摘要：交通基礎(chǔ)設(shè)施實(shí)質(zhì)上是一個(gè)非線性的動(dòng)態(tài)復(fù)雜系統(tǒng)，這意味著在研究交通基礎(chǔ)設(shè)施投資預(yù)測(cè)時(shí)，不能局限于交通自身的封閉系統(tǒng)，而是要把它放在“交通—經(jīng)濟(jì)”大系統(tǒng)環(huán)境下，綜合考慮內(nèi)部和外部影響因素的共同作用。文章通過對(duì)影響交通投資因素的定性分析，建立了影響交通投資的層次結(jié)構(gòu)模型，并根據(jù)該模型構(gòu)建了基于BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型。結(jié)果表明，該預(yù)測(cè)模型能夠較全面地考慮多種因素對(duì)交通投資的影響，預(yù)測(cè)效果較好。

關(guān)鍵詞：“交通—經(jīng)濟(jì)”大系統(tǒng)；交通投資；BP神經(jīng)網(wǎng)絡(luò)；預(yù)測(cè)

作為一種人類社會(huì)發(fā)展的先行資本，交通基礎(chǔ)設(shè)施的投資與建設(shè)成為了實(shí)現(xiàn)經(jīng)濟(jì)增長(zhǎng)的重要先決條件。由于建設(shè)周期長(zhǎng)、投資大，造成影響交通投資的因素十分廣泛而復(fù)雜，因此在研究交通投資預(yù)測(cè)時(shí)，國(guó)內(nèi)許多學(xué)者增加了影響交通投資的相關(guān)因素?？锩?、胡思繼等人選取了鐵路市場(chǎng)份額、鐵路貨運(yùn)量、港口貨物吞吐量、基本建設(shè)投資、GDP、第二產(chǎn)業(yè)比重、原煤產(chǎn)量、鋼產(chǎn)量8個(gè)指標(biāo)作為鐵路運(yùn)輸?shù)挠绊懸蛩?，運(yùn)用BP神經(jīng)網(wǎng)絡(luò)對(duì)鐵路運(yùn)輸進(jìn)行了預(yù)測(cè)。方庚明運(yùn)用多元回歸方法，建立了包括經(jīng)濟(jì)、人口、政策影響客運(yùn)量發(fā)展相關(guān)因素在內(nèi)的客運(yùn)量發(fā)展預(yù)測(cè)模型。溫愛華、李松選取了GDP、公路運(yùn)營(yíng)里程、公路貨運(yùn)量、鐵路運(yùn)營(yíng)里程、鐵路復(fù)線比例、鐵路貨物周轉(zhuǎn)量、鐵路貨運(yùn)量、鐵路運(yùn)輸從業(yè)人員8個(gè)指標(biāo)作為影響鐵路貨運(yùn)量的因素，基于GRNN模型對(duì)其進(jìn)行了預(yù)測(cè)。王文莉、楊俊紅采用灰色理論對(duì)影響鐵路客運(yùn)量的因素，即GDP、人口、居民平均消費(fèi)水平、工業(yè)增加值、社會(huì)消費(fèi)品零售總額、公路客運(yùn)量、民航客運(yùn)量、旅客列車旅行速度進(jìn)行分析，采用動(dòng)態(tài)分辨系數(shù)的灰色關(guān)聯(lián)分析法實(shí)現(xiàn)影響因素的優(yōu)化選擇。

