基于ARIMA模型的武汉市铁路货运周转量预测研究

(湖北大学 商学院 湖北 武汉 430062)

基于ARIMA模型的武汉市铁路货运周转量预测研究

李力胡啸云

(湖北大学商学院湖北武汉430062)

本文基于ARIMA模型对武汉市铁路货运周转量预测进行了研究，模型的回归和拟合效果良好，预测值与实际值的误差较小，最后针对武汉市铁路货运发展提出了相关对策和建议。

货运周转量；ARIMA模型；预测；武汉市

一、引言

近年来，中国现代化物流运输市场需求增长迅速，与此同时货物运输方式之间的竞争也日趋激烈，陆运、空运以及水运等货物运输方式均取得了快速发展。而铁路运输作为一种重要的现代化货物运输方式，在整个国民经济的发展中发挥了巨大作用。衡量铁路货物运输水平的指标通常有铁路货运量和铁路货运周转量，铁路货运量是指一定时间内运送货物的总吨数，但是铁路运输能力的大小不仅取决于运送货物的吨数，还与运送的里程有关，因此铁路货物周转量这个指标能够更加有效的反映铁路运输工作量。及时对铁路货运周转量进行预测，深入、准确的把握发展趋势，对分析铁路货运的供求关系以及制定未来铁路运输发展策略都有着重要的意义。

武汉市是长江经济带的中心城市，天然的区位优势为物流业的发展提供了便利条件。武汉市政府于2016年发布了《武汉市现代物流业发展“十三五”规划》，其中明确提出到2020年末，武汉市要基本建成带动城市圈、引领长江经济带中游地区、联通东西部、对接全国乃至全球市场的现代物流体系，成为国际知名、国内领先、区域龙头的国家物流中心。数据显示，铁路货运周转量长期占武汉市整个现代化运输方式货物周转量的50%以上，虽然近年来由于水路运输以及公路运输的快速发展而略有下降，但仍占有较大比例，因此可以预见，铁路运输在“十三五”期间武汉市的物流业发展中仍将占据重要的地位。在本文中，笔者建立适当的ARIMA模型对武汉市1990年到2015年铁路货运周转量数据进行分析，并用模型对未来两年武汉市铁路货运周转量进行预测，最后提出相关政策建议，以期为铁路部门在制定相关政策时提供参考。

二、对ARIMA模型简介

ARIMA模型(Autoregressive Integrated Moving Average Model)是由博克思(Box)和詹金斯(Jenkins)于70年代初提出的，全称是差分自回归移动平均模型。在了解ARIMA模型之前首先简单介绍一下ARMA模型，ARMA又称为自回归移动平均过程，ARMA模型包括了一个自回归模型AR(p)和一个移动平均模型MA(q)，其中p为自回归模型AR(p)的阶数,q为移动平均模型MA(q)的系数。而ARIMA模型实际上是自回归移动平均模型(ARMA)的扩展：当建模过程针对的是非平稳的时间序列时，需要差分之后才能平稳，此时则需要建立ARIMA(p，d，q)模型，其中d为差分次数。通过建立适当的ARIMA模型，可以有效的对时间序列进行描述，进而对未来值进行预测。

建立ARIMA预测模型：

yt=φ1yt-1+φ2yt-2+...+φpyt-p+ut-θ1ut-1-θ2ut-2-...-θqut-q

(1)

(1)式就是一个自回归移动平均的过程，其中t为序号，Φ1，Φ2，…，Φp为自回归系数，θ1，θ2，…，θq为移动平均系数，都是模型的待估参数。若原始序列需要经过若干次差分之后才能平稳，则原序列可以表示为ARIMA(p,d,q)模型。

ARIMA模型预测的基本流程：

(1)首先判断序列是否平稳。做出时间序列图，从图中可以观察数据的基本趋势，如果数据呈明显的上升或下降趋势，或者显示出季节性，则可以初步判断序列为非平稳的。接下来可以运用计量软件对序列进行平稳性检验，通常采用ADF单位根检验法，进一步确定数据是否为非平稳。

