王 瑤

(中國(guó)鐵道科學(xué)研究院集團(tuán)有限公司 運(yùn)輸及經(jīng)濟(jì)研究所，北京 100081)

0 引言

中歐班列是“一帶一路”倡議的重要載體，是貫通國(guó)內(nèi)國(guó)際2 個(gè)市場(chǎng)、促進(jìn)國(guó)內(nèi)國(guó)際雙循環(huán)的有效手段。近些年，中歐班列開(kāi)行數(shù)量大幅增長(zhǎng)，2022年中歐班列開(kāi)行1.6萬(wàn)列、發(fā)送量160萬(wàn)TEU，同比分別增長(zhǎng)9%、10%，回程占比46.4%。中歐班列覆蓋范圍廣泛，已開(kāi)通88 條線路，通達(dá)歐洲20多個(gè)國(guó)家、超過(guò)200 個(gè)城市，形成穩(wěn)定的運(yùn)營(yíng)格局。中歐班列貨物品類(lèi)不斷擴(kuò)大，包括電子產(chǎn)品、機(jī)械設(shè)備、化工產(chǎn)品、木材紙漿、服裝鞋帽、糧食、葡萄酒、咖啡豆、冷鮮食品、醫(yī)藥和醫(yī)療設(shè)備等，涵蓋沿線國(guó)家人民生產(chǎn)生活的多個(gè)方面[1-3]。中歐班列涉及多國(guó)跨境運(yùn)輸，除運(yùn)輸政策影響，還受經(jīng)濟(jì)、市場(chǎng)需求、自身服務(wù)質(zhì)量等多因素綜合驅(qū)動(dòng)，梳理各因素因果關(guān)系，構(gòu)建更具解釋能力的多因素融合預(yù)測(cè)模型，預(yù)判中歐班列開(kāi)行發(fā)展趨勢(shì)及增長(zhǎng)空間，為中歐班列方案編制、運(yùn)營(yíng)管理、市場(chǎng)費(fèi)用優(yōu)化等提供決策支撐[4-6]。

在預(yù)測(cè)方法方面，貨運(yùn)量預(yù)測(cè)多采用基于大量歷史數(shù)據(jù)的趨勢(shì)外推預(yù)測(cè)法，不適用中歐班列貨運(yùn)發(fā)展時(shí)間短、影響因素多、波動(dòng)性強(qiáng)等現(xiàn)狀。貨運(yùn)量預(yù)測(cè)另一種常用方法是影響因素法，通過(guò)定量分析各因素變量對(duì)貨運(yùn)量因變量的影響程度，在微觀層面構(gòu)建變量反饋關(guān)系，從而對(duì)預(yù)測(cè)貨運(yùn)發(fā)展趨勢(shì)具備較好的解釋能力[7-8]。如馮芬玲等[9]融入進(jìn)口額、農(nóng)業(yè)增加值、工業(yè)增加值、GDP等因素，運(yùn)用IPSO-Capsule-NN 模型預(yù)測(cè)中歐班列出口需求量；楊靜瑩等[10]研究基本運(yùn)價(jià)、口岸投資力度等因素，構(gòu)建內(nèi)陸港與沿海港反饋系統(tǒng)動(dòng)力學(xué)模型，預(yù)測(cè)蓉歐快鐵運(yùn)量走勢(shì)；WANG 等[11]研究國(guó)民經(jīng)濟(jì)增長(zhǎng)率、鐵路固定資產(chǎn)投資水平等變量與鐵路快運(yùn)市場(chǎng)供需的關(guān)系，分析鐵路快運(yùn)系統(tǒng)供需情況；劉暢等[12]研究政策條件、綜合運(yùn)輸費(fèi)用及全程送達(dá)時(shí)間等因素，構(gòu)建邏輯斯蒂模型，預(yù)測(cè)中歐班列開(kāi)行數(shù)量。

