王亦虹，李雅萱，田平野，羅久剛

(1. 天津理工大學(xué) 管理學(xué)院，天津 300384；2. 中國(guó)鐵建華北投資發(fā)展有限公司，河北 石家莊 050011)

0 引 言

我國(guó)區(qū)域經(jīng)濟(jì)發(fā)展格局和區(qū)域空間結(jié)構(gòu)正發(fā)生深刻變化。城市群作為主要空間載體，是構(gòu)建“雙循環(huán)”新發(fā)展格局的關(guān)鍵節(jié)點(diǎn)和戰(zhàn)略鏈接，成為區(qū)域高質(zhì)量發(fā)展的增長(zhǎng)動(dòng)力源。交通運(yùn)輸能力作為城市群綜合承載能力的組成部分[1]，其穩(wěn)步提升是發(fā)揮中心城市引領(lǐng)帶動(dòng)作用、強(qiáng)化區(qū)域聯(lián)系的重要支撐。因此，準(zhǔn)確預(yù)測(cè)城市群交通運(yùn)輸能力是科學(xué)謀劃交通基礎(chǔ)設(shè)施建設(shè)的參考依據(jù)，更是著力構(gòu)建綜合立體交通網(wǎng)的基礎(chǔ)。深入了解交通運(yùn)輸能力的發(fā)展趨勢(shì)，有助于發(fā)揮交通運(yùn)輸在國(guó)民經(jīng)濟(jì)擴(kuò)大循環(huán)規(guī)模、增強(qiáng)循環(huán)動(dòng)能的重要作用，從而助力建成現(xiàn)代化高質(zhì)量交通強(qiáng)國(guó)。

城市群交通運(yùn)輸網(wǎng)涵蓋面廣，受區(qū)域經(jīng)濟(jì)發(fā)展和交通基礎(chǔ)設(shè)施建設(shè)等多因素影響?，F(xiàn)有研究多側(cè)重預(yù)測(cè)交通運(yùn)輸量這一數(shù)值本身的變化，缺少對(duì)運(yùn)輸量產(chǎn)生影響的各因素綜合考慮。同時(shí)，交通運(yùn)輸預(yù)測(cè)研究多以單一線路[2-3]或單一城市[4]等個(gè)體為研究對(duì)象，缺乏從區(qū)域布局的角度對(duì)城市群交通運(yùn)輸體系進(jìn)行一體化空間形態(tài)的綜合分析。而且傳統(tǒng)的單一模型難以適應(yīng)城市群的時(shí)變性、非線性、強(qiáng)耦合性和不確定性等特征，不能全面準(zhǔn)確地預(yù)測(cè)城市群的綜合交通運(yùn)輸承載能力。

智能建模算法憑借自適應(yīng)能力，能有效捕捉非線性規(guī)律，但一些模型存在收斂速度慢和易陷入局部最優(yōu)等不足。相對(duì)而言，廣義回歸神經(jīng)網(wǎng)絡(luò)(generalized regression neural network, GRNN)具有更強(qiáng)的抗干擾性能和非線性逼近能力，且收斂速度較快[5]。同時(shí)，神經(jīng)網(wǎng)絡(luò)模型依賴精準(zhǔn)的輸入因素來(lái)預(yù)測(cè)輸出數(shù)據(jù)，鑒于部分影響因素?cái)?shù)據(jù)缺失和可得性差，僅依靠神經(jīng)網(wǎng)絡(luò)算法難以對(duì)未來(lái)時(shí)期的城市群交通運(yùn)輸能力進(jìn)行預(yù)測(cè)。因此，構(gòu)建組合預(yù)測(cè)模型以避免單一預(yù)測(cè)模型自身的局限性，在一定條件下更能有效地改善模型整體性能[6]。

文中創(chuàng)新之處在于，在構(gòu)建國(guó)家綜合立體交通網(wǎng)的趨勢(shì)下，以城市群為研究對(duì)象，提出復(fù)合預(yù)測(cè)方法——LASSO-GM(1,1)-GRNN模型，以京津冀城市群為例，預(yù)測(cè)并探析其交通運(yùn)輸能力。該組合模型旨在解決傳統(tǒng)單一模型無(wú)法精準(zhǔn)地預(yù)測(cè)未來(lái)城市群交通運(yùn)輸能力的問(wèn)題，以期為釋放高質(zhì)量發(fā)展的新動(dòng)能、促進(jìn)內(nèi)外經(jīng)濟(jì)雙循環(huán)提供科學(xué)依據(jù)和借鑒。

