（武漢理工大學(xué) 交通學(xué)院，湖北 武漢 430063）

1 引言

貨運(yùn)量是貨物出行交通量的派生需求，不僅與最終產(chǎn)品的重量或體積相關(guān)，而且與中間產(chǎn)品生產(chǎn)和銷售的組織、運(yùn)輸方式的選擇以及運(yùn)輸組織效率等多種因素有關(guān)。而區(qū)域經(jīng)濟(jì)發(fā)展水平與最終產(chǎn)品的產(chǎn)品結(jié)構(gòu)、中間產(chǎn)品的生產(chǎn)和銷售組織、運(yùn)輸組織效率等因素有著密切的關(guān)系。因此，區(qū)域經(jīng)濟(jì)發(fā)展與域內(nèi)貨運(yùn)量密切相關(guān)。對(duì)于貨運(yùn)量的準(zhǔn)確預(yù)測(cè),不僅有利于中央及各省市交通主管部門對(duì)公路客貨市場(chǎng)的發(fā)展趨勢(shì)進(jìn)行宏觀的把握,而且有利于運(yùn)輸企業(yè)決策者的決策行為[1]。

2 長(zhǎng)江流域經(jīng)濟(jì)發(fā)展及產(chǎn)業(yè)結(jié)構(gòu)

長(zhǎng)江是我國(guó)空間開(kāi)發(fā)最重要的通道之一，貨運(yùn)量位居全球內(nèi)河第一，被譽(yù)為“黃金水道”，在我國(guó)總體發(fā)展格局中具有重要戰(zhàn)略地位。長(zhǎng)江干線連接我國(guó)西南、華中以及華東三大城市群和經(jīng)濟(jì)區(qū)，沿岸從上而下依次設(shè)有重慶、武漢、南京和上海等經(jīng)濟(jì)中心及航運(yùn)樞紐，長(zhǎng)江干線流域內(nèi)“七省二市”（云南省、四川省、重慶市、湖北省、湖南省、江西省、安徽省、江蘇省和上海市）經(jīng)濟(jì)發(fā)展迅速且前景良好，是我國(guó)綜合實(shí)力最雄厚、生產(chǎn)互動(dòng)最頻繁的區(qū)域之一。三峽樞紐[2]工程建成后極大地改善了庫(kù)區(qū)上游的通航條件，進(jìn)一步發(fā)揮了水運(yùn)成本低廉的優(yōu)勢(shì)，為長(zhǎng)江航運(yùn)發(fā)展提供了新的契機(jī)。隨著國(guó)家“長(zhǎng)江經(jīng)濟(jì)帶”戰(zhàn)略的實(shí)施，三峽樞紐的戰(zhàn)略地位將更加突出。在國(guó)家戰(zhàn)略和經(jīng)濟(jì)發(fā)展的推動(dòng)下，三峽過(guò)壩整體仍呈現(xiàn)增長(zhǎng)趨勢(shì)。2004-2016年三峽過(guò)壩貨運(yùn)量、長(zhǎng)江流域經(jīng)濟(jì)發(fā)展相關(guān)歷史數(shù)據(jù)見(jiàn)表1。由表1可以看出，2004年三峽大壩完成貨運(yùn)量4 308.5萬(wàn)t，而2016年完成過(guò)壩貨運(yùn)量為12 761.74萬(wàn)t，同比增長(zhǎng)6.1%，相比于2004年增長(zhǎng)了196.2%，年均增長(zhǎng)率為25.5%。其中上行完成貨運(yùn)量6 900.19萬(wàn)t，下行完成貨運(yùn)量5 861.55萬(wàn)t，分別占總量的54.1%和45.9%。經(jīng)濟(jì)數(shù)據(jù)方面，近15年來(lái)區(qū)域各項(xiàng)數(shù)據(jù)均呈現(xiàn)增長(zhǎng)趨勢(shì)，經(jīng)濟(jì)增長(zhǎng)速度穩(wěn)定，GDP13年內(nèi)增長(zhǎng)約4倍，三大產(chǎn)業(yè)發(fā)展迅速，產(chǎn)業(yè)結(jié)構(gòu)趨于合理。進(jìn)出口貿(mào)易額總體上呈現(xiàn)穩(wěn)定增長(zhǎng)趨勢(shì)，人民生活水平持續(xù)提高，居民收入不斷攀升，推動(dòng)消費(fèi)市場(chǎng)運(yùn)行，增幅呈現(xiàn)逐年提高態(tài)勢(shì)。長(zhǎng)江流域經(jīng)濟(jì)產(chǎn)業(yè)結(jié)構(gòu)的發(fā)展態(tài)勢(shì)對(duì)三峽樞紐中長(zhǎng)期綜合交通規(guī)劃具有重要的指導(dǎo)作用。

