0 引言

在經(jīng)濟(jì)全球化的背景下，各國(guó)貿(mào)易往來(lái)日益頻繁，大量的貨物運(yùn)輸帶來(lái)了交通運(yùn)輸業(yè)的蓬勃發(fā)展，然而，伴隨交通活動(dòng)產(chǎn)生的碳排放量也在逐年增加。2021年3月，習(xí)近平總書(shū)記在中央財(cái)經(jīng)委員會(huì)第九次會(huì)議上強(qiáng)調(diào)，實(shí)現(xiàn)碳達(dá)峰、碳中和是一場(chǎng)廣泛而深刻的變革，把碳達(dá)峰、碳中和納入生態(tài)文明建設(shè)的過(guò)程之中，在2030年前實(shí)現(xiàn)碳達(dá)峰、2060年實(shí)現(xiàn)碳中和的目標(biāo)?！半p碳”目標(biāo)引領(lǐng)經(jīng)濟(jì)社會(huì)發(fā)展全面綠色轉(zhuǎn)型，一經(jīng)提出，便迅速成為各領(lǐng)域關(guān)注的焦點(diǎn)?！笆奈濉笔菍?shí)現(xiàn)“雙碳減排”的關(guān)鍵期、窗口期，對(duì)于交通運(yùn)輸行業(yè)而言，公路貨運(yùn)是其中碳排放的重點(diǎn)領(lǐng)域。由于公路貨運(yùn)需求的預(yù)測(cè)影響到交通規(guī)劃以及能源需求等情況，因此，為了提高公路貨運(yùn)的現(xiàn)代化發(fā)展，完成“十四五”規(guī)劃，以“雙碳”為準(zhǔn)則，準(zhǔn)確地推測(cè)未來(lái)公路的貨運(yùn)量顯得尤為必要。

新冠疫情對(duì)社會(huì)經(jīng)濟(jì)以及人民生活產(chǎn)生了巨大的影響，突發(fā)疫情使交通運(yùn)輸業(yè)受到了明顯沖擊，公路貨運(yùn)行業(yè)成本激增，服務(wù)供給能力受到限制，需求的銳減導(dǎo)致公路貨運(yùn)量大幅度降低。在后疫情時(shí)代，公路貨運(yùn)量預(yù)測(cè)有助于分析交通運(yùn)輸業(yè)的恢復(fù)情況，預(yù)測(cè)數(shù)值可作為參照對(duì)象發(fā)現(xiàn)檢測(cè)對(duì)象的異常，對(duì)于發(fā)揮統(tǒng)計(jì)預(yù)警功能具有重要意義。

目前關(guān)于貨運(yùn)量預(yù)測(cè)的方法有很多種，如時(shí)間序列預(yù)測(cè)、灰色預(yù)測(cè)、BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)等方法，更有基于上述方法的改進(jìn)或組合預(yù)測(cè)。如胡忠君等[1]提出一種以灰色系統(tǒng)理論為基礎(chǔ)的改進(jìn)GM (1,1)動(dòng)態(tài)預(yù)測(cè)模型，將其運(yùn)用于洪澇災(zāi)害應(yīng)急物資的動(dòng)態(tài)需求預(yù)測(cè)。劉笑佟和任爽[2]通過(guò)建立多元線性回歸模型對(duì)全國(guó)鐵路貨運(yùn)需求進(jìn)行了預(yù)測(cè)。程肇蘭等[3]通過(guò)人工神經(jīng)網(wǎng)絡(luò)模型中的LSTM網(wǎng)絡(luò)對(duì)鐵路貨運(yùn)量進(jìn)行預(yù)測(cè)，并將結(jié)果與ARIMA模型的結(jié)果比較，提高了預(yù)測(cè)可信度?？聵蚝袜嚻糩4]針對(duì)三峽樞紐過(guò)壩貨運(yùn)量的特點(diǎn)，提出了一種基于神經(jīng)網(wǎng)絡(luò)與改進(jìn)灰色模型結(jié)合的組合預(yù)測(cè)方法。蘭婷等[5]通過(guò)運(yùn)用兩種不同維度的預(yù)測(cè)方法預(yù)測(cè)了城市地下物流貨運(yùn)量。廖列法和歐陽(yáng)宗英[6]運(yùn)用改進(jìn)天牛須搜索優(yōu)化神經(jīng)網(wǎng)絡(luò)對(duì)港口貨運(yùn)量進(jìn)行預(yù)測(cè)，提高了港口貨運(yùn)量的預(yù)測(cè)精度。徐菲和任爽[7]基于分解-集成的原則，利用變分模態(tài)分解算法將貨運(yùn)量分解為高頻和低頻模態(tài)，對(duì)北京鐵路局煤炭和木材月度貨運(yùn)量進(jìn)行分析和預(yù)測(cè)。

