新冠肺炎對交通運輸業影響的預測與分析

楊婉瑩

[摘 要]2019年年底新型冠狀病毒肺炎（COVID-19）的突然暴發對我國各行各業都產生了不可忽視的影響，其中交通運輸業也受到了非常大的沖擊。文章根據2014—2019年的交通運輸客運量，采用灰色系統理論預測模型定量評估新冠肺炎對交通運輸業的影響并在此基礎上提出相應的政策建議，以降低此次疫情對本行業的影響。

[關鍵詞]新型冠狀病毒肺炎（COVID-19）;交通運輸業;灰色系統理論;預測;客運量

[DOI]10.13939/j.cnki.zgsc.2021.27.136

1 引言

2019年年底2020年年初，在武漢暴發的新型冠狀病毒肺炎迅速在全國內蔓延，各地都采取了隔離封鎖措施，政府延長春節假期，企業推遲復工時間。其中，新冠肺炎疫情對交通運輸行業的影響是巨大的，在全國各地采取封閉防控舉措初見成效的同時，公路、鐵路客運量大幅下滑。

新型冠狀病毒肺炎（以下簡稱“COVID-19”）疫情對主要經濟產業和整體經濟的影響很大，國內外學者對受疫情影響情況進行多種研究。馮珺和宋瑞通過采取彈性法和回歸分析，得出COVID-19疫情對全國旅游總人次和總收入造成的損失超過20%和30%[1]。李弄文和張小松從消費者層面分析疫情對物流行業的影響，從各方面盡可能減少疫情對于物流行業的負面影響[2]。周一鳴和姜彩良對比了“非典”時期和“新冠肺炎”時期客貨運輸的影響[3]。

新冠肺炎是中國公眾健康的一場災難，旅游業和交通運輸業首當其沖。隨著新型冠狀病毒肺炎疫情形勢日趨嚴峻，部分臨近春節才返鄉或旅游的公眾取消出行計劃，導致2020年春節返鄉客流規模有所減少。春節后，由于日漸嚴重的疫情，復工出行也一再推遲。文章將根據已有數據預測分析COVID-19疫情對交通業產生的影響，有利于明確疫情對交通運輸業的影響，為政府決策提供依據。

2 數據和模型構建

2.1 灰色系統模型

灰色系統理論是我國鄧聚龍教授于1982年提出的一種預測評價理論，該理論通過對少量不規則的數據進行變換處理使之體現準指數特征，再進行建模并完成數據預測。為了定量分析COVID-19疫情對交通運輸業造成的影響，需要根據歷史數據對正常情況下2020年每個月客運量進行估算，將預測值和實際值進行對比，分析交通運輸業受疫情影響程度。

2.2 數據來源

文章選取2014年1月至2019年12月間的交通運輸量作為灰色預測GM（1，1）的歷史數據，測算此次新型冠狀病毒肺炎疫情對交通運輸業務量的影響，數據均來源于國家統計局網站，以鐵路和公路為例。

根據灰色系統模型方程對2020年正常情況下的交通運輸量進行預測，同時對2014—2019年的月度數據進行統計，并取平均值作為 2020年月度運輸量的分布比例，從而估算出2020年正常情況下每個月的交通運輸量，將預測值和實際值進行對比分析交通運輸業受疫情影響的程度。

已知全國從2014年1月到2019年12月鐵路和公路交通運輸量的統計數據如圖1所示。

2.3 模型的假設

假設在新冠肺炎疫情流行期間和結束之后，數據的變化只與新冠肺炎疫情的影響有關， 不考慮其他隨機因素的影響。

2.4 建立灰色預測模型GM（1，1）

該預測可以分為以下兩個部分：

（1）通過 GM（1，1）模型， 由2014—2019年平均交通運輸量預測2020年平均交通運輸量。

（2）通過歷史數據計算每個月的交通運輸量與全年交通運輸量的關系，預測每個月的交通運輸量（以鐵路為例）。

模型如下：

（1）設原始序列X（0）=（x（0）（1），x（0）（2），…，x（0）（n）），其中

x（0）（k）≥0，k=1，2，3，…，n

（2）對數據序列進行一次累加操作，得到數據列

X（1）=（x（1）（1），x（1）（2），…，x（1）（n）），其中

x（1）（k）=∑ki=1x（0）（i），k=1，2，…，6

（3）由灰色系統理論建立灰色預測模型的方程，即GM（1，1）模型dx（1）dt+ax（1）=b，其中a是發展灰度，b是內生控制灰度，x（0）為2014—2019年的年平均交通運輸量，則

x（0）=（19642.0000，21119.7533，23451.8333，25698.3333，28124.5833，30500.1666）

一次累加值為：

x（1）=（19642.0000，40761.7533，64213.5866，89911.9199，118036.5032，148536.6698）

（4）生成x（1）的近鄰值等權序列：

Z（1）=（z（1）（2），z（1）（3），…，z（1）（n）），k=2，3，…，n

z（1）（k）=12x（1）（k）+12x（1）（k-1），k=2，3，…，n

（5）運用最小二乘法求解可得（a，b）T=（BTB）-1BTYN，而

B=-Z（1）（2）1-Z（1）（3）………-Z（1）（n）…??? ?YN=x（0）（2）x（0）（3）…x（0）（n）

求得a=-0.2884，b=3.5621×104

模型的解為x（1）（k+1）=（x（1）-ba）e-ab+ba

由此對原始數據的下一個數據進行預測估算，即2020年鐵道客運量總額當期值。

（6）通過GM（1，1）模型分別對2020年的每月鐵路客運量進行估算，得到的預測結果為鐵道客運量33540萬人，則預測2020年的鐵路客運量為33540×12=402480萬人。根據歷史數據求出2014—2019年鐵路客運量1～5月月度數據占年度數據的比例均值，如表1所示。