(2)非平稳序列的平稳化处理。当数据序列是非平稳时间序列时，需要先通过相应的变化将其变为平稳序列。如果是存在线性趋势，则需要进行若干次差分使序列平稳；如果是指数趋势，则先取对数再进行差分；如果是季节趋势，则需要建立季节模型。对非平稳序列进行上述差分处理之后，再对序列进行平稳性检验，若仍然非平稳，则考虑增加差分次数，直到序列平稳，此步骤即可确定差分阶数d。

(3)对平稳的时间序列选择适当的模型，并确定p和q。根据序列的偏自相关图判断模型的类型，具体选择方法如下表2-1。然后通过AIC准则、SC准则以及DW统计量综合判断确定p和q。

表2-1 模型选择标准

(4)通过计量软件对模型进行参数估计，观察参数的显著性，检验是否具有统计意义。

(5)对残差序列进行检验，若残差序列为白噪声序列，证明可以用模型来进行预测。

(6)利用模型对未来值进行预测分析，通过误差率判断预测结果的好坏。

三、基于ARIMA模型的武汉市铁路货运周转量预测

(一)数据来源

本文选取1990年至2015年武汉市铁路货运周转量数据，数据均来源于《武汉市统计年鉴》，其中数据单位为亿吨公里，其原始及处理后的数据见表3-1。

表3-1 武汉市铁路货运周转量统计数据

注：数据来源于武汉市统计局

(二)序列的平稳化处理

做出1990—2015年武汉市铁路货运周转量的时间序列图(折线图3-1)，从图中可以看出铁路货运周转量带有明显的趋势，数据变动波动幅度前后不一致。因此可以初步判断该铁路货运周转量数据是非平稳的，需要经过差分处理。

图3-1 1990—2015年武汉市铁路货运周转量时间序列图

运用Eviews6.0软件对原始数据进行ADF(Augument Dickey-Fuller)单位根检验。单位根检验的结果如表3-2所示，即在90%的显著性水平上不能拒绝原假设，也证实了原始序列的非平稳性。由于数据存在明显的异方差(变动幅度不一致)，通过对原始数据取自然对数的方式减小异方差的影响，再对一阶差分后的数据进行ADF单位根检验，检验结果如表3-2所示。检验结果表明新序列在99%的显著性水平上是平稳的，因此，新序列满足ARIMA模型的条件。

表3-2 单位根检验结果

(三)模型定阶与参数估计

绘制武汉市铁路货运周转量自然对数序列的相关图，见图3-2。从图中可以看出，样本的自相关图是拖尾，偏自相关图也是拖尾，因此可以选取ARIMA(p，d，q)模型，其中差分次数d=1。为使p和q的选择更加精确，运用AIC和SC准则对模型进行比较，即选取使两者统计量达到最小的那一组。经多次拟合，取p=4，q=3的效果较为理想，故最终选定ARIMA(4，1，3)模型为预测模型。

图3-2 武汉市铁路货运周转量的ACF和PACF图

用Eviews6.0软件对上述模型进行回归，回归的结果见表3-4。从参数报告结果来看，各参数都是以高概率通过显著性检验。AIC和SC的值较小，并且调整后的=0.8645，说明模型拟合较好。

表3-4 参数估计结果

(四)模型检验及预测

模型检验是指对模型的残差序列是否为白噪声过程的检验，如果残差序列是白噪声过程，证明模型通过检验，可以进行预测，非白噪声过程则不能进行预测。做出残差序列的相关图，见图3-3，结果表明，残差序列的自相关系数以及偏自相关系数基本都在置信区间内，说明ARIMA(4，1，3)模型的残差序列通过了白噪声检验，满足独立性假设。