1 研究方法與模型構(gòu)建

1.1 LASSO變量選擇模型

城市群交通運(yùn)輸能力預(yù)測(cè)作為復(fù)雜的社會(huì)問(wèn)題，各影響因素之間存在多重共線性等特征，若主觀選擇可能會(huì)產(chǎn)生相關(guān)性較小、因素間耦合性強(qiáng)、計(jì)算復(fù)雜度增加等問(wèn)題。套索(least absolute shrinkage and selection operator，LASSO)算法稱為最小絕對(duì)值壓縮選擇算子，是一種能夠?qū)崿F(xiàn)有效變量選擇、消除多重共線性等問(wèn)題的方法。LASSO方法通過(guò)構(gòu)造懲罰函數(shù)，使得估計(jì)后一些指標(biāo)的系數(shù)為零，從而實(shí)現(xiàn)指標(biāo)集合精簡(jiǎn)的目的[7]。

假設(shè)有線性回歸模型Y=Xβ+ε，其中：Y為城市群交通運(yùn)輸能力向量；X為影響因素矩陣；β=(β1,β2,…,βp)為系數(shù)向量；ε為誤差向量。令xij為標(biāo)準(zhǔn)化后的影響因素?cái)?shù)據(jù)，yi為中心化的城市群交通運(yùn)輸能力數(shù)據(jù)。

傳統(tǒng)最小二乘估計(jì)為：

(1)

式中：i=1,2,…,n；j=1,2,…,p。

而LASSO是一種L1正則化加上一個(gè)L1范數(shù)懲罰，即：

(2)

L1范數(shù)懲罰等價(jià)于：

(3)

(4)

式(3)沒(méi)有解析解，可通過(guò)凸二次規(guī)劃求解。如果預(yù)測(cè)的一組變量是高度相關(guān)的，LASSO會(huì)選出其中一個(gè)變量并將其他壓縮為零；當(dāng)系數(shù)為零時(shí)，LASSO算法不會(huì)選擇相應(yīng)的變量[8]。筆者使用篩選后的影響因素構(gòu)建預(yù)測(cè)模型，其預(yù)期擬合效果將優(yōu)于初始原始數(shù)據(jù)。

1.2 GM(1,1)預(yù)測(cè)模型

由于預(yù)測(cè)未來(lái)年份的城市群交通運(yùn)輸能力時(shí)，鑒于尚未公開發(fā)展規(guī)劃，無(wú)法找到神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)，因而選取GM(1,1)模型預(yù)測(cè)單一影響因素。鄧聚龍[9]于1982年提出灰色系統(tǒng)理論，GM(1,1)模型即單變量一階灰色模型，適用于少樣本、貧信息的數(shù)據(jù)。其原理是對(duì)隨機(jī)無(wú)規(guī)律的原始時(shí)間序列采取累加的方法，使生成序列呈現(xiàn)出一定趨勢(shì)規(guī)律，并對(duì)生成序列建立白色化形式的微分方程，通過(guò)求解微分方程得到時(shí)間響應(yīng)序列，實(shí)現(xiàn)對(duì)系統(tǒng)的預(yù)測(cè)。GM(1,1)建模過(guò)程如下：

1)對(duì)原始時(shí)間序列X(0)={X(0)(1),X(0)(2),…,X(0)(n)}進(jìn)行一階累加，生成新的序列：

X(1)={X(1)(1),X(1)(2),…,X(1)(k),…,

X(1)(n)}

(5)

2)構(gòu)造一階微分方程如式(6)：

(6)

式中：a和μ為待解系數(shù)，分別稱為發(fā)展系數(shù)和灰色作用量。利用最小二乘法求解a和μ，即：

(7)

3)求解微分方程，即得到預(yù)測(cè)模型如式(8)：

(8)

表1 精度檢驗(yàn)等級(jí)參照Table 1 Accuracy inspection grade reference table

一般情況下預(yù)測(cè)精度達(dá)到二級(jí)標(biāo)準(zhǔn)，則表明預(yù)測(cè)結(jié)果具有一定的可信度。因此，筆者通過(guò)GM(1,1)模型預(yù)測(cè)所需年份主要影響因素的期望值，并以此作為輸入數(shù)據(jù)代入GRNN預(yù)測(cè)模型，最終得到未來(lái)時(shí)期城市群交通運(yùn)輸能力的結(jié)果。

