飞机经营性租赁里的模型创建和数据的重要性-2018年会随想

今天是公司2018年经营工作会议召开的日子，照例是各项指标数据对比，同业数据对比，新一年的目标计划。末了是各个类型的表彰颁奖，今年因某客户的破产处置，个人拿了一份运营经营奖，虽过程辛苦，有了精神奖励也聊以慰藉。中心今年是多事之秋，业绩不振，但是从公司整体看应该是个好年景。

记不得是在会议进行到哪段时，触发了过去一年的某些感触，遂拿起笔在记事本上草草的写了两三页要点，最后总结为维修大数据的掌握对飞机资产维修价值调整至关重要。

这个结论不是今天的灵感突现，期间经历了去年一年对各式测算模型的初步应用，内部对维修费率及退租状态的讨论，始终感觉缺了点什么，最后在都柏林金融年会时被中银租赁大佬的一段关于维修数据是OEM/航空公司/租赁公司最重要的竞争力一举击中。当我们过去一年还在摸索着模型的建立，合同条款的讨论时，境外租赁公司已经早已在大数据的路上大踏步越走越远了。对于我们，追赶的捷径只能是两条腿同时迈进 - 模型完善和数据积累同时进行。

下面列举几个自己的感受：

维修费用预测模型中有个问题，是采用第三方的总维修费用数据，还是将维修费用分解为工时和材料，同时涉及到不同定检中例行工作和非例行工作的比例预估，航空业历年人工工时费率的变化规律，材料上涨的费率预估。我的理解是模型中采用总维修费率预估是个走捷径的方法，从OEM/MRO/历时数据中获取，优点是可以很快应用，缺点是不够准确，缺乏区域性差异调整，机龄对维修费用影响的调整，以及不同项目上预估调整的灵活性和准确性。采用后面方法，就涉及了许多基础数据的收集研究，以及模型更加复杂，优点是更加灵活和相对准确。

发动机维修费用模型涉及两个方面，性能恢复和LLP费用。维修费用问题和上面问题类似，发动机部分除了年利用率及小时循环比预估，又多了一个在翼时间的预估（Build Goal），涉及到运营人的发动机送修计划。LLP根据厂家目录价格可以估算出某一年的更换费用，但在MR收取测算中同样面临着因Escalation导致的未来支出和实际收取金额存在差值问题。

在维修事件预测模型中，机身和起落架具有硬时限要求，预测较为简单，发动机和APU因维修间隔的软时限特性，跟运营数据的获取或预测就密切相关，同时在模型实现上也相对复杂。

至于维修价值的调整模型，在获取了基本运营数据及历时维修记录后，模型实现相对容易，但调整值是否准确还取决于前面提到的维修费用模型的准确性，实际操作上，也有便捷的方式可走，就是像航升等第三方也会提供基于维修状态的人工评估，几千美元一架，可以用来作为验证自有模型数据，确保在初期不会偏差太大。

以上只是对今天会议上随想的一个简单总结，后续会针对自己在模型建立中面临的问题和总结和大家做一个分享。跟着年会的脚步，放假就不远了，祝大家春节快乐。