后疫情時代“雙碳”背景下的公路貨運量預測研究

0 引言

在經濟全球化的背景下，各國貿易往來日益頻繁，大量的貨物運輸帶來了交通運輸業的蓬勃發展，然而，伴隨交通活動產生的碳排放量也在逐年增加。2021年3月，習近平總書記在中央財經委員會第九次會議上強調，實現碳達峰、碳中和是一場廣泛而深刻的變革，把碳達峰、碳中和納入生態文明建設的過程之中，在2030年前實現碳達峰、2060年實現碳中和的目標?！半p碳”目標引領經濟社會發展全面綠色轉型，一經提出，便迅速成為各領域關注的焦點?！笆奈濉笔菍崿F“雙碳減排”的關鍵期、窗口期，對于交通運輸行業而言，公路貨運是其中碳排放的重點領域。由于公路貨運需求的預測影響到交通規劃以及能源需求等情況，因此，為了提高公路貨運的現代化發展，完成“十四五”規劃，以“雙碳”為準則，準確地推測未來公路的貨運量顯得尤為必要。

新冠疫情對社會經濟以及人民生活產生了巨大的影響，突發疫情使交通運輸業受到了明顯沖擊，公路貨運行業成本激增，服務供給能力受到限制，需求的銳減導致公路貨運量大幅度降低。在后疫情時代，公路貨運量預測有助于分析交通運輸業的恢復情況，預測數值可作為參照對象發現檢測對象的異常，對于發揮統計預警功能具有重要意義。

目前關于貨運量預測的方法有很多種，如時間序列預測、灰色預測、BP神經網絡預測等方法，更有基于上述方法的改進或組合預測。如胡忠君等[1]提出一種以灰色系統理論為基礎的改進GM (1,1)動態預測模型，將其運用于洪澇災害應急物資的動態需求預測。劉笑佟和任爽[2]通過建立多元線性回歸模型對全國鐵路貨運需求進行了預測。程肇蘭等[3]通過人工神經網絡模型中的LSTM網絡對鐵路貨運量進行預測，并將結果與ARIMA模型的結果比較，提高了預測可信度?？聵蚝袜嚻糩4]針對三峽樞紐過壩貨運量的特點，提出了一種基于神經網絡與改進灰色模型結合的組合預測方法。蘭婷等[5]通過運用兩種不同維度的預測方法預測了城市地下物流貨運量。廖列法和歐陽宗英[6]運用改進天牛須搜索優化神經網絡對港口貨運量進行預測，提高了港口貨運量的預測精度。徐菲和任爽[7]基于分解-集成的原則，利用變分模態分解算法將貨運量分解為高頻和低頻模態，對北京鐵路局煤炭和木材月度貨運量進行分析和預測。

既有的研究工作給公路貨運量的預測提供了方法，近年來，學者們開始關注公路貨運量預測的研究。如趙建有等[8]以延安市公路樞紐規劃為例，構建了基于模糊線性回歸模型的公路貨運量預測方法。張麗莉[9]基于神經網絡預測方法對黑龍江省公路貨運量進行了研究。戢曉峰等[10]考慮城市區位優勢因子和城際交通阻抗函數對貨運分布量的影響，預測了云南省16個城市的城際公路貨運分布量。鐘蒙等[11]通過運用灰色關聯度分析確定影響因子，運用BP神經網絡模型預測了江西省公路貨運量。裴同松和裴彧[12]采用馬爾科夫鏈-BP神經網絡模型對河北省某地區公路貨運量進行預測，降低了平均相對誤差。田晟等[13]運用灰色關聯分析法確定了疫情期間我國公路貨運量的主要影響因素，構建了GC-rBPNN模型公路貨運量預測方法。

后疫情時代，境外疫情嚴峻，境內疫情常態化。面對無法根本杜絕的局部地區零星病例，我國在不同時期采取不同的疫情防控措施，加大了公路貨運量預測難度。而上述研究沒有結合當前國際國內形勢，也無考慮“雙碳”目標，具有一定的限制性。本文以2011—2020國內公路貨運量為數據源，結合數據特征，構建灰色預測改進的新信息GM (1,1)模型，代入國內公路貨運量2011—2017年的歷史數據，對2018—2020年的公路貨運量進行預測；通過比較2018—2020年的預測值與真實值，計算模型對原數據的擬合程度，在擬合程度非常不錯的情況下對國內2021—2025年的公路貨運量進行預測，為我國后疫情時代“雙碳”背景下的公路運輸業建設提供參考。

1 我國公路貨運量現狀

公路貨物運輸具有“門到門”運輸優勢，作為綜合運輸體系的重要一環，承擔了我國絕大部分的貨物運輸壓力，發揮著不可或缺的作用。公路貨運更是運輸中碳排放的重點領域，數據顯示公路運輸碳排放占交通運輸總排放的80%以上[14]。

