張?zhí)N琦,殷 巍
(大連交通大學 交通運輸工程學院,遼寧 大連 116028)
隨著經(jīng)濟的發(fā)展,城市化進程的加快,城市交通擁堵問題日益嚴峻??瓦\需求預測是交通規(guī)劃的基礎,使交通部門及時準確地了解到現(xiàn)狀及發(fā)展趨勢,制定合理的客運運輸規(guī)劃方案,深化客運市場改革??瓦\經(jīng)營企業(yè)也可以根據(jù)未來客運市場需求,及時調(diào)整運輸經(jīng)營戰(zhàn)略,提升客運的運行效率,提高客運服務質(zhì)量,完善客運服務結(jié)構(gòu),實現(xiàn)社會效益和經(jīng)濟效益最大化。國外對客運需求預測的研究較早,我國的研究近年來也逐漸增多。2010年,Gong W等在預測時利用13個社會經(jīng)濟參數(shù)為變量,結(jié)合時間平滑和泛化神經(jīng)網(wǎng)絡,完成了交通需求預測[1]。2012年,Profillidis等運用計量經(jīng)濟學建模并進行預測,預測準確有效[2]。2013年,Cyprich等從統(tǒng)計學的角度,計算出顯著性參數(shù)和殘差,建立了時間序列的預測模型[3]。2014年,Saharidis建立了混合整數(shù)線性模型,并采用了啟發(fā)式算法預測客流量[4]。2009年,張好智等比較分析了10多種客運量預測方法,并提出各種方法的適用范圍、優(yōu)缺點[5]。2011年,白小麗得出在指數(shù)平滑方法中權(quán)系數(shù)的取值方法[6]。2015年,紀鴻濛建立了京滬線客運量與經(jīng)濟發(fā)展水平、人口規(guī)模、運輸阻抗以及站點區(qū)域特征的數(shù)量關系方程[7]。2016年,邱連冬在分析了客運需求影響因素的基礎上,通過對預測基礎數(shù)據(jù)的實際調(diào)研,構(gòu)建了交通需求預測模型[8]。目前客運需求預測的研究尚處于探索階段,需要進一步深入地探討分析。Eviews軟件是采用計量經(jīng)濟學方法,對有規(guī)律的數(shù)據(jù)進行統(tǒng)計分析、建模分析與預測的一款專業(yè)性軟件[9]。Eviews軟件對于時間序列的數(shù)據(jù)分析能力很強,被廣泛應用于社會經(jīng)濟的各種領域[10]。本文根據(jù)江門市縣際客運調(diào)研的數(shù)據(jù),通過Eviews6.0軟件,主要以多元回歸分析預測方法、指數(shù)平滑方法及交通規(guī)劃的相關理論方法為基礎,對江門市縣際客運需求進行了預測。
預測有兩種方法:定性預測方法與定量預測方法[11]。本文在進行客運量預測時,將定性分析與定量計算相結(jié)合,主要采用定量分析的方法。由于因果分析預測法中的回歸分析預測法和時間序列預測法中的指數(shù)平滑法適合中短期交通需求預測,預測精度較高,因此,本文主要運用了這兩種方法來建立模型,結(jié)合Eviews6.0軟件,從已經(jīng)發(fā)生的客運中找出變化規(guī)律,對數(shù)據(jù)計量統(tǒng)計、預測處理,預測未來客運量的發(fā)展趨勢。
當影響預測變量的因素個數(shù)較多時,需要使用多元回歸預測模型,預測時要選用相關性較高的變量作為回歸因子[12]。計算公式為
Y=b0+b1X1+b2X2+…+bnXn.