1.3 GRNN預(yù)測(cè)模型

基于非線性回歸分析的GRNN預(yù)測(cè)模型人為調(diào)節(jié)參數(shù)很少，只有一個(gè)SPREAD值，其網(wǎng)絡(luò)的學(xué)習(xí)全部依賴數(shù)據(jù)樣本，此特點(diǎn)決定GRNN預(yù)測(cè)模型最大可能地避免主觀假定對(duì)預(yù)測(cè)結(jié)果的影響[10]。GRNN模型算法由輸入層、模式層、求和層和輸出層構(gòu)成，它對(duì)處理非線性問(wèn)題具有極強(qiáng)的映射能力和學(xué)習(xí)速度。其算法原理如下：設(shè)x為隨機(jī)變量，函數(shù)值為y，真實(shí)觀測(cè)值為H，聯(lián)合密度函數(shù)為g(x,y)，函數(shù)值y的預(yù)測(cè)值為Z。Z可表示為：

(9)

(10)

式中：σ為光滑因子；n為樣本數(shù)量。

筆者只需要合理地選取交通運(yùn)輸能力的影響因素，確定GRNN模型算法的輸入和輸出數(shù)據(jù)，同時(shí)以相關(guān)歷史數(shù)據(jù)對(duì)系統(tǒng)進(jìn)行樣本訓(xùn)練，便可準(zhǔn)確地逼近非線性函數(shù)，建立與傳統(tǒng)方法相比更為精確合理的預(yù)測(cè)模型。

1.4 LASSO-GM(1,1)-GRNN交通運(yùn)輸能力預(yù)測(cè)模型

根據(jù)具體方法，筆者提出的LASSO-GM(1,1)-GRNN模型運(yùn)行結(jié)構(gòu)如圖1。

圖1 預(yù)測(cè)模型運(yùn)行結(jié)構(gòu)Fig. 1 Operational structure of prediction model

首先，考慮到城市群交通運(yùn)輸能力作為復(fù)雜的社會(huì)問(wèn)題，影響因素間存在多重共線性和不確定性等問(wèn)題，選用LASSO算法篩選出主要影響變量，降低數(shù)據(jù)復(fù)雜度。其次，為彌補(bǔ)未來(lái)年份輸入數(shù)據(jù)缺失，選用GM(1,1)模型預(yù)測(cè)LASSO篩選出的未來(lái)年份影響因素?cái)?shù)據(jù)，并組合歷史影響因素?cái)?shù)據(jù)以得到完整的輸入數(shù)據(jù)，構(gòu)建GRNN神經(jīng)網(wǎng)絡(luò)模型，并不斷調(diào)整光滑因子SPREAD來(lái)確定最佳的值，使仿真結(jié)果達(dá)到最優(yōu)。最后，對(duì)反映交通運(yùn)輸能力的貨運(yùn)量和客運(yùn)量指標(biāo)進(jìn)行預(yù)測(cè)，得到城市群交通運(yùn)輸能力的動(dòng)態(tài)趨勢(shì)。

2 模型應(yīng)用與預(yù)測(cè)分析

2.1 研究區(qū)域與數(shù)據(jù)來(lái)源

京津冀城市群的區(qū)域空間格局以北京為一核，以北京和天津作為雙城輻射周邊，具備縱橫聯(lián)動(dòng)?xùn)|西南北的鐵路、公路運(yùn)輸網(wǎng)絡(luò)和航空樞紐，且東部沿海城市港口航運(yùn)能力發(fā)達(dá)，區(qū)域交通優(yōu)勢(shì)明顯。但其仍面臨北京樞紐壓力沉重、以公路為主導(dǎo)的區(qū)域運(yùn)輸模式難以適應(yīng)城市群發(fā)展需求等問(wèn)題[11]。長(zhǎng)久以來(lái)，諸如此類的不協(xié)調(diào)問(wèn)題在城市群區(qū)域協(xié)同發(fā)展進(jìn)程中日益凸顯，可見(jiàn)準(zhǔn)確預(yù)測(cè)京津冀城市群交通運(yùn)輸能力是值得關(guān)注的問(wèn)題。

交通運(yùn)輸能力即在一定的設(shè)備、交通、人員、環(huán)境條件下，單位時(shí)間內(nèi)能夠生產(chǎn)的運(yùn)輸產(chǎn)品數(shù)量。城市群交通運(yùn)輸能力主要分為貨運(yùn)綜合承載能力和客運(yùn)綜合承載能力，具體表現(xiàn)為貨運(yùn)量、客運(yùn)量?jī)蓚€(gè)指標(biāo)[12]。針對(duì)京津冀城市群特性，借鑒學(xué)者判定交通運(yùn)輸能力影響因素和《中國(guó)交通統(tǒng)計(jì)年鑒》對(duì)交通運(yùn)輸能力的界定，輸入數(shù)據(jù)和輸出數(shù)據(jù)變量設(shè)定如表2。