根據國家統計局數據可得我國2011—2020年全國貨運量及主要貨運方式貨運量趨勢變化，如圖1所示。由圖1可知自2011—2020年以來，我國貨運量整體呈上升趨勢，雖主要貨運方式的貨運量也整體呈現上升趨勢，但公路貨物運輸量占貨物總運輸量皆超過70%，遠超鐵路貨運量、水運貨運量和管道貨運量等常用運輸方式占比量。

圖1 我國2011—2020年全國貨運量及主要貨運方式貨運量趨勢變化

2 公路貨運量預測模型構建

灰色預測[15]是以灰色模型（Grey Mode）l為核心體系，通過在無規律的原始數據中挖掘其內在規律，從而構建出相應的灰色生成函數，使得無規律的時間序列數據生成規律性較強的生成序列。傳統的灰色預測只把累加數據組x(1)的第一個分量作為初始條件，沒有充分利用累加后得到的新信息，導致了預測精度的降低，而通過傳統灰色預測改進而來的新信息GM (1,1)能夠充分利用數據的各個信息，有效地增加了預測準確性和可靠性。

2.1 GM (1,1)預測模型的構建

本文主要選取了國內2011—2020年的公路貨運量作為數據樣本進行預測。一方面，公路貨運在我國發揮著舉重若輕的作用，直接影響著社會發展和經濟命脈，另一方面，近幾年在疫情的影響下，公路貨運需求極不穩定，不存在明顯的規律特征，給預測工作帶來了非常大的困難。為了在宏觀上掌握公路貨運未來五年的發展規律，結合各種預測方法的優劣，本文選擇運用GM (1,1)預測模型研究我國公路貨運需求量。

GM (1,1)預測模型的構建包括數據的檢驗與處理、建立模型、檢驗預測值與預測預報，共4個步驟。

第一步：對數據進行指數規律檢驗。為了保證灰色預測模型的可行性，需要對已知序列x(0)進行級比計算：

第二步：建立模型。按式（1）建立GM (1,1)模型，取初始值(t)|t=1=x(0)(1)，得出對應的解為：

第三步：檢驗預測值。使用GM (1,1)模型對未來數據預測時，一般采用兩種檢驗方法對原數據的擬合程度進行檢驗。

（1）殘差檢驗

絕對殘差：

相對殘差：

平均相對殘差：

（2）級比偏差檢驗

首先由x(0 )(k-1)和x(0)(k)計算出原始數據的級比σ(k)：

第四步：預測預報。由GM (1,1)模型得到相應時間的預測值，根據實際需要，給出相應的結論。

2.2 新信息GM (1,1)模型的構建

已知參考數據列x(0)=(x(0)(1),x(0)(2),…,x(0)(n))1次累加生成數列x(1)：

令z(1)為數列x(1)的緊鄰值生成數列，即z(1)=(z(1)(2),z(1)(3),…,z(1)(n))，其中：z(1)(m)=δx(1)(m)+(1-δ )x(1 )(m-1),m=2,3,…,n且δ=0.5。

建立灰微分方程：

方程（9）為GM (1,1)模型的基本形式(k=2,3,…,n)，其中：b表示灰作用量,-a表示發展系數。

相應的白化微分方程為：

求解白化微分方程（10），得：

在建立傳統灰色預測GM (1,1)的基礎上：

（1）用x(0)=(x(0)(1),x(0)(2),…,x(0)(n))建立的GM (1,1)模型稱為全數據GM (1,1)；

（3）x(0 )(n+1)為最新信息，將x(0)(n+1)置入x(0)，稱用x(0)=(x(0)(1),x(0)(2),…,x(0)(n),x(0 )(n+1))建立的模型為新信息GM (1,1)。

3 我國公路貨運量預測

3.1 我國公路貨運量預測過程

本文數據皆來自國家統計局，選取2011—2020年的公路貨運量作為基礎數據進行預測。用2011—2020年中國公路貨運量x(0)進行依次累加，可得新序列：

圖2 光滑系數比折線圖

因為光滑比小于0.5的數據占比為77.78%，除去前兩個時期外，光滑比小于0.5的數據占比為100%，所以通過準指數檢驗。

構造數據矩陣B以及向量Y，由：

代入公式（12）可得x(0)的方程為：

使用GM (1,1)模型對未來數據預測時，一般采用殘差檢驗和級比偏差檢驗兩種檢驗方法對原數據的擬合程度進行檢驗，即GM (1,1)預測模型構建的第三步。通過計算得出平均相對殘差為0.049232，殘差檢驗的結果表明：該模型對原數據的擬合程度非常不錯。平均級比偏差為0.059271，級比偏差檢驗的結果表明：該模型對原數據的擬合程度非常不錯。

