启示。
 

二、   飞机维修分类及成本构成

(一)          以经济用途为划分依据

 以经济用途为划分依据,飞机维修成本可分为直接维修成本和间接维修成本。直接维修成本主要涵盖飞机机身、发动机、部件维修所产生的人工工时成本、材料成本等,是飞机维修的主要成本。间接维修成本主要包括与飞机维修相关的期间费用,一定程度上反映公司的综合管理水平。本文所讨论的飞机维修成本为直接维修成本。
 

(二)          以飞机结构为划分依据

 以飞机结构为划分依据,飞机维修主要分为机身系统检修、动力系统维修、部附件维修等几大类。

 1、机身系统检修

机身系统检修可细分为航线维修、A检、C检、结构检等几类。为保证飞机各系统的安全可靠运行及特定区域内的结构无损,航空公司会根据飞机制造商提供的维修计划大纲、相关民航法规及适航批准文件等,结合飞机的使用特点、航空公司自身状况等因素,制定机队的客户化飞机机身系统检修方案。
航线维修主要依据航线维修大纲,完成航前、短停、航后检查及飞机周检,大多传统型航空公司均采用机务自行开展航线维修的模式,其成本为航空公司自身的人力及一定的材料消耗成本。
A检、C检、结构检等维修项目的执行通常有严格的时间周期,周期一般由日历时间年/月、飞行循环或飞行小时决定,相同周期性的维修项目组成相应的工作包。其中结构检因其涉及飞机的结构性检查,为最高级别的机身检修,又被称为飞机大修,通常与某一级别的C检结合完成。以目前市场情况,单次C检、结构检的成本为人民币一百万至几百万不等,机身维修成本一般占比飞机整体维修成本26%[2],为较大的维修成本项目。
 

    2、动力系统维修

 动力系统维修主要包括发动机在翼维修、发动机机体性能恢复性大修(简称发动机大修,下同)、发动机排故修理等几类。发动机作为飞机最大、最核心的部件,其可靠性和经济性是航空公司重点关注的问题。发动机视情维修和状态监控相结合的维修策略可保障其可靠性,同时发动机大修可以满足民航局对检查和维护标准的要求、并通过减少其物理磨损以维持发动机价值。以目前空客飞机V2500发动机机大修为例,单次维修费为人民币六百万至三千万元不等,发动机大修成本一般占飞机整体维修成本的45%[3]。因此,如何科学地评估发动机大修成本,对于航空公司提高运营经济性、资产保值具有非常重要的意义。
    发动机的送修间隔一般受到运行环境、推力、平均小时循环比、起飞减推、发动机排气温度(EGT)裕度、滑油、时寿件寿命以及发动机的大修次数等因素影响;而发动机的送修费用与机体各模块的大修级别直接相关,修理级别越高,费用越高。
 由于发动机的非计划下发具有不规律性、突发性和费用不确定性等特点,本文主要针对计划内下发并外委送修的费用进行分析。一般而言,外委发动机送修费用主要包括机体的维修工时费、航材更换费、转包费用、手续费等以及时寿件(LLP)的更换费、手续费等。
 

    3、部附件维修

 部附件维修涉及电子电气、液压、气动、机械等众多领域,涵盖了包括飞机辅助动力装置(APU)、起落架、短舱件、各机载设备等部附件的维修项目。每架飞机的部附件数量多达数千个,且各类部附件因结构不同,维修特点及成本构成也各不相同。部附件维修成本占飞机维修成本的29%[4]左右。
 

三、 飞机维修成本管理的主要方法

由于篇幅限制,出于数据可观测性、可衡量性等考虑,本文选取成本占比相对较大且成本发生时间较有周期性的发动机大修进行研究分析。本文主要介绍飞机发动机维修成本管理中所使用的一些传统方法及存在的一些问题,然后提出多元线性回归分析方法和神经网络分析方法在飞机发动机维修成本管理中的应用前景。
 