图3-3 残差序列的自相关和偏相关图

用Eviews6.0软件中的预测功能对上述模型进行预测，得到2013年到2017年的武汉市铁路货运周转量的预测值，结果如表3-5所示。2013年到2015年的货物周转实际量是已知的，因此可以将预测值跟实际值比对，得到近三年预测的误差率。可以看出通过模型得到的近三年预测值与实际值的误差率是很小，说明该模型比较可靠，适合用来进行预测。同时得到2016年和2017年的预测值，分别为958.06和872.59。

表3-5 2013—2017年武汉市铁路货运周转量预测值

四、结论及政策建议

2011年以来武汉市铁路货运周转量下降明显，预计未来两年还会持续下降。造成武汉市近几年铁路货运周转量下降的原因除了宏观经济增速放缓之外，钢铁、煤炭、石油等主要工业品产量的下降也是重要原因之一，还有近年来武汉市其他交通网络(高速公路、空运、水运)的快速发展也分流了部分铁路货运量，除此之外铁路运输自身存在着诸多限制，例如运输结构的僵化和程序执行上的繁杂也是造成铁路货运量下降的重要原因。

根据上述分析以及预测结果，本文对未来武汉市铁路运输的发展提出了以下几点策略建议，旨在为武汉市扩大铁路在货运市场所占份额，实现铁路货运的快速发展提供参考。

(一)大力发展“互联网+”模式下的铁路运输

当前，经济发展呈现出新常态，对于铁路运输业而言，传统的货运模式无法适应经济发展的新要求，铁路运输在交通运输中所占的比重也有所下降。铁路运输必须要做出相应的改变，才能在中国经济新常态下发挥更大作用。而随着互联网的快速发展，铁路要想与时俱进，就必须重视信息化的建设，提升电子化和网络化水平。因此将铁路货物运输业与互联网结合，不仅是顺势而为，同时也是逆境求生。

铁路瞄准“互联网+”，自然能够给铁路货运的发展带来极大的好处：其一，可以为客户提供更便捷的服务。以铁路运输货物为例，过去货主们不仅需要考虑货品具体在哪个车站上货，还要考虑采取什么样的包装以及在什么地方卸货，这样使得程序变得繁琐。而随着“互联网+”思维的运用，使得铁路能够更好的整合资源、提升效率，借助网上服务平台，为货主提供更便捷的服务；其二，实现铁路与快递企业的互利共赢。铁路在融入电子商务市场后，可以尝试与快递企业合作，这样使得铁路能够更加快速、高效的揽货和聚货，构建一个低成本、高效率的物流体系。同时，借助互联网平台，能够对货物的运输全程监控、追踪以及统计管理，做到运输过程全程透明化。

(二)尽力稳定大宗货源，争取零散货源

近年来铁路货运量呈明显的下降趋势，过去铁路主要集中在对钢铁、煤炭、石油等大宗商品的运输。从2014年武汉铁路货运品类分析看，运量占比较大的依次为：钢铁(34.3%)、非金矿(13.7%)、矿建(11.7%)、石油(8.7%)、煤(5.4%)、焦炭(3.55%)、化工品(3.67%)，而随着近几年经济下行的趋势以及受国家政策的影响，大宗商品需求预计将持续下降，这也使得铁路运输受到极大冲击。因此铁路运输货运量要想止住下降的趋势，必须要加强货源组织，及时了解企业的生产状况，尽力稳定大宗货源；同时尽力争取零散货源，找到新的货运量增长点。近年来电子商务市场的迅猛发展带来了散货快运业务的快速增长，根据中国快递协会发布的数据，2015年全国快递业完成业务量206亿件，同比增长48%。因此铁路可以与电商、快递企业建立长期合作关系，借助铁路自身价格低、运量大、时间准的特点，利用电子商务平台大力发展铁路散货快运业务，此举不仅可以使铁路运输有更高的效能，同时也可以让铁路货物运输结构更好的适应经济结构调整，促使铁路货运向现代物流转型升级，取得长远发展。

