即墨鐵路物流中心運量預測研究

何西健，屈拴科，趙春展

(中鐵二院工程集團有限責任公司 北方公司，山東 濟南 250012)

即墨鐵路物流中心建成于2019年，是全路一級鐵路物流中心[1-3]，其建成后根據客戶運輸距離及貨運品類的不同，通過公路、鐵路不同運輸方式運輸，合理分工降低物流成本，逐步實現“公轉鐵”目標。研究灰色關聯度多元回歸模型預測即墨鐵路物流中心運量，合理確定物流中心功能區規模，為即墨鐵路物流中心的功能布局提供指導。

1 即墨鐵路物流中心現狀

1.1 區域概況

即墨鐵路物流中心位于山東半島東部的青島市即墨區，該區域近年來著力構建現代產業體系，積極培育新能源等新興產業，加快造船、汽車等先進制造業發展，提升傳統產業，聚集發展物流、商貿等現代服務業。產業發展所需原材料來源于全國各地，產成品銷往全國各地及海外市場，“兩頭在外”的特征十分顯著，區域內蘊含的物流運輸需求巨大。

1.2 功能定位及運輸現狀

根據地方規劃，即墨鐵路物流中心周邊分布有黃島、婁山、膠州、董家口4個鐵路物流中心。相鄰各物流中心功能定位如下：黃島鐵路物流中心是以小汽車、油品發送為主的專業物流中心，主要服務于黃島區；婁山鐵路物流中心是以澳柯瑪、海爾、海信等家電為服務對象的物流中心，主要服務于老城區；膠州鐵路物流中心依托青島集裝箱中心站，是以集裝箱運輸、多式聯運為主要業務的物流中心，主要服務于膠州市；董家口物流中心主要服務董家口臨港產業園區。從地理位置分析，即墨鐵路物流中心與其它4座物流中心的重點服務范圍劃分清晰，結合項目周邊產業布局情況和周邊鐵路物流中心的核心業務，即墨鐵路物流中心定位以城市配送、小汽車發送、汽車配件專業市場等為主要業務的綜合性物流中心，主要服務于城陽區、市北部，通過公路、鐵路輻射至煙臺、威海、濰坊、日照等區域，輻射濟南及以遠的全國各地。

結合即墨鐵路物流中心定位和服務范圍，對周邊重點企業開展運輸需求調查。從調查結果看，運輸需求重點集中在商品小汽車、鋼鐵、建材、木材、機械等品類，重點服務企業2009—2020年運量如表1所示。

表1 重點服務企業2009—2020年運量表 萬tTab.1 Current traffic volume of key service enterprises from 2009 to 2020

2 運量預測模型構建

傳統的鐵路貨場運量預測多采用增長率法、彈性系數法進行分析，預測模型采用單一影響因子分析，預測精度受單一影響因子數據波動影響較大。灰色關聯度多元回歸模型根據灰色關聯分析理論[4]選取多個關鍵影響因子，進而建立多元回歸模型，減少單一影響因子數據波動對預測數據的影響；選定的影響因子采用Gomperz成長曲線模型進行延伸性預測，預測值代入建立的灰色關聯度多元回歸模型預測即墨鐵路物流中心運量。

2.1 灰色關聯度影響因子

鐵路物流中心通過發揮物流功能的主導作用，可以產生較強的帶動效應。在帶動和促進本地區產業集聚和發展的同時，有效地延長產業鏈，對周邊腹地經濟產生明顯的輻射功能。鐵路物流中心的服務范圍將周邊30 ~ 50 km核心圈層范圍內的重點企業定位為核心服務對象，通過省內公路、鐵路輻射省域的中圈層，依托既有鐵路路網及高速公路網絡，輻射全國的外圈層。鐵路物流中心運量影響因子分別選取3個圈層的全社會物流量、國內生產總值、第二產業增加值、第三產業增加值共12個影響因子作為分析對象，分析與物流中心運量的關聯度。

2.2 灰色關聯度

灰色關聯度分析是根據各因素變化曲線幾何形狀的相似程度，來判斷因素之間關聯程度的方法；此方法通過對動態過程發展態勢的量化分析，完成對系統內時間序列有關統計數據幾何關系的比較，求出參考數列與各比較數列之間的灰色關聯度[6]。灰色關聯度計算分析步驟如下。

（1）為消除影響因子不同量綱的影響，首先對數據進行無量綱化處理，得出序列值。

式中：Xkt’為第k項影響因子第t年序列值，k為影響因子變量，初始值取0，k= 0，1，2，…，12；k取0時，X0t為物流中心第t年運量，t為時間變量，初始年t取0，t= 0，1，2，…，9；Xkt為第k項影響因子第t年原始數據，k= 0，1，2，…，12，t= 0，1，2，…，9；Xk0為第k項影響因子第0年原始數據。

