張?zhí)N琦,殷 巍

(大連交通大學(xué) 交通運輸工程學(xué)院，遼寧 大連 116028)

隨著經(jīng)濟(jì)的發(fā)展，城市化進(jìn)程的加快，城市交通擁堵問題日益嚴(yán)峻?？瓦\需求預(yù)測是交通規(guī)劃的基礎(chǔ)，使交通部門及時準(zhǔn)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。客運經(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(wù)質(zhì)量，完善客運服務(wù)結(jié)構(gòu)，實現(xiàn)社會效益和經(jīng)濟(jì)效益最大化。國外對客運需求預(yù)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(yù)測時利用13個社會經(jīng)濟(jì)參數(shù)為變量，結(jié)合時間平滑和泛化神經(jīng)網(wǎng)絡(luò)，完成了交通需求預(yù)測[1]。2012年，Profillidis等運用計量經(jīng)濟(jì)學(xué)建模并進(jìn)行預(yù)測，預(yù)測準(zhǔn)確有效[2]。2013年，Cyprich等從統(tǒng)計學(xué)的角度，計算出顯著性參數(shù)和殘差，建立了時間序列的預(yù)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(yù)測客流量[4]。2009年，張好智等比較分析了10多種客運量預(yù)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(jì)鴻濛建立了京滬線客運量與經(jīng)濟(jì)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(guān)系方程[7]。2016年，邱連冬在分析了客運需求影響因素的基礎(chǔ)上，通過對預(yù)測基礎(chǔ)數(shù)據(jù)的實際調(diào)研，構(gòu)建了交通需求預(yù)測模型[8]。目前客運需求預(yù)測的研究尚處于探索階段，需要進(jìn)一步深入地探討分析。Eviews軟件是采用計量經(jīng)濟(jì)學(xué)方法，對有規(guī)律的數(shù)據(jù)進(jìn)行統(tǒng)計分析、建模分析與預(yù)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(qiáng)，被廣泛應(yīng)用于社會經(jīng)濟(jì)的各種領(lǐng)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(yù)測方法、指數(shù)平滑方法及交通規(guī)劃的相關(guān)理論方法為基礎(chǔ)，對江門市縣際客運需求進(jìn)行了預(yù)測。

1 客運量預(yù)測模型

預(yù)測有兩種方法：定性預(yù)測方法與定量預(yù)測方法[11]。本文在進(jìn)行客運量預(yù)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(yù)測法中的回歸分析預(yù)測法和時間序列預(yù)測法中的指數(shù)平滑法適合中短期交通需求預(yù)測，預(yù)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(yù)測處理，預(yù)測未來客運量的發(fā)展趨勢。

1.1 多元回歸預(yù)測模型

當(dāng)影響預(yù)測變量的因素個數(shù)較多時，需要使用多元回歸預(yù)測模型，預(yù)測時要選用相關(guān)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(yù)測模型進(jìn)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(biāo)，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(guān)程度越高，回歸擬合優(yōu)良，回歸模型預(yù)測效果好；反之，R2越趨近0，回歸擬合得不好。

1.2 指數(shù)平滑法模型

指數(shù)平滑法是一種時間序列分析預(yù)測法，其特點是在歷史數(shù)據(jù)量的基礎(chǔ)上，對離預(yù)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(yuǎn)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(yù)測值能準(zhǔn)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(yù)測結(jié)果的精確度。S(t(是t時的預(yù)測值，S(t+1)是t+1時的預(yù)測值，y(t)是t時的實測值。

2 案例分析

本文以江門市的歷史客運量為基礎(chǔ)數(shù)據(jù)，進(jìn)行未來年的客運量預(yù)測。在進(jìn)行客流量預(yù)測時關(guān)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(biāo)，分別表示就業(yè)情況、出行方式和經(jīng)濟(jì)發(fā)展水平，建立模型，定量計算，預(yù)測出客運量[14]。歷史客運量如圖1所示以及影響因素指標(biāo)數(shù)據(jù)如圖2所示。

圖1 2008—2017歷史客運量

圖2 影響指標(biāo)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(yù)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(yù)測會帶來很大的誤差。

2.1 客運量預(yù)測

通過分析歷史數(shù)據(jù)，首先采用計量經(jīng)濟(jì)學(xué)軟件Eviews進(jìn)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(guān)性的影響權(quán)重，所以構(gòu)建模型用主因素1即可。

用Eviews進(jìn)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(yù)測結(jié)果如圖4所示。藍(lán)線是實際的客運量，紅線是利用公式(5)計算出的預(yù)測值，從折線圖可以看出，客運量與預(yù)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(yù)測效果好。經(jīng)檢驗，建立的模型精度較高，可用來預(yù)測江門市短期客流量[15]。

2.2 包車客運需求預(yù)測

乘坐包車的乘客構(gòu)成較復(fù)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(jìn)行預(yù)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(jìn)行一次指數(shù)平滑和二次指數(shù)平滑，客運量的預(yù)測結(jié)果如表4所示。

圖4 預(yù)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(yù)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(yù)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。

3 結(jié) 論

根據(jù)對客運需求的現(xiàn)狀分析與預(yù)測，可以看出江門市縣際客運業(yè)務(wù)量呈下降的趨勢。影響該市客運量下降負(fù)面因素較多，而且負(fù)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(shè)智能客運體系，推進(jìn)客運體系智能化、信息化，廣泛利用網(wǎng)絡(luò)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(qiáng)執(zhí)法和監(jiān)管力度，進(jìn)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岣呓T市客運供給結(jié)構(gòu)對旅客需求變化的適應(yīng)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(xiàn)：

[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(yù)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(yù)測與交通區(qū)位分析[D].西安：長安大學(xué),2011:25-31.

[7] 紀(jì)鴻濛，高速鐵路客運需求分析與客運量預(yù)測研究[D].北京：北京交通大學(xué),2014:13-16.

[8] 邱連冬.長春西客站長途客運站交通需求預(yù)測及交通組織研究[D].哈爾濱：哈爾濱工業(yè)大學(xué),2016:10-12.

[9] 龐皓.計量經(jīng)濟(jì)學(xué)[M].北京：科學(xué)出版社，2014：64-65.

[10] 馬慧慧，郭慶然，丁翠翠.EViews統(tǒng)計分析與應(yīng)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(yù)測方法研究[J].交通科技與經(jīng)濟(jì),2017,19(5):52-53.

[12] 趙現(xiàn)偉. 陜西省公路客運需求分析及預(yù)測研究[D].西安：長安大學(xué),2010:17-21.

[13]譚明軍. 基于灰色關(guān)聯(lián)度與多元線性回歸模型的客運需求預(yù)測[J].公路與汽運,2012,152:77-80.

[14] 張希.基于經(jīng)濟(jì)擴(kuò)散模型的粵西城市群客運量分布預(yù)測[J]. 交通科技與經(jīng)濟(jì),2017,19(1):21-24.

[15] 馬彪.GM(1,1)模型在春運鐵路客流預(yù)測中的應(yīng)用[J]. 交通科技與經(jīng)濟(jì),2017,19(6):10-11.

[16] 沈瑞英.城市綜合交通樞紐客運需求預(yù)測方法與模型研究[D].哈爾濱：哈爾濱工業(yè)大學(xué)，2013: 130-131.