(一)     传统方法

    1、飞机发动机维修成本管理现状

根据飞机维修业务特点及航空公司通常管理办法,在维修成本预测阶段,一般是根据相关维修标准及历史经验判断,分类别制定全年机队维修计划及维修成本预算。在成本控制阶段,机务人员主要凭借对该领域的专业技能及历史经验对维修成本进行把控;同时,财务部门负责对飞机各类维修项目的费用核算以及预算费用监控与考核。在成本分析过程中,随着各维修项目费用结算的完成,可以全面掌握各项维修成本的精确历史数据。
 

    2、飞机发动机维修成本管理中存在的问题

 然而,基于飞机发动机维修成本管理现状,一些问题一直困扰着航空公司管理人员:
    (1)在成本预测环节,公司如何判断全年维修成本预算是否合理?
航空公司往往按近期相同维修项目实际成本的均值乘以一定的经济调整系数,以应对维修项目中人力、原材料成本的变动。在此基础上,针对送修的飞机、发动机型号不同带来的维修工程量大小之分,又考虑一定的机型调整系数,进行初始预算编制。
这种相对简单的预算编制方式并不十分科学。首先,针对宏观经济环境变化引入的经济调整系数一定程度上依赖于人为经验判断,缺乏客观依据;其次,针对送修的飞机、发动机型号不同(特别是空客A320系列机型与A330系列机型之间的显著差异)引入的机型调整系数,由于航空公司受机队规模限制往往缺乏足够历史数据,也大多依赖人为经验予以制定;更为重要的是,即使是执行同一级别维修项目的同一机型的飞机、发动机,也会因为其各自运行环境、在翼时间、飞行循环的差异导致其在维修项目、航材使用上出现一定程度的差异,从而使最终的维修成本与预算差异较大。而这些个体差异是现行的预算编制方法未能体现的。如果上述的经济调整系数、机型调整系数及个体差异因素等不能在预算编制的过程中得以较为准确的反映,则导致整体维修预算精准度较差,后续成本控制也必然有失偏颇,无法体现成本预测的客观性原则。
   (2)在成本控制环节,如何有效的开展成本动因分析从而有效控制成本?
“安全运行”是航空公司运营的首要前提,维修工程技术人员往往以保障飞机适航和安全运行为工作重点,对维修成本控制欠缺主动性;而财务人员缺乏相关专业知识,无法从专业的角度判断维修成本是否合理,只能在维修费用结算环节介入,属于“事后型”监督,不属于真正意义的成本控制。只有找到影响成本的主要因素,才可以对维修成本进行有效的控制,而航空公司往往没有开展系统性的维修成本动因分析或论证工作,或者也更多借助于行业技术经验进行动因判断,缺乏科学性的分析手段。
    (3)在成本分析环节,如何对维修数据进行深入有效的数据挖掘分析?
数据的挖掘如果仅仅是计算维修总成本,每架飞机、每台发动机的平均维修成本,或是成本年变化率等指标,已不足以应对航空公司对维修成本分析、机队管理和盈余管控的需求。大数据时代的到来,要求公司管理人员考虑借鉴更先进的方法或模型对数据进行深入分析和挖掘,进一步科学分析影响成本变化的主要因素及其影响程度,对飞机寿命周期内整体维修成本进行科学预测,从而用以指导航空公司未来飞机及发动机选型、维修方案制定,指引未来飞机运行和维修执行过程中成本管控,实现航空公司机队成本及价值的有效管理。
 

(二)     飞机发动机维修业务中可用的分析工具

 基于上文阐述的当前飞机发动机维修业务下财务成本管理模式的不足与业务客观需求,笔者将在本章引入两种建立分析模型的原理。
 

    1、多元线性回归分析

 多元线性回归分析主要用于研究一个被解释变量 与i个解释变量( )之间的关系。得益于其能清晰地量化变量间的线性因果联系而被广泛应用于金融业、宏观经济分析、工业、制造业等领域。基于发动机维修领域的特点,本文采用最小二乘法建立多元线性回归分析模型,其表达式为:

上式显示了各解释变量 一定时,Y的平均响应。其中, 为常数项,表示当其他解释变量的取值均为0时,被解释变量 的总体平均值的估计值。 为偏回归系数,表示在其他解释变量不变的情况下, 每增减一个单位时被解释变量 的平均变动量,偏回归系数也可解释为 每变动一个单位对 产生的“净”影响。ε是误差项的随机变量值, 它是 里不能被i个解释变量的线性关系所说明的变异程度。
 对多元线性回归分析模型的有效性检验, 主要包括R检验(判定系数检验)、T检验(回归系数显著性检验)和F 检验(回归方程显著性检验)。
 

    2、神经网络分析法

神经网络分析法是指基于误差反向传播算法 (Back Propagation,简称BP算法)的多层前向神经网络,其最初是由Pau1 Werboss在1974年提出,并在20世纪80年代中期得到广泛传播。神经网络分析法的基本结构如下图1所示,网络由输入层、隐层、输出层节点组成,其中隐层可以是图1所示的一层,也可以是多层,1989 年Robert .Hecht- Nielson 证明了对于任何在闭区间的一个连续函数都可以用一个隐层的BP 网络来逼近,所以网络中多采用单隐层网络,即神经网络构成为3层。输入层节点与隐层节点、隐层节点与输出层节点连接的为权值,输入层和输出层节点的是阙值,在训练网络之前,需要对网络的权值和阙值进行初始化,具体命令见下文描述。神经网络分析法由正向传播和反向传播两部分组成,在正向传播过程中,输入信息从输入层经隐层单元处理后,传至输出层,每一层神经元的状态只影响下一层神经元的状态;如果在输出层得不到期望输出,就转为反向传播,即把误差信号沿连接路径返回,并通过修改各层神经元之间的连接权值,使误差信号最小。

图1 神经网络分析法结构图
 
神经网络分析法的具体运用步骤如下:
(1)选取训练样本和验证样本。从总的样本数据中,区分出训练样本和验证样本,一般来说,训练样本数较多。
(2)确定节点个数。输入层节点的多少与评价指标个数相对应,也就是本文中影响飞机维修成本的因素个数。目前,隐含层节点数的确定尚无理论上的指导,在实践中,一般是先设置较少的隐含层节点数,若网络输出误差不符合设定的要求,则逐渐增加节点数,直到网络的误差不再有明显的减小为止。输出层节点数是根据输出结果的指标个数来确定的,本文研究的输出指标就是飞机维修成本,所以输出层节点数只有1个。
(3)训练神经网络。神经网络经过训练后,可以使得一定的网络输入产生特定的网络输出,神经网络通过比较网络输出值和目标值来调整各神经元间的权重,直至输出值和目标值相同为止。具体命令如下:
net=newff(minmax(pn),[n,1],{'tansig','purelin'},'trainlm');%建立相应的BP网络
inputWeights=net.IW{1,1};
inputbias=net.b{1};
layerWeights=net.IW{1,1};
layerbias=net.b{2};%训练网络
net.trainParam.show=50;%两次显示之间的训练次数
net.trainParam.lr=0.05;%训练速度
net.trainParam.mc=0.9;%μ的初始值
net.trainParam.epochs=2000;%训练代数
net.trainParam.goal=0.00001;%网络目标性能
[net TR]=train(net,pn,tn);%调用TRAINGDM算法训练BP网络
(4)验证网络的适应性。在网络训练完成之后,输入验证样本数据,通过观测实际结果与模拟结果的误差率来验证网络的适应性。
(5)用于成本预测。
 

四、 应用实例

本文选取空客飞机装机V2500型号发动机的维修成本来进行具体的应用,首先基于多元线性回归的发动机维修成本影响因素的分析,从所有影响因素中找到显著影响发动机维修成本的某几个因素;然后把这几个因素运用到神经网络分析中,建立更为准确的发动机维修成本与其影响因素间的非线性关系。
 