關(guān)于交通方面的預(yù)測(cè)方法較多，常用的有回歸分析法、時(shí)間序列法、灰色模型預(yù)測(cè)法等，他們都需要建立函數(shù)模型才能實(shí)現(xiàn)預(yù)測(cè)。而且通過這些方法所建立的模型，不能全面地反映所預(yù)測(cè)動(dòng)態(tài)數(shù)據(jù)內(nèi)在結(jié)構(gòu)的復(fù)雜性和非線性，容易丟失信息。近年來(lái)，隨著神經(jīng)網(wǎng)絡(luò)技術(shù)的發(fā)展，部分學(xué)者嘗試?yán)蒙窠?jīng)網(wǎng)絡(luò)進(jìn)行交通量的預(yù)測(cè)，構(gòu)建了多種模型，并取得了一定成就。與傳統(tǒng)的預(yù)測(cè)模型相比，神經(jīng)網(wǎng)絡(luò)模型不需要建立函數(shù)模型，有較強(qiáng)的自適應(yīng)性和學(xué)習(xí)性，具有建立分段非線性模型的能力，對(duì)于交通基礎(chǔ)設(shè)施這個(gè)復(fù)雜的系統(tǒng)來(lái)說，運(yùn)用神經(jīng)網(wǎng)絡(luò)模型進(jìn)行預(yù)測(cè)是一種有效的方法。

由于交通投資是一個(gè)復(fù)雜的系統(tǒng)工程，影響投資的因素較多，而且每個(gè)因素也會(huì)隨著環(huán)境的變化而變化，因此為了全面、科學(xué)、本質(zhì)地反映交通投資的變化，本文在前人研究的基礎(chǔ)上，構(gòu)建在“交通—經(jīng)濟(jì)”大系統(tǒng)環(huán)境下影響交通投資的層次結(jié)構(gòu)模型，運(yùn)用BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行預(yù)測(cè)。

一、 交通基礎(chǔ)設(shè)施投資影響因素層次結(jié)構(gòu)模型

交通基礎(chǔ)設(shè)施投資規(guī)模是由交通基礎(chǔ)設(shè)施可供量和需求量共同決定的，而影響交通投資規(guī)模的可供量和需求量又涉及到社會(huì)生產(chǎn)與生活的方方面面，由此決定了交通投資預(yù)測(cè)是一個(gè)復(fù)雜的非線性系統(tǒng)。本文將影響交通投資的因素分成三大類：一類是交通基礎(chǔ)設(shè)施自身內(nèi)部的因素，主要包括交通供給與需求；第二類是經(jīng)濟(jì)社會(huì)因素，如GDP、產(chǎn)業(yè)結(jié)構(gòu)狀況、人均消費(fèi)、人口等；第三類是經(jīng)濟(jì)體系的外部因素，如資源、環(huán)境、地理?xiàng)l件等。根據(jù)層次分析法指標(biāo)體系建立的方法，將交通基礎(chǔ)設(shè)施投資作為目標(biāo)層，交通基礎(chǔ)設(shè)施供給系統(tǒng)、需求系統(tǒng)、經(jīng)濟(jì)社會(huì)系統(tǒng)和資源系統(tǒng)作為準(zhǔn)則層，影響因素作為指標(biāo)層，構(gòu)建在“交通—經(jīng)濟(jì)”大系統(tǒng)環(huán)境下交通基礎(chǔ)設(shè)施投資影響因素層次結(jié)構(gòu)模型（見圖1）。

二、 建立交通基礎(chǔ)設(shè)施投資的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型

1. BP神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)。BP神經(jīng)網(wǎng)絡(luò)是一種多層前饋神經(jīng)網(wǎng)路，其采用誤差反向傳播學(xué)習(xí)算法。它由輸入層、隱含層和輸出層構(gòu)成，通過有指導(dǎo)的學(xué)習(xí)方式進(jìn)行訓(xùn)練和學(xué)習(xí)，將神經(jīng)元的激活值從輸入層經(jīng)各個(gè)隱含層向輸出層傳播，在輸出層的各個(gè)神經(jīng)元獲得網(wǎng)絡(luò)的實(shí)際輸出響應(yīng)。通過比較輸出層各個(gè)神經(jīng)元的實(shí)際輸出與期望輸出，獲得二者之間的誤差，然后按照減少誤差的方向，從輸出層經(jīng)過各個(gè)隱含層并逐層修正各個(gè)連接權(quán)值，最后回到輸入層。這種過程不斷重復(fù)進(jìn)行，直到誤差降低，至可以接受的范圍，學(xué)習(xí)訓(xùn)練過程也就隨之結(jié)束。通常情況下，由于訓(xùn)練樣本有限，一般強(qiáng)調(diào)選擇能達(dá)到要求的最小網(wǎng)絡(luò)。因此，本文所構(gòu)建的交通投資BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的其網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)見圖2所示。

