城市群干线网络货运需求预测模型<br/>——以京津冀为例

城市群干线网络货运需求预测模型
——以京津冀为例

2021-02-11范鹏飞宋国华

交通运输研究 2021年6期

范鹏飞，宋国华，雷雪

（北京交通大学综合交通运输大数据应用技术交通运输行业重点实验室，北京 100044）

0 引言

以特大城市为核心、以若干大城市和中小城市集聚而成的城市群逐步成为我国城镇化发展的新模式。然而城市群交通运输中各种运输方式不平衡、运输结构不合理问题，造成了能源浪费和污染排放。在此背景下，我国以“公转铁”“公转水”为主要手段大力推进运输结构调整[1]，而运输结构调整将造成货运需求的显著变化。在城市群货运需求预测中，深入研究运输结构调整背景下的城市群干线网络货运需求变化，对于城市群绿色交通发展和交通干线网络的规划建设具有重要意义。

当前，货运需求预测研究多集中于以运输量历史数据为基础开展的宏观货运需求预测。在货运需求产生机理方面，谢丽蓉等[2]对主要产品产量、原材料进出口量进行了预测分析；冯小虎[3]通过对不同部门之间构成的供需关系研究，分析了货运需求的分布规律。这些方法依赖详尽的产品数据或部门数据，对区域性货运需求预测的适用性不足。在货运需求的预测方法和模型方面，Leontief[4]通过编制投入产出表对货运量进行了预测；Yang[5]研究了基于回归分析法的多种预测模型，并成功应用于区域货运需求预测；Barua 等[6]利用机器学习方法预测了国际间的货运需求；Zhang 等[7]利用灰色模型预测了北京市货物运输需求和运输结构。这些研究从不同角度提供了货运需求预测的思路，但主要针对国家或地区的宏观预测，对货运需求的空间分布和分配研究不足。考虑货运需求的分布特征，陈百奔[8]将神经网络运用于“四阶段法”，并进行了交通量预测的实例研究，但神经网络对货运需求产生机理的原理性解释较差；贺明光[9]基于结构方程分析得出货运需求总量、方式和分布受产业经济和网络结构影响的结论；黄新婷[10]利用投入产出表建立了一种要素完全分解模型，考虑了产业结构变动对货运需求的影响，但未能对货运需求分布进行量化分析，无法用于分析干线网络的货运需求变化。

可以看出，当前的货运需求预测大多基于历史货运量数据，以宏观区域为研究对象，少有以城市群内部交通小区为对象的需求预测研究。已有模型大多基于投入产出表或计量经济学原理，主要从数理统计的角度探寻趋势性因素作用下宏观货运量的变化规律，对运输结构调整等政策性因素造成的货运需求变化考虑不足，也没有从交通规划角度对需求结构和空间布局开展分析，无法求解交通小区之间的发生吸引量并进行需求分布和分配预测，从而不能满足城市群干线网络交通规划的实际需求。

为解决以上问题，本文将通过对货运需求影响因素的定量研究，首先分析货运需求的产生机理，建立城市群干线网络货运需求预测模型，以京津冀城市群为研究对象进行公路货运需求预测。然后，将大宗货物由公路运输转为铁路运输，完成运输结构调整，开展基于运输结构调整的城市群货运需求预测。接着，基于传统“四阶段法”，利用重力模型和用户平衡法进行城市群货运需求分布与分配研究。最后，利用公路观测站货运数据对货运需求分布与分配结果进行误差分析。

1 城市群货运需求预测模型

与客运需求相比，货运需求更容易受到区域经济发展水平、自然资源和生产力布局等的影响，因此不能简单使用传统的客运需求预测方法开展货运需求预测，而应根据货运需求的自身特点建立合适的预测模型。根据现有研究，货运需求影响因素包括国民经济发展水平、产业结构、自然资源、生产力布局、人口、城镇化水平、交通基础设施建设水平等[11]。

1.1 模型建立

国务院《推进运输结构调整三年行动计划（2018—2020 年）》[1]将京津冀及周边地区确定为运输结构调整的重点地区。因此，本文以京津冀城市群为例，选取其2005—2018年各地级市的公路货运量数据以及人口、城镇化率、居民消费水平、社会消费品零售总额、全社会固定投资总额、第一、二、三产业增加值、铁路营业里程、公路通车里程等数据，分析城市群货运需求产生机理并建立预测模型。

灰色关联度分析（Grey Relation Analysis,GRA）是一种针对多因素的分析方法[12]，常用于分析灰色系统中各因素受其他因素影响的相对强弱。利用灰色系统基本理论，求解京津冀城市群公路货运量与各影响因素的关联度矩阵（见表1）。