既有的研究工作給公路貨運(yùn)量的預(yù)測(cè)提供了方法，近年來(lái)，學(xué)者們開(kāi)始關(guān)注公路貨運(yùn)量預(yù)測(cè)的研究。如趙建有等[8]以延安市公路樞紐規(guī)劃為例，構(gòu)建了基于模糊線性回歸模型的公路貨運(yùn)量預(yù)測(cè)方法。張麗莉[9]基于神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法對(duì)黑龍江省公路貨運(yùn)量進(jìn)行了研究。戢曉峰等[10]考慮城市區(qū)位優(yōu)勢(shì)因子和城際交通阻抗函數(shù)對(duì)貨運(yùn)分布量的影響，預(yù)測(cè)了云南省16個(gè)城市的城際公路貨運(yùn)分布量。鐘蒙等[11]通過(guò)運(yùn)用灰色關(guān)聯(lián)度分析確定影響因子，運(yùn)用BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)了江西省公路貨運(yùn)量。裴同松和裴彧[12]采用馬爾科夫鏈-BP神經(jīng)網(wǎng)絡(luò)模型對(duì)河北省某地區(qū)公路貨運(yùn)量進(jìn)行預(yù)測(cè)，降低了平均相對(duì)誤差。田晟等[13]運(yùn)用灰色關(guān)聯(lián)分析法確定了疫情期間我國(guó)公路貨運(yùn)量的主要影響因素，構(gòu)建了GC-rBPNN模型公路貨運(yùn)量預(yù)測(cè)方法。

后疫情時(shí)代，境外疫情嚴(yán)峻，境內(nèi)疫情常態(tài)化。面對(duì)無(wú)法根本杜絕的局部地區(qū)零星病例，我國(guó)在不同時(shí)期采取不同的疫情防控措施，加大了公路貨運(yùn)量預(yù)測(cè)難度。而上述研究沒(méi)有結(jié)合當(dāng)前國(guó)際國(guó)內(nèi)形勢(shì)，也無(wú)考慮“雙碳”目標(biāo)，具有一定的限制性。本文以2011—2020國(guó)內(nèi)公路貨運(yùn)量為數(shù)據(jù)源，結(jié)合數(shù)據(jù)特征，構(gòu)建灰色預(yù)測(cè)改進(jìn)的新信息GM (1,1)模型，代入國(guó)內(nèi)公路貨運(yùn)量2011—2017年的歷史數(shù)據(jù)，對(duì)2018—2020年的公路貨運(yùn)量進(jìn)行預(yù)測(cè)；通過(guò)比較2018—2020年的預(yù)測(cè)值與真實(shí)值，計(jì)算模型對(duì)原數(shù)據(jù)的擬合程度，在擬合程度非常不錯(cuò)的情況下對(duì)國(guó)內(nèi)2021—2025年的公路貨運(yùn)量進(jìn)行預(yù)測(cè)，為我國(guó)后疫情時(shí)代“雙碳”背景下的公路運(yùn)輸業(yè)建設(shè)提供參考。

1 我國(guó)公路貨運(yùn)量現(xiàn)狀

公路貨物運(yùn)輸具有“門(mén)到門(mén)”運(yùn)輸優(yōu)勢(shì)，作為綜合運(yùn)輸體系的重要一環(huán)，承擔(dān)了我國(guó)絕大部分的貨物運(yùn)輸壓力，發(fā)揮著不可或缺的作用。公路貨運(yùn)更是運(yùn)輸中碳排放的重點(diǎn)領(lǐng)域，數(shù)據(jù)顯示公路運(yùn)輸碳排放占交通運(yùn)輸總排放的80%以上[14]。