2. 建立預(yù)測(cè)模型。訓(xùn)練對(duì)于神經(jīng)網(wǎng)絡(luò)模型的建立是至關(guān)重要的，訓(xùn)練結(jié)果的好壞將會(huì)影響神經(jīng)網(wǎng)絡(luò)模型的擬合與預(yù)測(cè)效果。因此，我們?cè)谟?xùn)練時(shí)要考慮到預(yù)測(cè)，而不是一味地追求高擬合度，要注意整個(gè)模型擬合與預(yù)測(cè)的一致性。

基于這個(gè)目的，本文以同一年份的交通投資總額、鐵路投資額、公路投資額、水運(yùn)投資額、航空投資額、管道投資額、客運(yùn)量、客運(yùn)周轉(zhuǎn)量、貨運(yùn)量、貨運(yùn)周轉(zhuǎn)量、GDP、其他基礎(chǔ)設(shè)施投資、非基礎(chǔ)設(shè)施投資、人均消費(fèi)、人口、能源消耗總量16個(gè)指標(biāo)作為一個(gè)神經(jīng)元。利用1980年～2009年的數(shù)據(jù)作為輸入量，2010年的數(shù)據(jù)作為輸出量進(jìn)行網(wǎng)絡(luò)訓(xùn)練；同時(shí)利用1979年～2008年的數(shù)據(jù)作為輸入，2009年的數(shù)據(jù)作為輸出對(duì)網(wǎng)絡(luò)的性能進(jìn)行測(cè)試，驗(yàn)證模型是否可靠。由于隱含層神經(jīng)元的確定是根據(jù)問題的要求和輸入、輸出單元的多少，本文經(jīng)過反復(fù)測(cè)試，確定隱含層節(jié)點(diǎn)數(shù)設(shè)為5比較合理。因此，本文的預(yù)測(cè)模型網(wǎng)絡(luò)結(jié)構(gòu)采用30-5-1結(jié)構(gòu)，即輸入層有30個(gè)神經(jīng)元，隱含層有5個(gè)神經(jīng)元，輸出層有1個(gè)神經(jīng)元，也是說用前30年數(shù)據(jù)作為學(xué)習(xí)樣本，后1年的數(shù)據(jù)作為預(yù)測(cè)效果檢驗(yàn)樣本。

三、 應(yīng)用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行交通基礎(chǔ)設(shè)施投資的預(yù)測(cè)

1. 樣本數(shù)據(jù)處理與歸一化。為了提高網(wǎng)絡(luò)訓(xùn)練的學(xué)習(xí)效率和收斂速度，在數(shù)據(jù)進(jìn)入神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練和檢驗(yàn)樣本之前，本文對(duì)所選取的16個(gè)指標(biāo)的數(shù)據(jù)進(jìn)行歸一化處理。本文采用min-max規(guī)范化方法，將數(shù)據(jù)處理為區(qū)間〔0， 1〕之間的數(shù)據(jù)。由于數(shù)據(jù)量龐大，采用MATLAB7.0實(shí)現(xiàn)歸一化處理。

2. BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練設(shè)計(jì)。本文設(shè)定BP神經(jīng)網(wǎng)絡(luò)的各訓(xùn)練參數(shù)為：最大訓(xùn)練步數(shù)為10 000步，網(wǎng)絡(luò)訓(xùn)練后達(dá)到的目標(biāo)精度控制參數(shù)為0.001，學(xué)習(xí)率為0.01，將樣本模式計(jì)算器和訓(xùn)練次數(shù)計(jì)算器都置為1，誤差E置為0。采用MATLAB7.0神經(jīng)網(wǎng)絡(luò)工具箱的函數(shù)trainbpx（）來(lái)完成整個(gè)模型建立與仿真。