(1)
式中:b0、b1、b2…bn為回歸系數(shù);X1、X2…Xn為自變量,是影響客運需求的主要因素;Y為因變量。再對預測模型進行可決系數(shù)R2檢驗(0≤R2≤1),這是檢驗多元回歸模型擬合優(yōu)度的度量指標,反映回歸方程對樣本觀測值的擬合程度,計算公式為
(2)
R2越接近1,說明相關程度越高,回歸擬合優(yōu)良,回歸模型預測效果好;反之,R2越趨近0,回歸擬合得不好。
指數(shù)平滑法是一種時間序列分析預測法,其特點是在歷史數(shù)據(jù)量的基礎上,對離預測值較近的歷史數(shù)據(jù)給予較高的權(quán)重,根據(jù)指數(shù)規(guī)律,權(quán)數(shù)由近及遠地遞減,通過本期實際觀察值與前一期指數(shù)平滑值的加權(quán)平均,使預測值能準確反映變量的發(fā)展趨勢[13]。計算公式為
S(t+1)=αy(t)+(1-α(S(t(.
(3)
式中:α是平滑系數(shù)(0≤α≤1),平滑系數(shù)的數(shù)值會影響預測結(jié)果的精確度。S(t(是t時的預測值,S(t+1)是t+1時的預測值,y(t)是t時的實測值。
本文以江門市的歷史客運量為基礎數(shù)據(jù),進行未來年的客運量預測。在進行客流量預測時關鍵是要明確影響客運需求的重要因素,因此從中選出江門市的從業(yè)人員數(shù)、小型汽車數(shù)、平均工資這三項為影響因素指標,分別表示就業(yè)情況、出行方式和經(jīng)濟發(fā)展水平,建立模型,定量計算,預測出客運量[14]。歷史客運量如圖1所示以及影響因素指標數(shù)據(jù)如圖2所示。
圖1 2008—2017歷史客運量
圖2 影響指標歷史數(shù)據(jù)
通過上述數(shù)據(jù)分析發(fā)現(xiàn),客運量沒有良好的穩(wěn)定性,不能通過時間序列來預測2018年和2019年的客運量。圖3是市區(qū)2009—2016年客運量和平均工資的變化情況,可見客運量通過數(shù)據(jù)自回歸的方式預測會帶來很大的誤差。
通過分析歷史數(shù)據(jù),首先采用計量經(jīng)濟學軟件Eviews進行主成分分析,分析結(jié)果如表1,表2所示。
圖3 2009—2016年客運量和平均工資的變化情況
變量主因素1主因素2主因素3從業(yè)人員0.578514-0.154699-0.800869小汽車0.577176-0.6161430.535944平均工資0.5763590.7722930.267159
表2 Eviews主成分計算結(jié)果
由于特征值1占99.4%,特征值比重大小就表示相關性的影響權(quán)重,所以構(gòu)建模型用主因素1即可。
用Eviews進行回歸,模型的回歸結(jié)果如表3所示。
表3 模型的回歸結(jié)果
得到的模型如公式(4)
Y= 2.260 643 675 92·X1-
5.913 808 293 34·Z.
(4)
式中:Y為區(qū)客運量;X1為從業(yè)人員的數(shù)量;Z為主成分變量。該模型的主成分變量還原后的形式如公式(5)
Y= 2.260 643 675 92·X1-
3.421 220 721·X2-3.413 308 046·X3.