表1 2004-2016年長(zhǎng)江干線流域基礎(chǔ)數(shù)據(jù)統(tǒng)計(jì)

3 三峽過(guò)壩貨運(yùn)量預(yù)測(cè)

3.1 基于GA-SVM的模型構(gòu)建

GA-SVM是結(jié)合遺傳算法和統(tǒng)計(jì)學(xué)習(xí)理論的合稱[4]。利用遺傳算法全局最優(yōu)性及其自身潛在并行性的優(yōu)勢(shì)對(duì)支持向量機(jī)進(jìn)行改進(jìn)，構(gòu)造出遺傳算法優(yōu)化支持向量機(jī)模型。支持向量機(jī)的性能很大程度上取決于參數(shù)C和σ，合理地選擇參數(shù)能提高其性能，傳統(tǒng)的參數(shù)選取方式具有一定的缺陷，而利用遺傳算法進(jìn)行支持向量機(jī)參數(shù)的選擇能克服這種缺陷，從而改進(jìn)支持向量機(jī)的性能。其基本思路是：首先對(duì)支持向量機(jī)模型參數(shù)編碼，然后根據(jù)設(shè)計(jì)好的遺傳算法適應(yīng)度函數(shù)進(jìn)行遺傳操作，完成計(jì)算后將最優(yōu)參數(shù)代入第一步支持向量回歸機(jī)程序，并建立模型預(yù)測(cè)數(shù)據(jù)組，從而達(dá)到預(yù)測(cè)目的。

3.2 過(guò)壩貨運(yùn)量預(yù)測(cè)

為證明指標(biāo)數(shù)據(jù)的定量分析對(duì)預(yù)測(cè)具有現(xiàn)實(shí)意義，采用經(jīng)遺傳算法改進(jìn)后的支持向量機(jī)模型預(yù)測(cè)貨運(yùn)量。利用構(gòu)建好的gaSVMcgForRegress函數(shù)來(lái)實(shí)現(xiàn)遺傳算法的參數(shù)尋優(yōu)迭代，函數(shù)接口為：其中支持向量機(jī)采用3-e-SVM，核函數(shù)采用RBF函數(shù)，懲罰參數(shù)C的取值范圍為[2-5,25]，RBF核函數(shù)參數(shù)σ的取值范圍為[2-5,25]，遺傳算法的最大進(jìn)化代數(shù)為200，種群最大數(shù)量取20，交叉概率取0.4，變異概率取0.01。

為了能定量分析選取的指標(biāo)對(duì)于預(yù)測(cè)具有現(xiàn)實(shí)意義，從相關(guān)性的角度來(lái)進(jìn)行計(jì)算。將表1中數(shù)據(jù)導(dǎo)入到SPSS軟件中，對(duì)貨運(yùn)量與其他指標(biāo)做相關(guān)性分析，得到的結(jié)果見(jiàn)表2。

表2 過(guò)壩貨運(yùn)量與其他指標(biāo)相關(guān)系數(shù)表

根據(jù)表2所得數(shù)據(jù)來(lái)看，所有的相關(guān)性系數(shù)r均大于0.9，表明三峽過(guò)壩貨運(yùn)量與其他經(jīng)濟(jì)產(chǎn)業(yè)結(jié)構(gòu)指標(biāo)之間存在顯著相關(guān)性。由于各數(shù)據(jù)指標(biāo)之間存在巨大差異，在運(yùn)用模型預(yù)測(cè)前，需要對(duì)原始數(shù)據(jù)進(jìn)行歸一化處理，結(jié)果見(jiàn)表3。