在預(yù)測(cè)精度方面，既有研究大多通過(guò)數(shù)據(jù)深度挖掘、優(yōu)化人工智能算法，來(lái)提高運(yùn)量預(yù)測(cè)精確性。邵夢(mèng)汝等[13]構(gòu)建灰色神經(jīng)網(wǎng)絡(luò)組合模型，提高鐵路貨運(yùn)量預(yù)測(cè)的模擬性能和預(yù)測(cè)精確度；雷定猷等[14]提出基于非線性主成分分析和遺傳算法優(yōu)化的徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的交通量預(yù)測(cè)方法，有效提高交通量的預(yù)測(cè)精度。神經(jīng)網(wǎng)絡(luò)模型在學(xué)習(xí)能力上具有顯著的優(yōu)勢(shì)，能準(zhǔn)確尋找影響因素與實(shí)際輸出之間的關(guān)系，較好地學(xué)習(xí)模擬實(shí)際數(shù)據(jù)走勢(shì)，根據(jù)數(shù)據(jù)波動(dòng)及時(shí)調(diào)整，但往往在搜索全局最優(yōu)值時(shí)存在過(guò)擬合問(wèn)題。

中歐班列開(kāi)行受貿(mào)易環(huán)境、運(yùn)輸政策、通道服務(wù)等多種要素影響，BP 神經(jīng)網(wǎng)絡(luò)模型具有較高的訓(xùn)練速度和非線性映射能力，可構(gòu)建中歐班列開(kāi)行數(shù)量與相關(guān)因素之間映射關(guān)系，實(shí)現(xiàn)多影響因素融合的中歐班列開(kāi)行數(shù)量預(yù)測(cè)，但常規(guī)BP 神經(jīng)網(wǎng)絡(luò)模型求解過(guò)程受初始權(quán)重和閾值影響，存在收斂速度慢、易陷入局部最優(yōu)的問(wèn)題?？紤]GA 遺傳算法是一種并行隨機(jī)搜索最優(yōu)化方法，具有較好的自適應(yīng)和尋優(yōu)能力，結(jié)合GA 遺傳算法在模型收斂和求解特征方面的優(yōu)勢(shì)，將BP 神經(jīng)網(wǎng)絡(luò)中所有權(quán)值和閾值組成種群個(gè)體，通過(guò)計(jì)算個(gè)體適應(yīng)度從全局得到最優(yōu)個(gè)體，對(duì)網(wǎng)絡(luò)初始權(quán)值和閾值賦值，提高BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)精度。

1 中歐班列開(kāi)行數(shù)量影響因素分析

中歐班列服務(wù)對(duì)象是跨國(guó)貿(mào)易，具有路線長(zhǎng)、環(huán)節(jié)多、手續(xù)繁雜等特點(diǎn)。運(yùn)輸過(guò)程受地區(qū)宏觀經(jīng)濟(jì)、地區(qū)國(guó)際貿(mào)易需求、鐵路服務(wù)質(zhì)量等內(nèi)外部多因素影響。

1.1 對(duì)俄羅斯、歐盟地區(qū)進(jìn)出口貿(mào)易額

近年來(lái)，中歐班列沿線各國(guó)與我國(guó)進(jìn)出口貿(mào)易額逐年提高對(duì)班列開(kāi)行數(shù)量起正向影響作用，是預(yù)判中歐班列開(kāi)行數(shù)量的重要宏觀指標(biāo)。近兩年，受?chē)?guó)際局勢(shì)影響，2022年中歐貿(mào)易額為8 473億美元，同比增長(zhǎng)2.4%；2023年1—5月中歐貿(mào)易額為3 317億美元，同比下降3.7%。目前，俄羅斯對(duì)外貿(mào)易向東部區(qū)域轉(zhuǎn)移，2022年中俄貿(mào)易額為1 902.71億美元，同比增長(zhǎng)29.3%；2023年1—6月中俄貿(mào)易額為1 145.47億美元，同比增長(zhǎng)40.6%。

對(duì)俄羅斯、歐盟地區(qū)進(jìn)出口貿(mào)易額不僅影響中歐班列開(kāi)行數(shù)量，還直接影響中歐班列整體結(jié)構(gòu)，目前發(fā)往俄羅斯班列運(yùn)輸市場(chǎng)份額高于發(fā)往歐盟班列份額。為合理評(píng)估參數(shù)值，基于班列去向份額權(quán)重?cái)M合俄羅斯、歐盟地區(qū)的綜合進(jìn)出口貿(mào)易額。