表2 變量設(shè)定Table 2 Variable setting

考慮時(shí)代背景、數(shù)據(jù)的完整性和可得性，筆者以北京、天津兩個(gè)直轄市和石家莊、唐山、秦皇島、邯鄲、邢臺(tái)、保定、張家口、承德、滄州、廊坊和衡水共11個(gè)地級(jí)市為研究對(duì)象。統(tǒng)計(jì)數(shù)據(jù)來(lái)源于2000—2020年的《中國(guó)統(tǒng)計(jì)年鑒》、《北京市統(tǒng)計(jì)年鑒》、《天津市統(tǒng)計(jì)年鑒》、《河北省經(jīng)濟(jì)年鑒》、《中國(guó)交通統(tǒng)計(jì)年鑒》、各地級(jí)市相應(yīng)年份的《國(guó)民經(jīng)濟(jì)和社會(huì)發(fā)展統(tǒng)計(jì)公報(bào)》及中華人民共和國(guó)交通運(yùn)輸部和中國(guó)民用航空局官方數(shù)據(jù)等。

2.2 LASSO變量選擇結(jié)果分析

為了消除各影響因素量綱的影響，且較容易得到平穩(wěn)序列，筆者首先把各時(shí)序數(shù)據(jù)標(biāo)準(zhǔn)化，各影響因素仍用表2中標(biāo)記的記號(hào)。

結(jié)果顯示，弱影響或無(wú)關(guān)影響的變量為第三產(chǎn)業(yè)增加值(x2)、高速等級(jí)公路里程(x7)、復(fù)線里程比重(x8)、鐵路貨車數(shù)量(x10)、公路營(yíng)運(yùn)汽車擁有量(x11)、鐵路運(yùn)輸業(yè)就業(yè)人員數(shù)(x14)和公路運(yùn)輸業(yè)就業(yè)人員數(shù)(x15)等7個(gè)變量。之所以運(yùn)用LASSO剔除了上述7個(gè)變量，是因?yàn)榈谌a(chǎn)業(yè)增加值(x2)與區(qū)域生產(chǎn)總值(x1)存在明顯的多重共線性，高速等級(jí)公路里程(x7)和復(fù)線里程比重(x8)與公路里程(x6)相關(guān)性太強(qiáng)。據(jù)國(guó)家統(tǒng)計(jì)局指標(biāo)定義，交通運(yùn)輸業(yè)就業(yè)人員數(shù)(x13)包括鐵路運(yùn)輸業(yè)就業(yè)人員數(shù)(x14)和公路運(yùn)輸業(yè)就業(yè)人員數(shù)(x15)，兩者間存在多重共線性關(guān)系。通過(guò)整理，得到京津冀城市群交通運(yùn)輸能力的影響因素回歸系數(shù)如表3。

表3 LASSO回歸系數(shù)Table 3 LASSO regression coefficients

最終，LASSO方法選擇區(qū)域生產(chǎn)總值(x1)、貨物周轉(zhuǎn)量(x3)、旅客周轉(zhuǎn)量(x4)、鐵路營(yíng)業(yè)里程(x5)、公路里程(x6)、民用載貨汽車數(shù)量(x9)、公路營(yíng)運(yùn)載貨汽車噸位數(shù)(x12)、交通運(yùn)輸業(yè)就業(yè)人員數(shù)(x13)、港口貨運(yùn)吞吐量(x16)和機(jī)場(chǎng)群旅客吞吐量(x17)等10個(gè)變量。表3中此10個(gè)變量的系數(shù)均為正數(shù)，表明10個(gè)影響因素對(duì)京津冀城市群交通運(yùn)輸能力的影響是正向的。旅客周轉(zhuǎn)量(x4)的系數(shù)最大(0.69)，表明旅客周轉(zhuǎn)量對(duì)城市群交通運(yùn)輸能力的影響最為顯著，其次是貨物周轉(zhuǎn)量，系數(shù)為0.65，說(shuō)明影響京津冀城市群交通運(yùn)輸能力的關(guān)鍵因素為旅客周轉(zhuǎn)量和貨物周轉(zhuǎn)量。這一結(jié)論與國(guó)內(nèi)外學(xué)者現(xiàn)有的研究結(jié)果基本一致，說(shuō)明LASSO選擇的結(jié)果與京津冀城市群的實(shí)際情況是相符的。

