L'efficacité opérationnelle des dépôts de maintenance des transports est essentielle pour la durabilité des infrastructures, mais les outils de prévision robustes pour l'amélioration du rendement dans de tels systèmes sont sous-développés, en particulier dans les contextes subsahariens. Cette étude vise à développer et à évaluer méthodologiquement un nouveau modèle de prévision par séries chronologiques pour mesurer et prédire l'amélioration du rendement au sein d'un réseau national de dépôts de maintenance des transports. Un modèle d'autoregression intégrée de moyenne mobile saisonnière avec variables exogènes (SARIMAX), formalisé comme (B) (Bˢ) ᵈₛD yₜ = (B) (Bˢ) ₜ + Xₜ, a été appliqué à des données opérationnelles longitudinales. Les diagnostics du modèle comprenaient l'analyse des erreurs standards robustes et la validation hors échantillon. Le modèle a démontré une forte précision prédictive, avec une erreur absolue moyenne en pourcentage de 8,7 % sur les données de test. Les prévisions indiquent une trajectoire positive soutenue du rendement système, avec une augmentation projetée d'environ 15 % à moyen terme, conditionnée par le maintien des niveaux d'investissement actuels. Le cadre SARIMAX proposé fournit une méthodologie statistiquement solide et opérationnellement viable pour la prévision des performances des systèmes de dépôts, offrant un avancée significative par rapport aux analyses descriptives et non prédictives. Les gestionnaires de dépôts et les décideurs politiques devraient intégrer cette approche de prévision dans les cycles de surveillance de performance réguliers et d'allocation des ressources afin d'améliorer proactivement le rendement du système. prévision par séries chronologiques, dépôts de maintenance, amélioration du rendement, SARIMAX, gestion des infrastructures, efficacité opérationnelle Cet article présente une application novatrice d'un modèle SARIMAX pour prévoir le rendement dans les systèmes de maintenance des transports, générant un outil validé pour la gestion des infrastructures basée sur des données probantes.
Uwimana et al. (Fri,) ont étudié cette question.