1.2 地區(qū)生產(chǎn)總值

地區(qū)生產(chǎn)總值是衡量國(guó)家和地區(qū)的經(jīng)濟(jì)發(fā)展重要指標(biāo)，反映經(jīng)濟(jì)走行態(tài)勢(shì)和階段性的貨物運(yùn)輸規(guī)模。對(duì)外貿(mào)易總額與地區(qū)生產(chǎn)總值密切相關(guān)，在經(jīng)濟(jì)發(fā)展平穩(wěn)形勢(shì)下，國(guó)民生產(chǎn)總值是影響中歐班列開(kāi)行數(shù)量的重要指標(biāo)。

1.3 運(yùn)輸費(fèi)用

運(yùn)輸費(fèi)用是客戶(hù)選擇運(yùn)輸方式的重要影響因素，中歐班列運(yùn)輸費(fèi)用受政府補(bǔ)貼政策影響較大。近幾年地方政府以不同的標(biāo)準(zhǔn)和方式對(duì)當(dāng)?shù)氐闹袣W班列進(jìn)行補(bǔ)貼，極大地促進(jìn)了中歐班列發(fā)展。隨著中歐班列補(bǔ)貼退坡，班列運(yùn)營(yíng)將逐步實(shí)現(xiàn)市場(chǎng)化，運(yùn)輸費(fèi)用優(yōu)勢(shì)有所減弱，一定程度影響班列開(kāi)行規(guī)模。

1.4 全程運(yùn)輸時(shí)間

全程運(yùn)輸時(shí)間是高附加值貨物品類(lèi)客戶(hù)選擇運(yùn)輸方式的決定因素。尤其汽車(chē)、筆記本電腦及零部件、手機(jī)、小家電等高附加值貨物品類(lèi)客戶(hù)，對(duì)運(yùn)輸時(shí)間、通關(guān)時(shí)間、準(zhǔn)時(shí)送達(dá)等全程運(yùn)輸時(shí)間提出了較高要求。多年發(fā)展證明，運(yùn)輸時(shí)間是中歐班列運(yùn)輸市場(chǎng)競(jìng)爭(zhēng)力的重要體現(xiàn)，能夠滿(mǎn)足高附加值貨物強(qiáng)時(shí)效性運(yùn)輸需求。

2 基于GA-BP神經(jīng)網(wǎng)絡(luò)的中歐班列開(kāi)行數(shù)量預(yù)測(cè)模型

中歐班列開(kāi)行數(shù)量受市場(chǎng)需求、班列服務(wù)質(zhì)量等多因素影響，各因素之間存在模糊動(dòng)態(tài)非線性關(guān)系，傳統(tǒng)的時(shí)間序列方法很難融合多因素的復(fù)雜影響并做出準(zhǔn)確預(yù)判。BP 神經(jīng)網(wǎng)絡(luò)模型具有較高的訓(xùn)練速度和非線性映射能力，構(gòu)建中歐班列開(kāi)行數(shù)量與相關(guān)因素之間映射關(guān)系，實(shí)現(xiàn)多影響因素融合的中歐班列開(kāi)行數(shù)量預(yù)測(cè)，但常規(guī)BP 神經(jīng)網(wǎng)絡(luò)模型求解過(guò)程受初始權(quán)重和閾值影響，存在收斂速度慢、易陷入局部最優(yōu)的問(wèn)題。考慮GA遺傳算法是一種并行隨機(jī)搜索最優(yōu)化方法，具有較好的自適應(yīng)和尋優(yōu)能力，結(jié)合GA 遺傳算法在模型收斂和求解特征方面的優(yōu)勢(shì)，將BP 神經(jīng)網(wǎng)絡(luò)中所有權(quán)值和閾值組成種群個(gè)體，通過(guò)計(jì)算個(gè)體適應(yīng)度從全局得到最優(yōu)個(gè)體，對(duì)網(wǎng)絡(luò)初始權(quán)值和閾值賦值，提高BP 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)精度。因此，提出神經(jīng)網(wǎng)絡(luò)聯(lián)合遺傳算法(GA-BP 神經(jīng)網(wǎng)絡(luò))的預(yù)測(cè)方法，以提高中歐班列開(kāi)行數(shù)量的預(yù)測(cè)精度。