表1 货运需求影响因素关联度矩阵

根据表1，公路货运需求受城市群总人口、人均地区生产总值、各产业增加值、公路通车里程、铁路营业里程等因素影响较大。由于各因素之间存在一定的自相关性，因此不能直接用于模型构建。城镇人口与总人口、总人口与人均地区生产总值两组因素之间的相关性如图1 所示，可知总人口与城镇人口相关系数为0.984 3；人均地区生产总值与总人口相关系数为0.963 9，均存在明显的线性相关性。

图1 影响因素关系图

针对所有货运需求影响因素进行相关性分析，剔除各影响因素之间的多重线性相关关系后，最终选取城市群总人口、第一、二、三产业增加值、铁路营业里程、公路通车里程6 项指标建立货运需求预测模型。首先，利用线性函数、指数函数、幂函数、对数函数分别对各个指标进行函数变换，检验各项指标经过不同函数变换后与公路货运量的拟合优度。然后，将拟合优度最高的函数变换形式作为该指标的最终函数变换形式。最后，将变换后的指标与城市群公路货运量数据进行多元回归，建立京津冀城市群公路货运需求预测模型：

式（1）中：Qr为公路货运需求量（亿t）；X1为人口（亿人）；X2为第一产业增加值（亿元）；X3为第二产业增加值（亿元）；X4为第三产业增加值（亿元）；X5为铁路营业里程（万km）；X6为公路通车里程（万km）。

公路货运量与各影响因素之间的相关关系如图2 所示，可知经过函数变换后的各影响因素与公路货运需求均有较强的相关性。货运需求预测模型拟合优度约为0.95，拟合效果较好。在95%的显著性水平下，回归方程、各回归系数均通过显著性检验。

图2 公路货运量与函数变换后各影响因素间的相关关系

1.2 模型检验

为了检验模型的预测效果，将京津冀城市群历史年货运量数据与模型预测数据进行对比检验。由于2019年、2020年货运量数据尚缺，该两年的模型检验由加权平滑时间序列法预测值代替。模型检验结果如图3 所示，除2006 年、2015 年货运量统计口径发生改变导致预测误差较大外，模型预测最大误差为8.92%，模型预测整体平均绝对误差为5.16%，说明模型预测效果较好。

图3 京津冀城市群公路货运需求预测误差检验

1.3 货运需求预测

利用所建预测模型对京津冀城市群内部各地级市的长期公路货运需求进行预测。以2017 年为现状年，2035 年为预测目标年。由于各城市的功能定位、产业结构、地理区位不同，针对城市群整体的货运需求预测模型并不完全适用所有地级市。如对沧州市而言，2019 年沧州市常住人口为754.43万人，第一产业增加值为292.6亿元，同比增长2.2%；第二产业增加值为1 430.3亿元，同比增长6.2%；第三产业增加值为1 865.0亿元，同比增长8.2%，虽然沧州市第三产业占比较大，但是沧州市作为京津冀地区的主要港口城市，第三产业中交通运输、仓储和邮政业比重较大，2019 年增加值为305.9 亿元，增长10.8%，呈现快速增长的趋势，与京津冀地区的整体情况差异较大。因此本文对沧州、秦皇岛、唐山等重点货运城市进行了必要的模型参数调整。

依据《京津冀协同发展规划纲要》[13]《“十三五”时期京津冀国民经济和社会发展规划》[14]《河北省人口发展规划（2018—2035 年）》[15]《北京城市总体规划（2016 年—2035 年）》[16]等相关政策及规划文件获取货运需求相关影响因素的未来年值，预测得到2035 年京津冀城市群各地级市的公路货运量如表2和图4所示。

图4 京津冀城市群各地级市公路货运量柱状图

表2 京津冀城市群各地级市公路货运量

京津冀城市群现状年公路货运需求总量较大的城市主要有唐山、天津、石家庄和邯郸，其中唐山、天津是京津冀城市群的重点港口城市，公路货运需求分别为4.1 亿t 和3.5 亿t；石家庄市作为河北省省会城市及京津冀地区重要的铁路枢纽城市，货运需求总量为4.6 亿t；邯郸市处于冀晋鲁豫4省交界区域，具备较为发达的铁路、公路、航空基础设施，货运需求总量为4.2亿t。

远期2035年，预测京津冀城市群公路货运量将达到45.76 亿t，仍然是唐山、石家庄、邯郸的公路货运量较大。此外，沧州、天津、邢台的公路货运需求也将有明显增加。城市群中公路货运需求集中于“3 个港口城市、1 个省会城市、1 个边界城市”的格局不会改变。

2 考虑运输结构调整的货运需求预测

2.1 运输结构调整

运输结构是指铁路、公路、航空、水路、管道不同运输方式完成的运输量比例[17]，反映了不同运输方式在综合交通运输体系中的作用、地位和相互关系。京津冀城市群内铁路基础设施条件良好，铁路网密度是长三角的1.6 倍，珠三角的2.3倍，但铁路优势明显发挥不足。京津冀城市群近年的货运结构分布如图5 所示，截至2018 年底，京津冀城市群公路运输占比达84%，明显高于全国其他地区和国外发达城市群。