(5)
最終預測結(jié)果如圖4所示。藍線是實際的客運量,紅線是利用公式(5)計算出的預測值,從折線圖可以看出,客運量與預測值的誤差較小。表3中,R2=0.891 938,接近1,說明回歸擬合優(yōu)良,回歸模型預測效果好。經(jīng)檢驗,建立的模型精度較高,可用來預測江門市短期客流量[15]。
乘坐包車的乘客構(gòu)成較復雜,且流動人口較多,很難統(tǒng)計,所以接下來要用指數(shù)平滑方法對包車未來的客運需求進行預測[16]。江門市管轄鶴山、臺山、開平、恩平四個縣級市,已知江門市各地區(qū)包車年度發(fā)送人數(shù),取α=0.7,利用指數(shù)平滑計算公式,進行一次指數(shù)平滑和二次指數(shù)平滑,客運量的預測結(jié)果如表4所示。
圖4 預測結(jié)果
年度江門總站鶴山總站開平總站臺山總站恩平總站2018339949.9223871.3134274.482212.6813156.332019335781.7213041.7130367.981046.6113008.24
包車年度發(fā)送人數(shù)如圖5所示。
圖5 包車年度發(fā)送人數(shù)
綜上所述,預測結(jié)果顯示江門市縣際客運需求在2017年和2018年下降的可能性較大,但下降幅度不會太大。預測結(jié)果對合理制定江門市的交通規(guī)劃方案有一定借鑒意義。
根據(jù)對客運需求的現(xiàn)狀分析與預測,可以看出江門市縣際客運業(yè)務量呈下降的趨勢。影響該市客運量下降負面因素較多,而且負面因素影響程度比較大。因此,在未來要加快客運供給側(cè)改革,在政府扶持下實現(xiàn)縣際客運與軌道交通、市內(nèi)公交樞紐的無縫接駁;要建設智能客運體系,推進客運體系智能化、信息化,廣泛利用網(wǎng)絡資源和大數(shù)據(jù)平臺,探索“互聯(lián)網(wǎng)+”模式;要健全現(xiàn)行的交通運輸管理法規(guī),加強執(zhí)法和監(jiān)管力度,進而規(guī)范客運行業(yè)環(huán)境;還可以考慮構(gòu)建旅游客運新體系??傊?,要提高江門市客運供給結(jié)構(gòu)對旅客需求變化的適應性和靈活性,深化江門市客運業(yè)供給側(cè)改革,加快客運行業(yè)轉(zhuǎn)型升級。
參考文獻:
[1] GONG W.ARMA-GRNN for passenger demand forecasting[C]//Natural Computation(ICNC),2010 Sixth International Conference on.IEEE,2010,3:1577-1581.
[2] PROFILLIDIS V Α. An ex-post assessment of a passenger demand forecast of an airport[J]. Journal of Air Transport Management, 2012,25(6): 47-49.
[4] SAHARIDIS G K D,DIMITROPOULO C,SKORDIL-IS E. Minimizing waiting times at transitional nodes for public bus transportation in Greece[J].Operational Research,2014,14(3):341-359.
[5] 張好智,肖昭升.客運需求預測方法之比較分析[J].公路與汽運,2009 (131):47-49.
[6] 白小麗,公路客運站需求預測與交通區(qū)位分析[D].西安:長安大學,2011:25-31.
[7] 紀鴻濛,高速鐵路客運需求分析與客運量預測研究[D].北京:北京交通大學,2014:13-16.
[8] 邱連冬.長春西客站長途客運站交通需求預測及交通組織研究[D].哈爾濱:哈爾濱工業(yè)大學,2016:10-12.
[9] 龐皓.計量經(jīng)濟學[M].北京:科學出版社,2014:64-65.
[10] 馬慧慧,郭慶然,丁翠翠.EViews統(tǒng)計分析與應用[M]. 北京:電子工業(yè)出版社,2016: 87-89.
[11] 童小龍,巴可偉,張騰.高速公路運營交通量預測方法研究[J].交通科技與經(jīng)濟,2017,19(5):52-53.
[12] 趙現(xiàn)偉. 陜西省公路客運需求分析及預測研究[D].西安:長安大學,2010:17-21.
[13]譚明軍. 基于灰色關聯(lián)度與多元線性回歸模型的客運需求預測[J].公路與汽運,2012,152:77-80.
[14] 張希.基于經(jīng)濟擴散模型的粵西城市群客運量分布預測[J]. 交通科技與經(jīng)濟,2017,19(1):21-24.
[15] 馬彪.GM(1,1)模型在春運鐵路客流預測中的應用[J]. 交通科技與經(jīng)濟,2017,19(6):10-11.
[16] 沈瑞英.城市綜合交通樞紐客運需求預測方法與模型研究[D].哈爾濱:哈爾濱工業(yè)大學,2013: 130-131.