2.1 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

構(gòu)建中歐班列開(kāi)行數(shù)量預(yù)測(cè)模型，首先確定BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，包含輸入層、隱含層、輸出層，每一層有激活函數(shù)和若干節(jié)點(diǎn)相連接，其中各神經(jīng)元具有不同的連接權(quán)值和閾值。選取地區(qū)生產(chǎn)總值、對(duì)俄羅斯、歐盟地區(qū)進(jìn)出口貿(mào)易額、運(yùn)輸費(fèi)用、運(yùn)輸時(shí)間4 項(xiàng)指標(biāo)作為BP 神經(jīng)網(wǎng)絡(luò)輸入層參數(shù)，輸入層神經(jīng)元數(shù)取4；選取中歐班列開(kāi)行數(shù)量預(yù)測(cè)值作為輸出層。隱含層節(jié)點(diǎn)數(shù)對(duì)模型預(yù)測(cè)結(jié)果影響很大，一般先采用經(jīng)驗(yàn)公式計(jì)算節(jié)點(diǎn)數(shù)的可能選擇，然后再通過(guò)試湊法選擇預(yù)測(cè)誤差最小時(shí)的隱含層節(jié)點(diǎn)數(shù)。隱含層神經(jīng)元數(shù)按經(jīng)驗(yàn)取值，這里取8。BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

圖1 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.1 BP neural network structure

2.2 GA遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)算法

基于GA 遺傳算法優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)，通過(guò)GA遺傳算法中選擇、交叉和變異等操作找到最小適應(yīng)度值對(duì)應(yīng)個(gè)體，從全局得到最優(yōu)個(gè)體作為網(wǎng)絡(luò)初始值，BP神經(jīng)網(wǎng)絡(luò)再利用GA算法確保網(wǎng)絡(luò)模型設(shè)計(jì)的初始權(quán)值、閾值指標(biāo)達(dá)到最優(yōu)，然后對(duì)模型進(jìn)行網(wǎng)絡(luò)訓(xùn)練，并更新權(quán)值和閾值，實(shí)現(xiàn)模擬預(yù)測(cè)。

GA 遺傳算法優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)算法流程如圖2所示。具體步驟包括：①原始數(shù)據(jù)預(yù)處理和相關(guān)性計(jì)算。對(duì)原始數(shù)據(jù)進(jìn)行規(guī)范化處理，得到可訓(xùn)練數(shù)據(jù)，運(yùn)用Pearson 法分析影響因素與中歐班列開(kāi)行數(shù)量相關(guān)性，得到可測(cè)試數(shù)據(jù)，確定BP 神經(jīng)網(wǎng)絡(luò)輸入值。②數(shù)據(jù)歸一化和初始化參數(shù)賦值。對(duì)數(shù)據(jù)進(jìn)行歸一化處理，確定神經(jīng)網(wǎng)絡(luò)層數(shù)、各層節(jié)點(diǎn)、訓(xùn)練學(xué)習(xí)相關(guān)參數(shù)，確定GA 遺傳算法種群規(guī)模、迭代次數(shù)、遺傳變異等參數(shù)。③計(jì)算個(gè)體適應(yīng)度。通過(guò)計(jì)算找出種群中的進(jìn)化最優(yōu)染色體并進(jìn)行復(fù)制。④操作遺傳迭代。根據(jù)適應(yīng)度值進(jìn)行選擇、交叉、變異等進(jìn)行運(yùn)算操作，迭代新染色體種群，評(píng)估得到最優(yōu)個(gè)體解。⑤GA 遺傳算法所得最優(yōu)解，對(duì)BP 神經(jīng)網(wǎng)絡(luò)權(quán)值和閾值，經(jīng)網(wǎng)絡(luò)訓(xùn)練，輸入測(cè)試數(shù)據(jù)，預(yù)測(cè)中歐班列開(kāi)行數(shù)量，判斷是否滿(mǎn)足精度，輸出預(yù)測(cè)結(jié)果，否則返回。

圖2 GA遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)算法流程Fig.2 Optimization of BP neural network algorithm by GA genetic algorithm