(三)构建一体化综合交通体系，提升铁路枢纽集散能力

各种运输方式都有其利弊，但不同运输方式之间可以取长补短、互相结合，有效的整合起来，形成利益的共同体。通过打造一体化的综合交通体系，实现物流衔接“无缝化”，可以有效提升铁路枢纽集散能力。2016年国务院颁布的《中长期铁路网规划》也指出，要完善货运枢纽多式联运，要使铁路与其他交通方式高效衔接，形成系统配套、一体便捷的铁路枢纽。

为此，可以围绕铁路站点周边建设，完善配套设施，合理的建造仓库、转运站点，发挥铁路货运快速便捷、质量损失少、长途远程等优势，联合空运、水运等多种运输方式，形成“无缝”对接，尽力实现货物运输点对点、门到门的优质服务。此外，还可以组织交通、铁路、民航等部门定期召开联席会议，部门之间共同探讨并解决物流发展中遇到的问题，此举可以强化部门之间的沟通协调，有利于开展钢铁、煤炭、石油等大宗物资的多式联运，使得物流运输途中的转运问题通过部门间的协调，得到顺利解决。

(四)不断优化服务质量，提高铁路运输效率

为提升铁路运输的竞争力，需要不断优化铁路运输服务质量、提高铁路运输效率。铁路运输要细化服务，完善流程标准，做到以最简单的工作程序，最优质的服务质量，最方便客户的方案以及最安全的运输，来建立客户对铁路货运的信任；在受理铁路货运承运业务的时候，尽力做到在任何地点、任意时间都能签订有效的运输合同，简化货运手续，提升手续的办理速度；要确保24小时内服务电话畅通，能够及时处理货运业务的承接、咨询和投诉等，同时要强化作业中的监督考核，切实提高装卸质量，严格要求执行货运装卸作业标准，决不允许出现野蛮装卸行为，损害托运人的利益；要科学合理的运用站场服务资源，准确掌握货物线、装卸能力等货运资源状况，实现高效管理、科学运用，同时要不断改善货运服务条件，及时更新设备设施，做到环境整洁、服务优质、设施一流。

[1]黄振，张为.基于ARIMA模型的湖南省物流需求预测研究[J].物流技术，2012,31(9):316-318

[2]熊志斌.基于ARIMA与神经网络集成的GDP时间序列预测研究[J].数理统计与管理，2011,30(2):306-311

[3]解树国.基于RBF和ARIMA模型下货运量预测算法与软件实现[D].长沙:湖南大学，2012

[4]何国华.区域物流需求预测及灰色预测模型的应用[J].北京交通大学学报(社会科学版).2008,(1):33-37

[5]李廷瑞.区域物流业发展水平及其对区域经济影响分析与对策[J].物流技术，2012,(7)

[6]许沛沛，何跃.基于自组织数据挖掘的区域物流需求预测[J].统计与决策，2011,(6):58-59

[7]李红培，李鑫，蔡适等.浅议新形势下中国铁路改革与发展[J].科技向导，2013,(17):58-59

[8]王晋.基于现代物流理念的铁路货运组织改革的研究[J].物流工程与管理，2013,8(35):7-8

[9]周新军.中国铁路运输市场未来发展的SWOT分析[J].当代经济管理，2015,(3):18-22

[10]肖增斌，范继斌.提高铁路货运服务质量的探讨[J].铁道货运，2015,04:49-52

[11]吴中凯.深入推进铁路货运组织改革若干问题研究[D].成都:西南交通大学,2014:25-36

李力(1976-)，男，湖北人，湖北大学商学院副教授，武汉理工大学博士，研究方向物流与供应链管理；胡啸云(1992-)，男，湖北人，湖北大学商学院企业管理研究生，研究方向物流与供应链管理。

)