(一)     基于多元线性回归的发动机维修成本影响因素分析

根据实务中有关发动机维修成本管理的工作经验以及课题组专家们的讨论,在考虑数据的可衡量性的情况下,汇总分析了可能会影响V2500型号发动机维修成本的各个因素,共14个。
 

    1、发动机维修成本与其影响因素间的相关性分析

利用stata12.0软件来进行二元变量和多元变量的Spearman系数的相关性分析,发动机维修成本与其影响因素的二元相关性分析如下表1所示,发动机维修成本与其影响因素的多元相关性分析如下表3所示。
从表1的相关系数可以看出,在主观判断的影响发动机维修成本的14个因素中,只有10个因素与发动机维修成本具有较显著的相关关系,其余4个没有通过10%的显著性水平检验。具体来看,CC、HPT、HPC与发动机维修成本的相关性在1%的检验水平下显著,说明这三个因素是影响发动机维修成本最显著的影响因素,其中最大的是CC ,其与发动机维修成本的相关系数为0.8537;而TSLSV、CSLSV在5%的检验水平下,与发动机维修成本显著相关;27K、FIRST、TSN、CSN、FH/FC与发动机维修成本的相关性在10%的检验水平下显著。这10个因素的具体说明如下表2所示。
表1 发动机维修成本与其影响因素的二元相关性分析
序号 影响因素 发动机维修成本
Spearman 相关系数 P值
1 TSLSV 0.7593(**) 0.0387
2 CSLSV 0.7539(**) 0.0450
3 CC 0.8537(***) 0.0000
4 HPT 0.7997(***) 0.0000
5 HPC 0.7656(***) 0.0095
6 27K 0.6235(*) 0.0958
7 FIRST -0.0515(*) 0.0911
8 TSN 0.6328(*) 0.0832
9 CSN 0.6466(*) 0.0899
10 FH/FC 0.5207(*) 0.0936
注:*** 、** 、* 分别表示估计参数在1%、5%与10%水平上显著,下同。
表2 发动机维修成本显著影响因素的具体说明
序号 影响因素代码 具体说明
1 TSLSV 截止送修时发动机自上一次大修后使用的小时数
2 CSLSV 截止送修时发动机自上一次大修后使用的循环数
3 CC 发动机燃烧室单元体的修理级别
4 HPT 发动机高压涡轮增压机单元体的修理级别
5 HPC 发动机高压压缩机单元体的修理级别
6 27K 发动机推力是否为27000磅
7 FIRST 发动机是否为第一次大修
8 TSN 截止送修时发动机自新使用小时数
9 CSN 截止送修时发动机自新使用循环数
10 FH/FC 截止送修时发动机在翼期间的小时循环比
 
从表3的多元变量的相关系数及显著性可以看出,发动机维修成本COST与各个影响因素间的相关系数都比较大,且在10%的检验水平下都是显著的,这也同时验证了表1中的发动机维修成本与其影响因素的二元相关性分析的结果。另外,发动机维修成本的各个影响因素间的相关系数也比较大,最高值达到0.977,其中CC与HPT、的相关系数比较大,且较显著,所以在回归分析中要考虑这两个变量间的多重共线性问题。其他几个影响因素间的相关系数一般在0.5左右,所以各个影响因素间可能会存在多重共线性,在对发动机维修成本与各个影响因素的回归分析中需要采用逐步回归的方法,即需要先考虑显著影响发动机维修成本的因素(CC),然后逐个把显著影响的因素加入到回归的变量中,最终可以选择对发动机维修成本解释力度最强、回归拟合结果最优的那些影响因素。这也可以为下文神经网络分析方法的运用提供数据基础。
表3 发动机维修成本与其影响因素的多元相关性分析
  COST TSLSV CSLSV CC HPT HPC 27K FIRST TSN CSN FH/FC
COST 1.0000                    
TSLSV 0.6793 1.0000                  
CSLSV 0.6539 0.9773 1.0000                
CC 0.8537 0.5946 0.6098 1.0000              
HPT 0.7797 0.5511 0.5373 0.8457 1.0000            
HPC 0.6656 0.3456 0.0687 0.4762 0.4035 1.0000          
27K 0.5235 0.2161 0.2161 0.0851 0.1482 0.254 1.0000        
FIRST -0.515 0.6459 0.6252 0.3989 0.3101 -0.087 0.1195 1.0000      
TSN 0.4328 -0.296 -0.228 -0.158 -0.252 0.0541 -0.308 -0.646 1.0000    
CSN 0.4466 -0.311 -0.240 -0.165 -0.218 0.1903 -0.231 -0.645 0.8652 1.0000  
FH/FC 0.4207 0.0367 -0.092 0.0172 -0.029 -0.092 -0.139 0.2635 -0.169 -0.427 1.0000

