高速公路收購價值研究

劉凱崢 王振國

[摘要]文章分析了高速公路價值評估的關鍵點在于交通量預測，在介紹非線性主成分分析及RBF神經網絡模型預測高速公路車流量原理的基礎上，通過湖南某高速公路實證分析得出該模型具有一定參考價值。

[關鍵詞]高速公路;交通量RBF主成分;神經網絡;價值評估

[DOI]1013939/jcnkizgsc201930159

1引言

正式的高速公路項目收購程序中，一般需要專業機構出具相應的OD交通量調查報告，該報告的出具需要采集大量的現場數據，成本高、周期長，不適用于早期對項目的考察判斷。因此，如何在可獲得的數據和信息資料范圍內獲得盡可能準確的交通量預測值，從而得出相應的收購價值是文章論述的關鍵。

2交通量預測模型

由于高速公路交通量受多種因素影響，這些影響因素存在一些高度重疊的指標，使RBF神經網絡的神經元對高度重疊的輸入量不能做出有效響應，如果直接運用RBF模型進行預測，其預測結果較差。為了提高高速公路交通量預測精度，使用主成分分析法對影響指標進行降維和去相關性處理，再利用RBF神經網絡對高速公路交通量進行預測，可有效提高預測精度。

因此文章基于非線性主成分分析和 RBF神經網絡的高速公路交通量預測方法，切實提高高速公路交通量預測精度，從而滿足高速公路收購價值測算以及客觀的管理需求。

RBF神經網絡是一種應用較為廣泛的典型預測模型，通過構建三層前向RBF神經網絡來預測高速公路交通量。

令x∈Rm為正實數輸入向量，為m個影響交通量的指標值，令輸入層節點數與影響交通量的指標數相同，均為m;y^∈R為正實數輸出向量，即高速公路交通量預測值。選用高斯函數作為徑向量基函數，則高速公路交通量RBF神經網絡輸出表達式為：

y^=∑bk=1wkexp（-‖x-ck‖2σ2k）-θk

式中：wk為第k個隱含層至輸出層的連接權值，k=1，2，…，b;θk為第k個隱含層至輸出值的閾值;ck為第k個隱含層徑向基函數的中心;σk為第k個隱含節點的寬度。一般使用RBF神經網絡預測交通量時，其輸入層神經元數取m，隱含層神經元數b取經驗值2m+1。

3湖南某高速實證分析

31項目概況

項目路全長111129千米，收費里程12796千米。2009年11月30日建成通車，特許經營期為30年，收費期間2009年11月至2039年11月，收費基準費率為04元/車·千米。根據項目路自通車以來的通行費和車流量情況分別對入口車流量、出口車流量、斷面年、月平均車流量以及標準車流量與收入的擬合程度進行回歸分析，發現標準車流量擬合程度最優，相關性如下：

y=12129x-108236

也就是說，根據歸回方程，交通量每增加1萬輛，通行費收入即增加12129萬元。

32交通量影響因子及主成分

區域高速公路交通量受較多因素影響，包括國內生產總值、規模以上工業企業利潤、固定資產投資、戶籍人口、從業人員、社會消費品零售額、汽車保有量、客運量、貨運量等，限于數據獲得便利性約束，文章所選影響因子歷史數據均選自統計局官方公布數據。

設國內生產總值、規模以上工業企業利潤、固定資產投資、戶籍人口、從業人員、社會消費品零售額、汽車保有量、客運量、貨運量分別對應x1、x2、…、x10，上述數據可以用7×10矩陣表示，通過SPSS軟件對10個影響因素矩陣進行主成分分析，提取出2個主成分，特征值分別為7478和187，合計解釋10個影響因素93477%的部分，因此可以作為10個因素矩陣的替代公因子矩陣。分別用F1和F2替代該2個獨立成分，根據分析結果得出：

33RBF神經網絡訓練

設計一個三層RBF神經網絡，輸入層兩個神經元（F1、F2），若干個隱層單元，一個輸出單元（交通量）。

在Matlab的神經網絡工具箱中用Neural Network函數設計這個函數網絡，用其做函數逼近時，可以自動增加徑向基網絡隱層神經元，通過對兩個神經元進行訓練，結果如下：

通過SIM函數對其進行檢驗，結果和原始函數相同，證明該神經網絡可用，將主成分公因子向量輸入該網絡得出相應預測交通量（表中交通量為標準車）。

由前述折算交通量和通行費收入的相關性y=12129x-108236可得預測通行費收入，由該通行費收入預測值，以及運營、養護及財務管理等費用的固定增長算出項目未來現金流現值1037億，表明項目路在不高于1037億的水平具有一定收購價值，為項目路收購提供了準確的價格參考。

4結論

本文通過研究國內外相關理論，比較了適用于交通量預測的多種模型，通過非線性主成分分析以及RBF神經網絡模型對高速公路收購價值的核心指標——交通量進行了估計，并結合湖南某高速的案例進行了實證分析。表明在實際項目過程中NCPA-RBF神經網絡模型的運用具有一定參考價值。

參考文獻：

[1] 童小龍，巴可偉，張騰高速公路運營交通量預測方法研究[J].交通科技與經濟，2017，19（5）：52-55

[2]李慶瑞公路交通量預測理論與方法綜述中外公路[J].2005，23（6）：151

[3]陳海華基于神經網絡模型的高速公路交通量短時預測方法[J].中國交通信息化，2017，8（9）.

[4]李松江基于數據融合的高速公路短時交通量預測模型[J].計算機工程與設計，2018，39（10）.

[5]劉潔基于遺傳——神經網絡的交通量預測[J].長安大學學報，2003，23（1）.

[6]羅忠燕高速公路通行費收入預測方法及應用研究[D].重慶：重慶交通大學，2012

[7]郁麒昌 高速公路項目運營效益評價研究[D].武漢：武漢理工大學，2008