3 成渝中歐班列開(kāi)行數(shù)量預(yù)測(cè)實(shí)證分析

成渝中歐班列是由重慶和成都共同創(chuàng)立班列品牌，截至2022 年兩地累計(jì)開(kāi)行班列數(shù)2.2 萬(wàn)列，占全國(guó)中歐班列累計(jì)開(kāi)行量約40%。以成渝中歐班列開(kāi)行數(shù)量預(yù)測(cè)作為實(shí)證案例，選取2011—2022 年班列運(yùn)營(yíng)生產(chǎn)數(shù)據(jù)、國(guó)家商務(wù)數(shù)據(jù)中心數(shù)據(jù)、聯(lián)合國(guó)統(tǒng)計(jì)署數(shù)據(jù)等作為BP 神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)樣本，預(yù)測(cè)2023—2025年班列開(kāi)行數(shù)量。

3.1 模型測(cè)算

3.1.1 影響因素相關(guān)性

在將影響因素輸入BP 神經(jīng)網(wǎng)絡(luò)模型前，對(duì)地區(qū)生產(chǎn)總值、對(duì)俄羅斯、歐盟地區(qū)進(jìn)出口貿(mào)易額、全程運(yùn)輸時(shí)間、運(yùn)輸費(fèi)用等進(jìn)行相關(guān)性分析，判斷相關(guān)因素能否與成渝中歐班列開(kāi)行數(shù)量較好擬合，計(jì)算得出Pearson 相關(guān)系數(shù)如表1 所示。結(jié)果表明各項(xiàng)相關(guān)系數(shù)絕對(duì)值均在0.9 以上，該4 項(xiàng)影響因素與成渝中歐班列開(kāi)行數(shù)量存在強(qiáng)相關(guān)，可作為模型輸入值。

表1 影響因素Pearson相關(guān)系數(shù)Tab.1 Pearson correlation coefficients of influencing factors

3.1.2 原始數(shù)據(jù)歸一化

各影響因素之間的數(shù)量級(jí)差異較大，將影響網(wǎng)絡(luò)映射精度和自學(xué)習(xí)的收斂性，需進(jìn)行歸一化處理，使用線性轉(zhuǎn)換法對(duì)各因素原始數(shù)據(jù)處理，輸入向量歸一化處理值如表2所示。

表2 輸入向量歸一化處理值Tab.2 Normalized processing value of input vector

3.1.3 模型參數(shù)設(shè)置

中歐班列開(kāi)行數(shù)量預(yù)測(cè)模型包括BP 神經(jīng)網(wǎng)絡(luò)參數(shù)設(shè)置和GA 遺傳算法參數(shù)設(shè)置?；贐P 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)，選擇4 個(gè)輸入神經(jīng)元、1 個(gè)輸出神經(jīng)元，8 個(gè)隱含層，誤差控制在0.01，學(xué)習(xí)速度設(shè)定為0.1，迭代次數(shù)1 000。遺傳算法選擇預(yù)測(cè)輸出與期望輸出的相對(duì)差作為各個(gè)染色體的適應(yīng)度值，選擇常用的輪盤(pán)賭法在已知每個(gè)個(gè)體適應(yīng)度值的基礎(chǔ)上進(jìn)行選擇，種群規(guī)模為10，進(jìn)化次數(shù)為20次，交叉概率為0.7，變異概率為0.1。

3.1.4 模型預(yù)測(cè)結(jié)果對(duì)比

輸入影響因素?cái)?shù)據(jù)和成渝中歐班列開(kāi)行數(shù)量歷史數(shù)據(jù)，作為輸入樣本，BP 神經(jīng)網(wǎng)絡(luò)和GA-BP 模型輸出班列開(kāi)行數(shù)量擬合預(yù)測(cè)值。開(kāi)行數(shù)量擬合值與實(shí)際值對(duì)比如圖3所示。2種模型預(yù)測(cè)值曲線變化趨勢(shì)與實(shí)測(cè)值的波動(dòng)趨勢(shì)基本一致，僅個(gè)別與測(cè)試樣本數(shù)據(jù)相差較大，例如2020 年受疫情影響，成渝中歐班列承接海運(yùn)、空運(yùn)轉(zhuǎn)移運(yùn)量，開(kāi)行數(shù)量逆勢(shì)增長(zhǎng)，樣本數(shù)據(jù)波動(dòng)異常，預(yù)測(cè)模型擬合值與樣本值誤差較大。2 種預(yù)測(cè)模型整體擬合程度較高，BP 模型和GA-BP 模型擬合預(yù)測(cè)數(shù)據(jù)平均相對(duì)誤差分別為8.69%和3.71%，對(duì)比平均相對(duì)誤差，GABP 模型擬合預(yù)測(cè)值與實(shí)際值吻合度更高、測(cè)算效果更優(yōu)。班列開(kāi)行數(shù)量預(yù)測(cè)模型相對(duì)誤差對(duì)比如圖4所示。