    2、发动机维修成本与其影响因素的回归分析

本文采用逐步回归的方法,从显著性最强的因素CC出发,逐步剔除10个因素中影响模型拟合效果的因素,最终得到的回归结果如下表4所示。由于CC 与HPT存在严重的多重共线性,所以在逐步回归中将HPT剔除。在以下表格中可以看出,经过三个有效的回归模型,10个因素中,只有CC、FIRST 、HPC被选入到回归模型中,模型调整后的R2由0.6871增加到0.7432,最终为0.7589;且CC、FIRST的回归系数的t值都越来越大,即CC、FIRST与发动机维修成本的回归显著性越来越强。
表 4 发动机维修成本与其影响因素的回归分析
模型 变量 回归系数 t值 调整后R2
1 常数 -578269.5(***) -2.36 0.6871
CC 1130310(***) 8.04
 
2
常数 -753417(***) -2.29  
0.7432
CC 1254208(***) 9.25
FIRST -743166(***) -2.67
 
 
3
 
常数 -2957855(***) -2.17  
0.7589
CC 1288986(***) 9.69
FIRST -891895.8(***) -3.14
HPC 1289998(**) 1.96
 

(二)              神经网络分析

 根据表4的回归分析结果,选择CC、FIRST、HPC进行发动机维修成本的BP 神经网络预测模型的训练。在总共的32个样本数据中, 随机选取30个样本数据作为训练样本,其余2个样本数据作为验证样本来验证网络训练的效果。
确定网络输入层为3,即发动机维修成本的3个影响因素;输出层为1个,即发动机维修成本;网路层数为3;隐含层( 中间层) 节点数的确定采用逐步测试的方法,选择使得网络输出误差最低的数值,本网络最终确定隐含层个数为19。
在训练完成后, 系统显示TRAINLM, Performance goal met.网络训练误差下降示意图如下图2 所示,网络训练停止,对输入进行模拟的结果和输入完全相符。

图2 网络训练误差下降示意图
 
在网络训练完成之后,输入验证样本数据,验证网络的适应性。将剩余2个样本的发动机维修成本影响因素输入作为验证样本P2,剩余2个样本的发动机维修成本数据作为验证样本输出,网络模拟结果的误差如下表5所示。一般精确模型需要尽可能多的训练样本,以让网络学到更多知识,这会使系统的容错性和健壮性更强。但最大不超过10% 的误差已经可以满足实际应用对精度的要求。从上表可以看出经神经网络训练达到了较小误差(小于5%),效果较好。
 
表5 模型仿真误差
  验证样本1 验证样本2
实际结果 3,484,800 3,555,400
模拟结果 3,460,414 3,432,836
误差    24,386   122,564
误差率% 0.70% 3.45%
 

