中欧班列市场需求分析与仿真研究

韩兆洋

HAN Zhaoyang

（国家铁路局 市场监测评价中心，北京 100891）

随着中欧班列开行线路的增加，中欧班列的网络规模逐步增大，业务不断优化，运输时间短、受气候条件影响小，运输成本低等优势越来越突出[1]，运输成本不断下降。市场需求分析及需求量预测是常态化、持续化运行中欧班列需要重点解决的问题[2]。当前中欧班列在市场需求方面不能做到完全与市场相适应，细分市场需求有待加强。因此，构建中欧班列市场需求预测模型，分析中欧班列进行市场需求，使中欧班列更好地满足市场需求，对于中欧班列的健康发展具有重要意义。

表1 中欧班列运输主要品类Tab.1 China Railway Express’s main source of goods

1 中欧班列市场需求及影响因素分析

1.1 市场需求

中欧班列运输产品多种多样，运输品类主要有我国生产的汽车、机械电子、信息技术产品、高档食品、建筑材料、化妆品等高附加值产品，自欧洲进口的大多是汽车零配件、日用百货、服装鞋帽等一些跨境运输品类[3]。中欧班列运输主要品类如表1 所示。

随着我国产业结构的转型升级，中欧班列中远期运输品类也将随之发生改变。以武汉为例，作为“长江经济带”的重要节点城市，武汉以工业制造业大国德国与资源大国俄罗斯为战略支点，在亚欧国际运输通道上开设了15 条中欧班列线路，辐射28 个国家的60 多个城市[4]，是国内节点城市中开行线路数量最多的城市，班列开行吸引了国内外的多家大型企业布点湖北，并使得中欧班列运输中2/3 以上的运输品类来自武汉当地，基本化解了目前中欧班列运输品类不足的局面。

从短期来看，城市是否需要开行中欧班列，是基于其自身城市功能定位、特色产业结构和区域经济综合发展水平来决定。例如，连云港主要依托中哈物流园，东西双向运输我国生产的粮食、食品等品类，实现了每天开行3 列常态化运行；开行时间最长的重庆主要借助当地制造的信息技术产品与其他电子机械产品为固定货源，成为运送品类最多，常态化运营情况最好的开行城市[5]。而中欧班列将分散的品类集结成集装箱单元，从而实现高效率，高效益的运输。针对中欧班列近期发展现状，短期内的中欧班列市场定位应当以机电类、服装类等普通零散品类为主，主要原因如下。

（1）以普通零散货物类型打开市场，特定运输需求少。机电类产品、服装鞋帽等属于普通货物，对运输载体和运输过程要求较低，前期投资远小于贵重物品或冷链运输等特定需求产品的运输[6]。

（2）集装箱质量轻、体积小，便于装卸作业。铁路集装箱中心站在空间结构上主要由平面辅助装卸区组成，在主要装卸区完成装卸、堆放等主要任务的同时，大多借助轨道门式起重机[7]。在目前集装箱中心站基础建设的现有条件下，运输此类物品可满足装卸搬运作业，实现集装箱内空间的充分 利用。

（3）降低货源不足的运输风险。中欧班列仍然处在发展的初期阶段，相对于海运的成本较高，费时比空运高，国内货源分散不一并且国外回程班列的满载率一直不高[8]。因此，初期将目标市场定位在普通零散货物，有助于减小运输风险。随着我国不断优化产业结构，加快推进“一带一路”倡议的实施与建设，中欧班列也将更好地打造自身运输平台，发展新的跨大陆桥运输方式。

1.2 影响因素分析

1.2.1 主要影响因素

中欧班列的需求量受多种因素的综合影响，对于中欧班列的运量模型的构建，不能同时考虑到全部的影响因素，因而需要对影响因素进行分析，确定主要影响因素。根据国内学者对中欧班列的运量影响因素的分析主要有以下影响因素。

（1）国内生产总值。国内生产总值反映该地区经济发展水平的好坏，国内经济发展水平与对外贸易总额密切相关。一般来说，国内经济发展水平越高，对外贸易总额越高。因此，国内生产总值与对外贸易总额、中欧班列市场需求量呈现正相关 关系。