根據(jù)不同的預(yù)測(cè)目標(biāo)，表3由9個(gè)影響因素和1個(gè)預(yù)測(cè)目標(biāo)構(gòu)成。預(yù)測(cè)目標(biāo)：三峽過(guò)壩貨運(yùn)總量（Y0）；預(yù)測(cè)的主要影響因素：GDP（X1）、第一產(chǎn)業(yè)產(chǎn)值（X2）、第二產(chǎn)業(yè)產(chǎn)值（X3）、第三產(chǎn)業(yè)產(chǎn)值（X4）、進(jìn)出口貿(mào)易總額（X5）、城鎮(zhèn)居民人均可支配收入（X6）、農(nóng)村居民家庭人均純收入（X7）、社會(huì)消費(fèi)品零售總額（X8）以及固定資產(chǎn)投資額（X9）。首先前9行數(shù)據(jù)作為libsvm-mat工具箱中訓(xùn)練函數(shù)svmtrain的輸入向量，而將第10行數(shù)據(jù)作為輸入向量所對(duì)應(yīng)的輸出向量；利用這種思路對(duì)三峽過(guò)壩貨運(yùn)量及主要貨類運(yùn)量進(jìn)行模型的擬合訓(xùn)練，得到相應(yīng)的訓(xùn)練模型之后，再將前9行數(shù)據(jù)輸入到工具箱中svmpredit函數(shù)中去，得到三峽過(guò)壩貨運(yùn)量的預(yù)測(cè)情況。反歸一化數(shù)據(jù)見(jiàn)表4。

表3 歸一化數(shù)據(jù)

表4 GA-SVM模型預(yù)測(cè)值及其誤差

GA-SVM模型利用遺傳算法的全局尋優(yōu)能力搜索最優(yōu)懲罰參數(shù)C和核函數(shù)參數(shù)σ，而傳統(tǒng)的SVM模型僅依靠經(jīng)驗(yàn)確定其值[5]。支持向量機(jī)的高維分類及映射能力的關(guān)鍵靠?jī)蓚€(gè)參數(shù)C和σ實(shí)現(xiàn)，僅依靠經(jīng)驗(yàn)對(duì)其賦值存在一定的主觀性，很難得到最優(yōu)結(jié)構(gòu)。因此利用遺傳算法的全局尋優(yōu)能力彌補(bǔ)這一“短處”，取得較好效果。GA-SVM模型原始值和預(yù)測(cè)值擬合曲線如圖1所示。從圖1可以看出預(yù)測(cè)值和實(shí)際值之間基本重合，誤差較小。傳統(tǒng)SVM和GA-SVM模型預(yù)測(cè)相關(guān)結(jié)果對(duì)比見(jiàn)表5。

表5 傳統(tǒng)SVM和GA-SVM模型預(yù)測(cè)相關(guān)結(jié)果對(duì)比

基于表5中GA-SVM預(yù)測(cè)模型所提供的最優(yōu)參數(shù)C和σ對(duì)2017-2021年的三峽過(guò)壩貨運(yùn)總量進(jìn)行預(yù)測(cè)，基礎(chǔ)數(shù)據(jù)通過(guò)灰色模型預(yù)測(cè)，歸一化后代入程序，預(yù)測(cè)結(jié)果及反歸一化數(shù)值見(jiàn)表6。

表6 GA-SVM模型預(yù)測(cè)值及其誤差

表6反歸一化數(shù)值表示2017-2021年預(yù)測(cè)貨運(yùn)總量分別為：13 125萬(wàn)t，13 652萬(wàn)t，14 029萬(wàn)t，15 589萬(wàn)t，15 765萬(wàn)t。

4 長(zhǎng)江流域產(chǎn)業(yè)經(jīng)濟(jì)發(fā)展對(duì)三峽過(guò)壩貨運(yùn)量的影響

三峽過(guò)壩貨運(yùn)量的預(yù)測(cè)受很多因素的影響，其中最主要的就是區(qū)域經(jīng)濟(jì)發(fā)展和產(chǎn)業(yè)結(jié)構(gòu)調(diào)整等因素。對(duì)表1中長(zhǎng)江流域共9個(gè)省、直轄市的GDP、第一產(chǎn)業(yè)、第二產(chǎn)業(yè)、第三產(chǎn)業(yè)和同期過(guò)壩貨運(yùn)量作對(duì)數(shù)處理后（如圖2所示），從宏觀方面分析長(zhǎng)江流域經(jīng)濟(jì)結(jié)構(gòu)變化對(duì)貨運(yùn)量的影響。