根據(jù)國(guó)家統(tǒng)計(jì)局?jǐn)?shù)據(jù)可得我國(guó)2011—2020年全國(guó)貨運(yùn)量及主要貨運(yùn)方式貨運(yùn)量趨勢(shì)變化，如圖1所示。由圖1可知自2011—2020年以來(lái)，我國(guó)貨運(yùn)量整體呈上升趨勢(shì)，雖主要貨運(yùn)方式的貨運(yùn)量也整體呈現(xiàn)上升趨勢(shì)，但公路貨物運(yùn)輸量占貨物總運(yùn)輸量皆超過(guò)70%，遠(yuǎn)超鐵路貨運(yùn)量、水運(yùn)貨運(yùn)量和管道貨運(yùn)量等常用運(yùn)輸方式占比量。

圖1 我國(guó)2011—2020年全國(guó)貨運(yùn)量及主要貨運(yùn)方式貨運(yùn)量趨勢(shì)變化

2 公路貨運(yùn)量預(yù)測(cè)模型構(gòu)建

灰色預(yù)測(cè)[15]是以灰色模型（Grey Mode）l為核心體系，通過(guò)在無(wú)規(guī)律的原始數(shù)據(jù)中挖掘其內(nèi)在規(guī)律，從而構(gòu)建出相應(yīng)的灰色生成函數(shù)，使得無(wú)規(guī)律的時(shí)間序列數(shù)據(jù)生成規(guī)律性較強(qiáng)的生成序列。傳統(tǒng)的灰色預(yù)測(cè)只把累加數(shù)據(jù)組x(1)的第一個(gè)分量作為初始條件，沒(méi)有充分利用累加后得到的新信息，導(dǎo)致了預(yù)測(cè)精度的降低，而通過(guò)傳統(tǒng)灰色預(yù)測(cè)改進(jìn)而來(lái)的新信息GM (1,1)能夠充分利用數(shù)據(jù)的各個(gè)信息，有效地增加了預(yù)測(cè)準(zhǔn)確性和可靠性。

2.1 GM (1,1)預(yù)測(cè)模型的構(gòu)建

本文主要選取了國(guó)內(nèi)2011—2020年的公路貨運(yùn)量作為數(shù)據(jù)樣本進(jìn)行預(yù)測(cè)。一方面，公路貨運(yùn)在我國(guó)發(fā)揮著舉重若輕的作用，直接影響著社會(huì)發(fā)展和經(jīng)濟(jì)命脈，另一方面，近幾年在疫情的影響下，公路貨運(yùn)需求極不穩(wěn)定，不存在明顯的規(guī)律特征，給預(yù)測(cè)工作帶來(lái)了非常大的困難。為了在宏觀上掌握公路貨運(yùn)未來(lái)五年的發(fā)展規(guī)律，結(jié)合各種預(yù)測(cè)方法的優(yōu)劣，本文選擇運(yùn)用GM (1,1)預(yù)測(cè)模型研究我國(guó)公路貨運(yùn)需求量。

GM (1,1)預(yù)測(cè)模型的構(gòu)建包括數(shù)據(jù)的檢驗(yàn)與處理、建立模型、檢驗(yàn)預(yù)測(cè)值與預(yù)測(cè)預(yù)報(bào)，共4個(gè)步驟。

第一步：對(duì)數(shù)據(jù)進(jìn)行指數(shù)規(guī)律檢驗(yàn)。為了保證灰色預(yù)測(cè)模型的可行性，需要對(duì)已知序列x(0)進(jìn)行級(jí)比計(jì)算：

第二步：建立模型。按式（1）建立GM (1,1)模型，取初始值(t)|t=1=x(0)(1)，得出對(duì)應(yīng)的解為：

第三步：檢驗(yàn)預(yù)測(cè)值。使用GM (1,1)模型對(duì)未來(lái)數(shù)據(jù)預(yù)測(cè)時(shí)，一般采用兩種檢驗(yàn)方法對(duì)原數(shù)據(jù)的擬合程度進(jìn)行檢驗(yàn)。