（2）將得出的序列值進行求差處理，求差公式為

式中：Δkt為第k項影響因子第t年的序列值與物流中心運量第t年的序列值差的絕對值；X0t’為物流中心運量第t年的序列值。

（3）求關聯因子最大差maxΔkt與最小差minΔkt。

（4）計算灰色關聯度。

式中：δ(0，k)為第k項影響因子序列值與物流中心運量序列值的關聯度。

2.3 基于灰色關聯度多元回歸模型構建

基于灰色關聯度多元回歸模型是一元線性回歸模型的擴展，能夠有效消除一元線性回歸模型中單一自變量對因變量的影響程度。根據灰色關聯度分析結果，選取關聯度高的3個因素為灰色關聯關鍵因子，建立基于灰色關聯度多元回歸模型如下。

式中：Xk1t’ 為k個影響因子中選定的第1個關鍵因子序列值；Xk2t’ 為k個影響因子中選定的第2個關鍵因子序列值；Xknt’ 為k個影響因子中選定的第n個關鍵因子序列值，其中n= 3，4，…，12；X00為初始年物流中心運量；a，b，c，…，x為統計分析結果參數值。

2.4 建立運量預測模型

通過擬合歷史統計數據，建立能描述其發展過程的Gomperz成長曲線[8]，以模型外推對關鍵因子2030年增長率進行預測。預測基本模型為

式中：αt為時間t的單關鍵因子預測值；ρ，f，g為參數。

3 即墨鐵路物流中心運量預測實證分析

3.1 灰色關聯度影響因子

以即墨鐵路物流中心輻射范圍內簽訂框架協議的重點企業2009—2020年統計數據為基礎數據，運量影響因子選取3個圈層的12個影響因子作為分析對象，指標如下。X1t為第t年青島市全社會物流量，萬t；X2t為第t年青島市GDP，億元；X3t為第t年青島市第二產業增加值，億元；X4t為第t年青島市第三產業增加值，億元；X5t為第t年山東省GDP，億元；X6t為第t年山東省全社會物流量，萬t；X7t為第t年山東省第二產業增加值，億元；X8t為第t年山東省第三產業增加值，億元；X9t為第t年全國GDP，億元；X10t為第t年全國全社會物流量，萬t；X11t為第t年全國第二產業增加值，億元；X12t為第t年全國第三產業增加值，億元。影響因子選取2009—2020年國家及地方統計數據為基礎數據進行分析。

3.2 灰色關聯度計算

對即墨鐵路物流中心選定的12個影響因子2009—2020年原始數據進行統計，為數據無量綱化處理提供基礎數據。根據公式(1)，對數據進行無量綱化處理。數據無量綱化序列值如表2所示。

表2通過對各影響因子數據無量綱化處理，消除影響因子不同量綱的影響。根據公式(2)，對無量綱化序列值進行求差處理。無量綱化序列差如表3 所示。

表2 數據無量綱化序列值Tab.2 Dimensionless sequence value of data

表3通過第k項影響因子第t年的序列值與物流中心運量第t年的序列值差的絕對值，得出關聯因子最大差與最小差，為根據公式(3)計算灰色關聯度提供數據支撐。根據公式(4)，計算各影響因子序列值與物流中心運量序列值的關聯度。灰色關聯度如表4所示。

表3 無量綱化序列差Tab.3 Dimensionless sequence difference

表4 灰色關聯度Tab.4 Grey correlation degree

根據灰色關聯度分析結果可以看出，青島市全社會物流量X1t、山東省全社會物流量X6t、全國國民生產總值X9t3個因素對即墨物流中心物流量的影響程度高于其他因素，因此選定該3項影響因子為關鍵因子。

3.3 基于灰色關聯度多元回歸模型建立

根據灰色關聯度分析結果，選取關聯度高的3個因素為灰色關聯關鍵因子。結合表3中該3項關鍵因子數據無量綱化序列值，建立基于灰色關聯度多元回歸模型如下。

通過回歸模型分析復測定系數R2是否接近1，F顯著性統計量(Significance F)是否小于0.05，判定回歸效果是否顯著；建立的即墨鐵路物流中心灰色關聯多元回歸模型中，復測定系數R2= 0.992 8，接近1，模型的擬合優度高；F顯著性統計量= 8.87×10-6< 0.05，回歸方程顯著有效。

3.4 基于灰色關聯度多元回歸模型精度檢驗

利用建立的基于灰色關聯度多元回歸模型和傳統彈性系數法[8]分別對即墨鐵路物流中心物流量進行預測，并與實際值進行相對誤差分析。基于灰色關聯度多元回歸模型預測值與彈性系數法預測值誤差分析如表5所示。

根據表5分析結果可知，基于灰色關聯度多元回歸模型能夠有效降低單一因素影響程度；從相對誤差分析來看，基于灰色關聯度多元回歸模型較傳統的彈性系數法預測相對誤差更小，且相對誤差基本呈正態分布，可信度明顯提高。

表5 基于灰色關聯度多元回歸模型預測值與彈性系數法 預測值誤差分析Tab.5 Error analysis between the predicted value of multiple regression model based on grey correlation degree and that of elastic coefficient method