圖3 開(kāi)行數(shù)量擬合值與實(shí)際值對(duì)比Fig.3 Comparison of predicted and actual number of trains

圖4 BP與GA-BP模型預(yù)測(cè)結(jié)果相對(duì)誤差對(duì)比Fig.4 Comparison of relative errors in prediction results between BP and GA-BP models

基于模型預(yù)測(cè)結(jié)果，成渝中歐班列開(kāi)行數(shù)量呈穩(wěn)定增長(zhǎng)趨勢(shì)，2023 年、2024 年、2025 年GA-BP模型預(yù)測(cè)值分別為4 719列、4 996列、5 432列。近幾年，成渝兩地開(kāi)展中歐班列深度合作，當(dāng)?shù)刂圃飚a(chǎn)品及貨源占比超過(guò)80%，回程率、重箱率、本地制造貨源率達(dá)到較高水平，貨源結(jié)構(gòu)、運(yùn)營(yíng)線路、運(yùn)行班列等穩(wěn)定可靠，保障了未來(lái)成渝中歐班列運(yùn)行總體穩(wěn)中向好。

3.2 影響因素敏感性分析

為進(jìn)一步研究各因素變量對(duì)中歐班列開(kāi)行數(shù)量發(fā)展趨勢(shì)的影響，擾動(dòng)影響因素樣本數(shù)據(jù)取值，分析因素變量不同調(diào)整幅度下的班列開(kāi)行數(shù)量預(yù)測(cè)值波動(dòng)情況。重點(diǎn)分析宏觀經(jīng)濟(jì)、運(yùn)輸費(fèi)用、運(yùn)輸時(shí)間等因素敏感性變化，考慮成渝地區(qū)生產(chǎn)總值較為穩(wěn)定，在此不做具體分析。

3.2.1 對(duì)俄羅斯、歐盟地區(qū)進(jìn)出口貿(mào)易額的影響

在其他3 個(gè)影響因素取值不變條件下，擾動(dòng)俄羅斯、歐盟地區(qū)加權(quán)貿(mào)易額取值，分別增減10%，重新擬合測(cè)算，貿(mào)易額對(duì)成渝中歐班列開(kāi)行數(shù)量預(yù)測(cè)的影響如圖5所示。

圖5 貿(mào)易額變動(dòng)對(duì)開(kāi)行數(shù)量預(yù)測(cè)的影響Fig.5 Impact of changes in trade volume on prediction of the number of trains

圖5表明，當(dāng)貿(mào)易額增減幅度為10%時(shí)，班列數(shù)量預(yù)測(cè)值波動(dòng)幅度在4%以?xún)?nèi)，結(jié)果表明貿(mào)易額對(duì)班列開(kāi)行數(shù)量具有一定影響，市場(chǎng)經(jīng)濟(jì)需求是成渝中歐班列數(shù)量增長(zhǎng)的誘因，國(guó)際進(jìn)出口貿(mào)易快速發(fā)展有利于推動(dòng)班列高速增長(zhǎng)。近十年，中歐班列開(kāi)行數(shù)量平均增幅為83%，明顯高于對(duì)俄羅斯、歐盟地區(qū)貿(mào)易額平均增幅的6.5%，表明班列開(kāi)行除受市場(chǎng)需求波動(dòng)影響，還受其他外界因素影響[15]。

3.2.2 運(yùn)輸費(fèi)用的影響

隨著各地補(bǔ)貼退坡，成渝中歐班列向市場(chǎng)化轉(zhuǎn)型，運(yùn)輸費(fèi)用逐步恢復(fù)正常。為分析成渝中歐班列開(kāi)行數(shù)量對(duì)于運(yùn)費(fèi)的敏感性，在其他3 個(gè)影響因素取值不變條件下，將費(fèi)用分別提高10%、20%，重新擬合測(cè)算，得出運(yùn)輸費(fèi)用對(duì)成渝中歐班列開(kāi)行數(shù)量預(yù)測(cè)的影響如圖6所示。

