安徽工程大学毕业设计（论文）
引 言
货运量预测，即运用有关预测的一系列理论与方法对未来铁路、公路、管道等运输方式的货运市场需求的变化规律及发展趋势做出正确的判断和估计，对影响货运量的因素进行分析，可以明确的找出能够确切影响货运量的因素，以便对未来进行更好的预测与分析。无论是传统意义上的以物资配送为核心的早期物流活动，还是当今社会以信息技术为基础，以供应链服务为特征的现代化物流服务，都把货运作为实现物流服务的基本手段。货运的基本内涵都是物质空间的转移。货运是物流产业的一个主要组成内容和重要环节，甚至由于货运的重要性，可以称其为物流产业的核心之一。货物运输对经济增长和贸易至关重要，若原材料、劳动力和燃料等不能在不同地区间流动的话，就不可能进行任何生产活动，制造业产品就不可能被送到消费者手中，大量的服务活动也就无法进行，且货物运输也从一定程度上反映了我国物流业的发展情况。
货物运输对经济增长和贸易至关重要，若原材料、劳动力和燃料等不能在不同地区间流动的话，就不可能进行任何生产活动，制造业产品就不可能被送到消费者手中，大量的服务活动也就无法进行，且货物运输也从一定程度上反映了我国物流业的发展情况。
近十年来，随着我国市场经济体制的不断发展与完善，我国经济突飞猛进，货物运输作为派生需求，在相当程度上反映经济的活跃程度。自加入WTO以来，中国拥有了更多的机遇，对外贸易增多，货物运输日益增长，但从另一方面来说，中国物流业与国外运输行业巨头的竞争也日益残酷。
货运量预测，即运用有关预测的一系列理论与方法对未来铁路、公路、管道等运输方式的货运市场需求的变化规律及发展趋势做出正确的判断和估计，对影响货运量的因素进行分析，可以明确的找出能够确切影响货运量的因素，以便对未来进行更好的预测与分析。
总之，客观分析和判定货运量总额的影响因素，能够预测未来货运量总额，进而得出我国物流业发展的趋势，这对于掌握决策的主动权，作出合理的决策，实现效益最大化，为社会创造更大的价值，是非常重要的。
- 1 -
张创：中国货运量预测方法研究
第1章 绪论
1.1研究背景和意义
作为21世纪“黄金产业”的现代物流业[1]，已在我国现代化建设中显示出大的发展
潜力和广阔的发展前景，并且正在向国民经济各个领域扩展。近年来我国物流产业发展很快，物流需求迅速增长，各地各种鼓励物流发展的政策纷纷出台，各类物流基础设施建设也频频上马，物流业迎来了良好的发展机遇。但是，在此过程中，我们应该看到，各种物流发展政策的制定、各类物流基础设施的可行性研究等都缺乏物流需求的定量依据，这必然导致物流市场供需失衡、物流基础设施重复建设，从而阻碍物流产业持续发展。因此，建立科学合理的预测模型，对物流需求进行定量预测，为制定物流发展政策、确定物流基础设施建设规模、分析物流市场态势提供定量依据，对物流业的持续发展至关重要。而货运量作为物流需求的一个重要的对比指标，对货运量进行定量的预测可以为该物流需求预测提供一个可靠的依据，从而为物流系统的规划和物流基础设施的建设提供一个可信的参考数据。
货运量预测的意义主要表现在:
(1)货运量预测为物流需求预测提供重要依据
从社会再生产流通角度看，全部转化为商品的工农业产品，都需要通过物流来实现资源配置。全社会物流综合货运量、固定资产投资额、外贸进出口总额、工业总产值、居民消费等是完成国民收入循环流程时对物流需求强度大的循环路径，也是对物流需求影响的重要指标。而综合货运量虽然不能全面反映物流综合需求量，但是在特定内，一定时期的综合货运量可以在一定程度上反映物流综需求量。因为在整体物流中，运输是贯穿始终的活动，综合货运量决定了其他物流活动的作业量，其变化也反映了物流综合需求量的变化。
(2)货运量预测对发展物流有非常重要的战略意义
货运量预测是从经济发展及合作的角度，分析经济发展特点、影响货运量的主要因子，物流特点，并结合货运、仓储现状与规模，采用定性分析与定量分析相结合的方法，预测物流市场未来需求。这是制订物流规划的基础条件之一，是制订交通基础设施规划和物流中心总体布局规划的重要依据。必须对它的发展有一个科学合理的规划，而对货运量的预测是编制规划的基础。因此，了解社会经济活动对于物流能力供给的需求强度，进行有效的需求管理，引导社会投资有目的进入物流服务领域，将有利于合理规划、建设物流基础设施、改进物流供给系统。为该乃至全国的物流系统规划提供重要的决策依据，对提高物流效率、降低物流成本具有重要的现实意义，对实现我国经济的可持续发展具有深远的历史意义。 1.2国内外研究现状
1.2.1国外研究现状
国外发达国家由于现代物流的理念发展的比较早，并且对物流预测进行了长期有效的研究，所以物流预测的理论和实际经验相比我国的研究来说都要成熟。国外学者对物流预测的主要研究有:1991年Box和Jenkins[2]构建了一个合理的ARIMA模型即
Box-Jenkins方法应用于交通流量预测，其步骤包括模型识别、模型估算以及模型检验。
- 2 -
安徽工程大学毕业设计（论文）
美国学者Brockweil. RJ和DaviS. R. A.指出，在其它单变量预测模型均方差(MSE)较大的情况下，选用ARIMA模型是最理想的。 1992年Cullinance构造了Box_Jenkins模型预测短期生成货运量，在这之后许多研究者使用Box_Jenkins法预测波罗的海货运指数(BFI)。1999年Cullinance等人通过运用Box_Jenkins法[3]，得出改变BFI的构成其流动行为不会发生改变。2000年Kavussanos和Nomikos为BFI防御率预测开发优化模型。在2003年电子与计算机工程加拿大国际会议上，加拿大Dalhousie大学电子与计算机工程系的Bashi:Z.和El. HawaryM. E.提出的一种由多个固定单元组成的动态神经网络模型在交通流量预测方面表现了良好的预测。