（1）殘差檢驗(yàn)

絕對(duì)殘差：

相對(duì)殘差：

平均相對(duì)殘差：

（2）級(jí)比偏差檢驗(yàn)

首先由x(0 )(k-1)和x(0)(k)計(jì)算出原始數(shù)據(jù)的級(jí)比σ(k)：

第四步：預(yù)測(cè)預(yù)報(bào)。由GM (1,1)模型得到相應(yīng)時(shí)間的預(yù)測(cè)值，根據(jù)實(shí)際需要，給出相應(yīng)的結(jié)論。

2.2 新信息GM (1,1)模型的構(gòu)建

已知參考數(shù)據(jù)列x(0)=(x(0)(1),x(0)(2),…,x(0)(n))1次累加生成數(shù)列x(1)：

令z(1)為數(shù)列x(1)的緊鄰值生成數(shù)列，即z(1)=(z(1)(2),z(1)(3),…,z(1)(n))，其中：z(1)(m)=δx(1)(m)+(1-δ )x(1 )(m-1),m=2,3,…,n且δ=0.5。

建立灰微分方程：

方程（9）為GM (1,1)模型的基本形式(k=2,3,…,n)，其中：b表示灰作用量,-a表示發(fā)展系數(shù)。

相應(yīng)的白化微分方程為：

求解白化微分方程（10），得：

在建立傳統(tǒng)灰色預(yù)測(cè)GM (1,1)的基礎(chǔ)上：

（1）用x(0)=(x(0)(1),x(0)(2),…,x(0)(n))建立的GM (1,1)模型稱為全數(shù)據(jù)GM (1,1)；

（3）x(0 )(n+1)為最新信息，將x(0)(n+1)置入x(0)，稱用x(0)=(x(0)(1),x(0)(2),…,x(0)(n),x(0 )(n+1))建立的模型為新信息GM (1,1)。

3 我國(guó)公路貨運(yùn)量預(yù)測(cè)

3.1 我國(guó)公路貨運(yùn)量預(yù)測(cè)過(guò)程

本文數(shù)據(jù)皆來(lái)自國(guó)家統(tǒng)計(jì)局，選取2011—2020年的公路貨運(yùn)量作為基礎(chǔ)數(shù)據(jù)進(jìn)行預(yù)測(cè)。用2011—2020年中國(guó)公路貨運(yùn)量x(0)進(jìn)行依次累加，可得新序列：

圖2 光滑系數(shù)比折線圖

因?yàn)楣饣刃∮?.5的數(shù)據(jù)占比為77.78%，除去前兩個(gè)時(shí)期外，光滑比小于0.5的數(shù)據(jù)占比為100%，所以通過(guò)準(zhǔn)指數(shù)檢驗(yàn)。

構(gòu)造數(shù)據(jù)矩陣B以及向量Y，由：

代入公式（12）可得x(0)的方程為：

使用GM (1,1)模型對(duì)未來(lái)數(shù)據(jù)預(yù)測(cè)時(shí)，一般采用殘差檢驗(yàn)和級(jí)比偏差檢驗(yàn)兩種檢驗(yàn)方法對(duì)原數(shù)據(jù)的擬合程度進(jìn)行檢驗(yàn)，即GM (1,1)預(yù)測(cè)模型構(gòu)建的第三步。通過(guò)計(jì)算得出平均相對(duì)殘差為0.049232，殘差檢驗(yàn)的結(jié)果表明：該模型對(duì)原數(shù)據(jù)的擬合程度非常不錯(cuò)。平均級(jí)比偏差為0.059271，級(jí)比偏差檢驗(yàn)的結(jié)果表明：該模型對(duì)原數(shù)據(jù)的擬合程度非常不錯(cuò)。