五、 预测模型的实际运用

对于前文提到的当前飞机发动机维修成本预测、成本控制以及成本分析所面临的问题,可一定程度上借助本章的研究结果得以解决。
 

(一) 发动机维修成本预测

通过本文对成本动因的判定,航空公司可在实际操作中分台次将发动机的燃烧室单元体的修理级别、发动机是否为第一次送修和发动机高压压缩机单元体的修理级别分别输入本次建立的神经网络模型,将得到的维修成本模拟值作为该台发动机维修费用预算额的参考值。区别于传统预测方法编制阶段准确度低、灵活调整性差等弊端,这种创新型成本预测的优点如下:
1、相关性原则。航空公司在进行发动机维修成本预测时,通过多元线性回归模型,找到了与维修成本最直接相关的影响因素。通过神经网络分析模型,可根据输入的发动机显著动因的相关数据(即本次燃烧室修理级别、是否为第一次大修、发动机高压压缩机单元体的修理级别等数据信息)计算符合公司自身机队特点的维修费用预测值,做到在成本发生前预测出未来可能的成本水平,从而提前在相关可控环节采取控制措施。
2、成长性原则。随着航空公司发动机维修次数的增加,发动机维修成本的数据库将逐步增大、完善,管理人员随时可以添加统计信息并进行模型训练。由于神经网络模型可通过对成本动因的学习记忆,更科学地量化决策经验,因此完善后的模型得出的预算值将更加精准,更能体现公司机队的维修特点。
 

(二)     发动机维修成本控制

基于航空公司自身发动机类型及技术特点,可根据多元线性回归分析及神经网络模型找到影响发动机维修成本的主要动因及未来成本的合理预测,从而指导技术部门及管理部门对维修成本进行客观、有效的监控。
1、客观性原则。基于该模型的成本控制是通过对航空公司自身的发动机维修成本数据进行分析,寻找不同状态发动机的维修成本标准而实现的。这种根据客观事实而展开的控制方式大大降低了过去根据人为主观判断、较为粗放地进行系数调整的方式而导致的成本水平偏差。
2、容错性原则。相较于传统成本控制体系,该模型在合理的成本预测数据基础上,为偏离预期的维修项目考虑了一定的弹性空间,可避免预算编制过程中为实现预算目标而夸大事实、人为扩大预算额度的情况,提高了预算编制与考核的合理性,从而使机务维修部门在保障安全的前提下提升成本管理意识。
 

(三)  发动机维修成本分析

根据本章多元线性回归模型的分析结果,可判定基于当前32组样本数据的情况下,发动机维修成本主要受发动机燃烧室单元体的修理级别、发动机是否为第一次送修和发动机高压压缩机单元体的修理级别这三个动因的影响。
基于上述三个显著影响因素的样本数据,运用多元线性回归分析模型对成本进行分析可得各因素对维修成本的影响,即:在其他条件一定的前提下,成本动因每提高一个级别,则边际成本增加相应金额。
上述影响成本金额基于本次模拟测试样本,如前文所述,随着发动机维修成本数据库的增大,更多的成本显著影响因素将在模型中逐步凸显出来,则其各自对维修成本的影响将通过多元线性回归模型得以量化显示。对于模型分析出的众多成本显著影响因素,公司可进一步区分可控与非可控因素。针对可控因素,航空公司可展开部门联动,从飞机的运力调配、飞行操控、维修方案制定、及维修商务条款等方面,提高飞机综合使用效能,在保障安全运行的基础上有效控制发动机维修成本。其次,依据更多样本数据,航空公司可将研究范围逐步扩展至更广泛的维修成本领域,如其他不同型号的发动机维修、机身维修中的C检及结构检维修、其他重要部附件维修等 。
 

六、 研究结论

(一)     研究过程与成果

本文基于32组发动机维修成本数据,通过多元线性回归分析法,剔除具有共线性的成本动因,并采用逐步回归的方法找出影响发动机维修成本的显著影响因素。将得到的显著影响因素运用于神经网络分析工具中,进行网络训练,并最终得出模拟结果。在验证样本的比对过程中,两组样本的实际结果与模拟结果的误差率均在5%以内,可判定运用神经网络分析模型进行发动机维修成本的预测效果较为合理。
多元线性回归分析法可帮助航空公司找出飞机维修成本的主要影响因素,并在日常运行过程中进行重点关注,有效控制航空公司成本。基于本次研究找到了影响发动机维修成本的三个最显著动因:截止送修时发动机自上一次大修后使用的小时数、发动机大修的次数及发动机高压压缩机单元体的修理级别,并将其变动对成本的影响程度进行了量化分析,一定程度上可帮助航空公司明确未来对发动机维修成本控制的重点关注因素。借助神经网络分析模型对未来飞机维修成本进行了模拟预测,实现了成本预测精细化的目标,为航空公司提升成本预测精准度,提高成本管控能力以及加强成本分析效用提供了有效途径。该模型一定程度上可以应用于航空公司对飞机发动机未来一定周期或全寿命周期内的成本预测分析,从而在航空公司维修方案制定、发动机选型等重大项目中发挥辅助指导作用,帮助公司实现机队成本有效管控及机队价值管理提升。
 