1.2.2国内研究现状
自从上世纪70年代末从美国、日本等西方发达国家引进现代物流理念以来，我国的物流研究发展水平取得了长足的进步，但是在物流预测方面还不是很成熟，也不够系统。国内学者在物流预测方面做出的主要研究有:2001年过秀成等在《物流需求分析模型及其算法》中指出物流需求量是物流中心设置与分布的主要决定因素，是物流中心功能设计和规模确定的基础。社会经济因素决定了物流需求的大小，物流供应条件又影响着物流需求规模和分布，物流需求的分析应把社会经济和物流供应条件当作一个完整的系统进行研究。并利用多区间投入产出模型分析地区间和部门间的经济关联和空间价格均衡模型将物流产生作为内生变量处理，使物流需求分析模型成为包含宏观经济分析和物流分析两层次决策问题，使整个物流需求分析过程能把握社会经济和物流供应条件两方面因素[1]。2001年张存禄等在《武汉地区物流发展水平灰色预测》中针对武汉物流中心发展规划中的具体问题，系统分析了影响武汉物流中心发展的各种因素，运用GM (1, 1)灰色系统预测模型对武汉的物流规模进行了预测，得出2001-2005年武汉货运量年增长率[2]。2004年初良勇等在《组合预测模型在物流需求预测中的应用》一文中,通过对物流需求影响因素的分析,建立了回归分析、灰色系统及神经网络方法的物流需求单项预测模型,鉴于单项预测模型的局限性,以误差绝对佰加权和最小为最优化原则,建立了物流需求组合预测模型,得到了满意的预测结果[3]。2009年吴晓玲[4]，符 卓，王 璇，等在《铁路货运量组合预测方法》一文中在指数平滑、模糊移动、线性回归、灰色预测4种单一模型的基础上建立组合预测模型。结果表明:组合预测模型能有效综合各模型的有用信息,并能提高其预测精度,预测结果可靠。与单一模型相比,该法具有较好的实用价值[7]。2011年谭司庭，史 峰在《改进的货运量最优变权组合预测模型》一文中提出一种改进的变权组合预测模型,实现货运量的短期和长期预测。该方法采用多元线性回归、二次指数平滑法、灰色模型、指数曲线外推方法分别对货运量进行预测,设计一个多项式的系数矩阵,建立组合预测模型。为了保证组合模型长期预测的稳定性,在进行长期预测时,在模型中增加了收敛条件。最后,通过引入松弛函数,避免求解方程时的病态,利用拉格朗日极值法求解该组合预测模型的系数矩阵,获得组合预测模型。根据长沙市1990年~2008年货运量的原始数据,采用该模型进行短期和长期预测,结果表明了该模型的有效性[8]。2012年张玥在《基于改进灰色模型的东北地区铁路货运量预测》一文中，在建立灰色GM(1,1)模型的基础上,采用更符合东北地区经济发展态势的改进灰色模型——新陈代谢GM(1,1)模型对东北地区2006—2011年铁路货运量进行预测。通过对原始数据与预测数据的精度检验后发现:新陈代谢GM(1,1)模型满足四种精度检验要求,符合一级预测标准并适合中长期预测,适合于东北地区铁路货运量的预测研究。最后应用新模型预测2012—2015年东北地区的铁路货运量,使得预测数据更加合理化。与灰色预测的基本模型相比,改进的预
- 3 -
张创：中国货运量预测方法研究
测模型具有较好的实用价值。观察预测数据发现东北地区货运量呈单调递增趋势,有良好的发展态势[9]。 1.3数据来源
从中国统计年鉴上得到的1990到2011年中国货运量的数据，如下：
表1-1原始货运量数据 年份 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011
货运总量（万吨） 970602 985793 1045899 1115902 1180396 1234938 1298421 1278218 1267427 1293008 1358682 1401786 1483447 1564492 1706412 1862066 2037060 2275822 2585937 2825222 3241807 3696961 铁路 150681 152893 157627 162794 163216 165982 171024 172149 164309 167554 178581 193189 204956 224248 249017 269296 288224 314237 330354 333348 364271 393263 公路 724040 733907 780941 840256 894914 940387 983860 976536 976004 990444 1038813 1056312 1116324 1159957 1244990 1341778 1466347 1639432 1916759 2127834 2448052 2820100 水运 80094 83370 92490 97938 107091 113194 127430 113406 109555 114608 122391 132675 141832 158070 187394 219648 248703 281199 294510 318996 378949 425968 - 4 -