2.3 城市群預(yù)測(cè)結(jié)果

2.3.1 LASSO-GM(1,1)模型預(yù)測(cè)結(jié)果

依據(jù)GM(1,1)模型，收集2000—2019年的LASSO篩選出的10個(gè)影響因素的歷史數(shù)據(jù)。GM(1,1)模型對(duì)10個(gè)影響因素預(yù)測(cè)結(jié)果顯示，2020—2025年的地區(qū)生產(chǎn)總值(x1)、鐵路營(yíng)業(yè)里程(x5)、公路里程(x6)、民用載貨汽車數(shù)量(x9)、公路營(yíng)運(yùn)載貨汽車噸位數(shù)(x12)、機(jī)場(chǎng)群旅客吞吐量(x17)均達(dá)到C<0.35，P>0.95條件，即預(yù)測(cè)精度等級(jí)為一級(jí)標(biāo)準(zhǔn)。其余4個(gè)影響因素預(yù)測(cè)等級(jí)為二級(jí)標(biāo)準(zhǔn)。

因此，GM(1,1)模型預(yù)測(cè)京津冀城市群交通運(yùn)輸能力的影響因素精度較好，MATLAB輸出的2020—2025年影響因素預(yù)測(cè)值如表4。

表4 GM(1,1)模型預(yù)測(cè)結(jié)果Table 4 GM(1,1) model prediction results

由于貨物周轉(zhuǎn)量、旅客周轉(zhuǎn)量與機(jī)場(chǎng)群旅客吞吐量的2019年數(shù)據(jù)可獲得，將2019年的真實(shí)值與GM(1,1)模型預(yù)測(cè)的2019年預(yù)測(cè)值進(jìn)行誤差分析，以此驗(yàn)證GM(1,1)模型預(yù)測(cè)效果。相對(duì)誤差如式(11)：

(11)

將表4中x3、x4、x17代入式(11)，則貨物周轉(zhuǎn)量、旅客周轉(zhuǎn)量與機(jī)場(chǎng)群旅客吞吐量相對(duì)誤差分別為5.17%、3.24%、4.23%，誤差在合理范圍內(nèi)，由此說(shuō)明GM(1,1)模型在預(yù)測(cè)單一影響因素效果較好，隨后將預(yù)測(cè)結(jié)果輸入GRNN神經(jīng)網(wǎng)絡(luò)模型中進(jìn)行訓(xùn)練學(xué)習(xí)。

2.3.2 組合模型預(yù)測(cè)結(jié)果分析

利用GM(1,1)模型預(yù)測(cè)輸出的10個(gè)影響因素?cái)?shù)據(jù)作為GRNN模型的輸入數(shù)據(jù)，記為P，以貨運(yùn)量(y1)、客運(yùn)量(y2)這兩項(xiàng)指標(biāo)的數(shù)據(jù)作為輸出變量，記為T。其中將2000—2015年的數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本，將2016—2018年的數(shù)據(jù)作為測(cè)試樣本，基于MATLAB軟件訓(xùn)練GRNN神經(jīng)網(wǎng)絡(luò)，最后得到的最佳SPREAD值為0.8。組合模型預(yù)測(cè)結(jié)果顯示，2016—2018年的預(yù)測(cè)值和真實(shí)值之間相差很小，幾乎重合，表明該組合預(yù)測(cè)模型的樣本外預(yù)測(cè)效果較好。

對(duì)“十四五”期間代表京津冀城市群交通運(yùn)輸能力的貨運(yùn)量、客運(yùn)量進(jìn)行預(yù)測(cè)。圖2實(shí)線部分為京津冀城市群2000—2018年貨運(yùn)量、客運(yùn)量真實(shí)值，虛線部分為2016—2025年貨運(yùn)量、客運(yùn)量預(yù)測(cè)值，小綠色矩形陰影部分為2016—2018年預(yù)測(cè)值與真實(shí)值對(duì)比，以驗(yàn)證模型精度，大矩形陰影部分為2018—2025年貨運(yùn)量、客運(yùn)量預(yù)測(cè)值。

圖2 京津冀城市群貨運(yùn)量、客運(yùn)量預(yù)測(cè)值與真實(shí)值的比較Fig. 2 The comparison between the predicted value and the realvalue of the freight volume and passenger volume ofBeijing-Tianjin-Hebei urban agglomeration

2018年測(cè)試結(jié)果和誤差比較以及未來(lái)年期京津冀城市群貨運(yùn)量和客運(yùn)量的預(yù)測(cè)值如表5。

表5 京津冀城市群整體預(yù)測(cè)結(jié)果Table 5 Overall prediction results of Beijing-Tianjin-Hebei urban agglomeration