(二)     局限性与未来拓展领域

受维修成本样本数据取数的限制,本文仅采用有限的32组样本数据进行研究,并考虑一些特殊影响因素导致的重大偏差进行了数据修正。同时,研究结果中未能体现出维修成本受宏观经济因素(如劳工指数、原材料价格指数等)及发动机类型差异影响的情况。另外,本文的研究基于当前的发动机设计及修理技术,若未来该领域有相关技术革新,对送修模式及维修成本等造成重大影响,应对模型进行相应的修正与更新。
在模型的实际运用中,航空公司还可在未来引入到更广泛的研究领域中,如:飞机发动机维修工作范围的制定;机队航线成本优化配置等。借助于模型的应用,为航空公司提供更精准、更有价值的财务决策数据支持及有效财务管理手段,从而帮助航空公司制定长期战略规划方案及实现企业经营目标。
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 

参考文献:

[1]黄志敏.2014年民航业运行情况分析及2015年展望.
[EB/OL] http://www.askci.com/chanye/2015/03/06/105450c2kt_5.shtml
[2] 李海燕.2014年全球航企回顾:希望之春与失望之冬. [EB/OL]http://www.caacnews.com.cn/newsshow.aspx?idnews=262584
[3] 郭才森. 从新视角分析高铁对民航的影响[J].
[EB/OL]http://news.carnoc.com/list/297/297068.html
[4] 李伟. 飞机维修计划的重要性[J]. 科技信息,2011(20):304-305
[5] 左虎刚. 现代航空企业维修成本控制问题研究[J];中国管理信息化,2011(21):11-12
[6] 田明轩. 飞机维修成本控制[J]. 科技信息,2014 (1):19-21
[7] 郭志帅. 我国飞机附件维修商业模式初探. [EB/OL]http://news.carnoc.com/list/300/300029.html
[8] 周灵基. 飞机维修方案对航空公司成本的影响[J]. 中国民用航空,2007(1):47-50
[9] 空客航空商学院. 飞机维修中的商务因素[R]. 2014
[10] 李子奈,潘文卿. 计量经济学(第三版)[M]北京:高等教育出版社,2010
[11]沈国琪,陈万明.基于多元线性回归与BP神经网络分析的事业预测建模实证研究[J].工业技术经济.2014 (2):103-112
[12]刘子先,武立玮,姬升启.一种面向成本预测控制的方法研究[J].系统工程学报,2006,21(6):659-662
[13]刘威,张陶红,柴天佑.基于神经网络的动态成本分析[J].信息与控制,2004,33(2):181-184
[14]陈勇刚.基于BP神经网络的航空公司机队可靠性评价模型[J].数学的实践与认识,2011,41(2):138-142
[15]杨久红,王小增.基于改进BP神经网络的产品成本预测研究和实践[J].计协设计与制造,2010(7):223-225
[16]王曙光,韩燮.基于BP神经网络的成本预测[J].山西电子技术,2005(5):36-37
[17]Airbus. The World of Maintenance Economics[R].2015
[18] Hope. J, Fraser. R. Beyond Budgeting,1st edition [M].  Harvard Business School Press.2003


[1]空客航空商学院. 飞机维修中的商务因素,[R] 2014:26
[2]Airbus. The World of Maintenance Economics [R]:2015:18
[3]Airbus. The World of Maintenance Economics [R]:2015:18
[4]Airbus. The World of Maintenance Economics [R]:2015:18