3.5 預測結果

（1）影響因子延伸性預測。以2009—2020年全國GDP為基礎數據，建立全國GDP增長率的Gomperz成長曲線模型，預測2021—2030年的增長率，進而預測2030年全國GDP。2009—2020年全國GDP增長率預測模型計算如表6所示。

表6 2009—2020年全國GDP增長率預測模型計算表Tab.6 Calculation table of prediction model of national GDP growth rate from 2009 to 2020

利用公式(6)—(8)計算得出全國GDP增長率Gomperz成長曲線模型參數分別為f= 1.043，g= 0.744 0，ρ= 1.061 2。代入公式(5)全國GDP增長率Gomperz成長曲線模型如下。

根據公式(10)求得2021—2030年GDP增長率，進而分別計算2021—2030年全國GDP。同理可計算得出2021—2030年青島市全社會物流量、山東省全社會物流量。關鍵影響因子2030年預測量如表7所示。

表7 關鍵影響因子2030年預測量 Tab.7 Prediction of key influence factors in 2030

（2）即墨鐵路物流中心2030年運量。利用Gomperz成長曲線模型預測得出2021—2030年關鍵因子預測值，求得無量綱化序列值；進而帶入基于灰色關聯度多元回歸模型公式 ⑼，可預測得出即墨鐵路物流中心2030年預測運量。即墨鐵路物流中心2030年運量預測如表8所示。

表8 即墨鐵路物流中心2030年運量預測 萬tTab.8 Traffic volume prediction of Jimo railway logistics center in 2030

即墨鐵路物流中心運輸需求重點集中在商品小汽車、鋼鐵、建材、木材、機械等品類。2020年分品類既有運量如表9所示。

表9 2020年分品類既有運量表 萬tTab.9 Existing traffic volume by category in 2020

根據2030年運量預測值，結合既有分品類運量表，分析2030年即墨鐵路物流中心分品類運量。分品類預測運量如表10所示。

表10 分品類預測運量表 萬tTab.10 Traffic volume prediction by category

3.6 即墨鐵路物流中心總平面規劃

根據服務品類分析，物流中心以笨大貨物作業用地、包件貨物作業用地、集裝箱貨物作業用地、公路集散用地、綜合倉儲用地等用地為主，配套建設綜合服務區。物流中心功能大區可劃分為綜合服務、公鐵聯運、公路集散、冷鏈物流、城市配送、綜合倉儲等功能區。結合文獻分析[9]，根據不同貨物的單位面積堆存量、存儲周期、有效倉儲面積等指標，結合預測運量計算各類用地及輔助設施用地面積。

（1）綜合倉儲用地。綜合倉儲用地= (入庫貨物年運量/年周轉次數)×總入庫系數/ (倉庫內有效堆存面積×單位面積堆存量×建筑密度)。

（2）公路集散區用地。公路集散區用地包括停車用地、車間距和車輛通道等用地之和。計算公式為

式中：A車為停車場用地，m2；N到或發為每天到達或發送的車數，輛；k車為不平衡系數，可采用1.5 ~ 3.0；t門為每天門區作業時間，h；t待為車輛在物流中心平均等待的時間，h；F為每輛車投影面積，m2。

（3）堆場用地。堆場用地包括裝卸作業所需通道、有效堆存貨物用地、貨物間距等用地之和，計算公式為

式中：A堆為堆場用地，m2；a為波動系數；Q為存放貨物數量，t；t保管為保管期，d；P為單位面積堆存量，t/m2。

根據運量預測結果及相關標準計算功能區用地規模。即墨鐵路物流中心各功能區用地規模估算值如表11所示。

根據貨物進入園區、不同功能區間流轉、運出物流中心的作業流程，引入動線分析的方法[9]，對各功能區間流轉的貨物量進行分析，根據各功能區間流轉貨物量的多少來衡量之間的關聯關系；從組織管理、環境影響等方面來衡量各功能區之間的非物流關系；綜合關聯關系和非物流關系的分析統計，根據各功能區大小、各功能區關系緊密程度，結合可利用地的范圍、用地性質、容積率等因素要求，對總平面進行布置。即墨物流中心功能區布置圖如圖1所示。

圖1 即墨物流中心功能區布置圖Fig.1 Layout of functional area of Jimo logistics center

4 結束語

隨著國家交通運輸結構調整，科學合理地規劃鐵路物流中心布局，打造現代化鐵路物流基礎設施對促進“公轉鐵”政策實施有積極意義。通過灰色關聯度多元回歸模型預測物流中心的運量，為物流中心的規劃建設提供數據支撐，有利于合理確定物流中心的總體規模，優化物流中心功能布局，進而降低鐵路物流中心建設成本；同時鐵路物流中心的建設能夠提高鐵路貨運產品的服務質量，提高市場競爭力，吸引更多的公路物流需求轉向鐵路，優化各種運輸方式合理分工，降低企業的綜合運輸成本，進而促進區域各種運輸方式的融合發展。