由國(guó)家統(tǒng)計(jì)局的數(shù)據(jù)可知，2011年中國(guó)公路貨運(yùn)量為2 820 100萬(wàn)噸，2015年為3 150 019萬(wàn)噸，2020年已達(dá)3 426 413萬(wàn)噸，可見(jiàn)中國(guó)交通運(yùn)輸行業(yè)的發(fā)展速度之快。通過(guò)Matlab對(duì)中國(guó)2011—2020年公路貨運(yùn)量數(shù)據(jù)進(jìn)行分析處理，畫(huà)出中國(guó)近10年的公路貨運(yùn)量折線圖，如圖3所示。

圖3 中國(guó)近10年的公路貨運(yùn)量折線圖

3.2 GM (1,1)與新信息GM (1,1)預(yù)測(cè)模型結(jié)果對(duì)比

本文研究以2011—2020年中國(guó)公路貨運(yùn)量為原始序列。由于數(shù)據(jù)量大于4，分別建立了GM (1,1)，新信息GM(1,1)，新陳代謝GM (1,1)預(yù)測(cè)模型，同時(shí)將數(shù)據(jù)組分為訓(xùn)練組和實(shí)驗(yàn)組：2011—2017年的公路貨運(yùn)總量為訓(xùn)練數(shù)據(jù)，2018—2020年的公路貨運(yùn)總量為實(shí)驗(yàn)數(shù)據(jù)，對(duì)2021—2025年中國(guó)公路貨運(yùn)量進(jìn)行預(yù)測(cè)。通過(guò)數(shù)據(jù)處理對(duì)三種GM(1,1)模型進(jìn)行誤差平方和的計(jì)算，得出傳統(tǒng)GM (1,1)為3.7277e+11，新信息GM (1,1)為3.7219e+11，新陳代謝GM(1,1)為6.0453e+11，對(duì)比得出新信息GM (1,1)的誤差平方和最小，因此選擇新信息GM (1,1)模型完成預(yù)測(cè)工作，得到預(yù)測(cè)結(jié)果，如表1和圖4所示，并進(jìn)行相應(yīng)的殘差檢驗(yàn)和級(jí)比偏差檢驗(yàn)，如圖5所示。

表1 2021—2025年預(yù)測(cè)結(jié)果

圖4 中國(guó)公路貨運(yùn)量與預(yù)測(cè)量折線圖

圖5 殘差檢驗(yàn)和級(jí)比偏差檢驗(yàn)

3.3 結(jié) 論

通過(guò)分析新信息GM (1,1)預(yù)測(cè)所得到的數(shù)據(jù)，可以得出以下結(jié)論：

結(jié)論1本文以國(guó)家公路貨運(yùn)量作為樣本數(shù)據(jù)進(jìn)行模擬訓(xùn)練，訓(xùn)練結(jié)果顯示模型的誤差較小，預(yù)測(cè)精度較好，在驗(yàn)證灰色預(yù)測(cè)模型新信息GM (1,1)模型可靠性的基礎(chǔ)上，預(yù)測(cè)結(jié)果顯示2021—2025年的數(shù)值逐年遞增。

結(jié)論1表明中國(guó)公路貨運(yùn)量在未來(lái)五年間將呈正增長(zhǎng)的趨勢(shì)，這與中國(guó)積極發(fā)展交通運(yùn)輸建設(shè)的現(xiàn)實(shí)情況相符合。面對(duì)人們?cè)谝咔橹叙B(yǎng)成的消費(fèi)習(xí)慣而形成的巨大市場(chǎng)需求，對(duì)交通運(yùn)輸行業(yè)而言將是一個(gè)全新的發(fā)展機(jī)遇。

結(jié)論2預(yù)測(cè)數(shù)據(jù)顯示我國(guó)未來(lái)公路貨運(yùn)量雖然在不斷增加，但未來(lái)的增長(zhǎng)量與疫情前三年相比逐漸放緩。

結(jié)論2表明進(jìn)入后疫情時(shí)代，我國(guó)的經(jīng)濟(jì)雖然在逐漸復(fù)蘇，但受疫情影響，工業(yè)制造企業(yè)延遲復(fù)工復(fù)產(chǎn)、全球產(chǎn)業(yè)鏈供應(yīng)鏈中斷，生產(chǎn)領(lǐng)域物流需求有所放緩。另一方面，由于各項(xiàng)交通基礎(chǔ)設(shè)施的不斷完善和運(yùn)輸結(jié)構(gòu)調(diào)整，鐵路運(yùn)輸、管道運(yùn)輸和水路運(yùn)輸也分擔(dān)著越來(lái)越多的貨運(yùn)壓力，從2019年開(kāi)始，公路貨運(yùn)量占貨物運(yùn)輸量比重下降。因此，未來(lái)五年公路貨運(yùn)的增長(zhǎng)量與2015—2018年相比增速放緩明顯。