3. 網(wǎng)絡(luò)訓(xùn)練與結(jié)果分析。為了縮短學(xué)習(xí)時(shí)間，本文利用LM數(shù)值優(yōu)化法來(lái)實(shí)現(xiàn)反傳算法，網(wǎng)絡(luò)經(jīng)過2918步訓(xùn)練后達(dá)到設(shè)定的均方誤差值0.001，訓(xùn)練效果良好。根據(jù)上述算法和步驟，訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)的回測(cè)結(jié)果表1。

從表1中可以看出，2009年交通基礎(chǔ)設(shè)施投資相關(guān)指標(biāo)回測(cè)結(jié)果相對(duì)誤差在1%～6%之間浮動(dòng)，雖然有些指標(biāo)有點(diǎn)偏大，但是總體來(lái)說結(jié)果還是令人滿意的。由此，利用網(wǎng)絡(luò)結(jié)構(gòu)30-5-1的結(jié)構(gòu)，逐年迭代下去，預(yù)測(cè)2011年～2020年交通基礎(chǔ)投資的相關(guān)數(shù)據(jù)。

總體上來(lái)看，2011年到2020年我國(guó)的經(jīng)濟(jì)增長(zhǎng)呈快速上升趨勢(shì)，年均增長(zhǎng)率為12.34%，而交通基礎(chǔ)設(shè)施投資年均增長(zhǎng)率為6.53%。與1978年～2010年經(jīng)濟(jì)增長(zhǎng)與交通投資年均增長(zhǎng)率相比，經(jīng)濟(jì)增長(zhǎng)增加了2.7個(gè)百分點(diǎn)，而交通基礎(chǔ)設(shè)施投資減少了8.47個(gè)百分點(diǎn)，說明未來(lái)10年我國(guó)的經(jīng)濟(jì)增長(zhǎng)將改變?cè)械目客顿Y拉動(dòng)的粗放型經(jīng)濟(jì)增長(zhǎng)方式，國(guó)家將加強(qiáng)對(duì)交通投資的宏觀調(diào)控。另外，交通投資的波動(dòng)較小，緩慢上升，說明交通基礎(chǔ)設(shè)施仍然是國(guó)家投資的重點(diǎn)（見圖3所示）。

從交通各種運(yùn)輸方式的投資來(lái)看，都隨著經(jīng)濟(jì)的增長(zhǎng)呈現(xiàn)上升趨勢(shì)，鐵路、公路、水運(yùn)、航空、管道年均增長(zhǎng)率為4.96%、5.74%、6.79%、6.98%、21.93%，管道運(yùn)輸基本建設(shè)投資增長(zhǎng)最快。從所占交通基礎(chǔ)設(shè)施投資比率來(lái)看，鐵路與公路投資比率波動(dòng)較大，從2017年以后，所占比率開始下降，水運(yùn)、航空、管道投資比率一直保持平穩(wěn)趨勢(shì)（見圖4、圖5所示）?？傮w上看，公路與鐵路仍然是國(guó)家投資的重點(diǎn)。

從交通運(yùn)輸客運(yùn)量與客運(yùn)轉(zhuǎn)量來(lái)看，隨著經(jīng)濟(jì)增長(zhǎng)呈快速上升趨勢(shì)，年均增長(zhǎng)率為6.37%、6.71%。同樣，貨運(yùn)量與貨運(yùn)周轉(zhuǎn)量也呈快速上升趨勢(shì)，年均增長(zhǎng)率為5.9%、6.63%（見圖6、圖7所示）。與交通基礎(chǔ)設(shè)施投資年均增長(zhǎng)率相比，交通需求仍然大于交通供給，交通基礎(chǔ)設(shè)施投資仍將滿足不了經(jīng)濟(jì)快速發(fā)展。