（2）对欧盟地区进出口贸易额。国内出口欧洲货物主要通过海运、航运、铁路运输，或者多式联运的运输方式。集装箱作为海运或者铁路运输的重要载体，与外贸进出口额密切相关。近年来，随着外贸进出口额的增加，中欧班列的运量也在增加。因此，可以根据对欧盟地区进出口贸易额变化衡量中欧班列市场需求量的变化。

（3）全国集装箱出口数量。我国集装箱运输市场整体势态良好，自2011 年以来，国内主要港口集装箱吞吐量逐渐呈现较大幅度增长的态势，沿海港口和内陆港口吞吐量稳步增加。这反映出中欧班列的需求量也在不断上升，因而全国集装箱出口数量与中欧班列市场需求量的关系应当为正相关。

（4）交通运输、仓储和邮政业全社会固定资产投资。交通运输是我国进行产业结构转型与经济持续性发展的基本需求和先决条件，也是我国开展互联合作的重要纽带，完整全面的交通运输路网投资建设在扩大国际经济贸易合作中发挥着重要作用，因而在一定程度上也对中欧班列的市场需求量有着影响。

（5）中国出口集装箱运价指数(欧洲航线)。中国出口集装箱运价指数(CCFI)，能够全面客观地反映出我国集装箱航海运输市场相关价格变化趋势，不仅包括综合运价指数，还包括东亚、东南亚、澳大利亚、欧洲、美洲等多地区与国家的11条分航线的运价指数，是国内机构对航运集装箱市场做出实时调控及国外市场了解中国出口集装箱运输的“晴雨表”。

1.2.2 影响因素残差分析

选取2011—2017 年的国内生产总值、对欧盟地区进出口贸易额、全国集装箱出口数量、交通运输、仓储和邮政业全社会固定资产投资及中国出口集装箱运价指数(欧洲航线) 5 个影响因素作为样本数据。

在对中欧班列需求量做预测前，首先应当对5个影响因素做残差分析。进行残差分析主要作用就是确定影响因素拟合度，从而检查拟合的好坏，以及检查相关因素是否对结果产生影响。通过Matlab建模得出残差分析图，观察每个因素对需求量的影响，即残差点的分布越靠近于0，拟合程度越高，该种因素对中欧班列需求量的影响越大。

通过Matlab 对样本数据进行分析并进行残差分析，在国内生产总值、对欧盟地区进出口贸易额、全国集装箱出口数量、交通运输、仓储和邮政业全社会固定资产投资以及中国出口集装箱运价指数(欧洲航线)5 个影响因素的影响下，得到决定系数的数值为0.964 2，残差分析图如图1 所示。图1 中横坐标表示影响因素，纵坐标表示残差值，竖线的长度表示置信区间，圆圈表示残差点。

图1 残差分析图Fig.1 Residual analysis

从图1 可以看出，每条竖线均在零点两侧，即置信区间包含零点，圆圈紧密地分布在零点两侧，即残差数值小，模型能较好地符合原始数据，即这5 个因素切实影响着中欧班列的市场需求量，可以用来对2019—2025 年的需求量进行预测仿真。

2 中欧班列市场需求量预测及仿真实证

2.1 预测仿真模型构建

中欧班列市场需求量预测仿真模型构建，主要基于BP 神经网络，通过模拟生物神经网络，将外部的信息输入，利用神经元的传播作用，输入到隐含层中，之后再经过隐含层神经元进行计算，传递到输出层，计算误差，如误差达不到要求，则误差反向传播。这一过程的作用是通过连续地调整阈值及权值，使得误差逐步减小。该种算法在收敛速度、精确度和寻找全局最优点方面都具有较强优势，同时利用神经网络对训练样本进行学习，可以减少由于人的主观性而引起的评价误差，使得评价系统更加客观实用，因而采用BP 神经网络对中欧班列市场需求量进行预测仿真[9]，步骤如下。

（1）确定输入和输出向量。将分析出的5 种影响因素作为输入向量，可确定网络输入层结点数为5。关于隐含层的层数，通过多次测试，比较结果，采用收敛速度较快的每层200 个隐含结点的单隐含层网络结构。网络的输出为与5 种影响因素同年的中欧班列需求量，即输出层含1 个结点，隐含层采用tansig 函数，输出层采用purelin 函数，BP 神经网络仿真模型如图2 所示，图中W为输入向量，b为神经元的偏置。

