京公网安备11010802038645号京ICP备20022436号-3京EDI证京B2-20220639区块链京网信备 1101082276223860002X号数据描述
本数据集由行业专家 Darren Dube 精心打造，深度聚焦 2022/23 财年全球航空公司运营表现，通过严谨的分层目的性抽样方法，从非洲、亚太、欧洲、拉丁美洲、中东及北美六大区域的主流航空公司公开年度报告中手工采集 100 组观测数据，涵盖 9 大核心预测变量。数据维度全面覆盖航空公司基础信息、机队配置、运力规模及需求端表现，特别适合用于构建 COVID 疫情后航空业运营模型，为行业研究、企业战略规划及学术分析提供高价值数据支撑。
产品基本信息
● 创建者：Darren Dube（航空数据研究领域专业人士）
● 数据周期：2022/23 财年（覆盖完整会计年度运营数据）
● 数据规模：100 组观测数据，9 个预测变量
● 区域覆盖：非洲、亚太、欧洲、拉丁美洲、中东、北美六大区域
● 数据来源：各大航空公司公开年度报告（手动采集整理）
● 抽样方法：分层目的性抽样（确保区域代表性平衡）
● 文件格式：CSV、TXT（支持主流数据分析软件直接导入）
● 数据周期：2022/23 财年（覆盖完整会计年度运营数据）
● 数据规模：100 组观测数据，9 个预测变量
● 区域覆盖：非洲、亚太、欧洲、拉丁美洲、中东、北美六大区域
● 数据来源：各大航空公司公开年度报告（手动采集整理）
● 抽样方法：分层目的性抽样（确保区域代表性平衡）
● 文件格式：CSV、TXT（支持主流数据分析软件直接导入）
产品使用说明
- 数据导入：使用 Excel、Python（pandas 库）、R 等工具可直接读取 CSV/TXT 格式文件，建议先查看数据字典了解变量定义。
- 变量解读：重点关注 low_cost_carrier（低成本航空标识）与 load_factor（座位利用率）等核心变量的业务含义及数据分布。
- 分析场景：
- 区域对比分析：按地区分组对比 ask（可用座位公里数）与 num_routes（航线数量）差异。
- 相关性分析：探究 passenger_yield（乘客收益）与 fleet_size（机队规模）的关联性。
- 建模应用：以 load_factor 为因变量，构建多元线性回归模型分析影响因素。
- 数据清洗：部分财务指标可能存在四舍五入误差，建议在建模前进行标准化处理，缺失值已用行业均值填充。
应用场景
- 航空业研究分析：为高校、研究机构提供 COVID 后航空公司运营趋势分析的实证数据，支持行业发展报告撰写。
- 企业战略规划：帮助航空公司管理层对比区域市场表现，优化机队配置与航线规划，制定针对性运营策略。
- 学术建模研究：供经济、管理学科研究者构建航空业绩效预测模型，探索影响航空公司业绩的关键因素。
- 投资决策参考：为金融机构、投资公司评估航空公司投资价值提供量化数据支持，辅助投资决策。
产品来源
本数据集的数据均来自全球各大航空公司 2022/23 财年公开披露的年度报告，包括但不限于美国航空、达美航空、英国航空、中国国际航空、新加坡航空等各区域主流航空公司。数据采集过程严格遵循公开信息合规原则，通过人工查阅、整理、校验等多道工序确保数据的准确性和完整性。抽样方法采用分层目的性抽样，先按非洲、亚太、欧洲、拉丁美洲、中东和北美六大区域确定航空公司比例，再在各区域内选取主要的、大概率上市并发布年度报告的航空公司进行数据采集，以此保证数据在区域分布上的平衡性和代表性。
验证报告
以下为卖家选择提供的数据验证报告：
Darren Dube 权威采集 2022/23 财年最新 航空公司业绩指标数据集（含财务运营双维度 区域分层抽样）9 大预测变量 100 组观测数据 COVID 后运营建模
￥1.99
已售 0
3.19KB
申请报告