據(jù)組合模型預(yù)測(cè)出的發(fā)展趨勢(shì)數(shù)據(jù)(表5)可知，京津冀城市群整體貨運(yùn)量在2020—2025年迅猛增長(zhǎng)，年均增長(zhǎng)率為5.96%，表明區(qū)域貨運(yùn)集散水平將大幅提升，京津冀城市群貨物周轉(zhuǎn)能力有望實(shí)現(xiàn)跨越式發(fā)展?！笆奈濉逼陂g京津冀城市群整體客運(yùn)量依然保持較高水平并穩(wěn)步增長(zhǎng)，2020—2025年客運(yùn)量年均增長(zhǎng)率為1.98%，表明城市群的集聚效應(yīng)日益凸顯，區(qū)域間活躍程度逐漸擴(kuò)大。鑒于LASSO變量選擇出的旅客周轉(zhuǎn)量和貨物周轉(zhuǎn)量等關(guān)鍵因素?cái)?shù)據(jù)近五年呈現(xiàn)遞增的態(tài)勢(shì)，而京津冀城市群交通運(yùn)輸能力受這些因素的影響得到提升，這也驗(yàn)證了指標(biāo)選取的合理性和有效性。

2.3.3 誤差分析

為了更好地說(shuō)明組合模型的預(yù)測(cè)精度，筆者引入了兩種誤差分析指標(biāo)〔均方誤差(MSE)與平均絕對(duì)誤差(MAE)〕用來(lái)比較模型的預(yù)測(cè)效果，MSE與MAE的計(jì)算公式如式(12)～式(13)：

(12)

(13)

將LASSO-GM(1,1)-GRNN預(yù)測(cè)模型與BP神經(jīng)網(wǎng)絡(luò)模型、ARMA模型等經(jīng)典預(yù)測(cè)模型進(jìn)行誤差分析與對(duì)比，結(jié)果如表6。

表6 不同組合模型預(yù)測(cè)結(jié)果Table 6 Forecast results of different combination models

從表6可以看出，BP和ARMA預(yù)測(cè)模型的MSE分別為1.253和1.852，可見(jiàn)ARMA模型預(yù)測(cè)效果最差；LASSO-GM(1,1)-GRNN組合模型預(yù)測(cè)誤差均最小，顯示出組合模型相比其他模型具有更高的預(yù)測(cè)性能。與BP神經(jīng)網(wǎng)絡(luò)和ARMA模型相比，GRNN預(yù)測(cè)模型需要調(diào)整的僅為SPREAD，在模型精度上占優(yōu)勢(shì)，且GRNN模型算法在樣本量較小時(shí)預(yù)測(cè)效果也很好，此均為另兩種模型無(wú)法比擬。因此，京津冀城市群小樣本數(shù)據(jù)集組合模型預(yù)測(cè)效果要優(yōu)于BP、ARMA兩種傳統(tǒng)單一預(yù)測(cè)方法，證明筆者所建立的預(yù)測(cè)模型可滿足城市群交通運(yùn)輸能力精準(zhǔn)預(yù)測(cè)的需求，同時(shí)具有一定的泛化能力。

3 進(jìn)一步分析與討論

3.1 核心區(qū)位城市交通運(yùn)輸能力探析

通過(guò)誤差分析可知組合模型具有較好的預(yù)測(cè)精度，可滿足對(duì)城市群貨運(yùn)量、客運(yùn)量的發(fā)展趨勢(shì)預(yù)測(cè)需求。為充分發(fā)揮城市群內(nèi)部城市的區(qū)位優(yōu)勢(shì)，明晰各城市當(dāng)前交通發(fā)展?fàn)顩r以及未來(lái)發(fā)展?jié)摿?，筆者繼續(xù)采用組合模型預(yù)測(cè)京津冀城市群核心區(qū)位城市的交通運(yùn)輸能力。

考慮數(shù)據(jù)的完整性、可得性和時(shí)代背景，選取京津冀城市群的北京、天津和河北省的石家莊、唐山、秦皇島、保定、張家口、滄州、廊坊等9個(gè)核心區(qū)位城市，得到貨運(yùn)量和客運(yùn)量變化趨勢(shì)。核心區(qū)位城市貨運(yùn)量變化趨勢(shì)如圖3，客運(yùn)量變化趨勢(shì)如圖4，實(shí)線部分為各城市2000—2018年真實(shí)值，虛線部分為各城市2019—2025年預(yù)測(cè)值。