圖6 運(yùn)輸費(fèi)用變動(dòng)對(duì)成渝中歐班列開(kāi)行數(shù)量預(yù)測(cè)值的影響Fig.6 Impact of transportation cost on prediction of the number of trains on Chengdu-Chongqing China Railway Express

圖6 表明，未來(lái)幾年成渝中歐班列對(duì)運(yùn)價(jià)敏感性較高，若運(yùn)輸費(fèi)用增加10%，班列開(kāi)行數(shù)量相較原基本值最大降幅在6%左右；若運(yùn)輸費(fèi)用增加20%，班列開(kāi)行數(shù)量相較原基本值最大降幅在10%左右。在補(bǔ)貼退坡引導(dǎo)下，貨運(yùn)結(jié)構(gòu)不斷優(yōu)化，低附加值貨物占比縮小，適箱貨源主要以服裝鞋帽、汽車(chē)整車(chē)、機(jī)械設(shè)備、家具建材、生活用品等高附加值貨物為主，對(duì)班列運(yùn)輸服務(wù)品質(zhì)要求較高，也可承受運(yùn)價(jià)一定范圍上漲。地方政府應(yīng)結(jié)合實(shí)際情況，適時(shí)調(diào)整補(bǔ)貼額度，發(fā)揮補(bǔ)貼政策的作用。

3.2.3 全程運(yùn)輸時(shí)間的影響

成渝班列高附加值貨物客戶(hù)對(duì)時(shí)效性非常敏感，更期望縮短全程運(yùn)輸時(shí)間，降低長(zhǎng)途運(yùn)輸引起的貨品貶值風(fēng)險(xiǎn)。目前，重慶、成都班列全程平均運(yùn)輸時(shí)間分別為14 d、12.5 d，取算數(shù)平均值13.5 d。擾動(dòng)全程運(yùn)輸時(shí)間取值，將全程運(yùn)輸時(shí)效平均值分別增減1 d，重新擬合測(cè)算，全程運(yùn)輸時(shí)間對(duì)成渝中歐班列開(kāi)行數(shù)量預(yù)測(cè)的影響如圖7所示。

圖7 全程運(yùn)輸時(shí)間變動(dòng)對(duì)成渝中歐班列開(kāi)行數(shù)量預(yù)測(cè)的影響Fig.7 Impact of total transportation time on prediction of the number of trains on Chengdu-Chongqing China Railway Express

圖7 表明，成渝中歐班列對(duì)運(yùn)輸時(shí)間具有較強(qiáng)敏感性，若全程運(yùn)輸時(shí)間縮短1 d，班列開(kāi)行數(shù)量相較原基本值增長(zhǎng)3%~10%，若運(yùn)輸時(shí)限延長(zhǎng)1 d，班列開(kāi)行數(shù)量相較原基本值減少7%以?xún)?nèi)。全程運(yùn)輸時(shí)間主要包括班列在途運(yùn)輸時(shí)間、口岸站停留時(shí)間、運(yùn)輸方式銜接時(shí)間等，其中口岸站停留時(shí)間占比最大，2022年全國(guó)中歐班列開(kāi)行數(shù)量為16 562列，部分口岸站擁堵現(xiàn)象突出，降低了班列運(yùn)輸時(shí)效，影響客戶(hù)體驗(yàn)。為進(jìn)一步縮短中歐班列運(yùn)輸時(shí)限，有待推進(jìn)設(shè)施聯(lián)通暢通、完善通關(guān)流程和機(jī)制、拓展中歐班列運(yùn)輸通道徑路，提升班列市場(chǎng)競(jìng)爭(zhēng)力。