隨著我國(guó)交通強(qiáng)國(guó)戰(zhàn)略目標(biāo)的提出，公路貨物運(yùn)輸?shù)淖饔脤?huì)進(jìn)一步加強(qiáng)，相關(guān)指標(biāo)的統(tǒng)計(jì)與預(yù)測(cè)工作也更加重要。本文研究數(shù)據(jù)能夠?yàn)橛嘘P(guān)部門(mén)大力發(fā)展公路基礎(chǔ)設(shè)施建設(shè)、完善交通運(yùn)輸行業(yè)和公路碳排放管理等提供科學(xué)依據(jù)，具有較強(qiáng)的應(yīng)用價(jià)值。

4 結(jié)束語(yǔ)

本文以2011—2020年的中國(guó)公路貨運(yùn)量數(shù)據(jù)為基準(zhǔn)，分別建立GM (1,1)和新信息GM (1,1)兩種灰色預(yù)測(cè)模型，發(fā)現(xiàn)新信息GM (1,1)的誤差平方和最小，故選擇新信息GM (1,1)模型研究2021—2025年公路貨運(yùn)量的預(yù)測(cè)。研究表明：新信息GM(1,1)模型與原數(shù)據(jù)擬合程度較高，因此2021—2025年預(yù)測(cè)數(shù)據(jù)可靠性高。預(yù)測(cè)研究對(duì)后疫情時(shí)代“雙碳”背景下的我國(guó)公路運(yùn)輸業(yè)建設(shè)具有重要意義。例如，為了“碳達(dá)峰”、“碳中和”目標(biāo)的實(shí)現(xiàn)，根據(jù)我國(guó)“十四五”時(shí)期公路貨運(yùn)量呈現(xiàn)增長(zhǎng)趨勢(shì)的預(yù)測(cè)結(jié)果，公路運(yùn)輸在未來(lái)五年里將是碳排放的重點(diǎn)關(guān)注對(duì)象，交通主管部門(mén)應(yīng)做好頂層設(shè)計(jì)和投資決策，制定鼓勵(lì)組合運(yùn)輸方式的政策，調(diào)整運(yùn)輸結(jié)構(gòu)，完善公路基礎(chǔ)設(shè)施建設(shè)，企業(yè)應(yīng)改革創(chuàng)新運(yùn)輸工具，優(yōu)化運(yùn)輸路線，控制公路運(yùn)輸中產(chǎn)生碳排放量。又如，疫情期間多地為疫情防控采取了較為嚴(yán)格的交通管制措施，公路運(yùn)輸面臨市場(chǎng)和成本雙重壓力，受影響程度相對(duì)較大。后疫情時(shí)代，公路運(yùn)輸行業(yè)逐步復(fù)蘇，結(jié)合市場(chǎng)需求，公路貨運(yùn)量預(yù)測(cè)數(shù)據(jù)可為決策者找出受疫情影響的占比，并總結(jié)經(jīng)驗(yàn)，為以后面對(duì)突發(fā)公共危機(jī)快速做出反應(yīng)提供數(shù)據(jù)支持，減少運(yùn)輸企業(yè)運(yùn)作風(fēng)險(xiǎn)。

本文還有一些可以改進(jìn)的方面。例如在預(yù)測(cè)過(guò)程中沒(méi)有將公路里程、公路貨物周轉(zhuǎn)量、國(guó)內(nèi)生產(chǎn)總值、居民消費(fèi)水平等因素進(jìn)行關(guān)聯(lián)分析，分析影響因素不夠全面。因此，未來(lái)將進(jìn)一步在考慮以上問(wèn)題的基礎(chǔ)上研究，力圖彌補(bǔ)現(xiàn)有的不足。