圖3 核心區(qū)位城市的貨運(yùn)量趨勢(shì)Fig. 3 Freight volume trends in core cities

圖4 核心區(qū)位城市的客運(yùn)量趨勢(shì)Fig. 4 Passenger volume trends in core cities

貨運(yùn)量可以從整體上反映運(yùn)輸服務(wù)和國(guó)民經(jīng)濟(jì)水平，是研究交通運(yùn)輸發(fā)展規(guī)模和速度、制定和檢查運(yùn)輸生產(chǎn)計(jì)劃的重要參考數(shù)量[13]。從圖3得出，天津、石家莊和唐山的預(yù)測(cè)貨運(yùn)量體量一直居于京津冀城市群內(nèi)領(lǐng)先地位，其2020—2025年預(yù)測(cè)貨運(yùn)量年均增長(zhǎng)率分別為1.89%、1.52%和3.88%，預(yù)測(cè)這3個(gè)城市將逐漸發(fā)展成為京津冀城市群貨運(yùn)樞紐核心節(jié)點(diǎn)。天津市雖已形成多元化運(yùn)輸格局，但貨運(yùn)量在“十四五”期間增幅收縮，天津港貨運(yùn)需求面臨趨于飽和的問(wèn)題。此外，預(yù)測(cè)北京2025年貨運(yùn)量增長(zhǎng)至21 987萬(wàn)噸，“十四五”時(shí)期貨運(yùn)量年均增長(zhǎng)2.06%，增幅緩慢，表明貨運(yùn)壓力逐步向周邊城市分散疏解，但一段時(shí)期內(nèi)依然無(wú)法顯著改善。從圖3看出，秦皇島貨運(yùn)量在城市群內(nèi)排名居中。由于海港間功能定位有較大程度的重疊，同質(zhì)化競(jìng)爭(zhēng)現(xiàn)象嚴(yán)重，海港功能定位已成為制約港口群整體承載能力提高的瓶頸，導(dǎo)致集群效應(yīng)難以發(fā)揮[14]。

客運(yùn)量代表城市間活躍程度和與其他城市交流頻次。從圖4可看出，北京客運(yùn)量體量一直居于京津冀城市群首位，預(yù)測(cè)北京“十四五”期間客運(yùn)量年均增長(zhǎng)率為2.34%，一直保持平穩(wěn)增長(zhǎng)態(tài)勢(shì)；預(yù)測(cè)北京2025年客運(yùn)量將達(dá)到63 178萬(wàn)人，總量遠(yuǎn)超京津冀城市群乃至國(guó)內(nèi)其他城市。此趨勢(shì)表明，以北京為單中心、放射狀的交通網(wǎng)絡(luò)布局仍需優(yōu)化，不能適應(yīng)首都功能疏解和京津冀協(xié)同發(fā)展的需要。此外，天津作為京津冀城市群空間格局中的“雙城”之一，預(yù)測(cè)其2025年客運(yùn)量將達(dá)到19 420萬(wàn)人，總量與北京市相距甚遠(yuǎn)，其疏解北京客運(yùn)交通壓力作用不顯著。建立無(wú)縫化銜接的交通運(yùn)輸網(wǎng)絡(luò)是“十四五”交通規(guī)劃布局的關(guān)鍵一環(huán)。

3.2 討 論

預(yù)測(cè)結(jié)果表明，北京逐漸成為區(qū)域客運(yùn)中心，但其輻射周邊城市能力仍顯不足；天津逐步推動(dòng)京津冀城市群以海上通道聯(lián)通全國(guó)；河北省一些城市交通發(fā)展?jié)摿εc其城市定位不相匹配。由此，印證了組合預(yù)測(cè)模型有助于合理評(píng)估城市群發(fā)展現(xiàn)狀，進(jìn)而推進(jìn)各種運(yùn)輸方式一體化融合發(fā)展，提高網(wǎng)絡(luò)效應(yīng)和運(yùn)營(yíng)效率。實(shí)現(xiàn)錯(cuò)位互補(bǔ)的高質(zhì)量協(xié)同發(fā)展仍是未來(lái)發(fā)展規(guī)劃中的重要方向。筆者結(jié)合預(yù)測(cè)模型的結(jié)果作出以下討論：

1)建設(shè)網(wǎng)絡(luò)化運(yùn)輸線路，緩解大型中心城市的交通樞紐壓力。京津冀城市群具備以北京為中心的發(fā)達(dá)鐵路運(yùn)輸網(wǎng)絡(luò)和公路基礎(chǔ)設(shè)施，放射狀的陸域運(yùn)輸網(wǎng)絡(luò)在分布密度和通達(dá)程度上來(lái)說(shuō)在全國(guó)具有領(lǐng)先地位，但長(zhǎng)久以來(lái)，以首都為中心的非均衡交通運(yùn)輸體系使北京的交通樞紐壓力異常沉重。由此，京津冀城市群在未來(lái)發(fā)展進(jìn)程中，疏解大型中心城市的交通壓力、完善市域線路和城際軌道交通建設(shè)是形成多節(jié)點(diǎn)網(wǎng)格狀運(yùn)輸格局的關(guān)鍵。