图5 京津冀城市群货运结构分布图（公路、铁路、水路）

国务院办公厅2017年发布《推进运输结构调整三年行动计划（2018—2020 年）》[1]，提出通过3年集中攻坚，确保实现铁路货运量增运8亿t、与公路相比节约1 211 万t 标准煤、减少二氧化碳排放量2 976 万t 的目标，发挥铁路在大宗物资运输、长距离运输中的骨干作用。根据现有京津冀城市群各地级市及周边地区的运输结构调整政策文件，本文提出运输结构调整的目标假设为：在2035 年的长期规划目标中，所有重点省市完成公路大宗货物运输100%转化为铁路运输[18]。在此目标下，完成运输结构调整后的津京冀城市群公路货运量为37.5 亿t，各地级市公路货运量如图6所示，可以看出大宗货物的重点集疏运城市如唐山市、天津市、沧州市调整前后的货运需求差异较大；完成运输结构调整后，城市群内石家庄市、邯郸市公路货运需求较大。

图6 运输结构调整前后京津冀城市群各地级市2035年公路货运量

2.2 货运需求分布与分配

本文利用重力模型法进行货运需求分布预测。该方法考虑了不同交通小区之间的阻抗大小和吸引强度[19]，且计算相对简便，参数容易标定[20]。模型中，当现状货运交通量为零时，计算主要以地区的发生、吸引为基础；当现状货运交通量不为零时，主要以地区趋势出行为基础[21]。重力模型法的公式表达为：

式（2）～式（3）中：qij为小区i与小区j之间的OD交通量；k,r为待标定参数；α,β为系数；Oi为小区i的交通发生量；Dj为小区j的交通吸引量；f(cij)为阻抗函数；cij为小区i与小区j之间的阻抗。

本文以京津冀城市群现状年的货运需求分布为基础，以交通小区之间的运输距离和运输时间作为阻抗，利用重力模型法对预测得到的2035年货运需求分布进行预测。交通分布与分配预测需要建立交通小区和路网。在考虑京津冀城市群未来年公路建设规划的前提下，建立京津冀城市群等级公路地理数据文件并添加路网相关属性。以不打破行政区边界为原则，综合考虑城市群现状年路网疏密度、城市群区域定位、交通小区经济社会属性等因素，本文共划定交通小区58个，其中京津冀城市群内部小区54 个，一般由3～5 个相邻县级单位组成；城市群外部小区4 个，主要按照城市群外各省地理位置划分。以京津冀城市群2017 年公路收费站卡口数据得到的路网流量进行OD 反推，以2017 年京津冀城市群公路货运量为总量，对OD 反推结果进行校核，得到京津冀城市群现状年公路货运分布及发生吸引量。将各小区预测年公路货运量拆分为发生量与吸引量，利用重力模型法开展分布预测，得到京津冀城市群2035 年公路货运分布如图7 所示，可知城市群内部公路货运量较大的运输通道均为短距离，主要集中于北京、天津、石家庄、邯郸等城市周围。远期2035年，受城市群产业经济的发展和运输结构调整两方面的影响，京津冀城市群公路货运需求进一步增加，其中中长距离及部分大宗货物的货运需求将转为铁路运输，公路运输的平均运距将会缩小。城市群内北京、天津、石家庄等货运枢纽的集散能力增加，秦皇岛、沧州、唐山等大宗货物集散港口的公路货运需求将明显减少。

图7 京津冀城市群2035年公路货运需求分布

本文基于现状路网属性，考虑远期规划路网的变化，将货运需求预测结果按照用户均衡法（User Equilibrium）[20]进行交通分配。分配预测结果如图8 所示，城市群重要的货运通道如京津、京保石、京唐秦公路货运需求进一步增加。城市群公路货运需求集中于北京、天津、石家庄、邯郸周围。

图8 京津冀城市群公路货运分配图

2.3 结果校验

本文基于传统“四阶段法”，对京津冀城市群远期货运需求进行了预测研究。虽然在货运需求总量预测过程中依据城市群历史货运量及时间序列预测值对模型预测进行了误差分析，但在交通分配过程中，路网的最终分配结果还会受到分配模型选择、路网阻抗等多种因素的影响。为了检验货运分配预测结果的准确性，有必要依据实际路网流量对预测结果进行校验。

本文选取城市群公路网共计680 余个观测站中的43 个观测站进行货运需求预测结果校验研究，观测站位置如图9 所示，各观测站站点信息如表4 所示。将各观测站观测到的2017 年各车型流量数据，依据对应车型的标准载重，换算为该观测站的年货运总量，据此对模型预测分配到路段的货运量进行误差分析。