由國家統計局的數據可知，2011年中國公路貨運量為2 820 100萬噸，2015年為3 150 019萬噸，2020年已達3 426 413萬噸，可見中國交通運輸行業的發展速度之快。通過Matlab對中國2011—2020年公路貨運量數據進行分析處理，畫出中國近10年的公路貨運量折線圖，如圖3所示。

圖3 中國近10年的公路貨運量折線圖

3.2 GM (1,1)與新信息GM (1,1)預測模型結果對比

本文研究以2011—2020年中國公路貨運量為原始序列。由于數據量大于4，分別建立了GM (1,1)，新信息GM(1,1)，新陳代謝GM (1,1)預測模型，同時將數據組分為訓練組和實驗組：2011—2017年的公路貨運總量為訓練數據，2018—2020年的公路貨運總量為實驗數據，對2021—2025年中國公路貨運量進行預測。通過數據處理對三種GM(1,1)模型進行誤差平方和的計算，得出傳統GM (1,1)為3.7277e+11，新信息GM (1,1)為3.7219e+11，新陳代謝GM(1,1)為6.0453e+11，對比得出新信息GM (1,1)的誤差平方和最小，因此選擇新信息GM (1,1)模型完成預測工作，得到預測結果，如表1和圖4所示，并進行相應的殘差檢驗和級比偏差檢驗，如圖5所示。

表1 2021—2025年預測結果

圖4 中國公路貨運量與預測量折線圖

圖5 殘差檢驗和級比偏差檢驗

3.3 結 論

通過分析新信息GM (1,1)預測所得到的數據，可以得出以下結論：

結論1本文以國家公路貨運量作為樣本數據進行模擬訓練，訓練結果顯示模型的誤差較小，預測精度較好，在驗證灰色預測模型新信息GM (1,1)模型可靠性的基礎上，預測結果顯示2021—2025年的數值逐年遞增。

結論1表明中國公路貨運量在未來五年間將呈正增長的趨勢，這與中國積極發展交通運輸建設的現實情況相符合。面對人們在疫情中養成的消費習慣而形成的巨大市場需求，對交通運輸行業而言將是一個全新的發展機遇。

結論2預測數據顯示我國未來公路貨運量雖然在不斷增加，但未來的增長量與疫情前三年相比逐漸放緩。

結論2表明進入后疫情時代，我國的經濟雖然在逐漸復蘇，但受疫情影響，工業制造企業延遲復工復產、全球產業鏈供應鏈中斷，生產領域物流需求有所放緩。另一方面，由于各項交通基礎設施的不斷完善和運輸結構調整，鐵路運輸、管道運輸和水路運輸也分擔著越來越多的貨運壓力，從2019年開始，公路貨運量占貨物運輸量比重下降。因此，未來五年公路貨運的增長量與2015—2018年相比增速放緩明顯。

隨著我國交通強國戰略目標的提出，公路貨物運輸的作用將會進一步加強，相關指標的統計與預測工作也更加重要。本文研究數據能夠為有關部門大力發展公路基礎設施建設、完善交通運輸行業和公路碳排放管理等提供科學依據，具有較強的應用價值。

4 結束語

本文以2011—2020年的中國公路貨運量數據為基準，分別建立GM (1,1)和新信息GM (1,1)兩種灰色預測模型，發現新信息GM (1,1)的誤差平方和最小，故選擇新信息GM (1,1)模型研究2021—2025年公路貨運量的預測。研究表明：新信息GM(1,1)模型與原數據擬合程度較高，因此2021—2025年預測數據可靠性高。預測研究對后疫情時代“雙碳”背景下的我國公路運輸業建設具有重要意義。例如，為了“碳達峰”、“碳中和”目標的實現，根據我國“十四五”時期公路貨運量呈現增長趨勢的預測結果，公路運輸在未來五年里將是碳排放的重點關注對象，交通主管部門應做好頂層設計和投資決策，制定鼓勵組合運輸方式的政策，調整運輸結構，完善公路基礎設施建設，企業應改革創新運輸工具，優化運輸路線，控制公路運輸中產生碳排放量。又如，疫情期間多地為疫情防控采取了較為嚴格的交通管制措施，公路運輸面臨市場和成本雙重壓力，受影響程度相對較大。后疫情時代，公路運輸行業逐步復蘇，結合市場需求，公路貨運量預測數據可為決策者找出受疫情影響的占比，并總結經驗，為以后面對突發公共危機快速做出反應提供數據支持，減少運輸企業運作風險。

本文還有一些可以改進的方面。例如在預測過程中沒有將公路里程、公路貨物周轉量、國內生產總值、居民消費水平等因素進行關聯分析，分析影響因素不夠全面。因此，未來將進一步在考慮以上問題的基礎上研究，力圖彌補現有的不足。