2)完善環(huán)渤海港口運(yùn)輸基礎(chǔ)設(shè)施建設(shè)，持續(xù)發(fā)揮擴(kuò)大區(qū)位優(yōu)勢(shì)。隨著新型城鎮(zhèn)化和工業(yè)化進(jìn)程的加快，京津冀城市群以公路運(yùn)輸為主導(dǎo)的傳統(tǒng)運(yùn)輸體系正向多元化發(fā)展。持續(xù)推動(dòng)以港口綜合聯(lián)動(dòng)聯(lián)運(yùn)的運(yùn)輸模式，加強(qiáng)內(nèi)陸城市與沿海地區(qū)的聯(lián)系，加強(qiáng)交通基礎(chǔ)設(shè)施建設(shè)，將京津冀城市群建設(shè)成為輻射北方地區(qū)重要的能源樞紐以及對(duì)外貿(mào)易窗口。

3)深化航空港聯(lián)動(dòng)發(fā)展，打造區(qū)域立體化交通運(yùn)輸體系。京津冀城市群具備龐大的航空港數(shù)量和由北京、天津等為代表的綜合航空運(yùn)輸節(jié)點(diǎn)，但從真正意義上來(lái)說(shuō)，含4E及以上高等級(jí)的航空港僅僅北京、天津和石家莊三處。這在一定程度上也加劇了北京和天津過(guò)境旅客周轉(zhuǎn)壓力。同時(shí)由于軍地共建共用等諸多因素，京津冀城市群的航空運(yùn)輸情況在“十四五”期間雖有改善但不顯著。因此，合理規(guī)劃和優(yōu)化航空港建設(shè)，增強(qiáng)周轉(zhuǎn)效率，是打造立體化交通運(yùn)輸體系、提高京津冀城市群交通承載能力行之有效的重要措施。

4 結(jié) 論

在城市群為主要空間載體構(gòu)建新發(fā)展格局的背景下，針對(duì)傳統(tǒng)預(yù)測(cè)方法無(wú)法精準(zhǔn)地預(yù)測(cè)未來(lái)城市群綜合交通承載能力的問(wèn)題，筆者提出了LASSO-GM(1,1)-GRNN組合預(yù)測(cè)模型，探析京津冀城市群整體和核心區(qū)位城市的交通運(yùn)輸能力。主要研究結(jié)論如下：

1)城市群交通運(yùn)輸能力作為復(fù)雜的社會(huì)問(wèn)題，其未來(lái)預(yù)測(cè)值受多種因素影響。采用LASSO變量選擇方法得出，影響京津冀城市群交通運(yùn)輸能力的關(guān)鍵因素為旅客周轉(zhuǎn)量和貨物周轉(zhuǎn)量。

2)構(gòu)建LASSO-GM(1,1)-GRNN組合預(yù)測(cè)模型，實(shí)現(xiàn)了多維影響因素準(zhǔn)確預(yù)測(cè)城市群交通運(yùn)輸能力。模型仿真結(jié)果顯示，組合模型預(yù)測(cè)性能良好，誤差較小。該組合模型彌補(bǔ)了受限于預(yù)測(cè)精度以及數(shù)據(jù)來(lái)源的不足，可有效地滿足評(píng)估城市群所需年份綜合交通承載能力的需求。

3)在組合預(yù)測(cè)模型具有一定可信度的基礎(chǔ)上，對(duì)“十四五”期間京津冀城市群整體和其核心區(qū)位城市的交通運(yùn)輸能力進(jìn)行發(fā)展趨勢(shì)預(yù)測(cè)與探析。

綜上，借助歷史數(shù)據(jù)構(gòu)建組合模型，預(yù)測(cè)未來(lái)的發(fā)展變動(dòng)趨勢(shì)是當(dāng)前有效的數(shù)據(jù)建模方法。但對(duì)城市群交通運(yùn)輸能力來(lái)說(shuō)，其影響因素覆蓋面廣且具有一定的不確定性?？紤]到城市群交通運(yùn)輸能力也與輻射的周邊區(qū)域環(huán)境息息相關(guān)，這種域外效應(yīng)是文中建模過(guò)程中所沒(méi)有考慮周到的，這將是筆者下一階段研究工作的重心。