基于EViews软件的县际客运需求分析预测

张蕴琦,殷 巍

(大连交通大学 交通运输工程学院，辽宁 大连 116028)

随着经济的发展，城市化进程的加快，城市交通拥堵问题日益严峻。客运需求预测是交通规划的基础，使交通部门及时准确地了解到现状及发展趋势，制定合理的客运运输规划方案，深化客运市场改革。客运经营企业也可以根据未来客运市场需求，及时调整运输经营战略，提升客运的运行效率，提高客运服务质量，完善客运服务结构，实现社会效益和经济效益最大化。国外对客运需求预测的研究较早，我国的研究近年来也逐渐增多。2010年，Gong W等在预测时利用13个社会经济参数为变量，结合时间平滑和泛化神经网络，完成了交通需求预测[1]。2012年，Profillidis等运用计量经济学建模并进行预测，预测准确有效[2]。2013年，Cyprich等从统计学的角度，计算出显著性参数和残差，建立了时间序列的预测模型[3]。2014年，Saharidis建立了混合整数线性模型，并采用了启发式算法预测客流量[4]。2009年，张好智等比较分析了10多种客运量预测方法，并提出各种方法的适用范围、优缺点[5]。2011年，白小丽得出在指数平滑方法中权系数的取值方法[6]。2015年，纪鸿濛建立了京沪线客运量与经济发展水平、人口规模、运输阻抗以及站点区域特征的数量关系方程[7]。2016年，邱连冬在分析了客运需求影响因素的基础上，通过对预测基础数据的实际调研，构建了交通需求预测模型[8]。目前客运需求预测的研究尚处于探索阶段，需要进一步深入地探讨分析。Eviews软件是采用计量经济学方法，对有规律的数据进行统计分析、建模分析与预测的一款专业性软件[9]。Eviews软件对于时间序列的数据分析能力很强，被广泛应用于社会经济的各种领域[10]。本文根据江门市县际客运调研的数据，通过Eviews6.0软件，主要以多元回归分析预测方法、指数平滑方法及交通规划的相关理论方法为基础，对江门市县际客运需求进行了预测。

1 客运量预测模型

预测有两种方法：定性预测方法与定量预测方法[11]。本文在进行客运量预测时，将定性分析与定量计算相结合，主要采用定量分析的方法。由于因果分析预测法中的回归分析预测法和时间序列预测法中的指数平滑法适合中短期交通需求预测，预测精度较高，因此，本文主要运用了这两种方法来建立模型，结合Eviews6.0软件，从已经发生的客运中找出变化规律，对数据计量统计、预测处理，预测未来客运量的发展趋势。

1.1 多元回归预测模型

当影响预测变量的因素个数较多时，需要使用多元回归预测模型，预测时要选用相关性较高的变量作为回归因子[12]。计算公式为

Y=b0+b1X1+b2X2+…+bnXn.

(1)

式中:b0、b1、b2…bn为回归系数；X1、X2…Xn为自变量，是影响客运需求的主要因素；Y为因变量。再对预测模型进行可决系数R2检验(0≤R2≤1)，这是检验多元回归模型拟合优度的度量指标，反映回归方程对样本观测值的拟合程度，计算公式为

(2)

R2越接近1，说明相关程度越高，回归拟合优良，回归模型预测效果好；反之，R2越趋近0，回归拟合得不好。

1.2 指数平滑法模型

指数平滑法是一种时间序列分析预测法，其特点是在历史数据量的基础上，对离预测值较近的历史数据给予较高的权重，根据指数规律，权数由近及远地递减，通过本期实际观察值与前一期指数平滑值的加权平均，使预测值能准确反映变量的发展趋势[13]。计算公式为

S(t+1)=αy(t)+(1-α(S(t(.

(3)

式中:α是平滑系数(0≤α≤1)，平滑系数的数值会影响预测结果的精确度。S(t(是t时的预测值，S(t+1)是t+1时的预测值，y(t)是t时的实测值。

2 案例分析

本文以江门市的历史客运量为基础数据，进行未来年的客运量预测。在进行客流量预测时关键是要明确影响客运需求的重要因素，因此从中选出江门市的从业人员数、小型汽车数、平均工资这三项为影响因素指标，分别表示就业情况、出行方式和经济发展水平，建立模型，定量计算，预测出客运量[14]。历史客运量如图1所示以及影响因素指标数据如图2所示。

图1 2008—2017历史客运量

图2 影响指标历史数据

通过上述数据分析发现，客运量没有良好的稳定性，不能通过时间序列来预测2018年和2019年的客运量。图3是市区2009—2016年客运量和平均工资的变化情况，可见客运量通过数据自回归的方式预测会带来很大的误差。