四、 結(jié)論

交通基礎(chǔ)設(shè)施投資實(shí)質(zhì)上是一個(gè)復(fù)雜的動(dòng)態(tài)系統(tǒng)，它受到各種各樣復(fù)雜因素的影響。因此，在研究交通基礎(chǔ)設(shè)施投資的具體情況，除了要考慮自身內(nèi)部的各種因素的變化，還要考慮其他多種因素共同的作用。由于每個(gè)與交通基礎(chǔ)設(shè)施密切相關(guān)的影響因素隨著環(huán)境的變化不斷地發(fā)生變化，這就決定了研究交通基礎(chǔ)設(shè)施投資預(yù)測(cè)時(shí)，不能基于交通基礎(chǔ)設(shè)施投資的自身封閉系統(tǒng)，而是把它放在“交通—經(jīng)濟(jì)”大系統(tǒng)中。實(shí)證研究證明，BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型比傳統(tǒng)預(yù)測(cè)模型更能較全面地反映在大系統(tǒng)環(huán)境下各種因素對(duì)交通投資的非線性的映射關(guān)系，預(yù)測(cè)精度高，效果比較滿意。

參考文獻(xiàn)：

1. 匡敏，胡思繼，邢培昱，武旭.基于國(guó)民經(jīng)濟(jì)大系統(tǒng)下的鐵路貨物運(yùn)輸量預(yù)測(cè)方法的研究.北方交通大學(xué)學(xué)報(bào)（社會(huì)科學(xué)版），2003，2（4）：21-24.

2. 方庚明.基于多元線性回歸的公路客運(yùn)量發(fā)展預(yù)測(cè)模型.工程與建設(shè)，2011，25（2）：164-166.

3. 溫愛華，李松.基于廣義回歸神經(jīng)網(wǎng)絡(luò)的鐵路貨運(yùn)量預(yù)測(cè).鐵道運(yùn)輸與經(jīng)濟(jì)，2011，33（2）：88-91.

4. 王文莉，楊俊紅.基于灰色理論的鐵路客運(yùn)量預(yù)測(cè)影響因素優(yōu)化.微電子學(xué)與計(jì)算機(jī)，2011，28（10）：164-172.

5. 李馳宇，李遠(yuǎn)富，梁東.基于人工神經(jīng)網(wǎng)絡(luò)的交通運(yùn)量預(yù)測(cè).交通標(biāo)準(zhǔn)化，2005，（8）：130-132.

6. 王維國(guó)，張靜靜.基于BP神經(jīng)網(wǎng)絡(luò)的貨運(yùn)量預(yù)測(cè)方法.物流技術(shù)，2005，（7）：58-59.

7. 陳福貴，李遠(yuǎn)富.基于BP神經(jīng)網(wǎng)絡(luò)的鐵路貨運(yùn)量預(yù)測(cè).鐵道貨運(yùn)，2005，（9）：15-17.

8. 國(guó)家統(tǒng)計(jì)局.中國(guó)統(tǒng)計(jì)年鑒（2011），北京：中國(guó)統(tǒng)計(jì)出版社，2011.

基金項(xiàng)目：高速磁浮交通系統(tǒng)在我國(guó)綜合運(yùn)輸體系中的地位和作用（項(xiàng)目號(hào)：40011012201005）。

作者簡(jiǎn)介：宗剛，北京工業(yè)大學(xué)經(jīng)濟(jì)與管理學(xué)院常務(wù)副院長(zhǎng)、教授、博士生導(dǎo)師；任蓉，北京工業(yè)大學(xué)經(jīng)濟(jì)與管理學(xué)院博士生；孫瑋，北京工業(yè)大學(xué)經(jīng)濟(jì)與管理學(xué)院博士生。

收稿日期：2012-06-15。