從圖2可以看出，2004年以來(lái)，第一產(chǎn)業(yè)、第二產(chǎn)業(yè)、第三產(chǎn)業(yè)總值以及貨運(yùn)量呈現(xiàn)穩(wěn)定上升的趨勢(shì)，貨運(yùn)量與GDP二者的變化趨勢(shì)相關(guān)程度很高。

圖2 長(zhǎng)江流域經(jīng)濟(jì)發(fā)展與貨運(yùn)量趨勢(shì)

三產(chǎn)業(yè)占比趨勢(shì)如圖3所示。從圖3可以看出，三大產(chǎn)業(yè)呈現(xiàn)非均衡增長(zhǎng)，就增速而言，第二產(chǎn)業(yè)平均增速較大，第一產(chǎn)業(yè)最小。整個(gè)長(zhǎng)江流域仍以第二產(chǎn)業(yè)為主導(dǎo)產(chǎn)業(yè)，占比維持在50%左右。然而隨著產(chǎn)業(yè)優(yōu)化升級(jí)等調(diào)整政策的實(shí)行，第三產(chǎn)業(yè)迅猛發(fā)展，并于2015年首次占比超過(guò)50%，首次超過(guò)第二產(chǎn)業(yè)產(chǎn)值。不難發(fā)現(xiàn)，長(zhǎng)江干線流域第三產(chǎn)業(yè)逐漸取代第二產(chǎn)業(yè)的主導(dǎo)地位，側(cè)面上說(shuō)明政府產(chǎn)業(yè)優(yōu)化升級(jí)等調(diào)整政策取得良好的成效。

圖3 三產(chǎn)業(yè)占比趨勢(shì)

長(zhǎng)江流域單位GDP的貨運(yùn)量趨勢(shì)如圖4所示。由圖4可知，長(zhǎng)江干線流域單位GDP貨運(yùn)量（即貨運(yùn)量與GDP的比值，單位：萬(wàn)t/億元）總體處在下降趨勢(shì)。原因在于，一方面長(zhǎng)江干線流域省份加快產(chǎn)業(yè)結(jié)構(gòu)調(diào)整步伐，在發(fā)展工業(yè)的同時(shí)，帶動(dòng)現(xiàn)代物流、信息、旅游、金融等服務(wù)業(yè)迅速發(fā)展，增加居民收入，促進(jìn)社會(huì)消費(fèi)；另一方面大力培育戰(zhàn)略性新興產(chǎn)業(yè)，減少高能耗高物耗的產(chǎn)業(yè)，導(dǎo)致單位GDP產(chǎn)生貨運(yùn)量逐年下降。

圖4 長(zhǎng)江流域單位GDP的貨運(yùn)量趨勢(shì)

5 結(jié)語(yǔ)

本文根據(jù)搜集的9個(gè)影響因素近13年的歷史數(shù)據(jù)，以及作為預(yù)測(cè)指標(biāo)的三峽過(guò)壩貨運(yùn)總量近13年的統(tǒng)計(jì)數(shù)據(jù)，運(yùn)用建立的GA-SVM模型進(jìn)行訓(xùn)練和預(yù)測(cè)，經(jīng)實(shí)證此模型具有高精度性，證明經(jīng)濟(jì)發(fā)展與貨運(yùn)量之間存在一定的內(nèi)在聯(lián)系。通過(guò)分析長(zhǎng)江流域貨運(yùn)量、GDP和產(chǎn)業(yè)結(jié)構(gòu)變化趨勢(shì)，得到兩個(gè)結(jié)論：一是經(jīng)濟(jì)總量與貨運(yùn)量呈現(xiàn)正相關(guān)；二是貨運(yùn)量受到內(nèi)部結(jié)構(gòu)即產(chǎn)業(yè)結(jié)構(gòu)的影響。長(zhǎng)江干線流域第三產(chǎn)業(yè)比重逐步增大，單位GDP產(chǎn)生的貨運(yùn)量持續(xù)下落，反映產(chǎn)業(yè)結(jié)構(gòu)調(diào)整帶來(lái)的貨物附加值提高，改善過(guò)去粗放式發(fā)展忽視經(jīng)濟(jì)質(zhì)量的情況，提高了經(jīng)濟(jì)質(zhì)量。

本文運(yùn)用該模型對(duì)未來(lái)五年過(guò)壩貨運(yùn)總量進(jìn)行預(yù)測(cè)，為以后三峽過(guò)壩貨運(yùn)量預(yù)測(cè)提供了一種新思路和方法，具有一定的參考作用。