3.2.4 運(yùn)輸費(fèi)用和運(yùn)輸時(shí)間綜合影響

運(yùn)營(yíng)實(shí)踐表明，中歐班列時(shí)效性高于海運(yùn)、經(jīng)濟(jì)性?xún)?yōu)于空運(yùn)，是適運(yùn)高附加值貨物的運(yùn)輸產(chǎn)品，綜合優(yōu)化運(yùn)輸費(fèi)用和時(shí)效更具現(xiàn)實(shí)意義。擾動(dòng)運(yùn)輸費(fèi)用和運(yùn)輸時(shí)間取值，一是以運(yùn)輸費(fèi)用增加10%、運(yùn)輸時(shí)間縮短1 d 為測(cè)算條件，二是以運(yùn)輸費(fèi)用增加20%、運(yùn)輸時(shí)間縮短2 d 為測(cè)算條件，重新擬合測(cè)算，運(yùn)輸費(fèi)用和運(yùn)輸時(shí)間變動(dòng)對(duì)班列開(kāi)行數(shù)量預(yù)測(cè)值的綜合影響如圖8所示。

圖8 運(yùn)輸費(fèi)用和運(yùn)輸時(shí)間變動(dòng)對(duì)班列開(kāi)行數(shù)量預(yù)測(cè)值的綜合影響Fig.8 Impact of transportation cost and time on prediction of the number of trains

由圖8 所示，成渝中歐班列具備運(yùn)輸費(fèi)用和運(yùn)輸時(shí)間綜合優(yōu)勢(shì)，相較原基本值，一定幅度提高運(yùn)價(jià)和縮短運(yùn)輸時(shí)間對(duì)班列開(kāi)行數(shù)量綜合影響幅度均在5%以?xún)?nèi)。結(jié)果表明，班列運(yùn)輸時(shí)效性與運(yùn)輸費(fèi)用兩因素相互作用，隨著補(bǔ)貼逐年退坡，運(yùn)輸費(fèi)用雖有一定幅度增長(zhǎng)，但全面提升運(yùn)輸時(shí)效，仍可保障班列開(kāi)行數(shù)量穩(wěn)定增長(zhǎng)。

4 結(jié)論

融合地區(qū)生產(chǎn)總值、對(duì)俄羅斯、歐盟地區(qū)進(jìn)出口貿(mào)易額、運(yùn)輸費(fèi)用、運(yùn)輸時(shí)間4 項(xiàng)因素，構(gòu)建基于BP神經(jīng)網(wǎng)絡(luò)聯(lián)合GA遺傳算法的中歐班列開(kāi)行數(shù)量預(yù)測(cè)模型，從樣本數(shù)據(jù)擬合結(jié)果來(lái)看，平均相對(duì)誤差為3.71%，擬合預(yù)測(cè)值與實(shí)測(cè)值變化趨勢(shì)一致，表明將4項(xiàng)因素作為變量的預(yù)測(cè)模型合理可行。結(jié)合未來(lái)宏觀經(jīng)濟(jì)、政策扶持、運(yùn)營(yíng)服務(wù)質(zhì)量等變化情況，研究影響因素變化對(duì)班列開(kāi)行數(shù)量的影響，測(cè)算結(jié)果表明：①擾動(dòng)俄羅斯、歐盟地區(qū)貿(mào)易額取值，雖貿(mào)易額調(diào)整幅度較大，但班列開(kāi)行數(shù)量波動(dòng)較小，表明中歐班列開(kāi)行除受運(yùn)輸市場(chǎng)需求直接影響，還受其他因素影響。②擾動(dòng)運(yùn)輸費(fèi)用取值，雖運(yùn)價(jià)一定幅度提升，但班列開(kāi)行數(shù)量降幅較小，表明在補(bǔ)貼退坡引導(dǎo)下，成渝班列以高附加值貨物為主，可承受運(yùn)費(fèi)一定范圍上漲。③擾動(dòng)全程運(yùn)輸時(shí)間取值，隨運(yùn)輸時(shí)間不同取值，班列開(kāi)行數(shù)量波動(dòng)幅度較大，表明班列開(kāi)行對(duì)運(yùn)輸時(shí)間具有較強(qiáng)敏感性，縮短運(yùn)輸時(shí)間是提升中歐班列服務(wù)質(zhì)量的有效途徑。④綜合擾動(dòng)運(yùn)價(jià)和運(yùn)到時(shí)間，運(yùn)價(jià)一定幅度增加、運(yùn)輸時(shí)間縮短，對(duì)班列開(kāi)行數(shù)量影響程度有限，表明提高班列運(yùn)輸時(shí)效是降低補(bǔ)貼依賴(lài)的有效措施。