2.1 客运量预测

通过分析历史数据，首先采用计量经济学软件Eviews进行主成分分析，分析结果如表1，表2所示。

图3 2009—2016年客运量和平均工资的变化情况

变量主因素1主因素2主因素3从业人员0.578514-0.154699-0.800869小汽车0.577176-0.6161430.535944平均工资0.5763590.7722930.267159

表2 Eviews主成分计算结果

由于特征值1占99.4%，特征值比重大小就表示相关性的影响权重，所以构建模型用主因素1即可。

用Eviews进行回归，模型的回归结果如表3所示。

表3 模型的回归结果

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为区客运量；X1为从业人员的数量；Z为主成分变量。该模型的主成分变量还原后的形式如公式(5)

Y= 2.260 643 675 92·X1-

3.421 220 721·X2-3.413 308 046·X3.

(5)

最终预测结果如图4所示。蓝线是实际的客运量，红线是利用公式(5)计算出的预测值，从折线图可以看出，客运量与预测值的误差较小。表3中，R2=0.891 938，接近1，说明回归拟合优良，回归模型预测效果好。经检验，建立的模型精度较高，可用来预测江门市短期客流量[15]。

2.2 包车客运需求预测

乘坐包车的乘客构成较复杂，且流动人口较多，很难统计，所以接下来要用指数平滑方法对包车未来的客运需求进行预测[16]。江门市管辖鹤山、台山、开平、恩平四个县级市，已知江门市各地区包车年度发送人数，取α=0.7，利用指数平滑计算公式，进行一次指数平滑和二次指数平滑，客运量的预测结果如表4所示。

图4 预测结果

年度江门总站鹤山总站开平总站台山总站恩平总站2018339949.9223871.3134274.482212.6813156.332019335781.7213041.7130367.981046.6113008.24

包车年度发送人数如图5所示。

图5 包车年度发送人数

综上所述，预测结果显示江门市县际客运需求在2017年和2018年下降的可能性较大，但下降幅度不会太大。预测结果对合理制定江门市的交通规划方案有一定借鉴意义。

3 结 论

根据对客运需求的现状分析与预测，可以看出江门市县际客运业务量呈下降的趋势。影响该市客运量下降负面因素较多，而且负面因素影响程度比较大。因此，在未来要加快客运供给侧改革，在政府扶持下实现县际客运与轨道交通、市内公交枢纽的无缝接驳；要建设智能客运体系，推进客运体系智能化、信息化，广泛利用网络资源和大数据平台，探索“互联网+”模式；要健全现行的交通运输管理法规，加强执法和监管力度，进而规范客运行业环境；还可以考虑构建旅游客运新体系。总之，要提高江门市客运供给结构对旅客需求变化的适应性和灵活性，深化江门市客运业供给侧改革，加快客运行业转型升级。

参考文献：

[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] 张好智，肖昭升.客运需求预测方法之比较分析[J].公路与汽运,2009 (131):47-49.

[6] 白小丽，公路客运站需求预测与交通区位分析[D].西安：长安大学,2011:25-31.

[7] 纪鸿濛，高速铁路客运需求分析与客运量预测研究[D].北京：北京交通大学,2014:13-16.

[8] 邱连冬.长春西客站长途客运站交通需求预测及交通组织研究[D].哈尔滨：哈尔滨工业大学,2016:10-12.

[9] 庞皓.计量经济学[M].北京：科学出版社，2014：64-65.

[10] 马慧慧，郭庆然，丁翠翠.EViews统计分析与应用[M]. 北京：电子工业出版社,2016: 87-89.

[11] 童小龙，巴可伟，张腾.高速公路运营交通量预测方法研究[J].交通科技与经济,2017,19(5):52-53.

[12] 赵现伟. 陕西省公路客运需求分析及预测研究[D].西安：长安大学,2010:17-21.

[13]谭明军. 基于灰色关联度与多元线性回归模型的客运需求预测[J].公路与汽运,2012,152:77-80.

[14] 张希.基于经济扩散模型的粤西城市群客运量分布预测[J]. 交通科技与经济,2017,19(1):21-24.

[15] 马彪.GM(1,1)模型在春运铁路客流预测中的应用[J]. 交通科技与经济,2017,19(6):10-11.

[16] 沈瑞英.城市综合交通枢纽客运需求预测方法与模型研究[D].哈尔滨：哈尔滨工业大学，2013: 130-131.