（2）确定初始条件。选取2011—2017 年的 5 个影响需求量的因素数据为网络的训练集，即将5 个影响因素的历年数据作为输入集合，将同年中欧班列需求量与之相对应的集合作为导师集合，在网络通过稳定训练之后，即可预测2019 年的市场需求量。输入/输出向量初始条件如表2 所示。

图2 BP 神经网络仿真模型Fig.2 BP neural network simulation model

表2 输入/输出向量初始条件Tab.2 Input/output vector initial condition

（3）输入值的归一化处理。由于各影响因素之间的数量级差异过大，如果不通过归一化处理会导致因数据数值差异较大，网络权系数的量级相差过大，最终影响到网络映射精度和自学习的收敛性，因而需要对输入量初始值进行归一化处理。使用线性转换算法对各个影响因素的原始数据进行处理，计算公式为

式中：y为输入值归一化后的值；x为输入值；min (x)为x的最小值；max (x)为x的最大值。

在Matlab 中采用premnmx，postmnmx，tramnmx 3 个函数实现归一化处理。输入向量归一化处理值如表3 所示。

表3 输入向量归一化处理值Tab.3 Input vector normalized value

通过对初始值进行归一化处理，统一数据量级，确保预测精度。在预测完成之后只需要在Matlab 中使用mapminmax 函数就能够“反归一化”，得到最初的数据向量。

2.2 预测及仿真实证

将2011—2017 年的国内生产总值、对欧盟地区进出口贸易额、全国集装箱出口数量、交通运输、仓储和邮政业全社会固定资产投资及中国出口集装箱运价指数(欧洲航线)5 个影响因素作为输入向量。

基于中欧班列需求量预测具有互动反馈性的特点，在预测2019—2025 年中欧班列的需求量之前，首先确定将2019—2025 年的预测输入向量值作为其预测指标；然后，建立BP 神经网络模型，将2011—2016 年5 种影响因素的值作为输入向量以2017 年的数据作为输出向量，对网络进行训练，便可对2019—2025 年的国内生产总值、对欧盟地区进出口贸易额、全国集装箱出口数量、交通运输、仓储和邮政业全社会固定资产投资及中国出口集装箱运价指数(欧洲航线)做出预测，输入向量预测值如表4 所示。

表4 输入向量预测值Tab.4 Input vector predictive value

将输入向量预测值进行归一化处理，统一输入向量量级与精度，输入向量预测值归一化处理如表5 所示。

将中欧班列需求影响因素指标中各年的数值作为稳定网络结构的输入，精度设置为0.000 04，进行训练参数设计。

通过BP 神经网络的学习与训练得到2019—2025 年中欧班列的需求量预测值，中欧班列需求量预测值如表6 所示。

表5 输入向量预测值归一化处理Tab.5 Input vector predictive value normalization

表6 中欧班列需求量预测值Tab.6 Predictive value of China Railway Express demand

将采用Matlab 仿真得到的预测结果，通过平滑曲线进行线性拟合，得出2011—2025 年中欧班列市场需求量的动态仿真图，中欧班列市场需求量动态仿真如图3 所示。

图3 中欧班列市场需求量动态仿真图Fig.3 China Railway Express market demand dynamic simulation

通过BP 神经网络仿真，对2011—2025 年5 种影响因素，即输入向量的学习，输出2011—2025 年的中欧班列需求值，误差值控制在7.5%以内，较为精准地预测了中欧班列未来的发展趋势。根据预测仿真的拟合程度、需求量预测误差程度等可以分析得出所选影响因素的合理性，拟合程度越高、误差越小，证明所选因素对需求量影响程度越高。从上述仿真分析中，结合中欧班列实际运营情况，得出宏观经济贸易环境与航海运输价格指数对中欧班列的需求量有着至关重要的影响作用。

3 结束语

随着国家提出“交通强国，铁路先行”，以及“一带一路”倡议的不断深入实施，中国与欧盟国家间的经贸合作日趋活跃，两地间的市场需求量不断增长，这些客观因素促进了中欧班列的飞速发展。中欧班列必将不断提高其运行质量，以便让中欧班列沿线地区的人民及更多客户共享“一带一路”的发展成果，为推动中欧班列发展提供了决策依据，有效促进“一带一路”建设，推进中欧班列的高频化、常态化的运营和发展。